m基于GA遗传优化的生产工艺设备布置优化matlab仿真

2023-10-30 02:20

本文主要是介绍m基于GA遗传优化的生产工艺设备布置优化matlab仿真,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

目录

1.算法概述

2.仿真效果预览

3.核心MATLAB程序

4.完整MATLAB程序


1.算法概述

       在设备布置的问题上,本文将作业车间设备布置这个多目标优化问题看成是包含布局面积,物流成本和生产工艺的连续优化的多行设备布置问题,使之更具有实际意义,在标准遗传算法的基础上,通过在染色体编码,约束处理,选择算子和变异算子设计,适应值计算等方面进行优化改进,提出一种多目标作业车间设备布局优化算法,以此金矿浮选厂为实例基础,通过Matlab仿真实验验证该方法的有效性,最后为低品位金矿浮选厂推荐出合理,实用的生产工艺流程及设备布置方案,论文研究的工作主要分以下几部分进行:

(1) 工艺研究:对金矿浮选工艺进行研究,产品,产量,产品加工的工艺路线,工序工时定额等基本因素是影响工厂生产组织方式和布局的主要因素,确定生产组织方式,制定与生产组织方式相适应的产品工艺路线,应用成组技术划分作业单元,确定工序工时,计算工厂设备需求数量,对影响工厂布局的主要因素进行了详细的分析与设计。

 (2) 设备选型:对浮选厂使用的各种机械设备有充分的了解,了解各机械设备的型号及产量等,以期通过合理进行设备的选择和布置提高工作效率。浮选工艺由颚式破碎机、球磨机、分级机、磁选机、浮选机、浓缩机和烘干机等主要设备,配合给矿机、提升机、传送机可组成完整的选矿生产线。为达到具有高效、低能、处理量高、经济合理等优点的目标。并结合设备布置的相关理论,对选金工艺流程进行优化。

 (3) 设备布置:针对案例车间的实际情况,将布局问题可视为连续优化的多行设备布局问题。根据以往车间布局问题相关文献所提供的方式,同时考虑本课题的研究对象,建立基于改进遗传算法的设备布置数学模型,并运用Matlab软件对其进行求解,通过分析仿真结果的分析,来对规划方案进行评估,找到一些尚不完善的地方,达到优化方案的目的。

1.目标函数的设计:

        首先,我们这里目标函数的设计如下所示:

     

        这里,对第一个目标函数需要修改,结合上次和你说的几个点,成本除了和距离,评论,单位成本之外,还和每个设备之间的流量有关系,这里C为单位时间单位物体的物流成本,所以上面的公式需要修改为:  

    

目标函数总物流成本; 

目标函数的布局面积; 

布局在同一行的ij设备之间的最小横向跨度;

       然后,还需要加入一个约束条件,即每个设备之间的最小间隔,因为,设备之间不能无限制的接近,否则就没有意义了,直接挨一起就可以了,这样就没有实际意义了。实际中每个设备之间有其合理的有效工作区域。   

2.仿真效果预览

matlab2022a仿真结果如下:

3.核心MATLAB程序

clc;
clear;
close all;
warning off;
addpath 'func\'
addpath 'GA_toolbox\'RandStream.setDefaultStream(RandStream('mt19937ar','seed',1));
%参数设置
%设备长度
Li  = [8; 8;24; 8; 8;10; 8;12;12; 8; 8; 8]/2;
%设备宽度
Wi  = [8; 8;24; 8; 8;10; 8;12;12; 8; 8; 8]/4;% 单位物流成本
c=[0,3,0,0,0,0,0,0,0,0,0,0;0,0,3,0,0,0,0,0,0,0,0,0;0,0,0,2,0,0,0,0,0,0,0,0;0,0,2,0,1,0,0,0,0,0,0,0;0,0,0,0,0,3,0,0,0,0,0,0;0,0,0,0,2,0,2,0,0,0,0,0;0,0,0,0,0,0,0,3,0,0,0,0;0,0,0,0,0,0,0,0,3,0,0,0;0,0,0,0,0,0,0,0,0,1,0,0;0,0,0,0,0,0,0,0,0,0,1,0;0,0,0,0,0,0,0,0,0,0,0,1;0,0,0,0,0,0,0,0,0,0,0,0];% 物料搬运的频率
f=[0,2,0,0,0,0,0,0,0,0,0,0;0,0,2,0,0,0,0,0,0,0,0,0;0,0,0,3,0,0,0,0,0,0,0,0;0,0,3,0,2,0,0,0,0,0,0,0;0,0,0,0,0,2,0,0,0,0,0,0;0,0,0,0,3,0,1,0,0,0,0,0;0,0,0,0,0,0,0,4,0,0,0,0;0,0,0,0,0,0,0,0,3,0,0,0;0,0,0,0,0,0,0,0,0,1,0,0;0,0,0,0,0,0,0,0,0,0,1,0;0,0,0,0,0,0,0,0,0,0,0,1;0,0,0,0,0,0,0,0,0,0,0,0];% 流量
Q=[0,3,0,0,0,0,0,0,0,0,0,0;0,0,3,0,0,0,0,0,0,0,0,0;0,0,0,3,0,0,0,0,0,0,0,0;0,0,2,0,3,0,0,0,0,0,0,0;0,0,0,0,0,3,0,0,0,0,0,0;0,0,0,0,2,0,3,0,0,0,0,0;0,0,0,0,0,0,0,1,0,0,0,0;0,0,0,0,0,0,0,0,1,0,0,0;0,0,0,0,0,0,0,0,0,1,0,0;0,0,0,0,0,0,0,0,0,0,1,0;0,0,0,0,0,0,0,0,0,0,0,1;0,0,0,0,0,0,0,0,0,0,0,0];%设备之间的最小间隔
JGX=[0,10,10,10,10,10,10,10,10,10,10,10;10, 0,10,10,10,10,10,10,10,10,10,10;10,10,0, 10,10,10,10,10,10,10,10,10;10,10,10, 0,10,10,10,10,10,10,10,10;10,10,10,10, 0,10,10,10,10,10,10,10;10,10,10,10,10,0 ,10,10,10,10,10,10;10,10,10,10,10,10, 0,10,10,10,10,10;10,10,10,10,10,10,10, 0,10,10,10,10;10,10,10,10,10,10,10,10, 0,10,10,10;10,10,10,10,10,10,10,10,10, 0,10,10;10,10,10,10,10,10,10,10,10,10, 0,10;10,10,10,10,10,10,10,10,10,10,10, 0;]/5;JGY=[0,10,10,10,10,10,10,10,10,10,10,10;10, 0,10,10,10,10,10,10,10,10,10,10;10,10,0, 10,10,10,10,10,10,10,10,10;10,10,10, 0,10,10,10,10,10,10,10,10;10,10,10,10, 0,10,10,10,10,10,10,10;10,10,10,10,10,0 ,10,10,10,10,10,10;10,10,10,10,10,10, 0,10,10,10,10,10;10,10,10,10,10,10,10, 0,10,10,10,10;10,10,10,10,10,10,10,10, 0,10,10,10;10,10,10,10,10,10,10,10,10, 0,10,10;10,10,10,10,10,10,10,10,10,10, 0,10;10,10,10,10,10,10,10,10,10,10,10, 0;]/5;%设备之间的间距
%d,变量d为优化后的值,通过优化后,获得各个设备的坐标位置,从而计算各个设备之间的距离,从得到C;
%同时,需要使得区域面积S最小%矩形区域的长度,x轴
Len      = 100;  
%矩形区域的宽度,y轴
Wid      = 100;  
%各设备的最小水平间距
mindx    = 5;
%各设备的最小垂直间距
mindy    = 5;
%各设备到区域边界的最小距离
minds    = 5;%遗传算法参数
%面积或者成本权值
alpha    = 0.5;
%种群规模
pop_size = 200;
%迭代次数
max_gen  = 400;
%变异概率
Pm       = 0.2;
n        = size(c,1);
%产生各个设备的区域限制范围
[Low_limit,Up_limit] = func_limit(Li,Len,Wi,Wid,minds,n);%遗传算法优化
[BextXY,BextFit,ALLXY,ALLFit]=func_GA(   max_gen,...pop_size,...Pm,...Low_limit,...Up_limit,...Len,...Wid,...Li,...Wi,...c,...f,...Q,...JGX,...JGY,...mindx,...mindy,...alpha);X=BextXY{max_gen};disp('遗传算法输出的最优结果为');
Xp = X(1:2:end)'
Yp = X(2:2:end)'
figure(4);
for i = 1:nfunc_positon(Xp(i),Yp(i),Li(i),Wi(i));hold on;
end02_014m

4.完整MATLAB程序

matlab源码说明_我爱C编程的博客-CSDN博客

V

这篇关于m基于GA遗传优化的生产工艺设备布置优化matlab仿真的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/304961

相关文章

SpringBoot3实现Gzip压缩优化的技术指南

《SpringBoot3实现Gzip压缩优化的技术指南》随着Web应用的用户量和数据量增加,网络带宽和页面加载速度逐渐成为瓶颈,为了减少数据传输量,提高用户体验,我们可以使用Gzip压缩HTTP响应,... 目录1、简述2、配置2.1 添加依赖2.2 配置 Gzip 压缩3、服务端应用4、前端应用4.1 N

Spring Boot + MyBatis Plus 高效开发实战从入门到进阶优化(推荐)

《SpringBoot+MyBatisPlus高效开发实战从入门到进阶优化(推荐)》本文将详细介绍SpringBoot+MyBatisPlus的完整开发流程,并深入剖析分页查询、批量操作、动... 目录Spring Boot + MyBATis Plus 高效开发实战:从入门到进阶优化1. MyBatis

MyBatis 动态 SQL 优化之标签的实战与技巧(常见用法)

《MyBatis动态SQL优化之标签的实战与技巧(常见用法)》本文通过详细的示例和实际应用场景,介绍了如何有效利用这些标签来优化MyBatis配置,提升开发效率,确保SQL的高效执行和安全性,感... 目录动态SQL详解一、动态SQL的核心概念1.1 什么是动态SQL?1.2 动态SQL的优点1.3 动态S

Python如何使用__slots__实现节省内存和性能优化

《Python如何使用__slots__实现节省内存和性能优化》你有想过,一个小小的__slots__能让你的Python类内存消耗直接减半吗,没错,今天咱们要聊的就是这个让人眼前一亮的技巧,感兴趣的... 目录背景:内存吃得满满的类__slots__:你的内存管理小助手举个大概的例子:看看效果如何?1.

一文详解SpringBoot响应压缩功能的配置与优化

《一文详解SpringBoot响应压缩功能的配置与优化》SpringBoot的响应压缩功能基于智能协商机制,需同时满足很多条件,本文主要为大家详细介绍了SpringBoot响应压缩功能的配置与优化,需... 目录一、核心工作机制1.1 自动协商触发条件1.2 压缩处理流程二、配置方案详解2.1 基础YAML

MySQL中慢SQL优化的不同方式介绍

《MySQL中慢SQL优化的不同方式介绍》慢SQL的优化,主要从两个方面考虑,SQL语句本身的优化,以及数据库设计的优化,下面小编就来给大家介绍一下有哪些方式可以优化慢SQL吧... 目录避免不必要的列分页优化索引优化JOIN 的优化排序优化UNION 优化慢 SQL 的优化,主要从两个方面考虑,SQL 语

MySQL中慢SQL优化方法的完整指南

《MySQL中慢SQL优化方法的完整指南》当数据库响应时间超过500ms时,系统将面临三大灾难链式反应,所以本文将为大家介绍一下MySQL中慢SQL优化的常用方法,有需要的小伙伴可以了解下... 目录一、慢SQL的致命影响二、精准定位问题SQL1. 启用慢查询日志2. 诊断黄金三件套三、六大核心优化方案方案

Redis中高并发读写性能的深度解析与优化

《Redis中高并发读写性能的深度解析与优化》Redis作为一款高性能的内存数据库,广泛应用于缓存、消息队列、实时统计等场景,本文将深入探讨Redis的读写并发能力,感兴趣的小伙伴可以了解下... 目录引言一、Redis 并发能力概述1.1 Redis 的读写性能1.2 影响 Redis 并发能力的因素二、

使用国内镜像源优化pip install下载的方法步骤

《使用国内镜像源优化pipinstall下载的方法步骤》在Python开发中,pip是一个不可或缺的工具,用于安装和管理Python包,然而,由于默认的PyPI服务器位于国外,国内用户在安装依赖时可... 目录引言1. 为什么需要国内镜像源?2. 常用的国内镜像源3. 临时使用国内镜像源4. 永久配置国内镜

C#原型模式之如何通过克隆对象来优化创建过程

《C#原型模式之如何通过克隆对象来优化创建过程》原型模式是一种创建型设计模式,通过克隆现有对象来创建新对象,避免重复的创建成本和复杂的初始化过程,它适用于对象创建过程复杂、需要大量相似对象或避免重复初... 目录什么是原型模式?原型模式的工作原理C#中如何实现原型模式?1. 定义原型接口2. 实现原型接口3