一种动态协同进化算法求解双边顺序相依拆卸线平衡问题

针对大型产品在双边拆卸线进行作业时,零部件之间存在拆卸干扰的情形,构建双边顺序相依拆卸线平衡问题优化模型,并提出一种动态协同进化算法。所提算法设计了一维正负整数排列编码方法,可将任务间先后关系及任务所在操作方位同时有效表示,编码简单易于实现;采用动态邻域深度搜索策略,提高局部搜索质量;引入后天学习算子,加快个体进化速度;通过种群间相互交流,提升下一代种群质量。最后,通过算例验证所提算法具有良好的寻优性能。

一种自适应人工蜂群算法求解U型顺序相依拆卸线平衡问题

产品拆卸过程中零部件之间会相互干扰影响任务作业时间,基于该情形构建了多目标U型SDDLBP优化模型,并提出一种自适应ABC算法。所提算法设计了自适应动态邻域搜索方法,以提高局部开发能力;采用了轮盘赌与锦标赛法结合的分段选择法,以有效评价并选择蜜源进行深度开发;建立了基于当前最优解的变异操作,以提高全局探索能力快速跳出局部最优。最后,通过算例测试和实例分析验证算法的高效性。

考虑残保政策的多等级工人拆卸线平衡问题建模与优化

针对拆卸企业的操作者仍以单一等级工人为主且尚未考虑雇佣残疾工人的问题,提出了考虑残疾人保障政策的多等级工人拆卸线平衡问题,建立了以最小化工作站数量、空闲均衡指标、价值指标和最大化拆卸线收益为优化目标的数学模型。基于问题特点,采用三层解码方式,设计了离散共生生物搜索算法。该算法引入莱维飞行策略,改进了互利、寄生操作,结合Pareto思想和拥挤距离机制从而筛选出多个非劣解。现有基准测试结果表明所提出算法的寻优能力和收敛性能均优于文献中的其他算法。最后,以某品牌V6发动机作为实例进一步验证所提模型和算法,与多种算法计算结果进行对比,证明所提算法计算所提模型的适用性和优越性,并为企业决策者提供多种侧重点不同的拆卸方案。

一种混合人工蜂群算法求解顺序相依拆卸线平衡问题

拆卸线平衡问题直接影响回收再制造成本.为此,构建了最小工作站开启数量、最短总拆卸时间、均衡工作站空闲时间、尽早拆卸有危害和高需求零部件的多目标顺序相依拆卸线平衡问题优化模型,提出一种混合人工蜂群算法.所提出算法在观察蜂跟随阶段采用分阶段选择评价法,以便更好地区分蜜源;在侦查蜂开采阶段构建基于全局学习的搜索机制,以提高开采能力.蜜蜂寻优过程中设计了简化变邻域搜索策略,提高了寻优效率.对比实验结果验证了模型的有效性和算法的优越性.

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。

顺序相依拆卸线平衡多目标优化模型及算法研究

拆卸是产品回收过程最关键环节之一,拆卸效率直接影响再制造成本。本文在分析现有模型不足基础上,考虑最小化总拆卸时间,建立多目标顺序相依拆卸线平衡问题优化模型,并提出了一种自适应进化变邻域搜索算法。所提算法引入种群进化机制,并采用一种组合策略构建初始种群,通过锦标赛法选择个体进化;在局部搜索时,设计了邻域结构自适应选择策略,并采用基于交叉的全局学习机制加速跳出局部最优,以提高算法寻优能力。对比实验结果,证实了所提模型的合理性以及算法的高效性。

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.

多目标拆卸线平衡问题的Pareto人工鱼群算法

针对拆卸线平衡问题的复杂性,提出了一种改进的基于Pareto解集的多目标人工鱼群算法进行求解。为提高人工鱼觅食时的寻优能力,引入遗传算法的随机交叉操作,指导人工鱼向全局最优拆卸方向觅食。通过拥挤距离不断筛选人工鱼觅食、聚群和追尾过程中的非劣解,实现了各行为结果的多样性。采用精英保留策略,将外部档案中的非劣解添加到算法下次迭代的种群中,加快了算法的收敛。通过对不同规模的拆卸实例进行求解,并将其与已有算法进行对比,验证了所提算法的有效性和优越性。

求解拆卸线平衡问题的一种变邻域搜索算法

针对拆卸线平衡问题特点,建立以最小化工作站数、平滑指数、危害指数和需求指数为优化目标的多目标数学模型,进而提出一种改进的变邻域搜索算法求解该问题。所提算法采用了一种启发式方法产生初始解,并构造了3种邻域结构,扩大算法搜索范围。采用初始解集进行局部搜索,搜索过程使用一步改进策略,并引入禁忌表方法,提高算法全局寻优能力。通过对大量不同规模测试问题进行算法实验,并与现有方法对比,结果表明,所提变邻域搜索算法在求解效率与求解质量上具有优越性。

资源约束下拆卸线平衡问题的建模与改进混合蛙跳算法

针对实际拆卸线中涉及的资源约束和危害零件问题,以资源总数、工作站数和危害指数为目标函数,构建了多目标资源约束拆卸线平衡问题数学模型。基于AND/OR关系,在优先关系矩阵中添加OR关系的描述,解决了产生初始解仅考虑AND关系的不足问题。提出了一种融入Pareto思想的改进混合蛙跳算法,该算法采用基于满意度的改进排序分组策略来解决多目标优化种群分组问题;提出了一种新的交叉变异方式进行局部搜索以提高收敛性能;利用拥挤距离机制评价非劣解集以及有效地维护外部档案容量。采用田口实验和统计分析方法确定了算法最佳参数组合,将改进前后的混合蛙跳算法及NSGA-Ⅱ对测试算例的求解结果进行了多指标对比分析,研究结果表明:改进混合蛙跳算法具有良好的综合求解优势。最后,将所提算法应用到某电冰箱的资源约束拆卸线平衡问题中,为决策者提供了较优的拆卸方案。

双边拆卸线平衡问题建模与优化

针对实际作业中部分产品采用双边拆卸,但已有拆卸线平衡问题研究中工作站均为单边布局的不足,建立了多目标双边拆卸线平衡问题模型。解码时,将任务优先分配至工作站较少的边、次优先分配至剩余时间较多的工作站,以缩短输送路径和工作站空闲时间。针对所建立模型,提出一种Pareto蝙蝠算法,引入Pareto思想以保证解的多样性;采用精英策略有效加速算法的收敛;通过拥挤距离筛选外部档案以提高算法运行效率。通过求解经典算例并对比分析,验证了所提出算法的有效性。将所建模型应用于拆卸线设计,能为决策者提供多种高质量的平衡方案。

基于多目标算法与动态仿真的带调整时间的拆卸线平衡优化方法

针对拆卸方向改变对作业时间的影响,以最小化拆卸成本、无效作业率和不平滑率为优化目标,构建了考虑调整时间的多目标拆卸线平衡问题模型,并提出了一种Pareto免疫遗传算法与仿真技术相结合的求解方法。算法融合了遗传算子和免疫算子,能有效避免解出现退化和陷入局部最优。通过求解25项拆卸任务算例,并与现有5种算法进行对比,验证了所提算法的有效性。进而将所提模型和算法应用于某打印机拆卸线实例,进一步考虑拆卸时间不确定、存在故障等实际情况,运用仿真技术分析与优化,结果表明所提方法能有效降低等待和堵塞造成的无效作业时间,提高拆卸效率。

目标驱动离散布谷鸟搜索算法的不完全拆卸线平衡多目标优化

针对拆卸需求零件和危害零件的不完全拆卸线平衡问题,构建了优化拆卸序列长度、工作站数目、空闲时间均衡指标和拆卸成本的多目标不完全拆卸线平衡模型;为适应问题的离散性、多目标、多约束特性,提出了一种基于Pareto解集的目标驱动离散布谷鸟搜索算法.该算法首先建立模型与鸟窝位置、鸟蛋属性的映射关系,以此制定莱维飞行操作、巢寄生操作的离散化规则;然后通过以目标为导向的驱动操作实现单目标深度优化与多目标协同优化;为获得分布性良好的拆卸方案,采用拥挤距离机制筛选外部档案中的非劣解.对不同规模的3个实例与19个基准算例进行实验,验证了该算法的有效性和优越性;以某打印机的不完全拆卸为例,采用文中模型和算法进行不完全拆卸线平衡多目标优化,为决策者提供了侧重点不同的9种拆卸方案.

多目标不完全拆卸线平衡问题的建模与优化

针对实际生产中在满足约束条件下仅考虑拆卸需求零件和危害零件的特点,以工作站数目、空闲时间均衡指标和拆卸成本为优化目标,构建了不完全拆卸线平衡问题多目标模型。基于解的离散性和优化目标的多重性,提出一种Pareto解集思想的变邻域-粒子群融合算法。该算法通过建立拆卸任务和粒子群迭代搜索的对应关系,将变邻域搜索作为局部搜索策略,同时引入Pareto解集思想、拥挤距离机制处理多目标问题,以保证求解结果的多样性;通过Hyper-volume指标解决了多目标优化难以评价算法收敛性能及Pareto解集优劣等问题。采用所提算法求解不同规模完全拆卸线平衡问题测试算例,其中不同搜索深度的对比试验表明了变动搜索深度能很好地兼顾求解质量和求解效率,不同算法的对比试验表明了所提算法的优越性。最后,将所提模型与求解方法应用至某打印机不完全拆卸线的设计中。

第Ⅱ类拆卸线平衡问题建模及优化

环境资源问题日益凸显、人们环保意识的增强以及经济利益的驱动,促使社会进行废旧产品回收再利用,以发展绿色经济。拆卸作为回收再利用过程中的核心环节,采用流水线的方式组织产品精细化拆卸,可实现资源最大化价值。然而,零部件作业任务在流水线上分配排序过程复杂,各工作站上的作业负荷需保持相对均衡,才能保证拆卸线高效运行。为此,本文在拆卸线工作站数量固定的情况下,以最短节拍时间和均衡任务在工作站上的分配为目标,建立第Ⅱ类拆卸线平衡问题优化模型,并提出一种并行动态邻域深度搜索算法进行求解。所提算法采用动态搜索机制实现解在各邻域结构集内的并行深度搜索;通过设置扰动阈值对解实施干扰,以加快跳出局部最优;在节拍时间调整过程中,采用基于二分法的定界策略,以实现向最优节拍时间的快速靠拢。最后,通过不同规模算例验证了模型的有效性以及算法的高效性。

求解随机拆卸线平衡问题的改进人工蜂群算法

考虑拆卸时间不确定，以最少工作站开启数量、负荷均衡、尽早拆除有危害和高需求零部件为目标，建立随机拆卸线平衡问题优化模型，并提出一种改进人工蜂群算法。在雇佣蜂、观察蜂开采蜜源阶段，采用变邻域深度搜索策略，通过系统改变邻域结构以增强开采能力；在侦察蜂探索蜜源阶段，构建基于左右变异机制的全局学习策略，以提高探索蜜源质量加速跳出局部最优。最后，通过求解不同规模算例并与其他算法对比，验证所提算法的优越性。

双边拆卸线平衡问题优化模型及算法研究

分析大型产品在双边布局拆卸线上的作业情形，构建双边拆卸线平衡问题优化模型，并提出一种变邻域搜索遗传算法进行求解。所提算法针对任务可在左右两边工位并行分配的特点，设计了基于一维正负整数排列的染色体编码方式，以节省存储空间；在个体进化时采用变邻域搜索策略，以拓展搜索范围提高搜索质量；通过设置扰动阈值对个体实施干扰，以加快跳出局部最优。最后，采用不同规模算例验证所提算法的高效性。

作业时间依赖顺序的拆卸线平衡多目标优化

在废旧产品拆卸时无先后关系约束的任务之间可能存在拆卸干扰,使任务作业时间依赖于拆卸顺序,导致产品总作业时间不确定,从而影响拆卸线的平衡。为此,考虑拆卸过程中任务间的相互干扰,以最小化拆卸成本和环境危害为目标,构建作业时间依赖顺序的拆卸线平衡多目标优化模型,并提出一种Pareto人工蜂群算法进行求解,采用混合生成法保证种群质量与多样性,设计变邻域深度搜索策略以提高雇佣蜂局部开采效率,为降低侦察蜂探测的盲目性采用基于外部存档的单点变异算子进行搜索。最后通过算例与实例验证算法的有效性以及平衡任务在拆卸线上分配的重要性。