科研之友
微信
新浪微博
Facebook
分享链接
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.
- 单位
