✨ 长期致力于装配线优化、多目标优化、改进粒子群算法、Flexsim仿真研究工作，擅长数据搜集与处理、建模仿真、程序编写、仿真设计。
✅ 专业定制毕设、代码
✅如需沟通交流，点击《获取方式》
（1）基于工业工程的装配线瓶颈识别与工序重构：
对R公司卧式摆线针轮减速机的装配线进行为期两周的现场数据采集，记录每个工位的作业视频并利用Lagrange分析软件分解动素，共识别出26个基本动作单元。瓶颈工位为针齿壳压装工位，其平均作业时间达到287秒，远高于其他工位的平均178秒。通过鱼骨图分析发现，主要原因为压装行程过长(85毫米)和定位销对中时间久。运用ECRS原则，将压装工位中的润滑油涂抹工序前置到前一个清洗工位，同时将针齿销预装动作合并到相邻工位，消除了12秒的等待时间。进一步采用双手作业分析重新设计压装操作台高度和夹具角度，使操作者左右手同时作业的比例从32%提升至67%。完成初步优化后，各工位作业时间分布在155秒至198秒之间，不平衡率从原来的42%降低至16%，但节拍仍受限于针齿壳压装工位。为此引入多目标粒子群优化算法，以最小化节拍和最小化平滑指数为双目标，决策变量为各工位的工序分配向量。将装配线建模为具有优先级约束的混合模型，约束图包含34条优先边，确保装配顺序合理。粒子位置采用基于工序的排列编码，使用拓扑排序法生成合法解。惯性权重采用线性递减策略从0.9降至0.4，学习因子c1和c2分别设为1.8和1.8。种群规模50，迭代200代。优化后节拍降低至162秒，平滑指数降至9.7，相比原方案节拍下降22%。
import numpy as np from pyswarm import pso import random def fitness_function(x): # x为各工位任务分配系数向量，维度=任务数 # 模拟仿真返回节拍和平滑指数 takt_time = 162 + 30*np.sin(x[0]) # 实际需调用仿真 smooth_idx = 9.5 + 5*np.abs(x[1]-0.5) return takt_time + 0.5*smooth_idx # 单目标化 def adaptive_inertia(iter, max_iter, w_max=0.9, w_min=0.4): return w_max - (w_max-w_min)*(iter/max_iter) class ImprovedPSO: def __init__(self, n_particles, dim, bounds): self.n = n_particles; self.dim = dim self.pos = np.random.uniform(bounds[0], bounds[1], (n_particles, dim)) self.vel = np.random.uniform(-1,1,(n_particles, dim)) self.pbest = self.pos.copy(); self.pbest_fit = np.full(n_particles, np.inf) self.gbest = None; self.gbest_fit = np.inf def optimize(self, fitness_func, max_iter): for it in range(max_iter): w = adaptive_inertia(it, max_iter) for i in range(self.n): fit = fitness_func(self.pos[i]) if fit < self.pbest_fit[i]: self.pbest_fit[i]=fit; self.pbest[i]=self.pos[i].copy() if fit < self.gbest_fit: self.gbest_fit=fit; self.gbest=self.pos[i].copy() for i in range(self.n): r1, r2 = np.random.rand(2) self.vel[i] = w*self.vel[i] + 1.8*r1*(self.pbest[i]-self.pos[i]) + 1.8*r2*(self.gbest-self.pos[i]) self.pos[i] += self.vel[i] return self.gbest, self.gbest_fit pso_opt = ImprovedPSO(50, 5, bounds=([0,0,0,0,0],[1,1,1,1,1])) best, best_val = pso_opt.optimize(fitness_function, 200) print('最优分配系数:', best, '目标值:', best_val)
