.png){kind=icon}
返回
A Q-Learning-Based Hyper-Heuristic Genetic Algorithm for Optimizing Human–Robot Collaborative Assembly Lines
.png){kind=icon}
OA
AI
DOI：10.3390/biomimetics11080600.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
人机协作装配线平衡与调度构成了一个涉及任务分配、资源分配、加工模式选择、工位级调度和人体工程学约束的NP难组合优化问题。本研究提出了一种基于Q学习的超启发式遗传算法（QLHH-GA），用于解决以成本为导向、兼顾人体工程学约束的混合模型人机协作装配线平衡与调度问题。所提出的方法将种群变异和选择等生物启发式进化机制与自适应的、由Q学习引导的低层启发式选择相结合。Q学习层利用性能反馈来适应不同解状态下的搜索策略，同时保持解的可行性。还开发了一种混合整数线性规划（MILP）模型，用于最小化总运营成本（包括工位开启成本、人工成本、机器人操作成本和能源消耗成本），并强制执行工位级能耗（EE）限制。使用不同规模的基准实例和基于文献的工业案例研究进行的计算实验表明，QLHH-GA在小规模实例上产生的解与MILP模型获得的解相当，并在大规模实例上保持了较强的解质量，而对于这些实例，精确优化在计算上变得不切实际。这些发现表明，强化学习引导的超启发式搜索在设计和优化成本高效且满足人体工程学约束的人机协作装配线方面具有可扩展性和有效性。
Keyword:
assembly line balancing and scheduling
bio-inspired optimization
energy expenditure
genetic algorithm
human–robot collaboration
hyper-heuristic
Q-learning
期刊
B
IF:
3.9
论文数:
3.2K
被引数:
5.1K
机构
引用论文
Bi-objective optimization of human-robot collaborative mixed-model multiple assembly lines considering model assignment and energy consumption考虑模型分配和能耗的人机协作混型多装配线的双目标优化
PREAI
分享收藏Integrated model assignment and multi-line balancing in human-robot collaborative mixed-model assembly lines集成模型分配与多线平衡在人与机器人协作的混型装配线中的应用
PREAI
分享收藏A Comprehensive Review of Bio-Inspired Optimization Algorithms Including Applications in Microelectronics and Nanophotonics生物启发优化算法的全面审查，包括在微电子学和纳米光子学中的应用.png)
BIOMIMETICS
OAAI
BIOMIMETICSIF3.9
OAAI分享收藏An efficient Q-learning-based multi-objective intelligent hybrid genetic algorithm for mixed-model assembly line efficiency基于Q-learning的多目标智能混合遗传算法以提高混型装配线效率
IF0
PREAI
分享收藏分享收藏
查看更多内容