多目标U型拆卸线平衡问题的Pareto蚁群遗传算法

作者:张则强;汪开普;朱立夏;程文明; 刊名:西南交通大学学报 上传者:汤晓东

【摘要】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.

全文阅读

随着我国经济的高速增长,产品更新换代的步伐加快,产生了大量废旧机电产品,废旧机电产品的回收再利用是生态文明建设的重要组成部分.绿色发展已经成为国家战略,国务院印发的《中国制造2025》[1]中明确提出,要“发展循环经济,提高资源回收利用效率,构建绿色制造体系”.拆卸是实现资源回收再利用的关键一环,也是绿色制造系统的重要组成部分,通过拆卸可实现贵重材料和有价值零部件的回收,是构筑产品生命周期完整性与封闭性的必要环节.拆卸线是废旧机电产品规模化拆卸生产的最佳方式之一,具有规范性好、效率高等优点.然而在实际生产过程中,拆卸生产线上各工作站间普遍存在着作业不平衡等现象,对拆卸企业生产效率的提升产生了较大影响,由此产生了拆卸线平衡问题(disassembly line balancing problem,DLBP)[2],并引起了国内外学者的高度关注[3-16].GUNGOR等[2]对多目标拆卸线平衡问题进行了全面描述,进而分析了影响拆卸线生产率的各种因素.传统的启发式算法[2-3]、数学规划法[4]在求解拆卸线平衡问题时能够得到精确解,但只适用于小规模问题.拆卸线平衡问题是NP(non-deterministic polynomial)完全问题[5],当拆卸任务规模增大到一定程度时,在有效时间内很难求得最优解.亚启发式算法[5-15]在求解不同规模任务的多目标拆卸线平衡问题时表现出良好的求解性能,能够得到较优解.文献[5-15]在描述拆卸线平衡问题时考虑了多个优化目标,但在处理多目标问题时却将其转化为为单目标问题,一次只能求得一个解,所得平衡方案无法均衡存在冲突关系的各目标.文献[16]应用Pareto蚁群算法在求解多目标拆卸线平衡问题上做了很好的研究工作,得到多个Pareto最优解,所得方案兼顾了各目标间的均衡性,但其求解性能还有进一步提升的空间.文献[2-16]中拆卸线布局形式均为直线型,U型布局相较于直线型布局具有占地面积小、柔性高、生产效率高等优点,有助于生产线效率的进一步提高[17-18],基于此,U型布局在拆卸线中也得到了应用[19-20].但现有的文献多是对直线型拆卸线平衡问题展开研究,甚少有对U型拆卸线平衡问题(U-shaped disassembly line balancing problem,UDLBP)进行探讨.国外文献中,仅文献[19]采用协同蚁群算法求解随机混流U型拆卸线平衡问题,以最小化工作站空闲时间和停工概率为优化目标,采用单目标求解思想处理该问题,无法实现各目标间的均衡.国内方面,只有文献[20]应用人工蜂群算法按目标分级方式处理多目标U型拆卸线平衡问题,依然是将多目标问题转化为单目标问题进行求解.针对现有文献对多目标U型拆卸线平衡问题研究的不足,有必要对该问题展开研究.蚁群算法和遗传算法在求解NP问题时具有良好的求解性能[5-7,21],将两种算法融合用于求解复杂离散问题,能够实现优势互补.文献[22]采用混合蚁群遗传算法求解复杂装配线平衡和调度问题,结果表明混合算法相对于单一算法求解质量显著提高.查阅相关文献,尚未有学者采用混合蚁群遗传算法求解U型拆卸线平衡问题.鉴于现有文献对拆卸线平衡问题研究的不足,本文结合Pareto解集思想[23]以及蚁群算法和遗传算法求解NP问题的优势,提出一种求解U型拆卸线平衡问题的多目标Pareto蚁群遗传算法(antcolony and genetic algorithm,ACGA),改进算法的蚁群操作和遗传操作.通过对比测试与实例应用,验证了所提算法的求解性能.1多目标U型拆卸线平衡

参考文献

引证文献

问答

我要提问