A Block-Guided Artificial Bee Colony Algorithm for Distributed Assembly Flowshop Scheduling with Sequence-Dependent Setup Times
本文提出了一种块引导人工蜂群算法（BG-ABC），该算法集成了空闲感知块压缩机制、滑动窗口上置信界1（SW-UCB1）自适应算子选择以及关键作业聚焦局部搜索，旨在有效最小化带有序列相关设置时间的分布式装配置换流水车间调度问题（DAPFSP-SDST）的完工时间。
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
在现代制造业广阔且互联的世界中，一件产品的诞生之旅往往并非始于单一工厂，而是跨越分布在全球各地的专业化设施网络。想象一下，一辆汽车的制造过程：引擎在某个国家生产，电子元件在另一个国家制造，而最后的组装则在第三个国家完成。这种分布式方法提供了灵活性和效率，但也创造了一个巨大的物流难题。挑战在于决定哪家工厂应该制造哪个部件，这些部件应该按什么顺序进行加工，以及最后如何将它们汇聚在一起进行组装。使情况进一步复杂化的是，机器并不总是能立即投入工作；它们在不同任务之间需要时间进行清洁、更换工具或调整夹具。这种准备工作所需的时间往往完全取决于刚刚完成了哪项工作以及下一项即将进行的任务是什么。这种“依赖于序列”的特性意味着，工作顺序的一个微小变化都可能波及整个系统，从而大幅改变完成所有工作所需的时间。解决这个谜题对于从汽车到家具等各类行业都至关重要，因为寻找最高效的调度直接影响着成本、交付时间和满足客户需求的能力。
研究人员徐继峰（Ji-Feng Xu）和宋鸿波（Hong-Bo Song）通过开发一种模仿蜜蜂觅食行为的新型计算方法，来应对这一复杂的调度问题，以寻找最佳的生产计划。他们的这种方法专门针对设置时间随作业顺序而变化的场景而设计，重点在于最小化完成所有产品所需的总时间，即“完工时间”（makespan）。团队观察到，在最高效的调度方案中，某些产品对总是会连续出现，因为它们所需的设置时间最短，且不会让组装机处于闲置等待状态。为了利用这一点，他们创建了一个系统，用于识别这些理想的配对，并将它们锁定在一起形成固定的“块”（blocks），在搜索解决方案的过程中将其视为单一单元。这一策略有效地将庞大的可能调度方案数量缩减为一个更小、更易处理的集合，使计算机能够将精力集中在最有希望的排列组合上，而不是浪费在不太可能的组合上。
然而，将这些“块”锁定在一起也存在风险：算法可能会陷入局部最优解，从而错过一个需要拆解“块”才能实现的更好方案。为了防止这种情况，研究人员在算法的“雇佣蜂”阶段嵌入了一个动态选择系统。该系统就像一位聪明的管理者，它会观察当前的搜索策略哪些最为有效，并据此转移注意力，而不是固守僵化的计划。当算法陷入困境时，“侦察蜂”机制会介入，通过拆解锁定的“块”并从头开始重建调度方案，以确保搜索过程能够持续探索新的可能性。此外，研究人员意识到，并不是调度方案的每个部分都需要同等的关注。他们引导算法仅针对导致瓶颈的具体作业序列进行详细的搜索工作，而忽略那些已经运行顺畅的部分。这种针对性的方法节省了大量的计算能力，使系统能够在相同时间内评估更多的潜在解决方案。
该团队将他们称之为“块引导人工蜂群算法”（Block-Guided Artificial Bee Colony algorithm）的新方法，与领域内研究人员使用的各种标准基准问题进行了对比测试。这些测试涉及数千种不同的场景，涵盖了不同数量的工厂、机器和产品。结果显示，该方法始终优于现有的最先进算法，能够找到时长显著缩短的调度方案。通过将分组理想产品对的效率与受蜜蜂启发的搜索算法的适应性相结合，研究人员展示了一种处理现代供应链中复杂协调工作的稳健方法。他们的研究表明，通过理解这些调度问题的特定结构模式，设计出智能工具是可能的，从而使复杂的全球制造网络运行得更加顺畅和高效。
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。