遗传算法在车间设施布局优化中的应用
                                              邱胜海，陈曙鼎，王云霞，贾晓林
                                     (南京工程学院机械工程学院，江苏 南京〓211167)
    分析了在先进制造模式下车间布局对企业生产效率的影响，针对传统SLP方法设计的车间设施布局方案存在的不足，使用遗传算法（GA）对设计方案进行优化，描述了GA求解的一般过程，建立了运用GA优化的目标函数，结合螺杆制造车间的布局参数及物流量等信息，给出了GA的具体实现过程。实例分析表明，GA在车间布局优化中具有高效性。

    现代市场竞争日趋激烈，为了提高市场竞争力，越来越多的企业采用云制造等智能制造方式进行生产，先进制造模式迫使企业对生产车间进行重构或重新布局。车间设施的布局将对工艺流程、生产物流、公用动力的布置以及厂房的面积利用率等产生影响，因此现代车间设施的布局及优化成为了研究的课题之一。
    据统计，在产品的生产周期中，物料传输和等待的时间所占比例高达90%～95%，而真正用于产品加工的时间所占比列很小，另外物料搬运等处理的费用大约占总费用的20%～50% ，因此生产过程中物料流动的时间是影响车间生产率的主要因素之一。改变车间内设施的布局，使设备尽可能科学、合理地布置，可有效减少搬运时间和降低生产成本。
    传统的SLP（systematic layout planning）方法是一种根据物料加工工艺，将物流分析与作业单位相互间关系密切程度分析相结合,得出各个作业单位相关图，从而求得合理布置方案的方法。SLP方法不适合用于小型车间布局的灵活设计，是因其设计过程繁琐，有较大的局限性，且很难获得最优评价方案。遗传算法（genetic algorithm,GA）于19世纪70年代由美国的J.Holland教授首先提出，是计算智能的重要组成部分。GA是模拟自然界生物进化的一种随机、并行和自适应搜索算法，它将优化参数表示成的编码串群体，根据适应度函数按照一定的概率进行选择、交叉和变异遗传操作。GA广泛应用于自动控制、规划设计、组合优化、图像处理、机器学习、信号处理、人工生命等领域。为克服传统SLP方法设计的车间设施布置方案的不足，本文在SLP设计方案的基础上使用GA对设计方案进行优化，获得了较好的布局方案。

1〓遗传算法基础
1.1〓GA基本参数
   GA成功的关键在于编码、遗传操作和设定遗传算法的运行参数，常见的参数包括群体（population）、基因(gene)、染色体（chromosome）、交叉（crossover）、变异（mutation）、选择（selection）、适应度（fitness）、编码（coding）等，其中群体是指选定的一组解，由一定数量的个体组成；交叉是指通过交叉原则产生一组新解的过程；变异是指编码的某一分量发生变异的过程；选择是对初始解进行初步筛查的过程；适应度是指各个体对环境的适应程度，即存活率；编码是指在二进制遗传算法中，自变量是用二进制字符串的形式表示，需要将空间坐标转换成相应的数字串；染色体是指与生物遗传规律对应的基因串，称为基因型个体，如10101100101011是某个体的染色体，其基因位数为14，染色体长度l=14。

1.2〓GA运算步骤及要点描述
通常情况下，GA运行包括若干步骤，其中关键步骤是根据实际问题确定需要优化的目标函数，

......


基金项目：南京工程学院创新基金重大项目（CKJA201401, CKJA201509）；教育部人文社科青年基金项目（16YJCZH108）
作者简介：邱胜海(1967—)，男，江苏泰州人，南京工程学院副教授，工学硕士，主要研究方向为工业工程、CMIS工程设计、智能制造系统等。


（文章来源《机械设计与制造工程》杂志如需详细资料请联系江苏机械门户网客服QQ:2980918915,电话025-83726289）

更多关注，请扫码