CN114996968B - 一种车门混流装配线平衡规划方法 - Google Patents

Abstract

本发明提供一种车门混流装配线平衡规划方法，包括：获取车门混流装配线的多个作业任务中的预设的信息数据；根据信息数据通过职业性重复行为评价分析方法计算出人机工程学风险值；根据信息数据、人机工程学风险值以及车门混流装配线的设计要求和约束条件建立用于实现最少工位数和最少人机工程学风险值的线平衡多目标优化数学模型；采用预设的优化算法对线平衡多目标优化数学模型进行计算，并计算得出多个线平衡规划方案结果，优化算法包括迭代贪婪算法和多目标优化算法；根据预设的目标在多个线平衡规划方案结果中选择出最优的线平衡规划方案。与相关技术相比，本发明的车门混流装配线平衡规划方法的人机工程学风险低且效率高。

Description

一种车门混流装配线平衡规划方法

技术领域

本发明涉及汽车装配线规划技术领域，尤其涉及一种车门混流装配线平衡规划方法。

背景技术

近年来，新能源汽车总装车间中的车门装配线属于典型的人工装配线，机器化程度低，主要依靠人工来完成车门的装配过程。在上述的车门装配线中，某些作业任务的人机工程学风险(人因风险)高，例如某些零件装配过程不仅需要按压操作或尴尬的作业姿势，工人还被要求以相对较高的频率使用上肢重复执行作业动作，这些可能容易导致肌肉骨骼疾病。此外，工作场所的人机工程学风险不仅对工人的健康和生活质量造成很大损害，还会影响装配生产线的效率和装配产品的质量，同时还会降低工厂的经济效益。目前，有些国家已经在国家的层面上制定了具体立法，要求工厂在设计阶段必须参考ISO 11228-3国际标准规范考虑人因风险，尤其是对于具有高频重复作业动作的人工装配线。

目前,工厂一方面主要还是依靠人工对车门装配线进行线平衡规划，存在效率低，并容易出现错误情况等缺点。另一方面，上述的车门装配线属于混流生产线，待分配的作业任务高达200个，而且某些作业任务要求必须分配在同一个工位，有些作业任务则不能由分配到同一工位，这些都会大大增大产线设计人员进行线平衡规划的难度，导致设计人员工作量大，难以在较短的时间内给出较好的线平衡规划方案。另外，产线设计人员在进行生产线线平衡规划时，由于难以对作业任务的人机工程学风险进行量化评估，在规划每个工位并分配作业任务过程时，往往会依靠个人的经验进行估计，甚至忽略人机工程学风险。这不仅容易出现较大的评估误差，而且容易导致某些工位上的作业人员具有较高的人因风险。此外，产线设计人员在进行线平衡规划时，希望减少产线的人员配置数量来减少投资，但工人更关心自己的健康，要求具有较低的人机工程学风险。而且装配生产线的工位数量和人机工程学风险最小化通常是相互矛盾的目标，即较少工位的装配生产线中可能会导致较高人机工程学风险，反之亦然。然而目前产线设计人员往往仅考虑减少产线的人员配置数量这一目标，导致难以给出全局更优的线平衡规划方案。

因此，实有必要提供一种新的方法解决上述问题。

发明内容

针对以上现有技术的不足，本发明提出一种人机工程学风险低且效率高的车门混流装配线平衡规划方法。

为了解决上述技术问题，本发明实施例提供了一种车门混流装配线平衡规划方法，该方法包括如下步骤：

步骤S1、获取车门混流装配线的多个作业任务中的预设的信息数据，所述信息数据包括所述车门混流装配线的工位数；

步骤S2、根据所述信息数据通过职业性重复行为评价分析方法计算出人机工程学风险值；

步骤S3、根据所述信息数据、所述人机工程学风险值以及所述车门混流装配线的设计要求和约束条件建立用于实现最少所述工位数和最少所述人机工程学风险值的线平衡多目标优化数学模型；

步骤S4、采用预设的优化算法对所述线平衡多目标优化数学模型进行计算，并计算得出多个线平衡规划方案结果，所述优化算法包括迭代贪婪算法和多目标优化算法；

步骤S5、根据预设的目标在多个所述线平衡规划方案结果中选择出最优的线平衡规划方案。

优选的，所述步骤S1中，所述信息数据还包括所述作业任务的标准工时数据、所述作业任务中的姿势指标数据、所述作业任务中的力量指标数据、所述作业任务中的重复性指标数据、所述作业任务中的附加风险指标数据以及多个所述作业任务之间的装配优先级数据、重复性和附加风险等指标数据。

优选的，所述步骤S2中，ActionsN为一个平均生产周期内所述作业任务的次数；CT为所述平均生产周期的时间；RF为频率；所述人机工程学风险值为ER，满足如下公式：

RF＝OSxPMxFOMxRMxADM (2)；

其中，OS为计算参数；PM为所述姿势指标数据的乘法系数；FOM为所述力量指标数据中的一个力倍增强系数；RM为所述重复性指标数据的乘法系数；ADM为所述附加风险指标数据的乘法系数。

优选的，所述步骤S3中，所述线平衡多目标优化数学模型包括决策变量、目标函数以及约束条件；

所述决策变量为x_ik，并满足公式：

所述目标函数包括用于获得最少化的工位数的第一目标函数和用于获得最少化所有工作站中所有工人总的人机工程学风险值的第二目标函数；

所述第一目标函数满足公式：

minK (4)；

所述第二目标函数满足公式：

其中，min为最小化函数；

所述约束条件包括第一约束条件、第二约束条件、第三约束条件、第四约束条件以及第五约束条件；

所述第一约束条件为约束确保每个任务都分配到某个工位中且仅分配其中一个工作站，并满足公式：

所述第二约束条件为约束确保各工位的工作负荷时间在装配车型任何条件下都不能超过平均生产周期时间，并满足公式：

所述第三约束条件为约束确保所有作业任务的装配优先级关系不被违反，并满足公式：

所述第四约束条件为约束确保具有关联关系的作业任务分配到同一工位，并满足公式：

所述第五约束条件为约束确保不兼容的作业任务不被分配到同一工位，并满足公式：

其中，m为装配车型的索引并为正整数；

i为所述作业任务的第一索引并为正整数；

j为所述作业任务的第二索引并为正整数；

N为所述作业任务的总数并为正整数，满足(i＝1…,N)；

K为工位的总数并为正整数，满足(k＝1…,K)；

P为车型种类的数量并为正整数，满足(m＝1…,P)；

t_im为作业任务的标准工时并为正整数；

CT为平均生产周期时间并为正整数；

O为有装配优先级关系的任务对(i,j)集合，这些一对的任务之间存在直接的装配优先关系，任务i必须在任务j之前装配；

ZP为必须分配到同一工位上的任务对集合；

ZN为不能在同一工位上操作的任务对集合。

优选的，所述步骤S4中，包括如下步骤：

步骤S41、基于迭代贪婪算法的局部搜索阶段求解；

步骤S42、基于多目标优化算法的全局搜索阶段求解。

优选的，所述步骤S41包括如下步骤：

步骤S411、将所述工位数根据优先级规则构造初始解；

步骤S412、采用迭代贪婪算法对所述初始解进行局部搜索，再将采用所述迭代贪婪算法中每次迭代过程中产生的最优解组成精英档案库，重复操作直至所述局部搜索完成；

步骤S413、将所述精英档案库中的所有所述最优解进行排序，再根据预设规则选择多个所述最优解组成所述多目标优化算法的初始种群；

所述步骤S42包括如下步骤：

步骤S421、将所述初始种群进行迭代优化求解并产生子代解；

步骤S422、将所述子代解进行预设的适应度进行评估；

步骤S423、进行评估后的所述子代解通过预设的环境选择规则进行环境选择；

步骤S424、将环境选择后的所述子代解判断是否满足停止条件：

若是，则进入步骤S425，若否，则进入步骤S421；

步骤S425、根据所述子代解制成作业任务。

优选的，所述预设规则为选择排序靠前的一半的所述最优解。

优选的，所述步骤S411中，还将所述最大作业任务时间根据优先级规则构造初始解，并采用基于面向站点进行向前编码，再采用作业任务的编号作为平局时最终的决定依据。

优选的，所述步骤S421中，将所述初始种群采用差分进化算子产生子代解。

优选的，所述步骤S42中，通过离散差分进化所述多目标优化算法。

本发明的车门混流装配线平衡规划方法通过步骤S2的通过职业性重复行为评价分析(Occupational Repetitive Actions，简称OCRA)方法量化计算出人机工程学风险值，从而使得所述作业任务的人因风险评估准确；再通过步骤S3的建立用于实现最少所述工位数和最少所述人机工程学风险值的线平衡多目标优化数学模型，并对所述线平衡多目标优化数学模型通过步骤S4的迭代贪婪算法和多目标优化算法进行优化求解，最后通过步骤S5在多个所述线平衡规划方案结果中选择出最优的线平衡规划方案，从而使得本发明的车门混流装配线平衡规划方法人机工程学风险低且效率高。

视图：下面结合附图详细说明本发明。通过结合以下附图所作的详细描述，本发明的上述或其他方面的内容将变得更清楚和更容易理解。附图中：

图1为本发明车门混流装配线平衡规划方法的流程框图；

图2为本发明车门混流装配线平衡规划方法中的步骤S4流程框图；

图3为本发明车门混流装配线平衡规划方法中的步骤S41流程框图；

图4为本发明车门混流装配线平衡规划方法中的步骤S42流程框图；

图5为本发明实施例中的装配生产线作业任务的示意图；

图6为本发明实施例中的离散差分进化多目标优化算法流程图；

图7为本发明实施例中的连续差分进化算子转换成离散差分进化算子示意图。

具体实施方式

下面结合附图详细说明本发明的具体实施方式。

在此记载的具体实施方式/实施例为本发明的特定的具体实施方式，用于说明本发明的构思，均是解释性和示例性的，不应解释为对本发明实施方式及本发明范围的限制。除在此记载的实施例外，本领域技术人员还能够基于本申请权利要求书和说明书所公开的内容采用显而易见的其它技术方案，这些技术方案包括采用对在此记载的实施例的做出任何显而易见的替换和修改的技术方案，都在本发明的保护范围之内。

本发明提供了一种车门混流装配线平衡规划方法。所述车门混流装配线平衡规划方法应用于规划汽车总装车间中的车门装配线的平衡规划方案。本实施例中，所述车门混流装配线平衡规划方法应用于规划新能源汽车总装车间中的车门装配线的平衡规划方案。

请参考图1所示，图1为本发明车门混流装配线平衡规划方法的流程框图。

所述车门混流装配线平衡规划方法包括如下步骤：

步骤S1、获取车门混流装配线的多个作业任务中的预设的信息数据。

其中，所述信息数据包括所述车门混流装配线的工位数、所述作业任务的标准工时数据、所述作业任务中的姿势指标数据、所述作业任务中的力量指标数据、所述作业任务中的重复性指标数据、所述作业任务中的附加风险指标数据以及多个所述作业任务之间的装配优先级数据、重复性和附加风险等指标数据。

步骤S2、根据所述信息数据通过职业性重复行为评价分析方法计算出人机工程学风险值。职业性重复行为评价分析(Occupational Repetitive Actions，简称OCRA)方法计算人机工程学风险值，该方法综合评价了姿势、力量、重复性和附加风险的人体工程学风险因素。

具体的，所述步骤S2中，ActionsN为一个平均生产周期内所述作业任务的次数。CT为所述平均生产周期的时间。RF为频率。所述人机工程学风险值为ER，满足如下公式：

RF＝OSxPMxFOMxRMxADM (2)。

其中，OS为计算参数。PM为所述姿势指标数据的乘法系数。FOM为所述力量指标数据中的一个力倍增强系数。RM为所述重复性指标数据的乘法系数。ADM为所述附加风险指标数据的乘法系数。

步骤S3、根据所述信息数据、所述人机工程学风险值以及所述车门混流装配线的设计要求和约束条件建立用于实现最少所述工位数和最少所述人机工程学风险值的线平衡多目标优化数学模型。

具体的，所述步骤S3中，所述线平衡多目标优化数学模型包括决策变量、目标函数以及约束条件。

所述决策变量为x_ik，并满足公式：

所述目标函数包括用于获得最少化的工位数的第一目标函数和用于获得最少化所有工作站中所有工人总的人机工程学风险值的第二目标函数。

所述第一目标函数满足公式：

minK (4)。

所述第二目标函数满足公式：

其中，min为最小化函数。

所述约束条件包括第一约束条件、第二约束条件、第三约束条件、第四约束条件以及第五约束条件。

所述第一约束条件为约束确保每个任务都分配到某个工位中且仅分配其中一个工作站，并满足公式：

所述第二约束条件为约束确保各工位的工作负荷时间在装配车型任何条件下都不能超过平均生产周期时间，并满足公式：

所述第三约束条件为约束确保所有作业任务的装配优先级关系不被违反，并满足公式：

所述第四约束条件为约束确保具有关联关系的作业任务分配到同一工位，并满足公式：

所述第五约束条件为约束确保不兼容的作业任务不被分配到同一工位，并满足公式：

其中，m为装配车型的索引并为正整数。

i为所述作业任务的第一索引并为正整数。

j为所述作业任务的第二索引并为正整数。

N为所述作业任务的总数并为正整数，满足(i＝1…,N)。

K为工位的总数并为正整数，满足(k＝1…,K)。

P为车型种类的数量并为正整数，满足(m＝1…,P)。

t_im为作业任务的标准工时并为正整数。

CT为平均生产周期时间并为正整数。

O为有装配优先级关系的任务对(i,j)集合，这些一对的任务之间存在直接的装配优先关系，任务i必须在任务j之前装配。

ZP为必须分配到同一工位上的任务对集合。

ZN为不能在同一工位上操作的任务对集合。

步骤S4、采用预设的优化算法对所述线平衡多目标优化数学模型进行计算，并计算得出多个线平衡规划方案结果，所述优化算法包括迭代贪婪算法和多目标优化算法。

请参考图2所示，图2为本发明车门混流装配线平衡规划方法中的步骤S4流程框图。

所述步骤S4中，包括如下步骤：

步骤S41、基于迭代贪婪算法的局部搜索阶段求解。步骤S41只有一个优化目标且为最少化的所述工位数。步骤S41中不考虑人机工程学风险优化目标。

请参考图3所示，图3为本发明车门混流装配线平衡规划方法中的步骤S41流程框图。

所述步骤S41包括如下步骤：

步骤S411、将所述工位数根据优先级规则构造初始解。

步骤S412、采用迭代贪婪算法对所述初始解进行局部搜索，再将采用所述迭代贪婪算法中每次迭代过程中产生的最优解组成精英档案库，重复操作直至所述局部搜索完成。

步骤S413、将所述精英档案库中的所有所述最优解进行排序，再根据预设规则选择多个所述最优解组成所述多目标优化算法的初始种群。

本实施例中，所述预设规则为选择排序靠前的一半的所述最优解。当然，不限于此，使用者可以根据初始种群的数量和计算能力、计算速度进行综合考虑得出一个数量，例如三分之一，四分之一等。

步骤S42、基于多目标优化算法的全局搜索阶段求解。步骤S42具有两个优化目标，即最少化的所述工位数和最少化的所述人机工程学风险。

请参考图4所示，图4为本发明车门混流装配线平衡规划方法中的步骤S42流程框图。

所述步骤S42包括如下步骤：

步骤S421、将所述初始种群进行迭代优化求解并产生子代解。

所述迭代优化求解采用平衡规划方法中常用的求解技术。例如本实施例中将所述初始种群采用差分进化算子产生子代解。

步骤S422、将所述子代解进行预设的适应度进行评估。所述适应度评估采用平衡规划方法中常用的评估方法。

步骤S423、进行评估后的所述子代解通过预设的环境选择规则进行环境选择。所述环境选择采用平衡规划方法中常用的选择方法。

步骤S424、将环境选择后的所述子代解判断是否满足停止条件：

若是，则进入步骤S425，若否，则进入步骤S421。

其中，停止条件可以根据实际需求进行设定，例如数量，计算能力和计算效率等。

步骤S425、根据所述子代解制成作业任务。

其中，所述作业任务为可以产生多个所述线平衡规划方案。

步骤S5、根据预设的目标在多个所述线平衡规划方案结果中选择出最优的线平衡规划方案。

通过上述步骤，本发明的车门混流装配线平衡规划方法既考虑了所述工位数和所述人机工程学风险值，使得本发明的车门混流装配线平衡规划方法人机工程学风险低且效率高。

以下通过一个实施例说明基于优先级规则构造初始解方法。

请参考图5所示，图5为本发明实施例中的装配生产线作业任务的示意图。假设某装配生产线中具有9个作业任务，其各个作业任务的标准工时以及装配优先级关系如图3所示，现要求该装配生产线的平均生产周期CT＝20s。值得注意的是，图5中的装配生产线为混流生产线。本实施例中规定，选择所有装配产品中最大的作业时间作为该作业任务的标准工时，例如任务1中，两款产品的作业时间分别为10和8秒。因此，任务1的标准工时为10秒。所述步骤S411中，还将所述最大作业任务时间(MaxTime)根据优先级规则构造初始解，并采用基于面向站点进行向前编码，再采用作业任务的编号作为平局时最终的决定依据。其中，所述站点为工位。

所述基于优先级规则来构造初始解的具体步骤如下所示：

①1号任务具有3个直接跟随任务{2,7}且当前站点空闲时间为12。由于任务2的时间大于任务7，因此当前任务序列P＝{1,2}。

②当前站点可选择的任务有{3,4,5,6,7}且当前站点空闲时间为2。由于上述任务的作业时间均大于空闲时间，因此选择最大作业时间的任务6，当前任务序列P＝{1,2,6}。

③当前站点可选择的任务有{3,4,5,7}且当前站点空闲时间为10。选择最大作业时间的任务3，这里值得注意的是，由于任务3和任务5作业时间相等，所以选择任务编号小的任务3作为平局时最终的决定依据。当前任务序列P＝{1,2,6,3}。

④当前站点可选择的任务有{4,5,7,8}且当前站点空闲时间为1。由于上述任务的作业时间均大于空闲时间，选择最大作业时间的任务5，当前任务序列P＝{1,2,6,3,5}。

⑤当前站点可选择的任务有{4,7,8}且当前站点空闲时间为11,选择最大作业时间的任务4，当前任务序列P＝{1,2,6,3,5,4}。

⑥当前站点可选择的任务有{7,8}且当前站点空闲时间为4。由于上述任务的作业时间均大于空闲时间，选择最大作业时间的任务7，当前任务序列P＝{1,2,6,3,5,4,7}。

⑦当前站点可选择的任务有{8}且当前站点空闲时间为15，只能选择任务8，当前任务序列P＝{1,2,6,3,5,4,7,8}，那么任务9就分配到最后，根据上述步骤则最终构造出序列为{1,2,6,3,5,4,7,8,9}的初始解。

最后对上述序列采用面向站点方法进行向前解码可得到各站点的任务分配方案，即S1＝{1,2}，S2＝{6,3}，S3＝{5,4}，S4＝{7,8,9}。本次发明设定一个作业人员对应于一个站点(工位)，因此上述的线平衡规划方案的作业工人数量为4人。

本实施例中，所述步骤S42中，通过离散差分进化所述多目标优化算法。

请参考图6所示，图6为本发明实施例中的离散差分进化多目标优化算法流程图。

本实施例中，首先定义两个初始种群，分别为种群1和种群2，并将这两个种群作为父代种群。进一步利用离散的差分进化算子生成各自相应的子代种群。一方面，种群1与这两个子代种群相结合，然后执行环境选择操作选择得出下一代种群并进入下一次迭代。另一方面，种群2同样也与这两个子代种群相结合，然后同样执行环境选择操作选择出下一代种群并进入下一次迭代。上述步骤不断迭代进行，直到算法满足停止条件，并将优化结果输出。值得注意的是，一方面由于种群1在进化优化过程中计算适应度值时不考虑约束条件，因此种群1能更容易得到目标值更好的解，加快了算法的收敛速度。另一方面，种群2在进行环境选择之前会加入种群1产生的子代种群以此来增加种群2的多样性，同样种群1在进行环境选择之前也会加入种群2产生的子代种群以此来增加种群1的多样性。最终使得提出的多目标优化算法更好地平衡收敛性和多样性，使得算法能求出更优的结果。

本实施例中，所述步骤S421中，将所述初始种群采用差分进化算子产生子代解。差分进化算子针对连续优化问题求解，具有很好的全局搜索能力。

本发明在多目标优化算法中采用差分进化算子来产生子代解。但是，由于新能源汽车总装车间中的车门装配线平衡优化问题属于离散优化问题，所以目前的差分进化算子不能直接使用。针对这个问题，本发明提出使用置换群将连续的差分进化算子转换成离散差分进化算子，转换示意图如图7所示。请参考图7所示，图7为本发明实施例中的连续差分进化算子转换成离散差分进化算子示意图。

以及离散差分进化算子如下所示：

其中

假设G是一个群，即一个具有内部操作的集合，记为

它是关联的，假设一个中性元素e，对于每个元素x∈G,

如果G存在有限子集，则说它可以有限生成

每一个x∈G写成系列的元素组合

本发明的车门混流装配线平衡规划方法通过步骤S2的通过职业性重复行为评价分析(Occupational Repetitive Actions，简称OCRA)方法量化计算出人机工程学风险值，从而使得所述作业任务的人因风险评估准确；再通过步骤S3的建立用于实现最少所述工位数和最少所述人机工程学风险值的线平衡多目标优化数学模型，并对所述线平衡多目标优化数学模型通过步骤S4的迭代贪婪算法和多目标优化算法进行优化求解，最后通过步骤S5在多个所述线平衡规划方案结果中选择出最优的线平衡规划方案，从而使得本发明的车门混流装配线平衡规划方法人机工程学风险低且效率高。

Claims (7)

1.一种车门混流装配线平衡规划方法，其特征在于，该方法包括如下步骤：

步骤S1、获取车门混流装配线的多个作业任务中的预设的信息数据，所述信息数据包括所述车门混流装配线的工位数；

步骤S2、根据所述信息数据通过职业性重复行为评价分析方法计算出人机工程学风险值；

步骤S3、根据所述信息数据、所述人机工程学风险值以及所述车门混流装配线的设计要求和约束条件建立用于实现最少所述工位数和最少所述人机工程学风险值的线平衡多目标优化数学模型；

步骤S4、采用预设的优化算法对所述线平衡多目标优化数学模型进行计算，并计算得出多个线平衡规划方案结果，所述优化算法包括迭代贪婪算法和多目标优化算法；

步骤S5、根据预设的目标在多个所述线平衡规划方案结果中选择出最优的线平衡规划方案；

所述步骤S1中，所述信息数据还包括所述作业任务的标准工时数据、所述作业任务中的姿势指标数据、所述作业任务中的力量指标数据、所述作业任务中的重复性指标数据、所述作业任务中的附加风险指标数据以及多个所述作业任务之间的装配优先级数据、重复性和附加风险等指标数据；

所述步骤S2中，ActionsN为一个平均生产周期内所述作业任务的次数；CT为所述平均生产周期的时间；RF为频率；所述人机工程学风险值为ER，满足如下公式：

RF＝OSxPMxFOMxRMxADM (2)；

其中，OS为计算参数；PM为所述姿势指标数据的乘法系数；FOM为所述力量指标数据中的一个力倍增强系数；RM为所述重复性指标数据的乘法系数；ADM为所述附加风险指标数据的乘法系数；

所述步骤S3中，所述线平衡多目标优化数学模型包括决策变量、目标函数以及约束条件；

所述决策变量为x_ik，并满足公式：

所述目标函数包括用于获得最少化的工位数的第一目标函数和用于获得最少化所有工作站中所有工人总的人机工程学风险值的第二目标函数；

所述第一目标函数满足公式：

minK (4)；

所述第二目标函数满足公式：

其中，min为最小化函数；

所述约束条件包括第一约束条件、第二约束条件、第三约束条件、第四约束条件以及第五约束条件；

所述第一约束条件为约束确保每个任务都分配到某个工位中且仅分配其中一个工作站，并满足公式：

所述第二约束条件为约束确保各工位的工作负荷时间在装配车型任何条件下都不能超过平均生产周期时间，并满足公式：

所述第三约束条件为约束确保所有作业任务的装配优先级关系不被违反，并满足公式：

所述第四约束条件为约束确保具有关联关系的作业任务分配到同一工位，并满足公式：

所述第五约束条件为约束确保不兼容的作业任务不被分配到同一工位，并满足公式：

其中，m为装配车型的索引并为正整数；

i为所述作业任务的第一索引并为正整数；

j为所述作业任务的第二索引并为正整数；

N为所述作业任务的总数并为正整数，满足(i＝1…,N)；

K为工位的总数并为正整数，满足(k＝1…,K)；

P为车型种类的数量并为正整数，满足(m＝1…,P)；

t_im为作业任务的标准工时并为正整数；

CT为平均生产周期时间并为正整数；

O为有装配优先级关系的任务对(i,j)集合，这些一对的任务之间存在直接的装配优先关系，任务i必须在任务j之前装配；

ZP为必须分配到同一工位上的任务对集合；

ZN为不能在同一工位上操作的任务对集合。

2.根据权利要求1所述的车门混流装配线平衡规划方法，其特征在于，所述步骤S4中，包括如下步骤：

步骤S41、基于迭代贪婪算法的局部搜索阶段求解；

步骤S42、基于多目标优化算法的全局搜索阶段求解。

3.根据权利要求2所述的车门混流装配线平衡规划方法，其特征在于，所述步骤S41包括如下步骤：

步骤S411、将所述工位数根据优先级规则构造初始解；

步骤S412、采用迭代贪婪算法对所述初始解进行局部搜索，再将采用所述迭代贪婪算法中每次迭代过程中产生的最优解组成精英档案库，重复操作直至所述局部搜索完成；

步骤S413、将所述精英档案库中的所有所述最优解进行排序，再根据预设规则选择多个所述最优解组成所述多目标优化算法的初始种群；

所述步骤S42包括如下步骤：

步骤S421、将所述初始种群进行迭代优化求解并产生子代解；

步骤S422、将所述子代解进行预设的适应度进行评估；

步骤S423、进行评估后的所述子代解通过预设的环境选择规则进行环境选择；

步骤S424、将环境选择后的所述子代解判断是否满足停止条件：

若是，则进入步骤S425，若否，则进入步骤S421；

步骤S425、根据所述子代解制成作业任务。

4.根据权利要求3所述的车门混流装配线平衡规划方法，其特征在于，所述预设规则为选择排序靠前的一半的所述最优解。

5.根据权利要求3所述的车门混流装配线平衡规划方法，其特征在于，所述步骤S411中，还将最大作业任务时间根据优先级规则构造初始解，并采用基于面向站点进行向前编码，再采用作业任务的编号作为平局时最终的决定依据。

6.根据权利要求3所述的车门混流装配线平衡规划方法，其特征在于，所述步骤S421中，将所述初始种群采用差分进化算子产生子代解。

7.根据权利要求2所述的车门混流装配线平衡规划方法，其特征在于，所述步骤S42中，通过离散差分进化所述多目标优化算法。

Images