智能优化算法背景下的设备布局设计分析

张樊 廖列法

（江西理工大学信息工程学院 江西省赣州市 341000）

我国制造系统的设备布局设计过程中如何可以更加高效准确的计算得到设备布局设计结果是十分重要的，并且智能优化算法的因素是当前增加我国制造业在国际市场上的竞争力的主要因素。而智能优化算法可以帮助设备在不同生产条件、制作人员人数不同、制造产品标准等不同数值进行计算，得到更加合理的设备布局设计，在物流运输成本、产品生产效率和产品生产质量等得到提高[1]。

1 智能优化算法简介

1.1 遗传算法

遗传算法是通过达尔文的进化论和孟德尔的遗传学说作为基础进而发展的一种具有自适应能力和全局性的随机化搜索算法。遗传算法是一种全局寻优搜索的迭代算法，其不依赖梯度信息[2]。遗传算法将优化参数如设备数量、生产场地和温度等数据进行编码如同生物内基因组成的染色体，然后通过模拟自然界的选择和遗传过程，利用选择算子、交叉算子、变异算子来变换染色体携带的信息，经过多次重复的操作产生能够代表优化函数所需的染色体。遗传算法通过模拟自然界“优胜劣汰，适者生存”的规律鼓励好的结构，其只需要利用设备数量、生产场地和温度等数据的取值信息对设备布局设计进行有指导的搜索。遗传算法通过群体完成搜索过程，不同于单点搜索，其适应性强，因此适用于大规模、高度非线性的不连续、多峰函数的设备布局设计及优化，由于具有很多搜索轨迹，因此易于并行化，从而进一步提高算法的效率[3]。如图1 所示。

1.2 人工神经网络

人工神经网络简称神经网络，人工神经网络是通过模拟生物神经网络的组织结构和运行机制的一种工程系统。人工神经网络的工作原理是通过人脑的思维逻辑等情况进行模拟，对已有的样本对人工神经网络进行训练，但是因为人工神经网络中存在诸多的神经元并且整个人工神经网络中需要存储海量的信息，使得人工神经网络可以在面对不确定信息的处理能力。因此，人工神经网络在进行设备布局设计中可以对生产效率等情况都有优异得表现[4]。

1.3 粒子群优化算法

粒子群优化算法是一种在1995年提出一种通过模拟鸟群觅食行为而进行设计开发的一种群体协作的随机搜索算法。粒子群优化算法通过将鸟群捕食过程中可以进行交流帮助，位置和阵型等都可以进行有条不紊的变化，并且鸟在运动过程中可以对飞翔的位置高度进行记录，因此在对设备布局设计过程中可以将影响布局过程中的无关或者冗余的变量进行去除，除此之外还可以对变量进行随机化处理，使其与鸟群捕食时的运动更加相像，为求得设备布局设计的最优解更添助力[5]。

1.4 模拟退火算法

图1：遗传算法

模拟退火算法是在1953年受到物理中固体退火过程中与一般组合优化问题之间的相似性的启发所提出一种算法，并且在1983年进行优化。模拟退火算法在设备布局设计中的基本思想是从设备数量、生产场地和温度等数据的初始解开始，在邻域中随机产生另一个设备布局设计的数值，与此同时可以接受在相应数据中出现误差，并且也可能在设计中可能出现计算得到的设备布局设计解并不是最优解，其设计结果可能效果较差的概率，但是在实际应用中模拟退火算法可能在计算过程中逐渐可以得到设备布局设计的最优设计[6]。

2 设备布局设计相关概念

设备布局设计是指将生产设备和辅助设备根据场地、功能和协作配合等将相关设备管道等进行合理的安排放置，保障企业生产工作可以正确顺利的开展，并且资源相互传递过程中出现的物流成本和时效等都可以做到最小化的设计。而在此过程中最重要的两个因素是设备的位置和场地的面积。设备布局设计是空间组织问题，通过计算将设备进行搭配，完成生产链的循环，减少工业废物的出现，增加产品的利用率，提升生产效率，节约生产成本，使得制造企业的经济利益最大化[7]。

在设备布局设计过程需要和其他相关步骤紧密相连并且相互作用相互影响。设备布局不仅深刻的影响着产品的设计、产品工艺，还对物流成本和生产时效等产生深刻影响。设备布局的合理化设计可以使得生产过程中节约能源的消耗，增加对原料的利用率，使得产品的产能、制作率和产品品质表现更加优秀，并且通过其合理化设计使得物流运输过程中产生的产品运输损耗、物流成本和产品运输时间等减少，帮助我国制造业可以更快的进行生产运作，提升产能，为我国在世界制造业竞争力做出卓越贡献[8]。

设备布局设计常见三种形式。

（1）单行布局是设备布局设计中最简单最基础的布局形式。其中又分为线性布局、U 型布局和半圆形布局三种形式。单行布局多常见于单向流程的设备布局设计中，其优点是因为产品一直向同一个方向运动，所产生的运输费用和运输时间较少，并且产品等控制方便，但是其在加工过程中零件加工的顺序却不是单向的，会严重影响生产效率[9]。

（2）多行布局是在给定的空间范围内对生产设备进行合理的布置和设计，在多行布局中存在两个维度及以上的变量，需要满足生产场地的限制，并且生产设备不能相互重叠等条件，因此在实际进行设备布局设计中需要建立的数学模型较为复杂，需要考虑设备相互配合作用、物流协助、工作内容搭配、工人调休等因素，所建立的数据模型及求解过程也相对繁琐。其具有设备利用效率高，成本少，占地空间小，生产效率高，物流成本较低等优点。多行布局问题是在实际应用中被广泛使用的设备布局设计之一。

（3）双行布局是指所有的工作单元沿着中间的通道进行布置，并且物流环节也是通过其中间的通道进行完成。在双行布局中存在两个维度的变量，并且在进行设备布局设计中同样需要考虑场地的长度和宽度，设计设备的步骤及循环。在双行布局中影响因素较为明显，可以考虑全面，数学模型也相对简单，并且在求解过程中也通常较为简单。

3 基于智能优化算法的设备布局设计

3.1 自适应遗传算法在设备布局设计中的应用

在设备布局设计的多行布局问题中，所建立的设备布局设计数学模型可以考虑诸多因素，例如物流成本、时间等进行多方面的优化，而在此过程中使用的自适应遗传算法可以帮助交叉概率和变异概率随着相应数值的变化而做出相应的自适应变化，防止在设计设备布局设计过程中陷入局部最优的情况，并且在实际应用过程中使用精英保留策略，将计算过程中所产生的最优解可以进行记录，避免错过在计算过程中出现了最优解。通过计算的性能可以表明，在实际计算设备布局设计的时间上收敛速度更快，并且在物流成本及时间等表现更佳，在实际设备布局设计的过程中的有效的解决问题，并且在设计在实际实施的过程中具有较好的可行性。

自适应遗传算法在进行设备布局设计过程中为了避免占用过大的存储空间，增加计算过程的时间而影响计算效率，因此在实际应用的过程中多选用实数编码。将设备布局中所需要用到的装置和其中需要进行的间距进行编码，与此同时采用自动换行的策略，将在相同行数的装置长度在大于空间长度时自动将装置放到下一行中。除此之外，在进行自适应遗传算法中计算适应度时需要加入相应的函数进行帮助自适应的实现，协助在计算设备布局设计过程中的劣种解进行去除。然后，将编码的相应数据作为初始种群放入数学模型中进行计算，得到相应的设备布局设计优秀解进行精英保留，提升了在计算过程中的自适应遗传算法效率，更快的得到最优解。实际应用过程中通过MATLAB 进行模拟，将自适应遗传算法与传统的遗传算法进行比较，可以发现自适应遗传算法的优化能力比遗传算法更强，并且具有更好的收敛速度，在成本的节约与时效的提高上都表现优异。

3.2 遗传退火算法在设备布局设计中的应用

在设备布局设计的问题是属于NP 难问题，并且在实际计算求解的过程中所得到的最优解的时间花费较长，因此遗传退火算法在其中可以进行应用，保障在设备布局的物流成本、时间、生产效率等情况进行优化，通过以物流成本最低为优化目标，将遗传算法和退火算法相结合，更快的提升收敛速度并且减少陷入局部最优解的困局中，通过设备布局设计的最优化保障制造业企业在实际中生产效率。

在建立模型的过程中，将物流成本作为优化目标进行设计，并且以生产场地的数据、生产设备的相关数据，并且在相应的生产过程中根据要求进行数据约束来建立数据优化模型，例如装置的数量、可放置装置的位置数量、运输原料及产品过程中所需要的成本等设计为矩阵等进行优化。在实验过程中结合了遗传退火算法的特点，将相关参数进行设计过程中尤为重要的是确定冷却进度参数，其需要满足目标为将所有设备进行加工过程中所需要的循环最少，并且在初始数据的设计中需要对其进行随机设计，与此同时在得到解之后需要对其进行判断，如果不是禁忌对象其可以进行下一步的判断，在满足条件之后则循环终止。最后对其进行降温，满足条件之后退出算法。在实际实验过程中通过MATLAB 进行编译进行遗传退火算法在设备布局设计中仿真实验，通过实验结果可以发现，在设备布局设计中实验数据规模较大的时候，收敛所需要的次数变少，但是在实际进行计算的时间增加，并且可以发现在成本等数值上更佳。

4 结语

随着我国科技和制造工业的不断大跨步迈进，我国对制造系统所提的要求和施加的压力都比较之前更加严重，而在科技上的发展使得我国智能优化算法在此过程中可以帮助制造系统的设备布局计算过程可以更快更准确的得到结果。因此，本文详细的研究了在设备布局设计中应用智能优化算法中的所能起到的作用及其优势。首先，本文介绍了遗传算法、人工神经网络、粒子群优化算法和模拟退火算法等智能优化算法，帮助对其来源及工作原理等进行深度理解。然后，本文通过自适应遗传算法和遗传退火算法在设备布局设计中的应用为例，进行详细的介绍和性能相互比较，表明智能优化算法在设备布局设计中解决问题的优势。本文通过对智能优化算法在设备布局设计中的详细分析，为后续相关研究和应用奠定坚实的基础。