物料供需优化的塔式起重机布局粒子蜂算法外文翻译资料

 2022-05-14 07:05

英语原文共 8 页，剩余内容已隐藏，支付完成后下载完整资料

物料供需优化的塔式起重机布局粒子蜂算法

Li-Chuan Lien 福建工程学院土木工程学院，福建350108

Min-Yuan Cheng 台湾科技大学建筑工程系，台湾台北106

摘要：

塔式起重机布置（TCL）问题是典型的施工现场布置（CSL）问题，目前广泛用于各种建筑工程和现场条件。塔式起重机是用于垂直和水平运输物料的关键设备，特别是重型预制单元，如钢梁，预混钢筋，预制元件和大型平板模板。将塔式起重机的位置与材料供应和工程需求相匹配是TCL问题内难以解决的组合优化问题。群体智能（SI）是一种流行的人工智能技术，广泛用于解决复杂的优化问题。已经开发了各种基于SI的算法来模拟诸如蜜蜂（蜜蜂算法，BA）和鸟类（粒子群优化，PSO）等动物的集体行为。本研究将粒子蜂算法（PBA）应用到TCL问题中，该算法是一种将蜂蜜蜂和鸟群的各自优点集成在一起的混合群算法。比较了PBA，BA和PSO在解决建筑工程实际TCL问题方面的有效性。结果表明PBA比BA和PSO算法都更好。

关键词： 塔式起重机布局 群体智能 蜜蜂算法 粒子群优化 粒子蜂算法

  1. 简介

施工现场布置（CSL）问题很有趣，因为它们将布局美学和可用性质量考虑在设施设计过程中[1]。CSL问题标识了一组相互关联的设施的可行位置，这些设施满足了所有设计要求，并在设计偏好方面最大限度地提高了设计质量，同时最大限度地降低了与这些设施之间相互作用相关的总成本。

基于人工智能（AI）的算法以前已被应用于解决CSL问题。 Elbeitagi和Hegazy [2]使用混合神经网络来确定最佳的站点布局。 Yeh [3]应用退火神经网络来解决施工现场级的CSL问题。李和爱[4]和奥斯曼等人[5]使用遗传算法（GA）来解决大小不等的设施中的网站布局问题。这些算法的目标函数用于根据诸如运输成本和出行频率等变量来优化设施间相互作用。Hegazy等人[6]基于遗传算法开发了一个全面的网站布局规划系统Elbeitagi等人[7]提出了一个实用的模型，用于结合基于知识的系统，模糊逻辑和遗传算法的时间相关站点布局规划。

塔式起重机布置（TCL）是典型的CSL问题，适用于各种施工作业和现场条件。塔式起重机是用于垂直和水平运输物料的关键设施，特别是重型预制单元，如钢梁，预拌混凝土，预制构件和大面板模板[8]。

在大型建筑项目中，经常使用几台起重机来处理运输任务，特别是在单台起重机无法满足所有需求和供应点或单台起重机的能力无法满足施工进度需求的情况下。影响塔式起重机位置的因素很多[9]。目前，位置通常通过基于网站地形形状和整体任务覆盖要求的反复试验来确定。起重机位置所涉及的复杂因素以及缺少定量参考经常会使管理人员别无选择，只能依靠经验或本能[9]。Zhang等人[9]和Tan等人[8]建立了一个分析模型来模拟塔式起重机吊钩的行程时间。在确定吊钩从一个位置到另一个位置所需的时间时，他们考虑了与物理参数相关的因素，如地形布局，建筑物塔布局和相邻环境，这些是每个地点独有的。塔式起重机和相关材料供需点的适当定位对于建筑整体工作效率至关重要 现场。理想情况下，塔式起重机臂应覆盖并覆盖施工现场所有建筑物的所有部分，以便在所有供需点之间运输建筑材料[8]。

许多研究解决了塔式起重机位置和运输时间优化问题。 Zhang等人 [9]使用Monte Carlo模拟来优化塔的位置，Tam和Hoang等人[8,10,11]开发了用于预测塔式起重机操作的人工神经网络（ANN）模型和用于优化现场设施布局的GA模型。 在建筑施工中优化塔式起重机和物料供应地点的问题 现场类似于传统的设备位置问题，除了前者需要三维（尺寸）考虑由于塔式起重机的钩运动而引起的物料运输。上述研究的重点是通过在不同约束条件下应用所提出的算法来解决不同的优化问题。因此，获得的解决方案的质量是必要的 受所用算法能力的限制。

群体智能（SI）近年来一直受到研究科学家的兴趣。 SI由Bonabeau等人定义。[12]作为基于社会昆虫群落或其他动物的集体行为来设计算法或分布式问题解决设备的尝试。 Bonabeau等人[12]主要关注蚂蚁[13]，鱼类[14]，鸟类[15]和蜜蜂[16-18]等社会行为。然而，术语“群体”可以更一般地用于指代任何限制相互作用的代理人或个人的集合。虽然蜂群是“蜂群”的典型例子，蜂群可以很容易地扩展到具有相似架构的其他系统。

已经开发了一些模型来模拟蜜蜂群的智能行为，并用于解决组合类型问题[16-22]。 Pham等人[16-18]提出了一种原始蜜蜂算法（BA），并将其应用于两维和六维的两个标准函

图1.粒子蜜蜂算法流程图

数优化问题。结果表明BA能够找到非常接近最佳值的解决方案，表明BA一般优于GA。然而，虽然文献[16-18]提供了进行全局搜索的潜力，并且与遗传算法相比使用了更简单的机制，但它对随机搜索的依赖性使其在本地搜索活动中相对较弱，并且在优化搜索期间不记录过去的搜索体验处理。例如，一群鸟可能被认为是其个体代理人是鸟类的群。粒子群算法（PSO）最近在很多研究人员

表格1 起重机点的坐标

为了提高BA和PSO，Cheng和Lien [25]提出了一种混合蜂群算法称为粒子蜂算法（PBA），它模仿鸟类和蜜蜂蜂群的特定智能行为并整合它们的优点。本研究的目的是为拟定的假想TCL案例研究制定设计问题，涉及将塔式起重机和相关材料供需点定位到混合整数线性方案中，以最大限度地降低总运营成本。

  1. 混合群算法粒子蜂算法（PBA）

Cheng和Lien [25]的粒子蜂算法（PBA）是基于鸟类和蜜蜂群的智能行为提出的。 为了提高BA(蜂群算法)的本地搜索能力，和PSO（鸟群算法）的全局搜索能力，并在搜索过程中从过去的经验中寻找记录用以优化，本研究将邻域舞蹈搜索[16-18]重新配置为PSO搜索[15]。基于蜜蜂（BA）和鸟类（PSO）之间的合作，PBA使用PSO搜索改进了BA邻域搜索。因此，PBA不雇佣蜜蜂搜寻“优良”或“最佳”地点（如BA）。 相反，PSO搜索适用于所有优良和最佳蜜蜂。换句话说，在PSO搜索之后，“优良”，“最佳”和“随机”蜜蜂的数量等于侦察蜜蜂的数量。

在PBA中，粒子蜂群包含四个组，即（1）侦察蜜蜂数量（n），（2）从n个已访问地点中选出的优良地点数量（e），（3）从n个访问过的地点（b）中的选出最佳地点的数量，（4）为其他拜访地征募的蜜蜂数量（r）。 首先一半的蜜蜂群体由优良蜜蜂组成，剩下的一半包括最好的和随机的蜜蜂。粒子蜂群包含两个参数 即PSO（Pelite）对优良蜜蜂的迭代次数和通过PSO（Pbest）进行最佳蜜蜂迭代次数。PBA流程图和步骤如图1及以下所示：

步骤（1）初始化侦察蜜蜂。

PBA从随机放置n个侦察蜂开始搜索空间中的相应位置和速度。

步骤（2）评估适应性。

开始循环并评估侦察蜜蜂的适应性。

步骤（3）从侦察蜜蜂中选择优良地点（e）。

每个优良蜜蜂都选择优良地点，其总数为相当于侦察蜜蜂数量的一半。

步骤（4）优良蜜蜂通过Pelite迭代启动为邻里窗户（NW）而设计的PSO程序

表2需求点的坐标

表3 供应点的坐标

在这一步中，来自优良和最佳蜜蜂的新粒子蜂如方程（1）所示产生。优良和最佳蜜蜂更新速度如方程（2）所示执行。进一步研究提出了一个邻域窗口（NW）技术来提高PSO搜索效率，如方程（3）所示.从而，在xid（t 1）代入方程（1）和方程（2）后， NW确保在指定的xidmin内搜索PSO 和xidmax。换句话说，如果xid（t 1）的总和超过 xidmin或xidmax，则xid（t 1）仅限于xidmin或xidmax。

其中xi是第i个x和i=1~n;vi是第i个v; d是xi或者v和d=1~D的维度;t是迭代；xid（t）表示在t迭代中第i个x的第d维;vid（t 1）表示在第i次v运算与第t 1次迭代的第d维结果。xid（t 1）是在第t 1次迭代与第i个x中得到的第d维度的结果;n是粒子的数量。

中vid（t）是第i次v和第t次迭代中的第d维;w是惯性权重和在计算新速度时控制旧速度vid（t）的大小的权重; Pid（t）是第i个局部最佳粒子和第t个迭代中的第d维; Gd（t）是t迭代中第d维全局最优粒子; c1和c2确定Pid（t）和Gd（t）的显着性; Rand是在0到1范围内的均匀分布的实数随机数。此外，算法的任何时间步的vid都受参数vmax和vmin的限制。 通过将每个粒子分配给搜索空间中一致且随机选择的位置来初始化粒子。 速度在vmax到vmin范围内随机初始化。 粒子速度每个尺寸都被夹紧到最大速度vmax。 如果该维度的速度超过vmax或vmin（用户指定 参数），维度速度被限制为vmax 或vmin。

图2.塔式起重机布局的参考

其中xi是第i个x和i=1-n;d是xi中的维数，d=1~d;t是迭代;xid（t 1）是第i个x和第t 1个第d维迭代;n是粒子的数量。

步骤（5）从侦察蜜蜂中选择最佳地点（b）。

每个最佳蜜蜂都会选择最好的地点，其总数等于侦察蜜蜂数量的四分之一。

步骤（6）最好的蜜蜂使用NWPbest迭代启动PSO程序。

在这一步中，来自优良和最佳蜜蜂的新粒子蜂使用方程（1）。优良和最佳蜜蜂速度更新采用方程（2）。NW技术改进了PSO搜索效率，如方程（3）。

步骤（7）为其他拜访地点招募随机蜜蜂（r）。

蜂群中的随机蜜蜂在搜索空间周围随机分配，寻找新的潜在解决方案。随机蜜蜂的总数是侦察蜜蜂字的四分之一。

图3.挂钩行程时间

表4实验中使用的参数值

表5 单塔式起重机使用的参数值

步骤（8）

应用于优良蜜蜂，最佳蜜蜂，随机蜜蜂的自我参数更新（SPU）。

此外，为了防止在高维问题中陷入局部最优。这项研究提出了高维问题最优解的一种解决方案，即自参数更新（SPU）技术，这个想法来自Karaboga[20]式。（4）为SPU方程。

其中xi是第i个x其中i=1~n;d是xi中的维数并且d=1~D; xid（cur）是第i个x和当前解的第d个维度;xid（new）是在新解中的第i个x中的第d维;Rand是在该范围内的均匀分布的实数随机数，0到1;j是从中随机选择的解的指数如方程 （5）中，k是维度的指数 从等式中随机选取（6）;n是侦察蜜蜂的数量。

在步骤（8）中，最佳和随机蜜蜂被分配后将根据适应情况进行检查确定他们是被放弃还是使用（4）式。因此，如果优良，最好或随机蜜蜂，都在使用公式（4）后与以前相比适合度提高，那么新的适合度会被记住。在步骤（3）到步骤（8），这种差异选择是PBA算法的关键步骤。

步骤（9）收敛

表6 三种算法的结果

这个步骤中，只有具有最高适合度的蜜蜂才会被选择来形成下一个蜜蜂种群。 重复这些步骤直到停止标准得到满足时，蜜蜂们会被选择放弃或记忆。

在PBA，侦察蜜蜂被用来对优良和最好的蜜蜂进行分类。分类过程由侦察蜂适应性控制，并通过称为“Pelite”和“Pbest”的控制参数进行优化，这些参数是重要的PBA控制参数。 在PBA中，Pelite为优良蜜蜂提供的想法为搜索优化解决方案提供了更高的潜力。Pbest为最佳蜜蜂的想法提供了第二次搜索优化解决方案的机会，因为运气在资源识别中继续发挥作用。因此，在这项研究中，Pelite总是比Pbest大。在强大的搜索过程中，探索和开发过程必须一起进行。 在PBA，优良蜜蜂（Pelite）在搜索空间实施开发过程，最好的蜜蜂（Pbest）和随机蜜蜂控制这个过程。

  1. 塔式起重机布置问题的案例研究

3.1. 多塔起重机布置问题的建模

3.1.1. 参考塔式起重机布局

过去，项目工程师考虑现场条件，建设结构，施工顺序，市场条件和气候条件以确定塔式起重机布局（TCL）和位置相关的塔式起重机，供应点，需求点和配套设备。在这项研究中，TCL是基于以往研究中引用的最短操作时间[10,11]。Tan和Hoang只考虑了材料的每吊车作业时间成本 操作流程并忽略了其他重要的成本因素，如租金， 劳动力和塔式起重机设置。因此，目前的研究扩展了他们的 通过设计一个更能反映实际情况的TCL模型来工作在一个建筑工地上的条件。本研究采用并修改了一个项目 作为参考[10]案例研究以确定最佳TCL通过PSO，BA和PBA提供材料数量供求。该项目包括12个潜在的塔式起重机位置和坐标 每一项显示在表1中。此外，该项目包括9个供应点和9个需求点，分别显示坐标，在表2和3中。图2显示了该项目完成的网站地图。

3.1.2. 目标函数

在这项研究中，粒子蜂算法（PBA）被用来优化塔式起重机的位置。根据需求和供

应点的材料需求，PBA进一步用于根据总运营成本优化供需点之间的运营距离和频率。

图4.单

全文共8865字，剩余内容已隐藏，支付完成后下载完整资料

资料编号：[12397]，资料为PDF文档或Word文档，PDF文档可免费转换为Word

原文和译文剩余内容已隐藏，您需要先支付 30元 才能查看原文和译文全部内容！立即支付

以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。

您可能感兴趣的文章