u型拆卸线平衡问题的混合人工蜂群算法研究机械设计及理论专业论文.docxVIP

国内图书分类号：F027，TP301．6 国内图书分类号：F027，TP301．6 密级：公开 国际图书分类号：621 西南交通大学 研究生学位论文 年 级 三Q二三级 姓 名 奎明 专 二零一五年五月 万方数据 Classified Classified Index：F207，TP301．6 U．D．C：62 l lIII I I II II III III III l Ul Y281 5081 Southwest Jiaotong University Master Degree Thesis HYBRID ARTIFICIAL BEE COLONY FOR U．SHAPED DISASSEMBLY LⅢE BALANCING PROBLEM Grade：Mechanical Engineering 20 1 2 Candidate：Li Ming Academic Degree Applied for：Master Speciality：Mechanical Design and Theory Supervisor：Prof．Zhang Zeqiang 万方数据 西南交通大学 西南交通大学 学位论文版权使用授权书 本学位论文作者完全了解学校有关保留、使用学位论文的规定，同意学校保留并 向国家有关部门或机构送交论文的复印件和电子版，允许论文被查阅和借阅。本人授 权西南交通大学可以将本论文的全部或部分内容编入有关数据库进行检索，可以采用 影印、缩印或扫描等复印手段保存和汇编本学位论文。 本学位论文属于 1．保密口，在 年解密后适用本授权书； 2．不保密d，使用本授权书。 (请在以上方框内打“、／”) 学位论文作者签名： 亏略 男勘 日期：洲5．纡．fP 日期：柳j．口5．a．o 万方数据 西南交通大学硕士学位论文主要工作(贡献)声明本人在学位论文中所做的主要工作或贡献如下： 西南交通大学硕士学位论文主要工作(贡献)声明 本人在学位论文中所做的主要工作或贡献如下： 1、通过分析拆卸线布局和作业时间的不确定性，分别建立了确定型作业时间的u 型拆卸线平衡问题和随机作业时间的u型拆卸线平衡问题的数学模型。 2、针对拆卸线平衡多目标组合优化问题，提出了基于雇佣蜂和旁观蜂自身学习、 侦查蜂全局学习的混合搜索机制的人工蜂群算法，并应用加权求和的方法用于计算可 行解的适应值，可较好的求解多目标离散优化问题。 3、将所提算法与蚁群、粒子群算法等进行对比试验，以验证算法的有效性，并将 直线型布局的生产效率与U型布局进行比较，结果表明U型布局具有更强的柔性适用 于实际生产布局；并将算法应用至拆卸实例中。 本人郑重声明：所呈交的学位论文，是在导师指导下独立进行研究工作所得的成 果。除文中已经注明引用的内容外，本论文不包含任何其他个人或集体己经发表或撰 写过的研究成果。对本文的研究做出贡献的个人和集体，均己在文中作了明确说明。 本人完全了解违反上述声明所引起的一切法律责任将由本人承担。 学位论文作者签名： 季识 日期：溯i·矿r．，7 万方数据 西南交通大学硕士研究生学位论文 西南交通大学硕士研究生学位论文 第1页 摘 要 随着资源的短缺和环境污染的加剧，EOL产品处理的方式引起了广泛关注。拆卸 不仅可以实现资源的再利用，还可以缓解EOL产品堆积造成的环境压力。据统计，2015 年全国汽车报废数量将达到900～1200万辆，而2020年将持续增加到1200～1600万辆。 如果这些资源能够有效地回收再利用，将会产生巨大的市场价值。拆卸是资源回收的 有效手段。为了推动拆卸产业化，合理的拆卸线布局和拆卸流程规划是必不可少的。 所以，本文根据精益生产理念，提出U型拆卸线布局，主要研究内容如下： 1)充分研究直线型拆卸线优化问题的相关知识，结合U型布局特色，建立以工作 站数、平滑指数、需求指数和危害指数最小目标的确定型作业时间的U型拆卸线平衡 问题数学模型。 2)由于人工蜂群算法存在搜索方法单一、易陷入局部极值两方面的缺陷，本文通 过旁观蜂和雇佣蜂自身学习、侦查蜂全局学习的策略弥补标准算法中的不足，提出混 合搜索机制的人工蜂群算法。同时设计了适用于求解本文离散优化问题的算法流程。 3)以加权求和的方法将多目标降为单目标，同时对于某项指标超出预设值时给予 一定的惩罚，最终得到的适应值可以直观地评价解的质量，为蜜蜂快速选择解提供了 有利条件。 4)通过与粒子群、蚁群等算法对基准测试例子和简化拆卸模型求解结果的对比， 证明提出的改进算法具有较强的求解能力；并验了证U型布局更适用于实际生产。 5)考虑作业时间的不确定性，提出作业时间随机的u型拆卸线平衡问题。根据算 例测试结果总结随机作业时间拆卸线优化规律，最后，将本文提出的算法应用于随机 作业时间的