免费论文查重: 大雅 万方 维普 turnitin paperpass

探索遗传基于遗传蚁群算法制造企业远程服务动态配置

最后更新时间:2024-02-29 作者:用户投稿原创标记本站原创 点赞:7080 浏览:20838
论文导读:组织实体共同可以接受的计划并且一起执行这些计划。4)Holon结构(Holarchy):能够协作达到一个目的或目标的Holon系统。Holon结构定义了Holon协作的基本规则,同时也就限制了Holon的自治性。5)Holon制造系统(HolonManufacturingSystem):集成了所有制造活动的Holon结构,包括从订单、设计、生产、进入市场,以实现敏捷的
摘要:在客户需求多样化和激烈市场竞争的背景下,本文主要讨论了跨地域企业之间远程服务配置和调度过程中的优化问题。为此,本文以某一制造业企业服务平台为例,采用基于遗传算法与蚁群算法相融合的远程服务配置方法进行验证,分析其效果。本文的结论是,将Holon理论引入到企业远程服务配置中,实现跨地域企业远程服务合理配置与优化调度,从而使企业具有良好的环境适应性。
关键词:Holon 制造企业 敏捷制造 企业远程服务配置
引言
在激烈市场竞争的背景下,为了满足客户需求多样化,人们在生产工艺和制造技术方面做了大量的研究工作。产生了许多先进的制造系统模式,如并行工程(CE)、敏捷制造(AM)、虚拟制造(VM)等制造系统模式。其中敏捷制造被认为是下一造策略而受到美国等发达国家的普遍重视。国际合作研究计划智能制造系统(IMS)项目之一的合弄制造系统(HMS)则被作为实现敏捷制造的基础而得到了由来自澳大利亚、加拿大、欧洲、日本和美国的31个成员组成的国际合作研究机构的认真深入研究。
迄今为止,针对合弄制造系统的研究仍属于一个比较前沿的课题。现有的一些理论还不是十分成熟完善,缺乏一个系统的科学方法。近些年来,一些与经典的数学规划原理截然不同的、试图通过模拟自然生态系统机制以求解复杂优化问题的人工智能算法相继出现(如神经网络、模拟退火、禁忌搜索、遗传算法、蚂蚁算法等),大大丰富了现代优化技术,也为NP 类问题提供了切实可行的方案。但无论单纯利用遗传算法还是蚁群算法都无法获取较好的实际效果。因为遗传算法具有快速随机的全局搜索能力, 但对于系统中的反馈信息利用却无能为力, 当求解到一定范围时往往做大量无为的冗余迭代, 求精确解效率低。蚂蚁算法是通过信息素摘自:毕业论文题目www.7ctime.com
的累积和更新收敛于最优路径上, 具有分布式并行全局搜索能力。但初期信息素匮乏, 求解速度慢。因此本文提出的算法是将遗传算法与蚂蚁算法融合, 采用遗传算法生成信息素分布, 利用蚂蚁算法求精确解, 优势互补,仿真表明取得了非常好的效果。

1、问题描述

1.1有关概念的引入

Holon是复杂系统中同时具有“整体”和“部分”属性,既具有“自治性”又具有“协作性”的实体,它既是自包含的整体(Self-contained-whole),又是相互依存的部分(Dependent-Part) 。[3-5]
1)Holon:制造系统用于转换、运输、储存、确认信息和物理对象的自律的、协作的模块。合弄由信息处理部分和通常再加一个物理处理部分组成。一个合弄可以是另一个合弄的一部分。
2)自治(Autonomy):一个实体生成和控制它自己的计划或策略的能力。
3)协作(Cooperation):一个组织实体共同可以接受的计划并且一起执行这些计划。
4)Holon结构(Holarchy):能够协作达到一个目的或目标的Holon系统。Holon结构定义了Holon协作的基本规则,同时也就限制了Holon的自治性。
5)Holon制造系统(Holon Manufacturing System):集成了所有制造活动的Holon结构,包括从订单、设计、生产、进入市场,以实现敏捷的制造企业。
6)Holon属性:一个实体成为Holon的属性。自治性和协作性是最基本的Holon属性。
7)Holon性(Holonomy):一个实体呈现出Holon属性的程度。[6]
通过引入具有自治协商性能的Holon概念,构建面向跨地域企业的基于Holon的远程服务集成管理体系结构,如图1。

图1 基于Holon的远程服务集成管理体系结构
Figure 1 Remote Service Integrated Management System Structure

1.2.远程服务动态配置与优化调度

图2为企业远程服务Holon 的动态配置机制。调度Holon 通过与订单Holon 协作,采用周期性的或基于事件的调度调整技术,不断调整调度计划以优化服务分配。调度Holon 首先通过订单处理模块调度Holon 通过与订单Holon 协作,采用周期性的或基于事件的调度调整技术,不断调整调度计划以优化服务分配。调度Holon论文导读:式生成。2.2遗传操作2.2.1适应度函数的选取在遗传算法中,适应度函数的选取是相当重要的,它关系到算法的收敛速度与所得解的优劣。适应度函数的选取要与要解决的问题相结合,由目标函数决定。本文中适应度函数F定义为F=Fr,其中Fr为评估聚类算法的F-Measure函数即■。F-Measure,值越大,相应个体的适应度就越高。
首先通过订单处理模块。
图2 企业远程服务-Holon 的动态配置机制
Figure 2,Remote Service of Enterprise—Dynamic Allocation Mechani of Holon

2、遗传算法的优化机理与模型描述

遗传算法是由美国密执安大学的John Holland教授于1975 年首先提出的一类仿生型优化算法。其优点是具有大范围全局搜索的能力和潜在的并行性;其缺点是对于系统中的反馈信息利用不够,当求解到一定范围时往往做大量无为的冗余迭代,求精确解效率低。[7]

2.1 染色体选择、编码及初始种群生成

染色体使用蚁群算法中的参数:a,β,p,t,q。这样可以利用遗传算法确定蚁群算法的最优参数组合;由于实数编码的遗传算法具有精度高、搜索空间大、易于引入特定领域的启发信息等优点,故蚁群聚类算法中采用十进制实数编码;初始种群根据预设数量采用随机方式生成。

2.2 遗传操作

2.1 适应度函数的选取

在遗传算法中,适应度函数的选取是相当重要的,它关系到算法的收敛速度与所得解的优劣。适应度函数的选取要与要解决的问题相结合,由目标函数决定。本文中适应度函数F定义为F=Fr,其中Fr 为评估聚类算法的F-Measure 函数即■。F-Measure,值越大,相应个体的适应度就越高。采用度量值(F-Measure)法作为聚类算法的评估函数。F-Measure 融合了信息检索中的查准率与查全率的思想,F-Measure 值越高,聚类效果越好。—个聚类J及与此相关的分类i的查准率与查全率定义为: ■ (1) ■ (2)
其中Nij是在聚类j 中分类i的元素数;Nj 是分类i中的元素数;Nj 是聚类J中的元素数,分类i的F—Measure定义为:
■ (3)
■ (4)

2.2 个体选择

采用锦标赛选择法,根据适应度函数选取进行交叉的个体。基本思想是:从群体中任意选择一定数目的个体,其中适应度最高的个体保存到下一代。这一过程反复执行,直到保存到下一代的个体数达到预先设定的数目为止。

2.3 交叉与变异操作

交叉算子,采用均匀交叉方法:依概率交换两个父辈个体基因串的每一位。过程为:首先,随机产生一个与父辈个体基因同样长度的二进制串,称为交叉模板。然后根据模板对两个父辈染色体进行交叉,得到两个新的后代个体。
变异:采用高斯变异方法,这种方法起源于进化策略。一般在进化策略中的一个个体包含两个元素(x,or),其中第一个向量x 表示搜索空间中的一个点,第二个向量or 表示标准差。后代(x′,or′)由下式产生:
■ (5)
■ (6)
其中N(0, Δσ)是均值为0,标准差为σ的独立高斯随机数向量。

3、遗传算法与蚁群算法的融合

蚁群算法(ant colony algorithm)是由意大利学者M.Dorigo等人于20 世纪90 年代初期通过模拟自然界中蚁群集体寻径的行为而提出的一种基于种群的启发式仿生进化算法,其优点是搜索精确度高,缺点是初期信息素缺乏,导致搜索速度慢。[11]

3.1遗传算法与蚁群算法衔接

传统的蚂蚁遗传混合算法都通过设置一个固定的迭代次数来控制遗传算法和蚂蚁算法的融合,即使种群进化效果不理想,其算法也要在继续进行数次的无用迭代后才转向另一种算法,使算法整体收敛速度偏慢。针对此缺点,本文采取一种动态蚂蚁遗传算法(DAAGA)。该算法的具体步骤如下:
①设置遗传操作的最小迭代次数■和最大迭代次数■
②在设定的迭代次数范围内,如果连续n代,都满足■ 其中, ■( ■表示遗传算法第n代种群的最大适应度值,■表示遗传算法第n代种群的平均适应度值)。则结束遗传操作,生成信息素,更新全局解,开始调用蚁群算法。

3.2信息素更新方法的改进

动态蚂蚁遗传算法(DA论文导读:育委员会科研创新项目(12ZS133);上海市一流学科项目(S1201YLXK)。上一页1234下一页
AGA)中,设■为现有种群的最优解的值,在用全局最优解更新信息素时,■设定为全局最优解的值,则利用蚂蚁算法的解。遗传算法每代最优个体以及全局最优解更新信息素的规则如下:
■其中,■

4、算法仿真结果

本文以某一个制造系统的远程服务平台为例,采用ACA(蚁群算法)与DAAGA(动态蚂蚁遗传算法)作比较,分析其效果。实验数据采用UCI 机器学习库的Wine,Iris数据集和Zoo数据集,见表1。
表1 测试数据集描述
Tab1 Description of Test Data Set
测试数据集分别用ACA(蚁群算法)与DAAGA(动态蚂蚁遗传算法)进行测试。在ACA中,参数a, β,p,t,q分别取40,100,0.1,20,300,最大迭代次数取30 次。在DAAGA 中种群大小为30,交叉概率为0.8,变异概率为O.2,最大代数为50。
图3所示的是数据集Iris中150个数据及其聚类结果,(a),(b)分别是ACA 和DAAGA对Iris 数据集聚类的结果,图中△,○和口分别表示类别Setosa,Versico-lour和Virginica。

(a) ACA 聚类结果 (b) DAAGA 聚类结果
图3 Iris数据集的聚类结果
Figure 3 Data Set of Iris and clustering Results
从图中可以直观地看出DAAGA较ACA的聚类效果要好,更接近于真实分类。表2所源于:www.7ctime.com
示的是用ACA 和DAAGA 分别对2个数据集进行100 次测试的平均结果。
表2 两种算法的测试结果
Tab2 Two kinds of Test Results
根据表2比较,实验中各聚类数假设是已知的,与各数据集的分类数相同。从测试结果中可以看出DAAGA 的正确率比ACA 算法均有不同程度的提高,从而实现跨地域企业之间远程服务合理配置与优化调度,达到企业远程服务配置的自协商,使现代企业具有良好的环境适应性。
5、结论
本文讨论了跨地域企业之间远程服务的配置和调度过程中的优化问题。本文通过将Holon 理论引入到远程服务配置管理中,首先构建了面向跨地域企业的基于Holon 的远程服务集成管理体系结构。其次通过描述企业远程服务Holon 间数据和功能关系,构建服务Holon 间协商方案的接收标准和服务Holon 间通讯协议,建立了基于Holon 的企业远程服务优化调度机制。通过构建基于Holon 的远程服务控制模型的通讯机理,建立基于Holon 的企业远程服务优化调度机制。最后,并在此基础上,构建基于Holon 的远程服务自动协商规则和策略。从而实现跨地域企业之间远程服务合理配置与优化调度,达到企业远程服务配置的自协商,使现代企业具有良好的环境适应性,为解决跨地域企业之间远程服务的配置和调度过程中的协商问题,使企业具有良好的环境适应性,提高生产效益。
参考文献:
.唐任仲.敏捷制造基础-合弄制造[J].工程设计,1996(1):8-11
.段海滨. 蚁群算法的原理及其应用[M].北京:科学出版社, 2005.
[3].侯晓莉 李 言 李淑娟,Holon技术在敏捷制造系统中的应用研究, 自动化仪表.2006,27(5):5-12.
[4].巫家敏, 张卫山,合弄制造-一种先进制造模式的探讨[J],机械科学与技术,2003,19(2):339-34l.
[5].周华,杨建军,基于全能体的MES构建[J],制造自动化,2001,23(2):13-16.
[6].Jie Zhang, Liang Gao, A holonic architecture of the concurrent integranted process planning system [J].Materials Processing Technology, 2003: 267- 272.
[7].熊志辉,李思昆,陈吉华,遗传算法与蚂蚁算法动态融合的软硬件划分[J].软件学报.2005,16(4):503-511.
基金项目:国家自然科学基金资助项目(71271138);上海市教育委员会科研创新项目(12ZS133);上海市一流学科项目(S1201YLXK)。论文导读:上一页1234