受约束的过道布置问题建模及优化方法

刘俊琦; 张则强; 龚举华; 张裕

doi:10.3969/j.issn.0258-2724.20200803

受约束的过道布置问题建模及优化方法

doi: 10.3969/j.issn.0258-2724.20200803

西南交通大学机械工程学院，四川成都 610031

基金项目: 国家自然科学基金（51205328，51675450）；教育部人文社会科学研究青年基金（18YJC630255）；四川省科技计划（2022YFG0245）

详细信息

作者简介:
刘俊琦（1995—），男，博士研究生，研究方向为设施布局与智能优化，E-mail：junqi5497@163.com

通讯作者:
张则强（1978—），男，教授，研究方向为制造系统与智能优化，E-mail：zzq_22@163.com

中图分类号: TH165；TP301.6
计量
- 文章访问数: 441
- HTML全文浏览量: 149
- PDF下载量: 41
- 被引次数: 1
出版历程
- 收稿日期: 2020-12-01
- 修回日期: 2021-03-22
- 网络出版日期: 2022-08-13
- 刊出日期: 2021-03-26

Modeling and Optimization Method of Constrained Corridor Allocation Problem

School of Mechanical Engineering, Southwest Jiaotong University, Chengdu 610031, China

摘要

摘要:
为了研究过道布置问题中设施关系对布局的影响，首先，考虑定位约束与排序约束，构建过道布置问题混合整数规划模型，并提出一种求解该问题的自适应混合克隆选择算法，在克隆操作之前新增符合受约束过道布置问题特性的2-opt操作，随后对所产生种群中最优个体进行禁忌搜索操作，对其他个体进行变异操作并设置自适应变异概率；然后，对模型进行精确求解以验证模型的正确性且求解结果为算法提供了理论依据；最后，应用所提算法分别对受约束过道布置问题与基本过道布置问题的42 ~ 49规模实例进行测试，并将求解结果与克隆选择算法、遗传算法、分散搜索算法、花授粉算法以及烟花算法进行对比，结果表明：混合克隆选择算法可以达到当前先进算法的求解效果且在算例sko-42-04与算例sko49-03上表现更优.
- 设施布局 /
- 受约束的过道布置问题 /
- 克隆选择算法 /
- 禁忌搜索操作 /
- 自适应变异
Abstract:
In order to study the influence of facility relationship on layout in corridor allocation problem, An integer programming model considering location and relationship constraints is constructed, and a hybrid clonal selection algorithm based on clonal selection algorithm is proposed to solve the problem. Before clonal operation, a new 2-opt operation based on problem characteristics is added. Then, tabu search operation is carried out for the optimal individuals in the generated population, mutation operation is carried out for other individuals and adaptive mutation probability is set. The model is accurately solved to verify the correctness of the model and the solution results provide a theoretical basis for the algorithm. Applying the proposed algorithm to test 42−49 scale examples of constrained corridor allocation problem and basic corridor allocation problem respectively. The results are compared with clonal selection algorithm, genetic Algorithm, Scatter Search, flower pollination algorithm and fireworks algorithm. The results show that the hybrid clone selection algorithm can achieve the solution effect of the current advanced algorithm and perform better in the examples sko-42-04 and sko-49-03.
- facility layout /
- constrained corridor allocation problem /
- clone selection algorithm /
- tabu search operation /
- adaptive mutation

HTML全文

设施布局问题（FLP）是制造系统中一项复杂且关键的研究内容，其布局的合理程度与企业生产效率及运营成本密切相关. 一般而言，FLP主要研究设施在其所属空间范围内的合理布置，使生产中的物流与信息流更为高效化，最终降低企业的布局成本及物流成本^[1-2].

作为设施布局问题的一种特殊形式，过道布置问题（CAP）以及其混合整数规划（MIP）模型由Amaral^[3]在2012年首次提出并建立，随后对CAP的MIP模型进行精确求解，但因CAP具有的NP-Hard特性，求解时间呈指数增长，因此Amaral提出了求解CAP的启发式算法. 为了高效计算更大规模问题，学者们开始探索启发式方法，Ghosh与Kothari^[4]应用带有局部搜索的遗传（GA）算法和结合路径重连的分散搜索（SS）算法对CAP进行求解，对比两种算法，在均能求解较优的效果上，后者运行效率上更具优势. Ahonen等^[5]对不同规模的CAP算例分别采用改进模拟退火（SA）算法和禁忌搜索（TS）算法进行测试，综合分析两种算法的求解质量和求解时间后发现，模拟退火算法在求解性能上更具优势. 随着研究的深入，人们不断地对CAP进行完善，使其更符合实际的生产生活情景. Kalita等^[6-7]于2014年提出以最小化过道长度以及总物流成本为目标的无约束多目标过道布置问题，随后在双目标过道布置问题的基础上加入相邻设施间无间隙的约束，并采用改进GA对问题进行求解. Zhang等^[8]考虑了实际情况下通道宽度对CAP的影响，建立了考虑通道宽度的CAP模型，随后应用改进SS求解；刘思璐等^[9]提出考虑设施深度的过道布置问题并应用烟花算法（IFWA）进行求解. 在考虑CAP所用占地面积问题后，管超等^[10-12]提出并改进双层CAP模型，随后分别应用启发式算法、改进花授粉算法（IDFPA）以及改进SA进行问题的测试，测试结果表示，在不同问题下几种方法均可以有效地求解双层CAP. 刘俊琦等^[13]提出考虑多纵向传输路径的过道布置问题，并采用混合禁忌搜索的模拟退火算法进行求解，结果表明所提混合算法具有一定的先进性；王沙沙等^[14]考虑带有多路径交互的环形过道布置问题并应用蚁狮算法求解；陈凤等^[15]提出考虑设施方向的双目标过道布置问题，并采基于Pareto占优和模拟退火搜索的多目标分散搜索算法进行求解，结果表明所提算法对于双目标过道布置问题有良好的求解效率.

上述研究对CAP问题进行了深入讨论与完善，但CAP常常被作为无关系约束问题. Kalita等^[16]在最新的cbCAP研究中提出考虑同行、非同行以及相反行3种约束的cbCAP，为受约束的过道布置问题奠定了基础. 但是在实际生产或服务部门中，设施间除上述3种约束外，往往还存在着其他某种特殊的联系. Liu等^[17]在约束布局中指出，在医院布局中将需要在各层间频繁移动的部门放置在电梯口附近，将需要频繁在部门间移动的部门放置在同一层可以极大程度地减少运输成本. 在传统车间的零部件加工过程中，工序间存在优先顺序，如果在某个工序前存在未完成的紧前工序^[18]，则该工序将会因未完成的紧前工序而被停滞，例如拆卸线平衡问题中的紧前任务关系^[19]. Kalita等^[20]提出的基于顺序灵活性的制造系统中指出：产品的制作顺序可以通过执行某些操作而变化，而其他的操作不受任何优先约束的限制. 在柔性更强的制造车间中，部分操作的排序更为普遍. 对存在操作排序工序的设施应当满足优先关系布置，对无优先顺序约束操作涉及的设施则以合理的顺序布置^[21]，并最小化设施间的总物流成本. 因此，在CAP中考虑设施间的相互关系具有十分重要的意义.

克隆选择（CSA）算法和禁忌搜索算法是近年来国内外均比较关注的算法^[22-27]. 两种算法在求解具有NP-hard属性的问题上均有良好的求解性能，如路径规划问题^[24]和装配线平衡问题^[21]等组合优化问题. 除此之外，两种算法也均在设施布局方向上得到广泛应用，如双行布局问题^[26]、圆环过道布置问题^[23]. 传统的克隆选择算法其并行性较高，但容易较早地陷入局部最优，而禁忌搜索算法可以利用禁忌表锁住部分最优解，有意识地避开，从而搜索更多区域，其全局搜索能力较强. 因此，本文考虑两种算法的特性及优点并进行混合，提出一种自适应禁忌克隆选择算法（ACSATS）. 将禁忌搜索操作作为克隆选择算法的局部搜索操作，并在变异操作中设置自适应变异概率. 利用克隆变异与选择操作实现种群的扩张与收缩，提高全局搜索的概率.

1. 受约束过道布置问题模型

1.1 问题描述

CAP根据设施的具体排布来确定各个设施的精确位置以及设施间的相对位置关系，图1为过道布置问题设施之间距离的计算方式，图1中：x_i 为设施i的位置坐标；d_ij 为设施i到设施j的距离. 在实际布局活动中，设施间会存在较为复杂的关系，会映射在布局中并影响整体物流成本. 因此，本文在传统过道布置问题中加入固定设施位置及排序约束，将其拓展为受约束的过道布置问题（CCAP）. 该问题的提出使过道布置问题更加贴合实际，为过道布置问题在实际应用中提供了一定的理论依据.

图 1 过道布置问题距离计算方式

Figure 1. Distance calculation method of CAP

下载: 全尺寸图片幻灯片

1.2 基本假设条件

1）设施形状为规则矩形，且相邻设施间没有间隙；

2）设施靠近过道边线的长度以及设施间的单位距离物流交互成本为已知量；

3）各个设施的物流交互点位于设施靠近通道一侧的设施边线中点；

4）上、下两行设施间的通道宽度为所有设施中设施长度的最小值；

5）上、下两行设施均从最左边的同一水平线开始布置，该水平线可看作在X轴方向坐标为0的点所对应的线；

6）设施布置情况不受区域大小以及其他条件限制.

1.3 新增约束条件

在文献[3]所论述的过道布置问题模型的基础上，结合实际情况下车间、医院和商场等设施布置情况，以最小化总物料搬运成本为目标，将给定设施沿通道两侧进行布置，并满足以下两种类型的约束.

1）定位约束：设施将被放置在指定位置.

2）排序约束：某种设施因自身所带属性或与其他设施具有一些特殊关系，从而使其与其他设施存在位置上的相对关系，此处的排序约束假定为考虑位置上的先后关系.

1.4 CCAP的数学模型

在数学模型中所应用到表示参数以及决策变量的符号如表1所示.

表 1 参数名称与定义

Table 1. Parameter names and definition

变量	意义
n	问题规模，即布置的设施数目
I	所有设施的集合，I={1, 2, 3, …, n}
i, j, h, k	设施编号，i, j, h∈ I
c_ij	设施 i 与设施 j 之间的物流成本， $\forall$ i∈{1,2,…, n−1}， $\forall$ j∈ {1,2,…,n−1}
d_ij	设施 i, j 之间物流交互点在 X 轴方向的距离
l_i	设施 i 沿 X 轴边线的长度
w	通道宽度
α_ij	二进制变量，i, j 分配在同一行，且设施 i 被放置在设施 j 的左侧 α_ij= 1，否则 α_ij= 0
q_ij	二进制决策变量，若设施 i 与设施 j 被布置于同一行，则 q_ij= 1，否则 q_ij= 0
β_hi	二进制决策变量，若设施 h 的物料搬运点在设施 i 的左侧，则 β_hi= 1，否则 β_hi= 0
f	设施间的总物流成本

下载: 导出CSV

| 显示表格

CCAP完整的数学模型为

Objective function

${\rm{min}} f = \sum\limits_{i = 1}^{n{\text{ - }}1} {\sum\limits_{j = i + 1}^n {{c_{ij}}({d_{ij}} + w(1 - {q_{ij}}))} } \text{，}$

(1)

s.t.

$\begin{split} & {{d}_{ij}}=\frac{({{l}_{i}}-{{l}_{j}})}{2} + \sum\limits_{\begin{smallmatrix} k=1 \\ k\ne i \end{smallmatrix}}^{n}{{{\alpha }_{ki}}{{l}_{k}}-}\sum\limits_{\begin{smallmatrix} k=1 \\ k\ne j \end{smallmatrix}}^{n}{{{\alpha }_{kj}}{{l}_{k}}}, \\ &\quad \text{1}\leqslant i<j\leqslant n, \end{split}$

(2)

$\begin{split} & {{d}_{ij}}=\frac{({{l}_{j}}-{{l}_{i}})}{2} + \sum\limits_{\begin{smallmatrix} k=1 \\ k\ne j \end{smallmatrix}}^{n}{{{\alpha }_{kj}}{{l}_{k}}-}\sum\limits_{\begin{smallmatrix} k=1 \\ k\ne i \end{smallmatrix}}^{n}{{{\alpha }_{ki}}{{l}_{k}}}, \\ &\quad \text{1}\leqslant i<j\leqslant n, \end{split}$

(3)

$\begin{split} &{d}_{ij}-\left(\frac{{l}_{i} + {l}_{j}}{2}\right){\alpha }_{ij}-\left(\frac{{l}_{i} + {l}_{j}}{2}\right){\alpha }_{ji}\geqslant 0\text{ }\text{，}\\ &\quad 1\leqslant i\leqslant j\leqslant n, \end{split}$

(4)

$\begin{split} & - {\alpha _{ij}} + {\alpha _{ik}} + {\alpha _{jk}} - {\alpha _{ji}} + {\alpha _{ki}} + {\alpha _{kj}} < 1, \\ &\quad i,j,k \in I,{\text{ }}i < j,{\text{ }}k \ne i,{\text{ }}k \ne j, \end{split}$

(5)

$\begin{split} & - {\alpha _{ij}} + {\alpha _{ik}} - {\alpha _{jk}} + {\alpha _{ji}} - {\alpha _{ki}} + {\alpha _{kj}} \leqslant 1 , \\ &\quad i,j,k \in I,{\text{ }}i < j,{\text{ }}k \ne i,{\text{ }}k < j, \end{split}$

(6)

$\begin{split} & {\alpha _{ij}} + {\alpha _{ik}} + {\alpha _{jk}} + {\alpha _{ji}} + {\alpha _{ki}} + {\alpha _{kj}} \geqslant 1, \\ &\quad 1 \leqslant i < j < k \leqslant n, \end{split}$

(7)

${q_{ij}} = {\alpha _{ij}} + {\alpha _{ji}},\; {\text{ }}1 \leqslant i,j \leqslant n,{\text{ }}i \ne j,$

(8)

${\alpha _{ij}} \in \left\{ {0,1} \right\},\; {\text{ }}1 < i,j \leqslant n,{\text{ }}i \ne j,$

(9)

${q_{ij}} \in \left\{ {0,1} \right\},\; {\text{ }}1 < i,j \leqslant n,{\text{ }}i \ne j.$

(10)

式（2）与式（3）用于计算各物料搬运点之间在水平轴方向上的物流交互点之间距离；式（4）防止同行的设施布置出现重叠的情况；式（5） ~ （7）确定决策变量α_ij；式（8）确定决策变量q_ij；式（9）与式（10）给定决策变量α_ij与q_ij的定义域.

$\begin{split} & \left(\frac{{{l}_{j}}}{2} + \sum\limits_{\begin{smallmatrix} k=1 \\ k\ne j \end{smallmatrix}}^{n}{{l}_{k}}{{\alpha }_{kj}}\right)-\left(\frac{{{l}_{i}}}{2} + \sum\limits_{\begin{smallmatrix} k=1 \\ k\ne i \end{smallmatrix}}^{n}{{l}_{k}}{{\alpha }_{ki}}\right)>0\text{ ,} \\ &\quad \text{ }1\leqslant i\leqslant n\text{, }1\leqslant \text{ } j\leqslant n,\text{ }i\ne j, \end{split}$

(11)

$\begin{split} & {{\beta }_{hi}}=\dfrac{\text{1}}{2\left| \left(\dfrac{{{l}_{i}}}{2} + \displaystyle\sum\limits_{\begin{smallmatrix} k=1 \\ k\ne i \end{smallmatrix}}^{n}{{l}_{k}}{{\alpha }_{ki}}\right)-\left(\dfrac{{{l}_{h}}}{2} + \displaystyle\sum\limits_{\begin{smallmatrix} k=1 \\ k\ne h \end{smallmatrix}}^{n}{{l}_{k}}{{\alpha }_{kh}}\right) \right|}\text{×}\\ &\quad \left(\left(\dfrac{{{l}_{i}}}{2} + \displaystyle\sum\limits_{\begin{smallmatrix} k=1 \\ k\ne i \end{smallmatrix}}^{n}{{l}_{k}}{{\alpha }_{ki}}\right)-\left(\dfrac{{{l}_{h}}}{2} + \displaystyle\sum\limits_{\begin{smallmatrix} k=1 \\ k\ne h \end{smallmatrix}}^{n}{{l}_{k}}{{\alpha }_{kh}}\right) + \right.\\ &\quad \left.\left| \left(\dfrac{{{l}_{i}}}{2} + \displaystyle\sum\limits_{\begin{smallmatrix} k=1 \\ k\ne i \end{smallmatrix}}^{n}{{l}_{k}}{{\alpha }_{ki}}\right)-\left(\dfrac{{{l}_{h}}}{2} + \displaystyle\sum\limits_{\begin{smallmatrix} k=1 \\ k\ne h \end{smallmatrix}}^{n}{{l}_{k}}{{\alpha }_{kh}}\right) \right|\right), \\ &\quad 1\leqslant h,i\leqslant n,\text{ }h\ne i, \\ \end{split}$

(12)

$\sum\limits_{\begin{smallmatrix} h=1 \\ h\ne i \end{smallmatrix}}^{n}{{{\beta }_{hi}}}=C,\; \text{ }1\leqslant i\leqslant n,$

(13)

${\beta _{hi}}{\text{ = }}\left\{ {{\text{0,1}}} \right\}{\text{, }}\; 1 \leqslant i,h \leqslant n,{\text{ }}i \ne h.$

(14)

式（11）表示上述约束中的排序约束；式（12）确定定位约束中的决策变量β_hi；式（13）表示定位约束，表示设施i的物流交互点位置坐标排列在第(C + 1)个位置；式（14）表示决策变量β_hi的定义域.

CCAP的问题特性延续了基本CAP的NP-hard属性，对于基本CAP的求解难度已经较大，其整数线性规划模型的精确求解难度随着问题规模n和约束条件的增加呈指数级增长，而CCAP在原问题的基础上加入两种约束，模型的性质发生实质改变，相较于基本问题其精确求解难度更高，因此，对于受约束的过道布置问题，可以利用启发式方法以寻求在允许时间内获得近似最优值.

2. 混合禁忌搜索的克隆选择算法

传统的CSA存在局部搜索精度不高的现象，因此，本文对CSA进行改进：将基于两种约束的适配2-opt操作、禁忌搜索操作以及自适应变异概率加入到CSA中，使其更好地求解所提问题.

2.1 编码、解码与基于两种约束的2-opt操作

1）编码与解码

设施的编码方式采用基于设施编码序列的整数编码方式进行定义，每个抗体由一组多维实数向量来表示，向量中每一维度上的数字表示相应设施的编号. 每一个抗体代表一种布局方案，设施的解码则根据问题特性将序列一分为二，第一段表示上行，第二段表示下行.

2）基于两种约束的2-opt操作

为了克服CSA局部搜索能力较弱的问题以及为后续的禁忌搜索操作提供较好的初值，在克隆变异之前对选择的初始抗体进行基于约束的2-opt操作，基于约束的2-opt操作避免了传统变异操作会产生大量不满足约束要求的解，大幅度提高了算法的求解效率. 2-opt操作后的集合为AG_1. 具体的2-opt操作如图2，以S9测试问题为例. 与此同时，设施约束规则拟定为

图 2 基于两种约束的2-opt操作示意

Figure 2. Improved 2-opt operation diagram based on two kinds of constraints

下载: 全尺寸图片幻灯片

1） 4号设施为定位约束，位置位于总物料搬运点的倒数第二位置；

2） 1号设施与5号设施为关系约束，关系为1号设施物料搬运点位于5号设施物料搬运点之前.

2.2 基于禁忌搜索的自适应变异操作

在对2-opt更新的抗体进行克隆后，对克隆的抗体进行变异操作，相较于传统的变异操作，本文进行了相应的改进，分别用禁忌搜索算子与自适应变异算子组合的方式进行变异操作：

1）禁忌搜索算子

将集合AG_1中具有最高亲和力的抗体（i=1）作为禁忌搜索算子的初始解，随后进行禁忌搜索操作，TS中邻域解构造采用片段互换的进化方式，候选解的选取则按照亲和力从高到低的排序进行部分选取，候选解个数为S，经多次试验，候选解个数在表2中给出. 表中：N为种群数量；I_{termax_1}为最大迭代次数；G为迭代终止系数；α为克隆系数；抗体克隆规模N_i=round(αN/i)，终止条件i_{termax_2}=GI_{termax_1}. 作为禁忌搜索的核心，特赦准则在一定程度上增强了其算法的平衡能力及其求解精度，禁忌搜索算子的禁忌对象为亲和力值，禁忌长度T=round(n(n–1)/2).

表 2 CSA与ACSATS算法求解CCAP与CAP的参数

Table 2. Algorithm parameters of CSA and ACSATS in solving CCAP and CAP

问题	算法	n	N	I_{termax_1}	G	α	S/个	搜索次数/次
CCAP	ACSATS	9~15	200	200	0.01	1	20	200
		25	400	600	0.01	1.2	40	400
		30	600	800	0.02	1.6	80	800
		36	800	1000	0.02	1.6	80	800
	CSA	42~49	1000	1000	0.02	1.6	100	800
		9~15	200	200	0.01	1	—	—
		9~15	200	200	0.01	0.8	20	200
CAP	ACSATS	30	600	800	0.02	1.6	80	600
		36	800	1000	0.02	1.6	80	600
		42	1000	1000	0.02	1.6	100	800
		49	1000	1200	0.02	1.8	110	800

下载: 导出CSV

| 显示表格

2）自适应变异算子

自适应变异操作为高效的局部搜索操作，近年来被广泛采用^[28-32]，而克隆选择算法其以变异操作为主^[26]，因此对变异概率P_m大小的选取至关重要. 相比于传统的变异操作，自适应变异操作的变异概率会随着亲和力的高低进行变化，对于具有较好亲和力的抗体，尽可能地减小其变异，最大程度地保证其优良特性，而对于亲和力较差的抗体，则希望通过变异对其亲和力值进行相应的改善. 因此，本文采用任子武等^[28]提出的变异概率公式对集合AG_1中i > 1抗体所对应的克隆体进行自适应变异，如式（15）.

${P_{\rm{m}}} = \left\{ \begin{gathered} {P_{{\rm{m}}1}} - \frac{{({P_{{\rm{m}}1}} - {P_{{\rm{m}}2}})(f - {f_{{\text{avg}}}})}}{{{f_{\max }} - {f_{{\text{avg}}}}}}{\text{, }}\quad\;f \geqslant {f_{{\text{avg}}}}, \\ {P_{{\rm{m}}1}}{\text{, }}\quad \;f < {f_{{\text{avg}}}}, \\ \end{gathered} \right.$

(15)

式中：P_m1、P_m2分别为变异概率的上限、下限，且P_m1=0.1, P_m2=0.6；f_max、f_avg分别为2-opt操作后抗体集合中的最高亲和力值、亲和力平均值；f为参与变异的抗体当前适应度值，自适应变异算子的变异方式为片段逆转操作.

完成变异操作的集合为AG_3.

2.3 混合禁忌搜索的克隆选择算法流程

采用全局选择方式对ACSATS再次选择，将AG_2与AG_3混合并按照亲和力的高低进行排序，取前N个抗体，具体的算法流程如图3所示. 　　图中：I_{ter_1}为算法迭代次数；f_temp为当下最优解；x_temp为当下最优解序列；f_best 当前算法寻的最优解；x_best 当前算法寻的最优解序列；I_{ter_2} 为最优解方案变化计数器.

图 3 ACSATS 流程

Figure 3. Flow chart of ACSATS

下载: 全尺寸图片幻灯片

3. 实验结果与分析

为了说明模型的合理性以及算法的有效性，在Intel（R）Corei5-8400、2.8 GHz、8 GB的Windows10操作环境下进行相应的测试，由于目前暂无相关文献报道CCAP的测试信息，因此，本文采用精确解优化器LINGO对所提模型进行精确求解测试，并将其测试结果应用于算法测试中，为其提供校验依据. 在算法验证部分除应用所提算法求解所提CCAP外，将所提ACSATS应用至基本CAP中，并将所得的测试结果与最新的算法进行对比，验证所提算法的求解性能. 经过多次测试调整后，所提ACSATS算法与CSA算法在CCAP、CAP上的算法程序参数如表2所示，其中对于CCAP，其操作中存在定位设施插入操作，因此，上、下两行的分界点n_u的取值下限T₁=floor(n/2)−2，n_u取值上限T₁=floor(n/2)，n_u∈[T₁, T₂]. 对于CAP其上、下两行的分界点n_u的取值下限T₁=floor(n/2)−3，n_u取值上限T₁=floor(n/2).

3.1 模型与所提算法的合理性验证

为了验证CCAP模型的合理性，应用精确解优化器LINGO对所提模型进行精确求解，针对CCAP的约束条件拟定为2.1节中所假定约束条件且实际设施布置不局限于上述假设. 经测试确定所提CCAP模型为非线性规划模型，LINGO优化器求解过程中无法在较为合理的时间内对所选算例进行高效求解，对此，将其运算时间t统一设置在900 s，对于900 s后仍未求得计算结果则用“—”表示.

与此同时，为了验证算法的合理性，应用所提ACSATS对所提CCAP进行求解，为了降低求解误差，应用ACSATS对每种算例求解30次. 应用求解偏差g_ap1作为算法求解结果的衡量指标，g_ap1=(F_min–F₀)/F₀ × 100%，其中：F_min为ACSATS所求结果中的最小值；F₀为LINGO所求精确值. 算法的运行软件为MATLAB R2016b.

表3为LINGO精确解与ACSATS算法的计算结果，由表3可以看出：当算例的规模n≥25时，精确解优化器无法在900 s内给出相应的求解结果，从侧面反映出精确求解的局限性；S9、S9H和S10问题的g_ap1=0反映出精确求解与ACSATS算法的求解结果相同，为ACSATS的求解合理性提供了理论依据；对于问题S11、Am12a、Am12b、Am13a、Am13b以及Am15算例的g_ap1<0可以得出，在一定的求解时间内，ACSATS的所求结果明显优于精确求解.

表 3 LINGO精确解与ACSATS算法的计算结果

Table 3. LINGO exact solution and solving results of ACSATS

问题	n	LINGO		ACSATS
问题	n	F₀	t/s	F_min	t/s	g_ap1
S9	9	1372.5	900	1372.5	1.34	0
S9H	9	2946.5	900	2946.5	1.42	0
S10	10	1642.5	900	1642.5	1.77	0
S11	11	4812.5	900	4268.5	2.06	−11.30
Am12 a	12	2269.0	900	1919.0	2.38	−15.43
Am12 b	12	2400.5	900	2101.5	2.45	−12.46
Am13 a	13	3401.5	900	2968.5	2.61	−12.73
Am13 b	13	4291.0	900	3439.0	3.11	−19.86
Am15	15	5146.0	900	3989.0	3.05	−22.48
N-25-05	25	—	900	8408.0	44.78	—
ste-36-05	36	—	900	50210.5	798.67	—
sko-42-05	42	—	900	125647.5	1355.99	—
注：下划线表示LINGO与算法ACSATS的求解结果较优的一方.

下载: 导出CSV

| 显示表格

3.2 算法的高效性验证

为说明ACSATS的高效性，结合所提CCAP，选取9 ~ 15规模的算例并应用初始CSA与改进后的ACSATS进行求解结果的对比，两种算法的参数如表2所示，求解结果如表4所示，表中： F_CSA为算法CSA求解的目标值；F_ACSATS为算法ACSATS求解的目标值.

表 4 CSA算法与ACSATS算法对CCAP的求解结果

Table 4. Solving results of CSA and ACSATS for CCAP

问题	CSA		ACSATS
问题	F_CSA	标准偏差	F_ACSATS	标准偏差
S9	1372.5	6.49	1372.5	0
S9H	2946.5	2.63	2946.5	0
S10	1642.5	11.60	1642.5	0
S11	4268.5	22.97	4268.5	0
Am12 a	1919.0	9.51	1919.0	0
Am12 b	2101.5	13.11	2101.5	0
Am13 a	2968.5	15.40	2968.5	0
Am13 b	3457.0	20.29	3439.0	10.68
Am15	3989.0	37.57	3989.0	3.81

下载: 导出CSV

| 显示表格

为了更直观地看出两种算法的求解数据的离散情况，根据所求540结果数据绘制求解偏差箱形图（图4），求解偏差用g_ap2表示，与g_ap1不同之处在于g_ap2中标准值采用两种算法求解结果的最小值.

图 4 CSA与ACSATS在9~15规模下问题求解结果箱线图

Figure 4. Box-plot of the solution results of CSA and ACATS in the scale of 9−15

下载: 全尺寸图片幻灯片

图4中每个盒子的上下框线分别表示对应问题数据的上、下四分位，每组数据中的红线为该组数据的中位值，点划线代表平均值，此外每组数据的上（下）边缘的黑线代表最大（小）值，“ + ”表示异常值. 通过箱线图可以看出：除测试问题Am13b外，ACSATS所求结果中测试问题的箱体长度基本为0，异常值相对于CSA较少，表明ACSATS所求结果的数据离散度较小，改进后的算法具有相对显著的优势.

3.3 ACSATS算法在基本CAP中的应用

为了说明ACSATS具有一定通用性，将ACSATS应用于求解基本CAP中，算法参数如表2所示，由于基本CAP没有两种约束的限制，因此，基于约束的2-opt操作释放为标准2-opt操作. 将ACSATS求解大规模CAP算例（n= 42与n= 49）的求解结果分别与文献中所提的GA、SS、IDFPA以及IFWA的求解结果进行对比，如表5所示，下划线标注的数据为算法ACSATS优于其他几组算法的求解结果. 对比表5可知：除sko-49-05算例外，ACSATS算法的求解结果均能达到当前先进算法的求解结果，甚至更优（sko-42-04与sko-49-03）；ACSATS在时间上也具有优势且随着规模变化平稳. 因此可以得出，所提算法在求解基本CAP上同样具有一定的高效性以及普适性，且算法较为稳定.

表 5 SS、GA、IDFPA、IFWA与ACSATS在42与49规模问题下测试CAP的求解结果

Table 5. Results of solving CAP with SS, GA, IDFPA, IFWA and ACSATS in 42 and 49 scale instances

算例	SS^[4]		GA^[4]		IDFPA^[11]		IFWA^[9]		ACSATS
算例	f	t/s	f	t/s	f	t/s	f	t/s	f	t/s
42-1	12731.0	1249.04	12731.0	7174.64	12731.0	279.37	12731.0	321.29	12731.0	322.38
42-2	108020.5	1249.04	108049.5	6815.77	108006.5	681.43	108020.5	604.61	108006.5	489.94
42-3	86667.5	956.28	86667.5	6854.25	86644.5	427.61	86655.5	621.45	86644.5	497.01
42-4	68733.0	1141.34	68769.0	6509.35	68708.0	493.77	68722.0	867.15	68701.0	517.67
42-5	124058.5	1236.47	124099.5	7052.59	124017.5	546.72	124017.5	554.07	124017.5	519.47
49-1	20479.0	2683.93	20472.0	14934.38	20470.0	515.02	20470.0	542.13	20470.0	598.67
49-2	208081.0	2733.87	208270.0	14338.86	208068.0	760.20	208078.0	1009.45	208068.0	1007.99
49-3	162196.0	2877.19	162267.0	14351.91	162187.0	822.33	162187.0	1173.59	162183.0	1006.58
49-4	118264.5	3716.16	118311.5	14290.03	118260.5	1809.86	118260.5	1193.88	118260.5	843.93
49-5	332855.0	2596.39	332990.0	14913.18	332836.0	821.67	332811.0	989.91	332836.0	799.05

下载: 导出CSV

| 显示表格

4. 结　论

综合考虑设施布局的实际应用情况，本文探究了设施间的相互关系对布局以及物料搬运成本的影响，主要成果如下：

1）考虑定位与排序两种约束条件，完成所提受约束的过道布置问题的相关数学模型的构建，并利用精确解优化器LINGO对模型进行了精确求解，验证了所提模型的正确性.

2）提出一种改进的混合克隆选择算法，根据受约束的过道布置问题的问题特性，算法在原CSA的基础上加入基于两种约束的2-opt操作，在变异阶段加入禁忌搜索操作并设置自适应变异概率. 使之搜索性能更强，对问题更适用.

3）应用CSA对9~15规模的算例进行求解，通过对LINGO、ACSATS以及CSA在相同规模下的求解结果，验证了改进算法存在显著优势.

4）评估了ACSATS的求解性能，随后将所提ACSATS算法应用于基本CAP中. 并对比IDFPA与IFWA对CAP的求解结果，对比试验表明该算法在基本CAP上同样具有良好的求解性能.

CCAP模型的建立极大程度地使得CAP更为贴近实际情况，但CCAP数学模型所具备的INLP属性使其计算难度大幅增加. 此外，单目标CCAP并不能完全反馈出其他目标或因素对实际布局情况的影响. 因此，在未来的研究中，线性化CCAP模型、考虑更多的假设或目标函数以及使用ACSATS快速高效地计算更大规模算例等研究问题都将值得探索.

图 1 过道布置问题距离计算方式

Figure 1. Distance calculation method of CAP

下载: 全尺寸图片幻灯片

图 2 基于两种约束的2-opt操作示意

Figure 2. Improved 2-opt operation diagram based on two kinds of constraints

下载: 全尺寸图片幻灯片

图 3 ACSATS 流程

Figure 3. Flow chart of ACSATS

下载: 全尺寸图片幻灯片

图 4 CSA与ACSATS在9~15规模下问题求解结果箱线图

Figure 4. Box-plot of the solution results of CSA and ACATS in the scale of 9−15

下载: 全尺寸图片幻灯片

表 1 参数名称与定义

Table 1. Parameter names and definition

变量	意义
n	问题规模，即布置的设施数目
I	所有设施的集合，I={1, 2, 3, …, n}
i, j, h, k	设施编号，i, j, h∈ I
c_ij	设施 i 与设施 j 之间的物流成本， $\forall$ i∈{1,2,…, n−1}， $\forall$ j∈ {1,2,…,n−1}
d_ij	设施 i, j 之间物流交互点在 X 轴方向的距离
l_i	设施 i 沿 X 轴边线的长度
w	通道宽度
α_ij	二进制变量，i, j 分配在同一行，且设施 i 被放置在设施 j 的左侧 α_ij= 1，否则 α_ij= 0
q_ij	二进制决策变量，若设施 i 与设施 j 被布置于同一行，则 q_ij= 1，否则 q_ij= 0
β_hi	二进制决策变量，若设施 h 的物料搬运点在设施 i 的左侧，则 β_hi= 1，否则 β_hi= 0
f	设施间的总物流成本

下载: 导出CSV

表 2 CSA与ACSATS算法求解CCAP与CAP的参数

Table 2. Algorithm parameters of CSA and ACSATS in solving CCAP and CAP

问题	算法	n	N	I_{termax_1}	G	α	S/个	搜索次数/次
CCAP	ACSATS	9~15	200	200	0.01	1	20	200
		25	400	600	0.01	1.2	40	400
		30	600	800	0.02	1.6	80	800
		36	800	1000	0.02	1.6	80	800
	CSA	42~49	1000	1000	0.02	1.6	100	800
		9~15	200	200	0.01	1	—	—
		9~15	200	200	0.01	0.8	20	200
CAP	ACSATS	30	600	800	0.02	1.6	80	600
		36	800	1000	0.02	1.6	80	600
		42	1000	1000	0.02	1.6	100	800
		49	1000	1200	0.02	1.8	110	800

下载: 导出CSV

表 3 LINGO精确解与ACSATS算法的计算结果

Table 3. LINGO exact solution and solving results of ACSATS

问题	n	LINGO		ACSATS
问题	n	F₀	t/s	F_min	t/s	g_ap1
S9	9	1372.5	900	1372.5	1.34	0
S9H	9	2946.5	900	2946.5	1.42	0
S10	10	1642.5	900	1642.5	1.77	0
S11	11	4812.5	900	4268.5	2.06	−11.30
Am12 a	12	2269.0	900	1919.0	2.38	−15.43
Am12 b	12	2400.5	900	2101.5	2.45	−12.46
Am13 a	13	3401.5	900	2968.5	2.61	−12.73
Am13 b	13	4291.0	900	3439.0	3.11	−19.86
Am15	15	5146.0	900	3989.0	3.05	−22.48
N-25-05	25	—	900	8408.0	44.78	—
ste-36-05	36	—	900	50210.5	798.67	—
sko-42-05	42	—	900	125647.5	1355.99	—
注：下划线表示LINGO与算法ACSATS的求解结果较优的一方.

下载: 导出CSV

表 4 CSA算法与ACSATS算法对CCAP的求解结果

Table 4. Solving results of CSA and ACSATS for CCAP

问题	CSA		ACSATS
问题	F_CSA	标准偏差	F_ACSATS	标准偏差
S9	1372.5	6.49	1372.5	0
S9H	2946.5	2.63	2946.5	0
S10	1642.5	11.60	1642.5	0
S11	4268.5	22.97	4268.5	0
Am12 a	1919.0	9.51	1919.0	0
Am12 b	2101.5	13.11	2101.5	0
Am13 a	2968.5	15.40	2968.5	0
Am13 b	3457.0	20.29	3439.0	10.68
Am15	3989.0	37.57	3989.0	3.81

下载: 导出CSV

表 5 SS、GA、IDFPA、IFWA与ACSATS在42与49规模问题下测试CAP的求解结果

Table 5. Results of solving CAP with SS, GA, IDFPA, IFWA and ACSATS in 42 and 49 scale instances

算例	SS^[4]		GA^[4]		IDFPA^[11]		IFWA^[9]		ACSATS
算例	f	t/s	f	t/s	f	t/s	f	t/s	f	t/s
42-1	12731.0	1249.04	12731.0	7174.64	12731.0	279.37	12731.0	321.29	12731.0	322.38
42-2	108020.5	1249.04	108049.5	6815.77	108006.5	681.43	108020.5	604.61	108006.5	489.94
42-3	86667.5	956.28	86667.5	6854.25	86644.5	427.61	86655.5	621.45	86644.5	497.01
42-4	68733.0	1141.34	68769.0	6509.35	68708.0	493.77	68722.0	867.15	68701.0	517.67
42-5	124058.5	1236.47	124099.5	7052.59	124017.5	546.72	124017.5	554.07	124017.5	519.47
49-1	20479.0	2683.93	20472.0	14934.38	20470.0	515.02	20470.0	542.13	20470.0	598.67
49-2	208081.0	2733.87	208270.0	14338.86	208068.0	760.20	208078.0	1009.45	208068.0	1007.99
49-3	162196.0	2877.19	162267.0	14351.91	162187.0	822.33	162187.0	1173.59	162183.0	1006.58
49-4	118264.5	3716.16	118311.5	14290.03	118260.5	1809.86	118260.5	1193.88	118260.5	843.93
49-5	332855.0	2596.39	332990.0	14913.18	332836.0	821.67	332811.0	989.91	332836.0	799.05

下载: 导出CSV

参考文献(32)

[1]	ANJOS M F, VIEIRA M V C. Mathematical optimization approaches for facility layout problems: the state-of-the-art and future research directions[J]. European Journal of Operational Research, 2017, 261(1): 1-16. doi: 10.1016/j.ejor.2017.01.049
[2]	HOSSEINI-NASAB H, FEREIDOUNI S, FATEMI GHOMI S M T, et al. Classification of facility layout problems: a review study[J]. The International Journal of Advanced Manufacturing Technology, 2018, 94(1/2/3/4): 957-977.
[3]	AMARAL A R S. The corridor allocation problem[J]. Computers and Operations Research, 2012, 39(12): 3325-3330.
[4]	GHOSH D, KOTHARI R. Population heuristics for the corridor allocation problem[J]. Iima Working Papers, 2012, 98(2): 33-40.
[5]	AHONEN H, DE ALVARENGA A G, AMARAL A R S. Simulated annealing and tabu search approaches for the corridor allocation problem[J]. European Journal of Operational Research, 2014, 232(1): 221-233. doi: 10.1016/j.ejor.2013.07.010
[6]	KALITA Z, DATTA D. Solving the bi-objective corridor allocation problem using a permutation-based genetic algorithm[J]. Computers & Operations Research, 2014, 52: 123-134.
[7]	KALITA Z, DATTA D, PALUBECKIS G. Bi-objective corridor allocation problem using a permutation-based genetic algorithm hybridized with a local search technique[J]. Soft Computing, 2019, 23(3): 961-986. doi: 10.1007/s00500-017-2807-0
[8]	ZHANG Z Q, MAO L L, GUAN C, et al. An improved scatter search algorithm for the corridor allocation problem considering corridor width[J]. Soft Computing, 2020, 24(1): 461-481. doi: 10.1007/s00500-019-03925-4
[9]	刘思璐,张则强,管超,等. 考虑设施深度的过道布置问题及改进烟花算法求解方法[J]. 控制与决策,2020,35(1): 45-54. doi: 10.13195/j.kzyjc.2018.0720 LIU Silu, ZHANG Zeqiang, GUAN Chao, et al. Improved fireworks algorithm for the corridor allocation problem with facility depth[J]. Control and Decision, 2020, 35(1): 45-54. doi: 10.13195/j.kzyjc.2018.0720
[10]	管超,张则强,毛丽丽,等. 双层过道布置问题的混合整数规划模型及启发式求解方法[J]. 计算机集成制造系统,2018,24(8): 1972-1982. doi: 10.13196/j.cims.2018.08.009 GUAN Chao, ZHANG Zeqiang, MAO Lili, et al. Mixed integer programming model and heuristic method for double-layer corridor allocation problem[J]. Computer Integrated Manufacturing Systems, 2018, 24(8): 1972-1982. doi: 10.13196/j.cims.2018.08.009
[11]	GUAN C, ZHANG Z Q, LI Y P. A flower pollination algorithm for the double-floor corridor allocation problem[J]. International Journal of Production Research, 2019, 57(20): 6506-6527. doi: 10.1080/00207543.2019.1566673
[12]	管超,张则强,朱立夏,等. 双层过道布置问题的混合整数非线性规划模型及两阶段改进模拟退火算法[J]. 中国机械工程,2019,30(8): 975-983. doi: 10.3969/j.issn.1004-132X.2019.08.014 GUAN Chao, ZHANG Zeqiang, ZHU Lixia, et al. A MINLP model and improved simulated annealing algorithm for double-layer corridor allocation problem[J]. China Mechanical Engineering, 2019, 30(8): 975-983. doi: 10.3969/j.issn.1004-132X.2019.08.014
[13]	刘俊琦,张则强,管超,等. 基于多纵向传输通道的双层过道布置问题建模与优化[J]. 计算机集成制造系统,2022,28(2): 481-494. doi: 10.13196/j.cims.2022.02.013 LIU Junqi, ZHANG Zeqiang, GUAN Chao, et al. Modeling and optimization of double floor corridor allocation problem based on multi-longitudinal transmission channels[J]. Computer Integrated Manufacturing Systems, 2022, 28(2): 481-494. doi: 10.13196/j.cims.2022.02.013
[14]	王沙沙,张则强,刘俊琦,等. 多路径交互环形过道布置问题建模及改进蚁狮算法优化[J]. 计算机集成制造系统,2021,27(8): 2237-2247. doi: 10.13196/j.cims.2021.08.007 WANG Shasha, ZHANG Zeqiang, LIU Junqi, et al. Modeling of multi-path interactive annular corridor allocation problem and optimization of improved ant-lion algorithm[J]. Computer Integrated Manufacturing Systems, 2021, 27(8): 2237-2247. doi: 10.13196/j.cims.2021.08.007
[15]	陈凤, 张则强, 刘俊琦. 考虑设施方向的双目标过道布置问题建模与优化[J]. 计算机集成制造系统, 2022, 28（6）: 1717-1734. CHEN Feng, ZHANG Zeqiang, LIU Junqi, et al. Modeling and optimization of bi-objective corridor layout problem considering facility orientation [J]. Computer Integrated Manufacturing Systems, 2022, 28（6）: 1717-1734.
[16]	KALITA Z, DATTA D. Corridor allocation as a constrained optimization problem using a permutation-based multi-objective genetic algorithm[J]. Nature-Inspired Methods for Metaheuristics Optimization: Algorithms and Applications in Science and Engineering, 2020, 16: 335-358.
[17]	LIU J Q, ZHANG Z Q, CHEN F, et al. A novel hybrid immune clonal selection algorithm for the constrained corridor allocation problem[J]. Journal of Intelligent Manufacturing, 2020, 33(4): 953-972.
[18]	GUO Y W, MILEHAM A R, OWEN G W, et al. Operation sequencing optimization using a particle swarm optimization approach[J]. Proceedings of the Institution of Mechanical Engineers, Part B:Journal of Engineering Manufacture, 2006, 220(12): 1945-1958. doi: 10.1243/09544054JEM647
[19]	张则强,汪开普,朱立夏,等. 多目标U型拆卸线平衡问题的Pareto蚁群遗传算法[J]. 西南交通大学学报,2018,53(3): 628-637,660. doi: 10.3969/j.issn.0258-2724.2018.03.026 ZHANG Zeqiang, WANG Kaipu, ZHU Lixia, et al. Pareto hybrid ant colony and genetic algorithm for multi-objective U-shaped disassembly line balancing problem[J]. Journal of Southwest Jiaotong University, 2018, 53(3): 628-637,660. doi: 10.3969/j.issn.0258-2724.2018.03.026
[20]	KALITA Z, DATTA D. A constrained single-row facility layout problem[J]. The International Journal of Advanced Manufacturing Technology, 2018, 98(5/6/7/8): 2173-2184.
[21]	LIU S L, ZHANG Z Q, GUAN C, et al. An improved fireworks algorithm for the constrained single-row facility layout problem[J]. International Journal of Production Research, 2021, 59(8): 2309-2327. doi: 10.1080/00207543.2020.1730465
[22]	高锋阳,李昭君,袁成,等. 含特殊负荷的配电网分层故障定位方法[J]. 西南交通大学学报,2020,55(3): 570-580. GAO Fengyang, LI Zhaojun, YUAN Cheng, et al. Hierarchical fault location method for distribution network with special load[J]. Journal of Southwest Jiaotong University, 2020, 55(3): 570-580.
[23]	徐长安,倪少权,陈钉均. 基于两阶段算法的运行图与天窗协同优化[J]. 西南交通大学学报,2020,55(4): 882-888. XU Changan, NI Shaoquan, CHEN Dingjun. Collaborative optimization for timetable and maintenance window based on two-stage algorithm[J]. Journal of Southwest Jiaotong University, 2020, 55(4): 882-888.
[24]	XIA Y K, FU Z. An adaptive tabu search algorithm for the open vehicle routing problem with split deliveries by order[J]. Wireless Personal Communications, 2018, 103(1): 595-609. doi: 10.1007/s11277-018-5464-4
[25]	ZHOU B H, WU Q. An improved immune clonal selection algorithm for bi-objective robotic assemble line balancing problems considering time and space constraints[J]. Engineering Computations, 2019, 36(6): 1868-1892. doi: 10.1108/EC-11-2018-0512
[26]	左兴权,王春露,赵新超. 一种结合多目标免疫算法和线性规划的双行设备布局方法[J]. 自动化学报,2015,41(3): 528-540. ZUO Xingquan, WANG Chunlu, ZHAO Xinchao. Combining multi-objective immune algorithm and linear programming for double row layout problem[J]. Acta Automatica Sinica, 2015, 41(3): 528-540.
[27]	贾林,张则强,李六柯,等. 考虑面积成本的双目标环形过道布置建模及改进禁忌搜索优化[J]. 信息与控制,2019,48(4): 477-485. JIA Lin, ZHANG Zeqiang, LI Liuke, et al. Modeling and improved tabu search optimization for double objective annular corridor allocation considering area cost[J]. Information and Control, 2019, 48(4): 477-485.
[28]	任子武,伞冶. 自适应遗传算法的改进及在系统辨识中应用研究[J]. 系统仿真学报,2006,18(1): 41-43,66. doi: 10.3969/j.issn.1004-731X.2006.01.011 REN Ziwu, SAN Ye. Improved adaptive genetic algorithm and its application research in parameter identification[J]. Journal of System Simulation, 2006, 18(1): 41-43,66. doi: 10.3969/j.issn.1004-731X.2006.01.011
[29]	徐岩,郅静. 基于改进自适应遗传算法的PMU优化配置[J]. 电力系统保护与控制,2015,43(2): 55-62. doi: 10.7667/j.issn.1674-3415.2015.02.009 XU Yan, ZHI Jing. Optimal PMU configuration based on improved adaptive genetic algorithm[J]. Power System Protection and Control, 2015, 43(2): 55-62. doi: 10.7667/j.issn.1674-3415.2015.02.009
[30]	耿敬,覃天意,李明伟,等. 基于进化ANSYS的防波堤结构智能优化方法[J]. 华中科技大学学报(自然科学版),2020,48(10): 86-91. GENG Jing, QIN Tianyi, LI Mingwei, et al. Intelligent optimization method of breakwater structure based on evolutionary ANSYS[J]. Journal of Huazhong University of Science and Technology (Natural Science Edition), 2020, 48(10): 86-91.
[31]	LIU J Q, ZHANG Z Q, ZENG Y Q. Modeling and optimization of double floor corridor allocation problem considering double channel unidirectional elevator[C]//Conference Proceedings of the 8th International Symposium on Project Management, China (ISPM2020). Beijing: [s.n.], 2020: 482-493.
[32]	魏彤辉,左文杰,郑宏伟,等. 基于降维算法的车身可靠性优化[J]. 汽车工程,2020,42(7): 941-948. WEI Tonghui, ZUO Wenjie, ZHENG Hongwei, et al. Reliability-based design optimization of car BodyBased on dimension reduction method[J]. Automotive Engineering, 2020, 42(7): 941-948.