一种基于北方苍鹰优化和随机模拟方法的拆解线平衡设计方法

本发明涉及报废产品拆解技术领域，是一种基于北方苍鹰优化和随机模拟方法的拆解线平衡设计方法。


背景技术：

随着工业经济的发展和产品更新速度的加快，产生了许多报废产品，资源短缺和环境污染问题凸显，因此报废产品的合理回收利用变得至关重要。拆解线是实现高效拆解的最佳途径，合理组织拆解作业对提高报废产品的拆解效率和质量，对减少环境污染至关重要。尽管开发了许多优化模型和智能算法来解决拆解线平衡问题，但它们大多集中在经济角度和效率角度，缺乏对能源消耗的分析，忽略了实际作业过程中的不确定性。在实际拆解作业过程中许多因素不确定的，需要对不确定因素进行定性和研究分析，以减少不确定因素的不利影响。目前关于拆解线平衡问题的求解方法有：遗传算法、人工蜂群算法、果蝇优化算法、分散搜索算法、蚁群优化算法等。但这列算法具有初始解随机性较强，在连续搜索空间工作，对于离散优化问题不够适用等缺点。


技术实现要素：

本发明为最大限度克服目前拆解线平衡设计过程中不确定带来的不利影响和解决现有优化方法对于拆解线平衡问题求解效率和质量不高的问题。需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。本发明提供了一种基于北方苍鹰优化和随机模拟方法的拆解线平衡设计方法，本发明提供了以下技术方案：一种基于北方苍鹰优化和随机模拟方法的拆解线平衡设计方法，所述方法包括以下步骤：步骤s1:确定拆解任务和其他任务之间的优先约束关系和直接接触关系；步骤2：建立拆解线平衡问题随机多目标优化数字模型；步骤3：种群初始化，生成随机个体拆解序列，采用随机模拟方法对拆解序列进行解码和评估；步骤4：采用群智能算法规则对初始种群进行迭代优化获得下一代种群，引入了parteo方法来处理多个目标，并设计外部档案对pareto最优解进行保存，利用pareto方法
和拥挤距离计算机制对外部档案进行更新；步骤5：重复步骤4，得到最终外部档案，获得pareto解集。优选地，所述步骤1具体为：当一拆解任务在其它某一拆解任务执行之后才能执行，则称这一任务为其它某一任务的紧后任务，其它某一任务为该任务的紧前任务，这两个拆解任务为优先约束关系；当两个拆解任务只存在连接关系，不存在先后执行关系，这两个拆解任务为直接接触关系。优选地，所述步骤2具体为：步骤2.1：一定时间内，在拆解工作线上的产品是同一类型；零件之间的优先约束关系和直接接触关系、拆解方向、拆解姿势、拆解所需工具是已知的；当不考虑部分拆解；考虑拆解作业时间的随机性，拆解工具转换和拆解姿势转换所需时间的随机性；步骤2.2：设定随机多目标拆解线平衡数学模型的参数和决策变量；步骤2.3：设定随机多目标拆解线平衡数学模型目标函数，包括经济效率和环保两个角度，其各目标函数均求最小值；步骤2.4：设定随机多目标拆解线平衡数学模型的约束条件。4、根据权利要求3所述的方法，其特征是：所述目标函数具体为：所述目标函数包括：所述目标函数包括：所述目标函数包括：其中，f1和f2属于经济效率指标，分别表示各工作站闲置率和各工作站平滑度；f3为环保指标，指拆解作业过程中带来的能源消耗最小；所述约束条件包括：所述约束条件包括：所述约束条件包括：所述约束条件包括：式4表示开启的工作站的实际数量不能超过最大工作站数量；式5表示工作站内的
工作时间不能超过拆解节拍；式6表示每个拆解任务仅执行一次；式7确保每个拆卸任务满足先决条件；其中，m为拆解任务号索引；n为工作站数量索引；m为拆解任务总数；n为工作站最大数量；c
t
为工作站拆解节拍；tm为任务m的随机拆解时间；t
t
为更换拆解工具所需随机时间；td为改变拆解方向所需随机时间；em为任务m的单位能量消耗；ew为工作站待机的单位能量消耗；gm为拆解任务m的难度；x
mn
表示拆解任务是否被分配到工作站；当任务m被选择在工作站n中进行拆解，x
mn
＝1，否则x
mn
＝0；ym表示拆解工具是否发生变化；当任务m中的拆解工具与任务m-1不同，ym＝1，否则ym＝0；zm表示拆解方向是否发生变化，当任务m的拆解方向与任务m-1不同，zm＝1，否则zm＝0。优选地，所述步骤3具体为：步骤3.1：随机一行作为第一个要拆解的任务；然后，将此任务表示的行从p和c中删除，重复上述步骤，直到p和c为空，以生成可行的拆解序列x,重复该步骤，生成p个个体，即可完成种群的初始化；步骤3.2：通过用实数编码表示拆解序列来改进其连续搜索空间；步骤3.3：采用随机模拟方法将拆解序列种群个体解码到各个工作站，形成拆解线平衡方案。优选地，所述步骤4具体为：步骤4.1：采用两种离散重组算子对产生的p个初始种群进行优化更新；步骤4.2：采用自适应的北方苍鹰识别和攻击猎物方法选择概率；步骤4.3：采用两种优化方法北方苍鹰识别和攻击猎物方法进行优化；步骤4.4：采用一种新的局部搜索策略对北方苍鹰追逐猎物和猎物逃生方式进行优化；步骤4.5：对优化后的拆解序列进行可拆解性检验；步骤4.6：对优化和检验后的拆解序列进行随机模拟和解码，获得pareto较优解，设计外部档案对pareto较优解进行保存，并通过拥挤距离计算对其进行更新。优选地，选择概率通过下式表示：χ＝|λ-λ
×
(y/maxit)|(8)其中，χ是选择第一种方法t1的概率，λ是设定参数，y是当前迭代次数，maxit是最大迭代次数，选择第二种方法t2的概率是1-χ，如果χ＝0，那么χ＝λ。优选地，两种离散重组算子分别为交叉算子和突变算子，所述交叉算子为：生成拆解序列后，将随机两两组合所有拆解序列号以形成m/2个组合对，然后选择后续要交叉的对数μ，在产生的拆解序列中随机选择μ对进行内部交叉；突变算子为：生成拆解序列后，将随机两两组合所有拆解序列号以形成m/2个组合对，然后选择后续要突变的对数μ，随机选择μ对将放置到拆解序列最末端。一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行，以用于实现一种基于北方苍鹰优化和随机模拟方法的拆解线平衡设计方法。一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理
器执行所述计算机程序时实现一种基于北方苍鹰优化和随机模拟方法的拆解线平衡设计方法。本发明具有以下有益效果：本发明与现有技术相比：本发明提供了基于改进北方苍鹰优化算法和随机模拟方法结合的拆解线平衡设计方法，不仅考虑了拆解作业过程中的不确定性，考虑了产品零件之间的复杂约束关系，更加贴合实际拆解作业流程，而且对传统智能算法进行了改进，使其可以解决离散优化问题，保证了解的质量和多样性，提升了算法的准确性和稳定性。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为基于改进北方苍鹰优化算法和随机模拟方法结合的拆解线平衡设计方法的流程框图；图2为包含25个拆解任务的某涡轮减速器的拆解混合图；图3为包含52个拆解任务的某高速电子套结机的拆解混合图；图4为包含25个拆解任务的拆解线平衡方案；图5为包含25个拆解任务的拆解线平衡方案1的任务分配结果；图6为提供的包含52个拆解任务的拆解线平衡方案。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。此外，下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。以下结合具体实施例，对本发明进行了详细说明。
具体实施例一：根据图1至图6所示，本发明为解决上述技术问题采取的具体优化技术方案是：本发明涉及一种基于北方苍鹰优化和随机模拟方法的拆解线平衡设计方法。一种基于北方苍鹰优化和随机模拟方法的拆解线平衡设计方法，所述方法包括以下步骤：s1、定义某拆解任务和其他任务之间的优先约束关系和直接接触关系；s2、建立拆解线平衡问题随机多目标优化数字模型，从经济效率角度和环保角度出发；s3、种群初始化，生成随机个体拆解序列，采用随机模拟方法对拆解序列进行解码和评估；s4、运用群智能算法规则对初始种群进行迭代优化获得下一代种群，引入了parteo思想来处理多个目标，并设计外部档案对pareto较优解进行保存。同时利用pareto思想和拥挤距离计算机制对外部档案进行更新；s5、重复步骤4，得到最终外部档案，获得pareto解集。具体的，s1中定义某拆解任务和其他任务之间的优先约束关系和直接接触关系指的是：在拆解作业过程中，各拆解任务之间存在优先约束关系和直接接触关系，若一任务在其它任务执行之后才能执行，则称这一任务为其它任务的紧后任务，在拆解混合图中若两任务为优先约束关系，则两任务用有箭头实线连接，箭头始端的拆解任务需要在箭头末端的拆解任务之前执行；若两任务为直接接触关系，则两任务用无箭头实线连接；根据拆解混合图和这两种关系可以构建拆解优先约束矩阵p＝[p
ij
]和拆解直接接触矩阵c＝[c
ij
]，若p
ij
＝1则任务i需要在任务j之前执行，否则p
ij
＝0；若c
ij
等于1，则任务i和任务j存在直接接触关系，否则c
ij
＝0。当一个零件i需要被拆解时需要满足条件：且
[0006]
具体的，s2中建立拆解线平衡问题随机多目标优化数字模型，从经济效率角度和环保角度出发包括：s21、提出该数学模型的理论假设：一定时间内，在拆解工作线上的产品是同一类型；零件之间的优先约束关系和直接接触关系、拆解方向、拆解姿势、拆解所需工具是已知的；不考虑部分拆解；考虑拆解作业时间的随机性，拆解工具转换和拆解姿势转换所需时间的随机性；s22、设定随机多目标拆解线平衡数学模型的参数和决策变量：s221、参数包括：拆解任务索引、拆解工作站索引、拆解工作站的节拍时间、拆解零件总数、某个拆解任务的随机拆解时间、拆解工具随机转换时间、拆解方向随机转换时间、某个拆解任务的能耗、工作站待机产生的能耗、拆解任务难度；s222、决策变量包括：某任务是否被分配到工作站；拆解任务方向是否发生改变；拆解任务姿势是否发生改变；s23、设定随机多目标拆解线平衡数学模型目标函数，包括经济效率和环保两个角
度，其各目标函数均求最小值：s231、经济效率角度包括f1和f2，分别为各工作站闲置率和各工作站平滑度；s232、环保角度包括f3，指拆解作业过程中带来的能源消耗最小；s24、设定随机多目标拆解线平衡数学模型的约束条件：s241、工作站的实际数量不能超过最大工作站数量；s242、工作站内的工作时间不能超过拆解节拍；s243、每个拆解任务仅执行一次；s244、每个拆解任务满足先决条件；具体的，种群初始化，生成随机个体拆解序列，采用随机模拟方法对拆解序列进行解码和评估包括：s31、先将拆解混合图转换为p和c。然后，找到p和c中符合拆解条件的行，并选择随机一行作为第一个要拆解的任务。然后，将此任务表示的行从p和c中删除。最后，重复上述步骤，直到p和c为空，以生成可行的拆解序列x；s32、本发明通过用实数编码表示拆解序列来改进其连续搜索空间，如连续字符串(1-3-5-7-8-9-10)表示拆解序列为1-3-5-7-8-9-10；重复该步骤，生成p个个体，即可完成种群的初始化；s33、采用随机模拟方法将拆解序列种群个体解码到各个工作站，形成拆解线平衡方案。具体的，s33中的随机模拟方法过程包括：s331、设置拆解序列x和重复次数l；s332、设置每个任务的拆解时间tm，工具转换时间t
t
，方向转换时间td，作为随机模拟方法的样本，每个样本按照均匀分布区间形成；s333、根据生成的样本对拆解序列进行解码产生拆解线平衡方案，检查约束条件并计算目标函数值；s334、经过l次重复，计算l次重复运行的平均目标函数值；s335、使用l次重复运行获得的平均目标函数值对当前拆解线平衡方案进行评估。具体的，s33中的解码过程包括：s331、输入得到的可行的拆解序列x，拆解节拍c
t
，开启第一个工作站fa，使fa＝1，当前工作站剩余可分配的拆解节拍为st，则st＝c
t
；s332、判断序列x中任务m的随机拆解时间tm是否小于st，如果是，则st＝st-tm，否则，开启新工作站，fa＝fa+1；st＝c
t
；s333、循环执行步骤s332，直到序列x中的任务完全分配给工作站，并输出拆解方案。具体的，s4运用群智能算法规则对初始种群进行迭代优化获得下一代种群，引入了pareto思想来处理多个目标，并设计外部档案对pareto较优解进行保存。同时利用pareto思想和拥挤距离计算机制对外部档案进行更新,主要包括：s41、采用两种离散重组算子对产生的p个初始种群进行优化更新；s42、采用自适应的北方苍鹰识别和攻击猎物方法选择概率；s43、采用两种优化方法北方苍鹰识别和攻击猎物方法进行优化；
s44、采用一种新的局部搜索策略对北方苍鹰追逐猎物和猎物逃生方式进行优化；s45、对优化后的拆解序列进行可拆解性检验；s46、对优化和检验后的拆解序列进行随机模拟和解码，获得pareto较优解，设计外部档案对pareto较优解进行保存，并通过拥挤距离计算对其进行更新。具体的，s41中的采用两种离散重组算子对产生的p个初始种群进行优化更新包括：s411、两种离散重组算子分别为交叉算子和突变算子；s412、根据pareto支配和拥挤距离计算选择出当前最佳拆解序列。具体的，s411中的交叉算子为：生成拆解序列后，将随机两两组合所有拆解序列号以形成m/2个组合对，然后选择后续要交叉的对数μ，在产生的拆解序列中随机选择μ对进行内部交叉。具体的，s411中的突变算子为：生成拆解序列后，将随机两两组合所有拆解序列号以形成m/2个组合对，然后选择后续要突变的对数μ，随机选择μ对将放置到拆解序列最末端。具体的,s411中的选择的组合对μ的公式确定：μ＝(m/2)
×
δ其中μ是选择的对数，m是拆解任务的总数，m/2是组合对数，δ是设置参数。具体的，s412中的根据pareto支配和拥挤距离计算选择出当前最佳序列为：采用pareto思想来比较拆解方案的质量，假设s1和s2为两个拆解方案。它们的目标函数值是f1,f2,f3和z1,z2,z3如果{f1,f2,f3}≤{z1,z2,z3}并且{f1,f2,f3}≠{z1,z2,z3}那么就称为s1支配s2。所有的非支配方案划分为不同的pareto前沿；之后采用拥挤距离来对非支配解进行评估，选择出最优拆解序列。具体的，s412中的拥挤距离的公式确定：其中q是非支配解数量,f
kmax
和f
kmin
是k个目标的最大值和最小值,cdiis目标函数,fi的拥挤距离,y是目标个个数。
[0017]
具体的，s41中采用自适应的北方苍鹰识别和攻击猎物方法选择概率：第一种方法由于改变的序列位置较多因此具有较好的全局搜索能力，不易陷入局部最优，但是随着算法的迭代次数增多，其优势逐渐不明显。而第二种方法由于改动的序列位置较少，因此局部搜索能力较强，其后期优势明显，所以本发明采用了自适应变化的北方苍鹰识别和攻击猎物方法概率。具体的，s43中的采用两种优化方法北方苍鹰识别和攻击猎物方法进行优化包括：s431、设计了两种离散式北方苍鹰识别和攻击猎物方法，t1和t2；s432、t1和t2以自适应变化的概率进行选择。具体的,s431中的t1方法为:选择待优化的拆解序列中的第一个任务和其他两个随机任务，并将其分为三个部分，中间部分根据s4中选择的最佳拆解序列中拆解的顺序重新排列。此外，三个选定的任务
被随机重新排列。如果在选择其他两个拆解任务后序列没有分离，或者如果中间只有一个拆解任务，则重新选择这两个拆解任务。具体的,s431中的t2方法为:选择待优化的拆解序列的一部分，随机找到另一个序列来选择剩余的部分，并将这两个部分组合成新的拆解序列。具体的，t1和t2方法的选择概率的公式确定：χ＝|λ-λ
×
(y/maxit)|其中χ是选择第一种方法t1的概率，λ是设定参数，y是当前迭代次数，maxit是最大迭代次数，选择第二种方法t2的概率是1-χ，如果χ＝0，那么χ＝λ。具体的,s44在北方苍鹰追逐猎物和猎物逃生阶段，提出了一种新的局部搜索策略包括：使用局部搜索策略来进一步优化拆解序列。首先生成随机数h，然后随机选择h个序列进行搜索优化。如果h＝6，则随机选择6个拆解序列进行搜索优化。搜索方法是生成原始拆解序列的相应序列，即拆解任务的数量加1减去原始序列的任务编号。具体的，s45中的对优化后的拆解序列进行可拆解性检验，包括：从拆解序列的第一个位置开始，如果该位置表示的零件可拆解，则检查下一个部件的可拆解性；如果不可拆解，则随机选择一个可拆解零件进行更换，然后检查下一个零件的可拆解性。重复上述操作，直到最后一个零件满足可拆解性要求。具体的，s46中的对优化和检验后的拆解序列进行随机模拟和解码，获得pareto较优解，设计外部档案对pareto较优解进行保存，并通过拥挤距离计算对其进行更新；s461、为了合理利用每次迭代时由算法生成的非支配解，建立了一个外部存档来保存非支配解，首先设置外部档案的容量，当非支配解没有达到外部档案容量时，全部存入外部档案，否则，在迭代过程中使用拥挤距离机制来过滤外部存档中的非支配解以提升其解的质量。直到迭代完成，输出外部档案，即为最佳拆解线平衡设计方案集。具体的，s5中的重复步骤4，得到最终外部档案，获得pareto解集包括：按照各个阶段的优化规则，进行不断迭代优化，对外部档案进行更新，直到达到最大迭代次数，输出外部档案，即为pareto解集。具体实施例二：本技术实施例二与实施例一的区别仅在于：图1为本发明的实施方式提供的基于改进北方苍鹰优化算法和随机模拟方法结合的拆解线平衡设计方法的流程框图，如图1所示，本发明提供了基于改进北方苍鹰优化算法和随机模拟方法结合的拆解线平衡设计方法，包括以下步骤：s1、定义某拆解任务和其他任务之间的优先约束关系和直接接触关系；s2、建立拆解线平衡问题随机多目标优化数字模型，从经济效率角度和环保角度出发；s3、种群初始化，生成随机个体拆解序列，采用随机模拟方法对拆解序列进行解码和评估；s4、运用群智能算法规则对初始种群进行迭代优化获得下一代种群，引入了parteo思想来处理多个目标，并设计外部档案对pareto较优解进行保存。同时利用pareto
思想和拥挤距离计算机制对外部档案进行更新；图2为本发明的实施方式提供的包含25个拆解任务的某涡轮减速器的拆解混合图；图3为本发明的实施方式提供的包含52个拆解任务的某高速电子套结机的拆解混合图；以图2和图3为具体实例进一步说明本发明提供的基于改进北方苍鹰优化算法和随机模拟方法结合的拆解线平衡设计方法。步骤s1中定义某拆解任务与其他任务之间的优先约束关系和直接接触关系具体指的是：在拆解作业过程中，各拆解任务之间存在优先约束关系和直接接触关系，若一任务在其它任务执行之后才能执行，则称这一任务为其它任务的紧后任务，在拆解混合图中若两任务为优先约束关系，则两任务用有箭头实线连接，箭头始端的拆解任务需要在箭头末端的拆解任务之前执行；若两任务为直接接触关系，则两任务用无箭头实线连接；根据拆解混合图和这两种关系可以构建拆解优先约束矩阵p＝[p
ij
]和拆解直接接触矩阵c＝[c
ij
]，若p
ij
＝1则任务i需要在任务j之前执行，否则p
ij
＝0；若c
ij
等于1，则任务i和任务j存在直接接触关系，否则c
ij
＝0。若一个零件i需要被拆解时需要满足，步骤s2中的建立拆解线平衡问题随机多目标优化数字模型，从经济效率角度和环保角度出发具体包括：s21、提出该数学模型的理论假设：一定时间内，在拆解工作线上的产品是同一类型；零件之间的优先约束关系和直接接触关系、拆解方向、拆解姿势、拆解所需工具是已知的；不考虑部分拆解；考虑拆解作业时间的随机性，拆解工具转换和拆解姿势转换所需时间的随机性；s22、设定随机多目标拆解线平衡数学模型的参数和决策变量；一种可行的实施方式中，参数和决策变量的建立如下表所示：索引参数
决策变量决策变量s23、设定随机多目标拆解线平衡数学模型目标函数，包括经济效率和环保两个角度，其各目标函数均求最小值:s231、经济效率角度包括f1和f2，分别为各工作站闲置率和各工作站平滑度；
各工作站的平滑度是由闲置时间的方差决定的；s232、环保角度包括f3，指拆解作业过程中带来的能源消耗最小；考虑到拆解部件的难度越大，所需的能量就越大，拆解操作的能耗需要乘以一个难度系数。s24、设定随机多目标拆解线平衡数学模型的约束条件：s241、工作站的实际数量不能超过最大工作站数量；s242、工作站内的工作时间不能超过拆解节拍；s243、每个拆解任务仅执行一次；由于一个工作站一次只能执行一个任务，所以按照任务分配到工作站的顺序依次完成任务；s244、每个拆解任务满足先决条件；某个零件需要满足优先约束关系和直接接触关系才可被进行拆解。具体的，步骤s3中的种群初始化，生成随机个体序列，采用随机模拟方法对拆解序列进行解码和评估包括：s31、设定最大迭代次数maxit＝30，种群规模p＝50，用于计算组合对选择的参数δ＝0.8和用于计算t1方法选择的概率参数λ＝0.6，外部档案数量nea＝10，任务的单位时间能耗(em)＝0.8，工作站待机的单位时间功耗(ew)＝0.2，重复次数l＝1000，拆解节拍c
t
＝120；s32、初始外部档案为空；s33、根据拆解混合图，构建拆解优先约束矩阵p＝[p
ij
]和拆解直接接触矩阵c＝[c
ij
]，若p
ij
＝1则任务i需要在任务j之前执行，否则p
ij
＝0；若c
ij
等于1，则任务i和任务j存
在直接接触关系，否则cij＝0；图2对应的优先约束矩阵p和直接接触矩阵c如下：s34、找到p和c中符合拆解条件的行，并选择随机一行作为第一个要拆解的任务。然后，将此任务表示的行从p和c中删除。最后，重复上述步骤，直到p和c为空，以生成可行的拆解序列x；如其中一个个体序列为[2,25,24,14,4,23,13,15,21,5,12,16,19,6,17,11,18,3,22,10,7,20,9,8]；s35、将种群个体解码到各个工作站，形成拆解方案，并用随机模拟方法计算目标函数值；如上文个体序列解码后为[2,25,24,14]
→
[4,23,13,15,21]
→
[5,12,16,19,6,17]
→
[11,18,3,22]
→
[10,7,20,9,8]；之后经过l次重复，对该拆解方案进行评估，计算其平均目标函数值，重复至所有个体序列完成解码和评估。具体的，步骤s4中的运用群智能算法规则对初始种群进行迭代优化获得下一代种群，引入了pareto思想来处理多个目标，并设计外部档案对pareto较优解进行保存。同时利用pareto思想和拥挤距离计算机制对外部档案进行更新包括：s41、采用两种离散重组算子对产生的p个初始种群进行优化更新；s42、采用自适应的北方苍鹰识别和攻击猎物方法选择概率；s43、采用两种优化方法北方苍鹰识别和攻击猎物方法进行优化；s44、采用一种新的局部搜索策略对北方苍鹰追逐猎物和猎物逃生方式进行优化；s45、对优化后的拆解序列进行可拆解性检验；s46、对优化和检验后的拆解序列进行随机模拟和解码，计算其目标函数值，获得pareto较优解，设计外部档案对pareto较优解进行保存，并通过拥挤距离计算对其进行更新。具体的，步骤s41采用两种离散重组算子(交叉算子、突变算子)对产生的p个初始种群进行优化更新；具体的，s41中的交叉算子为生成拆解序列后，将随机组合所有拆解序列号以形成
m/2个组合对，然后选择后续要交叉的对数μ。在产生的拆解序列中随机选择μ对进行内部交叉；如上文个体序列[2,25,24,14,4,23,13,15,21,5,12,16,19,6,17,11,18,3,22,10,7,20,9,8]，经计算选择对数为9，在内部交叉后可形成新序列[25,2,14,24,23,4,15,13,5,21,16,11,6,19,11,17,3,18,10,22,7,20,9,8]。
[0036]
具体的，s41中的的突变算子为生成拆解序列后，将随机组合所有拆解序列号以形成m/2个组合对，然后选择后续要突变的对数μ。在产生的拆解序列中随机选择μ对将其放到序列末端；如上文个体序列[2,25,24,14,4,23,13,15,21,5,12,16,19,6,17,11,18,3,22,10,7,20,9,8]，经计算选择对数为9，在内部交叉后可形成新序列[10,7,20,9,8,2,25,24,14,4,23,13,15,21,5,12,16,19,6,17,11,18,3,22]；s411、在所有个体优化完成，解码以后，根据pareto支配和拥挤距离计算选择出当前最佳序列。具体的，s42中采用自适应的北方苍鹰识别和攻击猎物方法选择概率：第一种方法由于改变的序列位置较多因此具有较好的全局搜索能力，不易陷入局部最优，但是随着算法的迭代次数增多，其优势逐渐不明显。而第二种方法由于改动的序列位置较少，因此局部搜索能力较强，其后期优势明显，所以本发明采用了自适应变化的北方苍鹰识别和攻击猎物方法概率。其选择概率的公式为：χ＝|λ-λ
×
(y/maxit)| (8)其中χ是选择第一种方法t1的概率，λ是设定参数，y是当前迭代次数，maxit是最大迭代次数，选择第二种方法t2的概率是1-χ，如果χ＝0，那么χ＝λ。s43采用两种优化方法对北方苍鹰识别和攻击猎物方法进行优化。具体的，s43中的t1方法为选择要优化的拆解序列中的第一个任务和其他两个随机任务，并将其分为三个部分，中间部分根据前一步骤中选择的最优拆解序列中拆解的顺序重新排列。此外，三个选定的任务被随机重新排列。如果在选择其他两个拆解任务后序列没有分离，或者如果中间只有一个拆解任务，则重新选择这两个拆解任务。如上文个体序列[2,25,24,14,4,23,13,15,21,5,12,16,19,6,17,11,18,3,22,10,7,20,9,8]，在经过t1方法优化后形成新序列[19,25,24,14,4,23,13,15,21,5,12,16,7,17,6,18,11,22,10,3,2,20,9,8]，选择点为第1点，第13点和第18点。具体的，s41中的t2方法为选择要优化的拆解序列的一部分，随机找到另一个序列来选择剩余的部分，然后将这两个部分组合成一个新的拆解序列如上文个体序列[2,25,24,14,4,23,13,15,21,5,12,16,19,6,17,11,18,3,22,10,7,20,9,8]，在经过t2方法优化后形成新序列。[2,25,24,14,4,23,13,15,21,5,12,16,19,8,17,18,22,11,3,7,20,9,6]。待优化的拆解序列选择的部分为[2,25,24,14,4,23,13,15,21,5,12,16,19],另一部分为在另一条拆解序列选择所得。
采用一种新的局部搜索策略对北方苍鹰追逐猎物和猎物逃生方式进行优化。具体的，局部搜索策略为随机选择h个序列进行搜索优化。如果h＝6，则随机选择6个拆解序列进行搜索优化。搜索方法是生成原始拆解序列的相应序列，即拆解任务的数量加1减去原始序列的任务编号；如上文个体序列[2,25,24,14,4,23,13,15,21,5,12,16,19,6,17,11,18,3,22,10,7,20,9,8]的对应序列为[25,2,3,13,23,4,14,12,6,22,15,11,8,21,10,16,9,24,5,17,20,7,18,19]。对优化后的拆解序列进行可拆解性检验，使其满足各种拆解约束。对优化和检验后的拆解序列进行随机模拟和解码，计算其目标函数值，获得pareto较优解，设计外部档案对pareto较优解进行保存，并通过拥挤距离计算对其进行更新。具体的，为了合理利用每次迭代时由算法生成的非支配解，建立了一个外部存档来保存优化后的50个个体中的非支配解，首先设置外部档案的容量，当非支配解没有达到外部档案容量时，全部存入外部档案，否则，在迭代过程中使用拥挤距离机制来过滤外部存档中的非支配解以提升其解的质量。按照各个阶段的优化规则，进行不断迭代优化，对外部档案进行更新，直到30次迭代完成，输出外部档案中的10个拆解线平衡方案，即为最佳拆解线平衡设计方案集。具体实施例三：本发明提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行，以用于实现如一种基于北方苍鹰优化和随机模拟方法的拆解线平衡设计方法。具体实施例四：本技术实施例十与实施例九的区别仅在于：本发明提供一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其所述处理器执行所述计算机程序时实现一种基于北方苍鹰优化和随机模拟方法的拆解线平衡设计方法。在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或n个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“n个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更n个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。在流程图中表示或在
此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或n个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(ram)，只读存储器(rom)，可擦除可编辑只读存储器(eprom或闪速存储器)，光纤装置，以及便携式光盘只读存储器(cdrom)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，n个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如，如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(pga)，现场可编程门阵列(fpga)等。以上所述仅是一种基于北方苍鹰优化和随机模拟方法的拆解线平衡设计方法的优选实施方式，一种基于北方苍鹰优化和随机模拟方法的拆解线平衡设计方法的保护范围并不仅局限于上述实施例，凡属于该思路下的技术方案均属于本发明的保护范围。应当指出，对于本领域的技术人员来说，在不脱离本发明原理前提下的若干改进和变化，这些改进和变化也应视为本发明的保护范围。

技术特征：
1.一种基于北方苍鹰优化和随机模拟方法的拆解线平衡设计方法，其特征是：所述方法包括以下步骤：步骤s1:确定拆解任务和其他任务之间的优先约束关系和直接接触关系；步骤2：建立拆解线平衡问题随机多目标优化数字模型；步骤3：种群初始化，生成随机个体拆解序列，采用随机模拟方法对拆解序列进行解码和评估；步骤4：采用群智能算法规则对初始种群进行迭代优化获得下一代种群，引入了parteo方法来处理多个目标，并设计外部档案对pareto最优解进行保存，利用pareto方法和拥挤距离计算机制对外部档案进行更新；步骤5：重复步骤4，得到最终外部档案，获得pareto解集。2.根据权利要求1所述的方法，其特征是：所述步骤1具体为：当一拆解任务在其它某一拆解任务执行之后才能执行，则称这一任务为其它某一任务的紧后任务，其它某一任务为该任务的紧前任务，这两个拆解任务为优先约束关系；当两个拆解任务只存在连接关系，不存在先后执行关系，这两个拆解任务为直接接触关系。3.根据权利要求2所述的方法，其特征是：所述步骤2具体为：步骤2.1：一定时间内，在拆解工作线上的产品是同一类型；零件之间的优先约束关系和直接接触关系、拆解方向、拆解姿势、拆解所需工具是已知的；当不考虑部分拆解；考虑拆解作业时间的随机性，拆解工具转换和拆解姿势转换所需时间的随机性；步骤2.2：设定随机多目标拆解线平衡数学模型的参数和决策变量；步骤2.3：设定随机多目标拆解线平衡数学模型目标函数，包括经济效率和环保两个角度，其各目标函数均求最小值；步骤2.4：设定随机多目标拆解线平衡数学模型的约束条件。4.根据权利要求3所述的方法，其特征是：所述目标函数具体为：所述目标函数包括：所述目标函数包括：所述目标函数包括：其中，f1和f2属于经济效率指标，分别表示各工作站闲置率和各工作站平滑度；f3为环保指标，指拆解作业过程中带来的能源消耗最小；所述约束条件包括：
式4表示开启的工作站的实际数量不能超过最大工作站数量；式5表示工作站内的工作时间不能超过拆解节拍；式6表示每个拆解任务仅执行一次；式7确保每个拆卸任务满足先决条件；其中，m为拆解任务号索引；n为工作站数量索引；m为拆解任务总数；n为工作站最大数量；c
t
为工作站拆解节拍；t
m
为任务m的随机拆解时间；t
t
为更换拆解工具所需随机时间；t
d
为改变拆解方向所需随机时间；e
m
为任务m的单位能量消耗；e
w
为工作站待机的单位能量消耗；g
m
为拆解任务m的难度；x
mn
表示拆解任务是否被分配到工作站；当任务m被选择在工作站n中进行拆解，x
mn
＝1，否则x
mn
＝0；y
m
表示拆解工具是否发生变化；当任务m中的拆解工具与任务m-1不同，y
m
＝1，否则y
m
＝0；z
m
表示拆解方向是否发生变化，当任务m的拆解方向与任务m-1不同，z
m
＝1，否则z
m
＝0。5.根据权利要求4所述的方法，其特征是：所述步骤3具体为：步骤3.1：随机一行作为第一个要拆解的任务；然后，将此任务表示的行从p和c中删除，重复上述步骤，直到p和c为空，以生成可行的拆解序列x,重复该步骤，生成p个个体，即可完成种群的初始化；步骤3.2：通过用实数编码表示拆解序列来改进其连续搜索空间；步骤3.3：采用随机模拟方法将拆解序列种群个体解码到各个工作站，形成拆解线平衡方案。6.根据权利要求5所述的方法，其特征是：所述步骤4具体为：步骤4.1：采用两种离散重组算子对产生的p个初始种群进行优化更新；步骤4.2：采用自适应的北方苍鹰识别和攻击猎物方法选择概率；步骤4.3：采用两种优化方法北方苍鹰识别和攻击猎物方法进行优化；步骤4.4：采用一种新的局部搜索策略对北方苍鹰追逐猎物和猎物逃生方式进行优化；步骤4.5：对优化后的拆解序列进行可拆解性检验；步骤4.6：对优化和检验后的拆解序列进行随机模拟和解码，获得pareto较优解，设计外部档案对pareto较优解进行保存，并通过拥挤距离计算对其进行更新。7.根据权利要求6所述的方法，其特征是：选择概率通过下式表示：χ＝λ-λ
×
(y/maxit)(8)其中，χ是选择第一种方法t1的概率，λ是设定参数，y是当前迭代次数，maxit是最大迭代次数，选择第二种方法t2的概率是1-χ，如果χ＝0，那么χ＝λ。
8.根据权利要求6所述的方法，其特征是：两种离散重组算子分别为交叉算子和突变算子，所述交叉算子为：生成拆解序列后，将随机两两组合所有拆解序列号以形成m/2个组合对，然后选择后续要交叉的对数μ，在产生的拆解序列中随机选择μ对进行内部交叉；突变算子为：生成拆解序列后，将随机两两组合所有拆解序列号以形成m/2个组合对，然后选择后续要突变的对数μ，随机选择μ对将放置到拆解序列最末端。9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行，以用于实现如权利要求1-8的方法。10.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征是：所述处理器执行所述计算机程序时实现权利要求1-8的方法。

技术总结
本发明是一种基于北方苍鹰优化和随机模拟方法的拆解线平衡设计方法。本发明涉及报废产品拆解技术领域，本发明为最大限度克服目前拆解线平衡设计过程中不确定带来的不利影响和解决现有优化方法对于拆解线平衡问题求解效率和质量不高的问题。不仅考虑了拆解作业过程中的不确定性，考虑了产品零件之间的复杂约束关系，更加贴合实际拆解作业流程，而且对传统智能算法进行了改进，使其可以解决离散优化问题，保证了解的质量和多样性，提升了算法的准确性和稳定性。准确性和稳定性。准确性和稳定性。


技术研发人员：詹长书 张雪淞 张兴芹 袁景 陈小文
受保护的技术使用者：东北林业大学
技术研发日：2023.05.25
技术公布日：2023/8/23