Joint Planning of Assembly Sequence Planning and Assembly Line Balancing Based on Improved Artificial Fish Swarm Algorithm
本文提出了一种结合改进摄食机制与模拟退火算法的帕累托混合人工鱼群算法，通过最小化平衡损失、切换时间和节拍时间，实现装配顺序规划与装配线平衡的同步优化。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下，你是一名繁忙工厂装配线的经理，任务是组装一台复杂的机器。你同时面临着两个令人头疼的大难题：
- “操作顺序”谜题（装配序列规划）： 你应该以什么样的确切顺序将零件拧紧、加螺栓并卡合在一起？如果你在盖好墙之前就试图把屋顶盖上去，你就卡住了。你需要一个完美的配方。
- “工作量平衡”谜题（装配线平衡）： 你有一支团队（工作站）。你需要分配任务，使得没有人在闲坐等待，而另一个人却忙得不可开交，并且让每个人都能在差不多相同的时间内完成轮班。
问题在于，这两个谜题是紧密相连的。如果你改变了组装顺序，你可能会改变每个人的工作量。如果你试图分开解决这两个问题，你最终得到的计划在纸面上看起来很完美，但在现实中却会变成一场噩梦。
本论文提出了一种新的方法，通过一种受自然启发的巧妙计算机算法来同时解决这两个谜题。
问题所在：“组合爆炸”
作者解释说，弄清楚制造一件产品的最佳方式，就像是在草堆里寻找一根针，但这个草堆会呈指数级增长。如果你有 20 个零件，可能的组装方式数量将是天文数字。传统方法要么太慢（尝试每一种可能性），要么太混乱（陷入“局部最优解”，就像是发现了一座小山丘，就以为自己找到了最高峰）。
解决方案：“智能鱼群”
为了应对这个问题，作者创建了一个混合人工鱼群算法（HAFSA）。他们使用简单的类比来解释它是如何工作的：
- 鱼群（Fish School）： 想象一群在池塘里游泳的鱼。每条鱼代表一个可能的解决方案（即如何制造该产品的特定计划）。
- 觅食（Foraging）： 鱼儿四处游动寻找“食物”，而“食物”代表一个更好、更高效的装配计划。如果一条鱼发现了一个食物更充足的地方（更好的计划），它就会游向那里。
- 集群（Swarming/Crowding）： 鱼也喜欢成群结队。如果一条鱼看到一群朋友在一个资源丰富的进食区，它也会游向那里。这有助于整个群体快速找到好的解决方案。
- “追逐行为”（Tail-Chasing）： 如果一条鱼发现了一个极其出色的位置，其他的鱼也会紧随其后进行追逐。
难点在于： 有时，鱼儿会在一个地方待得太舒服，从而停止在其他地方寻找更好的食物。它们会陷入“局部最优解”。
创新点：融入“鸟类狩猎”（PSO）
为了解决鱼类被困住的问题，作者引入了一种基于粒子群优化算法（PSO）（基于鸟类狩猎行为）的技术。
- 类比： 在鱼儿游泳的同时，算法偶尔会让它们像鸟类一样“跳跃”或“飞翔”。这引入了一定程度的随机性，有助于鱼群逃离一个小而平庸的池塘，飞向一个可能更好的湖泊。
- 帕累托（Pareto）理念： 该算法不仅仅寻找一个完美的答案。相反，它寻找的是一个“菜单式的选项集”（帕累托集合）。它寻找能在以下方面实现最佳权衡的计划：
- 平衡： 确保没有工作站过载。
- 切换： 最大程度地减少工人更换工具或改变身体转向的次数（这会浪费时间）。
- 速度： 以最快速度完成工作。
他们是如何测试的
研究人员在一个涉及 21 个不同零件的真实产品组装案例上测试了他们的新型“鱼鸟结合”算法。他们将该方法与以下方法进行了对比：
- 标准的“鱼类”算法（AFSA）。
- 标准的“鸟类”算法（PSO）。
结果：
- “鱼鸟组合”胜出了。 他们的混合算法找到的解决方案在速度上与其它方法不相上下，但所需的工具切换和方向切换更少。
- 效率： 它将总的“切换”（更换工具或方向）次数从标准鱼类方法的 24 次降低到了 22 次。
- 平衡： 它使工作量在工人之间分布均匀，防止了瓶颈的出现。
核心结论
论文声称，通过将鱼类的“集群”行为与鸟类的“跳跃”能力相结合，并利用一张智能地图（称为“约束矩阵”）来理解零件如何组合在一起，我们可以更快地生成更好的装配计划。这有助于工厂节省时间，减少无效动作，并在不迷失于复杂数学计算的情况下，更高效地制造产品。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。