桶紗配重過程的計算機(jī)軟件模擬

桶紗配重過程的計算機(jī)軟件模擬,配重,過程,進(jìn)程,計算機(jī)軟件,模擬,摹擬 桶紗配重過程的計算機(jī)軟件模擬1 背景介紹近幾十年來，隨著我國綜合國力和科技水平的不斷提升，紡織行業(yè)與國外先進(jìn)水平的差距日漸縮小，但也存在不少問題。例如勞動力較為密集，自動化程度不高，生產(chǎn)效率相對較低等。因此，提高企業(yè)生產(chǎn)自動化和管理水平，改進(jìn)產(chǎn)品質(zhì)量和生產(chǎn)效率將成為整個紡織企業(yè)的發(fā)展趨勢。隨著市場的多元化和用工成本的不斷上漲，紡織行業(yè)也需要轉(zhuǎn)型升級。除了紡織機(jī)械的主要設(shè)備外，紡織生產(chǎn)和流通的不同環(huán)節(jié)也逐步采用智能化裝置來代替人工。目前網(wǎng)絡(luò)交流以及網(wǎng)上購物的發(fā)展與流行，紡織企業(yè)為了在競爭日益激烈市場中吸引潛在的客戶，利用互聯(lián)網(wǎng)平臺來實現(xiàn)產(chǎn)品的推廣，網(wǎng)上銷售紡紗的店鋪越來越多?；ヂ?lián)網(wǎng)電子商務(wù)的迅速發(fā)展，也就出現(xiàn)了一些個性化的客戶市場，企業(yè)要根據(jù)客戶的需求生產(chǎn)桶紗并裝箱。但是每箱桶紗的重量都不是一定的，選擇哪幾箱桶紗進(jìn)行裝箱，如何才能讓客戶和商販都滿意，就需要計算機(jī)程序的幫助了。2 研究現(xiàn)狀我國是紡織大國，2015 年紡紗產(chǎn)量高達(dá)四千多萬噸，紡紗生產(chǎn)的最后環(huán)節(jié)是將生產(chǎn)好的桶紗進(jìn)行裝箱，裝箱前需要對裝箱的桶紗重量進(jìn)行測量。目前紡織行業(yè)的自動化技術(shù)水平仍然比較低，一方面由于用工成本不斷上漲，紡織行業(yè)也需要進(jìn)行轉(zhuǎn)型升級，通過智能化裝備來節(jié)省勞動力成本，提高生產(chǎn)效率已經(jīng)成為紡織企業(yè)的必由之路。另一方面，互聯(lián)網(wǎng)電子商務(wù)發(fā)展迅速，為了在激烈競爭的市場中增加企業(yè)的客戶，利用互聯(lián)網(wǎng)平臺來實現(xiàn)產(chǎn)品的推廣和銷售紡紗已經(jīng)越來越普遍，這種小批量個性化的需求，每箱桶紗的重量往往是不同的。采用計算機(jī)軟件對桶紗裝箱過程進(jìn)行優(yōu)化，不僅可以減輕裝箱人員的工作量，還可優(yōu)化裝箱質(zhì)量，降低裝箱成本，使裝箱過程快速高效，這些情況使得1用計算機(jī)輔助桶紗裝箱更有必要。3 課題研究的內(nèi)容本課題針對中國紡紗企業(yè)多，產(chǎn)量巨大，生產(chǎn)智能化程度需要進(jìn)一步提升的現(xiàn)狀，以紡紗生產(chǎn)的最后環(huán)節(jié)的桶紗裝箱為研究對象，解決人工裝紗工作量太大并且誤差也很大的問題。通過采用計算機(jī)來管理桶紗裝紗，在裝箱前對桶紗的重量進(jìn)行測量和控制，收集桶紗信息，采用遺傳算法，利用 Matlab 軟件編寫程序來實現(xiàn)桶紗裝紗過程的優(yōu)化。4 課題研究的意義根據(jù)博思數(shù)據(jù)發(fā)布的《2016-2022 年中國紗線產(chǎn)業(yè)調(diào)研現(xiàn)狀及投資咨詢戰(zhàn)略研究報告》 ，我國在 2015 年的紡紗市場生產(chǎn)的紗量將高達(dá) 4047.5 萬噸，同比2014 年增長 4.7%。因此采用計算機(jī)軟件對桶紗裝箱過程進(jìn)行優(yōu)化是十分重要的，這不僅可以減輕裝箱人員的工作量，還可以優(yōu)化選擇的過程，降低裝箱的成本，使裝箱過程高效、快速。5 技術(shù)路線運(yùn)用軟件開發(fā)工具，使用兩種不同的方法（智能算法或窮舉方法）實現(xiàn)桶紗配重的自動計算，軟件可以設(shè)定配重范圍和裝箱的桶紗數(shù)量（10-50 個） ，為自動配重提供支持。最后以計算機(jī)動畫的方式演示配重的計算結(jié)果。1. 收集資料。包括：（1）開發(fā)軟件的相關(guān)資料。了解所用軟件工具的主要功能、運(yùn)行環(huán)境等；（2）收集智能算法、配種知識等信息，為軟件開發(fā)提供基礎(chǔ)。2．采用 matlab 為開發(fā)平臺，實現(xiàn)配重的自動計算軟件和結(jié)果的動畫顯示軟件的開發(fā)。26 關(guān)鍵技術(shù)介紹遺傳算法是基于自然界生物進(jìn)化基本法則而發(fā)展起來的一類新算法。1962年霍蘭德(Holland)首次提出了 GA 算法的思想，它借用了仿真生物遺傳學(xué)和自然選擇機(jī)理，通過自然選擇、遺傳、變異等作用機(jī)制，實現(xiàn)各個個體的適應(yīng)性的提高。1975 年 Holland 出版專著《自然系統(tǒng)和人工系統(tǒng)的自適應(yīng)》 ，系統(tǒng)論述遺傳算法，有人把 1975 年作為遺傳算法的誕生年。6.1 遺傳算法的基本原理遺傳算法是一種優(yōu)化種群規(guī)模，使其走向某一優(yōu)勢的過程。遺傳算法運(yùn)用的原理跟達(dá)爾文在進(jìn)化論中提到的適者生存、優(yōu)勝劣汰的原理是一樣的。遺傳算法就是模擬生物遺傳、變異、繁衍、基因優(yōu)化的過程。通過某種需求確定所需的種群要求，然后進(jìn)行遺傳優(yōu)化，使得遺傳下來的基因中符合要求的基因越來越多，最終一步步達(dá)到所需的要求。它比枚舉法運(yùn)算更快速，是一種全局優(yōu)化方法。6.2 遺傳算法的特點(diǎn)（1） 簡捷、試用范圍廣，適應(yīng)性強(qiáng)，應(yīng)用領(lǐng)域廣。（2） 是一種群體優(yōu)化過程，可以同時處理大量數(shù)據(jù)； （3） 不是枚舉法，是一種優(yōu)化過程；（4） 適應(yīng)度函數(shù)受到的約束條件少，因此在很多領(lǐng)域都可以使用。（5） 為了達(dá)到所需要某種要求，對種群不斷地進(jìn)行篩選、優(yōu)化，在一定的迭代次數(shù)內(nèi)選出最優(yōu)解，運(yùn)算量小。6.3 遺傳算法的組成6.3.1 編碼遺傳算法將所要研究的對象（桶紗）看成是生物遺傳進(jìn)化過程中的染色體，然后將染色體作為初始種群進(jìn)行優(yōu)化。由于染色體上存在基因，因此種群優(yōu)化3的過程實際上就是染色體上的基因變異的過程。遺傳算法根據(jù)研究者的需要，用一定的方法將研究對象也就是染色體分成若干個部分，每個部分就叫做一個種群。每個種群中擁有的染色體的數(shù)量稱為種群規(guī)模。 6.3.2 適應(yīng)度函數(shù)在遺傳算法中，適應(yīng)度函數(shù)值是用來評價優(yōu)化結(jié)果符合要求的程度大小，適應(yīng)度函數(shù)值越大說明優(yōu)化效果越好，種群的質(zhì)量越高。適應(yīng)度函數(shù)值越小，說明優(yōu)化效果越差，種群的質(zhì)量越低。不同的研究對象所確定的適應(yīng)度值也是不一樣的。不同問題不同討論（適應(yīng)度值=1/重量偏離合格區(qū)間的距離） 。 6.3.3 遺傳算子 （1） 選擇算子選擇算子是選擇優(yōu)勢個體的過程，通過對所研究的種群進(jìn)行優(yōu)勝劣汰的選擇，使得符合要求的個體有更多的機(jī)會生存下來，并且把他們的基因遺傳給下一代。而不符合要求的個體雖然也有機(jī)會生存下來，但是經(jīng)過很多次的迭代必然所占比例逐漸減少，最終慢慢會走向消亡。（2） 交叉算子我們所說的交叉算子，實際上是根據(jù)生物遺傳過程中相互配對的兩個染色體可能由于某種原因交換它們的一部分基因從而產(chǎn)生新的個體的原理，依據(jù)一定的變異概率 Pc 通過改變研究對象的部分基因以便產(chǎn)生新的個體，正是由于交叉算子使得遺傳算法同其他算法區(qū)別開來。遺傳算法產(chǎn)生新個體的主要方式是通過交叉算子實現(xiàn)的。 （3） 變異算子通常所說的變異運(yùn)算是指依據(jù)生物染色體在遺傳的過程中有一定的概率 Pm將自身的一部分基因轉(zhuǎn)換為其他的基因，進(jìn)而產(chǎn)生新的種群。變異算子是遺傳算法產(chǎn)生新個體的輔助方法。交叉算子和變異算子的互相交流與融合，共同完成了遺傳算法的種群更新，使得產(chǎn)生符合要求的種群的數(shù)量的概率大大提升。46.3.4 運(yùn)行參數(shù) （1） M:所研究的種群的規(guī)模（2） T:遺傳算法終止的迭代次數(shù)（3） Pc：染色體交叉概率（4） Pm：染色體變異概率6.4 遺傳算法的選擇機(jī)制遺傳算法的基本原理是模仿了大自然中生物在生存繁衍過程中基因的變異現(xiàn)象，利用遺傳算子（選擇算子、交叉算子、變異算子）來改變所研究種群的基因，以便在每次的迭代過程中不斷優(yōu)化種群，選擇更符合要求的個體生存下來并將它們的基因遺傳給下一代。直到種群滿足所要達(dá)到的要求。達(dá)到這種要求的種群往往比其他種群更具有某一方面的優(yōu)勢。6.5 遺傳算法的流程遺傳算法基本原理框圖如圖 2.1 所示。5圖 2-1 遺傳算法基本原理框圖遺傳算法的基本流程是：(1) 初始化群體；(2) 計算群體上每個個體的適應(yīng)度值；(3) 按由個體適應(yīng)度值所決定的某個規(guī)則選擇將進(jìn)入下一代的個體；(4) 按概率進(jìn)行交叉操作；(5) 按概率進(jìn)行突變操作；(6) 沒有滿足某種停止條件，則轉(zhuǎn)第(2)步，否則進(jìn)入第(7)步；(7) 輸出種群中適應(yīng)度值最優(yōu)者作為最優(yōu)解。遺傳算法通過不斷的遺傳并且積累下來，使所得到的后代種群越來越接近所需要的最優(yōu)解。6.6 遺傳算法的收斂性分析要進(jìn)行遺傳算法的收斂性分析，必須要保證初始的種群經(jīng)過一定次數(shù)的迭6代循環(huán)都能達(dá)到所需要的最優(yōu)解。并且必須要保證最優(yōu)解包含的基因在遺傳的過程不會丟失。與算法收斂性有關(guān)的因素主要包括種群規(guī)模、選擇操作、交叉概率和變異概率。 6.6.1 種群規(guī)模對收斂性的影響 一般地，種群規(guī)模太小可能會導(dǎo)致遺傳算法經(jīng)過有限次的迭代進(jìn)化不出符合要求的種群，使得算法的優(yōu)勢無法體現(xiàn)出來。而種群的規(guī)模和數(shù)目如果太大，會使得運(yùn)算量十分巨大，加重勞動量降低效率，因此在實際應(yīng)用的時候要注意選擇合適的種群規(guī)模。6.6.2 選擇操作對收斂性的影響選擇操作通過選擇能達(dá)到所需要求的個體，讓他們的基因一代代地遺傳下來，不進(jìn)行任何的變異或者交叉。這樣就會使得每一代種群中含有該基因的個體越來越多，該基因所占的百分比也越來越大，使得遺傳算法以無限接近于 1的概率得到所需的最優(yōu)解。6.6.3 交叉概率對收斂性的影響交叉概率主要是通過交換相互配對的染色體之間的部分基因產(chǎn)生新的個體。如果交叉的概率很大，那么產(chǎn)生新個體的速度就會太快，基因也更新很快，使得前代父本保留下來的優(yōu)良基因被淡化、降低了他們遺傳下去的概率。而交叉概率太小，基因更新的頻率就會太慢，可能父本中一直選不出好的基因來進(jìn)行遺傳。因此合理的選擇交叉概率是保障遺傳算法正常進(jìn)行、縮短迭代時間的必要條件。6.6.4 變異概率對收斂性的影響變異操作可以豐富種群的多樣性。變異概率如果太小，則種群的多樣性會一直得不到提高，而變異概率太大則會使種群的個體太多樣性，使得遺傳算法的迭代次數(shù)無限增大，使得遺傳算法的操作顯得十分的復(fù)雜。因此要選擇合適7的變異頻率限制新模式產(chǎn)生的頻率，使得遺傳算法能夠更快的優(yōu)化。 6.7 遺傳算法的本質(zhì)遺傳算法的本質(zhì)就是利用生物界染色體的基因在遺傳過程中產(chǎn)生的交叉、變異的現(xiàn)象，通過改變所研究對象的基因從而產(chǎn)生新的個體，再從這些個體中選擇符合要求的個體將他們的基因遺傳下來，從而使包含這些優(yōu)良基因的個體在種群中所占的比例逐漸增加，使問題逐漸地得到解決。 6.8 遺傳算法的發(fā)展遺傳欺騙問題：在遺傳算法進(jìn)行迭代優(yōu)化的過程中，有時候可能會由于某個個體的十分突出，導(dǎo)致了其競爭力遠(yuǎn)遠(yuǎn)的超過了包含所需求基因的個體。從而使得遺傳算法沒能選擇出優(yōu)良基因而是選擇了錯誤的個體的基因。因此這時候就需要對遺傳算法進(jìn)行改進(jìn)以彌補(bǔ)這個不足。6.8.1 編碼方式二進(jìn)制編碼的優(yōu)點(diǎn)是只有 0 和 1 兩個數(shù)字，編寫起來方便。缺點(diǎn)是如果種群的規(guī)模太大，則二進(jìn)制編碼就會太長，顯得十分冗長。也會無形中加大遺傳算法的計算量。6.8.2 遺傳算子6.8.2.1 排序選擇 (1)按照種群的適應(yīng)度函數(shù)值由高（低）到低（高）對種群里面的個體進(jìn)行降（升）序排序；(2) 根據(jù)具體的實際要解決的問題，確定種群中每個個體基因遺傳下來的概率。(3) 基于確定好的概率，產(chǎn)生新的種群。 86.8.2.2 均勻交叉 (1) 隨機(jī)產(chǎn)生一個與種群個體染色體所含基因長度相同的二進(jìn)制編碼A=W1W2.Wn(2)按照如下規(guī)則從父代種群中產(chǎn)生新的種群，如果 Wi=0 則將父代染色體的基因一一對應(yīng)的遺傳給子代；如果 Wi=1，就將父代的染色體進(jìn)行交叉然后在分別傳給對應(yīng)的子代。 6.8.2.3 逆序變異變異前：2 |5 9 | 4 3 7 |9 7 |9變異前：3 |5 9 | 3 4 5 |6 7 |96.8.3 控制參數(shù)Schaffer 建議的最優(yōu)參數(shù)范圍是： M = 20-100， T = 100-500， Pc = 0.4-0.9，Pm = 0.001-0.01。Srinvivas 和它的同事提出了一種叫做自適應(yīng)的遺傳算法，這種遺傳算法的特點(diǎn)是它的交叉概率 Pc 和變異概率 Pm 會隨著適應(yīng)度函數(shù)值的變化而變化，這種遺傳算法當(dāng)種群無限趨于最優(yōu)解的時候就會增大交叉概率 Pc 和變異概率Pm，以增大種群的豐富性以便繼續(xù)優(yōu)化。當(dāng)種群的優(yōu)化迭代次數(shù)比較少的時候就降低交叉概率 Pc 和變異概率 Pm，以便先使種群中原有的符合要求的個體優(yōu)先遺傳進(jìn)而完成優(yōu)化過程。6.8.4 執(zhí)行策略(1)混合遺傳算法9(2)免疫遺傳算法(3)小生境遺傳算法(4)單親遺傳算法(5)并行遺傳算法7、要解決的技術(shù)問題7.1 桶紗裝箱過程相關(guān)信息的收集。7.2 遺傳算法與窮舉方法的對比分析。7.3 如何用 Matlab 制作動畫。7.4 選取過程要一直持續(xù)下去直到手動停止。108、日程安排序號 各階段名稱 起止日期1 調(diào)研、收集資料 2015 年 12 月 15 日 ~ 2015年 12 月 22 日2 學(xué)習(xí)資料、選擇開發(fā)工具、設(shè)計軟件 功能 2015 年 12 月 23 日 ~ 2016年 1 月 25 日3 編制配重的計算程序 2016 年 2 月 20 日 ~ 2016 年3 月 22 日4 編制計算機(jī)的動畫演示程序 2016 年 3 月 23 日 ~ 2016 年4 月 24 日5 撰寫畢業(yè)論文 2016 年 4 月 25 日 ~ 2016 年5 月 1 日6 準(zhǔn)備答辯文件 2016 年 5 月 2 日 ~ 2016 年5 月 10 日9 參考文獻(xiàn)[1] 《物流配送區(qū)域劃分模型及優(yōu)化計算研究》 《重慶交通大學(xué)碩士論文》 2009[2] 《基于庫存策略的生產(chǎn)計劃問題的研究》 吉林 2008 43-50[3] 《遺傳算法和模擬退火算法求解 TSP 的性能分析》 《計算機(jī)技術(shù)與發(fā)展》 2009 年 11 期 97-100[4] 2006-5-18 唐慧豐-遺傳算法原理與應(yīng)用-百度文庫 2012[5] 《基于 Petri 網(wǎng)和改進(jìn)遺傳算法的 AS/RS 調(diào)度系統(tǒng)的研究》 河北 2009 301-306[6] 《MIMO 檢測算法研究與實現(xiàn)》 西安 2010 119-123[7] 《遺傳算法的改進(jìn)與算法收斂性分析》 《機(jī)械研究與應(yīng)用》 2008 年 4 期 90-9211[8] 《MIMO 檢測算法研究與實現(xiàn)》 西安 2010 156-158[9] 《基于遺傳算法的船舶電力系統(tǒng)網(wǎng)絡(luò)故障重構(gòu)》 華中科技大學(xué) 2009 322-323[10] 《城市交通路徑誘導(dǎo)算法研究》 長安 2009 492-492[11] 《基于混合遺傳算法的汽車企業(yè)營銷資源分配策略研究》 武漢 2012 67-68[12] 《移動計算設(shè)備電能消耗估計》 合肥 2007 32-34[13] 《基于 QoS 的 Web 服務(wù)發(fā)現(xiàn)與組合研究》 湖南 2010 68-70[14] 《遺傳算法的收斂性統(tǒng)一判據(jù)》 電子科技大學(xué) 2010 19-23[15] 《沖突探測與解脫技術(shù)在未來空中交通管理中的應(yīng)用》 《計算機(jī)應(yīng)用于軟件》 2004 年 2 期 69-73[16] 《三相異步電動機(jī)穩(wěn)態(tài)參數(shù)優(yōu)化研究》 《黑龍江科技信息》 2010 年 13 期 79-80[17] 《磁粉檢測系統(tǒng)中圖像恢復(fù)的方法研究》 《學(xué)院》 2011 年 11期 12-15[18] 《一種基于遺傳神經(jīng)網(wǎng)絡(luò)的股票決策的方法研究》 陜西 2010 34-39 [19] 《基于 MATLAB/Simulink/GUIDE 的 PID 工具箱的設(shè)計》 山東 2008[20] 《混合式步進(jìn)電動機(jī)無刷直流電機(jī)方式驅(qū)動方案及其仿真分析》長春 2010 100-103[21] 《基于 BP 神經(jīng)網(wǎng)絡(luò)的企業(yè)技術(shù)創(chuàng)新能力評價及應(yīng)用研究》 青島 2010 87-9012[22] 《基于 MATLAB 的大學(xué)物理仿真實驗研究》 湖南 2008 年 5期 67-74[23] 《IDL 與 MATLAB 的比較分析》 廣西 2011 95-97[24] 《轎車后橋混流裝配線規(guī)劃設(shè)計及平衡研究》 蘇州 2004 78-83[25] 胡志鵬,盧險鋒.提高沖裁件斷面剪切面的新方法[J] .機(jī)械工人(冷加工 ), 2007 .(4):33-37.[26] 秦小瓊 , 盛尚雄.沖裁間隙對產(chǎn)質(zhì)量及模具壽命的影響[J] .金屬成形工藝, 2004 .(3):67-69.[27] 肖作義 , 房曉東.對影響沖裁件質(zhì)量的幾個參數(shù)的討論[J] .鍛壓機(jī)械, 2001 .(1):13-15.[28] G.F.Pan, L.Lou. Finite element simulation of the effect of clearance on the forming quality in the blanking process[J].Journal of Material Processing Technology.2002.(122).[29] E.Taupin, J.Breitling, et al. Material fracture and burr formation in blanking results of FEM simulaition and comparison and experiments[J]. Materials Processing Technology , 1996.(59):68-78.[30] N.Hatanaka, K.Yamaguchi, N.Takakura, et al. Simulation of sheared edge fo rmation process in blanking of sheet metals[J]. Journal of Materials Processing Technology, 2003.(140):628-634.[31] 趙振鐸,邵明志,張召鐸等.金屬塑性成形中的摩擦與潤滑[ M].北京:化學(xué)工業(yè)出版社,2004[32] 袁清珂 . Logopress 3 沖壓模設(shè)計從入門到精通[M]. 北京：化學(xué)工業(yè)出版社，2009:1-2.[33] H.Q.Wang, G.cheng, et al. Standard of Edge Quality of Precise Part. Tool Engineering,2004,41:11-14.[34] P. F. Zheng. Finite element analysis of the combined fine-blanking and extrusion process. PhD. Dissertation of Hong Kong Polytechnic 13University,2000.[35] W.X.Liu. Simple Fine Blanking. Science and Technology Publishing House, Shanghai 1990, 281:111-112.