本发明涉及一种装配序列规划方法，通过对粒子群算法的认识和理解，根据装配序列规划的实际问题，对标准粒子群算法进行重新定义与改进，用于求解装配体序列规划等多目标优化问题。
背景技术：
在装配序列优化领域，传统的以人的经验为主导的装配方式已逐渐向群体智能算法求解的方式转变。在针对简单装配产品的装配规划时，即针对小批量、多品种的生成模式,产品装配序列规划以装配关联图为基础,描述具体的装配信息模型,结合割集算法的技术，设计并实现产品的虚拟装配序列规划,在复杂产品装配的背景下，为求解复杂产品的装配序列,通过给定产品的三维模型,建立产品的干涉矩阵、接触矩阵和工具列表表达产品的基本装配信息，利用群里智能算法，例如蚁群算法等，重新定义算法中的某些变量，设置基本参数，通过优化算法的多次迭代，最终得到装配序列规划的可行解。
技术实现要素：
装配是产品全生命周期内的一个重要的环节,同样的一组零部件由不同的小组分别负责装配,所呈现的效率往往不同。产品的装配序列通常由设计工程师根据经验确定,不过随着零件数量的增加,可行装配序列的数量呈指数的增长，产品生产效率较低，经济成本增加，因此，为了更好的提高产品生产效率，本发明以群体智能算法思想为基础，以标准粒子群算法为理论依据，进行了改进，改进的主要思想是根据粒子群迭代次数进行区间划分，对惯性权重w进行自定义，采用非连续性变化的参数调节模式，并针对装配序列的离散化，重新对粒子群中的位置。速度等进行重新定义。
一种基于改进粒子群算法的装配序列规划方法，该方法的实现过程如下：
1)利用三维软件绘制装配体的三维模型图，得到三维实体模型。
2)结合等计算机语言对相应三维设计软件进行二次开发，根据三维软件绘制的实体模型，得到装配体零部件之间的装配关系矩阵。
3)以得到的装配关系矩阵为评价标准，设计装配序列优化的适应度函数f。
4)每一个粒子的空间位置代表装配优化的一个解，设置粒子群数目为m,即在算法优化装配问题时有m个空间解在同时进行优化，设置最大迭代次数k，学习因子c1,c2以及粒子的搜索空间，即装配体的零件数目d。
5)考虑到装配序列优化问题的优化解为离散型的整数，即对粒子的位置与速度进行重新定义，对d个零件位置、速度进行随机序排序设置，保证每个粒子的空间位置是包含所有零部件序号但又随机分布的向量。
6)计算每个粒子的评价函数值，设置当前粒子位置为历史最优位置pi，即m个装配序列的潜在优化解，带入评价函数f，得到每个粒子历史最优适应度值fi，即每个粒子的装配序列优化解对应的评价函数值大小；通过比较不同粒子之间fi的大小，更新种群最优适应度值fg，其中fg对应的粒子空间位置即当前装配序列的最优解。
7)根据迭代次数，对迭代次数进行划分，以100为区间单位，划分为三个区间范围，具体分别是(0,100)，(100，200)，其他。在相应的划分范围内，以迭代次数为变量，对惯性权重w进行自适应调整处理，在三个阶段内w函数分别以sigmoid函数、二次函数、线性函数为基础进行改进。
8)根据速度公式和位置公式，更新对各粒子的位置和速度以及粒子个体最优值fi和全局最优值fg。
9)判断粒子迭代次数是否达到最大迭代次数，若没达到，转步骤6。
10)输出最优结果fg，以及全局最优值fg对应的粒子空间位置，得到最终装配序列优化结果，算法优化结束。
11)步骤7的具体自定义为：
w1＝1/(1 exp(k/k))k＜＝100
w2＝k2*(1/3.125*105)-k*(3/2.5*103) 0.7100＜k＜＝200
w3＝0.7 k/(5*k)其他
其中，k为当前迭代次数，k为设置的最大迭代次数，
装配序列规划问题由于是多目标问题，在求解过程中，容易出现局部优化等现象，使得求解效率降低，通过对惯性权重的重新改进，以迭代次数为变量，根据迭代次数的不同层次划分，对不同迭代区间内的惯性权重w进行不同规律的变化，增强了粒子状态的多样性，提高了装配序列问题求解的可行性。
附图说明
图1改进后粒子群算法流程图
具体实施方式
以下结合附图，及实施例对本发明的具体方法进行说明
本发明方法主要是考虑装配问题求解过程中，粒子群算法的求解效率较低，因此，为了更好地更新粒子群的空间位置，本文将传统标准的w固定模式改进为在考虑全局最优值的变化情况下，以迭代次数为变量的非连续性变化的可调节参数模式，可以有效提高粒子群算法的收敛准确性和全局搜索能力，得到较好的优化可行解。结合图1，具体的实施步骤如下：
1)根据零部件的二维装配体设计图，利用三维软件nx、proe等绘制装配体的三维图。
2)结合visualstudio或c语言等计算机语言对相应三维设计软件进行二次开发，得到装配体零部件之间的支撑矩阵、连接矩阵、干涉矩阵。
3)以支撑矩阵，连接矩阵，干涉矩阵为评价标准，设计装配序列优化的适应度函数f。
4)假设装配体内有d个零部件，在d维搜索空间内，存在m个粒子，第i个粒子的速度和位置可分别表示为
5)计算每个粒子的评价函数值，设置当前粒子位置为历史最优位置pi，即m个装配序列的潜在优化解，带入评价函数f，得到每个粒子历史最优适应度值fi，即每个粒子的装配序列优化解对应的评价函数值大小；通过比较不同粒子之间fi的大小，更新种群最优适应度值fg，其中fg对应的粒子空间位置即当前装配序列的最优解。
6)根据迭代次数，对迭代次数进行划分，以100为区间单位，划分为三个区间范围，具体分别是(0,100)，(100，200)，其他。在相应的划分范围内，以迭代次数为变量，对惯性权重w进行自适应调整处理，在三个阶段内w函数分别以sigmoid函数、二次函数、线性函数为基础进行改进。
w1＝1/(1 exp(k/k))k＜＝100
w2＝k2*(1/3.125*105)-k*(3/2.5*103) 0.7100＜k＜＝200
w3＝0.7 k/(5*k)其他
7)根据速度方程
vi 1(k 1)＝w*vi(k) c1*(pbesti-xi(k)) c2*(gbest-xi(k))更新各粒子的速度，位置方程xi(k 1)＝xi(k) vi(k 1)更新各粒子的位置
8)判断各粒子的位置和速度是否达到边界状态，若超出边界状态，则以边界大小代替粒子的位置或速度。
9)判断粒子迭代次数是否达到最大迭代次数，若没达到，转步骤5。
输出最优结果fg，以及全局最优值fg对应的粒子空间位置，得到最终装配序列优化结果，算法优化结束。
1.一种基于改进惯性权重粒子群算法的装配序列规划方法，其特征在于：该方法的实现过程如下：
1)利用三维软件绘制装配体的三维模型图，得到三维实体模型；
2)结合等计算机语言对相应三维设计软件进行二次开发，根据三维软件绘制的实体模型，得到装配体零部件之间的装配关系矩阵；
3)以得到的装配关系矩阵为评价标准，设计装配序列优化的适应度函数f；
4)每一个粒子的空间位置代表装配优化的一个解，设置粒子群数目为m,即在算法优化装配问题时有m个空间解在同时进行优化，设置最大迭代次数k，学习因子c1,c2以及粒子的搜索空间，即装配体的零件数目d；
5)考虑到装配序列优化问题的优化解为离散型的整数，即对粒子的位置与速度进行重新定义，对d个零件位置、速度进行随机序排序设置，保证每个粒子的空间位置是包含所有零部件序号但又随机分布的向量；
6)计算每个粒子的评价函数值，设置当前粒子位置为历史最优位置pi，即m个装配序列的潜在优化解，带入评价函数f，得到每个粒子历史最优适应度值fi，即每个粒子的装配序列优化解对应的评价函数值大小；通过比较不同粒子之间fi的大小，更新种群最优适应度值fg，其中fg对应的粒子空间位置即当前装配序列的最优解；
7)根据迭代次数，对迭代次数进行划分，以100为区间单位，划分为三个区间范围，具体分别是(0,100)，(100，200)，其他；在相应的划分范围内，以迭代次数为变量，对惯性权重w进行自适应调整处理，在三个阶段内w函数分别以sigmoid函数、二次函数、线性函数为基础进行改进；
8)根据速度公式和位置公式，更新对各粒子的位置和速度以及粒子个体最优值fi和全局最优值fg；
9)判断粒子迭代次数是否达到最大迭代次数，若没达到，转步骤6；
10)输出最优结果fg，以及全局最优值fg对应的粒子空间位置，得到最终装配序列优化结果，算法优化结束。
2.根据权利要求1所述的一种基于改进惯性权重粒子群算法的装配序列规划方法，其特征在于：步骤7的具体自定义为：
w1＝1/(1 exp(k/k))k＜＝100
w2＝k2*(1/3.125*105)-k*(3/2.5*103) 0.7100＜k＜＝200
w3＝0.7 k/(5*k)其他
其中，k为当前迭代次数，k为设置的最大迭代次数。
技术总结