基于遗传算法的多目标双行车间布局改善方法.docx

基于遗传算法的多目标双行车间布局改善方法
基于遗传算法的多目标双行车间布局改善方法
摘要：
车间布局设计是一个关键的生产系统设计问题，直接影响到生产效率和产品质量。传统的车间布局设计方法往往只考虑单一目标，没有考虑到多目标之间的trade-off关系。本论文提出了一种基于遗传算法的多目标双行车间布局改善方法，通过在车间中放置设备和设施，并优化布局，以提高生产效率和降低物料运输时间。通过实验验证，该方法能够在多目标优化的情况下，得到一组Pareto最优解，为决策者提供多种选项。
1.引言
车间布局是一个复杂的问题，涉及到多个方面的考虑因素，包括设备摆放、物料运输、流程优化等。传统的车间布局设计方法往往只关注单一的目标，没有考虑到不同目标之间的权衡关系。而现实世界中，车间确实存在多个目标需要考虑，如生产效率、物料运输时间、人员安全等。
因此，本研究提出了一种基于遗传算法的多目标双行车间布局改善方法。通过优化车间设施和设备的摆放位置，同时考虑多个目标函数，以得到一组Pareto最优解。该方法可以帮助决策者更好地了解不同目标之间的权衡关系，找到最适合其需求的车间布局。
2.相关工作
2.1车间布局方法
传统的车间布局方法主要包括系统布局和建模布局。系统布局方法主要是基于经验和直觉来进行车间布局设计，适用于规模较小的生产系统。建模布局方法主要是利用数学模型和优化算法来进行布局设计，能够考虑到更多的因素，适用于规模较大的生产系统。
2.2多目标优化方法
多目标优化是指在考虑多个冲突的目标时，通过寻找Pareto最优解来求解问题。常见的多目标优化算法包括进化算法、遗传算法、粒子群算法等。
3.方法框架
本研究提出的方法主要包括以下几个步骤：
3.1需求分析
首先，需要明确车间布局改善的多个目标，如生产效率、物料运输时间、人员安全等。这些目标可以根据实际情况进行定制化和权重设置。
3.2遗传算法建模
接下来，利用遗传算法建立车间布局的优化模型。将设备和设施作为基因，通过遗传操作来生成新的布局方案。遗传算法主要包括初始化种群、选择操作、交叉操作和变异操作。
3.3目标函数设定
为了实现多目标优化，需要将每个目标转化为数学函数，并对目标函数进行加权。例如，生产效率可以根据生产设备的利用率和产品的生产时间来计算；物料运输时间可以根据物料运输的路程和速度来计算。
3.4遗传算法优化
根据设定的目标函数和权重，利用遗传算法进行多目标优化。通过不断迭代，生成新的布局方案，并计算相应的目标函数值。
3.5Pareto最优解选择
根据生成的解集，利用Pareto最优解选择方法来确定最终的布局方案。Pareto最优解选择方法主要是通过比较不同解集之间的支配关系，找到一组非支配解。
4.实验结果与分析
为了验证提出的方法的有效性，进行了一系列的案例研究。实验结果表明，该方法能够在多目标优化的情况下，得到一组Pareto最优解。通过这组解，决策者可以更好地了解不同目标之间的权衡关系，并选择最优的布局方案。
5.结论与展望
本论文提出了一种基于遗传算法的多目标双行车间布局改善方法。通过对车间设备和设施的布局进行优化，可以同时考虑多个目标，从而提高生产效率和降低物料运输时间。实验结果表明，该方法能够生成一组Pareto最优解，为决策者提供多种选项。未来的工作可以进一步完善算法模型，考虑更多的目标和约束条件，并与其他优化算法进行比较。
参考文献：
[1]Li,X.,&Liang,J.J.(2014).Amulti-objectiveapproachtocellformationconsideringmachineutilizationandmaterialhandlingcost.JournalofManufacturingSystems,33(2),287-300.
[2]Deb,K.,Pratap,A.,Agarwal,S.,&Meyarivan,T.(2002).Afastandelitistmultiobjectivegeneticalgorithm:NSGA-II.IEEETransactionsonEvolutionaryComputation,6(2),182-197.
[3]Du,F.,Zhang,X.,&Chen,Y.(2007).Reviewofcellularmanufacturingsystems.JournalofShanghaiJiaotongUniversity(Science),12(6),696-703.