Algoritmo coevolucionario de autoaprendizaje dual para el problema de programación flexible de taller de trabajo con...

Área de la Ciencia:

• Ingeniería de sistemas de fabricación
• Investigación de las operaciones
• Inteligencia artificial

Sus antecedentes:

• Los robots compuestos de procesamiento y transporte se utilizan cada vez más en la fabricación, lo que lleva a mayores demandas de energía.
• La programación eficiente es crucial para gestionar el consumo de energía en estos sistemas complejos.
• Los entornos flexibles de los talleres de trabajo presentan desafíos únicos para la programación integrada de robots.

Objetivo del estudio:

• Investigar la programación energéticamente eficiente para la integración de robots y máquinas en talleres de trabajo flexibles.
• Para minimizar el consumo total de energía y el rendimiento.
• Para abordar el creciente consumo de energía asociado con la robótica de fabricación avanzada.

Principales métodos:

• Desarrollo de un nuevo modelo de programación lineal de enteros mixtos (MILP).
• Propuesta de un algoritmo coevolucionario de autoaprendizaje dual para la optimización.
• Utilizando una representación tridimensional de la solución y una estrategia codificada codificada.
• Empleando un método de inicialización híbrido con selección aleatoria adaptativa y mapeo del caos.
• Implementación de un mecanismo de autoaprendizaje dual para la selección evolutiva de operadores y la interacción de la población.

Principales resultados:

• El modelo MILP propuesto formula efectivamente el problema de la programación de la eficiencia energética.
• El algoritmo coevolucionario de autoaprendizaje dual demuestra un rendimiento superior para minimizar el consumo de energía y la vida útil.
• Los análisis experimentales confirman la eficacia del algoritmo propuesto y de sus componentes.
• La estrategia de decodificación codificada reduce con éxito el tiempo de inactividad y el consumo de energía.

Conclusiones:

• El enfoque desarrollado proporciona una solución eficaz para la programación energéticamente eficiente en talleres de trabajo flexibles integrados en robots y máquinas.
• El nuevo algoritmo y sus componentes mejoran significativamente los resultados de optimización.
• Esta investigación contribuye a las prácticas de fabricación sostenibles mediante la reducción del consumo de energía.