工位数固定的U型拆卸线部分拆卸平衡问题

为提高工位数固定的U型拆卸线拆卸效率,减少有害部件对操作人员的潜在威胁,针对高价值零部件和有害零部件的拆卸需求,本文提出了工位数固定的U型拆卸线部分拆卸平衡问题,建立了以最小化节拍时间、高危工位数目和负载均衡为目标的优化模型,并设计了改进的变邻域搜索算法进行求解.在编码过程中提出一种基于零部件释放位置的选择策略,以减少前继零部件拆卸顺序对编码的影响;提出最小偏差二分法,有效减少解码的迭代次数;提出瓶颈挤压局部搜索策略,用以优化节拍时间和均衡负载指标.通过与其他算法对比,结果表明改进的变邻域搜索算法求解具有优越性,并且可实现对工位数固定的U型拆卸线部分拆卸平衡问题的高效求解.

考虑可变时间的双边机器人拆卸线平衡问题建模与优化

针对现有双边拆卸线对可变化拆卸时间及机器人能耗问题研究的不足,将多型号机器人引入拆卸线,并结合双边拆卸线特点,建立最小化工作站数、负载均衡指标、危害指标和机器人能耗指标的多目标双边拆卸线平衡模型。该模型能够根据任务分配情况动态的适配不同型号机器人进行拆卸作业,减少拆卸时间,提高拆卸效率。提出一种改进樽海鞘群算法,加入了莱维飞行策略避免陷入局部最优,达到快速收敛效果;引入帕累托思想及拥挤距离机制对多目标求解结果进行筛选,以此保留较优解,通过与多种案例对比,验证了所提算法在双边拆卸线平衡问题中的可行性与高效性。最后,将所建模型运用于双边拆卸废旧汽车的实例计算,求解出多种优秀方案供决策者选择。

多目标的拆卸线平衡问题优化研究

拆卸是废旧产品回收利用的重要途径,根据产品拆卸线的特点,构建拆卸线平衡问题的多目标关系。针对求解拆卸线平衡问题所遇到的求解结果单一、无法满足平衡诸多目标等问题,以均衡工作站负载且引入操作安全性、任务拆卸方向和任务需求为优化目标建立数学模型,在此基础上,提出一种基于遗传改进的多目标灰狼算法进行求解计算。基于废旧电冰箱拆卸案例对比验证算法的效果与性能,并将其应用于再制造企业某废旧电视机拆卸实例中。以Plant Simulation 15.0仿真软件为平台,运用仿真技术对所得理论方案分析与优化,通过在重要工位上建立缓冲区来解决实际拆卸过程中所存在的工位堵塞问题。结果表明该算法的收敛性较好,所获得非支配解集更逼近Pareto最优前沿,得出多个合理拆卸方案,为决策者选择拆卸方案提供了依据,且改善后的工位产能也提升了3.23%。

人机共站并行拆卸线平衡问题建模与混合教学优化算法

针对现有人机共站拆卸问题研究对任务间影响关系约束的不足,提出人机共站并行拆卸线平衡问题,以工作站开启数、空闲时间均衡指标、操作者总数和拆卸成本为优化目标,构建了其多目标混合整数规划模型。并提出一种混合教学优化算法求解,算法在原始教学优化算法的基础上融入自学操作和模拟退火操作,以保持种群多样性并避免算法陷入局部最优。应用数学规划软件LINGO精确求解所提问题的中小规模算例并与算法求解结果对比,验证了所建模型正确性与算法的有效性。最后,将所建模型与所提算法应用至大规模人机共站并行拆卸线实例中,通过与多种算法进行不同的对比试验,进一步验证了所提算法求解性能和求解质量的优越性。

不确定工人体能消耗的多目标U型拆卸线平衡问题

鉴于工人的体能消耗不但影响拆卸线生产效率,而且因其自身状态、熟练程度和操作习惯等存在不确定性,基于三角模糊数首次提出不确定工人体能消耗的U型拆卸线平衡问题,并建立以最小化工作站数量、空闲时间均衡指标和工人体能消耗指标为优化目标的数学模型。提出一种改进磷虾算法,结合模型问题特征设计磷虾附近个体感应、磷虾觅食和磷虾扩散3个操作,并设计了一种反向学习机制以增强算法的全局搜索能力。运用Pareto思想和拥挤距离机制筛选获得多个非劣解。通过求解19个基准算例并与现有文献的求解结果对比,验证了所提算法的优越性。最后,将所建模型和所提算法应用于拆卸电脑显示器的实际案例,通过对比验证了模型的实用性和改进磷虾的优越性。

考虑拆卸序列的机器人拆卸线平衡优化

机器人拆卸逐步成为智能化生产的重要基础,提高机器人拆卸线效率,使其负载均衡尤为重要,拆卸任务顺序对拆卸线的影响也不可忽视。针对考虑拆卸序列的机器人拆卸线平衡问题,以工作站数量、平滑指数和最大工作站作业时间为优化目标建立多目标优化模型,提出ANP-熵权法为各目标分配权重,并提出一种改进离散粒子群算法来求解。通过实验表明所设计的耦合赋权法更能合理地量化目标权重,经过验证算法具有有效性,其性能优于对比算法,同时也说明所提研究方法有效可行,可对所研究问题进行高效的求解。

基于Pareto蚁群算法的拆卸线平衡多目标优化

为提高产品拆卸效率,针对拆卸线平衡问题建立了数学模型。该模型以最小拆卸线闲置率、负荷均衡和最小拆卸成本为优化目标。结合拆卸线平衡问题的具体特点,提出了一种改进的基于Pareto解集的多目标蚁群优化算法。算法采用小生境技术,引导蚂蚁搜索到分布良好的Pareto最优解集,并以被支配度和分散度为个体评价规则。实验测试结果表明了该算法的可行性。最后,结合企业生产实际,给出了所提模型与算法的具体应用。

求解多目标拆卸线平衡问题的一种蚁群算法

结合拆卸线平衡问题的特性,建立了相应的数学模型。该模型在以最小化工作站数、均衡各工作站空闲时间为目标函数的基础上,考虑了尽可能早地拆卸有危害、高需求的零件以及最小化拆卸方向的改变,提出了一种改进的蚁群算法。该算法采用了利用先验知识、探索新路径、随机选择三种方式的混合搜索机制,将综合考虑零件拆卸时间、危害和需求作为算法的启发式信息来提高搜索的效率。应用实例的计算分析表明该提算法具有可行性及有效性。

多目标拆卸线平衡问题的Pareto细菌觅食算法

拆卸线平衡问题的优化涉及多个目标。为克服传统方法在求解多目标拆卸线平衡问题时不能很好地处理各子目标间冲突及易于早熟等不足,提出了一种多目标细菌觅食优化算法。该算法采用Pareto非劣排序技术对种群进行分级,并结合拥挤距离机制评价同级个体的优劣。为提高算法收敛性能,在趋向性操作结束后引入精英保留策略保留优秀个体,并采用全局信息共享策略引导菌群不断向均匀分布的Pareto最优前沿趋近。通过不同规模算例的对比分析,验证了算法的有效性与优越性。

求解拆卸线平衡问题的改进人工蜂群算法

大规模拆卸线平衡问题(disassembly line balancing problem,DLBP)是NP完全问题.为克服传统算法求解DLBP搜索过于随机、易于早熟,且求解难度随任务规模的增加呈指数级增长等不足,构建了基于最小化工作站、均衡负荷、尽早拆卸有危害和高需求零部件的DLBP多目标优化模型,在此基础上,提出了改进人工蜂群算法.该算法包括以下4个阶段:在初始解生成阶段,引入危害指标和需求指标,提升算法收敛性能;在雇佣蜂搜索阶段,采取可变步长搜索策略,增加对较优解的搜索深度,加速淘汰劣解;在观察蜂搜索阶段,采用常规搜索与蠕动搜索相结合的混合搜索策略;在侦察蜂搜索阶段,构造了基于分布估计的搜索策略,引导搜索过程.应用本文算法对70个测试问题进行求解,其中65个求得了最优解,寻优率为92.86%;对10个任务实例求得最优解的需求指标为9 730个,比蚁群算法减少了360个;52个任务实例的开启工作站数目、平滑率和拆卸成本3项指标均取得了更优的结果,求解较大规模问题的性能显著提升.

U型布局的拆卸线平衡问题及其求解算法研究

建立以精益生产为准则的多目标U型拆卸线平衡问题模型,并提出了一种改进的人工蜂群算法求解该问题。通过利用蜜蜂对蜜源进行标记完成自身学习过程,有效地改善了蜜蜂寻找蜜源的能力。为避免算法搜索过程中陷入局部最优,采取模仿其他蜜蜂的搜索行为打破僵局,并将改进人工蜂群算法应用于求解文献中的实例,通过对比表明改进人工蜂群算法可以寻找到更优的解,从而验证了算法的可行性。最后,将改进人工蜂群算法用于U型布局求解,将U型布局结果与直线型布局进行对比,体现了U型布局的优越性。

面向多目标拆卸线平衡问题的一种改进粒子群优化算法

为提升粒子群优化算法在解决复杂拆卸线平衡问题时的计算能力,提出一种改进的粒子群优化算法。该算法选取每个粒子运行最优的邻居粒子为粒子每次迭代过程中"个体学习部分"的学习样本。为保证种群多样性,避免算法出现早熟收敛,提出一种粒子间的水平混合变异(均匀分布变异和高斯分布变异),通过变异判定条件,对粒子的位置进行变异更新,提升算法的搜索性能。针对多目标问题,利用基于目标优先顺序的粒子群优化算法,将多个目标问题按优先顺序进行优化。通过拆卸问题的仿真计算比较结果,验证算法的有效性。

多目标U型拆卸线平衡问题的Pareto蚁群遗传算法

针对传统方法求解多目标U型拆卸线平衡问题的不足,提出了一种基于Pareto解集的多目标蚁群遗传算法.在构造初始解阶段,以协同考虑最大作业时间、最小拆卸成本差作为蚂蚁的启发式信息;通过蚁群算法搜索可行拆卸序列,并根据多目标之间的支配关系得到Pareto解集;将蚁群算法的Pareto非劣解作为遗传操作的个体,进而将遗传操作的结果正反馈于最优拆卸路径上信息素的积累,并采用拥挤距离作为蚂蚁全局信息素更新策略,可以平衡多目标对信息素的影响,使算法快速获得较优解.将所提算法应用于52项拆卸任务算例和某打印机拆卸线实例,在算例验证中,通过对比Pareto蚁群算法,所提算法求得的8个非劣解在3个评价指标上性能分别提高了50.43%、3.25%、14.10%,在实例应用中所提算法求得8种可选平衡方案,从而验证了所提算法的有效性、优越性和实用性.

拆卸线平衡问题的改进细菌觅食优化算法

拆卸是产品回收过程中最重要的环节,拆卸过程高效与否直接影响产品的回收效率。为克服传统算法求解拆卸线平衡问题时性能不稳定的缺陷,在构建基于工作站利用率、负荷均衡,尽早拆卸有危害、高需求的零件,最小化拆卸成本等方面的拆卸线平衡问题多目标优化模型的基础上,提出一种改进的细菌觅食优化算法对问题求解。通过改进细菌的移动规则扩大搜索空间,引入全局信息共享策略增强算法收敛性能,定义了一种自适应驱散概率防止驱散操作中解的退化。在对不同规模算例的对比分析中,验证了该算法的有效性。

随机作业时间的U型拆卸线平衡多目标优化

为更好地反映实际拆卸作业时间的不确定性,建立了考虑随机作业时间的多目标U型拆卸线平衡问题的数学模型,并针对传统方法求解多目标问题时求解结果单一、无法均衡各目标等不足,提出一种基于Pareto解集的多目标混合人工鱼群算法。算法采用自适应视野串行觅食方式,以减少并行觅食时出现重复搜索现象,并根据多目标拆卸序列之间的支配关系得到Pareto非劣解集,实现了鱼群寻优结果的多样性。对鱼群觅食得到的拆卸序列进行模拟退火操作,增强了算法跳出局部最优的能力。采用拥挤距离机制筛选非劣解,实现了拆卸序列的精英保留,进而将非劣解添加到下次迭代的种群中,加快了算法的收敛速度。将所提算法应用于具有55项任务的某打印机拆卸实例,经与基本人工鱼群算法、模拟退火算法对比,验证了所提算法的有效性和优越性。

随机型拆卸线平衡问题的局部邻域遗传算法

针对实际拆卸线存在的不确定性因素导致作业时间具有随机性的特点,采用零件优先关系图定义的拆卸模型,以工作站数目、平衡性指标、稳定性指标为优化目标,考虑工作站等效作业时间满足节拍时间约束,构建了随机型拆卸线平衡问题模型,并提出一种基于Pareto占优的局部邻域遗传算法。在该算法中,设计了一种面向随机作业时间的解码方法,通过两种交叉操作实现种群的全局搜索,并构造了深度邻域和广度邻域相结合的局部搜索策略,以扩大局部搜索的范围并提高局部寻优能力。通过对两个大规模算例的测试与对比,验证了所提算法的优越性和改进策略的有效性。最后,将模型和算法运用至27项任务的电视机为拆卸实例,通过分析该随机型拆卸线平衡优化的具体应用过程与结果,说明了所建模型与算法的实用性。

面向再制造的拆卸线平衡问题建模理论及求解方法综述

对国内外拆卸线平衡问题的研究成果进行了总结和梳理。对该问题进行了描述并介绍了2种关于拆卸的可视化表示方式和经典的数学模型;梳理了文献中的求解方法并分为精确方法、启发式方法、元启发式方法三大类;重点总结和分析了拆卸线平衡问题相关的8种扩展模型和理论;对未来的研究方向进行探讨和展望,为下一步研究提出了建议。

U型不完全多目标拆卸线平衡问题建模与优化

针对U型布局所具有的生产柔性强、效率高等优点,结合仅需考虑需求零部件和危害性零部件的实际拆卸过程,提出U型不完全拆卸线平衡问题(U-shaped partial disassembly line balance problem,UPDLBP),以最小化工作站数量、空闲时间均衡指标、拆卸深度和拆卸成本为优化目标建立数学模型.在此基础上,提出一种自适应反向学习多目标狼群算法(adaptive opposition-based learning multi-objective wolfpack algorithm,AOBL-MWPA)进行求解计算.该算法采用自适应游走行为,兼顾算法迭代前期的全局寻优性能和后期的稳定性;在满足优先关系约束前提下对召唤行为和围攻行为进行离散化;引入反向学习策略(opposition-based learning,OBL)以避免算法陷入局部最优;利用Pareto解集思想和非支配排序遗传算法Ⅱ(NSGA-Ⅱ)拥挤距离机制筛选获得多个非劣解;将所提算法应用于19个基准算例中,并与现有文献算法对比;最后,将所提模型和算法应用于某汽车U型不完全拆卸线的实例设计中.结果表明:针对工作站开启数量和空闲时间均衡指标而言所提算法能求解获得小规模问题的最优值,且在中大规模问题中所得结果优于其他算法,危害指标和需求指标均能获得最优值,寻优率为100%;实例设计获得10组可选方案,验证了所提算法的实用性和有效性.

产品拆卸线的影响因素及平衡问题研究

制造企业对废旧产品进行回收再利用,是节约资源和保护环境的有效方式。产品拆卸是实现废旧产品回收再利用的重要手段,是实现产品生命周期完整性与封闭性的必要环节。本文详尽分析了产品拆卸线的影响因素,并将产品拆卸线与产品装配线作了对比;然后针对产品拆卸线的平衡问题,构建了多目标优化模型。

基于遗传算法的产品拆卸线平衡问题研究

对废旧产品进行回收再利用,是节约资源和保护环境的有效方式.产品拆卸是实现废旧产品回收再利用的重要手段,是实现产品生命周期完整性的必要环节.本文针对产品拆卸线的特点,构建了拆卸线平衡问题的多目标优化模型,并运用遗传算法对模型进行求解.本文的模型及方法可以为废旧产品的回收拆卸提供理论指导.