求解拆卸线平衡问题的改进人工蜂群算法_张则强

合集下载

求解带区域约束的双边装配线平衡问题的一种改进蚁群算法

ｃｏｎｓｔｒａｉｎｔｓ．Ｔｈｅ
ｍｏｄｅｌｏｆ
Ａｓｓｅｍｂｌｙ
ｃｏｎｓｔｒａｉｎｔｓ（ＴＡＬＢＰｚ）ｉｓ
ｔｏ
ｃｏｎｓｔｒｕｃｔｅｄｆｉｒｓｔ．Ａｎｄｔｈｅｎ，ａｎｉｍｐｍｖｅｄａｎｔ
ｅｓ－
ｃｏｌｏｎｙｏｐｔｉｍｉｚａｔｉｏｎｉｓｐｒｏｐｏｓｅｄｆｏｒｓｏｌｖｉｎｇｔｈｅｐｒｏｂｌｅｍ．Ａｃｃｏｒｄｉｎｇ
２
２．１
形为未分配任务集合。
ｎ为共开启的位置数量。
ＴＡＬＢＰｚ的蚁群算法
算法简介
肌为共开启的工位数量。菇妇。为若任务ｉ分配到位置Ｐ上，操作方位为ｋ，ｋ
∈｛￡，尺｝，则为ｌ，否贝０为０。
受蚁群觅食行为而发展起来的蚁群算法，在旅行商问题、车辆路径问题、车间加工调度等问题上得到了广泛应用，具有收敛速度快、鲁棒性强等优点，在求解困难组合优化问题时颇具优势。但蚁群算法并非
出满足区域约束条件的可行解。通过对多个不带区
图２双边装配线优先顺序
域约束的算例进行测试和性能对比，验证了所提算法
的有效性。
１图３双边装配线中由于顺序约束引起的任务延迟
求解ＴＡＬＢＰｚ数学模型
１．１求解ＴＡＬＢＰｚ简介
区域约束（ＺｏｎｉｎｇＣｏｎｓｔｒａｉｎｔｓ，ＺＣ）包含聚集约束（如某些任务需要共享同一设备或某些工具）与排斥约束（如焊接与喷漆任务置于同一位置易引起生产事故）。设ＺＳ表示必须安排在同一个位置内的任务集合，即聚集约束；设ＺＤ表示必须安排在不同位置内的任务集合，即排斥约束。若某双边装配线优化问题
行解的分配方案如图３所示，受优先关系限制，任务３
约束的双边装配线平衡问题（Ｔｗｏ．ｓｉｄｅｄ
Ａｓｓｅｍｂｌｙ
ＬｉｎｅｓＢａｌａｎｃｉｎｇＰｒｏｂｌｅｍｗｉｔｈｚｏｎｉｎｇｃｏｎｓｔｒａｉｎｔｓ，ＴＡＬＢ—

改进的蜂群算法

ＡｂｔａｔＩｒｅｖｒｏｅｒｂｅｏｐｅｔｒｏｖｒｅｃｅｕｎｌｄｃｎｅｇｎｅｓｏｙａｐａｅａｉｃ￣ｂｅｃｌｎｓｒｃ：ｎｏｄｒｏｏｅｃｍｅｈｏｌｍｆｒｍａｕｅｃｎｅｇｎｅｆｑｅｔａｏｖｒｅｃｌｗｌｐｅｒｄｉａｆｉｅｏｏｙｔｔｐｒｙｎｎｉ
ｓｏｘｅｌｎｅｆｒａｃｅｌｇｃｍｐｅｒｂｅｓｈｗｓｅｃｌｔｒｏｎｅｉｄａｉｏｌｘｐｏｌｍ．ｅｐｍｎｎ
Ｋｅｒｓａｔｃａｅｏｏｙａｇｒｔｍ；ｆｒｅｔｎｃｏ；ｎｉｈｏｈｏａｔｒｆｏｏｒｅｓａｃｒｃｓｙｗｏｄ：ｒｆｉｌｅｃｌｎｌｏｈｉｉｂｉｏｇｔｇｆｔｒｉａｅｇｂｒｏｄｆｃｏ；ｏｄｓｕｃ；ｅｒｈｐｏｅｓ
Ｉｒｖｄａｔｃａｅｏｏｙａｇｒｈｍｐｏｅｒｉｉｌｅｃｌｎｌｏｉｍｉｆｂｔ
ⅥｒＡＮＧபைடு நூலகம்Ｈｕｉ
（ｃｏｌｆｏｕｅｃｎｅｎｆｒｔｎＥｇｎｅｉｇｈｎｈｉｎｔｕｅｆｅｈｏｏｙｈｎｈｉ０２５ｈａＳｈｏｏＣｍｐｔＳｉｃｄＩｏｍａｉｎｉｅｒ，ＳａｇａＩｓｔｔｏＴｃｎｌｇ，Ｓａｇａ２０３，Ｃｉ）ｒｅａｎｏｎｉｎ
ｌｅｃｆｏｄｓｕｃｕｒｎｌｗｅｋｎｄａｄｔｈｒｄｉｏｍａｉｆｉｈｏｈｏｎａｃｄａｃｒｉｇｔｅｈｐｏｅｓｆｕｎｅｏｏｏｒｅｃｒｅｔａｅｅｎｅｓａｅｆｒｔｎｏｅｇｂｒｏｄｅｈｎｅｃｏｄｎｏｔｅｓａｃｒｃｓ．ＴｈｎｆｙｈｎｏｎｈｒｅｂｅｃｌｎａｏｖｒｅｃｅｒｇｏｅｅｇｏａｏｕｉｎｓａｅｔｅｉｉａｔｇｎｒｖｅｇｏａｏｖｒｅｃｆｔｔｈｅｏｏｙＣｃｎｅｇｎｅｔｔｉｎｗｈｒｌｂｌｌｔｔｙｄａｔｌａｅａｄｉｎｏｈｅｓｏｈｔｎｉｓｍｐｏｅｔｌｂｌｎｅｇｎｅｏｅｈｃｉａｔｌｓａｅａｔｔｇ．ＴｈｎｔｎｌｅｔｅｕｔｈｗｓｈｓｅｆｃｉａｓｓｌｓｏａＩｕｏｔｒｔｔＡＢＣｃｎｓａｃｒｌｂｌｐｉｉａｉｎｍｏｅｑｉｋｙａｄｐｅｉｅｙｔａａｅｒｈｆｏａｔｚｔｒｕｃｌｒｃｓｌｎＡＢＣ，ｅｐｃａｌｏｇｏｍｏｎｈｓｅｉｌｙ

求解函数优化问题的改进的人工蜂群算法

（四川师范大学基础教学学院成都６１００６８）（成都工业学院网络中心成都６１００３１）（四川师范大学数学与软件科学学院成都６１００６８）。
摘要为提高人工蜂群算法求解复杂函数优化问题的性能，分析了算法中侦察蜂逃逸行为的不足，并对其进行改
ＧＥＹｕ１ＬＩＡＮＧＪｉｎｇ。ＷＡＮＧＸｕｍｐｉｎｇａＸＩＥＸｉａｏ－ｃｈｕａｎＩ
（ＣｏｌｌｅｇｅｏｆＦｕｎｄａｍｅｎｔａｌ，ＳｉｃｈｕｍａＮｏｒｍａｌＵｎｉｖｅｒｓｉｔｙ，Ｃｈｅｎｇｄｕ６１００６８，Ｃｈｉｎａ）
进：定义了逃逸指标，使其能准确地反映个体状态对算法早熟的影响；重新设计选择机制，让侦察蜂不需要参数控制，能自适应地选择可能导致算法早熟收敛的个体执行逃逸操作；改进了逃逸算子，降低了逃逸操作的盲目性。通过９个典型测试问题的实验结果表明：在指定误差精度下，本改进算法均能有效收敛；同时与基本人工蜂群算法和已有的典型改进相比，本改进算法在收敛精度和速度上均有明显提高。说明提出的改进策略能有效提高算法求解复杂函数优
ＡｂｓｔｒａｃｔＩｎｏｒｄｅｒｔｏｅｎｈａｎｃｅｔｈｅｐｅｒｆｏｒｍａｎｃｅｏｆａｒｔｉｉｃｆｉａｌｂｅｅｃｏｌｏｎｙａｌｇｏｒｉｔｈｍｉｎｓｏｌｖｉｎｇｃｏｍｐｌｅｘｆｕｎｃｔｉｏｎｏｐｔｉｍｉｚａ — ｔｉｏｎｐｒｏｂｌｅｍｓ，ｔｈｉｓｐａｐｅｒａｎａｌｙｓｅｄｔｈｅｓｈｏｒｔｃｏｍｉｎｇｏｆｅｓｃａｐｅｂｅｈａｖｉｏｒｏｆｓｃｏｕｔｂｅｅｓ，ａｎｄｉｍｐｒｏｖｅｄｉｔ．Ｔｈｅｉｍｐｒｏｖｄｅｌ— ａｇｏｒｉｔｈｍｄｅｆｉｎｅｓｅｓｃａｐｅｉｎｄｅｘ，ｍａｋｉｎｇｉｔｐｒｅｃｉｓｅｌｙｒｅｆｌｅｃｔｉｎｇｔｈｅｅｆｅｃｔｏｆｉｎｄｉｖｉｄｕａｌｓｔａｔｕｓｏｎｔｈｅｐｒｍａｅｔｕｒｅｃｏｎｖｅｒｇｅｎｃｅｏｆｌｇａｏｒｉｔｍ，ｈｒｅｄｅｓｉｇｎｓｔｈｅｓｅｌｅｃｔｉｏｎｓｃｈｅｍｅ，ｍａｋｉｎｇｓｃｏｕｔｂｅｅｓｃｈｏｏｓｉｎｇｉｎｄｉｖｉｄｕｌａｅｓｃａｐｅｏｐｅｒａｔｉｏｎｔｈａｔｍｉｇｈｔｒｅｓｕｌｔｉｎａｌｇｏｒｉｔｈｍｐｒｅｍａｔｕｒｅｃｏｎｖｅｒｇｅｎｃｅａｄａｐｔｉｖｅｌｙ，ｉｍｐｒｏｖｅｓｔｈｅｅｓｃａｐｅｏｐｅｒａｔｏｒ，ｒｅｄｕｃｉｎｇｔｈｅｂｌｉｎｄｎｅｓｓｏｆｅｓｃａｐｅｏｐｅｒａｔｉｏｎ．Ｎｉｎｅｔｙｐｉｃａ１ｅｘｐｅｒｉｍｅｎｔｓｐｒｏｖｅｔｈａｔｔｈｅｍｐｉｏｖｒｄｅａｌｇｏｒｉｔｍｈｃｏｕｌｄｃｏｎｖｅｒｇｅｅｆｉｃｉｅｎｔｌｙｕｎｄｅｒａｓｓｉｇｎｍｅｎｔｃｏｎｖｅｒｇｅｎｃｅａｅ — ｃｕｒａｃｙ，ｎｄａｔｈｅｍｐｉｒｏｖｅｄａｌｇｏｒｉｔｈｍｃｏｕｌｄｃｏｎｖｅｒｇｅｗｉｔｈｍｏｒｅｃｏｎｖｅｒｇｅｎｃｅａｃｃｕｒａｃｙａｎｄｓｐｅｄｅｃｏｍｐａｒｅｄｉｔｗｈｂａｓｉｃａｒｔｉ — ｉｃｆｉａｌＣＯｌｏｎｙａｌｇｏｒｉｔｍｈａｎｄｅｘｉｓｔｉｇｎｔｙｐｉｃａｌｉｍｐｒｏｖｅｄｖｅｒｓｉｏｎｓ，ｔｈｕｓｐｒｏｖｅｓｈｅｔｉｍｐｒｏｖｅｄｓｔｒａｔｅｇｙｐｒｏｐｏｓｅｄｉｎｔｈｉｓｐａｐｅｒｃｏｕｌｄｂｏｏｓｔｃａｐａｂｉｌｉｔｙｏｆｓｏｌｖｉｎｇｃｏｍｐｌｅｘｆｕｎｃｔｉｏｎｏｐｔｉｍｉｚａｔｉｏｎｐｒｏｂｌｅｍｓ．ＫｅｙｗｏｒｄｓＡｒｔｉｆｉｃｉａｌｂｅｅｃｏｒｎｙａｌｇｏｒｉｔｍ，ｈＰｒｅｍａｔｕｒｅｃｏｎｖｅｒｇｅｎｃｅ，Ｅｓｃａｐｅｉｎｄｅｘ，Ｓｅｌｅｃｔｉｏｎｓｃｈｍｅｅ，Ｅｓｃａｐｅｏｐｅｒａｔｏｒ

一种改进的人工蜂群算法研究

一种改进的人工蜂群算法研究
人工蜂群算法是一种计算机科学领域常用的优化算法，该算法模拟了蜜蜂在寻找食物过程中的信息共享和协同作业行为。

然而，传统的人工蜂群算法存在着多种问题，如收敛速度较慢、易陷入局部最优解等。

为此，本文提出了一种改进的人工蜂群算法。

改进的人工蜂群算法通过引入动态适应度权重和精英蜜蜂策略来提高算法的全局搜索能力和收敛速度，具体步骤如下：
1. 初始化种群：在算法开始阶段，需要随机生成一定数量的蜜蜂个体，并对其进行初始化位置和速度。

2. 适应度计算：为了评估每个个体的适应度，需要将问题转化为目标函数，然后计算每个个体在该函数下的实际函数值。

在本算法中，我们采用动态适应度权重的方法来计算适应度值，即通过不断更新权重系数来平衡全局搜索和局部搜索之间的权衡。

3. 轮盘赌选择算子：为了筛选出更优的个体，需要进行选择操作，该算法采用轮盘赌选择算子进行个体选择，并将选择后的个体复制一份以备用。

4. 信息共享：为了更好地利用种群中的信息，改进的人工蜂群算法采用了信息共享机制，即通过在个体之间传递信息来帮助种群更快地收敛到全局最优解。

5. 精英蜜蜂策略：为了强化算法的全局搜索能力，本算法引入了精英蜜蜂策略，在每次迭代中选择适应度值最好的个体作为精英蜜蜂，并以一定的概率来更新其他个体的位置和速度。

6. 收敛检测：为了保证算法的收敛性，需在一定迭代次数内检测种群是否已经趋于稳定，如果已经稳定则停止迭代。

一种改进的人工蜂群算法研究

一种改进的人工蜂群算法研究人工蜂群算法是一种模拟自然蜜蜂觅食行为的优化算法。

在这种算法中，一群“蜜蜂”通过随机飞行来探索整个搜索空间，并将找到的食物源信息传递给其他蜜蜂。

在迭代过程中，蜜蜂们不断地更新搜索策略，最终找到最优解。

然而，原始的人工蜂群算法存在一些问题，例如搜索精度低、易陷入局部最优等。

因此，本文提出了一个改进的人工蜂群算法，以解决这些问题。

（1）初始化：随机生成一群蜜蜂，并将它们分成三个子群：工蜂、侦查蜂和观察蜂。

每个子群的数量可以根据实际情况进行调整。

（2）工蜂阶段：工蜂通过随机飞行在搜索空间中探索，并将找到的食源信息传递给其他工蜂。

工蜂挑选出最好的食源并在其周围进行精细搜索。

（3）侦查蜂阶段：侦查蜂通过在搜索空间中随机飞行来探索未被发现的食源。

侦查蜂会在一定时间内返回到其所在子群，如果找到更好的食源，就会与其他蜜蜂交换信息，以便其他蜜蜂能够使用这些信息进行搜索。

（4）观察蜂阶段：观察蜂通过观察工蜂和侦查蜂的行为来优化搜索策略。

观察蜂会根据其他蜜蜂探索的食源信息选择更好的搜索路径，并将其传递给工蜂和侦查蜂。

（5）更新策略：根据蜜蜂们发现的最优食源，更新搜索策略。

如果时间充裕，可以通过增加蜜蜂数量和迭代次数来提高搜索精度。

此外，为了避免算法陷入局部最优解，本文还加入了惯性因子和随机因素。

惯性因子用于控制搜索过程中的跳出局部最优的能力。

随机因素用于在搜索过程中引入随机性，增加算法的探索能力。

最后，本文将改进的人工蜂群算法与其他优化算法在测试函数上进行对比。

结果表明，改进的算法具有较高的搜索精度和收敛速度，且能够避免陷入局部最优解。

因此，改进的人工蜂群算法具有很好的应用前景。

人工蜂群算法的改进及应用

４１－４５．
ＴｈｅＩｍｐｒｏｖｅｍｅｎｔａｎｄＡｐｐｌｉｃａｔｉｏｎｏｆＡｒｔｉｆｉｃｉａｌＢｅｅＣｏｌｏｎｙＡｌｇｏｒｉｔｈｍＺＨＡＮＧＸｉｎｙａｎ（ＩｎｓｔｉｔｕｔｅｏｆＩｎｆｏｒｍａｔｉｏｎＴｅｃｈｎｏｌｏｇｙ，ＸｉｎｇｙｉＮａｔｉｏｎａｌＮｏｒｍａｌＵｎｉｖｅｒｓｉｔｙ，Ｘｉｎｇｙｉ，Ｇｕｉｚｈｏｕ５６２４００，Ｃｈｉｎａ）Ａｂｓｔｒａｃｔ：Ｔｈｅａｒｔｉｆｉｃｉａｌｂｅｅｃｏｌｏｎｙａｌｇｏｒｉｔｈｍｉｓｅａｓｙｔｏｆａｌｌｉｎｔｏｌｏｃａｌｏｐｔｉｍａｌｖａｌｕｅ，ａｎｄｉｔｈａｓｔｈｅｓｈｏｒｔｃｏｍｉｎｇｏｆｓｌｏｗｃｏｎ— ｖｅｒｇｅｎｃｅｔｏｔｈｅｏｐｔｉｍａｌｓｏｌｕｔｉｏｎ．Ｂｙｕｓｉｎｇｔｈｅｆｉｘｅｄｓｔｅｐｓｉｚｅａｎｄｖａｒｉａｂｌｅｓｔｅｐｌｅｎｇｔｈａｎｄｄｅｆｉｎｉｎｇｔｈｅｆｏｒｍｕｌａｏｆｂｅｅｓ’ ｓｅａｒｃｈｉｎｇｆｏｒｆｏｏｄｓｏｕｒｃｅ，ａｎｉｍｐｒｏｖｅｄａｒｔｉｆｉｃｉａｌｃｏｌｏｎｙａｌｇｏｒｉｔｈｍｗａｓｐｒｏｐｏｓｅｄ．Ｓｉｍｕｌａｔｉｏｎｏｎｆｏｕｒｓｔａｎｄａｒｄｔｅｓｔｆｕｎｃｔｉｏｎｓｓｈｏｗｓｔｈａｔｔｈｉｓｎｅｗａｌｇｏｒｉｔｈｍｉｍｐｒｏｖｅｓｔｈｅｏｐｔｉｍｉｚａｔｉｏｎｐｅｒｆｏｒｍａｎｃｅｏｆｔｈｅａｌｇｏｒｉｔｈｍ．Ｉｎｏｒｄｅｒｔｏｉｍｐｒｏｖｅｔｈｅｅｆｉｃｉｅｎｃｙｏｆｃｌｕｓｔｅｒｉｎｇａｌｇｏｒｉｔｈｍｉｎｄａｔａｍｉｎｉｎｇ，ｓｔａｒｔｉｎｇｆｒｏｍａｒｔｉｆｉｃｉａｌｂｅｅｃｏｌｏｎｙａｌｇｏｒｉｔｈｍｅｖａｌｕａｔｉｏｎｆｕｎｃｔｉｏｎ，ｔｈｉｓａｒｔｉｆｉｃｉａｌｂｅｅｃｏｌｏｎｙａｌｇｏｒｉｔｈｍｃａｎｂｅｕｓｅｄｔｏｓｏｌｖｅｔｈｅｐｒｏｂｌｅｍｏｆｃｌｕｓｔｅｒｉｎｇｂｙｕｓｉｎｇｃｏｎｄｅｎｓａｔｉｏｎｄｅｇｒｅｅｆｕｎｃｔｉｏｎａｎｄｄｉｓｐｅｒｓｉｏｎｆｕｎｃｔｉｏｎ．Ｔｈｅｔｅｓｔｓｏｎｔｈｒｅｅｄａｔａｓｅｔｓｓｈｏｗｔｈａｔｔｈｉｓａｌｇｏｒｉｔｈｍｅｎｈａｎｃｅｓｔｈｅｃｌｕｓｔｅｒｉｎｇａｃｃｕｒａｃｙ．Ｋｅｙｗｏｒｄｓ：ｄａｔａｍｉｎｉｎｇ；ａｒｔｉｆｉｃｉａｌｂｅｅｃｏｌｏｎｙａｌｇｏｒｉｔｈｍ；ｃｌｕｓｔｅｒｉｎｇ

人工蜂群算法研究及其应用

人工蜂群算法研究及其应用人工蜂群算法研究及其应用摘要：人工蜂群算法是一种基于自然界蜜蜂群体行为的优化算法，近年来逐渐引起了研究者的关注。

本文将介绍人工蜂群算法的基本原理和应用领域，以及当前的研究进展和未来的发展趋势。

第一部分：引言人工蜂群算法是一种仿生优化算法，灵感来源于蜜蜂群体的行为。

蜜蜂在采集花蜜过程中，通过信息传递和合作的方式找到最佳花蜜源。

人工蜂群算法利用蜜蜂的这种行为模式，模拟了蜜蜂在自然界中搜索最优解的过程。

第二部分：人工蜂群算法原理人工蜂群算法是基于自然界蜜蜂群体行为的一种优化算法。

主要包括初始化蜜蜂种群、计算每个蜜蜂的适应度值、更新蜜蜂的位置信息并进行比较、执行搜索策略等步骤。

通过不断的迭代更新，最终找到全局最优解。

人工蜂群算法有较好的全局搜索能力和快速收敛性，能够解决各类优化问题。

第三部分：人工蜂群算法的应用人工蜂群算法在各个领域都有广泛的应用。

其中，一些典型的应用领域包括：1. 供应链管理：人工蜂群算法可以用来优化物流路径规划、库存管理和配送策略等问题，提高供应链的效率和精确度。

2. 图像处理：人工蜂群算法可以用来图像分割、特征提取和图像压缩等问题，对图像处理和分析具有一定的优势。

3. 机器学习：人工蜂群算法可以应用于支持向量机、神经网络、遗传算法等机器学习方法中，优化学习算法的参数和模型结构，提高学习算法的性能。

4. 无线传感器网络：人工蜂群算法可以用来解决无线传感器网络覆盖问题、能量最优分配和节点定位等问题，提高无线传感器网络的效能。

第四部分：人工蜂群算法的研究进展近年来，人工蜂群算法在理论研究和应用探索方面取得了许多进展。

一方面，研究者通过对蜜蜂行为的深入研究，提出了多种改进的蜜蜂算法变种，如改进的精英选择策略、自适应学习率调整等。

另一方面，人工蜂群算法也与其他算法进行了混合应用，如蚁群算法、粒子群算法等，取得了更好的优化性能。

第五部分：人工蜂群算法的未来发展趋势虽然人工蜂群算法已经在各个领域中取得了一定的成果，但仍然面临着一些挑战。

求解多目标拆卸线平衡问题的一种蚁群算法_朱兴涛

一种求解存在拆卸失败的Ｄ其目标是最小ＬＢＰ，化有缺陷零件的影响。文献［采用改进的３］／目标是最大化ＡＮＤＯＲ图规划拆卸线平衡方案，回收利润。文献［采用整数规划和线性规划方４］法对拆卸线问题进行优化，其目标是最大化利润。上述文献均基于单个目标，而很多实际的拆卸线且这些目标有时不易协问题考虑的是多个目标，甚至是矛盾的，因此有必要发展多目标优化问调，题的求解方法。蚁群算法在求解组合优化问题方
— — 朱兴涛张则强朱勋梦等求解多目标拆卸线平衡问题的一种蚁群算法 —
求解多目标拆卸线平衡问题的一种蚁群算法
朱兴涛１张则强１朱勋梦２胡俊逸３
西南交通大学，成都，云南师范大学００９２南车戚墅堰机车车辆工艺研究所有限公司，常州，２１３０１１３．
０引言
资源短缺和环境恶化已成为全人类共同面对的难题。这促进了各国新的和更为严格的环境立法，受公众环境意识的提高及生产者责任延伸制的推行等诸多因素影响，越来越多的制造商开始重视回收和再制造废旧产品。与此同时，由此带来的经济效益也推动了更多制造商的投入。拆卸在产品回收中具有重要作用，引起了学术界和工业界的关注。近年来，国内外学者就拆卸线平衡问题（ｒｏｂｄｉｓａｓｓｅｍｂｌｌｉｎｅｂａｌａｎｃｉｎ－ｙｇｐ进行了研究。文献［首先提出ｌｅｍ，ＤＬＢＰ）１］，，ＤＬＢＰ分析了拆卸线的复杂性针对拆卸线的具］体特点，提出了一种启发式方法。文献［提出了２

一种改进的人工蜂群算法研究

一种改进的人工蜂群算法研究人工蜂群算法（Artificial Bee Colony Algorithm，ABC）是一种被广泛应用于解决优化问题的启发式算法，它模拟了蜜蜂群体的行为，通过信息交流和协作来寻找最优解。

ABC算法在解决复杂问题时存在着一些问题，例如收敛速度慢、易陷入局部最优解等。

针对这些问题，一种改进的人工蜂群算法被提出并得到了广泛关注和研究。

本文将从算法原理、改进方法和应用实例等方面对一种改进的人工蜂群算法进行研究和分析，以期为相关领域的研究者和开发者提供参考和启发。

一、算法原理人工蜂群算法是一种启发式搜索算法，它模拟了蜜蜂群体的行为，包括蜜蜂的觅食行为、信息传递和选择等。

算法的基本原理包括三个主要步骤：初始化、搜索阶段和更新阶段。

初始化阶段：首先需要初始化一群“蜜蜂”，这些蜜蜂代表了搜索空间中的潜在解。

初始化的方法包括随机生成解或者根据问题特点进行指定初始化。

搜索阶段：在搜索阶段，每只蜜蜂将根据一定的搜索策略在解空间中搜索，并评估搜索到的解的适应度。

搜索策略可以包括随机搜索、局部搜索、全局搜索等。

蜜蜂们会根据搜索到的解的适应度进行信息交流和选择，以寻找最优解。

更新阶段：更新阶段将根据信息交流的结果更新蜜蜂群体和解空间，以使得蜜蜂们更加集中精力寻找最优解。

更新策略包括更新解、更新蜜蜂群体结构等。

二、改进方法针对传统人工蜂群算法存在的问题，研究者提出了一系列改进方法，以提高算法的搜索效率和优化能力。

这些改进方法包括但不限于以下几点：1. 多种搜索策略组合：传统的人工蜂群算法在搜索阶段通常采用单一的搜索策略，然而这种方法可能导致算法陷入局部最优解。

改进的方法是引入多种搜索策略，并对它们进行组合和调整，以提高搜索的多样性和全局搜索能力。

2. 自适应参数更新：传统的人工蜂群算法中，参数通常是固定的，这可能导致算法在某些问题上表现不佳。

改进的方法是引入自适应参数更新机制，根据算法的搜索状态和问题的特征等动态调整参数，使算法具有更好的鲁棒性和适应性。

增强开发能力的改进人工蜂群算法

Improved artificial bee colony algorithm with enhanced exploitation ability
ZHANG Zhiqiang% LU Xiaofeng, SUN Qindong, WANG Kan
(School o f Computer Science and Engineering, Xi an University o f Technology, Xi an Shaanxi 710048, China)
D O I：1 0 .1 1 7 7 2 /j. issn. 1001-908的改进人工蜂群算法
张志强 \ 鲁晓锋，孙钦东，王侃
( 西安理工大学计算机科学与工程学院，西安710048) ( * 通信作者电子邮箱chinazzq@ 126. com)
摘要：为解决人工蜂群（A B C )算法收敛速度慢、精度不高和易于陷入局部最优等问题，提出一种增强开发能力的改进人工蜂群算法。一方面，将得出的最优解以两种方式直接引入雇佣蜂搜索公式中，通过最优解指导雇佣蜂的邻域搜索行为，以增强算法的开发或局部搜索能力；另一方面，在旁观蜂搜索公式中结合当前解及其随机邻域进行搜索，以改善算法的全局优化能力。对多个常用基准测试函数的仿真实验结果表明，在收敛速度、精度和全局优化能力等方面，所提算法总体上优于其他类似的A B C 算法（例如 A B C /b e s t)和集成多种搜索策略的A B C 算法（例如 ABCVSS
( ABC algorithm with V ariable Search Strategy) ABCMSSCE ( ABC algorithm with Multi-Search Strategy Cooperative

改进的人工蜂群算法及其在参数优化中的应用

基金项目：国家自然科学基金（61463009);北京自然科学基金项目 (4122022 ) ;中央支持地方科研创新团队项目（PXM2013014210-000173);贵州省科学技术基金（黔科合基础 [2016]1022)
i 引言
过去二十多年来，为解决高度复杂的最优化问题，受生物启发 ,许多群体智能优化方法相继被开发，如遗传算法，蚁群算法，粒子群算法和人工蜂群算法等。由于这些方法通常简单且易于实现，越来越受欢迎。人工蜂群算法（Artificial bee colony algorithm,A B C )是在 2005 年 Karabogo 基于蜜蜂群体觅食行为提出的一种相对新的优化方法，在解决各种复杂
收稿日期:2018-06-01
— 320 —
优化问题上显示出了良好的性能K2]。 A B C 算法由于控制参数少，探索能力强，且易于实现等优点，具有极大的研究潜力。但是对规模和复杂程度不断扩大的优化问题，A B C 算法也表现出它的不足之处，主要表现在随着寻优领域变大时，速度在收敛于全局最优解时较慢且算法搜索性能较差。因此，许多学者经过研究，对算法的三个方面提出了一些改进，并取得优异的效果。其中，在初始化阶段，为减少搜索时间，有效防止陷人局部最优解，文献 [ 3 ] 同过 tent映射使种群初始化且尽可能均勻分布。文献 [4]为提高算法的全局收敛性，对种群应用反向学习和混沌映射进行初始化。在选择机制上,为避免种群飞向错误的方向，文献 [5]在整体更新阶段采用基于测试机制的粒子群算法，且使用排序选择并进行指数拉升的方式，动态调整选择压力。文献 [6]通过分析借鉴

基于改进人工蜂群算法的产品拆卸序列规划

oved
ys
a
r
t
i
f
i
c
i
a
lbe
ec
o
l
onya
l
r
i
t
hm wa
sp
r
opo
s
ed,wh
i
chwa
sus
edt
of
i
ndt
heanswe
r
si
nt
hep
r
o
c
e
s
so
fd
i
s
Ｇ
go
,
a
s
s
emb
l
equenc
ep
l
ann
i
ng．Ba
s
edont
hed
i
s
a
s
s
emb
l
r
i
dg
r
aph mode
t
i
c
a
lmode
landf
i
t
ne
s
sequa
t
i
ono
ft
hed
i
s
a
s
s
emb
l
e
Ｇ
ys
ys
u
e
n
c
e
l
a
n
n
i
n
w
e
r
e
c
o
n
s
t
r
u
c
t
e
d
．T
h
ei
n
i
t
i
a
l

多目标拆卸线平衡问题的Pareto人工鱼群算法

多目标拆卸线平衡问题的Pareto人工鱼群算法汪开普;张则强;毛丽丽;李六柯【摘要】In view of complexity of disassembly line balancing problems,an improved multi-obj ec-tive artificial fish swarm algorithm was proposed based on Pareto set.In order to improve the search-ing ability of artificial fish,a random crossover operation of genetic algorithm was introduced to guide the artificial fish to the direction of global optimal disassembly directions.The crowding distance was adopted to filter the non-inferior solutions in the prey,swarm and follow processes of the artificial fish to realize the diversity of each behavior solution results.By employing the strategy of elite reserva-tion,the non-inferior solutions in external file were added to the next iteration of the algorithm, which speeded up the convergence rate of the algorithm.Finally,the proposed algorithm was applied to the disassembly instances of different scales,and the results confirm the effectiveness and superior-ity of the proposed algorithm by comparing with the existing algorithms.%针对拆卸线平衡问题的复杂性，提出了一种改进的基于Pareto解集的多目标人工鱼群算法进行求解。

随机作业时间的U型拆卸线平衡多目标优化

随机作业时间的U型拆卸线平衡多目标优化张则强;汪开普;李六柯;毛丽丽【期刊名称】《计算机集成制造系统》【年(卷),期】2018(24)1【摘要】To better reflect the uncertainty of actual disassembly task time,a multi-objective U-shaped mathematical model of disassembly line balancing problem was formulated by considering the stochastic operation times.A Pareto based hybrid artificial fish swarm algorithm was proposed for overcoming the deficiency that failure to balance each objective of traditional method in solving multi-objective problems.For reducing the repeated search in parallel foraging of fish swarm,a serial foraging way adopting the self-adaptive visual field was introduced,and the introduction of Pareto non-inferior solutions set realized the diversity of fish swarm optimization results.A simulated annealing operation was operated on the sequence results which could avoid the local optimum.In addition,the crowding distance was employed as an evaluation mechanism to filter and retain the elite solutions.Furthermore,the elite solutions were added to the next iteration of population which speeded up the convergence rate.The proposed algorithm was applied to one certain printer disassembly instance including 55 disassembly tasks.The effectiveness and superiority were validated through the comparison of proposed algorithm with basic artificial fish swarm algorithm and simulated annealing algorithm.%为更好地反映实际拆卸作业时间的不确定性,建立了考虑随机作业时间的多目标U型拆卸线平衡问题的数学模型,并针对传统方法求解多目标问题时求解结果单一、无法均衡各目标等不足,提出一种基于Pareto解集的多目标混合人工鱼群算法.算法采用自适应视野串行觅食方式,以减少并行觅食时出现重复搜索现象,并根据多目标拆卸序列之间的支配关系得到Pareto非劣解集,实现了鱼群寻优结果的多样性.对鱼群觅食得到的拆卸序列进行模拟退火操作,增强了算法跳出局部最优的能力.采用拥挤距离机制筛选非劣解,实现了拆卸序列的精英保留,进而将非劣解添加到下次迭代的种群中,加快了算法的收敛速度.将所提算法应用于具有55项任务的某打印机拆卸实例,经与基本人工鱼群算法、模拟退火算法对比,验证了所提算法的有效性和优越性.【总页数】12页(P89-100)【作者】张则强;汪开普;李六柯;毛丽丽【作者单位】西南交通大学机械工程学院,四川成都610031;西南交通大学机械工程学院,四川成都610031;西南交通大学机械工程学院,四川成都610031;西南交通大学机械工程学院,四川成都610031【正文语种】中文【中图分类】TH165;TP301.6【相关文献】1.考虑工人行走的作业时间随机分布的U型线平衡 [J], 刘凯;苏平;赵卫2.模糊作业时间的拆卸线平衡Pareto多目标优化 [J], 汪开普;张则强;邹宾森;毛丽丽3.随机混流U型拆卸线平衡排序问题多目标进化算法优化 [J], 谷新军;郭秀萍4.一种自适应人工蜂群算法求解U型顺序相依拆卸线平衡问题 [J], 王书伟;郭秀萍;刘佳5.面向低碳高效的U型拆卸线平衡优化 [J], 吴远峰;陈二蒙;倪静因版权原因，仅展示原文概要，查看原文内容请购买。

U型不完全多目标拆卸线平衡问题建模与优化

U型不完全多目标拆卸线平衡问题建模与优化张则强;蒋晋;尹涛;许培玉【期刊名称】《西南交通大学学报》【年(卷),期】2022(57)2【摘要】针对U型布局所具有的生产柔性强、效率高等优点,结合仅需考虑需求零部件和危害性零部件的实际拆卸过程,提出U型不完全拆卸线平衡问题(U-shaped partial disassembly line balance problem,UPDLBP),以最小化工作站数量、空闲时间均衡指标、拆卸深度和拆卸成本为优化目标建立数学模型.在此基础上,提出一种自适应反向学习多目标狼群算法(adaptive opposition-based learning multi-objective wolfpack algorithm,AOBL-MWPA)进行求解计算.该算法采用自适应游走行为,兼顾算法迭代前期的全局寻优性能和后期的稳定性;在满足优先关系约束前提下对召唤行为和围攻行为进行离散化;引入反向学习策略(opposition-based learning,OBL)以避免算法陷入局部最优;利用Pareto解集思想和非支配排序遗传算法Ⅱ(NSGA-Ⅱ)拥挤距离机制筛选获得多个非劣解;将所提算法应用于19个基准算例中,并与现有文献算法对比;最后,将所提模型和算法应用于某汽车U型不完全拆卸线的实例设计中.结果表明:针对工作站开启数量和空闲时间均衡指标而言所提算法能求解获得小规模问题的最优值,且在中大规模问题中所得结果优于其他算法,危害指标和需求指标均能获得最优值,寻优率为100%;实例设计获得10组可选方案,验证了所提算法的实用性和有效性.【总页数】10页(P235-244)【作者】张则强;蒋晋;尹涛;许培玉【作者单位】西南交通大学机械工程学院;西南交通大学轨道交通运维技术与装备四川省重点实验室【正文语种】中文【中图分类】TH165;TP310.6【相关文献】1.多目标U型拆卸线平衡问题的Pareto蚁群遗传算法2.面向多目标拆卸线平衡问题的一种改进粒子群优化算法3.目标驱动离散布谷鸟搜索算法的不完全拆卸线平衡多目标优化4.随机作业时间的U型拆卸线平衡多目标优化5.随机混流U型拆卸线平衡排序问题多目标进化算法优化因版权原因，仅展示原文概要，查看原文内容请购买。

求解第Ⅰ类双边装配线平衡问题的改进离散人工蜂群算法

求解第Ⅰ类双边装配线平衡问题的改进离散人工蜂群算法李梓响;唐秋华;张利平;郑鹏【摘要】基于第Ⅰ类双边装配线平衡具有的离散性、序列相关性,提出一种改进离散人工蜂群求解算法.在算法设计中,增加启发式目标以凸现优质蜜源,安排雇佣蜂进行交叉操作以拓展搜索空间,利用观察蜂进行变邻域搜索以强化局部寻优.为消减由方向约束和优先关系约束导致的空闲时间,提出一种融合工位—操作选择策略的解码方法.通过3种不同解码方式、7种现有智能算法的对比实验表明,基于工位—操作选择的解码方法有效消除了空闲时间,所提算法获得了所有当前最好解,且发现了两个新的全局最优解.【期刊名称】《计算机集成制造系统》【年(卷),期】2016(022)004【总页数】9页(P974-982)【关键词】双边装配线平衡;离散人工蜂群算法;变邻域搜索;工位选择策略;操作选择策略【作者】李梓响;唐秋华;张利平;郑鹏【作者单位】武汉科技大学机械自动化学院,湖北武汉430081;武汉科技大学机械自动化学院,湖北武汉430081;武汉科技大学机械自动化学院,湖北武汉430081;武汉科技大学机械自动化学院,湖北武汉430081【正文语种】中文【中图分类】TP18装配是生产制造过程的重要环节，是汽车、卡车等产品加工的核心环节，装配线的平衡直接关系到装配效率。

装配线主要分为单边装配线和双边装配线，与传统的单边装配线相比，双边装配线长度短、设备利用率高、物料搬运成本低[1]，在汽车总装等车间加工过程中得到了广泛应用。

当前，制造型企业对双边装配线平衡问题日益关注，科研领域的众多学者也针对双边装配线平衡问题进行了丰富的研究。

自Bartholdi[1]首次提出双边装配线平衡问题以来，多种精确算法[2]和智能算法[3-11]被用来求解该问题。

采用的智能算法主要包括遗传算法[3]、蚁群算法[6]、改进蚁群算法[7]、禁忌搜索算法[8]、蜂群算法[9]、模拟退火算法[10]和改进模拟退火算法[10]、混合帝国主义算法[11]。

求解装配线平衡问题的一种改进蚁群算法

求解装配线平衡问题的一种改进蚁群算法
张则强;程文明;钟斌;王金诺
【期刊名称】《计算机集成制造系统》
【年(卷),期】2007(13)8
【摘要】为求解给定节拍最小化工作站数的第Ⅰ类装配线平衡问题,提出了一种改进的蚁群算法.在该算法中,针对装配线平衡问题的具体特点,给出了蚂蚁分配方案的生成策略.通过在任务和任务分配序列的位置之间释放信息素,并采用信息素总合规则进行更有效的信息素累积.为提高搜索效率,以综合考虑装配任务作业时间和后续任务数的分级位置权重为蚁群算法的启发式信息.最后,通过对大量测试问题集的验证,说明了算法的有效性.
【总页数】7页(P1632-1638)
【作者】张则强;程文明;钟斌;王金诺
【作者单位】西南交通大学,机械工程学院,四川,成都,610031;西南交通大学,机械工程学院,四川,成都,610031;西南交通大学,机械工程学院,四川,成都,610031;西南交通大学,机械工程学院,四川,成都,610031
【正文语种】中文
【中图分类】TH165;TP301.6
【相关文献】
1.求解双边装配线第二类平衡问题的一种蚁群算法∗ [J], 胡俊逸;张则强;金初云
2.求解带区域约束的双边装配线平衡问题的一种改进蚁群算法 [J], 张则强;胡俊逸;
程文明
3.求解双边装配线平衡问题的改进蚁群算法 [J], 郑巧仙;李明;李元香;唐秋华
4.运用改进蚁群算法求解直线型和U型装配线平衡问题 [J], 查靓;徐学军;余建军;宋莉波
5.求解第二类装配线平衡问题的改进蚁群算法 [J], 李英德;鲁建厦
因版权原因，仅展示原文概要，查看原文内容请购买。

基于改进人工蜂群的图像增强算法

基于改进人工蜂群的图像增强算法郭文艳;周吉瑞;张姣姣【期刊名称】《计算机工程》【年(卷),期】2017(043)011【摘要】For the problems of premature phenomenon and slow convergence rate appeared in Artificial Bee Colony (ABC) algorithm,an ABC algorithm based on the backtracking search is proposed.The Backtracking Search Algorithm (BSA) is used to select and update the colony.Through the random mutation strategy and non-uniform crossover strategy,the new algorithm can enhance the population diversity of the colony algorithm,enables the algorithm jump out of the local optima and has a better global convergence rate.The improved algorithm is used for image contrast enhancement.By searching the optimal parameters α,β of incomplete Beta function,the gray-scale transformation curve is determined.The image gray level is adjusted to improve the image contrast.Simulation results show that the proposed algorithm,has a higher accuracy and faster convergence pared with the Histogram Equalization (HE) algorithm,the contrast of the image is enhanced effectively.%针对人工蜂群算法易出现早熟现象和收敛速度慢等问题,提出一种基于回溯搜索的人工蜂群算法.通过回溯搜索算法选择更新种群,采用随机的变异策略和不均匀的交叉策略,增强蜂群算法种群多样性,使得改进的蜂群算法能够跳出局部最优,且具有较好的全局收敛速度.将改进的算法用于图像对比度增强,通过搜索非完全Beta函数的最佳参数α,β,确定灰度变换曲线,对图像灰度进行调整,提高图像对比度.仿真实验结果表明,该算法具有较高的求解精度和较快的收敛速度,与直方图均衡化算法相比,有效地增强了图像的对比度.【总页数】11页(P261-271)【作者】郭文艳;周吉瑞;张姣姣【作者单位】西安理工大学理学院,西安710054;西安理工大学理学院,西安710054;西安理工大学理学院,西安710054【正文语种】中文【中图分类】TP301.6【相关文献】1.基于改进人工蜂群算法的K均值聚类算法 [J], 喻金平;郑杰;梅宏标2.基于改进人工蜂群算法的盲源分离算法 [J], 郭业才;张政3.基于改进人工蜂群算法的k-means聚类算法 [J], 贺思云;高建瓴;陈岚4.基于改进人工蜂群算法与MapReduce的大数据聚类算法 [J], 孙倩; 陈昊; 李超5.基于MapReduce和改进人工蜂群算法的并行划分聚类算法 [J], 陶涛;毛伊敏因版权原因，仅展示原文概要，查看原文内容请购买。

多目标拆卸线平衡问题的 Pa re to细菌觅食算法

多目标拆卸线平衡问题的 Pa re to细菌觅食算法胡扬;张则强;汪开普;毛丽丽【期刊名称】《计算机应用研究》【年(卷),期】2016(33)11【摘要】The optimization procedure of DLBP involves dealing with multiple objectives.Traditional algorithms could not handle the conflict between objectives properly and might get local optimum prematurely.To hedge against these shortcomings, this paper proposed a Pareto based multi-objective bacteria foraging optimization algorithm.The algorithm used a Pareto non-dominated sorting operator to grade the bacterial population.For those solutions which belong to the same grade,it adopted a crowding distance operator for the second rank.After chemotaxis phase,the algorithm introduced an elitism preservation stra-tegy so that it would improve the convergence performance of the proposed algorithm.Furthermore,the algorithm used a global information sharing strategy to guide the bacterial population searching toward the well distributed Pareto optimal pu-tational comparisons of different size DLBP instances demonstrate the validity and superiority of the proposed algorithm.%拆卸线平衡问题的优化涉及多个目标。

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

1
1． 1
多目标拆卸线平衡问题的数学模型
模型描述
假定待拆卸产品的每个零件对应一个拆卸任务，n 为零件数目，T 代表拆卸任务集合，则有 T = ｛ 1， 2， 3， …，n｝． m 为开启的工作站的数目，工作节拍用 C 表示，t i 表示第 i 个工作站上分配的所有拆卸任务作业时间之和．用 φ ij 表示任务与工作站的关系，若任务 j i ， = 1 ， = 0 ．被分配到工作站则 φ ij 否则 φ ij 本文从 4 个方面构建 DLBP 问题的数学模型：最小化工作站数、均衡各工作站作业负荷、尽早拆除有危害零部件、尽早拆除高需求零部件．作业任务之间的优先关系用 P 表示，若任务 p 为任务 q 的前序任务，
Abstract： The disassembly line balancing problem （ DLBP ） has been mathematically proved to be NPcomplete． The search processes of traditional algorithms for DLBP are so random that they tend to get local optimum due to DLBP' s exponential time complexity for large scale cases． To overcome the shortcomings of traditional algorithms， an improved artificial bee colony （ ABC ） algorithm was proposed based on a multiobjective optimization model for the DLBP，where the main objectives to achieve are to minimize the number of workstations，equilibrate workload，and remove hazardous and highdemand components as early as possible． This algorithm includes four phases． In the initial solution generation phase ， the hazardous index and demand measure are used to improve the convergence property of the algorithm． In the employed bee phase ，a variable step length search strategy is introduced to take a further search for better solutions and speed up the elimination of inferior solutions． In the onlooker bee phase ，a hybrid search strategy that combines the traditional search with the disturbance search is adopted． In the scout bee phase ，a search strategy based on estimation of distribution is constructed． The proposed algorithm was applied to solve 70 test cases to
2724 （ 2016 ） 0591008 文章编号： 0258-
求解拆卸线平衡问题的改进人工蜂群算法
张则强，胡
摘
扬，陈
冲
（西南交通大学机械工程学院，四川成都 610031 ）要：大规模拆卸线平衡问题（ disassembly line balancing problem，DLBP）是 NP 完全问题．为克服传统算法求
第 51 卷第 5 期 2016 年 10 月
西南交通大学学报 JOUＲNAL OF SOUTHWEST JIAOTONG UNIVEＲSITY
DOI： 10． 3969 / j． issn． 0258272Oct． 2016
Improved Artificial Bee Colony Algorithm for Disassembly Line Balancing Problem
ZHANG Zeqiang， HU Yang， CHEN Chong
（ School of Mechanical Engineering，Southwest Jiaotong University，Chengdu 610031 ，China）
第5 期
张则强，等：求解拆卸线平衡问题的改进人工蜂群算法
911
verify its validity． As a result，optimal solutions were obtained for 65 cases and the optimization rate is 92． 86% ． In addition，the algorithm was applied to solve a 10task case and a 52task case． The results show that the demand measures to obtain the optimal solution for the 10task case are 9 730 ， which is 360 less that by ant colony optimization； meanwhile，better solutions for the balance rate ， number of workstations and cost are obtained for the 52task case． Compared to the traditional ABC algorithm， the improved algorithm has a significantly superior performance in solving largescale DLBPs． Key words： disassembly line balancing； artificial bee colony algorithm； optimization； disassembly 随着现代化进程的发展，物质资源极大丰富，化但同时也面临着大量寿命终了的机械、汽车、电．，器等产品等待回收处理问题另一方面当前资源、能源短缺问题日趋严重，传统的高投入、高产出模式难以持续，社会环境与资源问题日益突显，加之公民环保意识的不断增强，所有这些都在推动寻求废旧机电产品的新出路．废旧机电产品的回收资源化处理是构建静脉产业的必由之路，在产品的回收过程中，产品拆卸过程是重要的环节，无论是对于具有众多零部件的大型产品还是对于回收数量很多的小型产品，实现拆卸过程的流水作业，在极大提高产品回收效率的同时，能有效降低拆卸成本，因此，受到了越来越多企业的重视．为解决流水化拆卸过程中拆卸任务分配不均衡等问题，学术界对拆卸线平衡问题展开了深入的研究． 1］文献［比较了拆卸线平衡问题（ disassembly line balancing problem， DLBP ）与装配线平衡问［2 ］题的异同点，并对影响拆卸线平衡的众多复杂 3］因素进行了详细分析．文献［建立了破坏性拆卸影响下的单目标 DLBP 模型，并用分支定界法来求解该模型．其求解方法局限在数学规划层面，然而 4］证明了拆卸线平衡问题是一个 NP （ non文献［ deterministic polynomial）完全问题，问题的求解难度会随着任务规模的增加呈几何级增长，传统的数学规划方法不适用于对大规模问题的求解．文 5］献［提出了一种基于 Pareto 的蚁群算法求解多目标 DLBP 问题，其在建模阶段引入对拆卸成本的考量，使得研究的问题更加贴近生产实际，但其算 6］法求解质量还有提升空间．文献［建立了关于拆 DLBP ，卸费用的模型并用启发式算法求解该模 7］型．文献［考虑了最小化工作站数、平衡指数、危害指数、需求指数、最小化拆卸方向改变 5 个目标 8］提出一种改进的蚁群算法，函数．文献［采用混合搜索策略，提高了算法在多目标优化方面的能 9］力．文献［采用一种基于网络的最短路模型法求 DLBP 解并行问题，但该方法难以求解大规模问 10］引入变邻域搜索算法求解序列相关题．文献［的拆卸线平衡问题，拓展了解决 DLBP 问题的新途 11］径．文献［考虑了不确定拆卸时间的特殊情况，其所提算法对于多目标的优化能力不强，求解过程一味追求平衡而增加了大量的时间消耗．本文针对传统算法在求解 DLBP 问题时的搜索过于随机、易陷入局部最优等不足，提出了一种改进的人工蜂群算法（ artificial bee colony algorithm，ABC ）． ABC 算法是一种模拟自然界中蜜蜂觅食行为而发展起来的群集智能优化算［12 ］［1314 ］法，与粒子群算法等均属于群智能优化算法，具有结构简单、稳定性好等优点，在诸多优化问［15 ］并表现出良好性能．本文题中得到了广泛应用，根据 ABC 算法原理并结合 DLBP 问题的特点，构造了由一般产品通用的优化目标组成的多目标 DLBP 模型，并从初始解生成、雇佣蜂和观察蜂的邻域搜索策略、侦察蜂搜索策略等方面对算法进行了改进，进而通过对不同规模算例的测试来验证所提算法的求解性能．