CN104156780A - 一种基于协同进化的拱架型贴片机集成优化方法 - Google Patents

Abstract

本发明提供一种基于协同进化的拱架型贴片机集成优化方法；其主要步骤包括：(1)根据贴片机的工作原理，建立吸嘴配置优化模型、以及兼顾喂料器分配和元器件拾贴顺序的集成优化数学模型；(2)利用线性规划求解吸嘴配置优化模型；(3)基于协同进化，采用邻域竞争、交叉、变异和局部搜索的进化策略对喂料器分配和元器件拾贴顺序进行协同优化，使得贴装头在贴装过程中的移动路径最小。本发明具有缩短贴片机的工作时间，有效提高贴装效率的优点，可用于表面组装过程(SMT)中拱架型贴片机的优化控制。本发明的方法克服了传统优化方法在解决该复杂多决策优化问题时的不稳定性和单一性，运用协同进化来进行多个子问题的同时优化。

Description

一种基于协同进化的拱架型贴片机集成优化方法

技术领域

本发明涉及拱架型贴片机的操作优化控制技术，具体涉及一种基于协同进化的拱架型贴片机集成优化方法。

背景技术

贴片机是一种直接将表面贴装微型元器件焊接到印制电路板(PrintedCircuit Board简称PCB)或基底表面上的电子装联设备，是元器件进行贴装的关键设备，属于生产线上的“瓶颈”设备，对贴片机的操作进行优化是提高组装效率的重要突破点。

本文针对拱架型贴片机进行研究。根据文献把贴片机对在进行某个PCB板的贴装优化问题可分为以下三个优化子问题：(1)吸嘴分配问题，即不同种类的吸嘴如何分配到贴装头上；(2)喂料器分配问题，即元器件喂料器如何分配到贴片机的喂料槽位置上；(3)元件拾贴顺序问题，即如何确定各元件的拾取顺序和贴装顺序。

多贴装头贴片机的操作优化问题已被证明是NP-hard组合优化问题，单一采用经典优化算法(如线性规划、动态规划、整数规划等)求解大规模的此类优化问题已无法快速获得较好的优化效果。上述三个子问题高度关联，若假设其中两个问题已解决而单独研究其中一个问题的求解，则会使得实际生产中的算法优化结果大打折扣。因此，协同优化子问题对提高优化效果变得尤为重要。

协同进化是近年来针对传统优化方法的不足而兴起的进化算法，将复杂问题解空间中的群体划分为若干子群体，每个子群体代表求解问题的一个子问题，然后所有子群体在独立、并行进化。本专利设计了基于邻域竞争、交叉、变异和局部搜索的协同进化方法，最终获得贴片机操作的优化方案，实现最小化贴装头在拾贴过程中的运动路径。

发明内容

本发明的目的在于克服传统优化方法的不足，提供一种基于协同进化的拱架型贴片机集成优化方法，考虑吸嘴配置因素，对喂料器分配和元器件拾贴顺序进行协同优化，获得贴装头在贴装过程中的最小移动路径，以此缩短贴片机的工作时间，有效提高贴装效率。

为了达到上述目的，本发明采用以下技术方案：

一种基于协同进化的拱架型贴片机集成优化方法，包括下述步骤：

步骤1：对有H个贴装头的拱架型贴片机，在G个拾贴循环里完成元器件的贴装，每个拾贴循环最多有H个元器件被贴装；且满足以下条件：一个喂料器只供应一种元器件，一种元器件对应一个喂料器；一个喂料器占用一个槽；一种吸嘴可吸取多种类型的元器件，但是一种类型元器件只能被一种类型吸嘴所吸取；某些贴装头在贴装过程中可自行更换吸嘴；在上述条件下，建立吸嘴配置优化模型和兼顾喂料器分配和元器件拾贴顺序的集成优化数学模型；

步骤2：对步骤1建立的吸嘴配置优化模型，利用线性规划的方法求解出吸嘴配置方案；

步骤3：对步骤1建立的兼顾喂料器分配和元器件拾贴顺序的集成优化数学模型，定义了喂料器分配个体的染色体和元器件拾贴顺序个体的染色体，由此分别建立大小为L×L的2维矩阵形式的喂料器分配种群L_f和元器件拾贴顺序种群L_c，基于这两种种群，采用了基于邻域竞争、交叉、变异和局部搜索的协同进化方法，最终获得喂料器分配和元器件拾贴顺序的最佳方案，实现最小化贴装头在拾贴过程中的运动路径。

优选的，步骤1中，建立的吸嘴配置优化模型，考虑将不同类型的吸嘴配置到各贴装头，同时最小化吸嘴更换次数和贴装头上工作量的上确界，上述模型可表述为：

$f_1={\mathrm{\γ}}_1\mathrm{WL}+{\mathrm{\γ}}_2{\mathrm{\Σ}}_{h\∈H}{\mathrm{\Σ}}_{r\∈R}{u}_{\mathrm{rh}}---\left(1\right)$

其中WL表示贴装头上工作量的上确界，即各贴装头上待拾取元器件数量的最大值；u_rh＝1表示吸嘴r分配给贴装头h，表示了一次贴装头更换；目标函数f₁最小化WL和吸嘴更换次数，用参数γ₁和γ₂用来平衡这两部分。

优选的，步骤1中，建立的兼顾喂料器分配和元器件拾贴顺序的集成优化数学模型，根据贴片机的工作原理，上述模型可表述为：

$\min f_2=\min {\mathrm{\Σ}}_{g=1}^G(f_g^{\mathrm{pf}}+f_g^{\mathrm{ff}}+f_g^{\mathrm{fp}}+f_g^{\mathrm{pp}})---\left(2\right)$

其中g表示第g个取贴循环，表示在第g个循环中贴装头从PCB板移动到喂料槽的距离，表示在第g个循环中贴装头在喂料槽上拾取元器件所移动的距离，表示贴装头从喂料槽移动到PCB板的距离，表示第g个循环中贴装头在PCB板上贴装元器件所移动的距离；目标函数f₂为最小化贴装头在完成所有元器件贴装时的移动路径。

优选的，步骤3中，求解兼顾喂料器分配和元器件拾贴顺序的集成优化数学模型的协同进化算法，其具体步骤为：

步骤3.1：根据吸嘴配置模型结果，按照规则确定每个拾贴循环的吸嘴配置；

步骤3.2：采用随机方法，对种群L_f、L_c进行初始化，初始化后的种群记为和

步骤3.3：利用原问题的目标函数f₂即可求得初始种群和中的个体适应值；设计算其初始适应值F₀为：

$F_0\left(L_f^{0,i,j,}\right)=-\underset{L_c^{0,h,l}\∈L_c^0}{\min }\left\{f_2(L_f^{0,i,j},L_c^{0,h,l})\right\}---\left(3\right)$

$F_0\left(L_c^{0,i,j,}\right)=-\underset{L_c^{0,h,l}\∈L_f^0}{\min }\left\{f_2(L_f^{0,h,l},L_c^{0,i,j})\right\}---\left(4\right)$

其中，表示喂料器分配为个体元器件拾贴顺序为个体表示的分配方案时，贴装头在拾贴过程中的移动路径；记录适应值最大的喂料器分配个体和元器件拾贴顺序个体设迭代次数t＝0；记录第t次迭代的适应值最大的喂料器个体和元器件拾贴顺序个体和分别表示和邻域内的适应值最大的个体；

步骤3.4：对第t代种群中的每个个体执行邻域竞争算子，使两个种群协同进化，得到新的种群

(3.4.1)将分别与进行融合，根据式子(5)(6)，分别计算两个种群中每个个体适应值F以及其邻域内适应值最大的个体和

$F\left(L_f^{t,i,j}\right)=-f_2(L_f^{t,i,j},{\mathrm{Best}}_c^t)---\left(5\right)$

$F\left(L_c^{t,i,j}\right)=-f_2({\mathrm{Best}}_f^t,L_c^{t,i,j})---\left(6\right)$

(3.4.2)进行同种群个体之间的竞争，从而形成新的种群和

(3.4.3)计算新种群中每个个体邻域内的最大个体和

步骤3.5：对第t代种群中的每个个体执行邻域交叉算子，使两个种群协同进化，得到新的种群和

步骤3.6：对第t代种群中的每个个体执行变异算子，实现对两个种群的更新操作和协同进化，得到新的种群

(3.6.1)对中每个个体执行条件变异，实现对个体的更新，从而得到新的种群

(3.6.2)对中每个个体执行条件变异，实现对个体的更新，从而得到新的种群

步骤3.7：对中的每个个体执行基于***和交换邻域的随机局部搜索算法，进一步优化种群；

步骤3.8：按照式子(5)(6)计算种群和中每个个体适应值，并记录两个种群中当代最大的喂料器分配个体和元器件拾贴顺序个体同时，计算和

步骤3.9：若未达到终止条件(达到最大进化代数)，则令t＝t+1，返回步骤4；否则输出算法得到的喂料器分配方案和元器件拾贴顺序方案：若 则输出对应的方案反之输出对应的方案

优选的，步骤3所述的染色体和对应的种群，以及个体邻域；设元器件的数量为n，待分配位置的喂料器个数为a，贴装头的个数为H；定义喂料器分配个体的染色体为序列α＝(α₁α₂...α_i...α_a)，其中α_i表示喂料器i所在的喂料槽号；定义元器件拾贴顺序个体的染色体为序列β＝(β'₁₁,...,β'_1H,β₁₁,...,β_1H,...,β'_g1,...,β'_gH,β_g1,...,β_gH,...,β'_G1,...,β'_GH,β_G1,...,β_GH)，其中(β'_g1,...，β'_gH)表示第g个拾贴循环中元器件拾取顺序，(β_g1,...,β_gH)表示第g个拾贴循环中元器件贴装顺序；序列中的每个元素代表一个元器件；L×L个喂料器分配个体构成为喂料器分配种群矩阵，L×L个元器件拾贴顺序个体体构成元器件拾贴顺序种群矩阵；个体邻域定义为个体周围紧邻的8个个体体构成的集合。

优选的，步骤(3.4.2)具体为：

(3.4.2.1)对中的每个个体执行如下操作：若则存活，令否则对喂料器分配个体执行变异操作，即任意交换两个喂料器的放置位置，得到新个体

(3.4.2.2)对中的每个个体执行如下操作：若则存活，令否则对元器件取贴个体执行变异操作，即任意交换元器件的拾取或者贴装顺序，得到新个体

(3.4.2.3)计算所形成的种群和中每个个体邻域内的最大个体和

优选的，步骤3.5具体为：

(3.5.1)对中的每个个体令产生随机数r₁∈[0,1]；若r₁<P_n(邻域交叉概率)，将和进行两点交叉，产生两个新个体，用其中适应值最大的个体更新重复本过程m(m<4)次；如果则令从而形成型的种群

(3.5.2)对中的每个个体令产生随机数r₂∈[0,1]；若r₂<P_n，将和进行两点交叉，产生两个新个体，用其中适应值最大的个体更新重复本过程m(m<4)次；若则令从而形成型的种群

优选的，步骤(3.5.1)所述的喂料器分配个体的染色体两点交叉按如下规则进行：

(1)：对待交叉的父代α₁＝{α₁₁...α_1i...α_1a}，α₂＝{α₂₁...α_2i...α_2a}，任意选择两个位置k和l，1≤k<l≤a；

(2)：保留α₁中的{α₁₁...α_1k}和{α_1l...α_1a}到子代o₁中；

(3)：除去α₂中o₁的各元素，将剩余α₂的内容按顺序依次传递到o₁剩余的位置上，即得到完整o₁序列；

(4)：交换α₁、α₂，按上述步骤可得另一个子序列o₂。

优选的，步骤(3.5.2)所述的元器件拾贴顺序个体的染色体两点交叉按如下规则进行：

S5.1：产生随机数r₅∈[0,1]，若r₅<P_c，其中P_c为交叉方法选择概率，则执行步骤S5.2，否则执行步骤S5.3；

S5.2：将父代中的元器件拾取顺序序列(β'₁₁,...,β'_1H,...,β'_g1,...,β'_gH,...,β'_G1,...,β'_GH)执行如权利8所述的两点交叉方法；

S5.3：将父代中的元器件贴装顺序序列(β₁₁,...,β_1H,...,β_g1,...,β_gH,...,β_G1,...,β_GH)执行如权利8所述的两点交叉方法。

优选的，步骤3.7所述的随机局部搜索按如下规则进行：

3.7.1：对中的每个喂料器分配个体，执行基于***和交换邻域的随机局部搜索算法：

(3.7.1.1)随机将某个喂料器位置放入一个空白喂料槽；若适应值减少，则将当前个体进行替换，令p₁＝0；否则令p₁＝p₁+1；重复本步骤，直到p₁>Pn₁；

(3.7.1.2)随机将某两个喂料器位置交换；若适应值减少，则将当前个体进行替换，令p₂＝0；否则令p₂＝p₂+1；重复步骤本步骤，直到p₂>Pn₂；

3.7.2:对中的每个元器件拾贴顺序个体，执行基于交换邻域的随机局部搜索算法：随机将两个不同拾贴循环中的元器件的拾取顺序进行交换，元器件放置位置的距离小于Δ，并更新对应两个拾贴循环的贴装顺序，重新计算适应值；若适应值减少，则更新当前元器件拾贴顺序个体，且令p₃＝0；否则令p₃＝p₃+1；重复本过程，直到p₃>Pn₃。

本发明与现有技术相比，具有如下优点和有益效果：

1.本发明根据贴片机的优化内容，将喂料器分配和元器件拾贴顺序问题协同优化，构建了基于序列编码的两个种群，设计了邻域竞争算子、交叉算子、变异算子和局部搜索，对这两个种群进行协同进化，从而能够更快的获得更好的解决方案。

2.本发明用2维矩阵的形式表示种群，每个矩阵元素代表着一个个体，同时引入邻域的概念，利用3个设计的算子和一个局部搜索实现对种群的更新，避免陷入局部最优。

附图说明

图1是本发明的实现流程图；

图2是拱架型贴片机的结构图；

图3是基于两种种群矩阵的协同进化方法流程图；

图4是种群矩阵和某个个体的邻域示意图；

图5是喂料器分配种群的邻域竞争算子流程图；

图6是喂料器分配种群的邻域交叉算子流程图。

具体实施方式

下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。

实施例1

如图1所示，一种基于协同进化的拱架型贴片机集成优化方法，包括如下几个步骤：

步骤1，建立吸嘴配置优化模型和兼顾喂料器分配和元器件拾贴顺序的集成优化数学模型：

1)如图2为拱架型贴片机的结构图，对有H个贴装头的拱架型贴片机，工作台3上设有PCB板，贴装头机构上设有多个贴片头1，贴片头上设有吸嘴2，工作台上设有用于监控的摄像头4；在该机构上还分别设有喂料器5和喂料槽6；在G个拾贴循环里完成元器件的贴装，每个拾贴循环最多有H个元器件被贴装。且满足以下条件：一个喂料器只供应一种元器件，一种元器件对应一个喂料器；一个喂料器占用一个槽；一种吸嘴可吸取多种类型的元器件，但是一种类型元器件只能被一种类型吸嘴所吸取；某些贴装头在贴装过程中可自行更换吸嘴。在上述条件下，建立吸嘴配置优化模型和兼顾喂料器分配和元器件拾贴顺序的集成优化数学模型。

2)本实施例中，针对吸嘴配置优化模型，考虑将不同类型的吸嘴配置到各贴装头，同时最小化吸嘴更换次数和贴装头上工作量的上确界，上述模型可表述为：

$f_1={\mathrm{\&gamma;}}_1\mathrm{WL}+{\mathrm{\&gamma;}}_2{\mathrm{\&Sigma;}}_{h\&Element;H}{\mathrm{\&Sigma;}}_{r\&Element;R}{u}_{\mathrm{rh}}---\left(1\right)$

其中WL表示贴装头上工作量的上确界(各贴装头上待拾取元器件数量的最大值)；u_rh＝1表示吸嘴r分配给贴装头h，表示了一次贴装头更换。目标函数f₁最小化WL和吸嘴更换次数，用参数γ₁和γ₂用来平衡这两部分。

3)针对兼顾喂料器分配和元器件拾贴顺序的集成优化数学模型，根据贴片机的工作原理，上述模型可表述为：

$\min f_2=\min {\mathrm{\&Sigma;}}_{g=1}^G(f_g^{\mathrm{pf}}+f_g^{\mathrm{ff}}+f_g^{\mathrm{fp}}+f_g^{\mathrm{pp}})---\left(2\right)$

其中g表示第g个取贴循环，表示在第g个循环中贴装头从PCB板移动到喂料槽的距离，表示在第g个循环中贴装头在喂料槽上拾取元器件所移动的距离，表示贴装头从喂料槽移动到PCB板的距离，表示第g个循环中贴装头在PCB板上贴装元器件所移动的距离。目标函数f₂为最小化贴装头在完成所有元器件贴装时的移动路径。

步骤2，对步骤1建立的吸嘴配置优化模型，利用线性规划的方法求解出吸嘴配置方案。

步骤3，对步骤1建立兼顾喂料器分配和元器件拾贴顺序的集成优化数学模型，定义了喂料器分配个体的染色体和元器件拾贴顺序个体的染色体，由此分别建立大小为L×L的2维矩阵形式的喂料器分配种群L_f和元器件拾贴顺序种群L_c，基于这两种种群，采用了基于邻域竞争、交叉、变异和局部搜索的协同进化方法，最终获得喂料器分配和元器件拾贴顺序的最佳方案，实现最小化贴装头在拾贴过程中的运动路径。

1)求解兼顾喂料器分配和元器件拾贴顺序的集成优化数学模型的协同进化算法中，设元器件的数量为n，待分配位置的喂料器个数为a，贴装头的个数为H。定义喂料器分配个体的染色体为序列α＝(α₁α₂...α_i...α_a)，其中α_i表示喂料器i所在的槽号；定义元器件拾贴顺序个体的染色体为序列β＝(β'₁₁,...,β'_1H,β₁₁,...,β_1H,...,β'_g1,...,β'_gH,β_g1,...,β_gH,...,β'_G1,...,β'_GH,β_G1,...,β_GH)，其中(β'_g1,...,β'_gH)表示第g个拾贴循环中元器件拾取顺序，(β_g1,...,β_gH)表示第g个拾贴循环中元器件贴装顺序。序列中的每个元素代表一个元器件。如图4所示，L×L个喂料器分配个体构成为喂料器分配种群矩阵，L×L个元器件拾贴顺序个体体构成元器件拾贴顺序种群矩阵。个体邻域定义为个体周围紧邻的8个个体体构成的集合。

2)根据上述定义，设计了基于两种种群矩阵的协同进化方法，如图3。其具体步骤为：

(1)：根据吸嘴配置模型结果，按照规则确定每个拾贴循环的吸嘴配置；

(2)：采用随机方法，对种群L_f、L_c进行初始化，初始化后的种群记为和

(3)：利用原问题的目标函数f₂即可求得种群和中的个体适应值。设计算其初始适应值F₀为：

$F_0\left(L_f^{0,i,j,}\right)=-\underset{L_c^{0,h,l}\&Element;L_c^0}{\min }\left\{f_2(L_f^{0,i,j},L_c^{0,h,l})\right\}---\left(3\right)$

$F_0\left(L_c^{0,i,j,}\right)=-\underset{L_c^{0,h,l}\&Element;L_f^0}{\min }\left\{f_2(L_f^{0,h,l},L_c^{0,i,j})\right\}---\left(4\right)$

其中，表示当喂料器分配为个体元器件拾贴顺序为个体表示的分配方案时，贴装头在拾贴过程中的移动路径。记录适应值最大的喂料器分配个体和元器件拾贴顺序个体设迭代次数t＝0。记录第t次迭代的适应值最大的喂料器个体和元器件拾贴顺序个体和分别表示个体和邻域内的适应值最大的个体。

(4)：如图5所示，对第t代种群中的每个个体执行邻域竞争算子，使两个种群协同进化，得到新的种群

(4.1)将分别与进行融合，如图4所示，重新计算每个个体的适应值F，根据式子(5)(6)，计算两个种群中每个个体适应值以及其邻域内适应值最大的个体和

$F\left(L_f^{t,i,j}\right)=-f_2(L_f^{t,i,j},{\mathrm{Best}}_c^t)---\left(5\right)$

$F\left(L_c^{t,i,j}\right)=-f_2({\mathrm{Best}}_f^t,L_c^{t,i,j})---\left(6\right)$

(4.2)进行个体之间的竞争，从而形成新的种群和

(4.2.1)对中的各个个体执行如下操作：若则存活，令否则对喂料器分配个体执行变异操作，即任意交换两个喂料器的放置位置，得到新个体 $L_f^{t^{\&prime;},i,j};$

(4.2.2)对中的各个个体执行如下操作：若则存活，令否则对元器件取贴个体执行变异操作，即任意交换元器件的拾取或者贴装顺序，得到新个体

(4.2.3)计算所形成的种群和中每个个体邻域内的最大个体和

(5)：对第t代种群中的每个个体执行邻域交叉算子，使两个种群协同进化，得到新的种群和

(5.1)对中的各个个体令执行如下操作：

(5.1.1)产生随机数r₁∈[0,1]；若r₁<P_n(邻域交叉概率)，将和进行两点交叉，产生两个新个体，用其中适应值最大的个体更新重复本过程m次。

(5.1.2)如果 $F\left({\mathrm{Max}}_f^{t^{\&prime;},i,j}\right)>F\left(L_f^{t^{\&prime;\&prime;},i,j}\right),$ 则令 $L_f^{t^{\&prime;\&prime;},i,j}={\mathrm{Max}}_f^{t^{\&prime;},i,j}.$

如图6所示，针对喂料器分配个体的染色体两点交叉按如下规则进行：首先对于待交叉的父代α₁＝{α₁₁α₁₂...α_1i...α_1a}，α₂＝{α₂₁α₂₂...α_2i...α_2a}，任意选择两个位置k和l，1≤k<l≤a；其次保留α₁中的{α₁₁...α_1k}和{α_1l...α_1a}到子代o₁中；然后除去α₂中o₁的各元素，将剩余α₂的内容按顺序依次传递到o₁剩余的位置上，即得到完整o₁序列；最后交换α₁、α₂，按上述步骤可得另一个子序列o₂。

(5.2)对中的各个个体令执行如下操作：

(5.2.1)产生随机数r₂∈[0,1]；若r₂<P_n，将和进行两点交叉，产生两个新个体，用其中适应值最大的个体更新重复本过程m次。

(5.2.2)若 $\left({\mathrm{Max}}_c^{t^{\&prime;},i,j}\right)>F\left(L_c^{t^{\&prime;\&prime;},i,j}\right),$ 则令 $L_c^{t^{\&prime;\&prime;},i,j}={\mathrm{Max}}_c^{t^{\&prime;},i,j}.$

针对元器件拾贴顺序个体的染色体两点交叉按如下规则进行：首先产生随机数r₅∈[0,1]，若r₅<P_c(交叉方法选择概率)，则将父代中的元器件拾取顺序序列(β'₁₁,...,β'_1H,...,β'_g1,...,β'_gH,...,β'_G1,...,β'_GH)执行如喂料器分配个体的染色体两点交叉方法；否则将父代中的元器件贴装顺序序列(β₁₁,...,β_1H,...,β_g1,...,β_gH,...,β_G1,...,β_GH)执行如喂料器分配个体的染色体两点交叉方法。

(6)：对第t代种群中的个体执行变异算子，实现对两个种群的更新操作和协同进化，得到新的两个种群

(6.1)对中每个个体执行条件变异，实现对个体的更新，从而得到新的种群其中变异方法同步骤(4.2.1)；

(6.2)对中每个个体执行条件变异，实现对个体的更新，从而得到新的种群其中变异方法同步骤(4.2.2)；

(7)：对中的每个个体执行基于***和交换邻域的随机局部搜索算法，进一步优化种群；

针对喂料器分配种群中的每个个体执行基于***和交换邻域的随机局部搜索算法：首先随机将某个喂料器位置放入一个空白喂料槽。若适应值减少，则将当前个体进行替换，令p₁＝0；否则令p₁＝p₁+1。重复本步骤，直到p₁>Pn₁。然后随机将某两个喂料器位置交换。若适应值减少，则将当前个体进行替换，令p₂＝0；否则令p₂＝p₂+1。重复步骤本步骤，直到p₂>Pn₂。

针对元器件拾贴顺序种群中的每个个体执行基于交换邻域的随机局部搜索算法：随机将两个不同拾贴循环中的元器件(放置位置的距离小于Δ)的拾取顺序(或者贴装顺序)进行交换，并更新对应两个拾贴循环的贴装顺序(或者贴装顺序)，重新计算适应值。若适应值减少，则更新当前元器件拾贴顺序个体，且令p₃＝0；否则令p₃＝p₃+1。重复本过程，直到p₃>Pn₃。

(8)：按照公式(5)-(6)计算种群和中每个个体适应值，并记录两个种群中当代最大的喂料器分配个体和元器件拾贴顺序个体同时，计算和

(9)：若未达到终止条件(达到最大进化代数)，则令t＝t+1返回步骤(4)；否则输出算法得到的喂料器分配方案和元器件拾贴顺序方案：若 则输出对应的方案反之输出对应的方案

上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (10)

1.一种基于协同进化的拱架型贴片机集成优化方法，其特征在于，包括下述步骤：

步骤1：对有H个贴装头的拱架型贴片机，在G个拾贴循环里完成元器件的贴装，每个拾贴循环最多有H个元器件被贴装；且满足以下条件：一个喂料器只供应一种元器件，一种元器件对应一个喂料器；一个喂料器占用一个槽；一种吸嘴可吸取多种类型的元器件，但是一种类型元器件只能被一种类型吸嘴所吸取；某些贴装头在贴装过程中可自行更换吸嘴；在上述条件下，建立吸嘴配置优化模型和兼顾喂料器分配和元器件拾贴顺序的集成优化数学模型；

步骤2：对步骤1建立的吸嘴配置优化模型，利用线性规划的方法求解出吸嘴配置方案；

步骤3：对步骤1建立的兼顾喂料器分配和元器件拾贴顺序的集成优化数学模型，定义了喂料器分配个体的染色体和元器件拾贴顺序个体的染色体，由此分别建立大小为L×L的2维矩阵形式的喂料器分配种群L_f和元器件拾贴顺序种群L_c；基于这两种种群，采用了基于邻域竞争、交叉、变异和局部搜索的协同进化方法，最终获得喂料器分配和元器件拾贴顺序的最佳方案，实现贴装头在拾贴过程中运动路径的最小化。

2.根据权利要求1所述的基于协同进化的拱架型贴片机集成优化方法，其特征在于，步骤1中，建立的吸嘴配置优化模型，考虑将不同类型的吸嘴配置到各贴装头，同时最小化吸嘴更换次数和贴装头上工作量的上确界，上述模型可表述为：

$f_1={\mathrm{\&gamma;}}_1\mathrm{WL}+{\mathrm{\&gamma;}}_2{\mathrm{\&Sigma;}}_{h\&Element;H}{\mathrm{\&Sigma;}}_{r\&Element;R}{u}_{\mathrm{rh}}---\left(1\right)$

其中WL表示贴装头上工作量的上确界，即各贴装头上待拾取元器件数量的最大值；u_rh＝1表示吸嘴r分配给贴装头h，表示了一次贴装头更换；目标函数f₁最小化WL和吸嘴更换次数，用参数γ₁和γ₂用来平衡这两部分。

3.根据权利要求1所述的基于协同进化的拱架型贴片机集成优化方法，其特征在于，步骤1中，建立的兼顾喂料器分配和元器件拾贴顺序的集成优化数学模型，根据贴片机的工作原理，上述模型可表述为：

$\min f_2=\min {\mathrm{\&Sigma;}}_{g=1}^G(f_g^{\mathrm{pf}}+f_g^{\mathrm{ff}}+f_g^{\mathrm{fp}}+f_g^{\mathrm{pp}})---\left(2\right)$

其中g表示第g个取贴循环，表示在第g个循环中贴装头从PCB板移动到喂料槽的距离，表示在第g个循环中贴装头在喂料槽上拾取元器件所移动的距离，表示贴装头从喂料槽移动到PCB板的距离，表示第g个循环中贴装头在PCB板上贴装元器件所移动的距离；目标函数f₂为最小化贴装头在完成所有元器件贴装时的移动路径。

4.根据权利要求1所述的基于协同进化的拱架型贴片机集成优化方法，其特征在于，步骤3中，求解兼顾喂料器分配和元器件拾贴顺序的集成优化数学模型的协同进化算法，其具体步骤为：

步骤3.1：根据吸嘴配置模型结果，按照规则确定每个拾贴循环的吸嘴配置；

步骤3.2：采用随机方法，对种群L_f、L_c进行初始化，初始化后的种群记为和

步骤3.3：利用原问题的目标函数f₂即可求得初始种群和中的个体适应值；设 计算其初始适应值F₀为：

$F_0\left(L_f^{0,i,j,}\right)=-\underset{L_c^{0,h,l}\&Element;L_c^0}{\min }\left\{f_2(L_f^{0,i,j},L_c^{0,h,l})\right\}---\left(3\right)$

$F_0\left(L_c^{0,i,j,}\right)=-\underset{L_c^{0,h,l}\&Element;L_f^0}{\min }\left\{f_2(L_f^{0,h,l},L_c^{0,i,j})\right\}---\left(4\right)$

其中，表示喂料器分配为个体元器件拾贴顺序为个体表示的分配方案时，贴装头在拾贴过程中的移动路径；记录适应值最大的喂料器分配个体和元器件拾贴顺序个体设迭代次数t＝0；记录第t次迭代的适应值最大的喂料器个体和元器件拾贴顺序个体和分别表示和邻域内的适应值最大的个体；

步骤3.4：对第t代种群中的每个个体执行邻域竞争算子，使两个种群协同进化，得到新的种群

(3.4.1)将分别与进行融合，根据式子(5)(6)，分别计算两个种群中每个个体适应值F以及其邻域内适应值最大的个体和

$F\left(L_f^{t,i,j}\right)=-f_2(L_f^{t,i,j},{\mathrm{Best}}_c^t)---\left(5\right)$

$F\left(L_c^{t,i,j}\right)=-f_2({\mathrm{Best}}_f^t,L_c^{t,i,j})---\left(6\right)$

(3.4.2)进行同种群个体之间的竞争，从而形成新的种群和

(3.4.3)计算新种群中每个个体邻域内的最大个体和

步骤3.5：对第t代种群中的每个个体执行邻域交叉算子，使两个种群协同进化，得到新的种群和

步骤3.6：对第t代种群中的每个个体执行变异算子，实现对两个种群的更新操作和协同进化，得到新的种群

(3.6.1)对中每个个体执行条件变异，实现对个体的更新，从而得到新的种群

(3.6.2)对中每个个体执行条件变异，实现对个体的更新，从而得到新的种群

步骤3.7：对中的每个个体执行基于***和交换邻域的随机局部搜索算法，进一步优化种群；

步骤3.8：按照式子(5)(6)计算种群和中每个个体适应值，并记录两个种群中当代适应值最大的喂料器分配个体和元器件拾贴顺序个体同时，计算和

步骤3.9：若未达到终止条件(达到最大进化代数)，则令t＝t+1，返回步骤3.4；否则输出算法得到的喂料器分配方案和元器件拾贴顺序方案：若 则输出对应的方案反之输出对应的方案

5.根据权利要求1所述的一种基于协同进化的拱架型贴片机集成优化方法，其特征在于，步骤3所述的染色体和对应的种群，以及个体邻域；设元器件的数量为n，待分配位置的喂料器个数为a，贴装头的个数为H；定义喂料器分配个体的染色体为序列α＝(α₁α₂...α_i...α_a)，其中α_i表示喂料器i所在的喂料槽号；定义元器件拾贴顺序个体的染色体为序列β＝(β'₁₁,...,β'_1H,β₁₁,...,β_1H,...,β'_g1,...,β'_gH,β_g1,...,β_gH,...,β'_G1,...,β'_GH,β_G1,...,β_GH)，其中(β'_g1,...,β'_gH)表示第g个拾贴循环中元器件拾取顺序，(β_g1,...,β_gH)表示第g个拾贴循环中元器件贴装顺序；序列中的每个元素代表一个元器件；L×L个喂料器分配个体构成为喂料器分配种群矩阵，L×L个元器件拾贴顺序个体体构成元器件拾贴顺序种群矩阵；个体邻域定义为个体周围紧邻的8个个体体构成的集合。

6.根据权利要求4所述的基于协同进化的拱架型贴片机集成优化方法，其特征在于，步骤(3.4.2)具体为：

(3.4.2.1)对中的某个个体若则存活，令否则对喂料器分配个体执行变异算子，即任意交换两个喂料器的放置位置，得到新个体对中的每个个体执行上述操作，即得到新的种群

(3.4.2.2)对中的某个个体若则存活，令否则对元器件拾贴顺序个体执行变异算子，即任意交换元器件的拾取或者贴装顺序，得到新个体对中的每个个体执行上述操作，即得到新的种群

7.根据权利要求4所述的基于协同进化的拱架型贴片机集成优化方法，其特征在于，步骤3.5具体为：

(3.5.1)对中的每个个体令产生随机数r₁∈[0,1]；若r₁<P_n(邻域交叉概率)，将和进行两点交叉，产生两个新个体，用其中适应值最大的个体更新重复本过程m(m<4)次；如果则令从而形成型的种群

(3.5.2)对中的每个个体令产生随机数r₂∈[0,1]；若r₂<P_n，将和进行两点交叉，产生两个新个体，用其中适应值最大的个体更新重复本过程m(m<4)次；若则令从而形成型的种群

8.根据权利要求4或7所述的一种基于协同进化的拱架型贴片机集成优化方法，其特征在于，步骤(3.5.1)所述的喂料器分配个体的染色体两点交叉按如下规则进行：

(1)：对待交叉的父代α₁＝{α₁₁...α_1i...α_1a}，α₂＝{α₂₁...α_2i...α_2a}，任意选择两个位置k和l，1≤k<l≤a；

(2)：保留α₁中的{α₁₁...α_1k}和{α_1l...α_1a}到子代o₁中；

(3)：除去α₂中o₁的各元素，将剩余α₂的内容按顺序依次传递到o₁剩余的位置上，即得到完整o₁序列；

(4)：交换α₁、α₂，按上述步骤可得另一个子序列o₂。

9.根据权利要求4或7所述的一种基于协同进化的拱架型贴片机集成优化方法，其特征在于，步骤(3.5.2)所述的元器件拾贴顺序个体的染色体两点交叉按如下规则进行：

S5.1：产生随机数r₅∈[0,1]，若r₅<P_c，其中P_c为交叉方法选择概率，则执行步骤S5.2，否则执行步骤S5.3；

S5.2：将父代中的元器件拾取顺序序列(β'₁₁,...,β'_1H,...,β'_g1,...,β'_gH,...,β'_G1,...,β'_GH)执行如权利8所述的两点交叉方法；

S5.3：将父代中的元器件贴装顺序序列(β₁₁,...,β_1H,...,β_g1,...,β_gH,...,β_G1,...,β_GH)执行如权利8所述的两点交叉方法。

10.根据权利要求4所述的一种基于协同进化的拱架型贴片机集成优化方法，其特征在于，其算法过程中步骤3.7所述的随机局部搜索按如下规则进行：

3.7.1：对中的每个喂料器分配个体，执行基于***和交换邻域的随机局部搜索算法：

(3.7.1.1)随机将某个喂料器位置放入一个空白喂料槽；若适应值减少，则将当前个体进行替换，令p₁＝0；否则令p₁＝p₁+1；重复本步骤，直到p₁>Pn₁；

(3.7.1.2)随机将某两个喂料器位置交换；若适应值减少，则将当前个体进行替换，令p₂＝0；否则令p₂＝p₂+1；重复步骤本步骤，直到p₂>Pn₂；

3.7.2:对中的每个元器件拾贴顺序个体，执行基于交换邻域的随机局部搜索算法：随机将两个不同拾贴循环中的元器件的拾取顺序进行交换，元器件放置位置的距离小于Δ，并更新对应两个拾贴循环的贴装顺序，重新计算适应值；若适应值减少，则更新当前元器件拾贴顺序个体，且令p₃＝0；否则令p₃＝p₃+1；重复本过程，直到p₃>Pn₃。