多车间协同范文

2024-07-23

多车间协同范文（精选7篇）

多车间协同第1篇

关键词：混流装配线,排序,多车间协同,遗传算法

1 一汽解放有限公司卡车厂装配工艺及特点

焊装车间由一条底盘焊装生产线和若干分支焊装线组成, 分支焊装线如发动机舱焊装线、左右侧围焊装线等的生产均需围绕底盘焊装线来完成, 而主干线的生产排序则由总装配线的排序决定。对于焊装车间来说, 其生产的成品是白车身。在焊装车间, 由于相同车型的车身有相同的车身坐标结构, 如果焊装两个不同的车型时, 则需要一系列的生产准备时间, 因此, 焊装车间要求生产期间尽量减少白车身类型的变化。于是得到优化目标:尽量连续生产相同车型的车辆。这就形成了小批量生产。在检查、确认焊接没有问题后, 白车身就将被吊入涂装车间进行涂装工艺, 其主要工作就是根据总装配线的生产排序为白车身涂上不同颜色的油漆, 由于当两个连续生产的车被喷成不同颜色时, 必须用油漆清洗剂对喷枪进行一次彻底地清洗 (长清洗) , 这不仅浪费时间, 还浪费资源, 因此, 尽量将喷涂相同颜色的一组车 (无论其配置是否相同) 排列在一起, 于是, 得到优化目标:尽量减少生产序列中车身颜色的变化次数。另一方面, 如果同一种油漆的喷涂时间过长, 则易产生胶结凝聚现象, 同时, 长时间使用同一种油漆也会影响操作人员的施工质量。因此, 喷涂车间还必须考虑在连续喷涂同种颜色油漆的车辆数不得超过S。完成涂装工艺后, 最后被送入总装配车间, 在总装配车间主要考虑生产均衡化和产品相似度两个优化目标。在总装配线的一个生产序列中, 如果连续选装某种选装部件过多, 使得相应工位的装配工人在一段时间内工作负荷过重, 就常常会导致生产任务难以完成, 而生产该工位生产任务过少, 又会导致空闲, 于是考虑在连续生产的M台车中, 尽量有L台选装部件C;另一方面, 尽量将相似车型安排在一起生产, 这不仅有利于工人因车型频繁切换而产生错装, 漏装, 影响生产效率和质量, 还可以大大减少生产人员由于更换生产工具等产生的生产准备时间, 并最终提高总装配线的生产效率。

在JIT生产方式下, 当生产指令下达到总装配线上时, 总装配线一次拉动焊装车间、涂装车间, 以及总装配线上外购零/部件和自制零/部件物流, 由后向前追溯, 利用看板信息依次拉动, 这样, 焊装车间、涂装车间和总装车间就形成一个有序的链式结构。总装车间一方面直接面向用户需求, 另一方面需要向前序车间 (涂装车间和焊装车间) 提取制造资源, 而此时焊装车间, 涂装车间, 以及各分装车间就需要在正确的条件下, 将正确的物料按正确的数量在正确的时刻运送到总装配线固定的位置。因此, 建立总装配线混流装配线排序模型时, 必须充分考虑焊装车间、涂装车间的生产组织方式和工艺特点, 以此来建立多车间协同的混流装配线排序模型。

2 基于JIT多车间协同的混流装配线排序问题描述

O为选装零件集合, o∈O, C为关键件集合, c∈C, F为喷涂颜色集合, f∈F, T为车型种类, t∈T, K为总配置方案集合, k∈K, 每一个配置方案是由若干选装件、关键件和喷涂颜色组成的一个集合。δk为配置方案k包含的车辆数目, lo:mo来描述选装件的最好装配频率, do为排序中需要选装件o的个数。

定义:

记Vn为车型V的第n个关键件, Ω为流水线上所有关键件个数, 显然关键件的种数为|Ω|, S (v, v’) 为车型v与车型v’之间的产品相似度。

3 基于JIT多车间协同的混流装配线排序模型的建立

为了提高一汽解放有限公司卡车厂总装配线生产效率和均衡性, 在上文分析了焊装车间, 涂装车间和总装配车间的生产组织方式和工艺装配特点后, 下面来建立多车间协同的混流装配线排序模型。首先分别考虑各优化目标函数和约束条件。

焊装车间要求生产期间尽量减少白车身类型的变化, 尽量连续焊装相同车型的车辆, 于是提出以下优化目标函数和约束条件。

涂装车间要求尽量减少生产序列中车身颜色的变化次数, 于是提出以下优化目标函数和约束条件。

为实现总装车间的生产负荷均衡化, 要求在连续生产的M台车中, 各选装件最好按照lo:mo的选装频率来组织生产, 当大于这个选装频率时, 出现负荷超载, 当太小时, 工人出现空闲。于是提出以下两个优化目标函数及对应的约束条件。

总装配车间内, 为了减少工人因车型频繁切换而产生错装, 漏装, 影响生产效率和质量, 尽量将相似车型安排在一起生产, 于是提出以下优化目标函数和约束条件。

最后, 由式 (1) 、式 (4) 、式 (8) 、式 (9) 和式 (15) 各单目标函数运用加权法计算得总目标函数为:

其中ω1, ω2, ω3, ω4, ω5为各目标所占的比例。

以该总目标函数, 以式 (2) 、式 (3) 、式 (5) 、式 (6) 、式 (7) 、式 (10) 、式 (11) 、式 (12) 、式 (13) 和式 (14) 为约束条件, 建立了一汽解放有限公司卡车厂的多车间协同的混流装配线排序模型。

4 基于GA算法的多车间协同的混流装配线排序仿真实验及分析

由于混流装配线排序问题属于NP难题, 而GA算法通过选择, 交叉操作可以不断扩大解空间, 使得在最短时间内实现局部最优解, 而GA算法的变异又可以跳出局部搜索, 实现解空间的全局搜索, 因此, GA算法是解决NP难题的最好方法。因此本文运用GA算法来解决上文建立的多车间协同的混流装配线排序模型[8]。

经过咨询一汽解放有限公司卡车厂的相关业务人员, 确认了这五个目标所占的比例为ω1=2.13, ω2=2.51, ω3=1.13, ω4=1.12, ω5=3.11。

GA算法采用整数编码方式, 运用轮盘赌的方法选择初始种群, 种群大小设置为40, 由于目标函数是最小值问题, 根据式 (17) , 将适应度调整为Fitn V=1/Obj V, 选择使用单点交叉方法, 交叉概率Px=0.9, 变异概率Pm=0.02, 进化1000代。

某个生产日内投产汽车车型的配置情况如表所1示, 涂装车间连续喷涂颜色的最大批量要求, 以及装配车间各选装件的选装频率如表1所示。

迭代50次, 得到最优解, 其搜索过程如图1所示。

由图1所示, 横坐标代表遗传代数, 纵坐标代表总目标值, 随着遗传代数的增加, 最优解的总目标值逐渐下降, 到180代时, 总目标值趋向平稳, 最后得到最优解, 通过GA算法, 只需要180代, 就找到了多车间协同的混流装配线排序的最优解。其最优解的搜寻结果表3所示。

由表3可知, 不管是单个目标值还是总目标值, 都由初始值得到了不同程度的改善, 如车型变更次数由初始目标值18次减少到8次, 总目标值由117.98减小到63.55。从而验证了该多车间协同的混流装配线排序模型的有效性。

式中:a代表优化前, b代表优化后

5 结束语

调研了一汽解放有限公司卡车厂的实际情况, 建立了一汽解放有限公司卡车厂多车间协同的混流装配线排序模型, 并运用GA算法验证了该模型的有效性和可操作性。运用这个排序模型, 实现了总装车间、焊装车间和涂装车间的协调生产, 从而提高了整个企业的生产效率。

参考文献

[1]宋华明, 韩玉启.混和装配线上物料供应的平准化排序[J].系统工程, 2001, 5 (3) :15-10.

[2]田志友, 田澎, 王浣尘.多混流装配线调度问题的离散粒子群优化解[J].工业工程与管理, 2006. (1) :53-57.

[3]McMullen P.R., Tarasewich P., Frazier G.V..Using genetic algorithms to solve the multi-product JIT sequending problem with setups.International Journal of Production Research.2000, 38 (12) :2653-2670.

[4]Pan C.Integrating CAD files and automatic assembly sequence planning[D].Iowa State University, 2005.

[5]黄刚, 陈扬, 吴睿东.小生境遗传算法在混流装配线排序中的应用[J].现代制造工程, 2000, (6) :60-63.

[6]邵新宇, 饶运清.制造系统运行优化理论与方法[M].北京:科学出版社.2010.

[7]刘文平, 李兆前.混合品种汽车装配线平衡与排序问题研究[D].山东:山东大学.2009.

多车间协同第2篇

在实际离散制造过程中,产品生产过程一般包括零件加工、部件装配和产品总装,其生产形式是作业车间和流水车间集成的混流混合车间模式。零件加工车间、部件装配车间与产品总装车间在计划制定、物料供应和调度执行方面都紧密相关。生产调度及其执行过程中,优化多集中于单一车间而忽略与其他车间的关联影响。如零件加工车间往往以产品切换费用、换模费用的最少等目标来安排生产,而部件装配车间、产品总装车间以生产周期最短等目标来安排生产,从而导致零件的加工进度跟后续的部件装配或者产品总装不相匹配,造成大量的缓冲区在制品库存,拉长了产品的整个生产周期,影响了生产流程化,无法达到系统最优。在混流生产模式下,这种情况尤为严重。因此,对于具有自制件的混流装配生产过程,必须从整体优化的角度出发,建立多车间的集成调度。

目前的研究主要针对零部件车间的加工调度或者零部件装配车间的排序调度等单一车间展开,对作业车间和流水车间的集成研究较少。Lee等[1]研究了三机装配型流水车间的调度问题,优化目标是最小化最大完工时间。文献[2-3]以最小化最大完工时间为优化目标,研究了带装配操作的两机流水车间调度问题。上述研究考虑的加工装配车间过于简单,只是将装配车间看成一台机器,研究的是单品种生产,且没有考虑各个车间之间的缓冲区在制品库存问题。王炳刚等[4,5]研究了带有限缓冲区的流水车间集成调度问题,建立了带并行机的流水部件线和单机流水总装线的集成调度模型,有效弥补了上述研究的不足,但仍没有关于作业车间与流水车间的混合模型。

1 问题描述

1.1 混流混合车间模型

本文所要研究的混流混合车间由三部分组成:第一部分为加工零件的作业车间,以批为单位进行生产;第二部分为装配部件的流水车间,以个为单位进行装配;第三部分为产品总装的流水车间,以个为单位进行装配。图1所示为所要研究的混流混合车间简化模型。

混流混合车间主要有以下特点:(1)混合车间生产不同品种的产品,且以混流生产方式组织生产;(2)零件加工车间、部件装配车间、产品总装车间之间由缓冲区连接;(3)零件加工车间为部件装配车间和产品总装车间提供物料,部件装配车间为产品总装车间提供物料;(4)各生产单元间通过物料约束关联,适当的缓冲设置可在生产流畅的情况下减少生产运作成本;(5)同时具有作业车间调度和流水车间调度问题的各种约束条件;(6)加工零件的作业车间以批为单位进行生产,部件装配、产品总装的流水车间以个为单位进行生产。

1.2 混流混合车间调度模型的构建

在混流混合生产系统中,各生产单元是相对独立的子系统,虽然具有不同的生产特征和优化目标,但仍相互依赖、相互制约。在生产调度过程中,各生产单元通常单独制定调度方案,单方面进行各自生产单元的优化,虽然达到各自的生产目标,但却以其他单元生产目标的弱化为代价,使生产内部不协调,经常出现需要的零部件未生产,而暂时不需要的零部件却大量堆积,产生大量在制品库存,严重影响了生产物流的流畅性,增加了企业生产、场地和资源的成本。因此,集成调度零件加工车间、部件装配车间、产品总装车间,并控制其之间的缓冲区在制品库存具有非常重要的实际意义。针对混流混合车间调度问题,建立以最小化缓冲区在制品库存成本为目标的优化模型。

混流混合车间调度问题可描述为,以零件加工车间、部件装配车间和产品总装车间组成的三段生产系统中,零件加工车间有m台机器,加工n种零件,部件装配车间有l1个装配工位,生产r1种部件;产品总装车间有l2个装配工位,生产r2种产品,生产调度旨在安排各工件在各设备和工位上的生产顺序,实现既定目标的优化。为了便于研究混流混合车间调度问题,给出以下假设条件:

(1)只对自制件在流水车间装配的调度进行研究,外购外协件不在考虑范围内。

(2)若零件加工车间为部件装配车间、产品总装车间的装配工位加工了一批零件,或者部件装配车间为产品总装车间的装配工位加工了某种部件,而装配工位不需要,即装配工位已有的零部件能够满足装配所需要的数量,或者已加工的零部件不是装配工位所需要的类型,则将此批零件或者此种部件暂存在缓冲区,反之向相应工位配送,其中的配送时间假定为零。

(3)作业车间内零件的工序之间有工艺约束,不同零件之间不存在工艺约束。

(4)在零时刻,所有的零件都可以被加工。

(5)在零时刻,所有的机器及装配工位都已经准备就绪。

(6)工序加工时间已经包含了工序的准备时间和搬运时间。

目标函数为最小化缓冲区在制品库存成本,模型如下:

式中,Ai为一批自制零件i所占的面积;Ax为一个部件x所占的面积;Ci为单位面积的零件i在缓冲区存放单位时间所占用的成本;Cx为单位面积的部件x在缓冲区存放单位时间所占用的成本;Ti为一批零件i被加工出来的完工时刻;T′i为此批零件被下游领走的时刻;Tx为一个部件x被生产出来的完工时刻;T′x为此部件被下游领走的时刻。

1.2 模型约束

1.2.1 工艺顺序约束

(1)零件加工车间约束。自制零件的前一道工序加工完成后,才能加工后一道工序,其约束表达式为

式中,Eij、Eih分别为零件Ni在机器Mj和Mh上加工的完工时刻;D是一个足够大正数,作为对约束违背的惩罚系数;tij为一批自制零件Ni在机器Mj加工所需要的时间。

(2)部件装配车间约束。部件的前一道工序装配完成后,才能装配后一道工序,其约束表达式为

式中,Exk、ExH分别为部件装配流水车间中部件x在第k个装配工位和第H个装配工位上的完工时刻;txk为一个部件x在第k个装配工位上装配所需要的时间。

(3)产品总装车间约束。产品的前一道工序装配完成后,才能装配后一道工序,其约束表达式为

式中,Eys、EyK分别为产品总装流水车间产品y在第s个装配工位和第K个装配工位上的完工时刻;tys为一个产品y在第s个装配工位上装配所需要的时间。

1.2.2 资源约束

(1)零件加工作业车间约束。在同一台机器上,一批零件的加工任务完成后,方能开始下一批加工,其约束表达式为

(2)部件装配流水车间约束。在同一个装配工位上,一个装配任务完成后,方能开始下一个任务,其约束表达式为

(3)产品总装流水车间约束。在同一个装配工位上,一个装配任务完成后,方能开始下一个任务,其约束表达式为

1.2.3 时间约束

(1)部件装配完工时间等于该部件进入工位的时间与装配操作时间以及在该工位的等待时间之和:

式中,Bxk为部件装配流水车间中部件x在装配工位k上可以开始装配的时刻,即表示部件x已经完成前一道工序的装配任务,装配工位k已经完成前一个部件的装配任务;Δxk为部件装配车间部件x在装配工位k上开始装配的延迟时间(停工待料时间);Qikt、Qikt′分别为t和t′时刻部件装配车间的装配工位k含有的自制零件i的数量;Oixk为t时刻部件装配车间部件x在装配工位k上装配时需要的自制零件i的数量;txk为一个部件x在第k个装配工位上装配所需要的时间。

(2)总装配件完工时间等于该产品进入工位的时间与装配操作时间以及在该工位的等待时间之和:

式中,Bys为产品总装流水车间产品y在装配工位s上可以开始装配的时刻,即表示产品y已经完成前一道工序的装配任务,装配工位s已经完成前一个产品的装配任务;Δys为产品总装流水车间产品y在装配工位s上开始装配的延迟时间(停工待料时间);Qist为t时刻产品总装车间装配工位s含有自制零件i的数量;Qiys为产品总装车间的产品y在装配工位s进行装配时需要的自制零件i的数量;Qxst为t时刻产品总装车间装配工位s含有部件x的数量(前面已经假设零部件从缓冲区配送到装配工位的时间为零,此时的数量为装配工位和缓冲区中数量的总和);Qxys为产品总装车间产品y在装配工位s上进行装配时需要部件x的数量;tys为一个产品y在第s个装配工位上装配所需要的时间。

模型中,aihj、bigj、a′xHk、b′xgk、a′yKs、b′ygs为指示变量,aihj、a′xHk、a′yKs为0,表明该调度方案不符合工艺顺序约束要求;bigj、b′xgk、b′ygs为0,表明该调度方案不符合资源约束要求。

2 混合遗传算法求解调度模型

遗传算法是求解组合优化问题的优秀算法,具有良好的全局搜索能力,针对混流混合车间调度解空间大的特征,具有较好的优化效果。目前,GA在装配线和作业车间独立优化问题上已取得良好的应用效果[6?8],与模板退火算法结合的混合算法也取得了良好效果[9]。因此,将遗传算法作为算法主流程。为提高局部搜索能力,在遗传算法的流程中嵌入模拟退火算法,建立了一种混合算法。模拟退火算法可以对每一代种群中最好的部分个体执行退火操作,有效提高邻域搜索效率,弥补遗传算法在局部搜索方面的不足。

2.1 算法流程

图2所示为混合算法的主要流程。相关说明如下:(1)算法包含5个基本参数(种群规模N、最大迭代次数M、初始温度θ0、终止温度θend、退温系数λ),随机产生规模为N的初始种群P(T),初始代数T=0;(2)适应度计算,计算种群中每个个体的适应度值;(3)对种群进行选择、交叉、变异操作,产生新一代种群P(T+1),并将种群中具有最佳适应度值的个体集合作为P(x);(4)对种群P(x)进行模拟退火操作;(5)判断迭代条件,如果满足则输出最优解,并终止算法。

2.2 算法详细设计

2.2.1 编码

混流混合车间调度问题的编码规则如下:根据给定的生产任务,先将产品级分解为部件级、零件级,然后根据各种零件的数量、比例和加工批量确定零件生产车间的零件生产批量;部件装配车间和产品总装车间是流水车间,取各产品数量的最大公约数,并通过各产品数量除以该值确定各部分的最小生产循环,对一个循环中的产品装配工序进行编号;编码分成三部分,其中,第一部分为零件加工车间零件的批量编号,第二部分为部件装配车间的部件编号,第三部分是产品总装车间的产品编号。为了修正操作运算后产生的非法解,分别对零件加工工序和装配工序的对应编号从小到大进行重排序,从而保证产生的新种群都为合法解。

示例:产品总装流水车间要生产10个A、10个B;装配1个产品A需要1个部件U、1个零件a和1个零件b;装配1个产品B需要1个部件V、1个零件a和1个零件c;装配1个部件U需要1个零件d,装配1个部件V需要1个零件e。其中,各零件加工批量为10。假定零件加工作业车间由4台设备(M1、M2、M3、M4)组成,加工零件a、b、c、d、e。各零件工序作业时间及作业顺序如表1所示。表1中,逗号左侧的数字为加工时间(s),逗号右侧的数字为加工工序的顺序号。

由已知条件可以知道,生产10个产品A、10个产品B需要零件20个a、10个b、10个c、10个d、10个e,需要部件10个U、10个V,即零件加工作业车间需要加工2批a、1批b、1批c、1批d、1批e。零件序列为[a,a,b,c,d,e],分别对各零件工序进行编号,如表2所示。表2中,a出现2次,表示零件a的2个不同批次;部件装配流水车间需要装配10个U、10个V,则部件装配流水车间的最小生产循环为1个U、1个V,对其进行编号,如UV为1个最小生产循环;产品总装流水车间的最小生产循环为1个产品A和1个产品B,如AB为一个最小生产循环。

图3所示为一条染色体编码。染色体采用三段式的编码方法,S1段为作业车间编码,S2段为部件车间编码,S3段为装配车间编码。其中,编号1~4的码值为1,该码值按照顺序分别代表第一个工件即工件a的4个工序。采用该编码方法可在交叉变异操作时避免非法染色体的产生。

2.2.2 适应度函数

由于优化目标为缓冲区在制品成本最小化,因此将目标函数适当改变作为适应度函数:

2.2.3 种群选择

算法根据适应度函数值采用赌轮盘法选择个体遗传到下一代群体中。

2.2.4 交叉与变异

鉴于混流混合车间调度问题特点,零件加工车间、部件装配车间、产品总装车间的各段染色体编码进行各自独立的交叉和变异操作。交叉方法采用单点交叉;变异采用交换变异方法,即交换两个随机位置上的基因[10]。

2.2.5 模拟退火算法

为提高精英群体的质量,算法采用变温度的模拟退火算法对每代最优的群体P(x)执行模拟退火操作SA。最优解x操作后得到的新解x′=SA(x)。如果x′优于x则保留新解,否则以概率exp(-Δθ′/θ)接受新解,其中,θ为当前温度,Δθ′为原解与新解的适应度差。新解的产生通过交换变异的方法,分别对三段编码各自进行交叉,防止不同类调度工件的串码,从而保证染色体的合法性。算法进程由初始温度θ0、终止温度θend、退温系数λ控制。模拟退火算法增强了个体的局部搜索能力,但增加了时间和计算成本,为平衡算法效率,算法采用变温度的温度适应算法,其中,当前温度为

式中,T为当前迭代代数;ceil(*)表示对括号中内容向下取整。

为保证迭代末期的有效温度,设定θ′e不小于1。在变温度的支持下,算法初期可提高算法的全局寻优能力,算法后期可加快算法的收敛速度,从总体上提高了算法的执行效率。

2.2.6 终止准则

以预先设定的最大进化代数M为终止条件。

3 实例验证

混流混合车间在生产中应用广泛,现以某冰箱制造企业为例对模型和算法进行验证。该生产系统由零件加工车间、部件装配车间和一条总装配线组成。零件加工车间的主要任务为生产8种自制零件。自制件集合为{N1,N2,…,N8},作业车间机器集合为{M1,M2,…,M10}。自制件在各机器上的加工以批为单位,工艺顺序及加工时间如表3所示。

注:“-”表示自制件不需要在该机器上加工;逗号前的数字为工序加工顺序;逗号后的数字为工序加工时间,s。

部件装配车间主要负责门体A、B的装配,其装配工艺与时间如表4所示。

产品总装流水车间共有33个装配工位,流转产品Q1、Q2、Q3、Q4,对应的装配工序作业时间如表5所示。

表6为零部件对应的产品需求矩阵,对应值为所需数量。

注:“/”表示产品与需求部件没有需求关系。

元/(d·m2)

计划期内产品Q1、Q2、Q3、Q4的生产任务分别为320台、160台、320台、160台。门体A、B的生产任务均为480个;内胆A、内胆B、侧板A、U壳A、后背板A、后背板B,门壳A、门壳B的加工任务均为3批。因此,产品总装车间的产品Q1、Q2、Q3、Q4生产任务比例为2∶1∶2∶1;部件装配车间的门体A、B生产任务比例为1∶1;零件加工车间比例均为1∶1。算法初始种群大小设为100,交叉率为0.9,变异率为0.02,最大迭代次数100,θ0=10,θend=0.1,λ=0.9。根据已知条件,以MATLAB为算法软件编程平台进行求解运算。取最佳结果之一,得到三段式编码[1_1_1_2_2_2_3_5_7_4_6_3_8_7_6_3_3_4_4_5_5_5_6_6_7_8_8]-[1_2]-[2_1_3_3_1_4],对应总的最小成本费用为1643元。其中,部件段最小投产循环为[门体A,门体B],总装线最小投产顺序为[Q2,Q1,Q3,Q3,Q1,Q4],零件车间调度甘特图(图4)中,N11代表第1个工件的第1个工序,其余以此类推。

4 结语

混流混合车间是离散生产中常见的生产组织方式,本文描述了混流混合车间调度问题的特点,建立了混流混合车间缓冲区在制品成本最小优化模型,给出了集成模拟退火算法的混合遗传算法,并对模型进行求解,最后通过某冰箱企业混流混合车间调度问题的实例研究,验证了所建模型和算法的有效性。文中仅针对混流混合车间做了初步的集成调度研究,但混流混合车间作为一种混合生产系统,影响因素多,并涉及多个优化目标,后续研究应发掘影响生产系统的瓶颈因素,实现各子系统的多目标协调调度。

摘要：为解决一类具有多品种混流生产特征和作业车间与流水车间集成的混流混合车间协同调度问题,给出了以在制品成本最小为目标的混流混合车间调度问题模型;采用零件加工、部件装配、产品总装的三段协同编码方法,给出了一种集成模拟退火算法的混合遗传算法,并在模拟退火算法中引入变温度参数来平衡算法效率。最后,通过某冰箱混流装配企业典型实例验证了模型和算法的有效性。

关键词：混流混合车间,流水车间,作业车间,混合遗传算法,模拟退火算法

参考文献

[1]Lee C Y,Cheng T C E,Lin B M T.Minimizing theMakespan in the 3-Machine Assembly-type FlowShop Scheduling Problem[J].Management Science,1993,39(5):616-625.

[2]Cheng T C E,Wang G.Scheduling the Fabricationand Assembly of Components in a Two-machineFlow Shop[J].IIE Transactions,1999,31(2):135-143.

[3]Lin B M T,Cheng T C E.Fabrication and AssemblyScheduling in a Two-machine Flow Shop[J].IIETransactions,2002,34(11):1015-1020.

[4]王炳刚,饶运清,邵新宇,等.基于多目标遗传算法的混流加工/装配系统排序问题研究[J].中国机械工程,2009,20(12):1434-1438.

[5]王炳刚.混流加工/装配系统集成优化研究[J].机械工程学报,2010,46(17):114-122.

[6]苏平,于兆勤.基于混合遗传算法的混合装配线排序问题研究[J].计算机集成制造系统,2008,14(5):1001-1007.

[7]Chul J H,Kim Y.A Genetic Algorithm for MultipleObjective Sequencing Problems in Mixed Model As-sembly Lines[J].Computers and Research,1998,25(7):675-690.

[8]袁坤,朱剑英.一种求解多目标柔性Job Shop调度的改进遗传算法[J].中国机械工程,2007,18(2):156-160.

[9]鲁建厦,蒋玲玲,李修琳.基于混合粒子群算法求解装配线第二类平衡问题[J].中国机械工程,2010,21(4):420-424.

多小区下行链路协同算法应用研究第3篇

主公共控制信道和业务信道频率在N频点网络中, 由于在复用度方面存在差异, 导致两者在特性方面出现不一致的现象, 主公共控制信道的质量难以对业务信道的质量进行真实的反映, 基于主公共控制信道实现覆盖的优化。在高负荷网络环境下, 同频干扰现象比较严重, 用户的感知受到严重的影响, 出现有信号却不能电话、信号良好无法接通电话、通话时话音时断时续等现象。因此, 在高负荷网络环境下, 提高用户的感知、确保网络性能的稳定成为关键问题。

在高负荷网络环境下, 面对同频干扰的问题, 作为一种同频干扰规避算法, 多小区下行链路干扰协同MDIC主要策略是对服务小区的功率及相邻区域的干扰情况进行综合考虑, 将资源合理分配给用户, 在一定程度上确保下行链路C/I的良好;同时对用户下行链路的C/I进行实时监控, 通过调整防止进一步恶化, 进而确保用户业务的连续性, 提升用户的感知。

1 算法概述

目前各个阶段都考虑干扰的规避方案, 相互配合相互补充, 构成一个完整的干扰规避体系, 称之为MDIC算法 (多小区下行干扰协同评估算法) , 算法主要实现对小区间干扰的抑制。由于单小区联合检测比较成熟, 因此, 小区内的下行干扰对终端的影响通常是比较小的, 其干扰主要来自小区间, 而小区间的下行干扰主要来自邻区。

1.1 算法的思路

首先, 综合考虑服务小区和邻区信息, 将用户分配在干扰较小的资源上。

其次, 由于环境的变化和用户的移动造成的资源干扰, 可以将用户调整到干扰较小的资源上。

最后, 如果突发性强干扰来临时, 不能及时将用户调整到干扰较小的资源上, 可以通过挽救措施进行规避。

1.2 M DIC算法的应用阶段

1.2.1 分配资源。

在干扰较小的资源上分配新用户。基于这种理念, 实施内外圈干扰隔离方案和多小区下行干扰协同评估的资源分配方案。

1.2.2 调整资源。

用户遭受到的干扰比较严重时, 可以在干扰较小的资源上重新分配该用户。从这个角度来说, 对受干扰的资源进行调整。

1.2.3 异常挽救阶段。

TD-SCDM A中的M DIC功能主要是规避下行同频干扰, 使得用户获得更好的无线服务。算法主要从接入过程、保持过程两个方面来消除干扰, 所以分两部分进行。目前室内外基本都是异频组网, 因此只需要开启室外小区的MDIC功能即可, 室内小区不需要开启。

2 算法流程

2.1 分配资源的算法

2.1.1 获取潜在干扰邻区。

通常情况下, 为了提高用户的感知, 将多个室外的邻区配置在室内, 室内受区域的影响, 那么, 接收到的室外的邻区, 对于终端来说是不一样的, 判断准则: (1) 在PCCPCH RSCP方面, 如果服务小区超过台配置的门限, 那么终端处于小区的中心区域。 (2) 如果服务小区与邻区的PCCPCH RSCP之差低于后台配置的门限值, 那么就可以认为该邻区处在潜在干扰邻区内。

2.1.2 获取干扰邻区的信息。

确定干扰邻区后, 对于相同频点上的邻区和服务小区, 通过利用内部接口可以获取各个时隙的TCP、当前占用的物理资源, 邻区的路损等信息。

2.1.3 计算时隙C/I。

复用频点的各个时隙的C/I可以根据服务小区和邻区的TCP、路损等信息进行计算, 具体算法如下: (1) 通过RNC内部消息获取服务小区、潜在干扰邻区的频点信息、各个频点的每个时隙的TCP、RU资源等信息; (2) 服务小区和干扰邻区的路损信息根据终端上报的PCCPCH RSCP得到; (3) 复用频点各个下行时隙可提供的剩余功率根据服务小区的复用频点上的TCP等信息得到, 进而获取信号功率C; (4) 服务小区的下行干扰通过服务小区TCP、路损等信息进行计算, 而邻区干扰通过邻区TCP、路损等信息进行计算; (5) 底躁+本小区干扰+邻区干扰构成复用频点下行总干扰I; (6) 复用频点的C/I值通过第3步和第5步的结果得到。

2.1.4 资源分配。

在潜在的干扰邻区, 如果用户处于小区边缘, 那么: (1) 如果后台开关处于“边缘用户优选专用频点”位置, 需要将用户分配室内的专用频点; (2) 如果后台开处于“边缘用户优选复用频点”位置, 根据C/I的计算结果进行判断:首先, 如果通过最大的C/I满足业务的需求, 需要将复用频点分配给用户, 并在复用频点上选择一个C//I最大的时隙;其次, 如果复用频点没有任何时隙的C/I能够满足业务的需求, 需要将专用频点分配给该用户。

2.2 资源调整算法

2.2.1 判断目前用户无线链路情况。

当用户的下行发射功率SCP较大, 且终端测量到的下行ISCP较大时, 需要将用户分配到干扰较小的资源上 (1) 保持业务时, 首先I-ub口的SCP A测量控制进行下发;定义SCP A事件:用户下行发射功率超过A事件门限, 持续时间time too trigger; (2) 上报A事件后, 下发1i测量控制给终端;定义1i事件:用户的下行ISCP大于1i门限, 持续时间time too trigger; (3) 1i经终端上报后, 终端的下行干扰和发射功率表明都较大, 难以保证用户的感知, 需要将用户调整到一个干扰较小的资源上。

2.2.2 调整资源。

当需要调整用户的资源时, 需要为用户选择一个干扰较小的资源, 在一定程度上满足用户的感知, 具体流程与资源分配中流程相似。

2.3 异常挽救算法流程

通常情况下, MDIC会将用户分配在干扰较小的资源上, 受干扰突发性的影响, 可能会出现网络侧在用户受到强干扰时, 未能将用户调整到干扰较小的资源, 通常的做法是释放用户, 具体如下:

2.3.1 小区更新后的处理。

如果用户在稳态下对小区更新进行上报, 为其重新分配资源;小区更新在切换过程中, 也会分布一套资源。

2.3.2 RL failure后。

当出现rl failure时, 通过采取措施进行挽救, 将用户调整到干扰较小的资源上。

2.3.3 下行RLC不可恢复错误。

当下行rlc出现不可恢复的错误时, 通过采取措施进行挽救, 将用户调整到干扰较小的资源上。

2.3.4 重配超时。

重配超时后, 通过采取措施进行挽救, 将用户调整到干扰较小的资源上。

综上所述, 在空口出现异常时, 在多数情况下, 通过采取措施进行挽救, 从而降低掉话率。

3 验证MDIC功能

3.1 验证有效性

(1) 算法开启前, 对选定区域进行路测, 算法开启后进行测试指标对比验证; (2) 算法开启后, 对接通率、掉话率、切换成功率进行前后对比验证; (3) 由于现网终端性能的差异和不稳定性, 算法性能可能受到终端测量异常的限制。

3.2 选定区域

某区TD网络选取RNC811区域做MDIC专项, 所选区域内包含11个宏站点和2个室分站点, 共35个小区, 76块载频。

3.3 后台KPI指标对比

对比MDIC功能修改前后指标发现, 语音接通率由99.87%变为99.89%, 改善0.02%, PS域接通率由99.66%变为99.70%, 改善0.04%, 掉话率和掉线率基本持平, 同频接力切换成功率由99.32%变为99.36%, 改善0.04%, 异频接力切换成功率由99.43%变为99.44%, 改善0.04%。

3.4 前台测试指标对比

对比MDIC功能发现, 语音接通率和掉话率一致, 均未发生事件, MDIC功能开启前DPCH C/I为9.172, M DIC功能开启后DPCH C/I为9.150, 开启后略有差距, M DIC功能开启前UE发射功率为-18.300dbm, M DIC功能开启后UE发射功率为-27.408dbm, 开启后比开启前减少手机发射功率9.108dbm, 改善明显。MDIC功能开启前后, 高质差小区数量由17变为16, 有所改善, 减少1个;上行BLER由原来的1.45%变为1.91%, 有所恶化, 恶化0.46%;下行BLER由原来的1.75%变为1.44%, 有所改善, 优化0.31%。

4 结论

M DIC功率开启后对接通率指标、切换成功率指标有所提高, 对掉话率指标无明显提升, 减少了手机发射功率, 降低全网底噪, 减少了高质差小区数量, 建议全网推广。

参考文献

[1]陈海军.CDMA网络簇划分及优化[J].中小企业管理与科技 (下旬刊) , 2012.05.

[2]景娜.浅谈无线网络中的主要技术[J].价值工程, 2010.35.

多传感器海面目标协同探测技术第4篇

机载或星载电子侦察传感器和成像侦察传感器是当前获取情报的2种主要手段[1,2,3]。电子侦察传感器利用专用的电子侦察设备对敌方雷达和通信等辐射源发出的电磁信号进行搜索、截获、分选、定位和识别,以确定这些设备或系统的类型、所在位置甚至其所属平台身份等信息,其特点是覆盖区域广、辐射源定位精度低。成像侦察传感器利用可见光、红外等被动方式或微波照射的主动方式( SAR) 获取目标二维或三维像,具有瞬时覆盖范围小和定位精度高等特点,成像侦察的目标识别能力直接与载荷分辨率有关,低分辨率时只能辨识目标粗的归类,高分辨率时可识别目标型号甚至身份。电磁辐射特征和成像特征从不同角度共同刻画了目标在全电磁谱段的不同属性,两者之间存在着多层次的互补性[2]。本文在前人的研究基础上,从实际工程应用的角度出发,设计了电侦和成像传感器协同探测典型工作流程,分类论述了多传感器协同探测所涉及的关键技术及其工程可用性,并从传感器特性、工作模式和网络环境等方面对未来发展趋势进行了展望。

1 多传感器协同探测流程设计

由于覆盖范围广,电子侦察传感器首先对潜在的目标区域电磁信号进行大范围内的搜索、截获并进行分析、定位、信号分选和目标分选,在确定目标存在后向成像侦察传感器提供相应的引导信息( 目标指示信息) ; 成像侦察传感器收到引导信息后,首先完成侦察任务的规划处理,然后依据规划结果对目标区域实时搜索和成像; 两类传感器分别对所获取的目标数据进行特征提取,电子侦察传感器提取目标( 平台) 所载辐射源的RF、PRF、PW、AM以及DOA[4]等信息,成像侦察传感器提取目标的频域特征、几何特征、散射点特征以及空域信息; 基于2种手段获取的目标辐射特征和成像特征,分别进行目标识别,电子侦察目标识别首先对辐射源进行识别,然后根据其聚类特点进一步完成平台识别,成像侦察目标识别完成平台识别; 在多目标环境下为了解决同源性问题,还需要解决2类数据间的数据关联问题; 最后基于2种传感器目标识别结果,完成决策级的目标融合识别。电子侦察传感器与成像侦察传感器协同探测海面目标的工作流程如图1所示。流程中涉及到多传感引导、数据关联、目标综合识别和目标定位优化部署等若干项关键技术。

2 多传感器协同探测关键技术

2. 1 传感器引导技术

电侦传感器引导成像传感器时,需要解决侦察任务规划和传感器搜索模式选择问题。空天侦察任务规划问题涉及对象要素较多,包括平台特性( 包括轨道、航路、机动能力、通信能力、能量或燃料约束等) 、载荷使用约束( 包括侧摆能力、存储器容量约束、开关机时间、开关机次数和幅宽特性等) 以及空天地资源使用约束( 测控范围及窗口、数传能力和中继能力等) 。空天侦察任务规划的功能是针对侦察需求,根据空天侦察资源的状态和侦察任务的目标与要求,综合考虑天基侦察平台、临近空间侦察平台和空中侦察平台的协同,根据各种侦察载荷的信息获取特点,确定其使用的条件和范围,将资源配置给相互竞争的多个任务,并确定侦察载荷的工作时间和工作模式等规划要素,以排除不同任务之间侦察资源使用冲突,最大化地满足侦察任务需求,生成合理的侦察计划方案[5]。任务规划的本质是最优分配问题,在实际工程应用中,首先建立空天地资源和侦察任务模型,其次是以侦察任务需求为目标函数,以资源、载荷和平台使用要求为约束条件,采用运筹学、最优化理论方法求得任务—资源之间的最优分配解。

通常,电子侦察传感器有较大的覆盖范围即视域( FOV) ,而成像传感器有较小的视域,电子侦察传感器对成像传感器的引导,是指当电子侦察传感器得到有关目标的方位角和俯仰角后指示给成像传感器,后者的视域范围迅速转向前者指示的范围,且使后者的视域中心指向前者提供的目标方位角和俯仰角所指位置。在假定电子侦察传感器的方位角估计误差和俯仰角估计误差服从高斯分布,且电子侦察传感器对成像侦察传感器引导期间海面目标运行引起的实际方位角和俯仰角偏差在一定区间内服从均匀分布的前提下,从对成功引导概率贡献最大的原则出发,文献[6]给出了一种传感器搜索模式,如图2所示。

图2中FOVa-ESM和FOVe-ESM分别为电子侦察传感器的方位和俯仰视域范围,FOVa-IMG和FOVe-IMG分别为成像侦察传感器的方位和俯仰视域范围,Azimuth和Elevation分别是电子侦察传感器指示给成像侦察传感器的方位角和俯仰角。在引导搜索开始时,成像传感器的方位视域中心对准Azimuth,俯仰视域中心对准Elevation,然后按图中所示的动态搜索模式进行搜索,其中的数字为搜索顺序。在实际应用中,侦察传感器也可从距己方近的方位和俯仰范围内进行搜索,考虑到敌方的威胁程度,也可从距我方目标最近的方向上开始,由近至远搜索。

2. 2 多传感器数据关联技术

通常,电子侦察传感器和成像侦察传感器都能够获取目标的方位角信息φ和俯仰角信息ε。在多目标环境下需要解决多传感器量测数据的同源性问题,也即数据关联问题。

假设2部同步工作的传感器的角度测量分别为,量测噪声为独立的、零均值加性高斯白噪声,方差为这里φ和ε 分别代表方位角和俯仰角。为传感器1指向传感器2的三维距离矢量,其长度即为2部传感器之间的基线长度,设为D为传感器2指向传感器1的三维距离矢量，为传感器1指向目标的LOS矢量,为传感器2指向目标的LOS矢量。与的夹角为θ1,的夹角为θ2。R'和R分别为这2部传感器到目标的径向距离,它们的平面示意图如图3所示。

没有量测噪声的理想情况下,对应同一目标的2个LOS( Line of Sight) 矢量的交叉点就是目标位置,此时这2个矢量间的空间距离为零。由于量测噪声和估计误差的存在,对应同一个目标的2个LOS矢量往往不在同一个平面上,此时它们的空间距离不为零,2个LOS矢量间的最短空间距离称之为漏距,用m表示。针对2部传感器,可构造如下的关联统计量[7,8]:

这里E[]代表数学期望,E[m2]可由已知的D、θ1、θ2、R'、R、方位角、俯仰角和角度量测误差标准差计算得到,其中斜距R'、R和夹角θ1、θ2可分别通过2个LOS矢量的三角测量交叉定位得到。这里,d2m近似服从自由度为1的χ2分布。此时,2部传感器的数据关联问题可变成假设检验问题。

2. 3 多传感器综合目标识别技术

通常多传感器目标综合识别的质量在很大程度上取决于单传感器目标识别的准确度。电子侦察传感器获取的是海面目标平台配备的辐射源射频、重复频率、脉宽和幅度等辐射特征参数,其目标识别过程是将这些参数和数据库存储的标准模板进行比较,在某一准则( 如模糊匹配、灰关联分析等) 下如果侦察数据越接近数据库中的某个模板数据,那么判为该类型目标的可能性就越大,也即其识别过程是一种模板匹配过程,至此完成了辐射源的识别,在此基础上还需进一步判明辐射源所属平台的身份类型,后者属于平台识别过程,辐射源识别到平台识别需完成识别层次的转换。电子侦察识别概率主要影响因素有电子侦察发现信号的测量精度、电子侦察目标特征数据库的完整性、准确性和识别匹配算法的容差能力等。成像侦察传感器获取的是目标平台的轮廓、形状等几何结构特征,其识别过程包括图像预处理( 光学图像和SAR图像有所区别) 、图像的特征提取和分类器设计训练等,光学侦察成像传感器受天气和光照等条件限制较大,SAR侦察成像传感器受背景杂波影响较大,上述因素均对后续的目标识别结果带来影响,那么影响成像侦察传感器目标识别概率的主要因素有成像质量、构建目标特征模板库时目标光照、姿态敏感性训练样本数量、背景杂波滤除算法性能、图像特征提取算法性能和识别匹配算法鲁棒性等。

针对不同的工程应用背景和侦察传感器数据特点,采用适合的融合识别算法[9],充分利用多源目标身份信息进行优化综合,以获得目标身份的有效识别。目前研究较多的目标综合识别算法主要有:Bayes推理和D-S证据理论[1,10,11]等,与主观Bayes方法相比,D-S证据理论既能处理随机性所导致的不确定性,又能处理模糊性导致的不确定性,而且具有不需要先验概率和条件概率等优点[1]。当单个传感器按递归方式在时间域得到目标识别的累积基本概率赋值及累积不确定性后,可对M个传感器的时域累积信息按Dempster组合规则进行空域融合。用组合规则对传感器i和传感器l的时域累积信息进行空域融合,可得传感器i和传感器l最终的时—空累积目标识别融合结果[10]:

式中,

由传感器i和传感器l得到的累积时—空不确定性为:

式中,k为采样时刻; j为不同的测量状态。式( 4) 构成了基于D-S证据理论的目标识别递归时空融合模型。多源目标识别融合算法采用D-S证据理论的情况下影响最终识别概率的主要因素有目标识别框架的合理性、在识别框架内定义的基本概率赋值获取的科学性等。

2. 4 传感器平台优化部署技术

电子侦察传感器和成像侦察传感器( 除SAR外) 通常都以被动方式工作,即自身不主动发射电磁波,而通过接收目标辐射或反射的电磁波来探测目标,其中一种常用的目标定位技术是基于DOA的测向交叉定位技术。测向交叉定位体制下,目标定位误差除了与传感器角度量测系统误差和随机误差有关外,还与目标对应各传感器之间的方向余弦直接有关,即目标定位误差与目标的空间位置和传感器位置的相对几何布局有关。换言之,传感器间的不同几何布局对同一个空间位置上的目标的定位精度是不一样的,通过优化部署传感器平台与目标之间的相对几何布局,可大大提高目标定位精度。

利用空天平台对海面运行目标进行协同探测时,可通过优化规划单/多传感器平台的飞行轨迹来提高对目标的定位精度。文献[12]在最小定位模糊椭圆约束下,基于交会角给出了传感器优化部署的准则,如图4所示。

图4中,l为目标到2个传感器基线的垂直距离与传感器基线长度D的比值。当l > 0. 5时,目标与2部被动传感器呈等腰三角形时得到局部最优交会角; 当l < 0. 5时,目标位于以2部传感器基线为直径的圆上( 除2个传感器的位置外) 时得到局部最优交会角; 当l = 0. 5,目标与2部被动传感器呈等腰直角三角形时得到局部最优交会角,这里局部最优交会角对应目标定位精度局部最高的位置。在最小定位模糊椭圆准则下,当且仅当目标位于图中的实线( 或圆弧) 上时,可以得到局部最高精度的目标定位值。同样还可知,随着l的逐步减小( 即沿着实线弧段逐渐接近2部传感器的位置) ,定位误差逐步减小,定位精度逐步提高,理论上可无限接近全局最小值。在实际工程应用中可通过优化配置多个被动侦察传感器平台来得到较高的目标定位精度,上述结论同样可适用于单传感器平台的情景,在粗略获取目标位置的前提下,可通过优化传感器平台运动轨迹和合理利用不同采样时刻的角度量测值进行交叉定位,以尽可能地满足最优交会部署条件,即可得到较高的目标定位精度。

3 发展前景

随着航空航天技术和电子信息技术的发展,对空天侦察传感器的探测手段、功能性能和工作模式都带来不断的增强和变化。

1传感器分辨率越来越高。光学和SAR成像传感器将呈现空间分辨率高和目标定位误差小的特点,电侦传感器将呈现宽频谱、谱段分辨率高和目标定位误差小的特点。这些新特点将大大提高目标协同探测和识别的效能。

2传感器工作模式多样化。光学成像传感器将有全色、多光谱、高光谱和超光谱等多种成像模式,机载SAR/GMTI技术目前已较成熟,未来星载SAR / GMTI技术将不断完善和成熟。随着平台负载能力的提升和综合孔径技术的应用,单传感器多平台分布式协同探测模式可发展为多传感器单平台协同探测模式,进而对目标的探测、跟踪和识别效率将大大提高。

3天基信息网络由单星模式、星座模式到空天地一体网络化模式发展,将太空、临近空间、空中、海面、地面的作战单元和节点紧密集成,为各类节点用户提供全时无缝接入服务。一体化网络对前端目标探测、多传感器协同和后端信息处理等环节之间的流程更加顺畅和衔接度更高。

4机载或星载平台信息处理能力增强。通过微组装、高性能计算和容错等技术实现地面系统完成的信息综合处理功能,一方面能够缩短信息传输时延、减低星地网络数传压力; 另一方面也提出了高效、可靠的在线信息处理要求。

4 结束语

多车间协同第5篇

流水车间调度问题是一类重要的生产调度问题,在许多工业领域中有广泛的应用背景,受到了许多研究者的重视,提出了许多针对问题的有效求解方法,其中以求解单目标问题为主。而在实际生产环境中,往往存在着多个相互冲突的优化目标,研究多目标流水车间调度问题更加符合实际。通常,多目标优化问题的最优解不是单个解,而是一组Pareto最优解。进化算法具有隐含的并行性,单轮运行能够得到多个Pareto最优解,已成功地用于求解多目标优化问题。近年来,在多目标进化算法中使用局部搜索技术,以加快解的收敛速度和提高算法的全局搜索能力,引起了许多研究者的关注[1,5]。

本文提出了一种多目标混合遗传算法MOHGA(Multi-Objective Hybrid Genetic Algorithm)。该算法采用基于Pareto支配关系的适应度赋值方式,并采取非劣解并行局部搜索策略,以提高算法的搜索效率,产生数量较多、分布较广的Pareto最优解。通过对一组多目标流水车间问题的求解,与MOGLS[1]、J-MOGLS[3]、PFGA[6]算法进行比较,验证了MOHGA的有效性。

1 问题描述

流水车间调度问题可以描述为:n个工件通过m台不同的机器进行加工,每个工件要经过m道工序,每道工序要求不同的机器,n个工件在m台机器上的加工顺序相同。已知每个工件在机器上的加工时间和交货期,要求确定工件在机器上的加工顺序,使预定的目标函数最优。此类问题的解空间规模是n!。

设i是某个加工顺序中的第i个加工的工件,pi,j表示工件i在机器j上的加工时间,di表示工件i的交货期,则工件i在机器j上的完成时间Ci,j以及工件i的拖后时间Ti计算如下:

本文的优化目标是使最大完成时间(make span)和最大拖后时间(maximum tardiness)达到最小,即使函数f1=Cn,m和达到最小。最大完成时间反映了对机器的利用率,而最大拖后时间则反映了满足交货期的情况。

2 多目标混合遗传算法

2.1 遗传编码及其操作

本文流水车间调度问题的解个体采用基于工件加工顺序的自然数编码。以6个工件为例,编码(142635)表示加工顺序为1→4→2→6→3→5。遗传操作采用部分匹配交叉和插入(Shift)变异。

2.2 适应度赋值

个体的适应度赋值是多目标进化算法的关键技术之一。本文基于Pareto支配关系提出了个体适应度赋值的方法,先计算每一个体的排序数,再据个体周围的拥挤状况计算个体的密度值,最后综合确定个体的适应度值。具体方法如下:

(1)计算当前群体中每个个体i的伪排序数R′(i):R′(i)等于当前群体中支配个体i的个体数。

(2)计算个体i的排序数R(i):个体i的排序数R(i)等于个体i的伪排序数R′(i)与支配个体i的所有个体的伪排序数之和。

(3)将目标空间据群体规模NPOP划分成nc×nc×…×nc个网格区域,nc表示每维目标空间的网格数,取的整数部分,k表示目标数。每一个体都位于一个网格区域内,将每个个体所在的网格区域内的个体数作为该个体的密度值D(i)。

(4)个体i的适应度值确定为

排序数较小的个体其适应度较大,位于稀疏区域的个体适应度较大。这种适应度赋值方式既保证了群体朝着Pareto最优解逼近,又能在一定程度上保持群体多样性。反映到流水车间问题上,就是既保证可行调度向着调度目标的最小化方向靠近,又能找到尽可能多的最优调度。

2.3 精英策略

MOHGA使用两个群体:进化群体和外部群体。外部群体用来保存进化过程中产生的所有非劣解。在每次迭代中,从外部群体中选择一定数目的个体进入进化群体中,以提高算法的收敛性。

2.4 局部搜索

本文采取基于Pareto支配关系的搜索策略,只对非劣解进行局部搜索。基本思想是:对当前群体的非劣解集S中的每一个解x,产生一个邻域N(x),对该邻域内的解y,只要y不受S中的任何解支配,则接受y作为新解,放入集合S′中。用S′修正S,即将S′的解添加到S中,同时删除S中被支配的解,这样会得到改善的非劣解集S。再将S作为初始集合,重复上述搜索过程。具体步骤如下:

(1)初始化局部搜索的非劣解集合S,并将S加入到NDI中,令迭代次数t=1。

(2)置S′为空集。对S中每一个解xk,产生xk的邻域N(xk),对y∈N(xk),判断y是否处于受集合NDI支配。若y不被NDI中的任何解支配,且y"NDI,则将y加入到S′中。

(3)用S′修正NDI,即将S′的解添加到NDI中,剔除其中受支配的解。

(4)如果t小于最大迭代数,则用NDI代替S,t=t+1,返回步骤2。

2.5 MOHGA的实现步骤

(1)算法参数设定群体规模Npop,交叉概率Pc,变异概率Pm,最大精英数Nelite,局部搜索的最大迭代数Niter。

(2)初始化随机产生规模为Npop的初始群体,计算每个个体的目标值。初始化外部群体ND1=!,初始化精英解集E1="。

(3)求非劣解求出当前群体Pt中的所有非劣解。

(4)修正外部群体NDt 将非劣解加入到NDt中,再从NDt中删去被支配的个体。

(5)适应度赋值按2.2节的方法计算群体Pt中所有个体的适应度。

(6)选择、交叉和变异将Pt中个体按适应度由大到小排序,选择前Npop个个体进入交配池,从交配池中选择两个不同的个体,依概率Pc进行交叉产生两个个体,依概率Pm进行变异组成中间群体MPt。

(7)精英策略随机从外部群体NDt中选出Nelite个个体,存放于集合Et中。

(8)局部搜索应用2.4节的方法对MPt∪Et的非劣解集S进行局部搜索,得到改善的非劣解集NDI。用NDI修正MPt∪Et,得到下一代群体Pt+1。

(9)停止准则若停止条件满足,则输出外部群体,否则Pt=Pt+1,返回步骤(3)。

3 实例仿真

本文按照文献[2]的方法产生6个规模不同的调度实例,包括机器数为10和20,工件数为20、40、60和80,每一问题表示成n×m。采用MOGLS[1]、J-MOGLS[3]以及PFGA[6]作为参考算法,检验本文MOHGA的优化性能。统一设定参数:群体规模Npop=30,交叉概率Pc=0.9,变异概率Pm=0.3,精英解的数目Nelite=3。对于J-MOGLS,群体的最大规模为Nmax=100,临时集合规模为6。对于MOHGA,局部搜索的最大迭代数Niter=3。所有算法使用相同的邻域操作,即对换两工件位置且搜索步长为2。计算终止条件均设定为评价100 000个解。每种算法在相同的初始条件下独立运行20次,得到各问题的非劣解。表1是每种算法产生的非劣解数量的比较。由表1可知,MOHGA均获得了多于其他三种验证算法获得的非劣解数量。

为进一步评价算法获得的解的质量,本文采用Knowles和Corne[8]提出的基于与参考集的距离指标D1R。合并每种算法产生的非劣解并剔除其中的劣解后,作为参考集。D1R可同时考察解集的收敛性和多样性。设S*是参考解集,Sj是评价的解集,则D1R定义如下:

其中dxy是解x和参考解y在N维标准化目标空间的距离。

其中是使用参考集进行标准化的第i个目标值。D1R(Sj)越小,解集Sj越好。

表2给出了评价指标D1R的计算结果。从中可以看出,MOHGA的指标D1R均好于其他三种算法,说明MOHGA产生的非劣解有较高的收敛速度和较广的分布。

4 结语

本文提出了一种多目标混合遗传算法MOHGA。MOHGA采用累计排序策略以及自适应密度评估进行适应度赋值,基于Pareto支配关系对非劣解进行局部搜索,以提高搜索效率。在进化过程中引入精英策略,进一步加快解的收敛速度。实验证明,MOHGA在求解多目标流水车间调度问题时能有效地产生数量较多分布较广的非劣解。

参考文献

[1]Ishibuchi H,Murata T A.Multi-objective genetic local search algorithm and its application to flowshop scheduling[J].IEEE Transactions on systems man and cybernetics part C:1998,28(3):392-403.

[2]Ishibuchi H,Yoshida T,Murata T.Balance between genetic search and local search in memetic algorithms for multiobjective permutation flowshop scheduling[J].IEEE Transactions on Evo-lutionary Computation,2003,7(2):204-223.

[3]Jaszkiewicz A.Genetic local search for multi-objective combi-natorial optimization[J].European Journal of Operational Re-search,2002,137(1):50-71.

[4]Knowles J,Corne D.M-PAES:A memetic algorithm for multi-objective optimization[A].Proceedings of the 2000 Congress on Evolutionary Computation[C].Piscataway,NJ,USA:IEEE,2000,325-332.

[5]Jaszkiewicz A.On the Performance of multiple-objective gengticlocal search on the 0/1 knapsack problem:a comparative experiment[J].IEEE Transactions on Evolutionary Computation,2002,6(4):402-412.

[6]Elaoud S,Loukil T,Teghem J.The Pareto fitness gengtic algorithm:Test function study[J].European Journal of Operational Research,2005.

[7]Framinan J,Leisten R.A heuristic for scheduling a permutation flowshop with makespan objective subject to maximum tardiness[J].International Journal of Production Economics,2006,99:28-40.

多车间协同第6篇

随着社会的发展与进步, 人民生活水平的不断提高, 汽车进入千家万户, 已然成为了人们出行的主要代步工具, 但同时也伴随交通事故频发。仅就2011 年的上半年, 全国交通事故1 840 998 起, 比2010 年同期增长1%, 直接导致了经济损失4.4 亿元[1]。根据表1 近几年的交通事故数据统计情况[1], 可见道路交通事故在逐年的攀升, 给我国国民经济和社会发展带来了巨大的影响。

汽车驾驶员驾驶过程中, 特别是长途长时间驾驶, 精神处于高度紧张状态, 往往会产生驾驶疲劳。疲劳驾驶是造成重大道路交通事故的重要原因之一[2]。因此, 如何在驾驶员出现驾驶疲劳时, 能及时的对驾驶员进行提醒和报警, 改善和调整驾驶员的行车状态就显得尤为重要。

驾驶员驾驶操作行为是一个复杂的人机系统, 在驾驶员交通肇事行为中, 有26%是由人与环境的综合因素引起的交通事故[3,4,5]。因此, 不能单对某一方面进行分析, 要以人、车、环境作为一个整体系统来研究。而工程心里学、车辆人机工程学都是以人-机-环境构成的系统为研究对象, 能够为设计者提供更多关于人机界面操作者的心里、生理活动特征与特性。在人体各种感觉通道中, 触觉和听觉的反应时间是最短的, 最敏感的, 反应时间分别为117~182 ms, 120~182 ms, 而嗅觉的反应时间为[6]210~390 ms。为此, 本研究将从人的触觉、听觉和嗅觉出发, 形成多感官协同预警, 更能提高其预警效果, 促使驾驶员及时调整驾驶状态。

1 国内外研究现状

疲劳驾驶报警系统的研究, 这一方面在国外开展得比较早, 而且有了很大的技术上突破, 并在某一程度上技术的垄断;相比国外, 国内这一方面由于起步较晚, 且技术有限, 虽在一些方面也有了一定的进步, 但技术上还跟国外差距较远[7]。目前国内的疲劳报警系统可以分为以下几类:

(1) 眼镜式报警器, 针对驾驶员行车时眨眼的频率变化进行判断。

(2) 车道偏移报警系统, 针对所驾驶员行车偏离行驶路线进行判断。

(3) 挂在耳部, 主要检测驾驶员行车打瞌睡时低头的频率进行判断。

(4) 方向盘触摸式, 主要通过监测驾驶员握方向盘力的变化进行判断。

(5) 手表式报警器, 主要是针对驾驶员出现疲劳时脉搏的速率变化来进行判断。

这些系统大多都是采用单一的语音、灯光或振动等预警手段来实现, 对驾驶员的察觉性、理解性和接受性都具有一定的局限性, 很难体现其适用的广泛性。如单一的灯光报警, 在白天时效果就不是很明显, 往往被驾驶员所忽略, 有时灯光闪烁太刺眼, 引起眩光反而对驾驶不利;单是语音报警, 由于汽车本身驾驶时噪音就很大, 容易被噪音掩蔽而达不到预期的效果。为此, 针对这些预警手段的局限性, 本文提出从微观出发, 注重驾驶员感受, 结合听觉、触觉、嗅觉建立一套三位一体的多感官协同复合式的预警方案。

2 预警效果的评价及方案的设计

2.1 预警效果的评价指标

从微观出发, 本着以人为本的理念, 注重驾驶员主体的感受, 保证疲劳状态下的驾驶员能够快速地察觉和理解到报警信号。因此, 本文将从驾驶员的察觉性、理解性和接受性等三方面对各种预警方式的特性进行系统地评价。

(1) 察觉性。驾驶员察觉预警方式的快慢是对其实施有效预警的前提。本文选用驾驶员对预警刺激的反应时间作为评价预警的察觉性。

(2) 理解性。理解性主要评价指标有信号理解和知觉匹配[8]。信号理解, 用来评价驾驶员能否正确的理解预警方式所传来的信号;知觉匹配, 用来评价驾驶员自身状态是否和预警方式给予驾驶员的感觉相符合的判断。

(3) 接受性。Vander Laan设计驾驶员的接受性量表共包含有9 项指标[9]。为了避免实验时过多的评价指标会对驾驶员的状态形成影响。为此, 本文只选用两个较为常用的指标:烦扰度和可用度, 作为评价预警方式的接受性, 并采用5 级量表的形式来评价上述两个指标, 见表2。

2.2 预警方案的设计

本文选用的疲劳预警方式是由听觉、触觉和嗅觉组成的三位一体多感官协同的预警形式。

(1) 听觉预警。声音具有迫听性, 容易收集人的注意力。言语对人的知觉具有指导作用。言语提示能在环境相当复杂、外部标志不很明显的情况下, 唤起人的回忆, 运用过去的经验来进行知觉。言语提示越准确、越具体, 对知觉对象的理解也越深刻、越广泛。目前比较常用的听觉预警信号主要有抽象音、语音等, 其参数主要包括振幅、频率和波形等。本文通过预备实验, 选用了语音预警方案。实验中发现车内的噪音一般在50 d B (A) 左右, 考虑到听觉预警音必须要高出车内背景噪音[6]的 (8±3) d B (A) , 驾驶员才能清晰的听见而又不被惊吓。因此, 本设计预警音的声强为61 d B (A) 。

(2) 触觉预警。皮肤感觉是仅次于听觉的一种感觉, 皮肤受到很小的机械刺激就能产生触觉。目前较为常用的触觉预警信号主要有表面压力、振动和温度等三种类型。考虑到脚踏板的触觉预警则有可能造成驾驶员的错误制动, 另外汽车在行驶过程中, 特别是道路不平的时候车辆振动特别厉害, 容易使路面上传的反力信号与转向盘振动的预警方式相混淆, 为此, 通过腿部和背部的振动为驾驶员提供预警就显得不明显。身体不同部位的触觉感受性也不同, 腹部是相对比较敏感区, 其刺激阈值[10]为26。于是文中选择了2 种触觉预警方案:通过利用电机拉动安全带, 给驾驶员的腹部施加向下的压力 (见图1 (a) ) ;通过利用气泵向驾驶员头颈处吹风 (见图1 (b) ) 。

(3) 嗅觉预警。嗅觉的感受器是鼻腔黏膜上的一些毛细胞, 对外部气化的化学物质刺激是比较敏感的。其对外部的刺激气体反应时间为210~390 ms。因此, 本文选择香气作为驾驶员疲劳时进行提神预警, 使驾驶员能及时调整开车状态。

综上所述, 可形成两套预警系统方案:

(1) 语音、安全带腹部施压、香气组成;

(2) 语音、颈部吹风和香气组成。

3 评价试验

为了试验数据的真实性和可靠性, 本研究选用5名不同年龄不同驾龄的驾驶员, 平均年龄为25岁, 最小22岁, 最大35 岁。平均驾龄为4 年, 最短2 年, 最长6 年。每个驾驶员对两套方案都进行多次试验, 通过他们的感受, 从察觉性、理解性、接收性三项指标来分析这两个预警方案的实际效果。

图2为被试驾驶员在不同疲劳程度下对预警方案1和方案2的反应时间。由图2可看出, 在疲劳或非常疲劳下被试驾驶员对方案1的反应时间都明显比方案2时间短。

图3 为被试驾驶员对两种方案的理解性的评价情况。由图3 可知, 在信号理解和知觉匹配方面, 方案2 在疲劳下两种指标都比方案1 好, 而在非常疲劳状态下, 方案1 的两种指标中都比方案2 好。总的来说, 方案1在非常疲劳状态下比方案2 有更好的理解性。

图4 为被试驾驶员对两种方案接受性的评价情况。由图4 可知, 在烦扰度方面, 疲劳状态下方案1 较好, 其烦扰度最低, 在非常疲劳状态下2 种方案烦扰度差别不大。在可用度方面, 在疲劳状态下方案2 可用度最好, 但在非常疲劳状态下方案1 要比方案2 的可用度要好。总的来说, 在疲劳状态下, 方案2 比方案1 的接受性好, 而在非常疲劳状态下, 则正好相反。

综合以上结果, 在预警的两种方案中, 各有优缺点, 但在非常疲劳状态下方案1 的理解性、接受性最好。为此, 本研究选择了方案1 的预警方案。

4 预警方案的硬件组成原理

如图5所示, 多感官协同预警系统由三大模块组成, 分别是:心电采集模块A、信号处理模块B、报警模块C。该系统结构简单, 除了心电模块以外, 其他子模块都可以就地取材, 构架于车上原有的设备, 如车载电脑、音响等, 具有良好的经济性。其各模块的工作原理如下:

心电采集模块A, 其主要作用是对采集到的心电进行信号调理 (前置放大、高通滤波、低通滤波、陷波、主放大、电平抬升、模数转换) , 然后通过蓝牙适配器将信号传给模块B。

信号处理模块B, 其主要作用是对从心电采集模块A传送过来的数据再进行处理 (数字带通滤波、比较算法) 、变异性分析等, 然后判断是否到达报警的疲劳条件, 如果达到则把得出来的疲劳指令发送到报警模块C。

报警模块C, 包括报警及提神装置, 主要是由功放电路, 电机驱动电路, 电磁阀驱动电路组成, 功放电路放大电脑播放的报警音乐及声音, 电机驱动电路用于拉紧安全带, 电磁阀控制香水喷出口的开关。其主要作用是对驾驶员进行语音报警、安全带拉紧振动报警以及播放音乐和喷射气味提神, 形成听觉、触觉、嗅觉三位一体多感官协同的报警功效, 使驾驶员及时调整驾驶状态, 减少交通事故的发生。

5 结语

该方案除了心电模块外, 其他模块都可以构架在原有的汽车上, 结构简单、经济性好, 有利于市场的推广和应用。针对听觉、触觉和嗅觉三位一体多感官协同预警方式, 并建立包括察觉性、理解性和接受性等指标的评价体系, 通过实车实验研究和分析了在不同疲劳程度下驾驶员的预警效果。结果表明, 当非常疲劳时, 多感官协同预警具有更好的理解性和接受性, 多感官协同能弥补单一预警的不足。根据这些结果, 设计了听觉、触觉和嗅觉三位一体的多感官协同预警。在后续研究中将对本文中所提出的预警方案进行多方系统验证。

参考文献

[1]莫秋云, 李荣敬.山区公路条件下驾驶员生理特性研究[J].电子科技, 2013, 26 (3) :83-89.

[2]毛喆.机动车疲劳驾驶行为识别方法的研究[D].武汉:武汉理工大学, 2009.

[3]赵忠利.驾驶员交通肇事行为原因及预防[J].济南交通高等专科学校学报, 1996 (3) :149-153.

[4]李香红, 朱守林, 戚春华.基于不同公路景观环境的驾驶员生理反应实验研究[J].内蒙古农业大学学报:自然科学版, 2010, 31 (4) :171-176.

[5]李香红, 朱守林, 戚春华.草原道路环境对驾驶员心率影响实验研究[J].内蒙古农业大学学报:自然科学版, 2009, 30 (4) :197-200.

[6]朱祖祥, 葛列众.工程心理学教程[M].北京:人民教育出版社, 2002.

[7]盛杰, 鲍小军, 李博.基于驾驶疲劳报警系统的研究[J].民营科技, 2013 (3) :22-23.

[8]李家文, 成波.驾驶人状态适应式疲劳预警方法的研究[J].汽车工程, 2011, 33 (8) :694-700.

[9]VAN DER LAAN J D, HEINO A, DE WAARD D.A simple procedure for the assessment of acceptance of advanced transport telematics[J].Transportation Research Part C:Emerging Technologies, 1997, 5 (1) :1-l0.

多车间协同第7篇

关键词：LTE无线项目,多专业协同,BBU集中

一、背景及现状

通信设计行业在工作过程中通常按专业组建项目团队,面对需要多专业配合完成的工程,往往局限于固有的工作流程,延续线性的工作模式,即单一专业完成自己的设计任务,之后将设计成果转给其他专业进行下一步的设计。这种孤立的线性的工作模式,在工作交接过程中易产生较多重复或错误,最终导致效率低下或者返工。

随着运营商竞争的愈演愈烈,特别是LTE牌照发放后,电信与联通“放开手脚”大力进行4G基站建设,三大运营商的4G竞争逐步形成较为平衡的状态。联通和电信需要在尽可能短的时间内完善4G网络部署,在基础设施方面追赶遥遥领先的对手中国移动。对于运营商而言,选择优秀的合作伙伴,技术已不再是唯一重要的东西,服务越来越成为左右用户选择的标准,谁能提供“短、频、快、优”的服务谁就能取得成功,实现跨越式发展。而“短、频、快、优”的服务则需要项目团队多专业高效协同合作来实现。

二、LTE无线网工程设计特点及要求

2.1涉及专业面广

LTE无线网工程涉及无线、传输、光缆、土建、电源、铁塔等多个专业协同建设,而在铁塔公司成立后,对于土建、电源、铁塔等基础配套建设已全部交由铁塔公司负责。对于运营商来说,无线工程主要关注无线、传输、光缆的协同设计。

2.2多网络融合组网复杂度高

经过多年的移动网络建设,各运营商都是2G、3G、4G多网络多频点混合组网建设,多网络组网复杂度高,对传输、光缆需求量大,需专业配合工作量大。

2.3 BBU集中设置

目前基站均采用分布式基站进行网络建设,BBU集中设置在上联点机房,RRU采用室外安装在物理站址,以便于有效建站、提高设备利用率、便于维护管理、节省建设投资。初期BBU集中设置的局点选择,组网布局,以及后期新网络上线后BBU的共框整合等工作,都需要传输、光缆专业的大力配合工作。

2.4需求变化

基站受限于谈点,建设过程中不可避免会出现持续变化修正情况,源头需求的变更会引起配套光缆、传输设备的连锁变化,这要求专业间密切及时的沟通协作。

三、多专业协同设计流程

3.1责任分工

任何工作的有效推进需要有明确的责任分工及牵头负责制度。建议可由业务提出专业或需求变化影响较大的专业作为牵头负责。以LTE无线工程为例,建议责任分工如下: