u型拆卸线平衡问题的混合人工蜂群算法分析

《u型拆卸线平衡问题的混合人工蜂群算法分析》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、万方数据西南交通大学硕士研究生学位论文第l页1．1课题研究意义第1章绪论万方数据西南交通大学硕士研究生学位论文第2页用在装配线的设计过程中。由于回收产品的质量会存在着千差万别，那么拆卸这一过程可以是在单一工作站内完成，也可以在某一工位上单独完成等多种形式，这对拆卸线的建立增加了难度。由于连续流水化作业过程中会存在工作站之间不协调的现象，影响生产效率。因此，对于拆卸线平衡问题的研究引起了工业界与学术界的广泛关注。拆卸线平衡与第一类装配线平衡一样，是在己知装配或拆卸序列的基础上，给定节拍优化工作站数。但是除此之外，由于拆卸过程中可能出

2、现危害部件，同时也要考虑拆卸零件的需求、拆卸成本、库存等问题，因此拆卸线平衡问题是一个多目标优化问题。单一目标的求解装配线平衡问题已经被证明具有NP．hard的问题，所以多目标拆卸线平衡问题的求解则是更大的挑战。随着制造业激烈的外部环境的改变，精益生产的理念在越来越多的企业中备受欢迎。一般的拆卸线布局是直线型，而精益生产所带来的重大改变就是，使越来越多的企业采用U型布局替代最初的直线型布局。U型拆卸线的特点是出口和入口在同一位置，布局更加紧凑，能够实现弹性作业人数。U型拆卸线可以按照商品拆卸优先关系图从前到后或从后到前单方向进行工

3、序分配，也可以从两个方向同时进行。与直线型拆卸线相比，U型拆卸线更加灵活、更加适用于实际操作，从而使得拆卸线的平衡效率更高。文献【7-81均证明了U型装配线可以大幅度提高劳动生产率，因此U型拆卸线的研究具有可行性。通过对拆卸线的研究、设计得到较优或最优的优化方案，可以有效减少拆卸线的闲置时间、提高拆卸线的运作效率，从而最大程度地挖掘现有EOL商品的价值满足市场需求，这对提升企业的市场竞争力具有重要的意义。因此，本文针对U型拆卸线平衡问题的研究对企业做出重要选择等具有重要的价值。本课题来源于国家自然科学基金项目“动态复杂环境下拆卸线

4、平衡问题群集拟生态模型与方法研究”(项目编号：51205328)。1．2国内外研究现状拆卸线平衡问题是为寻找到一个可行的拆卸序列，在满足某一节拍的情况下，使工作站数最小，各工作站空闲时间均匀分布，同时还要满足拆卸所得零件的需求最高等目标。求解拆卸线平衡问题具有一定的理论研究价值和实际应用价值，所以一直是研究领域中的重点与热点话题。如何设计一个较优的算法能够在合理的时间内得到问万方数据西南交通大学硕士研究生学位论文第3页题的最优解，一直是研究者不断探索的研究方向。目前，学术界针对拆卸线平衡问题的研究方法，主要有数学分析法、工业工程法

5、以及启发式方法等。经典启发式方法是根据部分已知的信息启发式地探索问题的解决方案，在探索的过程中不断积累与分析，从而获得整体上较好的解决方案。群集智能算法(蚁群算法、粒子群算法、蜂群算法等)是依据启发式方法的原理而逐渐形成的新型算法。由于拆卸线平衡问题被证明为是具有NP．hard的问题，因此智能算法是近年来颇受学者青睐解决拆卸线平衡问题的一种方法。由于对拆卸过程中的整体成本消耗，特别是拆卸成本消耗还没有清晰的阐述，Sanchoy在2000年时运用DEI评分方法评价了拆卸过程的七个因素，评分最后被用于计算拆卸成本及投资回报率[91。随

6、后，Gupta于2001年对产品回收过程中拆卸线面临的挑战做了详尽的描述，并提出拆卸线平衡问题[10】。在拆卸线平衡问题提出后，许多学者纷纷从不同的角度进行研究，如优化目标、拆卸线布局、优化方法、混流拆卸等。2001年，Gungor将分支定界法用于拆卸序列的优化【11】，并建立了无效任务的拆卸线平衡模型t121。2004年，McGovem以工作站空闲时间为优化目标，将贪婪搜索方法与遗传算法、蚁群算法等混合求解NP难题[13】。之后，他将数学模型进行改进，除考虑空闲时间外，还增加了优先考虑危害零件和有价值零件的目标函数以及拆卸过程的

7、移动方向最少，运用蚁群算法优化得到多目标平衡问题的最优解【14】。2007年，他又进一步研究了大型商品的拆卸问题，通过遗传算法可以找到最优解或近似最优解【15】。2005年，Kizilkaya引入动态看板系统评价贪婪算法、AEHC算法和2-opt算法的求解结果，最后证明贪婪算法更适用于拆卸线平衡问题[16】。2014年，EmreTuncel提出基于蒙特卡洛的加固学习方法求解复杂的拆卸线问题，该方法适用于求解大规模问题及环境多变的复杂问题㈣。对于拆卸线平衡问题的研究通常是对设施布局、作业时问、生产节拍、任务关联度、优化方法中的一个变

8、量进行研究，上述文章主要是针对优化方法展开的研究。以生产节拍为变量，2010年Hwa-JoongKim着手于零件需求随机分布的研究，并提出Lagrangian启发式方法，通过随机生成的例子验证了算法具有良好的性能【18]。2012年，Bi—yuLi