基于改进遗传算法的数控机床加工路径优化研究文献综述
2020-04-14 16:26:38
1.1 研究目的及意义
2013年4月在汉诺威工业博览会上，德国政府正式提出工业4.0概念，其核心目的是为了提高德国工业的竞争力，在新一轮工业革命中占领先机。在《德国2020高技术战略》一文中德国政府将工业4.0列为未来十大项目之一，并投资2亿欧元进行相关研发。受此影响，2015年5月19日中国国务院签发《中国制造2025》，期望通过“三步走”实现制造强国的战略目标：第一步，到2025年迈入制造强国行列；第二步，到2035年中国制造业整体达到世界制造强国阵营中等水平；第三步，到新中国成立一百年时，综合实力进入世界制造强国前列。制造业是国民经济的主体，是立国之本、兴国之器、强国之基。十八世纪中叶开启工业文明以来，世界强国的兴衰史和中华民族的奋斗史一再证明，没有强大的制造业，就没有国家和民族的强盛。打造具有国际竞争力的制造业，是我国提升综合国力、保障国家安全、建设世界强国的必由之路。
当代中国已成为世界工业大国，尤其在制造业方面拥有着雄厚的实力。而数控机床在工业制造的过程中扮演着极其重要的角色，根据相关数据显示，目前中国已拥有近一千万台数控机床，是名副其实的数控机床大国。随着数字化设计制造技术的高速发展，工业制造对数控机床加工效率的要求越来越高。传统制造业由于历史局限性等因素的限制，导致绝大多数的数控机床的现阶段加工效率普遍较低，其直观地反映为单位零件的总加工时间较长。数控机床的总加工时间主要有切割时间和非切割时间构成，现阶段主流的减少总加工时间的方式通常是通过优化切割参数、更换刀具的顺序以及优化切割过程中的刀具的轨迹来缩短切割时间，进而减少总加工时间。这样做虽然效果显著，但其不仅实现的难度较大，而且问题的复杂程度更为繁杂，需要面临各方各面的技术考验和投入大量的人力物力。而实际上，在数控机床加工过程中还存在着大量的非切割时间，当加工过程中存在着大量的位移运动时，非切割时间对总加工时间的影响将远大于实际切割时间。根据相关统计数据显示，刀具切割时间平均占总加工时间的70%，而根据模型分布的复杂程度和模型的数目，非切割时间占整个总加工时间的15%~30%。若加工过程中存在大量重复的移位和下刀抬刀等操作，不合理的非切割路径规划将会非切割时间的延长，导致加工效率的降低。因此，合理地规划非切割路径会显著缩短加工时间，提高加工效率，提高我国制造业的竞争实力。
目前，已有的路径规划问题解决方式中主要划分为精确算法和近似算法。精确算法对问题求解的精度高，但其运算复杂度随着问题规模的增加呈现指数倍增长，因而难以解决大规模问题。近似算法计算量小，求解结果绝大多数情况下能够满足问题要求。在近似算法的研究中智能算法的研究令人瞩目，例如遗传算法（Genetic Algorithm）、蚁群算法（Ant Colony Optimization）、模拟退火算法（Simulate Anneal Arithmetic）、人工神经网络（ArtificialNeural Network）等。其中蚁群算法求解精度最高，但其运算复杂度是遗传算法和模拟退火算法的3-4倍。遗传算法和模拟退火算法得到的最优解与实际最优解的误差较小，但遗传算法相对于模拟退火算法具有较高的效率和精度。所以本文主要研究通过对遗传算法进行改进，进而得到一种新型的、合理的、高效的规划非切割路径的途径，从而提高数控机床加工效率。
1.2 国内外研究现状
数控机床路径规划问题可以被看作为旅行商问题（Travelling salesman problem, TSP），该问题最早由由Dantzig和Ramser于1959年首次正式提出概念，简述为给定一系列城市和每对城市之间的距离，求解访问每一座城市一次并回到起始城市的最短回路。而TSP问题最早可追溯至1759年Euler提出的骑士旅行问题。二十世纪四十年代，统计学家（Mahalanobis（1940）、Jessen（1942）、Gosh（1948）、Mark（1948））把它和农业应用联系在一起，美国RAND公司也推动这个问题的研究。1954年George、Dantizig提出并成功解决了一个有49个城市的旅行商问题。进入21世纪，Jelloouli提出将遗传算法和动态规划方法结合在一起用于求解广义旅行商问题，将广义旅行商问题划分为城市群排序问题和城市群选择问题，前者用遗传算法解决，后者用动态规划解决。Snyder等人应用随机数位序法来设计染色体，并加入少量的局部搜索。Fatih等人在此基础上进一步丰富了局部搜索，使算法性能进一步提高。2007年pintea等人首次将蚁群优化算法应用于求解旅行商问题，2008年yang等人提出完整求解广义旅行商问题的蚁群优化算法，加入少量的传统局部算法，2011年Mou提出双信息素的蚁群优化算法，在蚁群算法中加入局部信息素和全局信息素，通过改变两种信息素的比重来影响城市选择的概率，可以有效改善算法的收敛性和最优解的全局特性。
我国对于TSP研究又称为中国邮递员问题（ChinesePostmanProblem，CPP），由管梅谷教授于1960年提出。1994年，忻展红提出将邮递员的路径划分为行走路径和服务路径，邮递员从邮局出发，遍历所有的服务点，通过优化其遍历路径，实现在服务路径便利完成后行走路径最少。2000年，曹鱼等将遗传算法应用于解决CPP问题，开辟了研究CPP的新方向，由于路径问题的结构复杂性，遗传算法在求解过程中存在着编码与解码的复杂性。曹鱼等在求解过程中首先将路径问题按照图理论转化成点路由问题，再将点与店之间形成新的路径，然后对新的路径进行规划，但问题规模较大时，该方式将抑制算法的有效性。2005年，江雷等针对并行遗传算法求解TSP问题，探讨了使用弹性策略来维持群体的多样性，使得算法跨过局部收敛的障碍，向全局最优解方向进化。{title}
2. 研究的基本内容与方案
{title}本文以数控机床路径规划为背景，通过对现有的遗传算法进行改进优化，并利用Matlab进行仿真设计，通过输入多模型CAD工图，系统自动规划出元件加工顺序，从而实现模型加工过程中的非切割路径规划。
对于任何多模型设计而言，其模型分布可简化为平面分布，既取模型设计中的表层图形为研究对象，利用模型在表层的平面形状代替模型的立体位置。计算机辅助设计（CAD）可输出JPG格式的文件，Matlab可对JPG文件进行内容读取，通过对读取的平面图纸进行运算处理，求得不同的模型平面的几何中心，代替为模型平面的平面位置。通过对所得模型几何中心进行编码，即对任意两点之间进行连线，得到若干条路径，并求得相应的路径长度。按照所有点都包含和路径首尾连续原则，对所有编码过的路径进行随机选择分配，得到一定数量的可行解（每个可行解即为遗传算法中的染色体），所有得到的可行解组成初始种群。对所有可行解运用适应度函数进行适应度评估，得到舒适度较高的多条染色体作为父代染色体，从中随机选择两条父代染色体进行迭代交叉，当到达局部最优解的情况下引入变异，生成若干条新的染色体，组成新的种群，再进行新的适应度评估，筛选得到新的父代，如此反复迭代交叉、选择、变异，最终得到与实际最接近的解。
图1 遗传算法流程框图
