一种面向产品制造的组合优化方法
【技术领域】
[0001] 本发明涉及一种面向产品制造的组合优化方法,属于计算机和制造业交叉应用技 术领域。
【背景技术】
[0002] 在企业进行激烈的市场竞争时,产品成本的多少与企业的生存以及发展密切相 关。降低成本一直是企业努力追求的目标,有效降低我国企业产品成本的关键就是进行制 造成本控制。随着新技术的发展速度超出想象,人们的需求日趋个性化,企业面临的挑战越 来越复杂。近几年来,制造业面临着产品价格不断降低,质量要求不断提高,交货期不断缩 短,品种个性化、多样化要求逐渐增加的情况。因此,市场开始进入一个以个性化定制来满 足消费者需求的年代。
[0003] 对小批量、订单式、离散性生产企业来说,经常会遇到产品定价的问题,因为经常 有客户对产品提出个性化的要求。所以,企业的管理部门必须根据产品的工艺资料,实际成 本,近期原材料的价格、竞争对手的报价,结合收款方式、税率、汇率等影响价格的因素对产 品的直接材料、直接人工、制造费用做出正确的估价,即产品的制造成本。然后根据产品的 估价,对用户要求的个性化产品的制造成本进行评估控制,并且在控制制造成本不超过目 标成本的情况下,需要保证产品的质量最优。
[0004] 在产品制造中,一个产品中零件的选配问题,这是典型的组合优化问题,即产品制 造中的"质量-成本"确定问题。求解该问题不但耗时,而且很难找到最佳产品组合方案,求 解的结果直接影响产品的质量和成本。针对这一问题,现有的方法将各个零件的质量赋予 不同的权重,在制造成本不超过目标成本的情况下,使用智能优化算法对各个零件实现优 化选择。这样在一定程度上对产品组合进行了优化,但仍然存在以下不足:
[0005] 1)在求解过程中采用随机搜索策略,不具有良好的全局搜索能力,导致组合方案 早熟,不能有效应对广品制造面临的品种多样化要求;
[0006] 2)不提供个性化接口或不是基于多目标约束的,所有不能有效解决离散的、多目 标的、个性化的组合优化问题,也就不能有效解决制造业现在面临的困难。
[0007] 制造业面临着产品价格不断降低,质量要求不断提高,品种个性化、多样化等要求 逐渐增加的情况,市场开始进入一个以个性化定制来满足消费者需求的年代。现有的组合 优化方法在求解过程中采用随机搜索策略,不具有良好的全局搜索能力,导致组合方案早 熟,不能有效应对产品制造面临的品种多样化要求;组合优化问题是典型的NP难题问题,时 间复杂度为多项式时间的问题,随着问题规模的扩大,会导致组合爆炸,所以组合优化方法 的效率是需要考虑的关键因素;现有的组合优化方法还存在一个普遍问题,就是不提供个 性化接口或不是基于多目标约束的,所有不能有效解决离散的、多目标的、个性化的组合优 化问题,也就不能有效解决制造业现在面临的困难。而本发明能够很好地解决上面的问题。
【发明内容】
[0008] 本发明目的在于解决了上述现有技术的不足,提出了一种面向产品制造的组合优 化方法,该方法是在面向产品制造环境下,实现"质量-成本"控制的组合优化方法,在控制 制造成本不超过目标成本的前提下,保证产品的质量达到最优,并且进一步提高了个性化 广品的多样性,以及提尚了广品组合的效率。
[0009] 本发明解决其技术问题所采用的技术方案是:一种面向产品制造的组合优化方 法,该方法采用混沌初始化和混沌扰乱,对产品组合方案的初始化和更新做了改进,并采用 具有个性化的适应度函数来评价产品组合方案的优劣,从而寻找最优的个性化产品组合方 案。
[0010] 方法流程:
[0011] 步骤1:基于Logic映射方程在混沌空间[0,1 ]中随机产生m个混沌变量,ki(i = 0, 1,. . .,m_l),其中m表示混沌变量的总数,i表示序列下标,ki表示第i个混沌变量。
[0012] 步骤2:将m个混沌变量通过混沌初始化映射到m种零件上,一个混沌变量对应一个 产品的零件,且一种零件中只选择一个备选部件,这样就得到了一个初始化产品组合方案。
[0013] 步骤3:重复步骤1、步骤2进行η次后,得到η个初始化产品组合方案,其中η表示产 品组合方案的总数。
[0014] 步骤4:根据具有个性化的适应度函数来评价这η个产品组合方案,找到这η产品组 合方案中的最优的产品组合方案,并判断对应的适应度函数值是否达到理论最优。如果是, 则该产品组合方案即为全局最优产品组合方案;否则,执行步骤5。当找到理论的最优产品 组合方案或者迭代次数达到上限,则停止,输出停止时的最优的产品组合方案,即为最终的 全局最优产品组合方案。
[0015] 步骤5:用混沌扰乱更新η个产品组合方案,使得这η个产品组合方案向本身历史最 优产品组合方案和全局最优产品组合方案学习。更新完成后,返回执行步骤4。
[0016] 上述步骤1中Logic映射方程的情况是:Logic映射方程通过混纯迭代可产生具有 遍历性和伪随机性的一组随机序列,其中Logic映射方程公式如式1所示。
[0017] Ζ:αη+ι=μαη(1-αη) 式 1
[0018] 式1中Ζ是混纯变量,μ是控制参数(当μ = 4时,Ζ处于完全混纯状态),αη是混纯变量 的一次取值,当给混沌变量赋初值时,需要满足α〇矣0,1/4,1/2,3/4,1。一个初值通过Logic 迭代,可以产生一个序列Ζ:α〇,αι,...,am,...。这个序列在混沌空间内具有遍历性,每次迭 代会产生不同的值,混沌空间通常为[0,1]。通过不断迭代,实现对混沌空间的遍历搜索。
[0019] 上述步骤2中混沌初始化的情况是:例如混沌变量ki映射到产品的零件上,将混沌 空间[0,1]均分成m个子空间,并依次命名为0空间、1空间、…、m-Ι空间,其中m表示第i个 零件有m个备选部件。判断混沌变量1^属于哪个混沌子空间,假设为第μ个,则表示第i种零 件中的第μ个备选部件被选中,第i种零件初始化完成。m个混沌变量映射完成后,一个产品 组合方案就生成了。
[0020] 上述步骤4中具有个性化的适应度函数的情况是:现实生活中产品组合优化问题 通常都是多约束问题,且约束因人而异。以汽车作为例子,有些人在乎车的性能,有些人重 视车的外观,所以在产品组合优化中利用用户的个性化需求是很有必要的。本发明在适应 度函数中加入了个性化约束,具体描述如下:
[0021] 首先,将产品组合优化问题中的所有约束分类,分为一般约束和个性化约束,其中 具有个性化特点的约束分类为个性化约束(如用户期望产品的价格,用户对产品的喜欢程 度等),其他约束分类为一般约束(如产品的目标成本),哪些分为一般约束或者哪些个性化 约束要看具体产品,详细参考下面实例;其次,考虑到不同的人对各个约束的重视程度可能 不同(例如,有些人比较在乎产品的价格,而有些人注重产品的质量),所以给每个个性化约 束一个权重,用来表示对该个性化约束的重视程度。本发明将个性化约束用来设计适应度 函数,一般约束作为适应度函数的约束条件。为了方便评价产品的优劣程度,将每一个个性 化约束转化为得分模型,即个性化程度越高则分数越高(例如产品的售价等于用户期望产 品的价格,则对于该个性化约束得分为100分,如果低于或高于期望的价格则得分递减),个 性化约束模型的得分取其权重平均分,即为适应度函数的值。
[0022 ]假设某个产品组合优化问题有约束条件A、B、C、和D,其中A、B和C是个性化约束,D 是一般约束,则适应度函数如式2所示:
[0023]
[0024] 其中S(A)是个性化约束A的得分,同理S(B)和S(C)是个性化约束B和个性化约束C 的得分,α、β和γ为各个个性化约束的权重,且α+β+ γ = 1。
[0025] 上述步骤5中混沌扰乱的情况是:即对产品组合方案充分扰乱,其扰乱规则如式3 和式4所示。
[0026]
[0027]
[0028] 仕屮,衣不彐总仪avi,八以二二"^二二^广叮^"史新佰俅苻个父^任则令 vi,j(t+l) = _l,其中t+Ι表示更新后的状态,t表示当前状态,p表示当前最佳状态,8表示全局 最佳状态。
[0029]在式4中,i表示第i个产品组合方案,j表示组合方案中的第j维变量。C (Xi, j (t))是 扰乱函数,其具体步骤分为三步:首先,根据j计算出变量xu(t)对应哪个零件,例如,若j 2 h~\. h 〇并且j<n〇,则表示xu(t)对应第0个零件(从第0个零件开始);或者并且./〈Σ% 1=0 ?=? (h>0),则表示Xi,j(t)对应第h个零件,与第h个零件关联的混沌