基于粒子群算法的拆卸序列规划研究开题报告

 2021-11-23 09:11

1. 研究目的与意义(文献综述)

随着经济的发展与科技的进步,各类电器电子产品的产量逐年增长,其废弃量也与日俱增。 联合国相关报告指出, 2016年全世界共产生4470万吨电子废弃物, 预计到2021年将增加至5220万吨。而在全球范围内,2016年只有890万吨的电子废弃物得到记录、 收集和回收利用,仅占所产生电子废弃物的20%。

当今世界资源越来越匮乏,对电子废弃物进行回收处理可以获得许多重要资源,包括金、银、铜和可再生塑料等,电子废弃物被视为一种新的可以获取原材料的矿山,即“城市矿山”,但是如果电子废弃物得不到妥善的回收处理,将会对环境造成严重破坏,并危害到人类的健康。欧盟在2003年出台了废旧电子电气设备指令(weee指令),并在 2012 年颁布了新weee指令,其目的是促使企业实施电子废弃物回收再利用以减少电子废弃物的焚烧和填埋,从而减少电子废弃物对环境的污染和破坏;同时提高电子废弃物的回收再利用率,以实现节能减排和可持续发展的目的。欧盟weee 指令的颁布引起了全球对电子废弃物回收处理的研究热潮,促进了消费者的绿色消费观念的日益扩大,引导了生产企业更加注重可持续的绿色制造技术,并对电子废弃物回收处理企业提出了更高的要求。

产品的生命周期分为:初期、中期和末端,传统制造领域的研究,如计算机辅助设计、计算机辅助工艺规划、车间调度优化、先进制造系统等,主要是针对产品生命周期初期即产品的设计和制造阶段的研究,随着环境资源问题日益严峻,废旧产品的回收再利用已成为全球性的课题,越来越多的学者开始关注和研究产品生命周期末端处理技术。拆卸是产品生命周期末端处理技术的基础,拆卸序列的优劣直接影响着产品回收的效率和效益。

剩余内容已隐藏,您需要先支付后才能查看该篇文章全部内容!

2. 研究的基本内容与方案

2.1 研究目标

拆卸由于其经济、环境、社会效益,以及对自然资源的持续利用能力吸引了越来越多研究者的目光。拆卸序列规划的目的是在满足生命终结产品的优先级约束的条件下获得最优的拆卸序列,以便于对废物资源获得最好的回收价值。拆卸序列规划能够提高拆卸效率并且减少拆卸过程中的经济消耗。拆卸序列规划主要包括三个步骤,分别是,决定拆卸模式,建立拆卸产品模型和选择一种求解算法并应用于问题。本课题主要完成基本的拆卸序列规划问题的建模,并且结合拆卸产品优先级关系模型,利用一种代表性的群智能算法——粒子群算法来解决拆卸序列规划(DSP)问题。

具体阶段研究目标如下:

(1)研究DSP问题与装配序列规划问题在建模与评价指标上的区别,并在此基础

上建立一套针对DSP问题的拆卸建模方法和拆卸评价指标。

(2)研究广泛应用的拆卸约束图,并考虑零件之间接触约束的权重影响以及拆卸工

具对拆卸过程的影响,充实拆卸约束图,完成拆卸赋权约束图。

(3)针对所提出的拆卸赋权约束图,研究基于群智能优化算法的设计。选择一种优化算法作为基本的算法框架,研究并设计适合本课题所研究问题的初始化方法、迭代设置,最终提出一种解决所研究问题的优化算法。

2.2 研究内容

(1)研究了DSP问题与装配序列规划问题在建模与评价指标上的主要区别,在此基础上,设计了一种拆卸建模方法和一套系统的拆卸评价指标,为本文后续的研究奠定了基础。

(2)基于广泛应用的拆卸约束图,加入了对接触约束相关信息以及拆卸工具转换的考虑,提出了五元的拆卸赋权约束图模型,更为详尽的描述了拆卸过程中的相关信息,为下一步的拆卸序列规划打下了基础。

(3)深入研究了DSP问题,提出了基于粒子群优化算法的拆卸序列规划方法。该方法是源于对鸟群捕食行为的研究。粒子群优化算法的基本核心是利用群体中的个体对信息的共享从而使得整个群体的运动在问题求解空间中产生从无序到有序的演化过程,从而获得问题的最优解。

(4)对上述提出的算法进行编码实现,并通过与其他算法的仿真分析,分析比较所提算法的性能。

2.3 拟采取的技术方案及措施

具体需要采取的技术方案及措施如下:

(1)DSP问题的求解流程与装配序列规划(ASP)问题的求解流程类似,都包括4个主要步骤:拆卸/装配建模、设定拆卸/装配序列的评价指标、设计优化求解算法和进行优化求解,基本流程如图2-1所示。拆卸/装配建模是根据产品中零件之间的连接关系和空间位置关系建立拆卸/装配模型,以表示拆卸/装配约束和生成可行拆卸/装配序列,拆卸/装配模型。拆卸/装配序列的评价指标是根据具体的工程实际问题设定的,这些指标用于量化DSP/ASP问题的优化目标。

图2-1 求解DSP/ASP问题的基本流程

(2)建立拆卸约束图模型是求解问题的基础。为降低模型复杂度,借鉴组件—紧固件图的思想,将紧固件等连接件剔除掉,组件的拆卸实质是不断去除这些连接约束的过程,所以,将这些紧固件作为约束信息放入边中。可是仅仅掌握零件的信息,是无法判断其是否易于拆卸,拆卸过程中的相关信息对拆卸结果的影响更为重要,比如拆卸方向、拆卸方法、拆卸工具等。所以拆卸序列规划需要更多的信息来对一个拆卸序列的优劣进行判断,因此引入了零件之间接触约束的权重影响以及拆卸工具对拆卸过程的影响,充实了拆卸约束图。预处理完成后,通过人机交互的方式从产品装配体中提取约束信息,生成拆卸混合图,并初始化约束矩阵和邻接矩阵。

(3)DSP属于离散组合优化问题,用粒子群优化算法(PSO)求解该问题,需要通过下面的关系映射,将DSP的图模型与粒子群算法模型对应起来。

在产品图模型的基础上,每个可拆卸序列课定义为一个粒子,顶点个数为粒子长度,粒子中的每个元素对应一个顶点,粒子的个数称为种群规模,可拆卸序列的集合构成一个粒子群。PSO 首先在可行解空间随机初始化一群粒子,得到初始种群,每个粒子即为该优化问题的一个可行解,同时根据相应的适应度函数可以得到一个适应值。随后每个粒子由一个速度决定其方向和距离,开始在解空间中飞行寻优。粒子将追随当前的最优粒子而运动,并通过多次迭代搜索得到最优解。每一代中,粒子追踪个体最优解 Pi和全局最优解 Pg两个极值来不断更新自己,产生新一代个体。

假设在一个D维的目标搜索空间中,第i个粒子的当前位置记为Xi=(xi1,xi2,…,xiD),其经历过的最优位置(适应值最优)记为Pi=(pi1,pi2,…,piD),粒子群所有粒子经历过的最优位置记为Pg=(pg1,pg2,…,pgD),粒子的速度记为Vi=(vi1,vi2,…,viD)。

在此基础上,粒子在第D维空间的位置与速度按下式进行调整:

式中W为惯性权重,为非负数;C1和C2为加速常数;rand()和Rand()为两个在范围(0,1)内的随机值。每一次迭代,粒子通过追踪Pi和Pg两个极值来动态更新自身的速度和位置,直到达到规定的迭代次数或预期的适应值为止。基于以上的定义,PSO基本算法流程如图2-2所示。

3. 研究计划与安排

(1) 第1-3周:查阅相关文献资料,明确研究内容,学习毕业设计研究内容所需理论的基础。确定毕业设计方案,完成开题报告。

(2) 第4-5周:查阅拆卸序列规划方面的文献资料,掌握拆卸序列规划问题的建模方法和生命终结产品优先级关系的建模方法并建立对应的问题模型和产品模型。

(3) 第6-9周:学习最优化理论,学习群智能算法,掌握多种经典和流行的群智能算法,学习如何用群智能算法求解拆卸序列规划问题。

剩余内容已隐藏,您需要先支付后才能查看该篇文章全部内容!

4. 参考文献(12篇以上)

[1] liu,j. , zhou, z. , pham, d. t. , xu, w. , liu, q. . (2017). roboticdisassembly sequence planning using enhanced discrete bees algorithm inremanufacturing [j]. international journal of production research, 56(17),1-18.[2] zude, z. , jiayi, l. , truong, p. d. , wenjun, x. , javier, r. f. , chunqian,j. , et al. (2018). disassembly sequence planning: recent developments andfuture trends [c]. proceedings of the institution of mechanical engineers, partb: journal of engineering manufacture, 095440541878997-.[3] alshibli, m., a. elsayed, e. kongar, t. m. sobh, and s. m. gupta. 2015.disassembly sequencing using tabu search [j]. journal of intelligent robotic systems 82 (1): 1-11. doi: 10.1007/s10846-015-0289-9.

[4]kennedy j, eberhart r (1995) particle swarm optimization [c]. in: proceedingsof ieee international conference on neural networks. perth, australia, pp1942–1948.

[5] fang,y.l., liu, q., li, m.q., lali, y.j., pham, d.t. (2019). evolutionarymany-objective optimization for mixed-model disassembly line balancing withmulti-robotic workstations [j]. european journal of operational research,276(1), 160-174.

剩余内容已隐藏,您需要先支付 10元 才能查看该篇文章全部内容!立即支付

课题毕业论文、开题报告、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。