数据驱动的拆卸线平衡优化算法研究开题报告

1. 研究目的与意义（文献综述）

1、目的及意义（含国内外的研究现状分析）1.1 研究目的及意义随着工业化进程的快速推进，资源短缺、环境污染问题日趋严重。

2019年6月，十三届全国人大常委会第十一次会议上，固体废物污染环境防治法修订草案首次提请审议，垃圾分类回收成为最新热点。

许多寿命终止产品（eol)中的零部件还保留着潜在的使用价值，再加上从废旧产品中系统的提取出有价值的零部件和材料所需的成本远小于直接生产该零部件所需成本，故对废旧产品的回收再制造受到越来越多的关注。

2. 研究的基本内容与方案

2、研究（设计）的基本内容、目标、拟采用的技术方案及措施2.1 研究目标（1）针对拆卸线平衡系统的多目标性质以及拆卸企业利润导向型特点，构建不完全拆卸的多目标平衡问题模型。（2）熟悉数据驱动优化理论并在此基础上设计一种基于数据驱动的拆卸线平衡优化算法。开发相应的算法程序，并以工作站数目、最小化拆卸成本作为优化目标。采用仿真模型与算法相结合的方法对所构建的不完全拆卸的多目标平衡问题进行优化。为建立更加符合实际生产的拆卸线提供一种有效方法。2.2 研究内容（1）分析拆卸线平衡问题的复杂特性以及优化指标，研究优化各单目标的数学模型，通过模型仿真求得单目标数学模型的最优方案，验证模型的正确性。（2）构建多目标不完全拆卸线问题模型。介绍完全拆卸线平衡问题与不完全拆卸线平衡问题的相关概念。针对拆卸企业更加注重危害零件以及需求零件的拆卸情况的现实，构建不完全拆卸的多目标平衡问题模型以及产品优先级约束模型。并将该不完全拆卸线平衡问题模型与已有文献中描述的完全拆卸线平衡问题模型进行对比。验证模型的高效性。（3）分析粒子群算法在实际dlbp上的应用，概述该算法的优缺点；介绍高斯过程回归理论与方法，阐述该代理模型的优越性。结合dlbp的多目标、多约束等性质，设计基于高斯过程回归的代理模型的粒子群优化算法，理论分析算法的寻优原理与结合方式，充分利用 gp技术提高 pso寻优过程的“智能化”，使pso 全局寻优过程中尽可能减小适应度函数评价次数，达到高效快速逼近全局最优解的目的，为解决高计算代价的复杂优化问题提供一条新的途径。（4）仿真实验以及算法结果分析。在matlab仿真软件下比较已有算法与基于高斯过程的代理模型的粒子群优化算法的性能指标。验证所提算法的有效性。2.3 拟采取的研究方法及技术路线2.3.1研究方法针对求解复杂拆卸线平衡问题，本文主要采用理论研究、模型构建、算法设计、数值仿真以及与实例相结合的研究方法。2.3.2技术路线（1）首先，针对建立的多目标不完全拆卸线平衡问题模型，引入pareto解集思想处理多目标问题，以保证求解结果的多样性;并通过hyper-volume指标评价算法收敛性能以及pareto解集优劣。（2）同时,考虑拆卸过程对需求零件与危害零件的关注度，本文采用零件优先关系图（ppd)定义拆卸过程，通过有向图表达拆卸信息模型。（3）其次，基于高斯过程回归的粒子群优化算法设计部分，主要包括算法的初始阶段、各行为方式、评价机制、种群更新方式等方面。为了克服算法对学习样本过于依赖的缺点，采用动态更新寻优经验知识库的策略，从而提高gp模型的预测能力，更加准确的求得全局最优解。（4）根据仿真实验以及算法结果分析最小化拆卸成本、最小化工作站数优化指标的实现情况。

技术线路图如下2-3所示：

3. 研究计划与安排

第1－3周：查阅相关文献资料，明确研究内容，了解研究所需理论基础。

确定方案，完成开题报告。

第4-5周：查阅拆卸线平衡方面的文献资料，掌握拆卸线平衡问题的建模方法和产品优先级约束的建模方法并建立对应的问题模型和产品模型。

4. 参考文献（12篇以上）

[1]Gupta, S. M, Gungor, A. A Product recovery using a disassemble line:challenges and solutions[C]//Proceedings of the 2001 IEEE International Symposium on Electronics and the Environment Denver,2001:36-40.[2]Gungor, A, Gupta, S. (2002). Disassembly line in product recovery. International Journal of Production Research, 40(11), 2569–2589[3]Mcgovern, S. M. Gupta. Combinatorial optimization analysis of the unary NP-complete disassembly line balancing problem [J]. International Journal of Production Research, 2007, 45(18-19): 4485-4511[4]McGovern, S.M.,Gupta,S.M.,2004.Combinatorial optimization methods for disassembly line balancing.In Proceedings of the 2004 SPIE International Confer-Ence on Environmentally Conscious Manufacturing IV,Philadelphia,PennsylvaniaOctober 25-28,pp.53-66.[5]Mcgovern S M,Gupta S M.Uninformed and probabilistic distributed agent combinatorial searches for the unary NP-complete disassembly line balancing problem[C]//Proceeding of the SPIE International Conference on Environmentally Conscious Manufacturing.Boston,2005:81-92.[6]S. M. Mcgovern, S. M. Gupta. A balancing method and genetic algorithm for disassembly line balancing [J]. European Journal of Operational Research, 2007, 179(3): 692-708.[7]丁力平.基于 Pareto 蚁群算法的拆卸线平衡多目标优化[A].计算机集成制造系统.2009.[8]Y. L. Fang, Q. Liu, M. Q. Li, Y. J. Laili, D. T. Pham. Evolutionary many-objective optimization for mixed-model disassembly line balancing with multi-robotic workstations [J], European Journal of Operational Research, 2019, 276(1): 160-174.[9]吕志明. 基于多代理模型的群智能优化算法研究 [D]. 大连理工大学博士学位论文, 2019.[10]Jones, D.R., Schonlau, M. Welch, W.J. Efficient Global Optimization of Expensive Black-Box Functions. Journal of Global Optimization 13, 455–492 (1998).[11]Y. Jin, S.J. Louis, K.M. Rasheed, Approximation and learning in evolutionary computation. GECCO Workshop, July 2002.[12] A. Ratle, "Kriging as a surrogate fitness landscape in evolutionary optimization," Artificial Intelligence for Engineering Design Analysis and Manufacturing,vol.15, no.1, pp. 37-49, 2001.[13]M. A. El-Beltagy, P. B. Nair, and A. J. Keane, "Metamodelling techniques for evolutionary optimization of computationally expensive problems: Promise and limitations," in Proc. IEEE the Genetic and Evolutionary Computation Conference (GECCO'99), Florida,USA, July 1999, pp. 196-203.[14] Y. Jin, M. Olhofer, and B. Sendho, "A framework for evolutionary optimization with approximate fitness functions," IEEE Transactions on Evolutionary Computation, vol. 6, no. 5, pp. 481-494, 2002.[15]Y. Jin, M. Olhofer. Swarm and Evolutionary Computation.Volume 1, Issue 2, June 2011, Pages 61-70.[16]B. Liu, Q. Zhang and G. G. E. Gielen, "A Gaussian Process Surrogate Model Assisted Evolutionary Algorithm for Medium Scale Expensive Optimization Problems," in IEEE Transactions on Evolutionary Computation, vol. 18, no. 2, pp. 180-192, April 2014.[17] H. Ulmer, F. Streichert, and A. Zell, "Evolution startegies assisted by gaussian processes with improved preselection criterion," in Proc. IEEE Congress on Evolutionary Computation CEC'03, Canberra, Australia,Dec. 2003, pp. 1741-1751.[18]X. Sun, D. Gong, Y. Jin and S. Chen, "A New Surrogate-Assisted Interactive Genetic Algorithm With Weighted Semisupervised Learning," in IEEE Transactions on Cybernetics, vol. 43, no. 2, pp. 685-698, April 2013.[19] Y. S. Ong, P. B. Nair, and A. J. Keane, "Evolutionary optimization of computationally expensive problems via surrogate modeling," American Institute of Aeronautics and Astronautics Journal, vol. 41, no. 4, pp.687-696, 2003.[20] K. C. Giannakoglou, "Design of optimal aerodynamic shapes using stochastic optimization methods and computational intelligence," International Review Journal Progress in Aerospace Sciences, vol. 38, no. 5,pp. 43-76, 2002.