木制衣架抛光机抛光部分设计含SW三维及14张CAD图带开题
木制衣架抛光机抛光部分设计含SW三维及14张CAD图带开题,木制,衣架,抛光机,抛光,部分,部份,设计,sw,三维,14,cad,开题
Machine scheduling in custom furniture industry throughneuro-evolutionary hybridization摘要:机器调度在工业产品设计是一个关键的问题。其大部分的产品,由于以往在制造业上的经验的缺乏,以及评估机器调度质量标准上的一些冲突,使其还有很大的发展空间。此外,在每个生产步骤生产的复杂性和人工操作的不一样,使时间的估计变的困难,从而调度的准确性降低。本文中所介绍的解决方案,结合了演化式计算网络,减少了:1.多目标优化,必须处理庞大的搜索空间的影响;2.定制生产方面的时间计算的固有问题的影响。我们结合基于多层感知器网络的时间估计的最优调度的混合方法,通过了Non-dominated Sorting Genetic Algorithm II (NSGA-II)。1.介绍机器调度是工业中,如家具定制行业的难题。这个问题我们定义为为一组资源和和制约因素寻找最佳操作顺序。机器调度问题属于NP-hard,因为它有一个由资源引起的充分利用机器和降低完成计划所需时间的一个组合的搜索空间。因此,这个问题不是可行的精确方法,如分支定界,动态规划逻辑编程或约束。因为这个原因,在此背景下在接近最优解有一个好的解决方法和衍生的方法,如演算法、模拟退火法、搜寻法或单一法,会更加的适合去解决问题。机器调度问题具有许多矛盾存在的特征。因此,你会很自然地看为一个多目标优化调度问题,这个问题由不同的目标相结合,产生一个最终的解决方案。可惜的是,一些调度过程所需要的处理时间令定制生产很难实行。这些时间的计算取决于几个因素,如机械、材料及单个特征。后者是关键,因为材料、尺寸和形状上定制设计的工件零件会产生不同的价值。因为这些时间由一个混合的数值模拟,分析计算和目录选择,并没有准确的计算调度基本信息的方法。多目标优化算法的选择与需要解决的特殊问题密切相关。本文论述了一个实际的接近作业车间调度的问题。然而,在家具工作上的有很大的调度约束,甚至包括调度过程中是否会出现的机器出故障、工人生病或出现新的就业机会的问题。在我们处理这些事件的方式的时候,我们通过一个新的调度并不是通过延迟。也就是,这些事件只会在新的调度被执行下修改条件。因为这个原因,我们的方法必须是可靠的,但是也需要时间的证明,因为时间是对快速回复客户订单是很重要的标准。在此背景下,演算法被认为是一个解决优化问题如调度的快速的、正确的方法,因为演算法便于找到一个总体最佳条件,不用被困于局部梯度法。2.机器调度问题的相关工作调度问题,包括寻找一个时间表满足一套限制。一个时间表分配的时间间隔m台机器M = M1,M2。 。 。 ,MM执行n个工件J = J1,J2Jn的问题。每个工作JiJ,由一组Ni行动Oi = Oi,1,Oi,2, . . . , Oi,ni处理时间pk,i,j在一台机器的Mk。例如,一个时间表可表示为Gantt charts如图1(a)。每一行代表一台机器,每个盒子一个时间间隔的操作。一个时间表,工作资源的最终分配随着时间的推移。均以满足所有约束的时间表可行的时间表。可以划分为可行的时间表如下:半主动时间表:无操作可以起步较早没有改变加工秩序或违反一些约束。活动日程:无操作,可以起步较早没有推迟至少另一个操作或违反一些约束。无延迟的时间表:如果一个操作是,从来没有一台机器闲置准备好要处理。这些时间表和最佳的类之间的关系附表说明图 1(b)。通常情况下,相应的调度问题的唯一一套主动(或有时搜索半主动)的时间表,因为这带来了巨大的减少搜索空间,同时还保证,优化调度可以发现。图12.1机调度问题调度文学的特征是无限量的问题类型。根据工作特点,机器环境和最优标准7,可以划分调度问题。工作特性可能有: 优先权:一个作业可能会被中断,并在后者的时间恢复,甚至另一台机器上。优先关系:工作之间的优先级,可派代表非循环图或有根树。发行日期:每台机器Mk有一个开始时间si,j,k前没有处理的机器上可以完成的操作oi,j。处理时间限制:例如,设置一个单位的处理时间限制,Pi,j = 1,所有操作Oi,j.截止日期:作业Ji必须取得前到期的日期di。批处理模式可分批分组:一组操作。批处理必须处理共同的机器上。机器环境定义的调度问题。下面的列表中的前四个调度问题,而后者则适用于到oneoperation模式(只有一个操作的工作)到5个多经营模式:专用机器:每个作业必须在一个专用的处理机。相同的并行机处理工作的所有的机器都是相同的。因此,他们有相同的处理时间,Pk,i,1 = Pi。统一的并行机:机器加工时间Mk是Pk,i,1 = Pi / Sk,其中Sk是机器的运行速度。相依并行机的机加工时间MK取决于对工作,Pk,i,1 = Pi / Si, k一般商店:专门的机器和操作之间的优先关系。打开店:相当于除了一般店有没有优先关系。工作的业务,不得在任何特定的顺序处理。车间作业:特殊情况一般商店的优先关系,操作Oi,j是我无法启动,直到操作Oi,j1已完成,1 j n.工作的第j个操作。流水作业:所有工作一样的车间作业的特殊情况。这并不意味着工作是相同的,因为他们的处理时间可能会有所不同。混合车间:车间作业和开店铺的组合。许多最优性准则存在的调度问题。频使用性能的措施是:最大完工时间:最大完工时间(时间表的长度)。总流量时间:所有工作所花费的总时间。总迟到:迟到,所有的工作总结,即如何晚得多的期限完成每项工作。总延迟时间:所有工作总结延迟,那就是延迟的工作的总和。共有早熟:所有工作总结早熟,即和延迟到的工作。最大迟到:迟到的最新工作。最大延迟时间:最难的工作的延迟时间。在这项工作中,我们解决车间作业调度问题(JSSP)。其中各类调度问题,车间作业调度问题是最具挑战性的之一。大小问题的nm和m2是NP-hard,并且被认为是最差之间的组合问题1。传统的车间作业调度的搜索空间的大小是(n!)m。2.2传统方式许多方法都提出了解决JSSP。在参考文献。8、9,复杂的分支定界(BB)方法用于最小化在古典JSSP极小化最大完工时间。尽管这些方法已被证明是非常有用的小到中等大小等问题,他们过多的计算时间让它们应用到大型问题困难10。许多其他的确切运筹学方法,如混合整数规划11或动态编程12,已经被使用。然而,这个数量的限制和/或变量变得很大甚至对大小问题,因此这些尝试都不是非常有效,对于大尺寸的问题。许多非最优的启发式方法可以处理在车间作业调度合理的计算时间。基于知识的系统13调度规则14或神经网络15已被使用在真正的车间作业调度。然而,元启发式算法已被证明为解决车间作业问题的更好的表现。 Tabu搜索(TS)已被证明是非常有效的车间作业调度算法16,17。虽然,当它被应用到硬盘的优化问题,如实时调度问题,性能取决于初步解决方案。另一项技术已应用于JSSP是模拟退火(SA),18,19。 SA可避免局部最大值/最小值,但无法迅速达到良好的解决方案。可以增加与TS SA相结合的表现。主这种方法的原理是,SA用来寻找精英的解决方案这样的TS可以重新加强前途的解决方案搜索20。转移的瓶颈(SB)启发式的工作原理是放宽问题到解决一台机器子一时间。这种启发式之间的第一个真正有效的逼近方法21,12。 SB搜索需要高计算由于要重新优化,有必要实现的努力结果。通过调整几个参数实现最佳的解决方案。进化算法(EA)的已成为一种流行的做法解决车间作业调度,因为他们通常会达到更好的性能比许多传统的和启发式的应用方法在车间作业调度22。大多数这些EA旨在解决经典问题的经典的车间作业调度或小的变化。它们的区别主要有演示计划,在运营商,在与其他启发式(改善以前生成的解决方案)的杂交水平,并在通过性能的措施。许多染色体为解决车间作业调度的代表计划文献报道23。染色体可以直接使用或间接的代表性。直接交涉编码计划中的染色体。例如,经营为基础的染色体作为一个操作序列编码的时间表,并每个基因代表一个操作。然而,复杂的交叉和突变运营商需要建立新的解决方案。在间接表示,简单的运营商是允许的,但染色体编码一个可行的时间表。例如,调度工作分配的规则,可以在每个基因编码。多目标的标准也被纳入EA模型24,25。大部分的方法都是基于多目标combinationof到一个单一标量加权系数26,27的目标。然而,很少有MOEAs被应用到调度在帕累托个人之间的优势。例如,在28经济部调度在印刷电路板行业的钻操作完工时间和总流程时间最小化的目标。 29古典车间作业调度完工时间和总延迟时间目标。 30细胞制造系统有三个目标,完工时间,总流量的时间和机器闲置。在参考文献。荣获教育部颁发产提议得到优化调度规则31在的Giffer和汤普森算法32灵活的车间作业调度。当代经济部使用的选择和更换的基础上多目标的统治标准。这种方法的例子的MOGA33,NPGA34,PESA的35,SPEA的36和NSGA-II5。许多其他的元启发式的策略,如贪婪随机自适应搜索程序(GRASP)37,蚂蚁/蜂群38,39,跳跃基因遗传算法40已应用于解决车间作业调度。然而,有限的结果是,还没有以证明其性能比目前最先进的算法22。2.3处理时间估计为了获得一个车间作业调度的好解决方案,这是必要的所涉及的业务,每年有一个准确的时间估计在调度。处理时间的估计是一个回归的问题。因此,给定的数据集,其中每个示例包含多个输入变量及其相应的输出值(处理时间),可应用于任何回归技术获得时间的估计。基于软计算的数字如模糊规则为基础的系统,决策树,支持技术,向量机回归,贝叶斯回归,已对这项工作的描述。尤其是使用最广泛的加工方法在调度问题的时间估计是神经网络。例如,在41神经网络已用于造船调度。该系统试图准确估计所需焊接的每一个一类块的工时调度。他们认为,四组变量:船型,块类型,块的物理特性和商店类型。此外,在42金属家具组装加工时间估计,神经网络进行焊接,喷漆。处理完成这些操作所需的时间差别很大与特定产品的变化,包含非线性,未指定的相互作用。每当精度是很重要的,而且在一定程度上解释性的建议回归系统是必需的,模糊规则为基础的系统是一个不错的选择43。规则有一个变量随之而来的结构,回归函数可以不同的机器,或完全不同的,甚至,对于不同的类的samemachine的投入。 TSK知识库连同上下文免费学习与遗传编程语法限制回归函数的有效结构。3.机定制人造板调度问题家具制造业对一部作品的完成所有的操作的时间间隔定义为吞吐量的时间顺序。其准确的估计是很难定制设计的家具行业,如行业产品有dominan。以往的生产经验缺乏在生产的复杂性,使得时间估计困难。吞吐量的减少有很多好处:降低库存,降低成本,提高产品质量(问题过程可以更迅速地检测),更快的响应客户的订单,和更大的灵活性。因此,花了很多努力,以减少通过提高生产吞吐量时间规划,控制系统,并开发更先进的调度程序44,45。我们的目标是定义工作计划,最大限度地减少资源的排队和最大限度地利用资源能力,约束的材料供应和产品要求。在这种情况下,可行性,时间和成本最有前途的计划进行分析46,47。请注意,吞吐量时间有许多组件,包括移动,队列,设置,处理时间48-50。在这项工作中,我们将解决所有这些改善机调度任务的零部件生产可行的工作计划。在这项工作中所描述的现实世界中的调度问题是接近的车间作业调度问题(JSSP)家庭:每个作业J定义与运作优先关系。每个作业J必须达到前到期日二。操作上没有处理的限制定义。没有定义批处理模式。我们的域名业务可以考虑批处理模式。然而,我们抽象的,他们作为简单的操作。每台机器都有一个起始时间s之前没有处理可以做的机器上的操作O.每台机器可以处理在同一时间只有一个操作。没有一台机器可以释放的操作,直到它完成,那就是没有允许抢占。各类型的机器的总数是固定的和更大的不止一个。没有工作可以开始之前,其各部分的处理是可用的。然而,我们的问题,制约了一些修改古典的车间作业调度,并使其更接近灵活的车间作业调度:同时Twooperations thesamejobmaybe处理。在我们的调度问题的优先关系的代表无环图,而这些关系在古典的车间作业调度的代表作为一个操作序列。家具行业,像许多他人,制造产品,由许多不同类型的原料。例如,表的描绘图。 2由胶合板,钢材,玻璃等。因此,不同的处理可同时进行,直到它们被组装材料。虽然优先关系的方式,明确了本文的范围,只提这选择是基于一套木工知识为基础的规则。这些规则需要考虑的建设性的决定,关节用于组装的家具,整理或质量标准。每个作业可以安排在同一台机器上超过一次。在古典车间作业调度,它通常需要为每个工作陆云,经营爱的序列,J包含一个操作每个机器上进行处理。然而,在我们的机器环境,在同一台机器可以执行几个制造步骤。例如,封边机使用或贴边,修剪和打磨。因此,同一台机器可以使用一次以上的工作。乔布斯没有访问每一台机器INM。虽然在古典JSSP每台机器必须在工作姬时间表参观,这一限制并不适用于我们的实时调度问题。这两种产品可能有非常不同的生产步骤。为例如,实木表,并在图2做不同意许多操作。图2我们的调度问题必须处理的另一个困难是处理时间的估计,这是在每一个关键部分制造步骤。处理时间的估计是一个在产品设计的生命周期中最重要的任务。为例如,时间估计是考虑重新设计如果预测的时间比预期更长的产品。有许多模型和技术,估计处理时间基于产品设计的一个制造步骤51。对于详细设计,非常详细的规划过程中,制造可以采用过程模拟,或时间估计模型51,47。然而,对于一个概念设计,较详细的模型一个关键的设计信息必须依靠一套较为有限51。这两种方法都适用于家具行业自一个详细设计的定义是昂贵的成本和时间。因此,有几种方法计算的处理时间视机上可用的输入变量。例如,从概念上可以提取几个制造工艺设计图描绘。 2。大厅办公表有一个圆形的顶部叶三脚架腿。基体材料是酚醛胶合板,结构是明亮的不锈钢表的顶部是透明的玻璃。考虑到圆形玻璃材料购买外部供应商,两种不同的操作类可以推断为:(一)木材和(二)钢结构件加工。例如,木块必须削减从大木板,计划和校准有一个统一的表面和厚度,再削减45角,依此类推。可以依赖的处理时间为一台机器的运作多个输入变量,如产品尺寸,材料,这种产品的速度机器,依此类推。例如,木块取决于校准砂光机,将执行的操作,除了一块变量。校准机械指定进给速度,磨料皮带速度,砂带尺寸,工作厚度,最大最小工件尺寸等。然而,对于一个给定的操作的处理时间可能并不总是受到影响所有这些变量。因此,一台机器可以有几个回归一类操作和产品特性的功能。因此,一个良好的估计吞吐量要求准确的回归函数以及适当的选择运作之间的所有机器的回归函数。在这种情况下,处理时间估计是很难获得按标准方法或制造专家,是源调度过程中的错误和不确定性。4.NSGA-II的机器多目标的方法调度一个多目标调度问题可以描述为多目标优化问题:minF(x) = f1(x), f2(x), . . . , fk(x)s.t. x S (1)其中x是一个解决方案,S是一套可行的解决方案,k为目标的一些问题,F(X)是x的K-客观空间和每个Fi(X)的形象,对于i = 1,。 ,k代表一个目标。在定制家具制造业,像在其他许多现实世界的问题,有冲突的连接(X)的目标。例如,目标想尽量减少家具的成本,并减少完成时间可能会发生冲突,因为它是一贯的,速度更快的机器,有一个回收成本较高。因此,在单目标优化的问题,没有一个最好的解决办法,但有几个解决方案选择(非劣解集)。我们对这个问题的方法,采用多目标调度通过NSGA-算法的优化5。 NSGA-II的是一个最有效的MOEAs使用精英的做法:它的计算复杂性是INO(MN2),whereMis目标和N的人口规模。该算法结构描述图3。 NSGA-II的健身分配计划,包括在使用非支配排序在不同战线的人口序关系。因此,它有两个目标:(一)找到了一套非主导的解决方案,尽可能接近帕累托最优在每次迭代中,但前(二)维护的一整套解决方案尽可能覆盖或附近的帕累托最优前不同。图3该算法的主循环开始与组合当前和以前的人口,计算Rt的非主导方面。这样做的快速非支配排序功能。在此功能的第一步,每个人口P的个人P,twocalculations做一套占主导地位的个人,由P物质(SP)和个人的数量,主宰P(NP)。所有这些个人(P),非主导将有P = 1的排名,将属于第一Pareto前沿(非主导的前端)(V1),。为了计算其他帕累托各条战线(步骤3),为每一个人以前的Pareto前沿(P),集Sp的每个元素(Q),降低其统治计数器1(nq)。因此,所有这些个人nq= 0 q将属于第i-Pareto前沿。一旦所有的帕累托方面已经确定,主循环新的人口(Pt+1)所有算法增加(步骤1.d)在第i个Pareto前沿(六)个人,与i= 1开始而下的人口规模北路而且是提高我六,在拥挤的措施属于每一个人考虑到计算距离(拥挤距离分配)帐户中的所有个人INVI。拥挤的距离是thesumof每个目标的拥挤距离,并给出和估算密度的解决方案,围绕特定的解决方案。并非所有的个人时所使用的步骤1.E和主回路1.F第i Pareto前沿,可以添加到新的人口(P)的(人口总规模将超过列印)。所有六个人使用比较拥挤降序排序运算符(N)。这个运算符用于在所有的选择该算法的流程(减少人口和锦标赛选择),因此有必要计算的拥挤所有的P(步骤1.di),个人不仅距离在Vi的个人(1.E步)。定义图。 3,解决方案,我更好的解决方案j的排名比,如果它属于较低阶的Pareto前沿(irank jdistance)。最后(步1.g),使用人口Pt+1,个人选择(tournament selection using n),,交叉和突变创建新的人口Qt+1.4.1编码的问题选择一个很好的代表性,是解决的一个重要组成部分搜索问题。在本文中,复合材料的代表性染色体被提出。这种编码的部分是用来减少灵活的车间作业调度古典车间作业调度,其余的定义优先调度规则用于创建时间表。具体来说,机分配是通过并行作业编码的52。图4表示此编码的的调度问题四个工作和四台机器。矩阵的每一行是一个行动爱,J,I= 1,排列的顺序。 。 。 4,J= 1,。 。 。 3(j是操作索引)。行中的每个元素包含两个方面:(1)机MK,K = 1。 。 。 4,执行操作及(2)TK的起始时间。例如,J2的工作中进行操作O1被机器M1时间。这种编码直接产生一个可行的解决方案。它包含机器将执行每个操作和时间。时间设置为零时,机器不能执行操作基因操作时,并不适用于空白工作。因此,知道操作轻松创建时间表路由和处理时间。图5补充44调度的范例,并提供(i)在每个作业的截止日期J,(二)操作的顺序(三)在工作时间(的总和;I,J于每个操作的设置和处理时间)机生产厂。例如,工作J2有一个截止日期7个时间单位,定义的O2,2,O2,1,O2,3操作顺序。 “甘特图的描绘图。 1(a)表示的时间表,可以可以推断,从图中所描述的染色体。 4和数据图5。图4图5图6图6描绘的优先调度规则分配到4就业和4machines调度问题。在这种编码基因我代表的优先权规则必须适用于处理第i操作的时间表。从这些任务,日程安排构建与的Giffler和汤普森算法53,但使用这一优先启发式调度规则。代码和考虑23表1给出了优先规则。例如,前两个职位将优先考虑与操作最短处理时间(SOT)。4.2调度生成时间表生成与修改后的版本giffer汤普森算法53。该算法的描绘图。 7以前从染色体产生积极的时间表描述。首先,在所有操作的算法插入最初准备安排,即第一行动每个作业。由于我们的调度优先级的关系是无环图,一个可能包含几个操作同样的工作。然后,在每次迭代中,它需要操作的爱,在A与J最早的潜在的完成时间,然后选择操作牛年,被分配到爱,J机器处理的一组操作。后者的选择是基于调度优先级这在染色体的迭代规则分配。最后,它增加了此操作的时间表,从A中删除,并添加其工作的接班人到A。图8描绘了算法的染色体上的第一个步骤在图表示。 4和6和图的时间表。 5。在此图中,时间表是一个有向图描述图G =(V,PT)集V的每个节点代表一项行动爱,J和每个在PT的弧代表之间的业务关系。具体来说,非虚线圆弧代表的优先关系的集合P而虚线弧技术(机床)关系的集合T。每个染色体的工作姬表示图行每个节点都标有机器将处理数量操作。请注意,图中的每一行可能也有因为处理jobmaybe几个操作的并行分支并行。也有代表在本图中的A,S和Q套。例如,在操作标记虚线圆圈,操作在Q的标志是正方形和调度操作灰色。图7图8经过最初的一步,一个包含每个职位的初步行动O1,1,O2,2,O3,1,O4,1和Q操作O1群,其中有最早所有机器的完成时间。据的SOT战略相关联的第一次迭代,只有O1群,1可能被选中作为最短处理时间操作机器M1。因此,它是如期进行处理,从A和它的后继操作J1是添加到答:在第二个步骤:A = O1,3,O2,2,O3,1,O4,1和算法的选择操作o最早的O2,2完成时间。然后,它看起来由thesame处理业务machineM2用最短的加工时间。因此,第2步定义设定为Q =O1群,3,02,2和随机选择O。该算法将继续运行,直到所有的操作已被预定(步骤13)。4.3分频点分频点仅将应用于复合材料部件之一染色体在进化算法的每次迭代。一使用随机数来决定哪一部分将划线。两个交叉运营商已经适应了机器作业。无论是运营商跨越两个随机选择的染色体。虽然行交叉影响工作,以产生一个新的时间表而列交叉作业:行交叉(图9(a)列交叉(图9(b)其中k是一个随机选择的交叉点。已应用于双点交叉的优先级调度编码的规则,因为它可以让我们交换一个随机数个人之间在染色体上的任何位置的规则。 图94.4 突变这个操作符作为交叉使用同样的策略选择染色体变异的部分。机作业,用于并行作业以来唯一的机器突变编码的不允许在调换工作或操作染色体。考虑到这方面的限制,两个突运营商一直在使用,但是,其中只有一个应用突变:随机突变:在不同的机器随机选择执行操作爱,J。负载均衡突变:在不同的机器被选中执行。基于负载的选择机时间表,以便运营商寻找平衡机负荷。其中第i行第j列随机选择。请注意这两个变异算子,总是可行的时间表。这两种变异算子是相辅相成的。第一个假定所有的机器的均匀概率。第二个试图改善的负载平衡,考虑到一个概率选择是成反比的机器贷款。优先调度规则,适用于一个统一的突变有没有先验信息的选择优势一个在别人的规则。4.5目标函数车间作业调度,如存在许多时间性能的措施完工时间,总流量的时候,总迟到,总延迟时间。我们的目的是减少以下两个目标: Cmax:Makespan. This measure returns the maximum completiontime of the jobs:Cmax = max(Ci) (2)where i 1, . . . , n and the completion time of a job i is:Ci = maxsk,i,j + pk,i,j (3)for j 1, . . . , o, and k 1, . . . , m. T: Total tardiness. The tardiness measures how much later thanthe deadline the job finishes. If the job finished earlier than di, itis assigned a negative lateness:T =ni=1max(0, Ci di) (4)完工时间和总延迟时间是最重要的目标这项工作的上下文中有一个时间表进行评估时,被开发出来。成本也有关,但它可以被视为时间依赖的变量,像如另一个目标,两个生产步骤之间的沟通能力,有在选择最合适的时间表的影响不大。图日程表例如。 1(a)项,完工时间是的Cmax=10,6,8,11= 8和T = 1总延迟时间T=1+0+0+0 =1。请注意,这两个目标函数依赖于机器的处理时间。估计这次是一个在任何制造业44的一项重要任务,并拥有庞大的计划生产调度工作质量的影响的过程。5.加工时间估计的神经网络方法在本节介绍的方法看起来精度高加工时间估计的回归模型。处理amachine倍,可谓多项式的几个输入变量可以在许多不同的方式相结合的变量:请注意,对于一个给定的机器,可以共存,有不同的多项式,每一个代表估计的处理一类输入变量的时间。例如,在一个特定的机加工件厚度次,超过阈值可估计的多项式,并根据该阈值另一个多项式。总结,学习的楷模,必须有能力近似的非线性函数,捕捉到的复杂关系中的数据,并确定回归函数应用每类机器和操作的输入变量。此外,学习模式必须在变化的反应供应链配置。也就是说,它可以学习新的多项式各种机械的更新或新的操作一台机器可以执行。考虑到先前的条件,一个神经网络的方法已被使用。神经网络是普遍逼近,并可以很容易地进行培训,以地图多维因为他们的并行体系结构的非线性函数。5.1多层感知器我们每次估计方法是通过一个多层感知(MLP)的。通过网络进行了计算单隐层可以写成y = f (x) = B(A S + a) + b (7)其中S是投入的载体,XA的输出向量,A和权重矩阵和偏置向量,而B的第一层和b是第二层的权重矩阵和偏置向量。函数表示sigmoidal函数(Z)= 1 /(1+ EXP-Z)。标准反向传播(BP)学习算法通过在学习过程中的时间估计54。在这里,输出值与生产时间来计算误差函数值。错误然后通过网络反馈和算法调整各方面的权重为了减少一些小的误差函数值量。重复这个过程中,为一个足够大的数字后,网络培训周期通常会收敛一些国家其中的计算误差小。调整权重,我们使用非线性优化方法,被称为共轭梯度。它的工作原理,通过反复计算搜索方向,沿搜索行程序,最小化的功能,生产一个新的近似客观的(当地)最低功能。表2然而,与BP训练的MLP网络遭受一些缺点:(一),他们很容易陷入陷入局部极小,(二)他们有收敛速度慢,(三)网络拓扑结构必须确定通过试验和错误。要解决的第一个问题,学习算法简单培训的多个网,并挑选出最好的。第二第三个问题,减轻了网络优化计划。具体来说,训练方法,实现了网络增长方式:一个小的网络与布局开始只有一个隐藏的单位。网络进行训练,直到改善了一个时代的错误低于某个阈值。然后该方法增加了额外的隐患单位,从重量输入和输出(重量已随机初始化)和恢复训练。这个过程一直持续,直到没有显着的增益通过增加一个额外的单位。图106.结论我们NSGA-II的调度方法已验证经典的车间作业调度的几个基准问题。更具体地说,我们使用测试由Hurink等创建套房。 55,适应原灵活的车间作业调度车间作业调度问题。在这些问题中,每个操作已指派一组计算机和使用,不仅机器的Mk在原来的问题。问题的数据是可用的56。 “基准问题的截止日期已根据57:2,3和11工作有一个截止日期,相应的1.5倍处理时间的工作;工作n,其中n是多少问题的工作,有平等的处理时间截止日期;余下的工作有一个截止日期,相应的2倍处理时间。我们已与其他我们NSGA-II的方法MOEAs.1Table22最好,平均完工时间和最好的,平均总延迟时间为10每个方法运行。每50万人口200迭代组成的执行个人,交叉和突变率设定为0.95和0.05,respectively.3在每个测试问题,最好的完工时间和最佳总延迟时间的方法是黑体字标示。请注意迭代已采取的Paretofront建立的考虑到演化。这种演化的一个例子测试问题la24描绘图。 10。在这种情况下,我们可以看到如何迭代各条战线的改善是小于1400,000和500,000。表3如表2所示,NSGA-获得的最好的完工时间和最好的总延迟时间的17个问题中的11。表3总结了NSGA-之间的比较结果FastPGA,GDE3,佩斯PESA的-II和SPEA2。 C公制57用于比较的近似Pareto最优解集之间NSGA-和每个MOEAs。更具体地说,在(甲,乙)测量分数为主,B组的成员组成员:如表3所示NSGA-II的性能优于大多数其他MOEAs在大多数的情况下。 NSGA-获得较低的比C公制13问题FastPGA,比GDE3的PAES对所有的问题,比PESA的二15问题,和10比SPEA2 17问题。我们一定要说法,SPEA2,排在第二位的算法,只有明确优于NSGA-,在abz9,la06,MT20和orb9案件。在其他三个问题SPEA2得到更好 C公吨,NSGA-和SPEA2的结果是相似的。至说明解的收敛性和多样性,非支配NSGA-II的最后一代的解决方案和SPEA2的问题la24图。 11。解决方案这两种算法以及传播和融合。然而中,NSGAII产生更多的非劣解测试问题。6.1讨论表4总结了不同的MOEAs的特点。第二列显示的方式,在每个健身个人计算59。从视图的优势点,该算法可以分为三组:深度(前个人所属),排名(个人主宰个人)和count(个人为主由个人)。从多样性的观点来看,该算法使用两种保护机制:拥挤和健身共享此外,健身共享是基于两个标准:近邻和直方图。最后,最后一列表示进化的运营商用于:交叉(c)和突变(M)。考虑到算法的特点和结果显示在表2和3的车间作业调度的基准,我们可以提取车间作业调度使用的MOEAs得出以下结论:最好的MOEAs是NSGA-和SPEA2,这与以往的同意知识MOEAs在不同类型的性能的问题。使用任何优势准则(NSGA-,SPEA2)优于那些只依靠优势对个人(佩斯PESA的-II和GDE3)之间。优势深度(NSGA-),其中仅依靠质量个人,效果更好(在大部分的问题),比其他优势的方法(SPEA2并FastPGA),这也考虑解决方案的主导和支配个人。它似乎得到更好的结果时,人口有大量的非支配个体,虽然多样性可能是低中最好的方面。这可能由于规模庞大的搜索空间,在车间作业调度事实。表4表5表6考虑到这一点作为今后的工作,这将是有趣修改健身不仅包括显性的深度,但还有其他的标准,以引进更多元化,在最好的帕累托各条战线。这已经是在NSGA-II的拥挤距离,但它只是用来当个人的最后Pareto前沿必须为未来的人口选择。解决方案应该之间中途NSGA-II的和SPEA2健身方法的。6.2时间估计我们的处理时间估计的神经网络方法已验证的机器,目前的一个子集正在使用的实木家具行业的生产计划。这些机器是:RIP锯边和翻录我(RS-I),磨料校准机(ACM),单板切片机(VS),RIP看到磨边和翻录II(RS-),大板和调试系统(CSLB)。 1500件家具定制的数据,有在工厂建成沿几年,已被用来生成的例子套。每件的尺寸获得,然后,为每个机器加工时间测量。这些时间是很吵becausemanyof的操作需要由人工操作的某种操控,也因为这个操作符措施手动倍。在每个例子中,下列变量被认为是为每个件件家具的长度,宽度和厚度,以及在一块机的处理时间。神经网络,以尽量减少错误的时间估计。实验进行了五倍交叉验证每个例子集。每一套分为五个亚群大小相等,学习过程中运行的五倍,作为培训设置四个子集,剩下的一个测试。测试集不同的是在每个运行。我们相比,我们的神经网络方法(NN-MPCG6)其他回归在实验techniques.4中,我们30神经元有一个隐藏层的方法是运行。表5-9显示,每个机(或数据集),平均方误差培训(MSEtra),测试(MSEtst)五倍交叉验证实验每个technique.5在每个表,较低的平均值为MSEtra和MSEtst黑体字标示。表7表8表9可以排在提高精度的秩序的方法:MOGUL-TSK,M5,QLMS,NN - MPCG。如果我们比较平均所有的机器MSEtst值,M5是最好的方法机器VS中,QLMS克服了其他两个算法机(RS-我和CSLB的),和我们的NN - MPCG回归的方法在另外两台机器(RS-II和ACM)最佳。比较我们的与其他提案的方式,可下面的讨论:大亨-TSK的错误,进入帐户MSEtst采取,范围了151(CSLB,表5)和32(VS,表8)高于之间NN - MPCG。此外,为M5的算法,误差范围之间30以上(机ACM,表9)和低5(VS,表8)。最后,QLMS是在三个比我们更好的建议机器,范围从5(Vs,表8)13(CSLB,表5)低级错误。然而,在其他两台机器的准确性QLMS算法很差与NNMPCG时相比方法:误差为33(RS-II表6)和109器(ACM,表9)。总之,我们的建议(NN-MPCG)获得具有较好的规律性比所有的时间估计的准确性高机。这意味着,尽管其他方法有一个较低的在一些机器的错误,在最坏的情况下改善低。相反,当NN-MPCG克服了其他方法改善高得多。7.结论在自定义的多目标调度机解决方案家具行业已经呈现。该解决方案基于多目标进化方法与神经网络。该系统采用NSGA-算法产生这是他们的基础上进行了优化可靠的时间表完工时间和总延迟时间。此外,加工时间估计已获得通过多层感知器神经网络。该系统已广泛的测试,并与其他方法。我们基于NSGA-算法一直比较另有五MOEAs在17个不同的古典车间作业调度,跑赢其他算法在大多数问题。此外,通过多层感知器处理的时间估计神经网络已显示出比其他更好的精确度回归技术进行了分析。此外,试验还证明有效的反应时间都以一个巨大的工作负荷环境的变化,如新的定义,客户订单或生产日期的变化。致谢作者希望感谢Sadigh BALAY他的帮助支持,和提供有价值的线索。这项工作是由西班牙的一部分科学与创新部支持的,赠款TIN2008-00040TSI2007-65677C02-1。曼努埃尔Mucientes支持拉蒙y Cajal的西班牙科学和创新部的计划。 一、毕业设计(论文)的内容木制衣架抛光机用于对衣架粗胚进行打磨抛光的机械,是衣架制造企业进行衣架自动加工的关键设备之一。为实现衣架自动打磨抛光的功能,设计衣架抛光机抛光部分。具体任务如下:1. 分析衣架抛光的要求,研究系统的工作原理;2. 提出衣架抛光机抛光部分的工作原理,进行结构设计;3. 绘制衣架抛光机抛光部分的装配图及典型零件的零件图;4. 对抛光部分的关键参数进行计算和校核。二、毕业设计(论文)的要求与数据1. 所提出衣架抛光的工作原理应符合木制衣架自动打磨抛光的需要; 2. 用Solidworks建立衣架抛光机抛光部分的3D装配模型; 3. 绘制衣架抛光机抛光部分的装配图及典型零件的零件图;4设计说明书(毕业设计说明书)应包含中英文摘要、设计方案比较、结构设计等内容。三、毕业设计(论文)应完成的工作1、完成二万字左右的毕业设计说明书(论文);在毕业设计说明书(论文)中必须包括详细的300-500个单词的英文摘要;2、独立完成与课题相关,不少于四万字符的指定英文资料翻译(附英文原文);3、绘制衣架抛光机抛光部分的装配图及典型零件的零件图(所有图纸均采用计算机绘制,折合A0图纸3张以上)。四、应收集的资料及主要参考文献1 孙桓, 陈作模. 机械原理M. 北京:高等教育出版社, 2001.2 徐灏. 机械设计手册. 机械工业出版社, 1991.3 濮良贵, 纪名刚. 机械设计M. 北京:高等教育出版社, 20054 杨叔子. 机械加工工艺师手册M. 北京:机械工业出版社, 2002.5 吴宗泽. 机械设计实用手册M. 北京:机械工业出版社, 2002.6 潘俊萍. 极坐标数控专用木工铣床设计与仿真研究D. 东北林业大学, 2011.7 马岩. 我国家具加工机械数控技术的开发方向与应用前景J. 林业机械与木工设备, 2008, 36(1): 4-12.8 SolidWorks公司著. SolidWorks装配体建模M. 北京:机械工业出版社, 2005.9 胡仁喜等. SolidWorks 2005机械设计及实例解析M. 北京:机械工业出版社, 2005.10 Juan C. V, Manuel M, Alberto B, Manuel L. Machine scheduling in custom furniture industry through neuro-evolutionary hybridizationJ. Applied Soft Computing, 2011, 11: 1600-1613.五、试验、测试、试制加工所需主要仪器设备及条件计算机一台任务下达时间:2012年 1 月09日毕业设计开始与完成时间:2012年1月09日至 2012年 6 月 03 日组织实施单位:教研室主任意见:签字: 2011 年12月 30 日院领导小组意见:签字: 2012 年 1 月 05 日
收藏