最短移臂调度算法_论文 | 一种有趣的装配序列规划算法

一种有趣的装配序列规划算法

作者：张楠

（浙江大学 在读博士）

精要导读

问题背景

在正式介绍装配序列规划之前，多嘴几句。学过数据结构的同学们可能听说过TSP（Travel Salesman Problem），旅行商问题。这是一个计算机科学领域里一个非常著名的问题，著名就著名在它的模型简单明确，然而这么多年过去了，仍未找到行之有效的多项式时间内的算法（就是快的算法）。

这个问题是这样的，有一位旅行商，他要去几个不同的城市（假设是5个吧），同时想确保旅程（目标函数）最短，那他能怎么走呢？

他可以这样走（北京-南京-杭州-台湾-上海）：

也可以这样走（北京-上海-南京-杭州-台湾）：

还可以这样走（南京-北京-上海-杭州-台湾）：

这样的话，一共有5！=120种走法，想要知道最短的路线就得走120次才能选出来。是不是听起来也还行，也就120种，你再瞅瞅：

随着城市数量的增长，可以选择的路线数量就指数爆炸地增长，运行时间为O(n!)，这个时间有多可怕呢（假设每秒10次操作（当然是往小了说( ͡°ᴥ ͡° ʋ)））：

看见没，16个城市就6W年，就问你怕不怕（咳咳...）。旅行商就是这么个求路线序列的问题，总而言之是很难的（如果你想要最好的结果）。

言归正传，装配序列规划也是这么个问题，简单来说，就是装配一个产品的顺序。我们先来看下面这个笔：

这个笔由五部分组成，笔帽，笔头，笔芯，笔夹，笔身。显然我们有很多种方式可以把它组装起来（笔帽-笔头-笔芯-笔夹-笔身，笔头-笔芯-笔夹-笔身-笔帽，等等...），但如果我们把笔芯放在最后呢？这个笔是不是就装不成了（笔芯是最里面的那玩意，外面都装好了，里面的还能塞进去麽）。这个时候约束就来了，笔芯要在笔头或笔夹之前装完，大概（就只是大概）是这么个样子

有了这个约束，是不是方便了很多！解空间一下子小了很多（非常完美）！不过这个领域（虽然已经老掉牙了ლ( ლ)）用这种图表述约束也不是特别频繁，还有很多其他方式，优先矩阵啦，干涉矩阵啦，其他一堆乱七八糟的。

上面这个笔看起来这样装，那样装好像并没有啥区别，都能装上的样子。但对于一个复杂的机械产品来说，就不那么容易了，每一个工序都可能涉及到复杂的装配流程、装配工具、blablabla，总之就是难（HEHE）！所以目标函数又来了！我们要优化的就是这玩意：

这是装配序列规划的一个基本的目标函数，D代表装配方向，T代表装配工具，他们的权重和就是要优化的目标值，越小越好。

这一段落告一段落（(・◇・)）。

一个还行的算法

装配序列规划这一块儿的通用编码规则是实数编码，就是【1,2,3,4,5,6,7,8,9】这样的，表示一个产品的完整的装配顺序，也不用解码，简单粗暴。

这一块儿大家是怎么优化的呢，刚开始的时候各种精确算法也在提，还是那问题，计算量大，而且这领域也不一定非要最优值，近几年基本就是采用各种元启发算法（metaheuristic）（进化算法，种群算法，模拟退火，禁忌算法），计算速度也不错，优化结果也不错。各种元启发算法的本质（我猜的，小声哔哔）是交换序列的顺序，可能是个体（1-2变2-1），可能是子段（123-456换成456-123），然后加上各种花里胡哨的迭代技巧。当然还有一部分Estimation of distribution algorithms，是依靠概率分布来猜测最优序列的，我复现过的分布估计算法效果都很一般，所以没有再深挖（欢迎探讨）。

上述的这些都是把序列都当做一个整体来对待的，先生成序列，再优化序列。那如果从局部出发呢？动态规划？贪婪算法？那如果把种群的概念再引进来呢，是不是就肥肠优秀了。

优先约束图这时候就发挥出了作用（为你骄傲）！用下面这个图来解释一下：

很多文献中序列是随机生成的，然后用优先关系，干涉矩阵去判断它是否满足约束，这就导致生成和判定解的可行性花去了很多时间（大把的光阴啊，浪费可耻）。那如果直接利用上图中的优先关系来生成序列，就不存在不满足约束的解，大大缩小了解空间（就这么简单）。好了，第一步怎么生成可行解已经解决了。我们来看第二步，怎么来寻优。

这个算法的精髓是从局部出发，在构造完整序列的过程中引入种群的概念（其实就是在多个解里面挑选）。下面这个gif完整地展现了算法的寻优过程。

看懂了吗？就问你是不是肥肠简单(〃'▽'〃)？首先设定好种群数目（gif里是5），然后利用优先权关系生成个体下一代的子集，再根据目标函数排个序（Attention！！！不仅仅是根据目标值的好坏排序，也考虑了差异性），选好下一代的种群，就万事大吉啦！寻优就这么结束啦！

这个算法还有一个好处（─━ _ ─━✧王婆卖瓜）：就是它的迭代次数！由于是从局部出发，所以整个算法的迭代次数只需要【零件的个数】次，有多少个零件，就迭代多少次！这个就很**（优秀的意思）了啊，毕竟迭代次数的减少就以为着计算时间的减少。

算法讲完了，我们再告一段落（(・◇・)？）。

爆锤其它算法

懒得作图了（╭(╯^╰)╮），直接贴表。

这里对三个产品，五种算法进行测试，分别是Rack，9个零件；Vise，19个零件，Train，40个零件。我们可以看到，无论是最优(Min)还是是平均（Average），方差（SD），尤其在计算时间上（Ave CPU），这个算法都取得明显的优势（是不是很棒呀o(￣▽￣)ｄ）。这个算法后续应用在并列装/拆领域（类似于车间调度），仍然取得非常不错的结果。当然，虽然这个算法在这些领域有很不错的效果，但仍然存在很明显的漏洞与不足（o(╥﹏╥)o，不告诉你），我暂时没想到很好的改进机制，希望有兴趣的同学可以一起探讨一下~

告最后一段落（(・◇・)？）。。。

还是做个总结吧

由于个人精力和能力有限，只对这个领域内的方法进行了研究与比较。但我知道在某个我还未注意到的角落里存在着更加有趣好玩的算法，做这篇推文的目的也是想获得更多不同领域内大佬的关注，用你们的算法来解决我们的问题。

希望大家多多分享，有交流碰撞才有磕盐的火花嘛~让我们一起做点有趣的事。（O(∩_∩)O）

祝大家永葆赤子之心。

从这抄来的

1.Aditya Bhargava, 袁国忠(译), 算法图解：像小说一样有趣的算法入门书， 人民邮电出版社

2.Mohd Fadzil Faisae Ab Rashid, A hybrid Ant-Wolf Algorithm to optimize assembly sequence planning problem, Assembly Automation

3.N. Zhang, Z. Y. Liu, et al. A Fast and Effective Assembly Sequence Planning using Precedence Graph-based Assembly Subsets Prediction Method, Assembly Automation