王 健,趙 娜,劉 超,孫志禮
(東北大學(xué)機(jī)械工程與自動(dòng)化學(xué)院,遼寧 沈陽(yáng)110819)
保持工作系統(tǒng)具有較高的可靠性及可用度對(duì)設(shè)備使用者和設(shè)計(jì)人員都非常重要。在系統(tǒng)可靠性工程中主要有2種方法提高系統(tǒng)可靠性指標(biāo),一種是提高系統(tǒng)中各個(gè)部件的可靠性水平;另一種是在系統(tǒng)中并聯(lián)與現(xiàn)有部件具有相同功能的部件。當(dāng)選擇第2種方法時(shí),若系統(tǒng)中并聯(lián)部件太多,不但會(huì)造成系統(tǒng)龐大結(jié)構(gòu)復(fù)雜,而且造價(jià)過(guò)高,若系統(tǒng)中并聯(lián)部件不足,則會(huì)造成可靠性指標(biāo)不能滿(mǎn)足設(shè)計(jì)要求,因此,設(shè)計(jì)者必須在系統(tǒng)花費(fèi)和系統(tǒng)可靠性水平間加以平衡。
早期學(xué)者們?cè)噲D尋找上述冗余分配問(wèn)題[1]的精確最優(yōu)解,但計(jì)算量隨著問(wèn)題解維數(shù)的增加呈指數(shù)增長(zhǎng),所有維數(shù)較高冗余分配問(wèn)題要想得到精確最優(yōu)解是相當(dāng)困難的。后來(lái),遺傳算法[2]、粒子群算法[3]和蟻群算法[4]等啟發(fā)式算法應(yīng)用到冗余分配問(wèn)題中,希望能得到近似解,但實(shí)際應(yīng)用中發(fā)現(xiàn)單純使用一種算法容易得到局部最優(yōu)解而不是整個(gè)問(wèn)題的最優(yōu)解。因此,將粒子群算法同局部搜索算法相結(jié)合,能有效避免在算法迭代過(guò)程中局部收斂現(xiàn)象。
串并聯(lián)系統(tǒng)[5-6]結(jié)構(gòu)模型如圖1所示。整個(gè)系統(tǒng)由Ns個(gè)子系統(tǒng)串聯(lián)而成,各子系統(tǒng)內(nèi)部部件間為并聯(lián)關(guān)系。第i個(gè)子系統(tǒng)中共有Vi個(gè)不同可用類(lèi)型部件,每種類(lèi)型部件均能實(shí)現(xiàn)相同的功能,只有能力、可用度和費(fèi)用不同。第j(j{1,2,…,Vi})類(lèi)部件共有Hij個(gè)不同的工作狀態(tài),每個(gè)狀態(tài)的工作能力不同,顯然Hij≥2,即每個(gè)類(lèi)型部件至少應(yīng)有2個(gè)工作狀態(tài)。
圖1 串并聯(lián)系統(tǒng)結(jié)構(gòu)
子系統(tǒng)i中第j個(gè)類(lèi)型部件的單價(jià)用Cij表示,該類(lèi)型部件處在狀態(tài)h(h{1,2,…,Hij})的概率為Aijh,對(duì)應(yīng)的工作能力為 Wijh,這里的 Hij,Aijh和Wijh是部件的固有性質(zhì),其中,Aijh是根據(jù)部件的狀態(tài)轉(zhuǎn)移概率矩陣及維修更換策略經(jīng)過(guò)較復(fù)雜計(jì)算得到。參考文獻(xiàn)[7]中對(duì)該過(guò)程進(jìn)行了詳細(xì)說(shuō)明,而這里認(rèn)為系統(tǒng)處在穩(wěn)定工作狀態(tài)時(shí)各子系統(tǒng)中各類(lèi)型部件的Aijh是已知的。子系統(tǒng)i中j類(lèi)型部件的數(shù)量由Xij表示,這樣子系統(tǒng)i的結(jié)構(gòu)可由向量Xi表示,即
Vi為子系統(tǒng)i中部件類(lèi)型個(gè)數(shù),顯然Xij≥0。整個(gè)系統(tǒng)結(jié)構(gòu)由各子系統(tǒng)結(jié)構(gòu)完全確定,用向量X表示整個(gè)系統(tǒng)結(jié)構(gòu):
X=[X1,X2,…,XNs]
Ns為子系統(tǒng)個(gè)數(shù)。
這樣整個(gè)系統(tǒng)的花費(fèi)CS為:
系統(tǒng)可用度用AS表示,在運(yùn)行過(guò)程中系統(tǒng)可用度的下限設(shè)為A0,則結(jié)構(gòu)優(yōu)化問(wèn)題為:
結(jié)束條件為AS≥A0。求解式(2)所得系統(tǒng)結(jié)構(gòu)X即為系統(tǒng)的最優(yōu)結(jié)構(gòu)。
在此,計(jì)算系統(tǒng)可用度使用概率生成函數(shù)方法,并假設(shè)系統(tǒng)中各個(gè)部件間的工作狀態(tài)是相互獨(dú)立的,這一假設(shè)非常重要,是應(yīng)用UGF計(jì)算系統(tǒng)可用度的前提條件。
由上文可知,子系統(tǒng)i中j類(lèi)部件的UGF為:
根據(jù)UGF在處理獨(dú)立隨機(jī)變量中的性質(zhì)及子系統(tǒng)中各個(gè)部件間為并聯(lián)關(guān)系,子系統(tǒng)i的UGF為:
式(4)可以展開(kāi)為:
Api為子系統(tǒng)工作能力為Wpi的概率。由于各個(gè)子系統(tǒng)間為串聯(lián)關(guān)系,根據(jù)式(5)可以得到系統(tǒng)的UGF為:
式(6)可以展開(kāi)為:
Q為系統(tǒng)的狀態(tài)個(gè)數(shù);Wq為各個(gè)狀態(tài)對(duì)應(yīng)的工作能力。
若將系統(tǒng)工作時(shí)間分成M 段,第m(m{1,2,…,M})段長(zhǎng)度為T(mén)m,且第m段要求系統(tǒng)工作能力不低于W0m,則系統(tǒng)在第m個(gè)工作時(shí)間段內(nèi)的可用度為:
則系統(tǒng)在整個(gè)工作過(guò)程中的可用度為:
粒子群算法(PSO)是一種群智能算法,在求解高維非線(xiàn)性不可微問(wèn)題中表現(xiàn)出較好的效率,PSO算法在處理這類(lèi)問(wèn)題時(shí)要比遺傳算法收斂速度快很多。它的基本概念源于對(duì)鳥(niǎo)群覓食行為的研究。設(shè)想這樣一個(gè)場(chǎng)景:一群鳥(niǎo)在隨機(jī)搜尋食物,在這個(gè)區(qū)域里只有一塊食物,所有的鳥(niǎo)都不知道食物在哪里,它們只能根據(jù)自己和相鄰鳥(niǎo)的經(jīng)驗(yàn),選擇下一步向哪個(gè)方向移動(dòng)去尋找食物。)
標(biāo)準(zhǔn)PSO算法首先要隨機(jī)產(chǎn)生一定數(shù)量NP的“粒子”,同時(shí)產(chǎn)生與每個(gè)初始粒子對(duì)應(yīng)的前進(jìn)速度,用X表示粒子的位置,Y表示X 的速度。實(shí)際問(wèn)題中X各分量的取值不可能是任意的,式(2)所要優(yōu)化問(wèn)題的X分量的上限用XB表示。每個(gè)粒子都沿著自己的速度方向移動(dòng),更新位置并尋找問(wèn)題的最優(yōu)解,粒子的速度及位置更新過(guò)程為:
X(t+1),X(t)為粒子在第t+1次和第t次迭代后所處位置;Y(t+1)為粒子在第t+1次迭代時(shí)的速度;XPB為粒子自身所得到的最優(yōu)解,稱(chēng)之為局部最優(yōu)解;XGB為所有粒子得到的最優(yōu)解,每次迭代后都要對(duì)XPB和XGB進(jìn)行更新;l1和l2為XPB和XGB的影響因子;u1和u2為取自[0,1]區(qū)間均勻分布隨機(jī)數(shù);w為粒子初始速度影響因子。
粒子群算法中用適應(yīng)度函數(shù)決定一個(gè)粒子或解的好壞程度。所提優(yōu)化問(wèn)題的適應(yīng)度函數(shù)由2部分組成,一部分為粒子X(jué)所決定系統(tǒng)的費(fèi)用CS,另一部分為,若X所決定系統(tǒng)的可用度不能滿(mǎn)足A0要求,則應(yīng)該在CS基礎(chǔ)上增加CP作為懲罰,以利于在以后迭代中將可用度小于A0的解淘汰掉,實(shí)現(xiàn)約束條件AS≥A0。所以式(2)對(duì)應(yīng)的適應(yīng)度函數(shù)可表示為:
γ為懲罰系數(shù),參考文獻(xiàn)[8]中給出選取γ的系統(tǒng)說(shuō)明。
為彌補(bǔ)PSO算法在迭代過(guò)程中可能出現(xiàn)局部收斂的缺陷,加快整個(gè)求解過(guò)程的收斂速度和求解精度,給出5種局部搜索策略作為對(duì)原始PSO的補(bǔ)充。
a.“+1”。對(duì)每個(gè)子系統(tǒng)中在現(xiàn)有解基礎(chǔ)上增加1個(gè)部件,增加的部件可以屬于系統(tǒng)中任何類(lèi)型。
b.“-1”。對(duì)每個(gè)子系統(tǒng)中在現(xiàn)有解基礎(chǔ)上減少1個(gè)部件,減少的部件可以屬于系統(tǒng)中任何類(lèi)型,若系統(tǒng)中某一類(lèi)型部件數(shù)為0,則不對(duì)其進(jìn)行任何操作。
c.“-1,+1”。每個(gè)子系統(tǒng)中在現(xiàn)有解基礎(chǔ)上減少1個(gè)部件,減少的部件可以屬于系統(tǒng)中任何類(lèi)型,若系統(tǒng)中某一類(lèi)型部件數(shù)為0,則不對(duì)其進(jìn)行任何操作,同時(shí)增加1個(gè)子系統(tǒng)中其他類(lèi)型部件。
d.“-1,+β”。與c類(lèi)似,不同的是,在刪除1個(gè)部件后要增加β個(gè)其他型號(hào)部件,β的計(jì)算為:
e.“-all,+β”:該策略與d類(lèi)似,不同在于要?jiǎng)h除所有j1類(lèi)型部件,用β個(gè)j2類(lèi)型部件代替,β由下式?jīng)Q定:
經(jīng)過(guò)以上某種局部搜索策略處理后得到的粒子X(jué)′要與X 進(jìn)行比較,取其中最好的粒子繼續(xù)進(jìn)行PSO迭代。
需要說(shuō)明的是,為了控制算法的計(jì)算量,并不是在每次PSO迭代前對(duì)所有粒子進(jìn)行局部搜索,而是規(guī)定每進(jìn)行一定次數(shù)PSO迭代后,對(duì)所得粒子隨機(jī)挑選一定比例進(jìn)行局部搜索處理,這樣既可以使算法計(jì)算量不會(huì)太大,又能在一定程度上加快收斂速度和避免局部收斂。
假設(shè)共有4個(gè)子系統(tǒng),所有可選部件都只有工作和故障2個(gè)狀態(tài)。部件故障狀態(tài)時(shí)工作能力為0。各子系統(tǒng)中部件的類(lèi)型數(shù)量、費(fèi)用可用度和工作能力等指標(biāo)如表1所示。系統(tǒng)整個(gè)工作過(guò)程分為3個(gè)階段,各個(gè)階段需要的系統(tǒng)工作能力及工作時(shí)間如表2所示,系統(tǒng)的可用度不能低于A0=0.9。
本例中取NP=1 000,即隨機(jī)產(chǎn)生1 000個(gè)粒子作為解,并隨機(jī)產(chǎn)生NP個(gè)粒子的速度,這時(shí)各局部最優(yōu)解就是各粒子。根據(jù)式(11)和式(12)及A0,確定NP個(gè)粒子的最優(yōu)解就是全局最優(yōu)解,再依照式(10)進(jìn)行迭代(式(10)的參數(shù)如表3所示),每次迭代后根據(jù)式(11)和式(12)更新局部最優(yōu)解和全局最優(yōu)解。迭代過(guò)程采用3.2節(jié)中局部搜索策略(e),且每進(jìn)行n=5次PSO迭代就進(jìn)行1次局部搜索,局部搜索比例為5%,即每進(jìn)行5次PSO迭代后,隨機(jī)選取1 000×5%=50個(gè)粒子進(jìn)行局部搜索。
根據(jù)上文敘述方法進(jìn)行迭代求解,當(dāng)A0取不同值時(shí),得到最優(yōu)解的取值情況如表4所示。
表1 各類(lèi)型部件參數(shù)
表2 不同時(shí)間段工作能力要求
表3 粒子群算法的參數(shù)
表4 最優(yōu)解表
利用UGF方法計(jì)算系統(tǒng)可用度,提出用粒子群算法和局部搜索算法相結(jié)合的方法,解決串并聯(lián)系統(tǒng)結(jié)構(gòu)優(yōu)化問(wèn)題,能夠有效避免單獨(dú)使用粒子群算法時(shí)出現(xiàn)局部收斂和收斂速度較慢現(xiàn)象,增大了得到問(wèn)題真正最優(yōu)解的概率。在求解迭代過(guò)程中,向適應(yīng)度函數(shù)加入罰函數(shù),用以實(shí)現(xiàn)對(duì)系統(tǒng)可用度的約束。
[1] 侯雪梅,劉 偉,高 飛,等.基于群智能的模糊多目標(biāo)軟件可靠性冗余分配[J].計(jì)算機(jī)應(yīng)用,2013,33(4):1142-1145.
[2] 葛繼科,邱玉輝,吳春明,等.遺傳算法研究綜述[J].計(jì)算機(jī)應(yīng)用研究,2008,25(10):2911-2916.
[3] 侯云鶴,魯麗娟,熊信艮,等.改進(jìn)粒子群算法及其在電力系統(tǒng)經(jīng)濟(jì)負(fù)荷分配中的應(yīng)用[J].中國(guó)電機(jī)工程學(xué)報(bào),2004,24(7):95-100.
[4] 韓 攀,陳 謀,陳哨東,等.基于改進(jìn)蟻群算法的無(wú)人機(jī)航跡規(guī)劃[J].吉林大學(xué)學(xué)報(bào)(信息科學(xué)版),2013,31(1):66-72.
[5] Wang G J,Zhang Y L.An optimal replacement policy for a two-component series system assuming geometric process repair[J].Computers & M athematics with Applications,2007,54(2):192–202.
[6] Nourelfath M,Ait-Kadi D.Optimization of series-parallel multi-state systems under maintenance policies[J].Reliability Engineering & S ystem Safety,2007,92(12):1620-1626.
[7] Zhou Yifan,Zhang Zhisheng,Lin Tianran,et al.Maintenance optimization of a multi-state series-parallel system considering economic dependence and state-dependent inspection intervals[J].Reliability Engineering& S ystem Safety,2013,111:248-259.
[8] 吳化堯,聶長(zhǎng)海.覆蓋表生成的粒子群算法:參數(shù)優(yōu)化和自適應(yīng)算法[J].小型微型計(jì)算機(jī)系統(tǒng),2012,33(10):2259-2257.