摘要：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.

摘要：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。

摘要：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.