基于粒子群的产品变型设计时间预测研究

计算机与现代化 ›› 2015, Vol. 0 ›› Issue (9): 100-104.

基于粒子群的产品变型设计时间预测研究

1.西北工业大学管理学院，陕西西安710072；2.江苏大学电气信息工程学院，江苏镇江212013

收稿日期:2015-05-15 出版日期:2015-09-21 发布日期:2015-09-24
作者简介:王兆华（1980-），男，江苏海安人，西北工业大学管理学院讲师，博士研究生，研究方向：工业工程和设计管理；同淑荣（1963-），女，陕西合阳人，教授，博士生导师，博士，研究方向：先进制造系统与设计管理；黄丽（1977-），女，甘肃天水人，江苏大学电气信息工程学院副教授，博士，研究方向：优化理论与预测控制。
基金资助:
国家自然科学基金资助项目（70771091）；江苏省高校自然科学基金资助项目（12KJB210001）

Predicting Product Variant Design Time Based on PSO Algorithm

1. School of Management, Northwestern Polytechnical University, Xi’an 710072, China；

2. School of Electrical and Information Engineering, Jiangsu University, Zhenjiang 212013, China

Received:2015-05-15 Online:2015-09-21 Published:2015-09-24

摘要/Abstract

摘要： 针对产品变型设计时间难以在产品二次开发前精确预估问题，提出基于粒子群算法与模糊神经网络相融合的时间预测方法。首先，确定时间因素集并给出相应的模糊神经网络(FNN)时间预测算法；其次，采用带极值扰动粒子群(tPSO)优化FNN网络，以解决FNN时间预测算法易陷入局部极值，进化后期收敛速度慢以及全局搜索能力弱等缺陷；最后，以打印机变型设计为例进行分析，结果表明该预测方法可行、有效，能实现产品变型设计时间预估。

关键词: , 产品变型设计, 设计时间预测, 粒子群算法, 模糊神经网络

Abstract: Before product secondary development, it is very difficult to forecast product variant design time. A variant design time prediction method based on the combination of the extremum disturbed particle swarm optimization (tPSO) with fuzzy neural network (FNN) is proposed. First of all, the time factor set is designated and the corresponding FNN time prediction model is established. However, the typical algorithm of FNN is easy to fall into local minimum, slow convergence speed and low learning efficiency. And then, the FNN model is optimized by tPSO to overcome disadvantages above. At last, the method is verified by the time prediction of printer variant design. The result indicates that the model is feasible and effective.

Key words: product variant design, design time prediction, particle swarm optimization, fuzzy neural network

王兆华1，同淑荣1，黄丽2. 基于粒子群的产品变型设计时间预测研究[J]. 计算机与现代化, 2015, 0(9): 100-104.

WANG Zhao-hua1, TONG Shu-rong1， HUANG Li2. Predicting Product Variant Design Time Based on PSO Algorithm[J]. Computer and Modernization, 2015, 0(9): 100-104.

参考文献

［1］刘伟，曹国忠，檀润华，等. 基于产品基因与物理表达的变型设计［J］. 计算机集成制造系统, 2015,21(2):381-391.
［2］蔡敏，胡善刚，陈丽娜，等. 基于模块化方法的复杂机械产品变型设计［J］. 机械设计, 2013,30(4):24-28.
［3］ Griffin A. Modeling and measuring product development cycle time across industries［J］. Journal of Engineering and Technology Management, 1997,14(1):1-24.
［4］ Bashir H A, Thomson V. Models for estimating design effort and time［J］. Design Studies, 2001,22(2):141-155.
［5］ Cho S H, Eppinger S D. A Simulation-based process model for managing complex design projects［J］. IEEE Transactions on Engineering Management, 2005,52(3):316-328.
［6］陈冬宇，邱菀华，杨青,等. 基于DSM的复杂产品开发流程优化遗传算法［J］. 控制与决策, 2008,23(8):910-914.
［7］张昆仑，刘新亮，郭波. 基于高斯过程元模型的产品设计时间估计方法［J］. 计算机集成制造系统, 2011,17(1):18-22.
［8］ Xu Duo, Yan Hong-sen S. An intelligent estimation method for product design time［J］. The International Journal of Advanced Manufacturing Technology, 2006,30(7):601-613.
［9］ Yan Hong-Sen, Xu Duo. An approach to estimating product design time based on fuzzy υ-Support vector machine［J］. IEEE Transactions on Neural Networks, 2007,18(3):721-731.
［10］商志根，严洪森. 基于异方差高斯间距回归的产品设计时间预测模型［J］. 系统工程学报, 2013,28(4):437-445.
［11］商志根，严洪森. 基于概率支持向量回归的产品设计时间预测模型［J］. 计算机应用研究, 2013,30(4):1099-1101.
［12］Kennedy J, Eberhart R C. Particle swarm optimization［C］// Proceedings of IEEE International Conference on Neural Networks. 1995：1942-1948.
［13］Eberhart R C, Shi Y. Particle swarm optimization:Developments, applications and resources［C］// Proceedings of the 2001 Congress on Evolutionary Computation. 2001:81-86.
［14］吴新生. 基于粒子群算法的抄纸过程PID神经元网络优化控制［J］. 计算机与现代化, 2015(3):71-74.
［15］成磊，朱龙英，郑帅等. 并联机器人的粒子群优化神经网络自适应控制算法研究［J］. 制造业自动化, 2014,36(12):5-7.
［16］李童，毛力，吴滨. 基于改进PSO优化SVR的交通事故预测模型［J］. 计算机与现代化, 2014(5):28-32.
［17］胡旺，李志蜀. 一种更简化而高效的粒子群优化算法［J］. 软件学报, 2007,18(4):861-868.〖

[1]	赵晨阳, 薛涛, 刘俊华. 基于改进Stable Diffusion的时尚服饰图案生成[J]. 计算机与现代化, 2024, 0(12): 15-23.
[2]	万兵1, 2, 3, 赵文涛4, 潘多涛1, 赵峥韬2, 3, 孙朝阳2, 3, 俞建成2, 3. 无人帆船半物理仿真测试系统设计[J]. 计算机与现代化, 2024, 0(12): 91-99.
[3]	陈宇航1, 杨勇1, 帕力旦·吐尔逊1, 樊小超1, 任鸽1, 刁宇峰2. 融合句法特征与语义特征的作文自动评分方法[J]. 计算机与现代化, 2024, 0(11): 64-69.
[4]	黄文栋, 王怡凡. 基于模态类别的多模态信息处理与融合综述[J]. 计算机与现代化, 2024, 0(07): 47-62.
[5]	曹宁1, 徐根祺2, 张雯3, 许又文1, 何盼情1. 基于AFSPSO-ν-SVM的山洪灾害预测方法研究#br# #br#[J]. 计算机与现代化, 2024, 0(05): 33-37.
[6]	毛明扬, 徐胜超. 面向粒子群优化BP神经网络的粗糙集连续属性离散化算法[J]. 计算机与现代化, 2023, 0(09): 115-119.
[7]	韩雪. 基于约束聚类和粒子群算法的多路径规划[J]. 计算机与现代化, 2023, 0(08): 7-11.
[8]	李静元, 张珂, 杨东裕. 基于雾计算的工业互联网安全数据访问方法[J]. 计算机与现代化, 2022, 0(12): 118-122.
[9]	陈刚, 王志坚, 徐胜超. 基于粒子群算法的移动边缘计算任务分配方法[J]. 计算机与现代化, 2022, 0(11): 32-36.
[10]	黄玲, 白晓波. 基于PSO-KPLS的教师科研绩效预测[J]. 计算机与现代化, 2022, 0(06): 8-12.
[11]	刘志锋, 舒志浩, 胥越峰, 杨舒伊, 沈文龙. 基于PSO自适应双策略的人工鱼群算法[J]. 计算机与现代化, 2022, 0(05): 46-53.
[12]	张彦虎, 鄢丽娟, 马志愤, 张彦军. 一种适用于多任务多资源移动边缘计算环境下的改进粒子群算力卸载算法[J]. 计算机与现代化, 2022, 0(05): 54-60.
[13]	李凌, 陈曦, 沈维捷, 熊汉武, 蔡冉冉. 面向电工装备智能监造的边缘缓存策略[J]. 计算机与现代化, 2022, 0(05): 61-67.
[14]	梁正友, 王璐, 李轩昂, 杨锋, . 基于改进PSO-TrICP算法的点云配准[J]. 计算机与现代化, 2022, 0(05): 90-95.
[15]	柴晨境, 刘宾, 潘晋孝. 基于阈值筛选的室内定位优化算法[J]. 计算机与现代化, 2022, 0(04): 79-85.