CN115609593B - 一种多类型机器人人机协同装配调度方法和装置 - Google Patents

一种多类型机器人人机协同装配调度方法和装置 Download PDF

Info

Publication number
CN115609593B
CN115609593B CN202211532911.XA CN202211532911A CN115609593B CN 115609593 B CN115609593 B CN 115609593B CN 202211532911 A CN202211532911 A CN 202211532911A CN 115609593 B CN115609593 B CN 115609593B
Authority
CN
China
Prior art keywords
solution
robot
procedure
solution vector
vector
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.)
Active
Application number
CN202211532911.XA
Other languages
English (en)
Other versions
CN115609593A (zh
Inventor
毛照昉
孙翊庭
黄典
方侃
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.)
Tianjin University
Original Assignee
Tianjin University
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 Tianjin University filed Critical Tianjin University
Priority to CN202211532911.XA priority Critical patent/CN115609593B/zh
Publication of CN115609593A publication Critical patent/CN115609593A/zh
Application granted granted Critical
Publication of CN115609593B publication Critical patent/CN115609593B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Programme-controlled manipulators
    • B25J9/16—Programme controls
    • B25J9/1602—Programme controls characterised by the control system, structure, architecture
    • B25J9/161—Hardware, e.g. neural networks, fuzzy logic, interfaces, processor
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Programme-controlled manipulators
    • B25J9/16—Programme controls
    • B25J9/1656—Programme controls characterised by programming, planning systems for manipulators
    • B25J9/1661—Programme controls characterised by programming, planning systems for manipulators characterised by task planning, object-oriented languages
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06316—Sequencing of tasks or work

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • Mechanical Engineering (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Educational Administration (AREA)
  • Tourism & Hospitality (AREA)
  • Robotics (AREA)
  • Automation & Control Theory (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • General Factory Administration (AREA)

Abstract

本发明涉及管理科学技术领域，特别是指一种多类型机器人人机协同装配调度方法和装置，所述方法包括：S1、将ALBP‑HRC的原有问题分解为三个相互独立的子问题，分别是工序分配子问题、机器人选择与分配子问题和操作方式选择子问题；S2、分别求出三个子问题的初始解决方案，由三个初始解决方案构成ALBP‑HRC的初始解，并采用三个独立的解向量表示所述初始解决方案，所述三个独立的解向量分别是工序分配解向量、机器人分配解向量和操作方式选择解向量；S3、基于改进模拟退火算法框架，对所述初始解进行迭代获取最优方案。采用本发明实现了高效地对多类型机器人人机协同装配调度。

Description

一种多类型机器人人机协同装配调度方法和装置
技术领域
本发明涉及管理科学技术领域，特别是指一种多类型机器人人机协同装配调度方法和装置。
背景技术
装配线是一种以流程为导向的生产系统，被广泛地应用在大批量标准化商品的工业生产中，在小批量定制产品的生产中也具有重要地位，被认为是是产品生产的关键和最后一步，其中，装配线平衡问题 (Assembly line balancing problem, ALBP) 是关键的装配调度问题，其目的是将装配任务合理分配到现有工位上，同时保证工序间的优先关系，以实现减少节拍时间，提高生产效率的目标。随着机器人的引入，工人与机器人之间有着多种配合方式，包括同时执行不同任务，同时协作同一任务等，并且机器人作为一种额外资源如何高效利用也是生产中的关键问题，对于机器人来说，还存在多种类型，包括多种不同类型的不同型号，因此研究多类型机器人人机协同装配调度，尤其其中的一个重要问题，人机协同装配线平衡问题(Assembly line balancing problem with human-robotcollaboration, ALBP-HRC)，有重要理论和实践意义，但是现有技术还很少有这种研究。
发明内容
本发明提供了一种多类型机器人人机协同装配调度方法和装置，用以实现对多类型机器人人机协同装配调度。所述技术方案如下：
一方面，提供了一种多类型机器人人机协同装配调度方法，所述方法包括：
S1、将人机协同装配线平衡问题 ALBP-HRC的原有问题分解为三个子问题，分别是工序分配子问题、机器人选择与分配子问题和操作方式选择子问题；
S2、分别求出三个子问题的初始解决方案，由三个初始解决方案构成ALBP-HRC的初始解，并采用三个独立的解向量表示所述初始解决方案，所述三个独立的解向量分别是工序分配解向量、机器人分配解向量和操作方式选择解向量；
S3、基于改进模拟退火算法框架，对所述初始解进行迭代获取最优方案。
可选地，对所述工序分配子问题求出初始解决方案，并采用所述工序分配解向量表示所述工序分配子问题的初始解决方案，具体包括：
生成一个1×（n+m-1）长度的空列表，其中n代表工序数，m代表工位数；
默认当前工位处于第一个工位，计算一个阈值，将其作为是否停止向所述当前工位分配工序的标准，计算方式是将所述工位上所有工序的人工操作时间求和，再除以工位数求得的平均时间，作为所述阈值；
创建一个动态变化的当前可分配工序列表，所述当前可分配工序列表里的工序，是没有前驱工序或者前驱工序已经分配完成的工序；
在所述当前可分配工序列表中随机选择一个工序，计算所述工序与所述当前工位上已经分配的工序的人工操作时间之和，如果没有超过所述阈值，将所述工序的编号填入列表，如果超过了阈值，则填入0，代表分隔工位，之后再填入所述工序的编号，代表在下一个工位中分配所述工序；
当分配至最后一个工位时，将所有剩余任务都分配至所述最后一个工位；
最终，得到所述工序分配解向量为1×（n+m-1）的解向量，解向量的元素由m-1个0，和1到n的整数组成，每一个整数出现一次，共n个整数，其中1到n的整数代表工序，0的作用是分隔两个工位，解向量从左到右表示工序的操作顺序，也表示工位的顺序。
可选地，对所述机器人选择与分配子问题求出初始解决方案，并采用所述机器人分配解向量表示所述机器人选择与分配子问题的初始解决方案，具体包括：
创建1×m长度的空列表，m代表工位数，随机选择0到r之间的整数，其中r表示机器人型号的数量，填入列表，生成所述机器人分配解向量，所述机器人分配解向量的元素由0到r的整数表示，第i个元素表示工位i的机器人分配状态，0表示工位i没有分配机器人，整数表示工位i分配的机器人型号是所述整数。
可选地，对所述操作方式选择子问题求出初始解决方案，并采用所述操作方式选择解向量表示所述操作方式选择子问题的解决方案，具体包括：
根据生成的所述工序分配解向量和所述机器人分配解向量，确定了每个工位分配的工序和机器人，
在满足工序间优先关系的情况下，分析工位中各工序的前驱工序情况，计算各工序的理论操作开始时间，所述理论操作开始时间等于当前工序的所有前驱工序完成时间的最大值；
按照工序分配解向量中工序的顺序，对于每个工序，分别计算其可行操作方式的完成时间，选择完成时间最短的操作方式，所述可行操作方式的完成时间等于所述可行操作方式的操作开始时间和所述可行操作方式的操作时间之和，其中所述操作开始时间为各工序理论操作开始时间和各工序操作资源空闲时间的最大值；
每个工序的可行操作方式是每个工序能够使用的操作方式，包括以下至少一种：人工操作、机器人操作和人机协同操作，对于同一个工序来说，可行操作方式是已知的参数，每种可行操作方式对应的操作时间不同，也是已知的参数；
以所述操作方式选择解向量表示选择的操作方式，所述操作方式选择解向量采用1×n的解向量进行表示，n代表工序数，第i个元素表示工序i的操作方式。
可选地，所述S3，具体包括：
S31、确定初始温度
Figure SMS_1
，终止温度
Figure SMS_2
，降温速率
Figure SMS_3
，当前温度的最大迭代次数
Figure SMS_4
，令当前温度
Figure SMS_5
等于初始温度
Figure SMS_6
；
S32、对于前面生成的初始解
Figure SMS_7
，计算目标函数值
Figure SMS_8
；
S33、将所述初始解
Figure SMS_9
赋予当前解和全局最优解；
S34、在所述当前温度进行迭代，每次迭代采用邻域算子对邻域组合进行搜索，获 得新解
Figure SMS_10
，计算目标函数值
Figure SMS_11
；
S35、比较
Figure SMS_12
和
Figure SMS_13
的值，如果
Figure SMS_14
，则接受新解，并将新解作为当前解； 反之，则以
Figure SMS_15
的概率接受新解，如果新解
Figure SMS_16
优于全局最优解，则更 新全局最优解为
Figure SMS_17
；
S36、在所述当前温度进行迭代，重复S34和S35，直到迭代次数达到最大迭代次数
Figure SMS_18
，更新当前温度
Figure SMS_19
，在新的当前温度进行新的迭代；
S37、直到当前温度达到终止温度
Figure SMS_20
，算法终止，输出全局最优解作为最终的最优 解。
可选地，通过将不同的解向量组合在一起，得到7种不同的所述邻域组合，其中规模最大的是由三个解向量组成的邻域组合，最小的是一个解向量的邻域组合；
所述邻域算子包括以下至少一种：交换算子、插入算子和变异算子；
其中所述交换算子作用于所述工序分配解向量和所述机器人分配解向量，在进行所述工序分配解向量交换操作时，随机选择所述工序分配解向量中两个元素，检验交换后是否满足工序优先关系，如果满足则交换，如果不满足则重新随机选择交换元素，直到满足为止；在进行所述机器人分配解向量交换操作时，随机选择所述机器人分配解向量中两个元素，进行交换；
所述插入算子作用于所述工序分配解向量和所述机器人分配解向量，在进行所述工序分配解向量插入操作时，随机选择所述工序分配解向量中的一个元素，将所述元素提取出来，随机选择剩余解向量中的一个位置，检验插入所述元素后是否满足工序优先关系，如果不满足则随机寻找下一个位置，直到满足为止；在进行所述机器人分配解向量插入操作时，随机选择所述机器人分配解向量中的一个元素，将所述元素提取出来，随机选择剩余解向量中的一个位置插入；
所述变异算子作用于所述操作方式分配解向量，随机选择所述操作方式分配解向量中的一个元素，在所述元素对应的工序的可行操作列表中随机选择一个值，替换掉所述元素。
可选地，所述基于改进模拟退火算法框架，对所述初始解进行迭代获取最优方案的过程中，所述每次迭代采用邻域算子对邻域组合进行搜索，具体包括：
开始在最大邻域组合进行搜索，当降温次数达到第一预设次数，当前解仍没有改进时，采用变邻域搜索方式进行搜索；
所述变邻域搜索方式包括：
将所述邻域组合由小到大排列，在每个邻域组合内，为不同算子
Figure SMS_26
设置权重
Figure SMS_24
，权重初始化为相同数值；记录每个算子的使用次数
Figure SMS_36
，通过算子的表现为算子赋 予分数，每个算子的分数
Figure SMS_29
初始值为0，当使用所述算子更新了全局最优解，为分数
Figure SMS_33
加
Figure SMS_27
；当使用所述算子更新了当前解，为分数
Figure SMS_34
加
Figure SMS_25
；当使用所述算子没有 更新当前解，为分数
Figure SMS_32
加
Figure SMS_21
，其中，
Figure SMS_30
，
Figure SMS_22
和
Figure SMS_31
是自定义的参数，
Figure SMS_28
，每生成第二预设次数新解，更新一次权重，
Figure SMS_35
，其中
Figure SMS_23
为自定义参数；当降温第三预设次数没有更新当前解，则选择更大邻域组合，扩大搜索范 围，若更新当前解，则回到最小邻域组合，重复迭代过程。
另一方面，还提供一种多类型机器人人机协同装配调度装置，所述装置包括：
分解模块，用于将人机协同装配线平衡问题 ALBP-HRC的原有问题分解为三个相互独立的子问题，分别是工序分配子问题、机器人选择与分配子问题和操作方式选择子问题；
求解表示模块，用于分别求出三个子问题的初始解决方案，由三个初始解决方案构成ALBP-HRC的初始解，并采用三个独立的解向量表示所述初始解决方案，所述三个独立的解向量分别是工序分配解向量、机器人分配解向量和操作方式选择解向量；
迭代模块，用于基于改进模拟退火算法框架，对所述初始解进行迭代获取最优方案。
另一方面，提供了一种电子设备，所述电子设备包括处理器和存储器，所述存储器中存储有至少一条指令，所述至少一条指令由所述处理器加载并执行以实现上述多类型机器人人机协同装配调度方法。
另一方面，提供了一种计算机可读存储介质，所述存储介质中存储有至少一条指令，所述至少一条指令由处理器加载并执行以实现上述多类型机器人人机协同装配调度方法。
本发明提供的技术方案带来的有益效果至少包括：
本发明实现了高效的对多类型机器人人机协同装配调度，有助于填补当前多类型机器人人机协同装配线问题求解方法较少的空白，不仅可以高效解决大规模算例，同时不依赖于算例本身，具有良好的适用性。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种多类型机器人人机协同装配调度方法流程图；
图2是传统人工装配线与人机协同装配线的工作示意图；
图3是本发明实施例的工序分配解向量示意图；
图4是本发明实施例的机器人分配解向量示意图；
图5是本发明实施例的操作方式选择解向量示意图；
图6是本发明实施例的交换算子示意图；
图7是本发明实施例的插入算子示意图；
图8是本发明实施例的变异算子示意图；
图9是本发明实施例提供的一种多类型机器人人机协同装配调度装置框图；
图10是本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。
如图1所示，本发明实施例提供了一种多类型机器人人机协同装配调度方法，所述方法包括：
S1、将人机协同装配线平衡问题 ALBP-HRC的原有问题分解为三个子问题，分别是工序分配子问题、机器人选择与分配子问题和操作方式选择子问题；
S2、分别求出三个子问题的初始解决方案，由三个初始解决方案构成ALBP-HRC的初始解，并采用三个独立的解向量表示所述初始解决方案，所述三个独立的解向量分别是工序分配解向量、机器人分配解向量和操作方式选择解向量；
S3、基于改进模拟退火算法框架，对所述初始解进行迭代获取最优方案。
下面结合图2，详细说明本发明实施例提供的一种多类型机器人人机协同装配调度方法。
如图2中(a)所示，传统人工装配线由工人完成产品工件的装配任务，工件一般通过传送带依次在装配线各工位上开展装配。工件的装配过程可分解为众多细分装配工序，工序间具有先后关系约束，工人在一个节拍时间内通常会完成多个工序。节拍时间：流水线上，连续完成两个产品之间的间隔时间。人工装配线平衡问题研究的重点是如何将各个工序合理分配到各个工位上，以及确定各个工序的操作开始时间，并且在满足工序先后关系等约束条件下，优化目标，比如最小化节拍时间。
在人机协同装配线中，如图2中(b)所示，机器人被引入到装配线的相应工位中开展装配工作。机器人可以独立完成装配工序，其效率低于工人，即机器人完成同一个工序所需时间多于工人。机器人也可以和工人协同装配同一个工序，协同装配时间少于工人单独装配所需的时间。在人机协同装配线中，每个工位都必须有工人，可以有机器人，或者没有机器人，在有机器人的工位上，某些工序可能不能够由机器人操作，因此，不同的工序可能由人工操作、机器人操作或者人机协同操作，每个工序的可行操作方式是每个工序能够使用的操作方式，包括以下至少一种：人工操作、机器人操作和人机协同操作，对于同一个工序来说，可行操作方式是已知的参数，每种可行操作方式的操作时间不同，也是已知的参数，其中，机器人操作的操作时间最长，人工操作方式的操作时间次之，人机协同操作方式的操作时间最短；另外，机器人可能有多种类型，每种类型又有不同的型号，不同型号的机器人的机器人操作，或者不同型号机器人的人机协同操作对于同一工序的可操作性可能是不同的，相应的操作时间也可能是不同的。所以，对于多类型机器人人机协同装配调度问题不仅需要分配工序，还需要在多种类型下的不同型号选择机器人并分配机器人、确定各个工序的操作方式，增加了问题的复杂性。
本发明实施例以最小化节拍时间为优化目标，求解多类型机器人人机协同装配调度问题，所述节拍时间：流水线上，连续完成两个产品之间的间隔时间，等于各个工位完工时间的最大值。同时，由于传统的装配线平衡问题已经是NP-困难问题，多类型机器人人机协同装配线平衡问题也是NP-困难问题，直接求解难度较大。
本发明实施例提供的一种多类型机器人人机协同装配调度方法，所述方法包括：
S1、将人机协同装配线平衡问题 ALBP-HRC的原有问题分解为三个子问题，分别是工序分配子问题、机器人选择与分配子问题和操作方式选择子问题；
因为最终要得到的方案就是确定每个工序所在的工位和工序间的操作顺序，每个工位分配的机器人，以及工序的操作方式，根据这个把问题分为三个子问题，就是工序分配子问题、机器人选择与分配子问题和操作方式选择子问题。
S2、分别求出所述三个子问题的初始解决方案，由三个初始解决方案构成ALBP-HRC的初始解，并采用三个独立的解向量表示所述初始解决方案，所述三个独立的解向量分别是工序分配解向量、机器人分配解向量和操作方式选择解向量；
可选地，对于工序分配子问题，需要解决的问题是工序的操作顺序以及将工序分配在哪个工位上，由于工序之间具有优先关系，为了保证初始解决方案的可行性，在生成初始解决方案的过程中不能破坏工序间的优先关系，因此对所述工序分配子问题求出初始解决方案，并采用所述工序分配解向量表示所述工序分配子问题的初始解决方案，具体包括：
生成一个1×（n+m-1）长度的空列表，其中n代表工序数，m代表工位数；
默认当前工位处于第一个工位，计算一个阈值，将其作为是否停止向所述当前工位分配工序的标准，计算方式是将所述工位上所有工序的人工操作时间求和，再除以工位数求得的平均时间，作为所述阈值；
创建一个动态变化的当前可分配工序列表，所述当前可分配工序列表里的工序，是没有前驱工序或者前驱工序已经分配完成的工序；
因为随着各个前驱工序的逐渐完成，所以，当前可分配工序列表所述是动态变化的。
在所述当前可分配工序列表中随机选择一个工序，计算所述工序与所述当前工位上已经分配的工序的人工操作时间之和，如果没有超过所述阈值，将所述工序的编号填入列表，如果超过了阈值，则填入0，代表分隔工位，之后再填入所述工序的编号，代表在下一个工位中分配所述工序；
当分配至最后一个工位时，将所有剩余任务都分配至所述最后一个工位；
最终，得到所述工序分配解向量为1×（n+m-1）的解向量，解向量的元素由m-1个0，和1到n的整数组成，每一个整数出现一次，共n个整数，其中1到n的整数代表工序，0的作用是分隔两个工位，解向量从左到右表示工序的操作顺序，也表示工位的顺序。
如图3所示的工序分配解向量，工序2、1、3分配到工位1；工序7、4、5分配到工位2，工序8、9、10分配到工位3，中间的0是分隔两个工位。
可选地，对于机器人选择与分配问题，要解决的是选择某种型号的机器人，并将其分配至工位上，因此对所述机器人选择与分配子问题求出初始解决方案，并采用所述机器人分配解向量表示所述机器人选择与分配子问题的初始解决方案，具体包括：
创建1×m长度的空列表，m代表工位数，随机选择0到r之间的整数，其中r表示机器人型号的数量，填入列表，生成所述机器人分配解向量，所述机器人分配解向量的元素由0到r的整数表示，第i个元素表示工位i的机器人分配状态，0表示工位i没有分配机器人，整数表示工位i分配的机器人型号是所述整数。
如图4所示的机器人分配解向量，工位1分配机器人2，工位2没有分配机器人，工位3分配机器人3，工位4分配机器人4。
可选地，对于操作方式选择子问题，要解决的是对于工位中分配好的工序，要采用哪种可行操作方式，因此对所述操作方式选择子问题求出初始解决方案，并采用所述操作方式选择解向量表示所述操作方式选择子问题的解决方案，具体包括：
根据生成的所述工序分配解向量和所述机器人分配解向量，确定了每个工位分配的工序和机器人，
在满足工序间优先关系的情况下，分析工位中各工序的前驱工序情况，计算各工序的理论操作开始时间，所述理论操作开始时间等于当前工序的所有前驱工序完成时间的最大值；
按照工序分配解向量中工序的顺序，对于每个工序，分别计算其可行操作方式的完成时间，选择完成时间最短的操作方式，所述可行操作方式的完成时间等于所述可行操作方式的操作开始时间和所述可行操作方式的操作时间之和，其中所述操作开始时间为各工序理论操作开始时间和各工序操作资源空闲时间的最大值；
每个工序的可行操作方式是每个工序能够使用的操作方式，包括以下至少一种：人工操作、机器人操作和人机协同操作，对于同一个工序来说，可行操作方式是已知的参数，每种可行操作方式的操作时间不同，也是已知的参数，且机器人操作的操作时间最长，人工操作次之，人机协同操作方式的操作时间最短。
下面举例说明本发明实施例的对所述操作方式选择子问题求出初始解决方案：
在一个工位内假设有工序1，工序2，按照操作顺序为每一个工序选择操作方式，比较工序1的可行操作方式，操作方式总共为人工操作、机器人操作和人机协同操作三种操作方式，但是因为并不是所有工序都能够由机器人或者人机协同来做，或者只能由某些型号的机器人或者人机协同来做，所以，每个工序都有可行操作方式，每个工序的可行操作方式是每个工序能够使用的操作方式，每个工序的可行操作方式是已知的参数，每个可行操作时间的操作时间也是已知的参数，且机器人操作的操作时间最长，人工操作次之，人机协同操作方式的操作时间最短，假设工序1可行操作方式为人工操作、机器人操作，选择操作时间最短的那种，人工操作的操作时间短于机器人操作的操作时间，此时工序1的操作方式确定为人工操作；接下来分配工序2的操作方式，假设其可行操作方式为人工操作、机器人操作和人机协同操作三种操作方式，在工序1操作方式为人工操作的前提下，如果工序2选择人工操作，因为这个工位只有这一个工人，这个工人必须等工序1完工，才能开始工序2，则这个可行操作方式的完成时间是工序1和工序2的人工操作时间之和，如果工序2选择机器人操作方式，因为这个工位的人工和机器人可以并行操作，工序2的机器人操作不需要等工序1的人工操作完工，则这个可行操作方式的完成时间是工序1人工操作时间和工序2机器人操作时间中的最大值，如果工序2选择人机协同操作，也要等工人完成工序1，则这个可行操作方式的完成时间是工序1人工操作时间和工序2人机协同操作时间之和，然后比较这三种操作方式的完成时间，选择完成时间最短的一种操作方式，作为工序2的操作方式。
以所述操作方式选择解向量表示选择的操作方式，所述操作方式选择解向量采用1×n的解向量进行表示，n代表工序数，第i个元素表示工序i的操作方式。
可选地，解向量中元素由0、1，2组成，当然也可以由其他数字或字母组成，元素可以重复出现，第i个元素表示工序i的操作方式，其中0表示人工操作，1表示机器人操作，2表示人机协同操作。
如图5所示的操作方式选择解向量，第1个工序采用工人操作，第2个工序采用机器人操作，第3个工序采用人机协同操作，第4个工序采用人机协同操作，第5个工序采用人工操作，第6个工序采用人工操作，第7个工序采用机器人操作，第8个工序采用人工操作，第9个工序采用人工操作。
S3、基于改进模拟退火算法框架，对所述初始解进行迭代获取最优方案。
可选地，所述S3，具体包括：
S31、确定初始温度
Figure SMS_37
，终止温度
Figure SMS_38
，降温速率
Figure SMS_39
，当前温度的最大迭代次数
Figure SMS_40
，令当前温度
Figure SMS_41
等于初始温度
Figure SMS_42
；
S32、对于前面生成的初始解
Figure SMS_43
，计算目标函数值
Figure SMS_44
；
S33、将所述初始解赋予当前解和全局最优解；
S34、在所述当前温度进行迭代，每次迭代采用邻域算子对邻域组合进行搜索，获 得新解
Figure SMS_45
，计算目标函数值
Figure SMS_46
；
S35、比较
Figure SMS_47
和
Figure SMS_48
的值，如果
Figure SMS_49
，则接受新解，并将新解作为当前解； 反之，则以
Figure SMS_50
的概率接受新解，如果新解
Figure SMS_51
优于全局最优解，则更 新全局最优解为
Figure SMS_52
；
S36、在所述当前温度进行迭代，重复S34和S35，直到迭代次数达到最大迭代次数
Figure SMS_53
，更新当前温度
Figure SMS_54
，在新的当前温度进行新的迭代；
S37、直到当前温度达到终止温度
Figure SMS_55
，算法终止，输出全局最优解作为最终的最优 解。
可选地，所述目标函数值即为装配线节拍时间，节拍时间即为装配线各工位完成时间中的最大值。
所述各工位完成时间的计算方法为：
根据所述工序分配解向量、所述机器人分配解向量和所述操作方式选择解向量，可以得出每一个工位内的工序排序情况，机器人分配情况以及操作方式选择情况，在没有分配机器人的工位内，工位完成时间即为工位内所有工序人工操作时间之和；
对于分配机器人的工位，依照工序的排列顺序，分析当前工序的前驱工序情况，计算当前工序的理论操作开始时间，其中理论操作开始时间为当前工序的前驱工序完成时间的最大值；
再根据工序选择的操作方式，计算选择的操作方式的完成时间，所述选择的操作方式的完成时间等于所述选择的操作方式的操作开始时间和所述选择的操作方式的操作时间之和，其中所述操作开始时间为该工序理论操作开始时间和该工序操作资源空闲时间的最大值；
工位内全部工序完成时间的最大值即为该工位的完成时间。
可选地，通过将不同的解向量组合在一起，得到7种不同的所述邻域组合，其中规模最大的是由三个解向量组成的邻域组合，最小的是一个解向量的邻域组合；
所述邻域算子包括以下至少一种：交换算子、插入算子和变异算子；
其中所述交换算子作用于所述工序分配解向量和所述机器人分配解向量，在进行所述工序分配解向量交换操作时，随机选择所述工序分配解向量中两个元素，检验交换后是否满足工序优先关系，如果满足则交换，如果不满足则重新随机选择交换元素，直到满足为止；在进行所述机器人分配解向量交换操作时，随机选择所述机器人分配解向量中两个元素，进行交换；
比如图6中，将元素3和5进行交换。
所述插入算子作用于所述工序分配解向量和所述机器人分配解向量，在进行所述工序分配解向量插入操作时，随机选择所述工序分配解向量中的一个元素，将所述元素提取出来，随机选择剩余解向量中的一个位置，检验插入所述元素后是否满足工序优先关系，如果不满足则随机寻找下一个位置，直到满足为止；在进行所述机器人分配解向量插入操作时，随机选择所述机器人分配解向量中的一个元素，将所述元素提取出来，随机选择剩余解向量中的一个位置插入；
比如图7中，将元素5插入元素1和3之间。
所述变异算子作用于所述操作方式分配解向量，随机选择所述操作方式分配解向量中的一个元素，在所述元素对应的工序的可行操作列表中随机选择一个值，替换掉所述元素。
比如图8中，将元素1变异为元素2。
可选地，所述基于改进模拟退火算法框架，对所述初始解进行迭代获取最优方案的过程中，所述每次迭代采用邻域算子对邻域组合进行搜索，具体包括：
开始在最大邻域组合进行搜索，当降温次数达到第一预设次数，当前解仍没有改进时，采用变邻域搜索方式进行搜索；
所述第一预设次数为一预设值， 比如5次。
所述变邻域搜索方式包括：
将所述邻域组合由小到大排列，在每个邻域组合内，为不同算子
Figure SMS_59
设置权重
Figure SMS_60
，权重初始化为相同数值，比如设为1；记录每个算子的使用次数
Figure SMS_70
，通过算子的表 现为算子赋予分数，每个算子的分数
Figure SMS_62
初始值为0，当使用所述算子更新了全局最优 解，为分数
Figure SMS_72
加
Figure SMS_64
，比如9分；当使用所述算子更新了当前解，为分数
Figure SMS_67
加
Figure SMS_58
，比 如3分；当使用所述算子没有更新当前解，为分数
Figure SMS_66
加
Figure SMS_63
，比如1分，其中，
Figure SMS_69
，
Figure SMS_56
和
Figure SMS_65
是自定义的参数，
Figure SMS_57
，每生成第二预设次数新解，更新一次权重，比如500 次，
Figure SMS_71
，其中
Figure SMS_61
为自定义参数，比如
Figure SMS_68
；当降温第 三预设次数没有更新当前解，比如10次，则选择更大邻域组合，扩大搜索范围，若更新当前 解，则回到最小邻域组合，重复迭代过程。
如图9所示，本发明实施例提供了一种多类型机器人人机协同装配调度装置，所述装置包括：
分解模块910，用于将人机协同装配线平衡问题 ALBP-HRC的原有问题分解为三个相互独立的子问题，分别是工序分配子问题、机器人选择与分配子问题和操作方式选择子问题；
求解表示模块920，用于分别求出三个子问题的初始解决方案，由三个初始解决方案构成ALBP-HRC的初始解，并采用三个独立的解向量表示所述初始解决方案，所述三个独立的解向量分别是工序分配解向量、机器人分配解向量和操作方式选择解向量；
迭代模块930，用于基于改进模拟退火算法框架，对所述初始解进行迭代获取最优方案。
本发明实施例提供的一种多类型机器人人机协同装配调度装置，其功能结构与本发明实施例提供的一种多类型机器人人机协同装配调度方法相对应，在此不再赘述。
图10是本发明实施例提供的一种电子设备1000的结构示意图，该电子设备1000可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器（centralprocessing units，CPU）1001和一个或一个以上的存储器1002，其中，所述存储器1002中存储有至少一条指令，所述至少一条指令由所述处理器1001加载并执行以实现上述多类型机器人人机协同装配调度方法的步骤。
在示例性实施例中，还提供了一种计算机可读存储介质，例如包括指令的存储器，上述指令可由终端中的处理器执行以完成上述多类型机器人人机协同装配调度方法。例如，所述计算机可读存储介质可以是ROM、随机存取存储器（RAM）、CD-ROM、磁带、软盘和光数据存储设备等。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.一种多类型机器人人机协同装配调度方法，其特征在于，所述方法包括：
S1、将人机协同装配线平衡问题 ALBP-HRC的原有问题分解为三个子问题，分别是工序分配子问题、机器人选择与分配子问题和操作方式选择子问题；
S2、分别求出三个子问题的初始解决方案，由三个初始解决方案构成ALBP-HRC的初始解，并采用三个独立的解向量表示所述初始解决方案，所述三个独立的解向量分别是工序分配解向量、机器人分配解向量和操作方式选择解向量；
S3、基于改进模拟退火算法框架，对所述初始解进行迭代获取最优方案；
对所述工序分配子问题求出初始解决方案，并采用所述工序分配解向量表示所述工序分配子问题的初始解决方案，具体包括：
生成一个1×（n+m-1）长度的空列表，其中n代表工序数，m代表工位数；
默认当前工位处于第一个工位，计算一个阈值，将其作为是否停止向所述当前工位分配工序的标准，计算方式是将所述工位上所有工序的人工操作时间求和，再除以工位数求得的平均时间，作为所述阈值；
创建一个动态变化的当前可分配工序列表，所述当前可分配工序列表里的工序，是没有前驱工序或者前驱工序已经分配完成的工序；
在所述当前可分配工序列表中随机选择一个工序，计算所述工序与所述当前工位上已经分配的工序的人工操作时间之和，如果没有超过所述阈值，将所述工序的编号填入列表，如果超过了阈值，则填入0，代表分隔工位，之后再填入所述工序的编号，代表在下一个工位中分配所述工序；
当分配至最后一个工位时，将所有剩余任务都分配至所述最后一个工位；
最终，得到所述工序分配解向量为1×（n+m-1）的解向量，解向量的元素由m-1个0，和1到n的整数组成，每一个整数出现一次，共n个整数，其中1到n的整数代表工序，0的作用是分隔两个工位，解向量从左到右表示工序的操作顺序，也表示工位的顺序；
对所述机器人选择与分配子问题求出初始解决方案，并采用所述机器人分配解向量表示所述机器人选择与分配子问题的初始解决方案，具体包括：
创建1×m长度的空列表，m代表工位数，随机选择0到r之间的整数，其中r表示机器人型号的数量，填入列表，生成所述机器人分配解向量，所述机器人分配解向量的元素由0到r的整数表示，第i个元素表示工位i的机器人分配状态，0表示工位i没有分配机器人，整数表示工位i分配的机器人型号是所述整数；
对所述操作方式选择子问题求出初始解决方案，并采用所述操作方式选择解向量表示所述操作方式选择子问题的解决方案，具体包括：
根据生成的所述工序分配解向量和所述机器人分配解向量，确定了每个工位分配的工序和机器人，
在满足工序间优先关系的情况下，分析工位中各工序的前驱工序情况，计算各工序的理论操作开始时间，所述理论操作开始时间等于当前工序的所有前驱工序完成时间的最大值；
按照工序分配解向量中工序的顺序，对于每个工序，分别计算其可行操作方式的完成时间，选择完成时间最短的操作方式，所述可行操作方式的完成时间等于所述可行操作方式的操作开始时间和所述可行操作方式的操作时间之和，其中所述操作开始时间为各工序理论操作开始时间和各工序操作资源空闲时间的最大值；
每个工序的可行操作方式是每个工序能够使用的操作方式，包括以下至少一种：人工操作、机器人操作和人机协同操作，对于同一个工序来说，可行操作方式是已知的参数，每种可行操作方式对应的操作时间不同，也是已知的参数；
以所述操作方式选择解向量表示选择的操作方式，所述操作方式选择解向量采用1×n的解向量进行表示，n代表工序数，第i个元素表示工序i的操作方式；
所述S3，具体包括：
S31、确定初始温度
Figure QLYQS_1
，终止温度/>
Figure QLYQS_2
，降温速率/>
Figure QLYQS_3
，当前温度的最大迭代次数/>
Figure QLYQS_4
，令当前温度T等于初始温度/>
Figure QLYQS_5
；
S32、对于前面生成的初始解
Figure QLYQS_6
，计算目标函数值/>
Figure QLYQS_7
；
S33、将所述初始解
Figure QLYQS_8
赋予当前解和全局最优解；
S34、在所述当前温度进行迭代，每次迭代采用邻域算子对邻域组合进行搜索，获得新解
Figure QLYQS_9
，计算目标函数值/>
Figure QLYQS_10
；
S35、比较
Figure QLYQS_11
和/>
Figure QLYQS_12
的值，如果/>
Figure QLYQS_13
，则接受新解，并将新解作为当前解；反之，则以/>
Figure QLYQS_14
的概率接受新解，如果新解/>
Figure QLYQS_15
优于全局最优解，则更新全局最优解为；
S36、在所述当前温度进行迭代，重复S34和S35，直到迭代次数达到最大迭代次数
Figure QLYQS_16
，更新当前温度/>
Figure QLYQS_17
，在新的当前温度进行新的迭代；
S37、直到当前温度达到终止温度
Figure QLYQS_18
，算法终止，输出全局最优解作为最终的最优解；
通过将不同的解向量组合在一起，得到7种不同的所述邻域组合，其中规模最大的是由三个解向量组成的邻域组合，最小的是一个解向量的邻域组合；
所述邻域算子包括以下至少一种：交换算子、插入算子和变异算子；
其中所述交换算子作用于所述工序分配解向量和所述机器人分配解向量，在进行所述工序分配解向量交换操作时，随机选择所述工序分配解向量中两个元素，检验交换后是否满足工序优先关系，如果满足则交换，如果不满足则重新随机选择交换元素，直到满足为止；在进行所述机器人分配解向量交换操作时，随机选择所述机器人分配解向量中两个元素，进行交换；
所述插入算子作用于所述工序分配解向量和所述机器人分配解向量，在进行所述工序分配解向量插入操作时，随机选择所述工序分配解向量中的一个元素，将所述元素提取出来，随机选择剩余解向量中的一个位置，检验插入所述元素后是否满足工序优先关系，如果不满足则随机寻找下一个位置，直到满足为止；在进行所述机器人分配解向量插入操作时，随机选择所述机器人分配解向量中的一个元素，将所述元素提取出来，随机选择剩余解向量中的一个位置插入；
所述变异算子作用于所述操作方式分配解向量，随机选择所述操作方式分配解向量中的一个元素，在所述元素对应的工序的可行操作列表中随机选择一个值，替换掉所述元素；
所述基于改进模拟退火算法框架，对所述初始解进行迭代获取最优方案的过程中，所述每次迭代采用邻域算子对邻域组合进行搜索，具体包括：
开始在最大邻域组合进行搜索，当降温次数达到第一预设次数，当前解仍没有改进时，采用变邻域搜索方式进行搜索；
所述变邻域搜索方式包括：
将所述邻域组合由小到大排列，在每个邻域组合内，为不同算子
Figure QLYQS_21
设置权重/>
Figure QLYQS_20
，权重初始化为相同数值；记录每个算子的使用次数/>
Figure QLYQS_29
，通过算子的表现为算子赋予分数，每个算子的分数/>
Figure QLYQS_25
初始值为0，当使用所述算子更新了全局最优解，为分数/>
Figure QLYQS_32
加
Figure QLYQS_26
；当使用所述算子更新了当前解，为分数/>
Figure QLYQS_34
加/>
Figure QLYQS_24
；当使用所述算子没有更新当前解，为分数/>
Figure QLYQS_31
加/>
Figure QLYQS_19
，其中，/>
Figure QLYQS_28
，/>
Figure QLYQS_22
和/>
Figure QLYQS_30
是自定义的参数，/>
Figure QLYQS_23
，每生成第二预设次数新解，更新一次权重，/>
Figure QLYQS_33
，其中/>
Figure QLYQS_27
为自定义参数；当降温第三预设次数没有更新当前解，则选择更大邻域组合，扩大搜索范围，若更新了当前解，则回到最小邻域组合，重复迭代过程。
2.一种多类型机器人人机协同装配调度装置，其特征在于，所述装置包括：
分解模块，用于将人机协同装配线平衡问题 ALBP-HRC的原有问题分解为三个相互独立的子问题，分别是工序分配子问题、机器人选择与分配子问题和操作方式选择子问题；
求解表示模块，用于分别求出三个子问题的初始解决方案，由三个初始解决方案构成ALBP-HRC的初始解，并采用三个独立的解向量表示所述初始解决方案，所述三个独立的解向量分别是工序分配解向量、机器人分配解向量和操作方式选择解向量；
迭代模块，用于基于改进模拟退火算法框架，对所述初始解进行迭代获取最优方案；
所述求解表示模块，具体用于：
生成一个1×（n+m-1）长度的空列表，其中n代表工序数，m代表工位数；
默认当前工位处于第一个工位，计算一个阈值，将其作为是否停止向所述当前工位分配工序的标准，计算方式是将所述工位上所有工序的人工操作时间求和，再除以工位数求得的平均时间，作为所述阈值；
创建一个动态变化的当前可分配工序列表，所述当前可分配工序列表里的工序，是没有前驱工序或者前驱工序已经分配完成的工序；
在所述当前可分配工序列表中随机选择一个工序，计算所述工序与所述当前工位上已经分配的工序的人工操作时间之和，如果没有超过所述阈值，将所述工序的编号填入列表，如果超过了阈值，则填入0，代表分隔工位，之后再填入所述工序的编号，代表在下一个工位中分配所述工序；
当分配至最后一个工位时，将所有剩余任务都分配至所述最后一个工位；
最终，得到所述工序分配解向量为1×（n+m-1）的解向量，解向量的元素由m-1个0，和1到n的整数组成，每一个整数出现一次，共n个整数，其中1到n的整数代表工序，0的作用是分隔两个工位，解向量从左到右表示工序的操作顺序，也表示工位的顺序；
创建1×m长度的空列表，m代表工位数，随机选择0到r之间的整数，其中r表示机器人型号的数量，填入列表，生成所述机器人分配解向量，所述机器人分配解向量的元素由0到r的整数表示，第i个元素表示工位i的机器人分配状态，0表示工位i没有分配机器人，整数表示工位i分配的机器人型号是所述整数；
根据生成的所述工序分配解向量和所述机器人分配解向量，确定了每个工位分配的工序和机器人，
在满足工序间优先关系的情况下，分析工位中各工序的前驱工序情况，计算各工序的理论操作开始时间，所述理论操作开始时间等于当前工序的所有前驱工序完成时间的最大值；
按照工序分配解向量中工序的顺序，对于每个工序，分别计算其可行操作方式的完成时间，选择完成时间最短的操作方式，所述可行操作方式的完成时间等于所述可行操作方式的操作开始时间和所述可行操作方式的操作时间之和，其中所述操作开始时间为各工序理论操作开始时间和各工序操作资源空闲时间的最大值；
每个工序的可行操作方式是每个工序能够使用的操作方式，包括以下至少一种：人工操作、机器人操作和人机协同操作，对于同一个工序来说，可行操作方式是已知的参数，每种可行操作方式对应的操作时间不同，也是已知的参数；
以所述操作方式选择解向量表示选择的操作方式，所述操作方式选择解向量采用1×n的解向量进行表示，n代表工序数，第i个元素表示工序i的操作方式；
所述迭代模块，具体用于：
S31、确定初始温度
Figure QLYQS_35
，终止温度/>
Figure QLYQS_36
，降温速率/>
Figure QLYQS_37
，当前温度的最大迭代次数/>
Figure QLYQS_38
，令当前温度T等于初始温度/>
Figure QLYQS_39
；
S32、对于前面生成的初始解
Figure QLYQS_40
，计算目标函数值/>
Figure QLYQS_41
；
S33、将所述初始解
Figure QLYQS_42
赋予当前解和全局最优解；
S34、在所述当前温度进行迭代，每次迭代采用邻域算子对邻域组合进行搜索，获得新解
Figure QLYQS_43
，计算目标函数值/>
Figure QLYQS_44
；
S35、比较
Figure QLYQS_45
和/>
Figure QLYQS_46
的值，如果/>
Figure QLYQS_47
，则接受新解，并将新解作为当前解；反之，则以/>
Figure QLYQS_48
的概率接受新解，如果新解/>
Figure QLYQS_49
优于全局最优解，则更新全局最优解为；
S36、在所述当前温度进行迭代，重复S34和S35，直到迭代次数达到最大迭代次数
Figure QLYQS_50
，更新当前温度/>
Figure QLYQS_51
，在新的当前温度进行新的迭代；
S37、直到当前温度达到终止温度
Figure QLYQS_52
，算法终止，输出全局最优解作为最终的最优解；
通过将不同的解向量组合在一起，得到7种不同的所述邻域组合，其中规模最大的是由三个解向量组成的邻域组合，最小的是一个解向量的邻域组合；
所述邻域算子包括以下至少一种：交换算子、插入算子和变异算子；
其中所述交换算子作用于所述工序分配解向量和所述机器人分配解向量，在进行所述工序分配解向量交换操作时，随机选择所述工序分配解向量中两个元素，检验交换后是否满足工序优先关系，如果满足则交换，如果不满足则重新随机选择交换元素，直到满足为止；在进行所述机器人分配解向量交换操作时，随机选择所述机器人分配解向量中两个元素，进行交换；
所述插入算子作用于所述工序分配解向量和所述机器人分配解向量，在进行所述工序分配解向量插入操作时，随机选择所述工序分配解向量中的一个元素，将所述元素提取出来，随机选择剩余解向量中的一个位置，检验插入所述元素后是否满足工序优先关系，如果不满足则随机寻找下一个位置，直到满足为止；在进行所述机器人分配解向量插入操作时，随机选择所述机器人分配解向量中的一个元素，将所述元素提取出来，随机选择剩余解向量中的一个位置插入；
所述变异算子作用于所述操作方式分配解向量，随机选择所述操作方式分配解向量中的一个元素，在所述元素对应的工序的可行操作列表中随机选择一个值，替换掉所述元素；
开始在最大邻域组合进行搜索，当降温次数达到第一预设次数，当前解仍没有改进时，采用变邻域搜索方式进行搜索；
所述变邻域搜索方式包括：
将所述邻域组合由小到大排列，在每个邻域组合内，为不同算子
Figure QLYQS_59
设置权重/>
Figure QLYQS_54
，权重初始化为相同数值；记录每个算子的使用次数/>
Figure QLYQS_64
，通过算子的表现为算子赋予分数，每个算子的分数/>
Figure QLYQS_58
初始值为0，当使用所述算子更新了全局最优解，为分数/>
Figure QLYQS_66
加
Figure QLYQS_61
；当使用所述算子更新了当前解，为分数/>
Figure QLYQS_67
加/>
Figure QLYQS_55
；当使用所述算子没有更新当前解，为分数/>
Figure QLYQS_65
加/>
Figure QLYQS_53
，其中，/>
Figure QLYQS_62
，/>
Figure QLYQS_57
和/>
Figure QLYQS_63
是自定义的参数，/>
Figure QLYQS_60
，每生成第二预设次数新解，更新一次权重，/>
Figure QLYQS_68
，其中/>
Figure QLYQS_56
为自定义参数；当降温第三预设次数没有更新当前解，则选择更大邻域组合，扩大搜索范围，若更新了当前解，则回到最小邻域组合，重复迭代过程。
3.一种电子设备，所述电子设备包括处理器和存储器，所述存储器中存储有至少一条指令，其特征在于，所述至少一条指令由所述处理器加载并执行以实现如权利要求1所述多类型机器人人机协同装配调度方法。
4.一种计算机可读存储介质，所述存储介质中存储有至少一条指令，其特征在于，所述至少一条指令由处理器加载并执行以实现如权利要求1所述多类型机器人人机协同装配调度方法。
CN202211532911.XA 2022-12-02 2022-12-02 一种多类型机器人人机协同装配调度方法和装置 Active CN115609593B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211532911.XA CN115609593B (zh) 2022-12-02 2022-12-02 一种多类型机器人人机协同装配调度方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211532911.XA CN115609593B (zh) 2022-12-02 2022-12-02 一种多类型机器人人机协同装配调度方法和装置

Publications (2)

Publication Number Publication Date
CN115609593A CN115609593A (zh) 2023-01-17
CN115609593B true CN115609593B (zh) 2023-03-28

Family

ID=84880140

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211532911.XA Active CN115609593B (zh) 2022-12-02 2022-12-02 一种多类型机器人人机协同装配调度方法和装置

Country Status (1)

Country Link
CN (1) CN115609593B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117057551B (zh) * 2023-08-02 2024-04-19 天津大学 考虑协作机器人的多工序作业调度问题的解决方法和装置
CN117519055B (zh) * 2023-12-12 2024-05-28 天津大学 一种考虑复杂人机协作模式的平行装配线调度方法和装置

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111400868A (zh) * 2020-02-24 2020-07-10 山东师范大学 带订单和机器人搬运的分布式车间调度优化方法及系统
CN113159506A (zh) * 2021-03-16 2021-07-23 北京理工大学 人机协作生产单元任务分配与作业调度集成决策方法

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
SU1167622A1 (ru) * 1983-06-06 1985-07-15 Военная Артиллерийская Ордена Ленина Краснознаменная Академия Им.М.И.Калинина Устройство дл решени задач типа балансировани сборочной линии
CN102354311A (zh) * 2011-09-09 2012-02-15 河海大学常州校区 面向大批量定制的可重构装配线平衡方法
CN103049801B (zh) * 2012-12-20 2015-04-22 四川长虹电器股份有限公司 生产线布局优化设计方法
CN108594645B (zh) * 2018-03-08 2021-02-19 中国人民解放军国防科技大学 单场站多无人机分配与飞行路线的规划方法及系统
CN110458470A (zh) * 2019-08-19 2019-11-15 杭州电子科技大学 基于大邻域搜索算法的多敏捷地球观测卫星任务分配方法
CN111798067B (zh) * 2020-07-17 2021-06-25 大连理工大学 基于自适应大邻域搜索算法的自动驾驶汽车配送路径规划方法
CN112348314A (zh) * 2020-10-12 2021-02-09 山东师范大学 一种带起重机的分布式柔性车间调度方法及系统
CN113627642B (zh) * 2021-06-25 2024-08-23 广东烟草惠州市有限责任公司 基于自适应大规模邻域搜索算法的堆垛机路径优化方法
CN114967601B (zh) * 2021-12-30 2024-07-09 昆明理工大学 一种冰箱箱体双边装配过程的优化调度方法及系统
CN114415615B (zh) * 2022-01-19 2024-05-28 武汉科技大学 不确定需求下混流装配线平衡分配方法及装置
CN115310794A (zh) * 2022-07-28 2022-11-08 武汉科技大学 人机协同装配线平衡方法及装置

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111400868A (zh) * 2020-02-24 2020-07-10 山东师范大学 带订单和机器人搬运的分布式车间调度优化方法及系统
CN113159506A (zh) * 2021-03-16 2021-07-23 北京理工大学 人机协作生产单元任务分配与作业调度集成决策方法

Also Published As

Publication number Publication date
CN115609593A (zh) 2023-01-17

Similar Documents

Publication Publication Date Title
CN115609593B (zh) 一种多类型机器人人机协同装配调度方法和装置
CN110781562B (zh) 面向飞机脉动总装作业过程的多目标优化方法及装置
Gao et al. An efficient approach for type II robotic assembly line balancing problems
JP3717967B2 (ja) プロセス機械の制御とスケジューリングを行う装置と方法
Jia et al. Multi-objective energy-aware batch scheduling using ant colony optimization algorithm
Wang et al. Scheduling two-stage hybrid flow shops with parallel batch, release time, and machine eligibility constraints
CN115310794A (zh) 人机协同装配线平衡方法及装置
Zheng et al. Multi-objective swarm-based neighborhood search for fuzzy flexible job shop scheduling
Shang et al. Spatial scheduling optimization algorithm for block assembly in shipbuilding
Huang et al. An improved genetic algorithm for job-shop scheduling problem with process sequence flexibility
CN109784604A (zh) 一种基于鲸鱼算法的柔性作业车间制造资源分配方法
CN109991950A (zh) 基于遗传算法的协作机器人装配生产线的平衡改善方法
Wu et al. Dynamic dispatching and preventive maintenance for parallel machines with dispatching-dependent deterioration
Bensmaine et al. Simulation-based NSGA-II approach for multi-unit process plans generation in reconfigurable manufacturing system
CN115933568A (zh) 一种多目标分布式混合流水车间调度方法
Chyu et al. Optimizing fuzzy makespan and tardiness for unrelated parallel machine scheduling with archived metaheuristics
Han et al. Novel hybrid discrete differential evolution algorithm for the multi-stage multi-purpose batch plant scheduling problem
Li et al. Research on dynamic multi-objective fjsp based on genetic algorithm
CN115619200A (zh) 一种分割式Seru的排产与多能工调度组合优化方法和装置
CN116050559A (zh) 为工作站筛选派工规则的电子装置和方法
US20220327399A1 (en) Problem decomposition in a large scale complex combinatorial problem
CN114936713A (zh) 一种用于船舶维修任务调度问题的调度优化方法
Ishigaki et al. Effective neighborhood generation method in search algorithm for flexible job shop scheduling problem
Taha et al. Job sequencing and layout optimization in virtual production line
Gao et al. An effective memetic algorithm for the distributed integrated scheduling of tree-structured products

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
GR01 Patent grant
GR01 Patent grant