文摘
云制造是一种新的面向服务的高效、低耗敏捷制造模式集成信息、制造、物联网等技术。的一个关键决策生产企业生产任务分配是基于云机器人细胞系,这决定了生产系统的效率和灵活性,影响各个生产环节,如作业车间物流、生产计划和生产调度。本文探讨了生产任务分配,从的角度云制造资源的最佳组合。首先,建立了一个数学模型,根据不同子任务的运输成本和产品交付的迟到费用,并解决了量子萤火虫算法(QFA)。接下来,QFA证明优于传统萤火虫算法(FA),改善足总,和英足总优化猫群优化(CSO-FA),时间复杂度和空间复杂度。分配操作级别的研究丰富了理论和方法论云制造资源基于云机器人细胞系,为制造商提供决策支持,并希望实现云制造资源的操作级别分配基于云机器人细胞系。
1。介绍
像中国这样的大型制造商正在改善制造业的智力水平。云情报可以增加生产线的利用率,降低生产成本,避免重复投资和建设,有助于提高我们的生活水平。
与传统的流动线条,细胞系结合了几个类似的站到小说类型的生产线。有两个细胞系的优点:首先,它是相同的传送带流水线生产效率。第二,灵活的生产单位的生产适应市场需求的各种小批量的产品。因此,细胞系被认为是理想的实现大规模定制生产模式。此外,细胞系提供了一个绿色和经济生产的方法。
国内外学者广泛探索机器人自动化生产线。关注的变量过程途径,田et al。1)建立了最小延迟时间函数和建造一个调度模块,根据协作,差异化的代理。此外,代理采用实现全局优化,旨在最小化最大完工时间的。结合和Nearchou2)总结了作业车间调度与多个机器人制造单元的特点,创建了一个数学模型的最大完工时间最小化问题,并有效地解决了模型混合遗传算法。刘等人。3)利用最小完成时间解决柔性作业车间调度与装卸机器人,建立了问题的数学模型,寻找禁忌搜索和贪婪算法的调度结果。宅一生(4)使用的最低生产周期来解决多进程作业车间调度和运输时间,构造了一个非线性数学模型,解决了模型和改进遗传算法,实现批处理调度。杜et al。5)探讨了多级的重建和调度variable-batch生产线在劳动密集型企业,规模不同的生产线,采用不同的算法的适用范围和比较两个联合优化算法的例子。吴et al。6]研究了最优控制的事件驱动传送带喂养和处理系统。
有一些限制,为未来的研究提供机会。我们Stackelberg博弈建模操作符作为领导者和追随者供应商。这可能有利于实际应用探索其他的权力结构。在未来的研究中,一个supplier-led权力结构(例如,一个大型企业构建一个平台)可能是这个模型的一个重要扩展。此外,我们研究了两种类型的可替换的云服务,可以满足客户的要求。在现实中,可能有多种类型的云服务,满足同样的需求。未来的研究应考虑的多种类型的可替换的CMfg云服务系统。
曹et al。7)表示,有一些限制,为未来的研究提供机会。我们Stackelberg博弈建模操作符作为领导者和追随者供应商。这可能有利于实际应用探索其他的权力结构。在未来的研究中,一个supplier-led权力结构(例如,一个大型企业构建一个平台)可能是这个模型的一个重要扩展。此外,我们研究了两种类型的可替换的云服务,可以满足客户的要求。在现实中,可能有多种类型的云服务,满足同样的需求。未来的研究应考虑的多种类型的可替换的CMfg云服务系统。卡卢奇et al。8)注意到,这项研究的一个重要限制是使用均匀网络中资源共享。未来的研究可以考虑不同类别的资源特点是不同的规则,以确定赢或输状态。进一步调查的另一个重要的研究问题是网络的动态构图的基础上获得的性能,即,参与网络如何决定进入或离开网络。
总之,很少有研究细胞系云制造资源调度基于云的机器人,可以避免资源浪费、重复建设生产线,和低利用率的单位。本文探讨了生产任务分配的角度云制造资源的最佳组合。具体地说,一个数学模型建立了基于不同子任务的运输成本和产品交付的迟到费用,并解决了量子萤火虫算法(QFA)。模型和算法的有效性是通过实例分析证明的。
目前,有许多研究单一技术的云制造。云制造的深入研究和应用,面向云制造服务平台的整个生命周期的产品将成为下一个研究热点。新产品开发是一个重要的复杂电子产品的生命周期阶段。很少有研究对云制造资源调度的日本基于云机器人单元生产线。然而,研究的结果可以避免资源的浪费,重复线路建设、和低利用率的单位。
推动电子信息产业的影响对中国的经济增长和规模持续增长。此外,促进传统产业结构的升级和渗透作用逐渐增加。高科技产业为代表的电子信息产业发展速度远远比传统行业和高科技产品的出口已经显示出一个快速增长的趋势。通过观察电子信息产业的发展和技术升级的跟踪,得出的结论是,中国有一个强大和明显的比较优势在加工和组装,和电子信息产品的生产在世界上形成了一个趋势是集中在中国的部分地区。首先,由于流行,国外订单有增加,和一些制造商已经盲目扩大生产规模,导致严重的产能过剩。然而,一些制造商订单和闲置生产资源不足。第二,小批量产品的加工技术越来越复杂,往往一个企业的生产资源不能满足产品加工的要求。云计算平台可以联系企业在多个地区一起完成制造资源调度任务。
2。问题公式化
2010年,詹姆斯第一次提出“云”机器人的定义;它指出云机器人是机器人来存储和检索信息,如机器人拿着相机在照片上传云服务器,在服务器上搜索,找到类似的照片,规划机器人路径跟踪,并存储图片,搜索信息的机器。所有的机器人可以分享这个库来减少开发人员的时间和精力。
假设有要求我类型的产品在云平台上。每个产品请求包含N子任务F我,我= {1,2,…N处理}k智能云调度生产线。每个子任务包含P我操作和K我可选的生产线。生产任务可以表示如下: 在哪里f1是最低的制造资源任务的处理时间,这取决于最长的子任务处理时间: 在哪里eik (是一个0 - 1变量(如果eik (= 1,产品我通过处理t阶段在生产线k;如果eik (= 0,产品我不处理t在生产线k)阶段;ε“透明国际”产品的数量吗我通过t阶段;lik (处理时间的产品我通过t阶段在生产线k;问了下来1000产品的运输时间吗我从生产线k对生产线k+ 1;xk,k+我是一个0 - 1变量(如果xk,k+我= 1,产品我从生产线运输吗k对生产线k+ 1到t阶段;如果xk,k+我= 0,产品我不是从生产线运输吗k对生产线k+ 1到t阶段);h“透明国际”是1000年的多个产品我通过t阶段。
f2的最低成本是制造资源加工的所有子任务: Ctik在哪里制造成本的产品我通过t阶段在生产线k;fitk处理时间的产品我通过t阶段在生产线k(包括运输时间);sitk产品的交货期我通过t阶段在生产线k;和ditfitk迟到成本约束的产品我通过t阶段。
当前操作的处理的子任务不应该开始之前完成之前的操作: 在哪里和前一个操作的完成时间和当前操作的开始时间,分别。
操作的最小粒度调度。每个操作只能占据一个逻辑制造资源。
3所示。算法设计
QFA设计在以下步骤9- - - - - -14]。首先,一群h生成量子萤火虫。每个量子萤火虫有量子位置和位置。每个量子萤火虫的位置由采用数值表示字符串{0,1}D解空间的维数。在第t迭代,第i个量子的量子位置萤火虫可以表示如下: 在哪里 。量子的位置和满足0 ,和0 。一开始,所有的量子量子萤火虫的位置初始化为1。为简单起见,第i个量子的量子位置萤火虫在t迭代可以表示为 (我= 1,2,…,h)。量子萤火虫的位置可以从量子测量的位置。i量子萤火虫的位置可以表示为 (我= 1,2,…,h)。全局最优位置的第i个量子萤火虫t迭代可以表示为 。
根据荧光素更新规则,健身F量子萤火虫我(我= 1,2,…,h)在当地的最优位置t迭代可以转化为荧光素 : 在哪里 荧光素的消失率,这与日益增长的距离和媒体吸收逐渐减弱;荧光素的更新速度。第i个量子萤火虫获得学习社区通过一定的规则。选择量子萤火虫从社区基于荧光素值和位置相似。在i t次迭代,量子萤火虫获得学习社区通过以下方程: 在哪里是标签的集合的学习社区的第i个量子萤火虫;是当地最优的位置之间的距离的第i个q-th量子萤火虫;是动态决策域的半径的第i个量子萤火虫;和量子萤火虫的荧光素值q-th第t迭代。量子萤火虫的数量在学习附近的数量等于标签的标签组社区当前迭代中。
在每个迭代中,每个量子萤火虫选择移动方向根据量子萤火虫在附近。第i t次迭代,概率量子萤火虫搬到q-th量子萤火虫的社区可以表示为
在每个迭代中,如果学习社区的第i个量子萤火虫是空的,然后11届的演变维量子量子萤火虫的位置可以表示如下: 在量子旋转角 和的学位是当地最优位置和全局最优位置的影响量子旋转角,分别;是一个随机数均匀分布在[0,1]; ,在[0,1 /常数D),是突变的概率量子的量子旋转角位置0;是限制每个维度的绝对值在[0,1]量子地位;=量子门旋转;和 是量子非门。
如果学习社区的第i个量子萤火虫不是空的,每个量子萤火虫标记z在附近满足z= 。在t次迭代,然后11届维量子进化的位置的第i个量子萤火虫可以表示如下: 在量子旋转角 是当地最优位置的11届维度,即。,theposition with the highest fluorescein, in the learning neighborhood of the i-th quantum firefly; ,和是当地最优位置的影响程度的第i个量子萤火虫,局部最优位置,即。,theposition with the highest fluorescein, in the learning neighborhood of the i-th quantum firefly, and the global optimal position of the i-th quantum firefly on quantum rotation angle, respectively; ,在[0,1 /常数D),是突变的概率量子的量子旋转角位置0。i量子萤火虫的位置可以来源于量子测量的位置: 在哪里l= 1,2,…D; 是一个随机数服从均匀分布;在量子位置出现的概率是零吗 。
动态决策域的半径的第i个量子萤火虫可以更新以下表达式: 在哪里是一个不断更新的动态决策域; 是一个常数感知域;最小和最大最小值和最大值函数,分别;参数控制量子萤火虫的数量在学习社区;和是量子萤火虫的数量的学习社区的第i个量子萤火虫。
云调度的生产线,QFA的适应度函数应该减少生产线的生产时间。计算后的最大云调度,生产时间和成本的最小化两个值作为优化目标。然后,当前位置的适应度函数 (我= 1,2,…,h)of the i-th firefly can be expressed as follows: 在哪里是最大的生产时间和成本的云调度由吗 ; 和分别计算和预期的覆盖率(15- - - - - -19]。
基于QFA,云制造的生产时间和成本生产线可以最小化通过以下步骤:
步骤1。建立数学模型,云计算生产线的生产时间和成本,确定关键参数的QFA对应生产时间和成本,初始化量子量子萤火虫的位置,并测量他们的位置。
步骤2。每个量子萤火虫的位置映射到相应的建立模型的参数,这些参数导入到适应度函数,计算出健身在量子萤火虫的位置,并确定局部和全局最优位置根据健康。
步骤3。更新每个量子萤火虫荧光素值和学习社区,根据健身在当地最优位置的量子萤火虫。
步骤4。改变每个量子的量子位置萤火虫的新数据。
第5步。改变每个量子萤火虫的动态决策域半径的新数据。
步骤6。计算每个萤火虫的健身在新位置的适应度函数,并确定局部和全局最优位置根据健身了。
步骤7。如果达到最大迭代次数,执行步骤8;否则,返回步骤3。
步骤8。输出全局最优位置(20.- - - - - -25]。(Flow chart as Figure1)
测试实例和计算结果如表所示1和2,分别。
4所示。实例分析
两个群在我们的例子中初始化。为了方便起见,可以使用每种类型的产品生产周期完成后。最初的成群1和2的组合是在表的每一行1。IFA是我们的算法与传统的萤火虫算法(FA)相比,改进的FA和英足总优化的猫群优化(CSO-FA)。这些智能优化算法的群体大小是固定在50岁(程序中设置)。迭代的最大数量被设置为350(程序中设置),预期的覆盖率为0.7 ((13),是预期的填充率),= 0.001(公式(13) ),动态决策域的更新率0.8(公式(12)更新率的动态决策域),初始荧光素值为5, , , 和的学位是当地最优位置和全局最优位置的影响量子旋转角, 是当地最优位置的11届维度,即。,theposition with the highest fluorescein, in the learning neighborhood of the i-th quantum firefly; ,和的程度的影响当地i量子萤火虫)和最优位置== 0.1 /D。
5。结论
本文主要解决了云机器人调度的细胞系涉及各种小批量的产品,生产的多个周期,根据运输成本。采用QFA云环境中的合理分配资源。此外,量子计算的思想被添加到FA加快搜索,同时保持群的搜索能力。与传统的FA相比,改进的FA和CSO-FA,拟议中的QFA(如数据2和3)达到优秀的优化能力和搜索速度快。最后,我们的算法是通过一个例子展示了分析电子产品制造商的生产指令调度。结果表明,QFA能够有效解决多目标调度的云制造资源(26,27]。
数据可用性
使用的数据来支持本研究的发现可以从相应的作者。
的利益冲突
作者宣称没有利益冲突。
确认
这项工作是支持安阳重点科技项目(anke [2020] 14-48;2021 a01sf007),重点科技项目,安阳理工大学和重点科研项目(YPY2020009),和河南省级教育部门(20 b460002)。