您现在的位置: 首 页 >> 艺术论文 >> 一种求解绿色模块划分的蚁群算法研究

一种求解绿色模块划分的蚁群算法研究

作者:美术论文
出处:www.lunrr.com
时间:2019-10-13

0简介

模块化设计是批量生产的关键技术。通过根据相应的属性组合大量部件,可以将该技术组合为不同的功能和特性。在一定程度上可以满足客户的特定要求。同时,为大规模生产和提高企业效率打下基础。绿色设计基于传统设计水平,在考虑产品功能特性的同时,考虑产品在整个生命周期中的环境属性,例如多功能性,可升级性,回收利用,维护,处理,污染,能耗以及上述设计目标,使其产品达到最佳的环境友好性。

国内外尚无该领域的研究。文献[5]使用模拟退火算法来模块化产品的整个生命周期。文献[6]使用遗传算法来考虑产品的组装/拆卸性能。模块化;文献[7]介绍了用于模块划分的概念,例如聚类和模块密度。但是,基于蚁群算法的解决方案几乎是空白。由于蚁群算法具有收敛速度快的优点,因此可以解决大批量零件的模块化组合NP_Hard问题。基于该作者,提出了一个绿色模块。蚁群优化方法很好地解决了实际问题。

1问题描述

以双梁桥起重机桥为例,有11个基本单元: 1.主梁2.轨道3.端梁4.端梁栏杆5.步行平台6.步行栏杆7.直梯; 8.斜梯; 9.驾驶室平台; 10.驾驶室; 11.检查平台;分别由T1,T2,T3,T4,T5,T6,T7,T8,T9,T10,T11表示。模块将在模块内划分为最高聚集度,模块之间的耦合度最低,绿色度最大。

2相关知识和数据

2.1数据表示

功能相关性有助于将实现相同功能的基本单元聚合到模块中,以增加模块的功能独立性。结构依赖性有助于简化与每个功能相对应的模块的结构完整性。它们的相关性通过基于人类经验和知识的数值来描述。假定功能相关性分别使用10.0、8.0、5.0、2.0和0.0来具有属性“强”,“强”,“强”,“一般”和“无”。结构相关性相似。零件的绿色程度主要由“好”,“好”,“好”,“一般”,“差”和“无”的等级来衡量,分别使用10.0、8.0、6.0、4.0。 2.0,0.0表示

2.2零件属性和相关数据

假设基本零件单元具有七个绿色属性,其中五个是绿色:多功能性,可回收性,可升级性,可维护性和可操作性。属性值越大,绿色越好。后两个属性:污染,消耗该能力是属性值越小,绿色越好。

3建立了多个目标模型

3.1模块耦合度和内聚模型

假设乘积具有N个基本单位,则两个模块的总相关度为Fω和Sω为功能相关标准的权重系数和结构相关标准的权重系数,fij为功能相关值,sij为结构相关值。

4解决问题

计划模型是方程式(1),(3)和(4)的三个目标函数,分别是maxC1,minC2和maxG。在这里,加权系数方法用于将多个目标转换为单目标解决方案以获得最大值。它是一个NP组合问题,适合用提出的蚁群优化算法求解。

4.1基本蚁群算法

蚁群算法的初衷是解决TSP问题,然后是着色问题,工作问题等。 TSP问题与蚁群的觅食过程非常相似。基于TSP问题的基本蚁群算法如下:

步骤1:初始化每个参数,设置最大迭代次数N,每个路径信息素ηij,启发式参数值α,β,ρ等;

步骤2:循环迭代开始;

步骤3:将蚂蚁随机放置在n个城市上;

第4步:设置禁忌表以控制下一个访问的城市并保存访问的城市;

步骤5:根据状态概率公式(5)计算蚂蚁选择下一个城市j的概率,其中j是非禁忌表中的城市;

步骤6:选择状态转移概率最高的城市,在禁忌表中标记城市,并保存城市访问顺序;

步骤7:如果尚未访问所有城市,请转到步骤5并继续;否则,请继续。否则,请转到步骤8;

步骤8:使用蚂蚁周期模型,根据公式(6)至(8)更新路径上的信息素;

步骤9:如果仅迭代最大迭代次数,则输出结束,否则清除禁忌表,将城市访问顺序表和与初始化相关的值转移到步骤3。

4.2提出求解蚁群算法的算法

提出了一种蚁群算法来优化绿色模块的分区

要解决,解决步骤如下:

步骤1:初始化每个参数和矩阵值,蚂蚁数,迭代数,初始化信息素;存储功能相关值,结构相关值和绿色值;准备禁忌表,访问表和模块划分增量表。

步骤2:循环迭代开始。

步骤3:在每个顶点上随机存储蚂蚁,每个顶点指的是可以选择的各个部分,并记录禁忌表,访问表和模块划分增量表。

步骤4:根据等式(9),选择具有最高转移概率的一个作为下一个选择。如果生成的过渡概率大于随机数rand(),则将其分类为先前顶点所在的模块,否则将其用作另一个模块。

步骤5:如果尚未访问每个蚂蚁的所有顶点,请继续执行步骤3;否则,请执行步骤3。否则,请执行步骤6。

步骤6:更新信息素,根据模块划分增量表的路径,根据公式(10)(12)对称地添加信息素,并考虑挥发因子;例如,在相同的两个顶点之间添加信息素。相邻的两个不变的顶点不会添加信息素。

步骤7:如果迭代次数未完成,请转到步骤2,否则结束最优解的输出。

收敛是通过十个实验获得的。蚁群算法在一秒钟内完成了算法的计算,同时获得了收敛性,收敛速度极快。最佳适应度值为26.000;最佳模块划分值为1,1。 1,1,5,5,4,4,4,3,2和5,5,5,5,1,1,4,4,4,3,2;最佳模块分为{主梁,轨道,端梁,端梁栏杆}是相同的模块,{步行平台,步行栏杆}是相同的模块,{直梯,斜梯,驾驶室平台}是相同的模块,{驾驶室}是一个模块,{测试平台}是一个独立模块;这也符合文献的结论和实际要求[8]。

在十个实验中,无论蚁群算法的相应参数如何,该算法都具有很好的稳定性。与以前的基本蚁群算法不同,有两点:1)参数是任意设置的,信息启发因子α,功能相关和结构相关启发因子β,绿色启发因子δ,挥发系数ρ,蚂蚁数可以更加随机,不会影响收敛结果和最优结果; 2)收敛非常快。但是,还发现了一些需要进一步研究的问题:当蚂蚁的数量M相对较小时,发现蚂蚁的路径几乎每次迭代都遍历该路径,并且蚂蚁是最佳的走线路径。最佳值为26.000;但是当蚂蚁数量较大时,当M设置较大时,在任何路径上迭代遍历,只有一些蚂蚁会采用最优路径。最终,这与蚂蚁的喂食过程略有不同,最终所有蚂蚁都趋向于最佳路径。

5结论

本文提出了一种蚁群算法来解决考虑模块功能相关性,结构相关性和零件绿色性的绿色模块划分的最优组合。结果符合实际要求,实验方法可行可行。当可用零件急剧增加时,这些问题通常是NP问题。大数据采集信息要求速度和方法结果的准确性。该方法已被移植到制造信息化中,可以为企业节省财务人力资源的利益,提高企业竞争力。通过大量的实验作者,发现蚁群算法继续发挥自己的特点,并且收敛速度非常快。作者提出的蚁群算法可以高效地解决绿色模块的划分问题。在实验中,发现蚂蚁没有移向同一物品。最佳路径可能与作者在算法中执行模块划分时提出的随机数大小有关;作者将继续改进该算法,接下来的研究将基于基于PARETO解的多目标离散蚁群算法来获得解集的多样性。性还将引入约束的目标随机模型来解决更多实际问题。

最新论文
“营改增”对企业税负的影响分析
人本关怀视角下的贫困大学生思想政治教育研究
人本关怀视角下的贫困大学生思想政治教育研究
“营改增”对企业税负的影响分析
“营改增”对企业税负的影响分析
企业工商管理的未来发展方向浅析
人本关怀视角下的贫困大学生思想政治教育研究
关于网络关系管理与现代工商企业品牌战略
“互联网+”环境下高校会计教学创新
人本关怀视角下的贫困大学生思想政治教育研究
人本关怀视角下的贫困大学生思想政治教育研究
关于网络关系管理与现代工商企业品牌战略
热门论文
浅谈教学反思对高中数学教师的影响
新课改背景下小学美术教学方式的转变
关于网络关系管理与现代工商企业品牌战略
研究高中班主任德育工作的具体策略
探讨新课改下如何开展初中语文作文教学
关于数据流分析法在汽车电控汽油机的故障诊断中的应用
幼儿教育中信息化技术运用的问题及建议
幼儿教育中信息化技术运用的问题及建议
分析中等职业学校化学教学中多元智能理论的意义
一种求解绿色模块划分的蚁群算法研究
小学语文作文教学中生活化的作用分析
关于琥珀酸氢化对感染性休克患者的影响
从公平与效率的角度探析民商法与经济法的价值取向
热门标签
日期归档
2019年10月
2019年09月