CN113743566A - 产品拆卸序列优化方法、装置、计算机设备和存储介质 - Google Patents

产品拆卸序列优化方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN113743566A
CN113743566A CN202110942116.7A CN202110942116A CN113743566A CN 113743566 A CN113743566 A CN 113743566A CN 202110942116 A CN202110942116 A CN 202110942116A CN 113743566 A CN113743566 A CN 113743566A
Authority
CN
China
Prior art keywords
sequence
wolf
population
gene sequence
gene
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202110942116.7A
Other languages
English (en)
Inventor
王鹏
张希影
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Wutong Chelian Technology Co Ltd
Original Assignee
Beijing Wutong Chelian Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Wutong Chelian Technology Co Ltd filed Critical Beijing Wutong Chelian Technology Co Ltd
Priority to CN202110942116.7A priority Critical patent/CN113743566A/zh
Publication of CN113743566A publication Critical patent/CN113743566A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/30—Administration of product recycling or disposal
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02W—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO WASTEWATER TREATMENT OR WASTE MANAGEMENT
    • Y02W90/00—Enabling technologies or technologies with a potential or indirect contribution to greenhouse gas [GHG] emissions mitigation

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Operations Research (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Development Economics (AREA)
  • Computing Systems (AREA)
  • Game Theory and Decision Science (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Sustainable Development (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本公开涉及一种产品拆卸序列优化方法、装置、计算机设备和存储介质，方法包括：根据灰狼算法，将待拆卸产品包含的零件生成种群，一个种群包括多只灰狼，不同灰狼具有不同的基因序列且表示待拆卸产品的不同备选方案，每种灰狼的基因序列是由待拆卸产品的所有零件的标识组成的序列，不同基因序列对应于待拆卸产品内零件的拆卸顺序；在种群的当前迭代过程中，基于种群中每只灰狼的基因序列，确定每只灰狼的等级，并对所有等级的灰狼进行基因序列的更新，得到下一次迭代的种群；将迭代过程终止后的种群中最高等级的灰狼的基因序列确定为最优序列，最优序列用于待拆卸产品的拆卸。如此在一定程度上能够抑制局部最优解的发生，有利于找到全局最优序列。

Description

产品拆卸序列优化方法、装置、计算机设备和存储介质
技术领域
本公开涉及优化技术领域，尤其涉及一种产品拆卸序列优化方法、装置、计算机设备和存储介质。
背景技术
随着科学的进步和工业化的迅猛发展，出现了许多高科技的产品，特别是汽车、电子产品等产品，产品更新的速度越来越快，随之产生了很多废旧的产品，如果对这些产品不进行有效的处理，有些产品可能会对环境造成极大的污染，同时也是对资源的极大浪费。
拆卸是实现对废旧产品进行有效处理的关键环节，拆卸序列规划就是在满足零件可行拆卸的前提下，确定合理可行的拆卸序列，并从中选择最优的序列以指导产品的拆卸，达到预期的拆卸目标。
相关技术中，应用于产品拆卸序列的典型方法有：基于图论的方法，基于Petri网的方法，基于面向对象的方法等，然而，这些方法不可避免地会出现局部优化，导致拆卸结果出现不同程度的偏差。
发明内容
本公开实施例提供一种产品拆卸序列优化方法、装置、计算机设备和存储介质。
本公开的技术方案是这样实现的：
第一方面，提供了一种产品拆卸序列优化方法，所述方法包括：
根据灰狼算法，将待拆卸产品包含的零件生成种群，一个所述种群包括多只灰狼，不同所述灰狼具有不同的基因序列且表示所述待拆卸产品的不同备选方案，每只所述灰狼的基因序列是由所述待拆卸产品的所有零件的标识组成的序列，不同所述基因序列对应于所述待拆卸产品内零件的拆卸顺序；
在所述种群的当前迭代过程中，基于所述种群中每只所述灰狼的基因序列，确定每只所述灰狼的等级，并对所有所述等级的灰狼进行基因序列的更新，得到下一次迭代的所述种群；
将迭代过程终止后的所述种群中最高等级的灰狼的基因序列确定为最优序列，其中，所述最优序列，用于所述待拆卸产品的拆卸。
上述方案中，任意一只所述灰狼的基因序列对应的拆卸顺序，均满足所述待拆卸产品中零件之间的拆卸先后顺序的限制条件。
上述方案中，所述在所述种群的当前迭代过程中，基于所述种群中每只所述灰狼的基因序列，确定每只所述灰狼的等级，包括：
基于所述种群中每只所述灰狼的基因序列，确定所述每只所述灰狼的适应度；其中，所述灰狼的适应度，用于评价所述灰狼的优劣程度；
将所述种群中的所有灰狼按照适应度的大小进行排序；
根据排序结果，确定每只所述灰狼的等级。
上述方案中，所述基于所述种群中每只所述灰狼的基因序列，确定所述每只所述灰狼的适应度，包括：
基于每只所述灰狼的基因序列中各零件的标识对应的拆卸影响值，按照适应度函数计算出所述每只所述灰狼的适应度。
上述方案中，所述拆卸影响值是基于所述零件的基本拆卸时间、拆卸方向变化时间和拆卸方法变化时间中的至少一个确定的；
所述拆卸方向变化时间表示由所述零件的上一个零件的拆卸方向变换到所述零件的拆卸方向所花费的时间；
所述拆卸方法变化时间表示由所述零件的上一个零件的拆卸方法变换到所述零件的拆卸方法所花费的时间；
所述拆卸影响值与所述适应度成负相关。
上述方案中，所述对所有所述等级的灰狼进行基因序列的更新，得到下一次迭代的所述种群，包括：
在所有所述等级的灰狼中，确定第一灰狼与第二灰狼；其中，所述第一灰狼的等级高于所述第二灰狼的等级；
从所述第一灰狼的第一基因序列中随机选取目标基因片段；
对所述目标基因片段与所述第二灰狼的第二基因序列中的未包含在所述目标基因片段的基因进行组合，生成新的基因序列；其中，所述目标基因片段在所述第一基因序列中的位置与所述目标基因片段在所述新的基因序列中的位置相同；
基于所述新的基因序列以及所述种群中每只所述灰狼的基因序列，生成下一次迭代的所述种群。
上述方案中，所述从所述第一灰狼的第一基因序列中随机选取目标基因片段，包括：
将在所述第一基因序列中随机确定的位置号作为第一位置号；
确定随机值；其中，所述随机值的最小值为零值，所述随机值的最大值与迭代衰减参数的当前值之间的比值等于预设比值；
对所述第一位置号的数值与所述随机值进行运算，得到第二位置号；
从所述第一基因序列中选取所述第一位置号和所述第二位置号之间的基因片段作为所述目标基因片段。
上述方案中，所述对所述第一位置号的数值与所述随机值进行运算，得到第二位置号，包括：
对所述第一位置号的数值与所述随机值进行随机的加法运算或减法运算，得到所述第二位置号。
上述方案中，所述对所述目标基因片段与所述第二灰狼的第二基因序列中的未包含在所述目标基因片段的基因进行组合，生成新的基因序列，包括：
以所述目标基因片段在所述第一基因序列中的起始位置和结束位置分别作为所述目标基因片段在待生成基因序列中的起始位置和结束位置，将所述目标基因片段添加到所述待生成基因序列中；
将所述第二基因序列中的未包含在所述目标基因片段的剩余基因映射到添加有所述目标基因片段的所述待生成基因序列中，得到所述新的基因序列。
上述方案中，所述将所述第二基因序列中的未包含在所述目标基因片段的剩余基因映射到添加有所述目标基因片段的所述待生成基因序列中，得到所述新的基因序列，包括：
按照所述剩余基因中的各个基因在所述第二基因序列中的位置，将各个所述基因依次顺序映射到添加有所述目标基因片段的所述待生成基因序列中，得到所述新的基因序列。
上述方案中，所述基于所述新的基因序列以及所述种群中每只所述灰狼的基因序列，生成下一次迭代的所述种群，包括：
基于所述待拆卸产品中零件之间的拆卸优先关系，对所述新的基因序列中的基因进行随机变异；
基于所述新的基因序列、随机变异后得到的基因序列以及所述种群，生成下一次迭代的所述种群。
上述方案中，所述基于所述新的基因序列以及所述种群中每只所述灰狼的基因序列，生成下一次迭代的所述种群，包括：
计算具有所述新的基因序列的灰狼与所述种群中的每只灰狼的适应度，并对各所述灰狼按照适应度的大小进行排序；
选取排序结果中适应度排在前预设位的灰狼，生成下一次迭代的所述种群。
上述方案中，当达到预设迭代次数时，所述种群的迭代过程终止。
第二方面，提供了一种产品拆卸序列优化装置，所述装置包括生成模块、迭代模块及确定模块：
所述生成模块，用于根据灰狼算法，将待拆卸产品包含的零件生成种群，一个所述种群包括多只灰狼，不同所述灰狼具有不同的基因序列且表示所述待拆卸产品的不同备选方案，每只所述灰狼的基因序列是由所述待拆卸产品的所有零件的标识组成的序列，不同所述基因序列对应于所述待拆卸产品内零件的拆卸顺序；
所述迭代模块包括确定单元和更新单元：
所述确定单元，用于在所述种群的当前迭代过程中，基于所述种群中每只所述灰狼的基因序列，确定每只所述灰狼的等级；
所述更新单元，用于对所有所述等级的灰狼进行基因序列的更新，得到下一次迭代的所述种群；
所述确定模块，用于将迭代过程终止后的所述种群中最高等级的灰狼的基因序列确定为最优序列，其中，所述最优序列，用于所述待拆卸产品的拆卸。
第三方面，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述第一方面任一所述的产品拆卸序列优化方法的步骤。
第四方面，提供了一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现上述第一方面任一所述的产品拆卸序列优化方法的步骤。
基于本公开实施例提供的产品拆卸序列优化方法、装置、计算机设备和存储介质，通过根据灰狼算法，将待拆卸产品包含的零件生成种群，一个种群包括多只灰狼，不同灰狼具有不同的基因序列且表示待拆卸产品的不同备选方案，每种灰狼的基因序列是由待拆卸产品的所有零件的标识组成的序列，不同基因序列对应于待拆卸产品内零件的拆卸顺序；在种群的当前迭代过程中，基于种群中每只灰狼的基因序列，确定每只灰狼的等级，并对所有等级的灰狼进行基因序列的更新，得到下一次迭代的种群；将迭代过程终止后的种群中最高等级的灰狼的基因序列确定为最优序列，其中，最优序列，用于待拆卸产品的拆卸。如此，通过结合灰狼算法全局收敛的优点，将其应用于产品拆卸序列的优化，在一定程度上能够抑制局部最优解的发生，有利于找到全局最优的用于拆卸待拆卸产品的序列，降低拆卸结果出现的偏差，从而利用该最优序列进行指导废旧产品的拆卸，能够实现对废旧产品的有效处理，降低拆卸后的零件的报废率，并降低废旧产品对环境的危害。
附图说明
图1为本公开实施例提供的产品拆卸序列优化方法的流程示意图；
图2为本公开实施例提供的种群中灰狼等级确定的流程示意图；
图3为本公开实施例提供的种群中灰狼基因序列更新的流程示意图；
图4为本公开实施例提供的随机选取目标基因片段的流程示意图；
图5为本公开实施例提供的生成新的基因序列的流程示意图；
图6为本公开实施例提供的生成下一次迭代的种群的一个流程示意图；
图7为本公开实施例提供的生成下一次迭代的种群的另一个流程示意图；
图8a为本公开实施例提供的零件之间的优先关系的示意图；
图8b为本公开实施例提供的采用加法运算生成新解的过程示意图；
图8c为本公开实施例提供的采用减法运算生成新解的过程示意图；
图9为本公开实施例提供的产品拆卸序列优化装置的结构示意图；
图10为本公开实施例提供的计算机设备的硬件结构示意图。
具体实施方式
为使本公开的目的、技术方案和优点更加清楚明白，下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。基于本公开中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互任意组合。在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行。并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
需要说明的是，除非上下文明确要求，否则整个说明书和权利要求书中的“包括”、“包含”等类似词语应当解释为包含的含义而不是排他或穷举的含义；也就是说，是“包括但不限于”的含义。
此外，在本公开的描述中，需要理解的是，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。此外，在本公开的描述中，除非另有说明，“多个”的含义是两个或两个以上。
灰狼算法(Grey Wolf Optimization Algorithm,GWO)一种基于群体智能的方法，可以非常接近于实时解，并且在很大程度上能够求得适应值更高的解，通过模拟大自然灰狼捕食的过程，将灰狼的等级分为四种，最高等级的灰狼定义为α狼，第二等级的灰狼定义为β狼，第三等级的灰狼定义为δ狼，其余的为ω狼。每次捕猎时α狼、β狼、δ狼带领着ω狼进行捕猎，这就导致灰狼的位置出现变化，此时根据灰狼的位置重新定义α狼、β狼、δ狼、ω狼，最后的α狼就是要求的近似最优解。GWO算法具有结构简单、需要调节的参数少，容易实现等特点，其中存在能够自适应调整的收敛因子以及信息反馈机制，能够在局部寻优与全局搜索之间实现平衡，因此在对问题的求解精度和收敛速度方面都有良好的性能。
由上，本公开实施例提供一种产品拆卸序列优化方法、装置、计算机设备和存储介质，通过将灰狼算法应用于产品拆卸序列的优化，在一定程度上能够抑制局部最优解的发生，有利于找到全局最优的用于拆卸待拆卸产品的序列，从而利用该最优序列进行指导废旧产品的拆卸，能够实现对废旧产品的有效处理，降低废旧产品对环境的危害。
本公开实施例提供的产品拆卸序列优化方法可以应用于待拆卸产品的拆卸，该待拆卸产品可以包括但不限于电子产品、机械设备产品等。拆卸是对待拆卸产品的基本单元逐个分离的操作过程。作为示例，待拆卸产品的基本单元可以是零件，但在某些情况下，例如，零件预先装配成合件、组件或部件时，待拆卸产品的基本单元也可以是合件、组件或部件。
图1为本公开实施例提供的产品拆卸序列优化方法的流程示意图，该方法可以由产品拆卸序列优化装置执行，该装置可以采用软件和/或硬件的方式实现，并可部署在任意的具有计算能力的电子设备上，电子设备包括但不限于各种终端和服务器。参见图1，该方法可以包括以下步骤：
101，根据灰狼算法，将待拆卸产品包含的零件生成种群，一个种群包括多只灰狼，不同灰狼具有不同的基因序列且表示待拆卸产品的不同备选方案，每只灰狼的基因序列是由待拆卸产品的所有零件的标识组成的序列，不同基因序列对应于待拆卸产品内零件的拆卸顺序。
具体地，以零件作为构成待拆卸产品的基本单元，生成多个由待拆卸产品内的所有零件的标识组成的序列，不同序列对应不同的待拆卸产品内零件的拆卸顺序。根据灰狼算法，将该多个序列分别作为多只灰狼的基因序列，初始化生成灰狼种群。一只灰狼的基因序列中基因的位置排序用来表示待拆卸产品内零件的一种拆卸顺序。
其中，待拆卸产品内的零件的标识可以是零件编号。例如，待拆卸产品由n个零件构成，零件编号可以依次是1至n，n为正整数。
其中，上述灰狼算法可以采用标准灰狼优化算法或者改进的灰狼优化算法。
在一个示例中，由待拆卸产品的所有零件的标识组成的序列可以通过如下随机生成方式生成，包括：
以1到n分别作为所有零件的标识，其中n为待拆卸产品内的零件总数量；首先定义一个数组，在1到n之间产生第一个随机数，然后将产生的第一随机数放到数组的第一个位置；接着在1到n之间再产生第二个随机数，如果和已产生的第一个随机数重复，则重新产生，直到不重复为止。根据零件间的拆卸先后顺序，确定第二个随机数是否排序在第一随机数之前，若是，则将第一个随机数移动至数组的第二个位置，并将第二随机数放到数组的第一个位置，若否，则将第二随机数放到数组的第二个位置；依次类推，直到数组的所有位置都填满位置，这样就产生一个由待拆卸产品的所有零件的标识组成的序列。
采用上述随机生成方式，继续生成第二个由待拆卸产品的所有零件的标识组成的序列，直至生成的序列数量达到预设数量时，即得到多个由待拆卸产品内的所有零件的标识组成的序列。其中，该预设数量可以根据实际需要进行设定，例如将预设数量设为等于待拆卸产品的零件总数量，当然，本实施例并不局限于此。
本实施例中，通过随机生成多个由待拆卸产品的所有零件的标识组成的序列，能够增加种群的多样性，从而有利于提高全局最优解的质量。
可以理解的是，由待拆卸产品的所有零件的标识组成的序列除上述方式生成之外，还可以采用其它方式生成，例如，通过人工方式确定的多个不同的待拆卸产品内零件的拆卸顺序，生成多个由待拆卸产品的所有零件的标识组成的序列，但本公开实施例不限于此。
102，在种群的当前迭代过程中，基于种群中每只灰狼的基因序列，确定每只灰狼的等级，并对所有等级的灰狼进行基因序列的更新，得到下一次迭代的种群。
其中，灰狼在种群中的等级从高至低排列依次为：α狼、β狼、δ狼和ω狼。最高等级的灰狼标记为α狼，第二等级的灰狼标记为β狼，第三等级的灰狼标记为δ狼，剩下的灰狼标记为ω狼。不同等级的灰狼在种群中的位置不同，不同等级的灰狼具有的基因序列不同。
这里，可以将灰狼的基因序列理解为该灰狼在种群中的位置，每只灰狼代表一个可行性解。灰狼的等级通常可以基于灰狼的适应度的优劣进行确定，通过计算种群每只灰狼的适应度，对种群中适应度最优的三只灰狼依次标记为α狼、β狼、δ狼，剩下的灰狼标记为ω狼。通过对种群进行迭代优化，当满足迭代终止条件后，输出的α狼则是全局最优解。
具体地，基于每只灰狼的基因序列，按照适应度函数计算每只灰狼的适应度；根据适应度值确定种群中的每只灰狼的等级；基于每只灰狼的等级，对所有等级的灰狼进行基因序列的更新，下一次迭代的种群；确定是否满足迭代终止条件，如果不满足，则继续迭代，直至满足迭代终止条件。
103，将迭代过程终止后的种群中最高等级的灰狼的基因序列确定为最优序列，其中，最优序列，用于待拆卸产品的拆卸。
具体地，当满足迭代终止条件时，种群的迭代过程终止；针对迭代过程终止后的种群，基于该种群中每只灰狼的基因序列，计算每只灰狼的适应度，根据适应度值确定该种群中的每只灰狼的等级，选取出最高等级的灰狼，将该最高等级的灰狼的基因序列确定为用于待拆卸产品的拆卸的最优序列。
上述产品拆卸序列优化方法中，通过根据灰狼算法，将待拆卸产品包含的零件生成种群，一个种群包括多只灰狼，不同灰狼具有不同的基因序列且表示待拆卸产品的不同备选方案，每种灰狼的基因序列是由待拆卸产品的所有零件的标识组成的序列，不同基因序列对应于待拆卸产品内零件的拆卸顺序；在种群的当前迭代过程中，基于种群中每只灰狼的基因序列，确定每只灰狼的等级，并对所有等级的灰狼进行基因序列的更新，得到下一次迭代的种群；将迭代过程终止后的种群中最高等级的灰狼的基因序列确定为最优序列，其中，最优序列，用于待拆卸产品的拆卸。如此，通过结合灰狼算法全局收敛的优点，将其应用于产品拆卸序列的优化，在一定程度上能够抑制局部最优解的发生，降低拆卸结果出现的偏差，有利于找到全局最优的用于拆卸待拆卸产品的序列，降低拆卸结果出现的偏差，从而可以利用该最优序列指导废旧产品的拆卸，实现对废旧产品的有效处理，降低废旧产品对环境的危害。
在一个实施例中，任意一只灰狼的基因序列对应的拆卸顺序，均满足待拆卸产品中零件之间的拆卸先后顺序的限制条件。
在实际应用中，待拆卸产品的零件的拆卸可能有一定限制，例如某些零件必须先于该产品的其他零件进行拆卸，相应地，任一灰狼的基因序列对应的拆卸顺序需要满足待拆卸产品中零件之间的拆卸先后顺序。其中，零件之间的拆卸先后顺序可以基于待拆卸产品拆卸过程中零件间联接的优先关系来确定。
示例性地，假如待拆卸产品中的零件A、B和C，零件A与零件B联接的优先关系在零件B与零件C联接的优先关系之前，那么，零件A、B和C的拆卸先后顺序则为：先拆卸零件A，再拆卸零件B，然后拆卸零件C。
本实施例中，将待拆卸产品中零件之间的拆卸优先关系作为任意一只灰狼的基因序列对应的拆卸顺序的限制条件，这样能够有效抑制产品拆卸的盲目性，有利于提高产品的再利用率，减少资源浪费。
在一个实施例中，如图2所示，上述步骤102中，在种群的当前迭代过程中，基于种群中每只灰狼的基因序列，确定每只灰狼的等级，可以包括：
201，基于种群中每只灰狼的基因序列，确定每只灰狼的适应度；其中，灰狼的适应度用于评价灰狼的优劣程度。
在一个示例中，步骤201的实现过程可以包括：
基于每只灰狼的基因序列中各零件的标识对应的拆卸影响值，按照适应度函数计算出每只灰狼的适应度。
其中，适应度函数是用来对种群中灰狼的适应度进行度量的函数。适应度函数是根据产品拆卸序列的优化目标进行确定的，产品拆卸序列的优化目标可以是：拆卸方向的改变次数最少、拆卸时间最小以及拆卸成本最小，等等。其中，拆卸影响值指的是对产品拆卸序列的优化目标起到影响作用的参数值。可以理解的是，产品拆卸序列的优化目标不同时，零件的拆卸影响值不同。
具体地，对每只灰狼的基因序列中各零件的标识对应的拆卸影响值进行求和，按照适应度函数基于求和结果，计算出每只灰狼的适应度。
在一个示例中，拆卸影响值是基于零件的基本拆卸时间、拆卸方向变化时间和拆卸方法变化时间中的至少一个确定的；拆卸方向变化时间表示由零件的上一个零件的拆卸方向变换到零件的拆卸方向所花费的时间；拆卸方法变化时间表示由零件的上一个零件的拆卸方法变换到零件的拆卸方法所花费的时间；拆卸影响值与适应度成负相关。
这里，零件的拆卸方向是指该零件在六个方向之一上进行拆卸，包括：±x，±y，±z；零件的拆卸方法有两种：破坏性拆卸(D)和非破坏性拆卸(N)，各个零件的拆卸完全独立，即：拆卸当前的零件不会破坏前一个或下一个零件。
本实施例中，通过基于零件的基本拆卸时间、拆卸方向变化时间和拆卸方法变化时间中的至少一个，确定零件的拆卸影响值，进而基于零件的拆卸影响值，按照适应度函数计算出每只灰狼的适应度，这样，种群中适应度最优的灰狼的基因序列，即是适应度最大的灰狼的基因序列，也就是拆卸时间最小的最优序列，从而可以利用该最优序列来指导待拆卸产品的拆卸，能够减少拆卸时间，提高产品的拆卸效率。
202，将种群中的所有灰狼按照适应度的大小进行排序。
本实施例中，可以采用简单选择排序算法对种群中的所有灰狼按照适应度的优劣进行排序。在灰狼的适应度的排序过程中，通过简单选择排序算法可以使得所需调整的适应度的次数比较少，从而减少算法计算开销；另外，当种群中的所有灰狼的适应度已经是有序的时候，则完全不需要对所有灰狼的适应度进行顺序上的调整，从而能够极大地提高排序的效率。
203，根据排序结果，确定每只灰狼的等级。
具体地，根据排序结果，确定出具有最优适应度的灰狼、具有次优适应度的灰狼以及具有第三优适应度的灰狼，分别标记为α狼、β狼、δ狼，排序结果中剩下的灰狼标记为ω狼。
可以理解的是，当拆卸影响值与适应度成负相关时，排序结果中适应度越大的灰狼的等级越高。
本实施例中，通过确定出种群中的灰狼的等级，后续可以基于灰狼的等级进行捕猎，逐渐向猎物逼近，直至完成狩猎，即搜索得到最优解。
在一个实施例中，如图3所示，上述步骤102中，对所有等级的灰狼进行基因序列的更新，得到下一次迭代的种群，可以包括：
301，在所有等级的灰狼中，确定第一灰狼与第二灰狼；其中，第一灰狼的等级高于第二灰狼的等级。
具体地，在所有等级的灰狼中，当以α狼作为第一灰狼时，将β狼、δ狼和ω狼分别确定为第二灰狼；当以β狼作为第一灰狼时，将δ狼和ω狼分别确定为第二灰狼；当以δ狼作为第一灰狼时，将ω狼确定为第二灰狼。
302，从第一灰狼的第一基因序列中随机选取目标基因片段。
具体地，以在第一基因序列中随机确定的位置作为目标基因片段的起始位置或结束位置，并以基于与迭代次数有关的随机值确定的位置作为目标基因片段的结束位置或起始位置，从第一基因序列中选取目标基因片段。
303，对目标基因片段与第二灰狼的第二基因序列中的未包含在目标基因片段的基因进行组合，生成新的基因序列；其中，目标基因片段在第一基因序列中的位置与目标基因片段在新的基因序列中的位置相同。
具体地，按零件间的拆卸优先顺序，对目标基因片段与第二灰狼的第二基因序列中的未包含在目标基因片段的基因进行组合，生成新的基因序列。
本实施例中，通过从等级较高的第一灰狼的基因序列中随机选取目标基因序列片段，并对该基因序列片段与对等级较低的第一灰狼的基因序列中未包含在目标基因序列片段的基因进行组合，生成新的基因序列，不但确保了等级较高的灰狼的基因信息能够进一步被利用，而且还可以加强算法的全局探索能力。
304，基于新的基因序列以及种群中每只灰狼的基因序列，生成下一次迭代的种群。
具体地，将具有新的基因序列的灰狼加入到当前迭代的种群中，得到下一次迭代的种群。
本实施例中，通过对第一灰狼的第一基因序列中随机选取的目标基因片段与第二灰狼的第二基因序列中的未包含在目标基因片段的基因进行组合，生成新的基因序列，这样使得算法在整个迭代优化过程中能够显示出更多的随机行为，能够使算法容易逃离局部最优解；另外，通过基于新的基因序列以及种群中每只灰狼的基因序列，生成下一次迭代的种群，这样能够提高种群的多样性，从而能够提高算法的全局搜索能力，使得全局最优解的质量得到大大提高，即能够得到最优序列以指导产品的拆卸。
此外，为了使算法更容易逃离局部最优解，更能有利于找到全局最优的用于拆卸待拆卸产品的序列。本公开实施例将通过改进灰狼位置更新方式来改进灰狼算法。
在一个实施例中，如图4所示，上述步骤302中，从第一灰狼的第一基因序列中随机选取目标基因片段，可以包括：
401，将在第一基因序列中随机确定的位置号作为第一位置号。
这里，位置号可以用于标识基因在基因序列中的位置。随机确定的位置号可以是第一基因序列中的任意一个位置的位置号。
示例性地，若基因序列的序列长度为n，即：待拆卸产品的零件总数量为n时，则该基因序列上的第i个位置的位置号可以表示为i-1，其中，1≤i≤n，n为正整数。
本实施例中，将在第一基因序列中随机确定的位置号作为第一位置号，这样可以以第一位置号对应的位置为起始位置或结束位置，从第一基因序列中选取目标基因片段。
402，确定随机值，其中，随机值的最小值为零值，随机值的最大值与迭代衰减参数的当前值之间的比值等于预设比值。
其中，迭代衰减参数与迭代次数有关，且随着迭代次数的增加而衰减。
在一个示例中，可以通过如下计算得到迭代衰减参数的当前值：
a＝n-n(Ic/Im)；
其中，a为迭代衰减参数的当前值，Ic为当前迭代次数，Im为最大迭代次数，n为待拆卸产品的零件总数量。可以理解的是，迭代衰减参数的当前值大于0且小于n。
其中，上述预设比值大于0且小于1，可以根据实际需要进行设定预设比值。示例性地，可以将预设比值设定为0.5，即随机值的最大值与迭代衰减参数的当前值之间的比值为0.5。
403，对第一位置号的数值与随机值进行运算，得到第二位置号。
在一个示例中，步骤403的实现过程可以包括：
对第一位置号的数值与随机值进行随机的加法运算或减法运算，得到第二位置号。
其中，对第一位置号的数值与随机值进行随机的加法运算，得到第二位置号，可以包括：
若第一位置号的数值与随机值的和值不大于第一基因序列的最大位置号，则以第一位置号的数值与随机值的和值作为第二位置号；否则，则以第一基因序列的最大位置号作为第二位置号。
其中，对第一位置号的数值与随机值进行随机的减法运算，得到第二位置号，可以包括：
若第一位置号的数值与随机值的差值不小于零值，则以第一位置号的数值与随机值的差值作为第二位置号；否则，则以第一位置号的数值与随机值的差值的绝对值作为第二位置号。
可以理解的是，除上述方式实现对第一位置号的数值与随机值进行运算，得到第二位置号之外，还可以采用其他方式实现，例如，对第一位置号的数值与随机值进行线性运算。又例如，直接将随机值作为第二位置号，等等，但本公开实施例不限于此。
404，从第一基因序列中选取第一位置号和第二位置号之间的基因片段作为目标基因片段。
具体地，若第一位置号小于第二位置号，则以第一位置号作为目标基因片段的起始位置的位置号，以第二位置号作为目标基因片段的结束位置的位置号，从第一基因序列中选取目标基因片段；若第一位置号不小于第二位置号，则以第二位置号作为目标基因片段的起始位置的位置号，以第一位置号作为目标基因片段的结束位置的位置号，从第一基因序列中选取目标基因片段。
本实施例中，通过将在第一基因序列中随机确定的位置号作为第一位置号，以及确定与迭代衰减参数的随机值，并对第一位置号的数值与随机值进行随机的加法运算或减法运算，得到第二位置号，从第一基因序列中选取第一位置号和第二位置号之间的基因片段作为目标基因片段，这样通过改进灰狼位置更新方式，使得改进的灰狼算法在整个迭代优化过程中能够显示出更多的随机行为，从而使得改进的灰狼算法更容易逃离局部最优解，进而更能有利于找到全局最优的用于拆卸待拆卸产品的序列；另外，通过随机的加法操作和减法操作能够进一步控制算法的收敛速度，同时也使得改进的灰狼算法能够实现双向搜索，进一步地抑制局部最优解的发生，从而进一步提高了算法的全局搜索能力，极大地丰富了种群的多样性，这样能够进一步提高全局最优解的质量，即找到全局最优的用于拆卸待拆卸产品的序列。
在一个实施例中，如图5所示，上述步骤303中，对目标基因片段与第二灰狼的第二基因序列中的未包含在目标基因片段的基因进行组合，生成新的基因序列，可以包括：
501，以目标基因片段在第一基因序列中的起始位置和结束位置分别作为目标基因片段在待生成基因序列中的起始位置和结束位置，将目标基因片段添加到待生成基因序列中。
502，将第二基因序列中的未包含在目标基因片段的剩余基因映射到添加有目标基因片段的待生成基因序列中，得到新的基因序列。
具体地，根据零件之间的拆卸先后顺序，将第二基因序列中的未包含在目标基因片段的剩余基因映射到添加有目标基因片段的待生成基因序列中，得到新的基因序列。
在一个示例中，步骤502的实现过程可以包括：
按照剩余基因中的各个基因在第二基因序列中的位置，将各个基因依次顺序映射到添加有目标基因片段的待生成基因序列中，得到新的基因序列。
本实施例中，目标基因片段在第一基因序列中的位置与目标基因片段在新的基因序列中的位置相同，而第二基因序列中未包含在目标基因片段中的基因是按照各基因在第二基因序列中的位置依次顺序映射到新的基因序列中，如此能够充分挖掘出等级较高的第一灰狼以及等级较低的第二灰狼的基因位置信息，并在此基础上生成新的基因序列，能够提高种群中灰狼的多样性，抑制出现局部优化，提高了算法的全局搜索能力，有利于找到最优序列以指导产品的拆卸。
在一个实施例中，如图6所示，上述步骤304中，基于新的基因序列以及种群中每只灰狼的基因序列，生成下一次迭代的种群，可以包括：
601，基于待拆卸产品中零件之间的拆卸优先关系，对新的基因序列中的基因进行随机变异。
具体地，基于待拆卸产品中零件之间的拆卸优先关系，对新的基因序列中的不同基因进行位置交换，得到随机变异后得到的基因序列。
602，基于新的基因序列、随机变异后得到的基因序列以及种群，生成下一次迭代的种群。
具体地，可以将具有新的基因序列的灰狼、具有随机变异后得到的基因序列的灰狼加入到种群中，生成下一次迭代的种群。
本实施例中，通过对新的基因序列中的基因进行随机变异，这样能够进一步提高种群中灰狼的多样性，进一步地抑制出现局部优化，提高了算法的全局搜索能力，更有利于找到最优序列以指导产品的拆卸。
在一个实施例中，为了减少算法计算开销，提高全局最优解的搜索效率，步骤602的实现过程进一步还可以包括：
在将具有新的基因序列的灰狼、具有随机变异后得到的基因序列的灰狼加入到种群中之后，按照适应度函数对种群中的各灰狼进行适应度的计算，并对各灰狼的适应度的优劣进行排序，选取排序结果中适应度排在前预设位的灰狼形成下一次迭代的种群。
在一个实施例中，如图7所示，上述步骤304中，基于新的基因序列以及种群中每只灰狼的基因序列，生成下一次迭代的种群，可以包括：
701，计算具有新的基因序列的灰狼与种群中的每只灰狼的适应度，并对各灰狼按照适应度的大小进行排序。
具体地，基于具有新的基因序列的灰狼以及种群中的每只灰狼的基因序列中各零件的标识对应的拆卸影响值，按照适应度函数计算出各灰狼的适应度；采用简单选择排序算法，对各灰狼的适应度的优劣进行排序，得到排序结果。
702，选取排序结果中适应度排在前预设位的灰狼，生成下一次迭代的种群。
其中，前预设位可以根据实际需要进行设定，例如选取排序结果中适应度值排在前n位的灰狼作为下一次迭代的种群的灰狼，其中，n可以取值为待拆卸产品的零件总数量，但本公开实施例不限于此。
本实施例中，通过计算具有新的基因序列的灰狼与种群中的每只灰狼的适应度，并从适应度排序结果中选取排序结果中适应度排在前预设位的灰狼作为下一次迭代的种群的灰狼，这样能够使得下一次迭代的种群的灰狼是适应度较优的灰狼；另外，也使得下一次迭代的种群的灰狼保持在一定数量，从而能够减少算法计算开销，提高全局最优解的搜索效率。
在一个实施例中，当达到预设迭代次数时，种群的迭代过程终止。
其中，预设迭代次数可以用于作为种群迭代过程的终止条件。当种群的迭代过程终止时，则此时种群中的等级最高的灰狼的基因序列即是最优序列。
可以理解的是，还可以采用其他方式作为种群迭代过程的终止条件，例如，终止条件可以是：连续预设次数迭代的种群中所有灰狼的适应度平均值之间的差值小于预设差值，预设次数可以根据实际需要进行设定，比如取值为2或3。又例如，终止条件可以是：种群中的所有灰狼的适应度之间的方差小于预设方差阈值，等等，但本公开实施例不限于此。
接下来，以汽车产品作为待拆卸产品为例，结合图8a至图8c进一步对本公开实施例提供的产品拆卸序列优化方法进行说明。
1、问题描述
例如，挑选某汽车产品的13个零件，每个零件的拆卸都与拆卸方向、拆卸方法相关。13个零件的索引范围从1到13，用集合{1，2，3，…，13}表示。某些零件必须先于其他零件处理，例如零件1和2必须先于任何其他零件拆卸，零件3必须先于零件4、5、7之前拆卸，零件5在零件9、10、12之前拆卸，零件8在零件6、11、13之前拆卸，零件之间的优先关系如图8a所示。每个零件还必须在六个方向之一拆卸：±x，±y，±z，以及每个零件都有两种拆卸方法，分别是破坏性拆卸(D)和非破坏性拆卸(N)，且拆卸完全独立，拆卸当前的零件不会破坏前一个或下一个零件。在本实施例中只考虑完全拆卸，即把所有的零件都拆下来。
图8a为本实施例提供的零件之间的优先关系的示意图。如图8a所示，方框中的数字表示零件编号，方框中的带有“+”符号或“-”符号的字母表示零件的拆卸方向，例如，零件编号为1的零件，其拆卸方向为“-x”表示该零件在x轴的负方向上拆卸。
示例性地，假设序列seq中的各零件标识按位置顺序依次为：1、2、3、4、5、6、7、8、9、10、11、12、13，确定出序列seq中各零件的标识对应的拆卸影响值可以参见表1所示。
表1：序列seq中各零件的标识对应的拆卸影响值
Figure BDA0003215482760000191
表1中的三行数据分别代表零件j在序列seq中的拆卸时间、按序列seq拆卸零件j的方向变化时间、按序列seq拆卸零件j的方法变化时间。
其中，上述方向变化时间可以根据拆卸方向的变化进行预先设定，例如，拆卸方向从-x变换到+x的时间为2，从+x变换到+x的时间为0。上述方法变化时间可以根据拆卸方法的变化进行预先设定，例如，拆卸方法从D变换到D的时间为0，从D变换到N的时间为1。
对一个序列中的各个零件的基本拆卸时间、拆卸方向变化时间和拆卸方法变化时间进行累加，得到总拆卸时间，例如可以采用如下的累计时间函数得到总拆卸时间：
Figure BDA0003215482760000192
通过F＝C-Tseq，其中F为适应度，C为一个可调整的常数，这样就使得拆卸时间最小转变成适应度最大，但C需要满足总是大于T。
在本实施例中，产品拆卸序列的优化目标是将产品的总拆卸时间最小化，即适应度最大化。
2、初始解的生成
初始解的生成策略：以1到n分别作为所有零件的标识，其中n为待拆卸产品内的零件总数量；首先定义一个数组，在1到n之间产生第一个随机数，然后将产生的第一随机数放到数组的第一个位置；接着在1到n之间再产生第二个随机数，如果和已产生的第一个随机数重复，则重新产生，直到不重复为止；根据零件间的拆卸先后顺序，确定第二个随机数是否排序在第一随机数之前，若是，则将第一个随机数移动至数组的第二个位置，并将第二随机数放到数组的第一个位置，若否，则将第二随机数放到数组的第二个位置；依次类推，直到数组的所有位置都填满位置，这样就产生一个初始解，即由待拆卸产品的所有零件的标识组成的序列。以上述初始解的生成策略生成不同的n个序列，每个序列分别作为灰狼的基因序列，初始化形成种群。
3、灰狼等级定义
生成初始种群后，计算出种群中的每只狼的适应度值，然后根据适应函数值进行排序，定义当前最好的三个解分别为α狼、β狼、δ狼，其他的为ω狼。当灰狼由于狩猎位置发生变化时，则重新排序定义α狼、β狼、δ狼。采用简单选择排序算法对种群的适应度值进行排序，简单选择算法可以使灰狼适应值的排序中，所需调整的适应度值比较少，另外当初始种群已经是有序的时候，则完全不需要对种群进行调整，大大地提高了排序的效率。
4、灰狼狩猎机制
灰狼的社会等级定义之后，就开始捕获猎物，也就是搜索最优解。狼的种群首先通过随机搜索来进行探索，然后围绕着当前最好的三种狼进行捕猎，逐渐向猎物逼近。以下公式控制从包围到狩猎的转变：
a＝n-n(Ic/Im)
其中，a为迭代衰减参数的当前值，Ic为当前迭代次数，Im为最大迭代次数，n为待拆卸产品的零件总数量。
继续以前文提到的13个零件为例，针对当前种群中两个不同等级的灰狼，假设该两个不同等级中的灰狼分别为α狼和β狼。这里，以α狼作为高等级灰狼，以β狼作为等级低于α狼的低等级灰狼。
高等级灰狼的基因序列为：2，1，3，4，5，7，8，6，11，13，9，10，12；
低等级灰狼的基因序列为：1，2，8，6，11，3，7，5，13，10，12，4，9。
其中，每只狼的基因序列的位置号区间均为[0，12]。
假设在高等级灰狼的基因序列的位置号区间中随机确定出第一位置号r1为6，该第一位置号r1对应的位置上的基因为零件8。
图8b为本实施例提供的采用加法运算生成新解的过程示意图。如图8b所示，假设在
Figure BDA0003215482760000201
之间随机选取一随机值r2为4，对第一位置号r1与该随机值r2进行随机的加法运算，得到第二位置号，第二位置号等于6与4的和，即第二位置号为10，那么则选取高等级灰狼的基因序列中的第一位置号与第二位置号之间的基因片段作为目标基因片段(在高等级灰狼的基因序列中用深灰色标识)。接着把这个目标基因片段放到新产生的基因序列中，将低等级灰狼的基因序列中未包含在目标基因片段中的剩余基因按位置顺序依次映射到新产生的基因序列中，这样一个新解基因便完成了。
图8c为本实施例提供的采用减法运算生成新解的过程示意图。如图8c所示，假设在
Figure BDA0003215482760000211
之间随机选取一随机值r2为3，对第一位置号r1与该随机值r2进行随机的减法运算，得到第二位置号，第二位置号等于6与3的差值，即第二位置号为3，那么则选取高等级灰狼的基因序列中的第一位置号与第二位置号之间的基因片段作为目标基因片段(在高等级灰狼的基因序列中用深灰色标识)。接着把这个目标基因片段放到新产生的基因序列中，将低等级灰狼的基因序列中未包含在目标基因片段中的剩余基因按位置顺序依次映射到新产生的基因序列中，这样一个新解基因便完成了。
其中，上述采用按顺序依次映射的方法为：把低等级灰狼的基因序列中的剩余基因中的第一个基因映射到新产生的基因序列的第一个位置；依次操作，若遇到不空的基因位置时则跳过，直到所有的空白位置都填满为止。这样一个新解便完成了，即得到新产生的基因序列。
5、随机变异与终止条件
对灰狼的基因序列进行随机变异操作，例如，可以通过随机选择该基因序列中的任意两个基因的位置，并交换这两个基因在新产生的基因序列中的位置来改变原来的解，从而重新产生新的解。当改进的灰狼算法达到最大迭代次数时，执行结束操作，然后输出当前的最优解。
6、优化评价
对改进的灰狼算法(IGWO)与遗传算法(Genetic Algorithm，GA)分别应用于产品拆卸序列的优化进行对比，这两种算法都执行10次，迭代次数均为100代，实验结果如下表2所示。
表2：IGWO与GA的实验结果评价指标对比表
Figure BDA0003215482760000221
在表2中，对IGWO与GA从最佳适应值、最差适应值、平均适应值、标准差以及方差这几个评价指标进行对比，对比结果能够直接表明，改进的灰狼算法的性能明显优于遗传算法，由此采用改进的灰狼算法能够最大程度地实现对废旧汽车产品的有效处理，大大降低这些产品对环境的危害。
图9为本公开实施例提供的产品拆卸序列优化装置的结构示意图，如图9所示，该装置可以包括生成模块901、迭代模块902及确定模块903：
生成模块901，用于根据灰狼算法，将待拆卸产品包含的零件生成种群，一个种群包括多只灰狼，不同灰狼具有不同的基因序列且表示待拆卸产品的不同备选方案，每只灰狼的基因序列是由待拆卸产品的所有零件的标识组成的序列，不同基因序列对应于待拆卸产品内零件的拆卸顺序；
迭代模块902包括确定单元和更新单元：
确定单元9021，用于在种群的当前迭代过程中，基于种群中每只灰狼的基因序列，确定每只灰狼的等级；
更新单元9022，用于对所有等级的灰狼进行基因序列的更新，得到下一次迭代的种群；
确定模块903，用于将迭代过程终止后的种群中最高等级的灰狼的基因序列确定为最优序列，其中，最优序列，用于待拆卸产品的拆卸。
在一个实施例中，任意一只灰狼的基因序列对应的拆卸顺序，均满足待拆卸产品中零件之间的拆卸先后顺序的限制条件。
在一个实施例中，确定单元9021包括：
第一确定子单元，用于基于种群中每只灰狼的基因序列，确定每只灰狼的适应度；其中，灰狼的适应度，用于评价灰狼的优劣程度；
排序子单元，用于将种群中的所有灰狼按照适应度的大小进行排序；
第二确定子单元，用于根据排序结果，确定每只灰狼的等级。
在一个实施例中，第一确定子单元具体用于：
基于每只灰狼的基因序列中各零件的标识对应的拆卸影响值，按照适应度函数计算出每只灰狼的适应度。
在一个实施例中，拆卸影响值是基于零件的基本拆卸时间、拆卸方向变化时间和拆卸方法变化时间中的至少一个确定的；拆卸方向变化时间表示由零件的上一个零件的拆卸方向变换到零件的拆卸方向所花费的时间；拆卸方法变化时间表示由零件的上一个零件的拆卸方法变换到零件的拆卸方法所花费的时间；拆卸影响值与适应度成负相关。
在一个实施例中，更新单元9022包括：
第三确定子单元，用于在所有等级的灰狼中，确定第一灰狼与第二灰狼；其中，第一灰狼的等级高于第二灰狼的等级；
选取子单元，用于从第一灰狼的第一基因序列中随机选取目标基因片段；
组合子单元，用于对目标基因片段与第二灰狼的第二基因序列中的未包含在目标基因片段的基因进行组合，生成新的基因序列；其中，目标基因片段在第一基因序列中的位置与目标基因片段在新的基因序列中的位置相同；
生成子单元，用于基于新的基因序列以及种群中每只灰狼的基因序列，生成下一次迭代的种群。
在一个实施例中，选取子单元具体用于：
将在第一基因序列中随机确定的位置号作为第一位置号；
确定随机值；其中，随机值的最小值为零值，随机值的最大值与迭代衰减参数的当前值之间的比值等于预设比值；
对第一位置号的数值与随机值进行运算，得到第二位置号；
从第一基因序列中选取第一位置号和第二位置号之间的基因片段作为目标基因片段。
在一个实施例中，选取子单元用于对第一位置号的数值与随机值进行运算，得到第二位置号，包括：
对第一位置号的数值与随机值进行随机的加法运算或减法运算，得到第二位置号。
在一个实施例中，组合子单元具体用于：
以目标基因片段在第一基因序列中的起始位置和结束位置分别作为目标基因片段在待生成基因序列中的起始位置和结束位置，将目标基因片段添加到待生成基因序列中；
将第二基因序列中的未包含在目标基因片段的剩余基因映射到添加有目标基因片段的待生成基因序列中，得到新的基因序列。
在一个实施例中，组合子单元用于将第二基因序列中的未包含在目标基因片段的剩余基因映射到添加有目标基因片段的待生成基因序列中，得到新的基因序列，包括：
按照剩余基因中的各个基因在第二基因序列中的位置，将各个基因依次顺序映射到添加有目标基因片段的待生成基因序列中，得到新的基因序列。
在一个实施例中，生成子单元具体用于：
基于待拆卸产品中零件之间的拆卸优先关系，对新的基因序列中的基因进行随机变异；
基于新的基因序列、随机变异后得到的基因序列以及种群，生成下一次迭代的种群。
在一个实施例中，生成子单元具体用于：
计算具有新的基因序列的灰狼与种群中的每只灰狼的适应度，并对各灰狼按照适应度的大小进行排序；
选取排序结果中适应度排在前预设位的灰狼，生成下一次迭代的种群。
在一个实施例中，当达到预设迭代次数时，种群的迭代过程终止。
需要说明的是：上述实施例提供的产品拆卸序列优化装置在执行产品拆卸序列优化方法时，仅以上述各程序模块的划分进行举例说明，实际应用中，可以根据需要而将上述处理分配由不同的程序模块完成，即将装置的内部结构划分成不同的程序模块，以完成以上描述的全部或者部分处理。另外，上述实施例提供的产品拆卸序列优化装置与产品拆卸序列优化方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
本公开实施例还提供一种计算机设备，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现本公开实施例任一所述产品拆卸序列优化方法中的步骤。
图10为本公开实施例的计算机设备的硬件结构示意图，图10所示的计算机设备1000包括：至少一个处理器1001、存储器1002、至少一个网络接口1003。计算机设备1000中的各个组件通过总线系统1004耦合在一起。可理解，总线系统1004用于实现这些组件之间的连接通信。总线系统1004除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见，在图10中将各种总线都标为总线系统1004。
可以理解，存储器1002可以是易失性存储器或非易失性存储器，也可包括易失性和非易失性存储器两者。
本公开实施例中的存储器1002用于存储各种类型的数据以支持计算机设备1000的操作。这些数据的示例包括：用于在计算机设备1000上操作的任何计算机程序，如可执行程序10021，实现本公开实施例方法的程序可以包含在可执行程序10021中。
本公开实施例还提供一种计算机可读存储介质，存储介质上存储有计算机程序，计算机程序被处理器执行时，实现本公开实施例任一所述产品拆卸序列优化方法中的步骤。
需要说明的是，本公开实施例的存储介质可以由任何类型的易失性或非易失性存储设备、或者它们的组合来实现。其中，非易失性存储器可以是只读存储器(ROM，Read OnlyMemory)、可编程只读存储器(PROM，Programmable Read-Only Memory)、可擦除可编程只读存储器(EPROM，Erasable Programmable Read-Only Memory)、电可擦除可编程只读存储器(EEPROM，Electrically Erasable Programmable Read-Only Memory)、磁性随机存取存储器(FRAM，Ferromagnetic Random Access Memory)、快闪存储器(Flash Memory)、磁表面存储器、光盘、或只读光盘(CD-ROM，Compact Disc Read-Only Memory)；磁表面存储器可以是磁盘存储器或磁带存储器。易失性存储器可以是随机存取存储器(RAM，Random AccessMemory)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器(SRAM，Static Random Access Memory)、同步静态随机存取存储器(SSRAM，Synchronous Static Random Access Memory)、动态随机存取存储器(DRAM，Dynamic Random Access Memory)、同步动态随机存取存储器(SDRAM，SynchronousDynamic Random Access Memory)、双倍数据速率同步动态随机存取存储器(DDRSDRAM，Double Data Rate Synchronous Dynamic Random Access Memory)、增强型同步动态随机存取存储器(ESDRAM，Enhanced Synchronous Dynamic Random Access Memory)、同步连接动态随机存取存储器(SLDRAM，SyncLink Dynamic Random Access Memory)、直接内存总线随机存取存储器(DRRAM，Direct Rambus Random Access Memory)。本公开实施例描述的存储介质旨在包括但不限于这些和任意其它适合类型的存储器。
在本公开所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元，即可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外，在本公开各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
或者，本公开上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本公开实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本公开各个实施例方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
本公开所提供的几个方法实施例中所揭露的方法，在不冲突的情况下可以任意组合，得到新的方法实施例。
本公开所提供的几个产品实施例中所揭露的特征，在不冲突的情况下可以任意组合，得到新的产品实施例。
本公开所提供的几个方法或设备实施例中所揭露的特征，在不冲突的情况下可以任意组合，得到新的方法实施例或设备实施例。
以上，仅为本公开的具体实施方式，但本公开的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本公开揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本公开的保护范围之内。因此，本公开的保护范围应以权利要求的保护范围为准。

Claims (16)

1.一种产品拆卸序列优化方法，其特征在于，所述方法包括：
根据灰狼算法，将待拆卸产品包含的零件生成种群，一个所述种群包括多只灰狼，不同所述灰狼具有不同的基因序列且表示所述待拆卸产品的不同备选方案，每只所述灰狼的基因序列是由所述待拆卸产品的所有零件的标识组成的序列，不同所述基因序列对应于所述待拆卸产品内零件的拆卸顺序；
在所述种群的当前迭代过程中，基于所述种群中每只所述灰狼的基因序列，确定每只所述灰狼的等级，并对所有所述等级的灰狼进行基因序列的更新，得到下一次迭代的所述种群；
将迭代过程终止后的所述种群中最高等级的灰狼的基因序列确定为最优序列，其中，所述最优序列，用于所述待拆卸产品的拆卸。
2.根据权利要求1所述的方法，其特征在于，任意一只所述灰狼的基因序列对应的拆卸顺序，均满足所述待拆卸产品中零件之间的拆卸先后顺序的限制条件。
3.根据权利要求1所述的方法，其特征在于，所述在所述种群的当前迭代过程中，基于所述种群中每只所述灰狼的基因序列，确定每只所述灰狼的等级，包括：
基于所述种群中每只所述灰狼的基因序列，确定所述每只所述灰狼的适应度；其中，所述灰狼的适应度，用于评价所述灰狼的优劣程度；
将所述种群中的所有灰狼按照适应度的大小进行排序；
根据排序结果，确定每只所述灰狼的等级。
4.根据权利要求3所述的方法，其特征在于，所述基于所述种群中每只所述灰狼的基因序列，确定所述每只所述灰狼的适应度，包括：
基于每只所述灰狼的基因序列中各零件的标识对应的拆卸影响值，按照适应度函数计算出所述每只所述灰狼的适应度。
5.根据权利要求4所述的方法，其特征在于，
所述拆卸影响值是基于所述零件的基本拆卸时间、拆卸方向变化时间和拆卸方法变化时间中的至少一个确定的；
所述拆卸方向变化时间表示由所述零件的上一个零件的拆卸方向变换到所述零件的拆卸方向所花费的时间；
所述拆卸方法变化时间表示由所述零件的上一个零件的拆卸方法变换到所述零件的拆卸方法所花费的时间；
所述拆卸影响值与所述适应度成负相关。
6.根据权利要求1至5任一所述的方法，其特征在于，所述对所有所述等级的灰狼进行基因序列的更新，得到下一次迭代的所述种群，包括：
在所有所述等级的灰狼中，确定第一灰狼与第二灰狼；其中，所述第一灰狼的等级高于所述第二灰狼的等级；
从所述第一灰狼的第一基因序列中随机选取目标基因片段；
对所述目标基因片段与所述第二灰狼的第二基因序列中的未包含在所述目标基因片段的基因进行组合，生成新的基因序列；其中，所述目标基因片段在所述第一基因序列中的位置与所述目标基因片段在所述新的基因序列中的位置相同；
基于所述新的基因序列以及所述种群中每只所述灰狼的基因序列，生成下一次迭代的所述种群。
7.根据权利要求6所述的方法，其特征在于，所述从所述第一灰狼的第一基因序列中随机选取目标基因片段，包括：
将在所述第一基因序列中随机确定的位置号作为第一位置号；
确定随机值；其中，所述随机值的最小值为零值，所述随机值的最大值与迭代衰减参数的当前值之间的比值等于预设比值；
对所述第一位置号的数值与所述随机值进行运算，得到第二位置号；
从所述第一基因序列中选取所述第一位置号和所述第二位置号之间的基因片段作为所述目标基因片段。
8.根据权利要求7所述的方法，其特征在于，所述对所述第一位置号的数值与所述随机值进行运算，得到第二位置号，包括：
对所述第一位置号的数值与所述随机值进行随机的加法运算或减法运算，得到所述第二位置号。
9.根据权利要求6所述的方法，其特征在于，所述对所述目标基因片段与所述第二灰狼的第二基因序列中的未包含在所述目标基因片段的基因进行组合，生成新的基因序列，包括：
以所述目标基因片段在所述第一基因序列中的起始位置和结束位置分别作为所述目标基因片段在待生成基因序列中的起始位置和结束位置，将所述目标基因片段添加到所述待生成基因序列中；
将所述第二基因序列中的未包含在所述目标基因片段的剩余基因映射到添加有所述目标基因片段的所述待生成基因序列中，得到所述新的基因序列。
10.根据权利要求9所述的方法，其特征在于，所述将所述第二基因序列中的未包含在所述目标基因片段的剩余基因映射到添加有所述目标基因片段的所述待生成基因序列中，得到所述新的基因序列，包括：
按照所述剩余基因中的各个基因在所述第二基因序列中的位置，将各个所述基因依次顺序映射到添加有所述目标基因片段的所述待生成基因序列中，得到所述新的基因序列。
11.根据权利要求6所述的方法，其特征在于，所述基于所述新的基因序列以及所述种群中每只所述灰狼的基因序列，生成下一次迭代的所述种群，包括：
基于所述待拆卸产品中零件之间的拆卸优先关系，对所述新的基因序列中的基因进行随机变异；
基于所述新的基因序列、随机变异后得到的基因序列以及所述种群，生成下一次迭代的所述种群。
12.根据权利要求6所述的方法，其特征在于，所述基于所述新的基因序列以及所述种群中每只所述灰狼的基因序列，生成下一次迭代的所述种群，包括：
计算具有所述新的基因序列的灰狼与所述种群中的每只灰狼的适应度，并对各所述灰狼按照适应度的大小进行排序；
选取排序结果中适应度排在前预设位的灰狼，生成下一次迭代的所述种群。
13.根据权利要求1至5任一所述的方法，其特征在于，当达到预设迭代次数时，所述种群的迭代过程终止。
14.一种产品拆卸序列优化装置，其特征在于，所述装置包括生成模块、迭代模块及确定模块：
所述生成模块，用于根据灰狼算法，将待拆卸产品包含的零件生成种群，一个所述种群包括多只灰狼，不同所述灰狼具有不同的基因序列且表示所述待拆卸产品的不同备选方案，每只所述灰狼的基因序列是由所述待拆卸产品的所有零件的标识组成的序列，不同所述基因序列对应于所述待拆卸产品内零件的拆卸顺序；
所述迭代模块包括确定单元和更新单元：
所述确定单元，用于在所述种群的当前迭代过程中，基于所述种群中每只所述灰狼的基因序列，确定每只所述灰狼的等级；
所述更新单元，用于对所有所述等级的灰狼进行基因序列的更新，得到下一次迭代的所述种群；
所述确定模块，用于将迭代过程终止后的所述种群中最高等级的灰狼的基因序列确定为最优序列，其中，所述最优序列，用于所述待拆卸产品的拆卸。
15.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1至13任一项所述产品拆卸序列优化方法的步骤。
16.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至13任一项所述产品拆卸序列优化方法的步骤。
CN202110942116.7A 2021-08-17 2021-08-17 产品拆卸序列优化方法、装置、计算机设备和存储介质 Pending CN113743566A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110942116.7A CN113743566A (zh) 2021-08-17 2021-08-17 产品拆卸序列优化方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110942116.7A CN113743566A (zh) 2021-08-17 2021-08-17 产品拆卸序列优化方法、装置、计算机设备和存储介质

Publications (1)

Publication Number Publication Date
CN113743566A true CN113743566A (zh) 2021-12-03

Family

ID=78731491

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110942116.7A Pending CN113743566A (zh) 2021-08-17 2021-08-17 产品拆卸序列优化方法、装置、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN113743566A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114936075A (zh) * 2022-04-01 2022-08-23 南京审计大学 一种边缘计算环境下移动审计设备计算任务的卸载方法
CN117728064A (zh) * 2024-02-07 2024-03-19 长沙矿冶研究院有限责任公司 一种退役动力电池拆解工艺的优化方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060026175A1 (en) * 2004-07-28 2006-02-02 Aggarwal Charu C System and method of flexible data reduction for arbitrary applications
CN103164550A (zh) * 2011-12-12 2013-06-19 中国人民解放军第二炮兵工程学院 一种虚拟样机拆卸序列规划方法
CN105975701A (zh) * 2016-05-10 2016-09-28 浙江大学 一种基于混合模糊模型的并行调度拆卸路径生成方法
US20170024708A1 (en) * 2015-07-24 2017-01-26 National Tsing Hua University Product disassembling method with disassembling sequence optimization and non-transitory computer readable medium thereof
CN109858739A (zh) * 2018-12-20 2019-06-07 电子科技大学中山学院 物流运输调度方法、计算机存储介质及电子设备
CN109993270A (zh) * 2019-03-27 2019-07-09 东北大学 基于灰狼群优化lstm网络的锂离子电池剩余寿命预测方法
CN110543953A (zh) * 2019-08-30 2019-12-06 西南交通大学 基于狼群算法的空间约束下多目标拆卸线设置方法
CN110826775A (zh) * 2019-10-23 2020-02-21 武汉理工大学 一种用于减速器的并行拆卸序列规划方法及系统

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060026175A1 (en) * 2004-07-28 2006-02-02 Aggarwal Charu C System and method of flexible data reduction for arbitrary applications
CN103164550A (zh) * 2011-12-12 2013-06-19 中国人民解放军第二炮兵工程学院 一种虚拟样机拆卸序列规划方法
US20170024708A1 (en) * 2015-07-24 2017-01-26 National Tsing Hua University Product disassembling method with disassembling sequence optimization and non-transitory computer readable medium thereof
CN105975701A (zh) * 2016-05-10 2016-09-28 浙江大学 一种基于混合模糊模型的并行调度拆卸路径生成方法
CN109858739A (zh) * 2018-12-20 2019-06-07 电子科技大学中山学院 物流运输调度方法、计算机存储介质及电子设备
CN109993270A (zh) * 2019-03-27 2019-07-09 东北大学 基于灰狼群优化lstm网络的锂离子电池剩余寿命预测方法
CN110543953A (zh) * 2019-08-30 2019-12-06 西南交通大学 基于狼群算法的空间约束下多目标拆卸线设置方法
CN110826775A (zh) * 2019-10-23 2020-02-21 武汉理工大学 一种用于减速器的并行拆卸序列规划方法及系统

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114936075A (zh) * 2022-04-01 2022-08-23 南京审计大学 一种边缘计算环境下移动审计设备计算任务的卸载方法
CN114936075B (zh) * 2022-04-01 2023-02-14 南京审计大学 一种边缘计算环境下移动审计设备计算任务的卸载方法
CN117728064A (zh) * 2024-02-07 2024-03-19 长沙矿冶研究院有限责任公司 一种退役动力电池拆解工艺的优化方法
CN117728064B (zh) * 2024-02-07 2024-04-30 长沙矿冶研究院有限责任公司 一种退役动力电池拆解工艺的优化方法

Similar Documents

Publication Publication Date Title
CN109886589B (zh) 一种基于改进鲸鱼优化算法求解低碳车间调度的方法
CN108053119B (zh) 一种求解零等待流水车间调度问题的改进粒子群优化方法
CN109902873A (zh) 一种基于改进型鲸鱼算法的云制造资源配置的方法
CN113743566A (zh) 产品拆卸序列优化方法、装置、计算机设备和存储介质
Lo et al. A genetic algorithm with new local operators for multiple traveling salesman problems
CN109886588A (zh) 一种基于改进鲸鱼算法求解柔性作业车间调度的方法
CN111079780B (zh) 空间图卷积网络的训练方法、电子设备及存储介质
JP5954750B2 (ja) 情報処理装置、情報処理方法、及びプログラム
CN112700060B (zh) 站所终端负荷预测方法和预测装置
CN109740113B (zh) 超参数阈值范围确定方法、装置、存储介质及电子设备
CN110766090B (zh) 一种模型训练方法、装置、设备、系统及存储介质
CN110530373B (zh) 一种机器人路径规划方法、控制器及系统
CN110738362A (zh) 一种基于改进的多元宇宙算法构建预测模型的方法
CN111008685A (zh) 基于生产者依概率反向再生机制的改进人工生态系统优化算法
CN111343259B (zh) 基于二进制编码的云任务调度方法、服务器及存储介质
CN114662638A (zh) 基于改进人工蜂群算法的移动机器人路径规划方法
JP7137074B2 (ja) 最適化計算方法、最適化計算装置及び最適化計算プログラム
CN114648232A (zh) 基于改进黑猩猩优化算法的云端化资源柔性作业调度方法
CN113516163B (zh) 基于网络剪枝的车辆分类模型压缩方法、装置及存储介质
CN107516020B (zh) 序列位点重要度的确定方法、装置、设备及存储介质
CN115529350A (zh) 参数优化方法、装置、电子设备和可读存储介质
CN115310709A (zh) 一种基于粒子群算法的电力工程项目信息优化方法
CN112906308B (zh) 一种天线罩辐射特性快速预示方法、设备及存储介质
CN113205185A (zh) 网络模型优化方法、装置、计算机设备和存储介质
CN108921354A (zh) 一种基于粒子群优化的蚁群算法求解tsp问题的方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination