基于改進(jìn)遺傳算法的混裝線多目標(biāo)優(yōu)化

韓煜東，董雙飛，譚柏川

（重慶交通大學(xué) 管理學(xué)院，重慶 400074）

0 引言

近年來，由于消費(fèi)者越來越追求產(chǎn)品的個(gè)性化、多樣化、定制化，單一型號(hào)的產(chǎn)品裝配線已無法滿足消費(fèi)者的需求，因此可以裝配多種型號(hào)產(chǎn)品的混流裝配線應(yīng)運(yùn)而生?；炝餮b配線已廣泛應(yīng)用于汽車、電子、家電、服裝等產(chǎn)業(yè)中［1］。為提高生產(chǎn)效率、降低瓶頸工位對(duì)生產(chǎn)速度的制約，在生產(chǎn)線設(shè)計(jì)階段，需要在滿足產(chǎn)品裝配工藝先后順序、市場(chǎng)需求量及其他約束的情況下，設(shè)計(jì)合理的生產(chǎn)節(jié)拍，將各任務(wù)分配到各工作站，使各工作站負(fù)荷均衡，即：裝配線平衡設(shè)計(jì)問題［2］。

由于裝配線平衡問題屬于組合優(yōu)化問題，是典型的NP－Hard問題。而且混流裝配線上產(chǎn)品的需求速率不斷變化，譬如家電類產(chǎn)品當(dāng)季節(jié)性需求變化、某類產(chǎn)品的劇增以及新產(chǎn)品引入生產(chǎn)線時(shí)，極易造成生產(chǎn)線的混亂，使得人員的配置以及加工時(shí)間隨之發(fā)生變化，此時(shí)對(duì)混流裝配線的平衡就必須兼顧多方面。應(yīng)用多目標(biāo)優(yōu)化可以有效協(xié)調(diào)生產(chǎn)線上工作站數(shù)量、生產(chǎn)節(jié)拍、工作站負(fù)荷以及工人加工成本之間的關(guān)系，但是針對(duì)這類問題還沒有一種精確的方法進(jìn)行求解。目前解決裝配線平衡問題的方法主要是數(shù)學(xué)規(guī)劃方法和啟發(fā)式算法。Ana Sofia Simaria在工人人數(shù)確定的前提下，提出了優(yōu)化生產(chǎn)節(jié)拍與工作站均衡的模型，并將兩個(gè)不同的模型綜合為一個(gè)模型，利用遺傳算法對(duì)模型進(jìn)行求解［3］；Talbot等利用啟發(fā)式算法求解裝配線平衡問題［4］；Lapierre等采用禁忌搜索算法對(duì)裝配線平衡問題進(jìn)行求解［5］；Manavizadeh等在定制與隨機(jī)的環(huán)境下，提出了優(yōu)化工作節(jié)拍和工作站的模型，采用多目標(biāo)遺傳算法求解與多目標(biāo)進(jìn)化算法驗(yàn)證并尋找最優(yōu)方法的方式進(jìn)行研究［6］；Betul提出了工作站數(shù)量的變化導(dǎo)致加工時(shí)間的變化，針對(duì)生產(chǎn)能力效率、各工作站時(shí)間的均衡以及生產(chǎn)線平滑問題，采用蟻群算法對(duì)其進(jìn)行求解［7］。通過以上分析可知，已有文獻(xiàn)主要集中研究工作站或生產(chǎn)節(jié)拍的單目標(biāo)，對(duì)工作站或生產(chǎn)節(jié)拍的制約因素考慮得較少，而且由于約束條件存在量級(jí)差異性，在多目標(biāo)轉(zhuǎn)化的綜合模型中權(quán)重系數(shù)的確定主觀性較強(qiáng)。

苑明海等在大規(guī)模定制的前提下，針對(duì)混流裝配線平衡問題建立了工作站數(shù)量、工作站負(fù)荷以及裝配線效率的數(shù)學(xué)模型，并采用模擬退火算法與遺傳算法相結(jié)合的方式進(jìn)行了平衡計(jì)算［8］；公緒霞等采用模糊優(yōu)化理論，建立了裝配線平衡問題的多目標(biāo)非線性規(guī)劃模型［9］；李明等應(yīng)用多層規(guī)劃對(duì)建立的混流裝配線最大工位持續(xù)時(shí)間最小和總作業(yè)時(shí)間最短的多目標(biāo)模型進(jìn)行平衡調(diào)度方案的研究［10］；于兆勤等從兼顧混流裝配線平均負(fù)荷和瞬時(shí)負(fù)荷出發(fā)，提出綜合運(yùn)用遺傳算法和仿真分析對(duì)平衡問題進(jìn)行求解［11］；彭慧等從混流裝配線的瞬時(shí)負(fù)荷平衡和生產(chǎn)節(jié)拍兩方面研究混流裝配線平衡問題，設(shè)置系數(shù)將兩個(gè)目標(biāo)轉(zhuǎn)化為單目標(biāo)，采用迭代遺傳算法對(duì)目標(biāo)進(jìn)行求解［12］；楊才君等針對(duì)混流裝配線的再平衡問題提出新平衡工作站數(shù)、不同工作站生產(chǎn)不同型號(hào)產(chǎn)品的負(fù)荷波動(dòng)和調(diào)整成本模型，利用多目標(biāo)遺傳算法對(duì)建立的模型進(jìn)行求解［13］。通過以上分析可知，已有文獻(xiàn)主要集中在混流裝配線模型的建立，而混流裝配線上人員以及時(shí)間的多變性增加了平衡的難度，顯然現(xiàn)有的優(yōu)化目標(biāo)以及求解方式較難滿足當(dāng)前汽車、電子等行業(yè)的要求。

本文根據(jù)上述分析，針對(duì)模型建立、求解方式等問題展開研究，以混流裝配線實(shí)際生產(chǎn)節(jié)拍時(shí)間最小化和分配合適的工人到相應(yīng)的工作站以降低產(chǎn)品的加工成本為目標(biāo)，建立混流裝配線平衡模型?？紤]到求解的復(fù)雜性，改進(jìn)交叉與變異操作，提出種群擴(kuò)張機(jī)制，設(shè)計(jì)基于自然數(shù)序列的遺傳算法對(duì)本文建立的數(shù)學(xué)模型進(jìn)行求解。最后，結(jié)合實(shí)際算例對(duì)模型和算法進(jìn)行有效性檢驗(yàn)與分析。

1 模型建立

1.1 問題描述

混流裝配線即使在同一平臺(tái)上生產(chǎn)p種產(chǎn)品，每種產(chǎn)品的工藝要求都不盡相同，使得不同產(chǎn)品的作業(yè)元素及作業(yè)順序有一定差異。為研究p種不同型號(hào)產(chǎn)品的混流裝配線平衡問題，首先將每種產(chǎn)品的作業(yè)順序圖合成為一個(gè)綜合作業(yè)順序圖。如圖1～圖4所示。綜合作業(yè)順序圖包含了p種產(chǎn)品的n個(gè)作業(yè)任務(wù)，對(duì)于同一作業(yè)元素，不同產(chǎn)品的作業(yè)時(shí)間可能不同，當(dāng)一種產(chǎn)品的裝配不包含其中某項(xiàng)作業(yè)元素時(shí)，該作業(yè)元素的作業(yè)時(shí)間為零。本文在建立不同產(chǎn)品需求速率（企業(yè)已有的工作站數(shù)不能改變）的前提下，通過調(diào)節(jié)生產(chǎn)節(jié)拍以及降低產(chǎn)品的加工成本來實(shí)現(xiàn)混流裝配線的平衡。

該問題的基本假定如下：

（1）不同產(chǎn)品的相同任務(wù)分配到同一個(gè)工作站；

（2）任務(wù)之間的先后順序已知，不同產(chǎn)品的任務(wù)先后順序圖可以綜合為一個(gè)先后順序圖；

（3）任務(wù)時(shí)間確定，不同產(chǎn)品的相同任務(wù)的操作時(shí)間可能不同；

（4）每個(gè)工作站內(nèi)的任務(wù)加權(quán)時(shí)間不超過節(jié)拍時(shí)間，無并行工作站；

（5）每個(gè)工作站只有一個(gè)人。

1.2 多目標(biāo)優(yōu)化的數(shù)學(xué)模型

該問題的參數(shù)和決策變量采用如下符號(hào)：

（1）參數(shù)

n為任務(wù)總數(shù)；

p為產(chǎn)品型號(hào)數(shù)；

ciω為工人ω操作任務(wù)i的操作成本；

dj為產(chǎn)品j的需求量；

k為工作站數(shù)，k＝1，2，…，n；

wj為產(chǎn)品型號(hào)j在總產(chǎn)量中的比重，j＝1，2，…，p；

tij為產(chǎn)品j的任務(wù)i的作業(yè)時(shí)間，i＝1，2，…，n，j＝1，2，…，p；

pre（i）為按照任務(wù)的先后順序，先于任務(wù)i完成的任務(wù)集合，i＝1，2，…，n。

（2）決策變量

在裝配線生產(chǎn)中，由于工人的文化程度和工作經(jīng)驗(yàn)不同，導(dǎo)致操作相同任務(wù)所花費(fèi)的時(shí)間不同，在此期間發(fā)生的費(fèi)用具有一定的差異性。因此安排合適的工人去對(duì)應(yīng)的工作站以降低產(chǎn)品的總加工成本，在混流裝配線平衡中就顯得很有實(shí)際價(jià)值。表1所示為四個(gè)工人操作相同任務(wù)所產(chǎn)生的費(fèi)用。

表1 不同工人加工產(chǎn)品所需成本

續(xù)表1

安排合適的工人到相應(yīng)的工作站，使得產(chǎn)品的加工成本最小。如果工人ω，任務(wù)i被分配到工作站k，則工作站k內(nèi)產(chǎn)品的加工成本為：

混流裝配線加工產(chǎn)品所產(chǎn)生的總成本為：

因此，混流裝配線多目標(biāo)平衡優(yōu)化模型可以表示為：

其中：第一個(gè)目標(biāo)函數(shù)（3）是使各工作站所有產(chǎn)品的加權(quán)任務(wù)總時(shí)間的最大值最小化，即優(yōu)化裝配線的生產(chǎn)節(jié)拍；第二個(gè)目標(biāo)函數(shù)（4）使各工作站時(shí)間的均方差最小化，即均衡各工作站的加權(quán)任務(wù)時(shí)間；第三個(gè)目標(biāo)函數(shù)（5）是使得產(chǎn)品的加工成本最小；約束（6）表示每個(gè)任務(wù)都被分配但只能分配到一個(gè)工作站；約束（7）表示必須遵守任務(wù)的優(yōu)先順序關(guān)系；約束（8）表示每個(gè)工人最多只能分配到一個(gè)工作站；約束（9）表示節(jié)拍時(shí)間約束，即分配到每個(gè)工作站的所有產(chǎn)品的加權(quán)任務(wù)總時(shí)間不得超過事先規(guī)定的節(jié)拍時(shí)間；約束（10）表示任務(wù)分配和工人分配的決策變量都是0/1型變量。

2 針對(duì)混流裝配線多目標(biāo)平衡優(yōu)化設(shè)計(jì)遺傳算法

對(duì)于多目標(biāo)平衡問題，一般通過將多目標(biāo)問題轉(zhuǎn)化為單目標(biāo)問題以降低問題的復(fù)雜性的方式，賦予每個(gè)目標(biāo)權(quán)重或者目標(biāo)規(guī)劃進(jìn)行求解。然而對(duì)單一目標(biāo)的混流裝配線進(jìn)行優(yōu)化，往往由于實(shí)際規(guī)模的數(shù)據(jù)量較大，導(dǎo)致混流裝配線問題難以采用精確的算法求解。

遺傳算法是一種自適應(yīng)的隨機(jī)化搜索方法，具有良好的穩(wěn)定性、內(nèi)在的隱并性和全局尋優(yōu)能力，直接對(duì)結(jié)構(gòu)對(duì)象進(jìn)行操作且不要求優(yōu)化函數(shù)連續(xù)或可導(dǎo)，已被廣泛應(yīng)用于處理多目標(biāo)優(yōu)化問題以及裝配線平衡問題。本文針對(duì)提出的優(yōu)化目標(biāo)，設(shè)計(jì)了一種改進(jìn)的遺傳算法來處理混流裝配線平衡問題。通過對(duì)編碼方式的優(yōu)化，增加了算法的可視化操作；利用拓?fù)渑判蚶碚撋沙跏挤N群，生成的個(gè)體為可行解，增強(qiáng)了算法的可靠性并提高了其尋優(yōu)速度；選擇適應(yīng)度值高的個(gè)體進(jìn)入配對(duì)池；設(shè)計(jì)交叉、變異算子，用于前期擴(kuò)大搜索范圍、后期保護(hù)優(yōu)秀個(gè)體；提出種群擴(kuò)張機(jī)制以提高算法的全局尋優(yōu)能力。

2.1 編碼與插零操作

采用基于作業(yè)順序的染色體編碼規(guī)則，按照作業(yè)的先后順序，將n個(gè)作業(yè)元素排成一排，每個(gè)作業(yè)元素對(duì)應(yīng)一個(gè)基因位，作業(yè)元素按作業(yè)順序分配到各個(gè)工作站，工作站中產(chǎn)品的加權(quán)時(shí)間不能超過預(yù)先設(shè)定的生產(chǎn)節(jié)拍，按照工作站中工序的排列順序進(jìn)行編碼。最終該染色體是采用由n個(gè)作業(yè)元素和k＋1個(gè)零組成的長(zhǎng)度為n＋k＋1的編碼方式，其中零可表示當(dāng)前工作站的作業(yè)元素開始（或結(jié)束）位置，兩個(gè)零之間的作業(yè)元素表示同屬于一個(gè)工作站，如圖5所示。

2.2 生成初始種群

初始種群的好壞將直接決定進(jìn)化過程的優(yōu)劣，好的初始種群將提高算法的運(yùn)行效率。為保證初始種群中個(gè)體的多樣性與解的可行性，采用拓?fù)渑判蚝碗S機(jī)搜索法來生成初始種群，過程如下：

步驟1 令混流裝配線的任務(wù)合集TS＝｛ts1，ts2，…，tsn｝。

步驟2 根據(jù)綜合作業(yè)順序圖，從集合TS中找出無緊前或者是緊前已分配的任務(wù)放入集合TS1中，并在綜合作業(yè)圖中刪除選出的任務(wù)i和與之有關(guān)的邏輯順序。

步驟3 從集合TS1中隨機(jī)選擇一個(gè)任務(wù)，放入相應(yīng)的基因位置。

步驟4 如果任務(wù)集合TS＝?，則分配結(jié)束，否則轉(zhuǎn)步驟2。

在初始種群的生成過程中，每次分配任務(wù)都保證其緊前任務(wù)均被分配，從而保證了種群中個(gè)體的可行性，采用拓?fù)渑判蚺c隨機(jī)搜索相結(jié)合的方式，保證了初始種群具有足夠的多樣性。

2.3 解碼

針對(duì)設(shè)定的工作站數(shù)量，對(duì)初始種群的每一個(gè)可行解，按照計(jì)算的最小節(jié)拍Ctheory劃分到不同的工作站中，從而判斷初始種群中個(gè)體的優(yōu)劣。

步驟1 初始化節(jié)拍：計(jì)算理論最小節(jié)拍Ctheory＝Total/k，Total為所有作業(yè)元素加工不同產(chǎn)品的加權(quán)總作業(yè)時(shí)間，k為給定的工作站數(shù)，令C＊＝Ctheory。

步驟2 以C＊為節(jié)拍，按照作業(yè)元素的分配順序，n個(gè)作業(yè)元素分配至k個(gè)工作站中，每個(gè)工作站的時(shí)間分別為T1，T2，…，Tk，k＝1，2，…，n。如果每個(gè)工作站的時(shí)間Tk≤C＊，則C＊就是這種排列下的最小節(jié)拍，搜索停止；否則執(zhí)行步驟3。

步驟3 計(jì)算裝配線節(jié)拍的潛在增量Δ1，Δ2，…，Δn－1，其中Δk，k＝1，2，…，（n－1）的值分別是第k＋1個(gè)工作站的第一個(gè)作業(yè)元素的時(shí)間。

通過每個(gè)個(gè)體的解碼操作，確定種群中個(gè)體工作站任務(wù)的分配，此時(shí)在每個(gè)工作站之間進(jìn)行插零操作，以提高算法的可視化操作。

2.4 適應(yīng)度

由于本文建立數(shù)學(xué)模型的目標(biāo)函數(shù)為求最小值，個(gè)體的適應(yīng)度值與種群中個(gè)體的目標(biāo)函數(shù)值相悖，即個(gè)體目標(biāo)函數(shù)值越小，其對(duì)應(yīng)的適應(yīng)度值越大。因此其適應(yīng)度函數(shù)可以設(shè)計(jì)如下：

式中：f為個(gè)體對(duì)應(yīng)的目標(biāo)函數(shù)；u為不小于maxf的常數(shù)。為保證遺傳算法在進(jìn)化初期保持種群的多樣性，在進(jìn)化后期突出優(yōu)良個(gè)體，本文應(yīng)用適應(yīng)度尺度變換法，縮小進(jìn)化初期個(gè)體適應(yīng)度的差異，擴(kuò)大進(jìn)化后期個(gè)體適應(yīng)度的差異［11］。

2.5 選擇

步驟1 計(jì)算出整個(gè)種群的適應(yīng)度值的總和S。

步驟2 將每個(gè)個(gè)體的適應(yīng)度值以隨機(jī)的順序映射到實(shí)線段［0，S］上相對(duì)應(yīng)的線段上，從而每一線段的長(zhǎng)度就與相對(duì)應(yīng)的適應(yīng)度值的大小成比例，如圖6所示。

步驟3 從間隔［0，S/N］中隨機(jī)選取一個(gè)數(shù)S0，S/N為適應(yīng)度值的平均值。

步驟4 計(jì)算出N個(gè)平均分布的數(shù)Si，其中Si＝S0＋i×（S/N），i＝0，1，2，…，N－1。計(jì)算集合｛Si｝中落在間隔k上值的個(gè)數(shù)，記為nk，如圖7所示。

步驟5 對(duì)于每一個(gè)k（k＝1，2，…，N），將個(gè)體k復(fù)制nk次。這種選擇方法保證了適應(yīng)度值高于群體平均適應(yīng)度值的個(gè)體一定會(huì)被選擇，從而加快算法的收斂速度。

2.6 交叉與變異

2.6.1 交叉操作

針對(duì)問題的特性和編碼方式，本文采用兩點(diǎn)交叉方法。從種群中隨機(jī)選取兩個(gè)染色體作為父代1、父代2并隨意生成兩個(gè)交叉點(diǎn)γ1、γ2（1≤γ1＜γ2≤n），將兩個(gè)父代染色體分為前中后三部分。取出父代1中染色體的中間部分，同時(shí)在父代2中查找這部分基因的排列順序，用父代2中的排列順序取代原來的排列順序，生成子代1；同理，取出父代2中染色體的中間部分，同時(shí)在父代1中查找這部分基因的排列順序，用父代1中的排列順序取代原來的排列順序，生成子代2。

2.6.2 變異操作

隨機(jī)產(chǎn)生一個(gè)染色體作為父代，然后產(chǎn)生一個(gè)變異點(diǎn)1≤γ3≤n。找出變異點(diǎn)的緊前工序與緊后工序，保持緊前工序及其以前的基因位置不變，保持緊后工序及其之后的基因位置不變，將變異點(diǎn)隨機(jī)插入染色體中緊前工序與緊后工序之間的基因位置，將這三部分基因合成為一個(gè)就生成了子代染色體（如圖9）。

2.6.3 算子設(shè)計(jì)

初始種群的個(gè)體雖然是可行解，但在算法運(yùn)行的早期，無法判斷出最優(yōu)個(gè)體是否出現(xiàn)。因此可以增大交叉和變異的概率以增強(qiáng)算法的尋優(yōu)能力；在迭代后期，算法逐漸收斂時(shí)，個(gè)體適應(yīng)度值變高，為不破壞個(gè)體中基因的優(yōu)良性，此時(shí)往往減小交叉和變異的概率，以提高算法的運(yùn)行效率，

式中：M為最大迭代次數(shù)，m為迭代次數(shù)，Pc為交叉概率，Pm為變異概率，Pcmin為最小交叉概率，Pcmax為最大交叉概率，Pmmin為最小變異概率，Pmmax為最大變異概率。

由于裝配線的優(yōu)化涉及任務(wù)之間的邏輯關(guān)系，本文算法的迭代步驟都受到約束關(guān)系的制約，從而保證在算法運(yùn)行中的所有個(gè)體都為可行解，以此加快算法的尋優(yōu)速度；此外，提出的改進(jìn)遺傳算法通過增設(shè)種群擴(kuò)張機(jī)制提高了算法的全局尋優(yōu)能力，按種群中個(gè)體適應(yīng)度值的大小排序，將子代種群中R個(gè)個(gè)體和父代種群中適應(yīng)度值小的前r個(gè)個(gè)體共同構(gòu)成一個(gè)包含（R＋r）個(gè)個(gè)體的新種群，對(duì)新種群個(gè)體進(jìn)行交叉和變異操作，產(chǎn)生R個(gè)新的子代種群個(gè)體，擴(kuò)大種群的搜索范圍。

綜上所述，本文設(shè)計(jì)的遺傳算法思路如圖10所示。

3 數(shù)值試驗(yàn)

為了便于與標(biāo)準(zhǔn)遺傳算法進(jìn)行對(duì)比，首先，只考慮最小生產(chǎn)節(jié)拍與縱向平衡兩個(gè)目標(biāo)。采用本文提出的改進(jìn)遺傳算法和標(biāo)準(zhǔn)遺傳算法進(jìn)行求解，對(duì)比結(jié)果如表2所示。從表中可以看出，所有案例的測(cè)試結(jié)果都表明改進(jìn)的遺傳算法在處理混流裝配線平衡問題上優(yōu)于標(biāo)準(zhǔn)遺傳算法。在運(yùn)行時(shí)間上，改進(jìn)遺傳算法具有一定的優(yōu)勢(shì)（如圖11）。

表2 優(yōu)化生產(chǎn)節(jié)拍與縱向平衡的結(jié)果對(duì)比

然后，同時(shí)考慮最小化生產(chǎn)節(jié)拍、各工作站內(nèi)產(chǎn)品加權(quán)任務(wù)時(shí)間均衡、安排相應(yīng)工人進(jìn)入對(duì)應(yīng)工作站以降低產(chǎn)品加工成本三個(gè)目標(biāo)，采用改進(jìn)遺傳算法求解。表3所示為求解結(jié)果。

最后，為了驗(yàn)證改進(jìn)遺傳算法的有效性，采用文獻(xiàn)［11］的數(shù)據(jù)進(jìn)行分析。該問題包含3種產(chǎn)品和39個(gè)任務(wù)，任務(wù)之間的綜合順序關(guān)系如圖12所示，每種產(chǎn)品的作業(yè)時(shí)間以及不同工人加工不同產(chǎn)品的成本如表4和表5所示。通過計(jì)算，表6給出了該問題的文獻(xiàn)中的算法、標(biāo)準(zhǔn)遺傳算法和改進(jìn)遺傳算法求解的最終優(yōu)化結(jié)果。

表3 同時(shí)考慮三個(gè)目標(biāo)的測(cè)試結(jié)果

續(xù)表3

表4 每個(gè)任務(wù)的作業(yè)時(shí)間

表5 每個(gè)工人的加工成本

續(xù)表5

表6 優(yōu)化結(jié)果

4 結(jié)束語

混流裝配線平衡對(duì)越來越重視生產(chǎn)線效率以及質(zhì)量的汽車、電子等制造型企業(yè)具有十分重要的現(xiàn)實(shí)意義。本文對(duì)混流裝配線平衡問題建立了多目標(biāo)模型并進(jìn)行了優(yōu)化研究，從優(yōu)化生產(chǎn)節(jié)拍、保證各工作站的加工時(shí)間均衡以及優(yōu)化產(chǎn)品的加工成本方面建立了相應(yīng)的數(shù)學(xué)模型，針對(duì)建立的模型，運(yùn)用自然數(shù)序列編碼策略和拓?fù)渑判蚶碚?，改進(jìn)算法的交叉、變異操作并進(jìn)行求解。通過實(shí)例驗(yàn)算表明了本文提出的改進(jìn)遺傳算法能夠有效解決混流裝配線多目標(biāo)問題。針對(duì)具體企業(yè)的產(chǎn)品需求速率變化，通過應(yīng)用該算法改進(jìn)了混流裝配線的生產(chǎn)效率，提升了企業(yè)的產(chǎn)能，使企業(yè)能更好地滿足消費(fèi)者的需求。本文所設(shè)計(jì)的改進(jìn)遺傳算法還可以進(jìn)一步用于雙邊、U型混流裝配線多目標(biāo)平衡優(yōu)化的研究。

［1］ LI Bin，CHEN Liping，HUANG Zhengdong，et al.Research on assembly line optimal scheduling for mass customization production［J］.China Mechanical Engineering，2005，16（24）：2198－2201（in Chinese）.［李 斌，陳立平，黃正東，等.面向大規(guī)模定制的裝配線優(yōu)化調(diào)度研究［J］.中國(guó)機(jī)械工程，2005，16（24）：2198－2201.］

［2］ BOYSEN N，F(xiàn)LIENDER M，SCHOLL A.A classification of assembly line balancing problem［J］.European Journal of Operational Research，2007，183（2）：674－693.

［3］ SIMARIA A S，VILARINHO P M.A genetic algorithm based approach to the mixed－model assembly line balancing problem of typeⅡ［J］.Computers ＆Industrial Engineering，2004，47（4）：391－407.

［4］ TALBOST F B，PATTERSON J H，GEHRLEIN W V.A comparative evaluation of heuristic line balancing techniques［J］.Management Science，1986，32（4）：430－454.

［5］ LAPIERRE S D，RUIZ A，SORIANO P.Balancing assembly lines with tabu search［J］.European Journal of Operational Research，2006，168（3）：826－837.

［6］ MANAVIZADEB N，PABBANI M，MOSHTAGHI D，et al.Mixed－model assembly line balancing in the make－to－order and stochastic environment using multi－objective evolutionary algorithms［J］.Expert Systems with Applications，2012，39（15）：12026－12031.

［7］ YAGMAHAN B.Mixed－model assembly line balancing using a multi－objective ant colony optimization approach［J］.Expert Systems with Applications，2011，38（10）：12453－12461.

［8］ YUAN Minghai，LI Dongbo，YU Minjian.Mixed－model assembly for mass customization［J］.Computer Integrated Manufacturing Systems，2008，14（1）：79－83（in Chinese）.［苑明海，李東波，于敏建.面向大規(guī)模定制的混流裝配線平衡研究［J］.計(jì)算機(jī)集成制造系統(tǒng)，2008，14（1）：79－83.］

［9］ GONG Xuxia，QI Ershi，LIU Liang.Multi－objective optimization for assembly line balancing problem based on fuzzy optimi－zation theory［J］.Machinery Design ＆ Manufacture，2013，7（7）：247－250（in Chinese）.［公緒霞，齊二石，劉 亮.基于模糊優(yōu)化理論的裝配線平衡多目標(biāo)優(yōu)化［J］.機(jī)械設(shè)計(jì)與制造，2013，7（7）：247－250.］

［10］ LI Ming，TANG Qiuhua，XI Zhongmin，et al.One－sided multi－objective assembly line model based on multi－layer programming［J］.Systems Engineering—Theory ＆ Practice，2011，31（11）：2185－2190（in Chinese）.［李 明，唐秋華，席忠民，等.基于多層規(guī)劃的單邊多目標(biāo)裝配線平衡調(diào)度模型［J］.系統(tǒng)工程理論與實(shí)踐，2011，31（11）：2185－2190.］

［11］ YU Zhaoqin，SU Ping.Combining genetic algorithm and simulation analysis for mixed－model assembly line balancing problem［J］.Computer Integrated Manufacturing Systems，2008，14（6）：1120－1129（in Chinese）.［于兆勤，蘇 平.基于遺傳算法和仿真分析的混合裝配線平衡問題研究［J］.計(jì)算機(jī)集成制造系統(tǒng)，2008，14（6）：1120－1129.］

［12］ PEN Hui，XU Kelin，SI Zhanhua.Multi－objective optimization for mixed－model assembly line balancing problem based on genetic algorithm［J］.Modern Manufacturing Engineering，2011，13（11）：49－53（in Chinese）.［彭 慧，徐克林，佀占華.采用遺傳算法的混流裝配線平衡多目標(biāo)優(yōu)化［J］.現(xiàn)代制造工程，2011，13（11）：49－53.］

［13］ YANG Caijun，GAO Jie，SUN Linyan. Multi－objective mixed－model assembly line rebalancing：model and algorithm［J］.Systems Engineering—Theory ＆ Practice，2013，33（8）：1956－1964（in Chinese）.［楊才君，高 杰，孫林巖.多目標(biāo)混流裝配線再平衡模型與算法［J］.系統(tǒng)工程理論與實(shí)踐，2013，33（8）：1956－1964.］