混流装配线同时测序和平衡的多目标人工蜂群算法外文翻译资料

 2022-03-29 09:03

英语原文共 20 页，剩余内容已隐藏，支付完成后下载完整资料

混流装配线同时测序和平衡的多目标人工蜂群算法

摘 要

近年来，混流装配线这种通过单一模型装配线生产多种模型的方式正被越来越广泛的应用。混流装配线有两类问题，包括装配线上的不同模型中的排序问题和装配线的平衡问题。

这两个问题共同影响着装配线的性能，因此，为了减少所有车站负荷的平均偏差和最小化模型同时在不同站点总完工时间，目前的研究目的是平衡每个站点不同型号模型的工作量。多目标人工蜂群算法运用帕累托概念和提出的局部搜索机制，能同时完成排序和均衡问题。混流装配线的两种问题得到了分析。对于第一和第二个问题，每个模型任务时间数据和优先关系数据分别来自操作研究图书馆（ORL）和中国汽车制造公司的标准装配线问题。这两个问题在模型的两个不同需求的情况下用提出的多目标ABC算法得到了解决，结果与文献中的一个著名的算法得到的结果进行比较，即非支配排序遗传算法（NSGA）II。所选问题的计算结果表明，本文提出的多ABC算法对不同需求情况下的模型的选定问题较NSGA II能得到更好的帕累托解。

关键词：混流装配线；同步排序与平衡；帕累托方案；人工蜂群算法

  1. 绪论

装配线是流程导向的生产系统，用于生产大量的产品。福特汽车制造公司引入装配线概念，加快了制造业的生产速度。在装配线中，串行连接的站点围绕物料搬运系统布置，所需物料从上游向下游移动以制造不同的装配产品。单一型号装配线可以批量生产同一型号的产品。然而，由于产品的定制化需求的增加，产品利用单一模型装配线生产多种型号的产品。这些可以在一条线上生产多种产品模型的生产线称为混流装配线。文献表明混流装配线涉及两种类型的问题。第一个问题是将不同的任务的工作量均匀的分配给各个站点，称为平衡问题。第二个问题与装配线上不同产品模型的排序有关，称为排序问题。这两个问题分别在文献[1-6]中进行了调查，但缺乏全面的同步审议。Karabati和Sayin的文献[7]表明站点产品的总装配时间是混流装配线的模式序列功能。此外，通过在装配线中集成平衡和模型排序，可以获得最佳装配线平衡方案。他们提出平衡问题和排序问题一起研究，在任务分配后用他们提出的方法进行模型排序。他们提出了一种方法，将任务分配给不同的站，这种方法非常适合给定的模型序列。还有一些研究人员在进行混流装配线中平衡和排序问题的研究[ 7 - 18 ]。Karabati和Sayin [7]带着减少周期时间的目标研究了混流装配线同时平衡与排序问题。Kim等人研究了同时平衡和测序的混流装配线并对工作负荷的绝对偏差进行优化。莫塞帝等人[ 14 ]提出带着最小化总效用的目标研究混流装配线的同时平衡和测序问题。然而，大多数对混流装配线同时平衡和测序问题的研究考虑的是单目标优化。然而，在实际生产环境中，需要同时优化不止一个的目标。在文献中，很少有研究文章研究装配线平衡和排序问题不止一个目标的情况。例如，Merengo等人[ 19 ]研究了多目标混流装配线的平衡和排序问题。他们考虑来了混流装配线中工件和在制品（WIP）的速率最小化。他们根据平衡和排序问题的不同目标提出了解决不同问题的相互独立的算法。他们用提出各自的算法分别考虑了平衡问题了单目标优化问题和排序问题的单目标优化问题。然而，同时考虑平衡和测序目标可能更需要考虑由莫塞帝等人[ 14 ]和Kim [8, 9]等人提出的由于模型的需求不可预见的变化可能需要不断地重新平衡线的建议。Ozcan等人[ 15 ]以混流装配线的线效率最大化和平滑指数最小为目标研究了混流装配线的同时平衡和排序问题。他们开发了一种多目标优化方法，将两个目标结合成一个优化目标。他们提出的单目标考虑每个目标的一个特定分数值来计算总体目标值。Hwang和 Katayama [16] 提出混流装配线的同时平衡和测序要考虑线路效率最大化、工作量差异的最小化和工作量的平均和实际工作速度之间最大距离的最小化作为目标。他们把这三个目标结合成一个单一的目标，每个目标都有一定的等级。最近，Ouml;ztuuml;rk 等人[18]研究了混流装配线的同时平衡和排序。他们开发了混合整数规划模型，一个约束模型，并引入了一种新的分解方案来解决平衡和排序问题。

然而，大多数关于平衡和排序问题的多目标优化的研究将它们的目标结合成一个优化目标。文献中的一些研究人员开发了一种复合函数（即目标的组合）来优化多目标，并通过优化它们的组合函数获得了一个单一的解决问题的方法[ 15, 16 ]。然而，对复合函数的优化可能不能保证问题的所有目标中的哪个目标是显著优化的。在大多数装配线中，这些目标是相互矛盾的，并且在不放弃任何一个性能的情况下，不能改善每个目标的性能。此外，多目标问题的解存在于一组称为帕累托最优集的可选择权衡解中，因此需要在多目标问题中加以考虑。最近，杨等人[ 20 ]提出了利用帕累托概念进行混流装配线再平衡问题的多目标遗传算法，在最大限度地减少站数、站点不同模型的工作量变化的同时平衡成本。然而，它们解决了平衡问题的多目标优化问题，却没有考虑混流装配线中的模型排序问题。因此，考虑多目标优化的同时平衡和排序的混合模型装配线，需要将装配线的平衡和排序目标一起考虑。这就提出了混流装配线同时平衡和排序问题的多目标优化问题。

在文献中，不同的方法被用来研究装配线的平衡和排序问题。例如 Sawik [10–12]。吴等人[ 21 ]和 Ouml;ztuuml;rk等人[ 18 ]介绍了混流装配线同时平衡和排序问题的精确方法。这些方法可以给出精确解，但计算量较大。因此，一些研究人员，例如Kim等人 [8, 9, 13]， Miltenburg [22]和 Kara [23]，提出了混流装配线同时平衡和排序问题的元启发式方法。近年来，在文献[ 24 - 27 ]中，研究了多目标优化的不同类型的多目标算法及其扩展。例如，郭等人[ 28, 29 ]提出了一种多目标优化模型，结合著名的多目标优化的文献——非支配排序遗传算法（NSGA II）[ 30 ]，和模拟工具解决生产计划问题。郭等人[ 28 ]提出了一个由两个步骤组成的方法来优化问题：第一步，用NSGA II得到问题的候选解决方案；第二步，使用过程模拟器来确定候选解决方案的性能。郭等人[ 29 ]进一步发展了一种优化订单计划多目标问题的方法。在这个方法中要分三步优化结果，多目标模拟优化作为第一步，然后，Monte Carlo仿真子模型作为第二步，启发式的子模型是优化的最后一步。然而，如果候选解决方案足够大，它们的方法包括模拟的许多步骤可能需要更多的计算时间。用于多目标问题优化的文献中的其他方法包括基于蚁群算法[31]和一些基于群体的多目标优化算法[ 32, 33 ]。最近，karaboga [ 34 ]提出了人工蜂群（ABC）算法，这是一种基于蜜蜂群体觅食行为的算法。与其他优化算法相比，它是一种高效的算法，例如ABC算法所需的控制参数较少，简单且易于实现。人工蜂群算法是一种著名的群体优化算法，可用于解决组合优化问题[ 35 ]。karoboga和Gorkemli [ 35 ]使用组合人工蜂群算法解决旅行商问题，表明ABC算法能有效地应用于组合优化问题。此外，ABC算法已应用于多目标优化问题[36,37]。Omkar 等[ 36 ]提出了一种矢量评价人工蜂群（VEABC）算法，用于复合材料的多目标优化设计。他们评估他们提出VEABC算法的性能与现有的自然灵感的算法，即：人工免疫系统（AIS）和遗传算法（GA），他们的问题在VEABC算法中得到了相当满意的答案。Akbari等[ 37 ]提出了一种用于多目标优化的人工蜂群算法。他们使用基于网格的方法访问帕累托前沿，并在外部存档中维护帕累托解决方案。算法中的工蜂轨迹是基于他们提出的算法中存档的非劣解。旁观蜜蜂选择的食物来源来更新他们的算法档案。在最近的作品中，Tapkan等[ 38 ]研究主要在于同时平衡装配线和减少站点这样一个双边装配线平衡问题。然而，他们把两个目标结合成一个单一的目标，这可能不能得到帕累托解决方案。潘等人[ 39 ]提出的人工蜂群算法的离散算法可以解决有提前和延误目标的很多流水线调度优化问题。然而，他们用权重法把这些目标结合为一个目标，可能不适合用帕累托解决方法。李等人[40]基于帕累托介绍了一个混合人工蜂群离散版本（P-DABC）来解决离散性问题的多目标优化算法。他们提出了用本地搜索和交叉运行的标准ABC算法来设计P-DABC。他们提出的方法包括在不同阶段用局部搜索法来搜索最优解。此外，他们还研究了柔性作业车间的调度问题。然而，他们研究的问题不同于当前装配线的平衡和排序问题。张等[ 41 ]提出了一种求解作业车间调度问题的ABC混合算法。他们提出了一个新的ABC算法，介绍了基于树的局部搜索机制，通过旁观蜜蜂的不同阶段来增加他们研究的问题的局部搜索能力。然而，他们所提出的算法是针对特定的问题的，他们研究的是他们认为的单目标优化。王等人[ 42 ]提出了一种有效的柔性作业车间调度问题ABC算法。他们认为基于关键路径的本地搜索能提高蜜蜂的局部搜索能力。然而，他们用的单目标优化函数，且其问题不同于当前研究中所研究的问题。后来，Wangetal[ 43 ]提出了一种基于帕累托的人工蜂群算法的柔性作业车间调度问题。他们用搜索程序开发工蜂和母蜂产生的新邻居的食物来源。此外，他们用交叉算法模拟旁母蜂和工蜂之间的信息交换。然而，他们提出的算法最适合于他们所研究的问题，这不同于当前装配线的排序和平衡问题。Tasgetiren等人[ 44 ]提出了一种离散ABC算法求解置换流水车间问题。他们引入不同的邻域结构来产生因食物来源而产生的邻居，并将一种邻近结构分配给一个食物源以制造它的邻居。然而，他们的算法是专为单目标优化设计的。Kalayci和Gupta [ 45 ]提出了一种人工蜂群算法解决了序列相关的拆卸线平衡问题。他们想出了一个解决他们所研究的问题的方案Int J Adv制造技术，同时用邻域法为每个工蜂准备食物来源。母蜂选择工蜂的选择概率提供的食物来源。他们独立地优化了装配线平衡问题的四种不同目标，并根据这些目标的独立值与其他著名算法的结果进行了比较。他们比较他们的结果与文献中包括蚁群算法（ACO）算法，著名的GA，粒子群优化（PSO），河流形成的动力学（RFD），模拟退火算法（SA）和禁忌搜索（TS）算法，发现ABC算法优于其他算法。然而，基于帕累托概念的多目标优化在研究中还未被应用。他们的研究结果表明，ABC算法是近年来研究组合问题的较好选择。此外，从文献中可以看出，很少有研究考虑采用ABC算法中的帕累托概念进行多目标优化，它们所关注的问题不同于目前混流装配线同时排序和平衡的研究问题。这使得引进多目标优化ABC算法，其中包括帕累托的概念，在目前存在问题。

据作者所知，目前对于介绍多目标ABC算法用于混流装配线的同时排序和平衡，得到帕累托解的研究还是新的。提出的多目标ABC算法提出了一个新方案的代表，可以有效地用于混流装配线的同时平衡和排序。此外，在提出的多目标ABC算法中引入了局部搜索机制，该算法可以有效地用于求解混合模型装配线不同平衡解的多序列优化问题。本文的其余部分组织如下：2节介绍了混合装配线平衡与排序问题，3部分说明了提出的多目标ABC算法，4部分表示计算实验结果，并在最后，第五部分给出结论和未来研究方向。

  1. 混流装配线排序与平衡问题

在目前的研究中，考虑了混流装配线，并使用了以下的符号和假设：

符号

i 用来表示任务的索引

N 指示任务的数量

m and w 用来表示模型的索引

M 表示在直线装配线上生产的不同型号产品的数量

D={D1 ,D 2,hellip;,D M} 指示每个模型的需求

d={d1,d2 ,hellip;,dM} 指出每一个装配周期中模型的需求称为最小部件集（MPS）,

这种方法在文献中非常常见，用于计算一个装配周期内模型的需求

d m=Dm/h 模型m在一个装配周期中的需求

h 模型的需求中的最大公约数

j and y 表示装配线中的站点数

Tim m模型任务i的平均处理时间

Tmj 模型m在工作站j上的平均时间

a m 模型m的生产份额，即模型m的需求与总体需求的比率

ALj 每个站点j的平均负荷

nj 表示分配给站点j的模型数

模型j的任务时间之和

x 模型m在混合模型序列中的位置

X ijm 如果模型m的任务i被分配给站j，则二进制变量等于1,否则，其值等于0

假设

  • 预先假定每个模型的需求是已知的，并且在装配周期中保持不变
  • 所有模型都需要在直线装配线上进行加工
  • 输送带匀速运动
  • 已知装配线上的站点数、不同模型的数量和不同产品任务时间和任务时间的优先关系
  • 不同模型的相似和相异任务可以有不同的任务时间
  • 每个任务只需要在一个工作站上分配
  • 在站点之间假定有无限的缓冲空间<!--

    全文共16782字，剩余内容已隐藏，支付完成后下载完整资料

    资料编号：[14852]，资料为PDF文档或Word文档，PDF文档可免费转换为Word

原文和译文剩余内容已隐藏，您需要先支付 30元 才能查看原文和译文全部内容！立即支付

以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。

您可能感兴趣的文章