.png){kind=icon}
返回
Reinforcement learning for self-adaptive genetic algorithm in assembly sequence planning
.png){kind=icon}
PRE
AI
DOI：10.1007/s00170-025-16873-1.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
装配序列规划（ASP）确定了产品组件的装配顺序。现有的ASP方法在规划复杂产品时存在局限性，包括高计算成本和低效优化。本研究提出了一种基于Q-Learning的遗传算法（QLGA）来解决这些挑战。遗传算法（GA）是问题依赖的，通常需要针对特定问题进行调整。通过将Q-learning能力融入GA，可以增强GA的性能，特别是在解决NP难度的ASP问题上。通过案例研究比较了具有不同交叉算子和选择机制的GA和QLGA版本，以评估所提出的方法。结果表明，QLGA在收敛速度和效率方面优于传统GA。当Q-learning技术与传统GA方法结合时，ASP可以得到显著改善，为产品装配规划提供了一种通用且高效的解决方案。在案例研究1中，QLGA实现了最短的估计装配时间（16.36s），比最佳GA基线（ROX-GA，17.26s）快5.19%，比TOX-GA（31.90s）和TCX-GA（35.49s）快48.70–53.90%，针对的是21个零件的工业驱动产品。在案例研究2中，QLGA具有最短的装配时间（17.01s），比最佳GA基线（ROX-GA，17.27s）快1.51%，比TOX-GA（33.04s）和TCX-GA（87.69s）快48.52–80.60%，针对的是19个组件的表面分析仪产品。
Keyword:
Assembly sequence planning
Genetic algorithm
Reinforcement learning
Q-learning
期刊
T
IF:
0
论文数:
2.0K
被引数:
0
机构
引用论文
An Enhanced Assembly Planning Approach Using a Multi-Objective Genetic Algorithm.png)
Proceedings of the Institution of Mechanical Engineers, Part B: Journal of Engineering Manufacture
Proceedings of the Institution of Mechanical Engineers, Part B: Journal of Engineering ManufactureIF0
PREAI
分享收藏An Assembly Sequence Planning Method Based on Multiple Optimal Solutions Genetic AlgorithmMathematics
OAAI
MathematicsIF0
OAAI分享收藏Improved genetic algorithm based on reinforcement learning for electric vehicle front-end structure optimization design基于强化学习改进遗传算法的电动汽车前端结构优化设计
PREAI
分享收藏An efficient Q-learning-based multi-objective intelligent hybrid genetic algorithm for mixed-model assembly line efficiency基于Q-learning的多目标智能混合遗传算法以提高混型装配线效率
IF0
PREAI
分享收藏
查看更多内容