一种产品装配调度方法、装置和设备

1.本发明涉及产品装配技术领域，特别涉及一种产品装配调度方法、装置和设备。


背景技术：

2.复杂产品是一类需求复杂、组成复杂、技术复杂、工艺复杂、管理复杂的产品，如卫星、导弹、飞机等。装配是复杂产品研制生产的最后一个环节，具有重要地位。据统计，装配占了将近50％的产品总生产时间，占了20％的总生产成本，以及占了30％至50％的人工成本。卫星、导弹等航天产品是一种典型的复杂产品，其装配过程具有面向订单生产、以手工装配为主、涉及专业领域广等特点。要完整实现航天产品的装配过程，不仅需要大量的人力资源，还涉及到种类繁多的物料、工人、工装等装配资源，另外在关键性的工艺路径上还设立有并行班组。因此生产效率往往不高且调度难度大。目前主要的调度方法常以专家经验或启发式规则为主，主观性过高、稳定性较差和调度效率低。此外，不合理的调度规划容易引起工人工作量的不均衡，造成人力资源的浪费。在以手工为主、机器为辅的工作情况下，工人更容易产生疲劳现象，导致工作效率降低。因此协调好工人间的工作量负荷也是一个不可忽视的问题。


技术实现要素：

3.本发明实施例提供一种产品装配调度方法、装置和设备，用以解决现有的产品装配过程中，生产效率低以及装配工人工作忙闲不均衡的问题。
4.为了解决上述技术问题，本发明实施例提供如下技术方案：
5.本发明实施例提供一种产品装配调度方法，包括：
6.根据产品装配信息，建立整数规划模型；所述整数规划模型包括用于指示最小化班组完工时间的最大值的第一目标函数、用于指示最小化忙闲不均衡度的第二目标函数和用于指示班组中的装配工人进行装配工作的约束条件；
7.根据所述根据产品装配信息和所述整数规划模型，利用双层混合编码方式，确定工人分配码和任务次序码；所述工人分配码用于指示装配工人可去的工作岗位；所述任务次序码用于指示装配任务进入装配岛的次序；
8.基于所述整数规划模型，根据所述工人分配码和所述任务次序码，得到多个产品装配调度方案；
9.利用改进的多目标改进算法moea，在所述多个产品装配调度方案确定产品装配调度优化方案。
10.可选地，所述产品装配信息包括：
11.装配岛区域信息；
12.装配岛中的班组信息；
13.装配任务在装配岛中所需的全部技能信息；
14.装配工人信息；
15.装配任务信息；
16.装配工人可去的班组中的工作岗位坐标信息；
17.装配工人所具备的技能和具备的技能的熟练度；
18.装配任务中，装配工人完成技能对应的装配任务所需的基本工时。
19.可选地，所述第二目标函数是根据各班组最大工作时间段的均方差和班组间总工作时间段的均方差确定的。
20.可选地，所述约束条件包括：
21.第一约束条件，用于指示装配工人具备的技能和具备的技能的熟练程度；
22.第二约束条件，用于指示装配工人是否在班组上工作；
23.第三约束条件，用于指示装配任务是否在班组上处理；
24.第四约束条件，用于指示班组上是否需要处理技能对应的工作任务；
25.第五约束条件，用于指示班组上装配任务的处理顺序；
26.第六约束条件，用于指示装配工人具备的技能的熟练程度对工时的影响程度；
27.第七约束条件，用于指示班组在处理装配任务的工作时长；
28.第八约束条件，用于指示装配工人具备的目标技能的熟练程度不为0的情况下，才可以被分配到需要所述目标技能处理对应的工作任务的班组中；
29.第九约束条件，用于指示分配给全部班组的装配工人的数量；
30.第十约束条件，用于指示同一装配岛上的同一班组必须具备相同的技能；
31.第十一约束条件，用于指示同一装配岛上的不同班组必须具备的不同技能；
32.第十二约束条件，用于指示每个装配任务在每个装配岛上只能被分配给一个班组处理；
33.第十三约束条件，用于指示班组上的装配任务开始时间为0，或为班组处理前一个装配任务的结束时间；
34.第十四约束条件，用于指示班组上的装配任务结束时间为班组上的装配任务开始时间与班组上的装配任务处理时间之和；
35.第十五约束条件，用于指示一个装配任务不能同时在多个装配岛上进行处理；
36.第十六约束条件，用于指示一个班组在同一时刻只能处理一个装配任务。
37.可选地，利用双层混合编码方式，确定工人分配码和任务次序码，包括：
38.利用整数编码的方式，确定所述工人分配码；
39.利用排列编码的方式，确定所述任务次序码。
40.可选地，根据所述根据产品装配信息和所述整数规划模型，利用双层混合编码方式，确定工人分配码，包括：
41.根据所述产品装配信息中的装配任务在装配岛中所需的全部技能信息以及所述产品装配信息中的装配岛中的班组信息，得到需求岗位信息；
42.根据所述需求岗位信息和装配工人具备的技能，在满足所述约束条件的情况下，确定所述工人分配码。
43.可选地，基于所述整数规划模型，根据所述工人分配码和所述任务次序码，得到多个产品装配调度方案，包括：
44.根据所述工人分配码，确定第一工人信息；所述第一工人信息包括在班组上工作
的装配工人的分配信息；
45.根据所述第一工人信息，确定第一工时信息；所述第一工时信息包括每个班组上的装配工人在处理装配任务时的工作时长；
46.根据所述任务次序码和所述第一工时信息，确定任务次序信息；所述任务次序信息包括每个装配任务进入每个装配岛的次序；
47.根据所述第一工时信息和班组工作信息，确定第一班组信息；第一班组信息用于指示目标装配任务在目标班组上进行处理；所述目标装配任务为所述每个装配任务的其中之一；所述目标班组为所述班组的其中之一；所述班组工作信息包括：班组处理当前装配任务的开始时间、班组处理当前装配任务的结束时间和班组处理装配任务的工作时长；
48.根据所述任务次序信息、所述第一班组信息和所述第一工人信息，得到所述多个产品装配调度方案。
49.可选地，所述方法还包括：
50.确定每一所述产品装配调度方案对应的所述第一目标函数的第一函数值；
51.确定每一所述产品装配调度方案对应的所述第二目标函数的第二函数值。
52.可选地，根据所述第一工时信息和班组工作信息，确定第一班组信息，包括：
53.确定每一所述班组中，处理当前装配任务的结束时间最近的第一班组为所述目标班组；
54.在存在多个所述第一班组的情况下，在所述第一班组中，确定已经工作时长最小的第二班组为所述目标班组；
55.在存在多个所述第二班组的情况下，确定所述第二班组中的第三班组为所述目标班组；所述第三班组为所述第二班组中的任意一个班组。
56.可选地，根据改进的多目标改进算法moea，在所述多个产品装配调度方案确定产品装配调度优化方案之前，所述方法还包括：
57.通过改进策略，对多目标改进算法moea进行改进，得到改进的多目标改进算法moea；
58.所述改进策略包括以下至少之一：
59.改进搜索机制策略；
60.改进进化种群结构策略；
61.改进种群分布性保持机制策略。
62.可选地，通过改进搜索机制策略，对多目标改进算法moea进行改进，得到改进的多目标改进算法moea，包括：
63.根据预设的适合排列编码的突变方式和预设的适合整数编码的突变方式，得到突变组合复方案；
64.根据所述突变组合方案，对进化子代进行进一步搜索，得到突变子代，以使得所述改进的多目标改进算法moea在所述进化子代、所述突变子代和种群父代中进行搜索。
65.可选地，通过改进进化种群结构策略，对多目标改进算法moea进行改进，得到改进的多目标改进算法moea，包括：
66.对进化子代进行非支配层级划分；
67.确定非支配层级小于或等于第一预设层级的进化子代为精英子代；
68.根据所述精英子代对所述进化子代进行搜索，得到突变精英子代，以使得所述改进的多目标改进算法moea在所述突变精英子代中进行搜索。
69.可选地，通过改进种群分布性保持机制策略，对多目标改进算法moea进行改进，得到改进的多目标改进算法moea，包括：
70.对进化子代进行非支配层级划分；
71.根据非近亲度计算函数，对拥挤距离策略进行改进，以使得所述改进的多目标改进算法moea根据目标非支配层级的进化子代生成下一代个体；
72.其中，所述非近亲度计算函数是根据拥挤距离和相似度确定的；
73.所述目标非支配层级为个体总数小于预设种群个体数，且合并后个体总数大于预设种群个体数的非支配层级。
74.可选地，所述方法还包括：
75.对改进的第一多目标改进算法moea的复杂度进行分析，得到第一复杂度分析结果；所述改进的第一多目标改进算法moea是通过所述改进搜索机制策略对多目标改进算法moea进行改进后得到的；
76.对改进的第二多目标改进算法moea的复杂度进行分析，得到第二复杂度分析结果；所述改进的第二多目标改进算法moea是通过所述改进进化种群结构策略对多目标改进算法moea进行改进后得到的；
77.对改进的第三多目标改进算法moea的复杂度进行分析，得到第三复杂度分析结果；所述改进的第三多目标改进算法moea是通过所述改进种群分布性保持机制策略对多目标改进算法moea进行改进后得到的；
78.对预设的多目标改进算法的复杂度进行分析，得到第四复杂度分析结果；
79.对所述第一复杂度分析结果、所述第二复杂度分析结果、所述第三复杂度分析结果和所述第四复杂度分析结果进行对比，得到用于指示所述改进的多目标改进算法moea的复杂度的第一对比结果。
80.可选地，所述方法还包括：
81.根据预设的第一装配岛数量、预设的第一装配任务数量和预设的第一装配工人数量，得到第一装配调度测试方案；
82.通过改进的第一多目标优化算法moea和所述第一装配调度测试方案，得到非支配解的第一并集，以及所述第一并集中的非支配解的第一帕累托前沿，所述第一帕累托前沿用于指示所述改进的第一多目标优化算法moea的逼近最优解的能力；所述改进的第一多目标改进算法moea是通过所述改进搜索机制策略对多目标改进算法moea进行改进后得到的；
83.通过改进的第二多目标优化算法moea和所述第一装配调度测试方案，得到非支配解的第二并集，以及所述第二并集中的非支配解的第二帕累托前沿，所述第二帕累托前沿用于指示所述改进的第二多目标优化算法moea的逼近最优解的能力；所述改进的第二多目标改进算法moea是通过所述改进进化种群结构策略对多目标改进算法moea进行改进后得到的；
84.通过改进的第四多目标优化算法moea和所述第一装配调度测试方案，得到非支配解的第三并集，以及所述第三并集中的非支配解的第三帕累托前沿，所述第三帕累托前沿用于指示所述改进的第四多目标优化算法moea的逼近最优解的能力；所述改进的第四多目
标改进算法moea是通过所述改进进化种群结构策略对多目标改进算法moea进行改进后得到的；
85.通过预设的多目标优化算法和所述第一装配调度测试方案，得到非支配解的第四并集，以及所述第四并集中的非支配解的第四帕累托前沿，所述第四帕累托前沿用于指示所述预设的多目标优化算法的逼近最优解的能力；
86.对所述第一帕累托前沿、所述第二帕累托前沿、所述第三帕累托前沿和所述第四帕累托前沿进行对比，得到用于指示所述改进的多目标优化算法moea的逼近最优解的能力的第二对比结果。
87.可选地，所述方法还包括：
88.根据预设的第二装配岛数量、预设的第二装配任务数量和预设的第二装配工人数量，得到第二装配调度测试方案；
89.通过改进的第一多目标优化算法moea和所述第二装配调度测试方案，得到非支配解的第一并集，以及根据所述第一并集，得到所述改进的第一多目标优化算法moea的第一反世代距离分析结果和第一超体积指数分析结果；所述改进的第一多目标改进算法moea是通过所述改进搜索机制策略对多目标改进算法moea进行改进后得到的；
90.通过改进的第二多目标优化算法moea和所述第二装配调度测试方案，得到非支配解的第二并集，以及根据所述第二并集，得到所述改进的第二多目标优化算法moea的第二反世代距离分析结果和第二超体积指数分析结果；所述改进的第二多目标改进算法moea是通过所述改进进化种群结构策略对多目标改进算法moea进行改进后得到的；
91.通过改进的第四多目标优化算法moea和所述第二装配调度测试方案，得到非支配解的第三并集，以及根据所述第三并集，得到所述改进的第四多目标优化算法moea的第三反世代距离分析结果和第三超体积指数分析结果；所述改进的第四多目标改进算法moea是通过所述改进进化种群结构策略对多目标改进算法moea进行改进后得到的；
92.通过预设的多目标优化算法和所述第二装配调度测试方案，得到非支配解的第四并集，以及根据所述第三并集，得到所述预设的多目标优化算法的第四反世代距离分析结果和第四超体积指数分析结果；
93.对所述第一反世代距离分析结果、所述第二反世代距离分析结果、所述第三反世代距离分析结果和所述第四反世代距离分析结果进行对比，得到用于指示所述改进的多目标优化算法moea的收敛性的第三对比结果；
94.对所述第一超体积指数分析结果、所述第二超体积指数分析结果、所述第三超体积指数分析结果和所述第四超体积指数分析结果进行对比，得到用于指示所述改进的多目标优化算法moea的收敛性的第四对比结果。
95.可选地，所述方法还包括：
96.根据所述第一反世代距离分析结果、所述第二反世代距离分析结果、所述第三反世代距离分析结果和所述第四反世代距离分析结果，得到用于指示所述改进的多目标优化算法moea的稳定性的第五对比结果；
97.根据所述第一超体积指数分析结果、所述第二超体积指数分析结果、所述第三超体积指数分析结果和所述第四超体积指数分析结果，得到用于指示所述改进的多目标优化算法moea的稳定性的第六对比结果。
98.可选地，所述方法还包括：
99.以所述改进的第一多目标优化算法moea为基准，根据所述第一反世代距离分析结果、所述第二反世代距离分析结果、所述第三反世代距离分析结果和所述第四反世代距离分析结果，得到用于指示所述改进的多目标优化算法moea的支配性的第七对比结果；
100.以所述改进的第一多目标优化算法moea为基准，根据所述第一超体积指数分析结果、所述第二超体积指数分析结果、所述第三超体积指数分析结果和所述第四超体积指数分析结果，得到用于指示所述改进的多目标优化算法moea的支配性的第八对比结果。
101.可选地，所述方法还包括：
102.根据所述第一帕累托前沿、所述第二帕累托前沿和所述第三帕累托前沿，得到用于指示所述改进的多目标优化算法moea的适用性的第九对比结果。
103.可选地，所述方法还包括：
104.根据所述第一反世代距离分析结果、所述第二反世代距离分析结果和所述第三反世代距离分析结果，得到用于指示所述改进的多目标优化算法moea的适用性的第十对比结果。
105.可选地，所述方法还包括：
106.根据所述第一超体积指数分析结果、所述第二超体积指数分析结果和所述第三超体积指数分析结果，得到用于指示所述改进的多目标优化算法moea的适用性的第十一对比结果。
107.本发明实施例还提供一种产品装配调度装置，包括：
108.模型建立模块，用于根据产品装配信息，建立整数规划模型；所述整数规划模型包括用于指示最小化班组完工时间的最大值的第一目标函数、用于指示最小化忙闲不均衡度的第二目标函数和用于指示班组中的装配工人进行装配工作的约束条件；
109.第一确定模块，用于根据所述根据产品装配信息和所述整数规划模型，利用双层混合编码方式，确定工人分配码和任务次序码；所述工人分配码用于指示装配工人可去的工作岗位；所述任务次序码用于指示装配任务进入装配岛的次序；
110.第二确定模块，用于基于所述整数规划模型，根据所述工人分配码和所述任务次序码，得到多个产品装配调度方案；
111.第三确定模块，用于利用改进的多目标改进算法moea，在所述多个产品装配调度方案确定产品装配调度优化方案。
112.可选地，所述产品装配信息包括：
113.装配岛区域信息；
114.装配岛中的班组信息；
115.装配任务在装配岛中所需的全部技能信息；
116.装配工人信息；
117.装配任务信息；
118.装配工人可去的班组中的工作岗位坐标信息；
119.装配工人所具备的技能和具备的技能的熟练度；
120.装配任务中，装配工人完成技能对应的装配任务所需的基本工时。
121.可选地，所述第二目标函数是根据各班组最大工作时间段的均方差和班组间总工
作时间段的均方差确定的。
122.可选地，所述约束条件包括：
123.第一约束条件，用于指示装配工人具备的技能和具备的技能的熟练程度；
124.第二约束条件，用于指示装配工人是否在班组上工作；
125.第三约束条件，用于指示装配任务是否在班组上处理；
126.第四约束条件，用于指示班组上是否需要处理技能对应的工作任务；
127.第五约束条件，用于指示班组上装配任务的处理顺序；
128.第六约束条件，用于指示装配工人具备的技能的熟练程度对工时的影响程度；
129.第七约束条件，用于指示班组在处理装配任务的工作时长；
130.第八约束条件，用于指示装配工人具备的目标技能的熟练程度不为0的情况下，才可以被分配到需要所述目标技能处理对应的工作任务的班组中；
131.第九约束条件，用于指示分配给全部班组的装配工人的数量；
132.第十约束条件，用于指示同一装配岛上的同一班组必须具备相同的技能；
133.第十一约束条件，用于指示同一装配岛上的不同班组必须具备的不同技能；
134.第十二约束条件，用于指示每个装配任务在每个装配岛上只能被分配给一个班组处理；
135.第十三约束条件，用于指示班组上的装配任务开始时间为0，或为班组处理前一个装配任务的结束时间；
136.第十四约束条件，用于指示班组上的装配任务结束时间为班组上的装配任务开始时间与班组上的装配任务处理时间之和；
137.第十五约束条件，用于指示一个装配任务不能同时在多个装配岛上进行处理；
138.第十六约束条件，用于指示一个班组在同一时刻只能处理一个装配任务。
139.可选地，所述第一确定模块，包括：
140.第一确定单元，用于利用整数编码的方式，确定所述工人分配码；
141.第二确定单元，用于利用排列编码的方式，确定所述任务次序码。
142.可选地，所述第一确定模块，包括：
143.第三确定单元，用于根据所述产品装配信息中的装配任务在装配岛中所需的全部技能信息以及所述产品装配信息中的装配岛中的班组信息，得到需求岗位信息；
144.第四确定单元，用于根据所述需求岗位信息和装配工人具备的技能，在满足所述约束条件的情况下，确定所述工人分配码。
145.可选地，所述第二确定模块，包括：
146.第五确定单元，用于根据所述工人分配码，确定第一工人信息；所述第一工人信息包括在班组上工作的装配工人的分配信息；
147.第六确定单元，用于根据所述第一工人信息，确定第一工时信息；所述第一工时信息包括每个班组上的装配工人在处理装配任务时的工作时长；
148.第七确定单元，用于根据所述任务次序码和所述第一工时信息，确定任务次序信息；所述任务次序信息包括每个装配任务进入每个装配岛的次序；
149.第八确定单元，用于根据所述第一工时信息和班组工作信息，确定第一班组信息；第一班组信息用于指示目标装配任务在目标班组上进行处理；所述目标装配任务为所述每
个装配任务的其中之一；所述目标班组为所述班组的其中之一；所述班组工作信息包括：班组处理当前装配任务的开始时间、班组处理当前装配任务的结束时间和班组处理装配任务的工作时长；
150.第九确定单元，用于根据所述任务次序信息、所述第一班组信息和所述第一工人信息，得到所述多个产品装配调度方案。
151.可选地，所述第二确定模块，还包括：
152.第十确定单元，用于确定每一所述产品装配调度方案对应的所述第一目标函数的第一函数值；
153.第十一确定单元，用于确定每一所述产品装配调度方案对应的所述第二目标函数的第二函数值。
154.可选地，所述第八确定单元，具体用于：
155.确定每一所述班组中，处理当前装配任务的结束时间最近的第一班组为所述目标班组；
156.在存在多个所述第一班组的情况下，在所述第一班组中，确定已经工作时长最小的第二班组为所述目标班组；
157.在存在多个所述第二班组的情况下，确定所述第二班组中的第三班组为所述目标班组；所述第三班组为所述第二班组中的任意一个班组。
158.可选地，所述装置还包括：
159.算法改进模块，用于通过改进策略，对多目标改进算法moea进行改进，得到改进的多目标改进算法moea；
160.所述改进策略包括以下至少之一：
161.改进搜索机制策略；
162.改进进化种群结构策略；
163.改进种群分布性保持机制策略。
164.可选地，所述算法改进模块，包括：
165.第一处理单元，用于根据预设的适合排列编码的突变方式和预设的适合整数编码的突变方式，得到突变组合复方案；
166.第一搜索单元，用于根据所述突变组合方案，对进化子代进行进一步搜索，得到突变子代，以使得所述改进的多目标改进算法moea在所述进化子代、所述突变子代和种群父代中进行搜索。
167.可选地，所述算法改进模块，包括：
168.第一层级划分单元，用于对进化子代进行非支配层级划分；
169.第十二确定单元，用于确定非支配层级小于或等于第一预设层级的进化子代为精英子代；
170.第二搜索单元，用于根据所述精英子代对所述进化子代进行搜索，得到突变精英子代，以使得所述改进的多目标改进算法moea在所述突变精英子代中进行搜索。
171.可选地，所述算法改进模块，包括：
172.第二层级划分单元，用于对进化子代进行非支配层级划分；
173.第二处理单元，用于根据非近亲度计算函数，对拥挤距离策略进行改进，以使得所
述改进的多目标改进算法moea根据目标非支配层级的进化子代生成下一代个体；
174.其中，所述非近亲度计算函数是根据拥挤距离和相似度确定的；
175.所述目标非支配层级为个体总数小于预设种群个体数，且合并后个体总数大于预设种群个体数的非支配层级。
176.可选地，所述算法改进模块，还包括：
177.第一分析单元，用于对改进的第一多目标改进算法moea的复杂度进行分析，得到第一复杂度分析结果；所述改进的第一多目标改进算法moea是通过所述改进搜索机制策略对多目标改进算法moea进行改进后得到的；
178.第二分析单元，用于对改进的第二多目标改进算法moea的复杂度进行分析，得到第二复杂度分析结果；所述改进的第二多目标改进算法moea是通过所述改进进化种群结构策略对多目标改进算法moea进行改进后得到的；
179.第三分析单元，用于对改进的第三多目标改进算法moea的复杂度进行分析，得到第三复杂度分析结果；所述改进的第三多目标改进算法moea是通过所述改进种群分布性保持机制策略对多目标改进算法moea进行改进后得到的；
180.第四分析单元，用于对预设的多目标改进算法的复杂度进行分析，得到第四复杂度分析结果；
181.第一对比单元，用于对所述第一复杂度分析结果、所述第二复杂度分析结果、所述第三复杂度分析结果和所述第四复杂度分析结果进行对比，得到用于指示所述改进的多目标改进算法moea的复杂度的第一对比结果。
182.可选地，所述算法改进模块，还包括：
183.第十三确定单元，用于根据预设的第一装配岛数量、预设的第一装配任务数量和预设的第一装配工人数量，得到第一装配调度测试方案；
184.第三处理单元，用于通过改进的第一多目标优化算法moea和所述第一装配调度测试方案，得到非支配解的第一并集，以及所述第一并集中的非支配解的第一帕累托前沿，所述第一帕累托前沿用于指示所述改进的第一多目标优化算法moea的逼近最优解的能力；所述改进的第一多目标改进算法moea是通过所述改进搜索机制策略对多目标改进算法moea进行改进后得到的；
185.第四处理单元，用于通过改进的第二多目标优化算法moea和所述第一装配调度测试方案，得到非支配解的第二并集，以及所述第二并集中的非支配解的第二帕累托前沿，所述第二帕累托前沿用于指示所述改进的第二多目标优化算法moea的逼近最优解的能力；所述改进的第二多目标改进算法moea是通过所述改进进化种群结构策略对多目标改进算法moea进行改进后得到的；
186.第五处理单元，用于通过改进的第四多目标优化算法moea和所述第一装配调度测试方案，得到非支配解的第三并集，以及所述第三并集中的非支配解的第三帕累托前沿，所述第三帕累托前沿用于指示所述改进的第四多目标优化算法moea的逼近最优解的能力；所述改进的第四多目标改进算法moea是通过所述改进进化种群结构策略对多目标改进算法moea进行改进后得到的；
187.第六处理单元，用于通过预设的多目标优化算法和所述第一装配调度测试方案，得到非支配解的第四并集，以及所述第四并集中的非支配解的第四帕累托前沿，所述第四
帕累托前沿用于指示所述预设的多目标优化算法的逼近最优解的能力；
188.第二对比单元，用于对所述第一帕累托前沿、所述第二帕累托前沿、所述第三帕累托前沿和所述第四帕累托前沿进行对比，得到用于指示所述改进的多目标优化算法moea的逼近最优解的能力的第二对比结果。
189.可选地，所述算法改进模块，还包括：
190.第十四确定单元，用于根据预设的第二装配岛数量、预设的第二装配任务数量和预设的第二装配工人数量，得到第二装配调度测试方案；
191.第七处理单元，用于通过改进的第一多目标优化算法moea和所述第二装配调度测试方案，得到非支配解的第一并集，以及根据所述第一并集，得到所述改进的第一多目标优化算法moea的第一反世代距离分析结果和第一超体积指数分析结果；所述改进的第一多目标改进算法moea是通过所述改进搜索机制策略对多目标改进算法moea进行改进后得到的；
192.第八处理单元，用于通过改进的第二多目标优化算法moea和所述第二装配调度测试方案，得到非支配解的第二并集，以及根据所述第二并集，得到所述改进的第二多目标优化算法moea的第二反世代距离分析结果和第二超体积指数分析结果；所述改进的第二多目标改进算法moea是通过所述改进进化种群结构策略对多目标改进算法moea进行改进后得到的；
193.第九处理单元，用于通过改进的第四多目标优化算法moea和所述第二装配调度测试方案，得到非支配解的第三并集，以及根据所述第三并集，得到所述改进的第四多目标优化算法moea的第三反世代距离分析结果和第三超体积指数分析结果；所述改进的第四多目标改进算法moea是通过所述改进进化种群结构策略对多目标改进算法moea进行改进后得到的；
194.第十处理单元，用于通过预设的多目标优化算法和所述第二装配调度测试方案，得到非支配解的第四并集，以及根据所述第三并集，得到所述预设的多目标优化算法的第四反世代距离分析结果和第四超体积指数分析结果；
195.第三对比单元，用于对所述第一反世代距离分析结果、所述第二反世代距离分析结果、所述第三反世代距离分析结果和所述第四反世代距离分析结果进行对比，得到用于指示所述改进的多目标优化算法moea的收敛性的第三对比结果；
196.第四对比单元，用于对所述第一超体积指数分析结果、所述第二超体积指数分析结果、所述第三超体积指数分析结果和所述第四超体积指数分析结果进行对比，得到用于指示所述改进的多目标优化算法moea的收敛性的第四对比结果。
197.可选地，所述算法改进模块，还包括：
198.第十一处理单元，用于根据所述第一反世代距离分析结果、所述第二反世代距离分析结果、所述第三反世代距离分析结果和所述第四反世代距离分析结果，得到用于指示所述改进的多目标优化算法moea的稳定性的第五对比结果；
199.第十二处理单元，用于根据所述第一超体积指数分析结果、所述第二超体积指数分析结果、所述第三超体积指数分析结果和所述第四超体积指数分析结果，得到用于指示所述改进的多目标优化算法moea的稳定性的第六对比结果。
200.可选地，所述算法改进模块，还包括：
201.第十三处理单元，用于以所述改进的第一多目标优化算法moea为基准，根据所述
第一反世代距离分析结果、所述第二反世代距离分析结果、所述第三反世代距离分析结果和所述第四反世代距离分析结果，得到用于指示所述改进的多目标优化算法moea的支配性的第七对比结果；
202.第十四处理单元，用于以所述改进的第一多目标优化算法moea为基准，根据所述第一超体积指数分析结果、所述第二超体积指数分析结果、所述第三超体积指数分析结果和所述第四超体积指数分析结果，得到用于指示所述改进的多目标优化算法moea的支配性的第八对比结果。
203.可选地，所述算法改进模块，还包括：
204.第十五处理单元，用于根据所述第一帕累托前沿、所述第二帕累托前沿和所述第三帕累托前沿，得到用于指示所述改进的多目标优化算法moea的适用性的第九对比结果。
205.可选地，所述算法改进模块，还包括：
206.第十六处理单元，用于根据所述第一反世代距离分析结果、所述第二反世代距离分析结果和所述第三反世代距离分析结果，得到用于指示所述改进的多目标优化算法moea的适用性的第十对比结果。
207.可选地，所述算法改进模块，还包括：
208.第十七处理单元，用于根据所述第一超体积指数分析结果、所述第二超体积指数分析结果和所述第三超体积指数分析结果，得到用于指示所述改进的多目标优化算法moea的适用性的第十一对比结果。
209.本发明实施例还提供一种产品装配调度设备，包括：处理器、存储器及存储在所述存储器上并可在所述处理器上运行的程序，所述程序被所述处理器执行时实现如上任一项所述的产品装配调度方法的步骤。
210.本发明实施例还提供一种可读存储介质，所述可读存储介质上存储有程序，所述程序被处理器执行时实现如上任一项所述的产品装配调度方法中的步骤。
211.本发明的有益效果是：
212.本发明方案，根据产品装配信息，建立包括用于指示最小化班组完工时间的最大值的第一目标函数、用于指示最小化忙闲不均衡度的第二目标函数和用于指示班组中的装配工人进行装配工作的约束条件的整数规划模型，以最小化最大完工时间和最小化忙闲不均衡度为优化目标，并且通过混合编码和解码的方式，得到多个产品装配调度方案，以及改进的多目标改进算法moea，得到产品装配调度优化方案，可以提高生产效率，减少装配工人忙闲不均现象的产生。
附图说明
213.图1表示本发明实施例提供的产品装配调度方法的流程图；
214.图2表示本发明实施例提供的双层混合编码的示意图；
215.图3表示本发明实施例提供的确定工人分配码的示意图；
216.图4表示本发明实施例提供的改进策略1的示意图；
217.图5表示本发明实施例提供的改进策略2的示意图；
218.图6表示本发明实施例提供的改进策略3的示意图；
219.图7表示本发明实施例提供的技能在装配岛分布示意图；
220.图8表示本发明实施例提供的pf散点图之一；
221.图9表示本发明实施例提供的pf散点图之二；
222.图10表示本发明实施例提供的pf散点图之三；
223.图11表示本发明实施例提供的pf散点图之四；
224.图12表示本发明实施例提供的igd指标趋势图之一；
225.图13表示本发明实施例提供的igd指标趋势图之二；
226.图14表示本发明实施例提供的igd指标趋势图之三；
227.图15表示本发明实施例提供的igd指标趋势图之四；
228.图16表示本发明实施例提供的hv指标趋势图之一；
229.图17表示本发明实施例提供的hv指标趋势图之二；
230.图18表示本发明实施例提供的hv指标趋势图之三；
231.图19表示本发明实施例提供的hv指标趋势图之四；
232.图20表示本发明实施例提供的igd指标的箱线图之一；
233.图21表示本发明实施例提供的igd指标的箱线图之二；
234.图22表示本发明实施例提供的igd指标的箱线图之三；
235.图23表示本发明实施例提供的igd指标的箱线图之四；
236.图24表示本发明实施例提供的hv指标的箱线图之一；
237.图25表示本发明实施例提供的hv指标的箱线图之二；
238.图26表示本发明实施例提供的hv指标的箱线图之三；
239.图27表示本发明实施例提供的hv指标的箱线图之四；
240.图28表示本发明实施例提供的产品装配调度装置的结构示意图；
241.图29表示本发明实施例提供的产品装配调度设备的结构示意图。
具体实施方式
242.为使本发明的目的、技术方案和优点更加清楚，下面将结合附图及具体实施例对本发明进行详细描述。
243.本发明针对现有的产品装配过程中，生产效率低以及装配工人工作忙闲不均衡的问题，提供一种产品装配调度方法、装置和设备。
244.如图1所示，本发明实施例提供一种产品装配调度方法，包括：
245.步骤101：根据产品装配信息，建立整数规划模型；所述整数规划模型包括用于指示最小化班组完工时间的最大值的第一目标函数、用于指示最小化忙闲不均衡度的第二目标函数和用于指示班组中的装配工人进行装配工作的约束条件。
246.需要说明的是，本发明实施例以复杂产品装配线调度问题，提炼了其工艺关键路径作为混合流水车间模型，并且考虑了装配线上的多技能多水平的装配工人的分配问题，提出了混合流水装配线人员分配问题(workers assignment problem of hybrid assembly line，waphal)。该问题的难点在于混合流水车间中的并行机是不相关的，且不是机器而是由装配工人组成的班组。此外，对装配于工人的分配不光要考虑数量上的分配，还需要考虑工人的技能和水平。是一个多变量耦合的非确定性多项式(non-deterministic polynomial，np)难问题。
247.在小批量的航天产品装配任务中存在大量可并行处理工艺，因此会在装配过程中设立并行班组以提高生产效率。同时航天产品作为一种复杂产品，不仅依赖于以人为主的手工装配，还会涉及到种类差异大且数量多的技能和工种。基于这些特点设置的装配生产线上，分布有多个称之为“装配岛”的装配区域。在装配岛中，以装配产品的组部件为中心，四周布置大量装配工装、人员和物料。每个装配岛存在一定数量的并行班组以处理装配任务，此外每个装配岛处理装配任务中关于p技能类型的工作。装配岛集中了工艺规程的关键任务节点及汇合节点，流经装配岛的工艺关键路径可抽象为混合流水车间问题模型。对带有并行班组的装配岛上的人力资源进行合理的分配则可定义为混合流水装配线人员分配问题，该问题可视为混合流水车间调度问题(hybrid flow-shop scheduling problem，hfsp)和alwap的深层次耦合问题。
248.在本步骤中，根据产品装配信息，建立整数规划模型。整数规划模型包括第一目标函数和第二目标函数。其中，第一目标函数表示以最小化最大完工时间为优化目标，该目标衡量了企业的经济成本和生产效率。第二目标函数表示以最小化忙闲不均衡度(unbalanced busy hours)为优化目标，该目标衡量了流水线中班组工作负荷的平衡性。因此，两个目标的设立确保从经济效益和人因效益两个方面优化生产过程。整数规划模型还包括用于指示班组中的装配工人进行装配工作的约束条件。
249.步骤102：根据所述根据产品装配信息和所述整数规划模型，利用双层混合编码方式，确定工人分配码和任务次序码；所述工人分配码用于指示装配工人可去的工作岗位；所述任务次序码用于指示装配任务进入装配岛的次序。
250.在本步骤中，提出一种双层混合编码方式，以更好地处理多变量耦合的waphal问题。每个染色体由两个向量组成，分别为工人分配码和任务次序码。工人分配码长度为|w|，其中第w个基因位含义为工人w被分配去的岗位序号，任务次序码长度为|j|，该码上的基因位序表示装配任务j进入装配岛关键路径的次序。
251.步骤103：基于所述整数规划模型，根据所述工人分配码和所述任务次序码，得到多个产品装配调度方案。
252.在本步骤中，基于整数规划模型，对上述染色体进行解码，可以得到多个产品装配调度方案，每个装配调度方案包括装配任务进行装配岛的次序，负责处理装配任务的班组和装配工人所去的班组中的岗位等信息。
253.步骤104：利用改进的多目标改进算法moea，在所述多个产品装配调度方案确定产品装配调度优化方案。
254.在本步骤中，基于多目标改进算法(multi-objective evolutionary algorithm，moea)框架进行改进，得到改进后的多目标改进算法moea，在多个产品调度方案中寻优，得到产品装配调度优化方案。
255.可选地，所述产品装配信息包括：
256.装配岛区域信息；
257.装配岛中的班组信息；
258.装配任务在装配岛中所需的全部技能信息；
259.装配工人信息；
260.装配任务信息；
261.装配工人可去的班组中的工作岗位坐标信息；
262.装配工人所具备的技能和具备的技能的熟练度；
263.装配任务中，装配工人完成技能对应的装配任务所需的基本工时。
264.首先进行本实施例中使用的符号及其对应含义进行说明：
265.i：表示装配区域集合；
266.i：表示装配岛区域索引(index of assembly island area)，i∈i；
267.k：表示i中全部班组索引，k∈k。
268.k：表示i中全部班组集合。
269.ki：表示装配岛i中的班组索引集合，u
i∈iki
＝k。
270.p：表示装配任务在i中所需的全部技能索引，p∈p。
271.p：表示装配任务在i中所需的全部技能集合。
272.pi：表示装配任务在装配岛i中所需的技能索引集合，u
i∈i
pi＝p。
273.w：表示装配工人索引，w∈w。
274.w：表示装配工人集合。
275.j：表示装配任务索引，j∈j。
276.j：表示装配任务集合。
277.gw：表示装配工人w可去的工作岗位坐标的索引，gw∈gw。
278.gw：表示装配工人w可去的工作岗位坐标集合；
279.r
wp
：表示装配工人w所具备的技能p的熟练度；
280.f(r
wp
)：表示装配工人w所具备的技能p的熟练度对工时的影响程度；
281.表示在装配任务j中，数量为1，且r
wp
＝1的装配工人完成技能p对应的装配任务所需的工作时长，即基本工时。
282.具体来说，装配岛区域信息即为装配区域集合i；装配岛中的班组信息包括全部装配岛i中全部班组集合和每个装配岛i中的班组索引集合；装配任务在装配岛中所需的全部技能信息包括装配任务在全部装配岛i中所需的全部技能集合和装配任务在每个装配岛i中所需的技能索引集合；装配工人信息即为装配工人集合；装配任务信息即为装配任务集合；装配工人可去的班组中的工作岗位坐标信息即为每个装配工人w可去的工作岗位坐标集合；装配工人所具备的技能和具备的技能的熟练度包括每个装配工人具备的＝技能和装配工人w所具备的技能p的熟练度；装配任务中，装配工人完成技能对应的装配任务所需的基本工时即为在装配任务j中，数量为1，且r
wp
＝1的装配工人完成技能p对应的装配任务所需的工作时长，即基本工时。
283.工艺关键路径规划为4个装配岛i(i∈i)区域，下发的装配任务集合j中每个装配任务j均需按固定次序流经装配岛，其中每个装配任务j在装配岛上有不同的工艺内容以及和装配技能p有关的工作内容，在装配岛上的p索引集合为pi；每个装配岛上设立有并行班组以提高装配效率，在装配岛上的k索引集合为ki，同时在班组中针对装配技能p设立相应的技能岗位以分配装配工人。在班组工人岗位处，需要存在普通工人和多技能工人两种类型的工人，普通工人的数量总数为多技能工人的数量总数为|w|，本发明实施例为突出多技能工人的研究重点，将值均设置为1；多技能工人具有多种技能且技能水平不
同。其中，表示在班组k处提前安置的仅具备技能p且熟练度为1的普通装配工人的数量。
284.在装配任务j中，单个r
wp
＝1的装配工人完成关于p技能类型的装配任务花费的工时被制定为基本工时关于p技能类型的装配任务决定了班组工作时间的长度，在处理装配任务j的关于p技能类型的工作时，班组k中具备技能p的装配工人进行主要装配工作，班组k中不具备技能p的装配工人则进行辅助装配工作，因此将完成装配任务j花费的工时t
jk
视为班组内人员的整个工时，也就是t
jk
表示在装配任务j中，班组k完成对应的装配任务所需的工作时长。工时t
jk
为可变工时，主要和任务类影响因素o和班组类影响因素q相关。任务类影响因素o＝(o1，o2，o3，o4，o5，o6，o7，o8，o9，o10，o11，o12)，班组类影响因素q＝(q1，q2，q3)，含义如下：
285.o1：紧固件1数量；o2：组部件质量；o3：组部件数量；o4：结构板数量；o5：紧固件2数量；o6：电子元件数量；o7：包裹物层数；o8：管路长度；o9：电缆根数；o10：插件1数量；o11：插件2数量；o12：包裹物长度；q1：普通工人数量；q2：多技能工人数量；q3：工人技能水平。
286.为使时间方便度量，设置δt时长作为工作时长的离散单位。
287.需要说明的是，本发明实施例在已知装配工人具备的技能和具备的技能的熟练度、装配任务及其基本工时、装配岛中的技能分布和班组分布的情况下，将装配工人分配值合适的班组中，以及安排班组处理装配任务的合理次序。
288.可选地，所述第二目标函数是根据各班组最大工作时间段的均方差和班组间总工作时间段的均方差确定的。
289.具体来说，第一目标函数为：
[0290][0291]
其中，ck表示班组k的完工时间。
[0292]
第二目标函数为：
[0293]
min f2＝u＝u1+u2[0294]
其中，最小化忙闲不均衡度u由两部分u1和u2组成。u1为各班组最大工作时间段的均方差，表示了各班组连续处理任务的最长时间的均衡性。u2为班组间总工作时间段的均方差，阐述了各班组总工作负荷的均衡性。
[0295][0296][0297]
其中，若装配任务j在班组k上处理，则β
jk
值为1，否则β
jk
为0；表示在装配任务j中，班组k处理对应的装配任务的结束时间；表示在装配任务j中，班组k处理对应的装配
任务的开始时间。
[0298]
可选地，所述约束条件包括：
[0299]
第一约束条件，用于指示装配工人具备的技能和具备的技能的熟练程度；
[0300]
第二约束条件，用于指示装配工人是否在班组上工作；
[0301]
第三约束条件，用于指示装配任务是否在班组上处理；
[0302]
第四约束条件，用于指示班组上是否需要处理技能对应的工作任务；
[0303]
第五约束条件，用于指示班组上装配任务的处理顺序；
[0304]
第六约束条件，用于指示装配工人具备的技能的熟练程度对工时的影响程度；
[0305]
第七约束条件，用于指示班组在处理装配任务的工作时长；
[0306]
第八约束条件，用于指示装配工人具备的目标技能的熟练程度不为0的情况下，才可以被分配到需要所述目标技能处理对应的工作任务的班组中；
[0307]
第九约束条件，用于指示分配给全部班组的装配工人的数量；
[0308]
第十约束条件，用于指示同一装配岛上的同一班组必须具备相同的技能；
[0309]
第十一约束条件，用于指示同一装配岛上的班组必须具备同一技能；
[0310]
第十二约束条件，用于指示每个装配任务在每个装配岛上只能被分配给一个班组处理；
[0311]
第十三约束条件，用于指示班组上的装配任务开始时间为0，或为班组处理前一个装配任务的结束时间；
[0312]
第十四约束条件，用于指示班组上的装配任务结束时间为班组上的装配任务开始时间与班组上的装配任务处理时间之和；
[0313]
第十五约束条件，用于指示一个装配任务不能同时在多个装配岛上进行处理；
[0314]
第十六约束条件，用于指示一个班组在同一时刻只能处理一个装配任务。
[0315]
具体来说，整数规划模型中的约束条件包括：
[0316]
第一约束条件：
[0317][0318]
上述约束条件表示了装配工人具备的技能和具备的技能的熟练程度，也就是具备的技能的水平。
[0319]
第二约束条件至第五约束条件表示了4个二进制的变量。
[0320]
第二约束条件：
[0321][0322]
其中，若装配工人w在班组k上工作，则α
wk
值为1，否则α
wk
为0。
[0323]
第三约束条件：
[0324][0325]
其中，在班组k上，若装配任务j的处理顺序在装配任务j
*
的后面，则θ
jj*k
值为1，否则θ
jj*k
为0。
[0326]
第四约束条件：
[0327]
[0328]
其中，若班组k上需要处理技能p对应的装配任务，则v
kp
值为1，否则v
kp
值为0。
[0329]
第五约束条件：
[0330][0331]
其中，在班组k上，若装配任务j的处理顺序在装配任务j*的后面，则θ
jj*k
值为1，否则θ
jj*k
值为0。
[0332]
第六约束条件：
[0333][0334]
上述约束条件表示了装配工人w所具备的技能p的熟练度对工时的影响程度。
[0335]
第七约束条件：
[0336][0337]
上述约束条件用于计算班组k在处理装配任务j时的工作时长。
[0338]
第八约束条件至第十二约束条件为分配约束。
[0339]
第八约束条件：
[0340][0341]
上述约束条件表示装配工人具备的技能p的熟练度不为0才可被分配到具备技能p的班组k中。
[0342]
第九约束条件：
[0343][0344]
上述约束条件表示分配给所有班组的装配工人数量之和为|w|。
[0345]
第十约束条件：
[0346][0347]
上述约束条件表示在同一装配岛上的班组k必须具备相同的技能。
[0348]
第十一约束条件：
[0349][0350]
上述约束条件表示在同一装配岛上的班组必须具备相同的技能p。
[0351]
第十二约束条件：
[0352][0353]
上述约束条件表示每个装配任务在每个装配岛上的处理只能被分配给一个班组。
[0354]
第十三约束条件和第十四约束条件为时间约束。
[0355]
第十三约束条件：
[0356][0357]
上述约束条件表示在初始阶段，班组任务开始时间应为0或班组前一个任务的结束时间。
[0358]
第十四约束条件：
[0359][0360]
上述约束条件表示班组任务结束时间为班组任务开始时间与班组任务处理时间之和。
[0361]
第十五约束条件至第十六约束条件为任务顺序约束。
[0362]
第十五约束条件：
[0363][0364]
上述约束条件表示一个任务不能同时在多个装配岛进行处理(同一任务不同阶段的约束)。
[0365]
第十六约束条件：
[0366][0367]
上述约条件表示一个班组同一时刻只能处理一个任务(同一班组不同任务的约束)。
[0368]
可选地，利用双层混合编码方式，确定工人分配码和任务次序码，包括：
[0369]
利用整数编码的方式，确定所述工人分配码；
[0370]
利用排列编码的方式，确定所述任务次序码。
[0371]
需要说明的是，waphal问题由三个子问题组成：班组的人员分配问题、装配任务的处理次序排列问题、处理装配任务时并行班组的选择问题。
[0372]
为解决调度过程中的三个子问题，设计了一种双层混合编码方法。每个染色体由两个向量组成，分别为工人分配码和任务次序码。工人分配码编码方式为整数编码。任务次序码编码方式为排列编码。双层混合编码的示意图如图2所示。
[0373]
工人分配码向量为ws，工人分配码长度为|w|，其中第w个基因位含义为工人w被分配去的岗位序号，基因位上的值的取值范围含义为工人在满足约束1的情况下可去的岗位集合gw。任务次序码向量为js，任务次序码长度为|j|，该码上的基因位序表示任务j进入装配岛关键路径的次序。
[0374]
可选地，根据所述根据产品装配信息和所述整数规划模型，利用双层混合编码方式，确定工人分配码，包括：
[0375]
根据所述产品装配信息中的装配任务在装配岛中所需的全部技能信息以及所述
产品装配信息中的装配岛中的班组信息，得到需求岗位信息；
[0376]
根据所述需求岗位信息和装配工人具备的技能，在满足所述约束条件的情况下，确定所述工人分配码。
[0377]
下面结合图3，详细介绍工人分配码。
[0378]
取工人分配码长度|w|＝5，技能集合在装配岛的分配情况为p1＝[1,2,3,4]，p2＝[5,6,7]，p3＝[8,9]，p4＝[10,11,12,13]，班组集合在装配岛的分配情况为k1＝[1,2]，k2＝[3,4,5]，k3＝[6,7,8]，k4＝[9,10]。技能和班组组合按次序形成相应的人员岗位。各装配工人拥有多个技能，这决定了他们所能去的岗位。如图3所示，ws向量中第二个基因值为2，表示工人w＝2被分配至可去的岗位集合g2中的第2个岗位，即(1,2)。
[0379]
可选地，基于所述整数规划模型，根据所述工人分配码和所述任务次序码，得到多个产品装配调度方案，包括：
[0380]
根据所述工人分配码，确定第一工人信息；所述第一工人信息包括在班组上工作的装配工人的分配信息；
[0381]
根据所述第一工人信息，确定第一工时信息；所述第一工时信息包括每个班组上的装配工人在处理装配任务时的工作时长；
[0382]
根据所述任务次序码和所述第一工时信息，确定任务次序信息；所述任务次序信息包括每个装配任务进入每个装配岛的次序；
[0383]
根据所述第一工时信息和班组工作信息，确定第一班组信息；第一班组信息用于指示目标装配任务在目标班组上进行处理；所述目标装配任务为所述每个装配任务的其中之一；所述目标班组为所述班组的其中之一；所述班组工作信息包括：班组处理当前装配任务的开始时间、班组处理当前装配任务的结束时间和班组处理装配任务的工作时长；
[0384]
根据所述任务次序信息、所述第一班组信息和所述第一工人信息，得到所述多个产品装配调度方案。
[0385]
下面具体说明染色体解码时按照下列步骤进行解码：
[0386]
首先对所有任务在所有班组上的开始处理时间和结束处理时间设置初始值0。
[0387]
根据工人分配码ws各基因位的值和装配工人w可去岗位集合gw确定装配工人所去的岗位，从而确定α
wk
的值，也就是确定第一工人信息。得知工人分配情况后，计算各班组处理装配任务所需的工时，也就是确定第一工时信息。设置任务次序码js为任务进入在装配岛i＝1时的初始处理次序。此后根据任务的结束处理时间的先后进入后续装配岛，也就是任务次序信息。计算每个装配任务j的所有班组当前任务的开始时间完成时间班组已工作时间lk以及选择负责处理任务j的班组k，也就是确定了班组工作信息。根据第一工时信息和班组工作信息，确定处理目标装配任务的目标班组，即第一班组信息。产品装配调度方案包括任务次序信息、第一班组信息和第一工人信息。
[0388]
可选地，所述方法还包括：
[0389]
确定每一所述产品装配调度方案对应的所述第一目标函数的第一函数值；
[0390]
确定每一所述产品装配调度方案对应的所述第二目标函数的第二函数值。
[0391]
需要说明的是，在进行解码时，计算该个体(产品装配调度方案)的多目标函数值
f1(第一目标函数的第一函数值)，f2(第二目标函数的第二函数值)。且输出所有装配任务在各班组上的开始时间和完成时间集合。
[0392]
可选地，根据所述第一工时信息和班组工作信息，确定第一班组信息，包括：
[0393]
确定每一所述班组中，处理当前装配任务的结束时间最近的第一班组为所述目标班组；
[0394]
在存在多个所述第一班组的情况下，在所述第一班组中，确定已经工作时长最小的第二班组为所述目标班组；
[0395]
在存在多个所述第二班组的情况下，确定所述第二班组中的第三班组为所述目标班组；所述第三班组为所述第二班组中的任意一个班组。
[0396]
根据第一工时信息和班组工作信息，确定处理目标装配任务的目标班组的过程为：
[0397]
根据idle-rule选择处理目标装配任务的目标班组。即优先选取当前完成时间最小的班组；若完成时间相同，则选取已工作时间lk最小的班组；若已工作时间lk也都相同，则随机选取班组。
[0398]
可选地，根据改进的多目标改进算法moea，在所述多个产品装配调度方案确定产品装配调度优化方案之前，所述方法还包括：
[0399]
通过改进策略，对多目标改进算法moea进行改进，得到改进的多目标改进算法moea；
[0400]
所述改进策略包括以下至少之一：
[0401]
改进搜索机制策略；
[0402]
改进进化种群结构策略；
[0403]
改进种群分布性保持机制策略。
[0404]
需要说明的是，自schaffer于1984年提出向量评价遗传算法(vector evaluated genetic algorithm，vega)，研究者们不断提出新的多目标进化算法(moea)，大致可分为三类：基于分解策略的moea、基于支配关系的moea和基于评价指标的moea。其中基于支配关系的moea具有计算速度快、易于实现的优点，因此在基于支配关系的moea算法框架下实现了三种不同策略的改进。总体框架包括编码、种群初始化、种群选择、个体交叉、个体突变、适应度评估、非支配解集构造、子代分布性保持、停止准则、解码部分。
[0405]
本发明实施例，基于moea算法框架，在搜索机制、进化种群结构、种群分布性保持机制三方面中提出了三种改进策略。
[0406]
具体介绍三种改进策略之前，先进行说明如下：
[0407]
由于工人分配码被设置为实整数编码方式，任务次序码被设置为排列编码方式。因此需分别设置与编码方式适应的交叉突变方式。工人分配码交叉方式设置为均匀分布交叉xovud，变异方式设置为两点互换变异mutswap。任务次序码交叉方式设置为顺序交叉xovox，变异方式设置为排列编码mutpp。
[0408]
本发明实施例，针对多目标进化算法中保持子代分布性的策略上进行改进，常见的策略有拥挤度距离、聚类、自适应网格等。提供了三种不同的改进策略，以供不同工况下进行选择。
[0409]
可选地，通过改进搜索机制策略，对多目标改进算法moea进行改进，得到改进的多目标改进算法moea，包括：
[0410]
根据预设的适合排列编码的突变方式和预设的适合整数编码的突变方式，得到突变组合复方案；
[0411]
根据所述突变组合方案，对进化子代进行进一步搜索，得到突变子代，以使得所述改进的多目标改进算法moea在所述进化子代、所述突变子代和种群父代中进行搜索。
[0412]
改进策略1，也即是改进搜索机制策略中使用突变池对进化子代og进行进一步搜索，生成突变子代mg，在突变子代mg、进化子代og和种群父代cg中进行更广泛的搜索。突变池是针对染色体的突变方式的集合，由排列编码的突变方式集合与整数编码的突变方式集合互相组合而成。适合排列编码的突变方式集合s
pm
＝{片段逆转，片段移位，排列编码，两点互换}，适合整数编码的突变方式集合s
im
＝{bga算法突变，差分变异，高斯变异，片段逆转变异，片段移位变异，多项式变异，两点互换变异，均匀变异}，共形成8种组合方案s
im
×spm
＝{(s
im
[0],s
pm
[0]),(s
im
[1],s
pm
[1]),(s
im
[2],s
pm
[2]),(s
im
[3],s
pm
[3]),(s
im
[0],s
pm
[4]),(s
im
[1],s
pm
[5]),(s
im
[2],s
pm
[6]),(s
im
[3],s
pm
[7])}。算法3.1伪代码中第(4)行中遍历组合方案s
im
×spm
中的突变方案s。根据突变方案s将进化子代og突变为总共生成8个突变子代
[0413]
可选地，通过改进进化种群结构策略，对多目标改进算法moea进行改进，得到改进的多目标改进算法moea，包括：
[0414]
对进化子代进行非支配层级划分；
[0415]
确定非支配层级小于或等于第一预设层级的进化子代为精英子代；
[0416]
根据所述精英子代对所述进化子代进行搜索，得到突变精英子代，以使得所述改进的多目标改进算法moea在所述突变精英子代中进行搜索。
[0417]
改进策略2，也就是改进进化种群结构策略中首先使用ens_ss策略对进化子代进行非支配层级划分，选取进化子代中非支配层级小于等于el(第一预设层级)的精英子代eg投入突变池进行变异搜索，生成8个突变精英子代针对精英解集进行搜索，能够大幅提高算法的效率。
[0418]
可选地，通过改进种群分布性保持机制策略，对多目标改进算法moea进行改进，得到改进的多目标改进算法moea，包括：
[0419]
对进化子代进行非支配层级划分；
[0420]
根据非近亲度计算函数，对拥挤距离策略进行改进，以使得所述改进的多目标改进算法moea根据目标非支配层级的进化子代生成下一代个体；
[0421]
其中，所述非近亲度计算函数是根据拥挤距离和相似度确定的；
[0422]
所述目标非支配层级为个体总数小于预设种群个体数，且合并后个体总数大于预设种群个体数的非支配层级。
[0423]
改进策略3，也就是改进种群分布性保持机制策略中针对nsga
‑ⅱ
中的拥挤距离策略进行改进，提出了非近亲度计算公式。具体地，下式为两个目标的拥挤距离公式：
[0424]in
.d1＝|i
n+1
.f
1-i
n-1
.f1|+|i
n+1
.f
2-i
n-1
.f2|
[0425]
其中，d1表示两个目标的拥挤度距离。
[0426]
下式为相似度计算公式：
[0427][0428]
其中，d2表示两个目标的相似度。
[0429]
相似度计算公式针对染色体每个基因位m进行计算以评估不同染色体基因位m之间的距离。
[0430]
下式为非近亲度计算公式：
[0431]in
.d＝in.d1+in.d2
[0432]
其中，d表示非近亲度。
[0433]
非近亲度为拥挤距离与相似度的和，可以从适应度和表现型两个维度上增强子代种群的多样性。in.f
′m含义为个体in的f
′m基因值。
[0434]
改进的多目标改进算法moea的主要计算步骤如下：
[0435]
随机生成种群个体数为nind的初始种群c0，c0进入进化迭代过程成为cg。对迭代中的种群cg进行内容为交叉和突变的进化操作，生成进化后子种群og。若使用改进策略1和改进策略2，则将种群og生成为突变子代集合mg。反之，mg为空集。对进化前的种群cg、进化后的子种群og和突变子代集合mg进行解码操作，计算出它们的多目标函数值。根据多目标函数值，使用ens_ss策略对cg、og和mg中所有个体进行非支配排序，并根据非支配等级分成多个层。选出个体总数恰好小于种群个体数nind的非支配层集合fm，以及fm合并后个体总数便会大于nind的临界层fc。针对临界层fc考虑是否使用改进策略3。若使用，基于策略3生成若不使用，则基于拥挤距离排序生成逐步删除中最后一个个体，直至fm和中的个体总数为nind。此时下一代种群c
g+1
为fm和的并集。进行循环迭代，直至满足停止准则，即迭代次数达到最大迭代次数maxgen，输出最终解c
maxgen
。
[0436]
可选地，所述方法还包括：
[0437]
对改进的第一多目标改进算法moea的复杂度进行分析，得到第一复杂度分析结果；所述改进的第一多目标改进算法moea是通过所述改进搜索机制策略对多目标改进算法moea进行改进后得到的；
[0438]
对改进的第二多目标改进算法moea的复杂度进行分析，得到第二复杂度分析结果；所述改进的第二多目标改进算法moea是通过所述改进进化种群结构策略对多目标改进算法moea进行改进后得到的；
[0439]
对改进的第三多目标改进算法moea的复杂度进行分析，得到第三复杂度分析结果；所述改进的第三多目标改进算法moea是通过所述改进种群分布性保持机制策略对多目标改进算法moea进行改进后得到的；
[0440]
对预设的多目标改进算法的复杂度进行分析，得到第四复杂度分析结果；
[0441]
对所述第一复杂度分析结果、所述第二复杂度分析结果、所述第三复杂度分析结果和所述第四复杂度分析结果进行对比，得到用于指示所述改进的多目标改进算法moea的复杂度的第一对比结果。
[0442]
下面对三种改进策略改进的多目标改进算法moea和moea算法中经典的nsga2算法的算法复杂度进行分析：
[0443]
具有r维度且种群大小为n的nsga2(预设的多目标改进算法)主要的时间开销在非支配层的构造中，其总时间复杂度为o(r(2n)2)。请参阅图4，在改进策略1中，对进化子代og进行了8次突变，生成了8个突变子代因此合并后进行非支配排序时的对象是10n的个体数量的种群，其复杂度为o(r(10n)2)，是nsga2算法的25倍。请参阅图5，在改进策略2中，首先对进化子代og进行了非支配排序，即时间复杂度为o(rn2)，选取了精英个体，一般设置el以确保精英个体数小于0.2n，因此合并后进行非支配排序时的对象是小于2n+0.2*8n＝3.6n的个体数量的种群，因此其总时间复杂度最大约为o(r14n2)，是nsga2算法的3.5倍。请参阅图6，在改进策略3中，其算法复杂度来自于非近亲度的计算，其中nsga2算法中计算拥挤距离的复杂度为o(r(2n)log(2n))(26)，则计算非近亲度的复杂度为o((r+|w|+|j|)*(2n)*log(2n))。因此在算法复杂度的数量级上来看，三种改进策略和nsga2的总时间复杂度均为o(rn2)。
[0444]
可选地，所述方法还包括：
[0445]
根据预设的第一装配岛数量、预设的第一装配任务数量和预设的第一装配工人数量，得到第一装配调度测试方案；
[0446]
通过改进的第一多目标优化算法moea和所述第一装配调度测试方案，得到非支配解的第一并集，以及所述第一并集中的非支配解的第一帕累托前沿，所述第一帕累托前沿用于指示所述改进的第一多目标优化算法moea的逼近最优解的能力；所述改进的第一多目标改进算法moea是通过所述改进搜索机制策略对多目标改进算法moea进行改进后得到的；
[0447]
通过改进的第二多目标优化算法moea和所述第一装配调度测试方案，得到非支配解的第二并集，以及所述第二并集中的非支配解的第二帕累托前沿，所述第二帕累托前沿用于指示所述改进的第二多目标优化算法moea的逼近最优解的能力；所述改进的第二多目标改进算法moea是通过所述改进进化种群结构策略对多目标改进算法moea进行改进后得到的；
[0448]
通过改进的第四多目标优化算法moea和所述第一装配调度测试方案，得到非支配解的第三并集，以及所述第三并集中的非支配解的第三帕累托前沿，所述第三帕累托前沿用于指示所述改进的第四多目标优化算法moea的逼近最优解的能力；所述改进的第四多目标改进算法moea是通过所述改进进化种群结构策略对多目标改进算法moea进行改进后得到的；
[0449]
通过预设的多目标优化算法和所述第一装配调度测试方案，得到非支配解的第四并集，以及所述第四并集中的非支配解的第四帕累托前沿，所述第四帕累托前沿用于指示所述预设的多目标优化算法的逼近最优解的能力；
[0450]
对所述第一帕累托前沿、所述第二帕累托前沿、所述第三帕累托前沿和所述第四帕累托前沿进行对比，得到用于指示所述改进的多目标优化算法moea的逼近最优解的能力的第二对比结果。
[0451]
本发明实施例，根据生产实例生成了基本工时的测试实例，并以＝10min作为为一个离散时间单位。经过脱密处理后，将航天产品的关键路径装配工艺的主要工作明细
内容归类为13项基本∈技能，且各类技能在装配岛的分布索引为p1＝[1,2,3,4]，p2＝[5,6,7]，p3＝[8,9]，p4＝[10,11,12,13]，如图7所示。
[0452]
对多技能工人的技能熟练度设置为[0,3]区间的随机数以生成人员测试实例数据(第一装配调度测试方案)，技能熟练度为0则表示该装配工人不具备此项技能。装配岛数量|i|＝4。班组数量|k|＝10，在装配岛的数量分布方案有5种，即{l1＝[2,3,2,3]，l2＝[3,2,2,3]，l3＝[2,2,3,3]，l4＝[3,3,2,2]，l5＝[3,2,2,3]}。装配任务数量设置为两种规模，即{|j1|＝30，|j2|＝45}，多技能装配工人数量设置为两种规模，即{|w1|＝45，|w2|＝60}。以此生成不同规模和班组分布的20组测试实例，如i-321表示为l4、|j2|＝45和|w1|＝45组合成的测试实例。
[0453]
为横向比较三种改进策略和6种预设算法(预设的多目标优化算法)的各项性能，将所有算法的参数设置为如下表1所示。装配岛数为4。每个个体种群数量(nind)设置有100个个体，算法最大迭代次数maxgen设置为100次。混合编码中，均采用相同的交叉人员分配worker allocation码和任务次序task order码的交叉概率均设置为0.8，突变概率设置为基因位数的倒数，即1/|w|和1/|j|。改进策略中突变子代number of mutant offspring个数设置为8个，改进策略2中的精英筛选层级数elite screening level设置为6，突变池中差分突变算子的缩放因子参数f设置为0.5。
[0454]
表1优化算法的参数表
[0455]
nindmaxgen|i|pc_wapm_wapc_topm_tonmoelf10010040.81/|w|0.81/|j|860.5
[0456]
三种改进策略分别用em1、em2、em3表示，6种预设算法包括：nsga2算法、awga算法、nsga2_archive算法、nsga3算法、rvea算法、rvea_res算法。
[0457]
将三种改进策略生成的突变进化算法em1、em2、em3和nsga2、awga、nsga2_archive、nsga3、rvea、rvea_res算法进行了对比。其中em1使用了改进策略1，em2使用了改进策略2，em3使用了改进策略2和改进策略3。awga是一种适应性权重法多目标聚合函数，通过将多个目标以变化的权重聚合为单目标的方式求解多目标问题。rvea是一种针对高维问题提出的基于参考向量的进化算法。rvea_res算法相比rvea算法增加了一种带参考点再生策略。nsga2_archive是带全局存档的nsga算法。为了便于表示，如下表对各算法进行了a0到a8的编号。为保证算法对比结果的泛化性和降低随机性，对每个算法均运行了30次，且通过不同的检验方法处理实验数据。
[0458]
表2算法和编号对照表
[0459][0460]
现对这9种算法在20个实例的散点图中专门分析逼近最优解的能力。具体操作为对算法运行30次，然后将最终产生的非支配解集取并集，提取出并集中的非支配解前沿pf(帕累托前沿)，以此来表示该算法所能逼近最优解的能力。请参阅图8至图11所示的测试实例i-111、i-112、i-121和i-122下生成的9种算法对比的pf散点图，可以看出，随着算法em1、em2、em3得到的第一目标函数值f1的增加，第二目标函数值f2一直保持在数值较小的状态，说明算法em1、em2、em3的逼近最优解的能力均优于其余6种预设算法。
[0461]
可选地，所述方法还包括：
[0462]
根据预设的第二装配岛数量、预设的第二装配任务数量和预设的第二装配工人数量，得到第二装配调度测试方案；
[0463]
通过改进的第一多目标优化算法moea和所述第二装配调度测试方案，得到非支配解的第一并集，以及根据所述第一并集，得到所述改进的第一多目标优化算法moea的第一反世代距离分析结果和第一超体积指数分析结果；所述改进的第一多目标改进算法moea是通过所述改进搜索机制策略对多目标改进算法moea进行改进后得到的；
[0464]
通过改进的第二多目标优化算法moea和所述第二装配调度测试方案，得到非支配解的第二并集，以及根据所述第二并集，得到所述改进的第二多目标优化算法moea的第二反世代距离分析结果和第二超体积指数分析结果；所述改进的第二多目标改进算法moea是通过所述改进进化种群结构策略对多目标改进算法moea进行改进后得到的；
[0465]
通过改进的第四多目标优化算法moea和所述第二装配调度测试方案，得到非支配解的第三并集，以及根据所述第三并集，得到所述改进的第四多目标优化算法moea的第三反世代距离分析结果和第三超体积指数分析结果；所述改进的第四多目标改进算法moea是通过所述改进进化种群结构策略对多目标改进算法moea进行改进后得到的；
[0466]
通过预设的多目标优化算法和所述第二装配调度测试方案，得到非支配解的第四并集，以及根据所述第三并集，得到所述预设的多目标优化算法的第四反世代距离分析结果和第四超体积指数分析结果；
[0467]
对所述第一反世代距离分析结果、所述第二反世代距离分析结果、所述第三反世代距离分析结果和所述第四反世代距离分析结果进行对比，得到用于指示所述改进的多目标优化算法moea的收敛性的第三对比结果；
[0468]
对所述第一超体积指数分析结果、所述第二超体积指数分析结果、所述第三超体积指数分析结果和所述第四超体积指数分析结果进行对比，得到用于指示所述改进的多目标优化算法moea的收敛性的第四对比结果。
[0469]
本发明实施例，进一步横向比较三种改进策略和6种预设算法(预设的多目标优化算法)的性能。
[0470]
三种改进策略分别用em1、em2、em3表示，6种预设算法包括：nsga2算法、awga算法、nsga2_archive算法、nsga3算法、rvea算法、rvea_res算法。
[0471]
将三种改进策略生成的突变进化算法em1、em2、em3和nsga2、awga、nsga2_archive、nsga3、rvea、rvea_res算法进行了对比。其中em1使用了改进策略1，em2使用了改进策略2，em3使用了改进策略2和改进策略3。
[0472]
第二装配调度测试方案和第一装配调度测试方案一致，在此不再赘述。
[0473]
使用反世代距离(inverted generational distance，igd)和超体积指数(hypervolume，hv)两个指标评价解的分布广泛性、收敛性和多样性。解的质量越高，则igd值越小，hv的值越大。igd指标需要设立pf参考集，对9种算法生成的所有非支配解集取并集作为pf参考集。hv指标需要设立参考点集，对nsga2生成的非支配解集作为参考点集。根据测试实例i-111、i-112、i-121和i-122，得到算法每一代的两个指标的聚合值。聚合方法为在每次算法运行时计算每一代产生的非支配解集的两个指标值，然后对每一代的30个igd值和30个hv值进行求和平均，以代表算法运行时的平均性能。
[0474]
以igd值指标为例分析。请参阅图12至图15，算法们基本在20代到40代间完成较高质量解的搜索，em1、em2和em3收敛速度是最快的。在迭代到最后80代到100代时，所提出的em1、em2和em3收敛到的值明显小于其余6种预设算法收敛到的值。因此，提出的三种改进策略均大幅优于其余6种预设算法。在其他算法中，rvea_res算法较优于于其他算法，nsga3算法表现最差。再以hv值指标为例分析。请参阅图16至图19，算法们基本在20代到60代间完成较高质量解的搜索，em1、em2和em3发散速度是最快的。在迭代到最后80代到100代时，em1、em2和em3发散到的值明显小于其余6种预设算法收敛到的值。因此，提出的三种改进策略均大幅优于其余6种预设算法。
[0475]
可选地，所述方法还包括：
[0476]
根据所述第一反世代距离分析结果、所述第二反世代距离分析结果、所述第三反世代距离分析结果和所述第四反世代距离分析结果，得到用于指示所述改进的多目标优化算法moea的稳定性的第五对比结果；
[0477]
根据所述第一超体积指数分析结果、所述第二超体积指数分析结果、所述第三超体积指数分析结果和所述第四超体积指数分析结果，得到用于指示所述改进的多目标优化算法moea的稳定性的第六对比结果。
[0478]
进一步地，本发明实施例还对9种算法独立运行30次后生成的最终的非支配解集进行igd和hv指标计算后，形成共60个指标数据，如下图20至图23所示的igd指标的箱线图和图24至图27所示的hv指标的箱线图所示。可以看出，em1、em2和em3的igd中位数均小于其他算法，hv中位数均大于其他算法，这表明em1、em2和em3算法解的质量是最高的。同时，em1、em2和em3相比于其他算法还有着较短的四分位数间距，这表明em1、em2和em3具有不错的算法稳定性。
[0479]
可选地，所述方法还包括：
[0480]
以所述改进的第一多目标优化算法moea为基准，根据所述第一反世代距离分析结果、所述第二反世代距离分析结果、所述第三反世代距离分析结果和所述第四反世代距离分析结果，得到用于指示所述改进的多目标优化算法moea的支配性的第七对比结果；
[0481]
以所述改进的第一多目标优化算法moea为基准，根据所述第一超体积指数分析结果、所述第二超体积指数分析结果、所述第三超体积指数分析结果和所述第四超体积指数分析结果，得到用于指示所述改进的多目标优化算法moea的支配性的第八对比结果。
[0482]
使用显著性水平为0.05的wilcoxon符号检验对60个指标数据进行统计分析，以算法a0(em1)作为基准，同时对hv指标数据进行取相反数操作，数据带星号表明算法a0支配该算法。20个测试实例的结果如下表3所示。
[0483]
表3测试示例的分析结果表
[0484][0485]
由表3可知，a0算法完全支配a3至a8算法，a1、a2算法与a3至a8算法在数量级的巨大差异上也表明a1、a2算法完全支配a3至a8算法。
[0486]
本发明实施例专门分析了上述三种改进策略在20种测试实例中的优劣性。在指标趋势图中，这三种算法没有太明显的区分，现对箱线图、pf散点图和wilcoxon符号检验中的数据进行统计分析。
[0487]
在wilcoxon符号检验中，a0算法在算例i-522上的igd指标以及算例i-211、i-522上的hv指标支配a1算法，在算例i-112、i-211、i-521和i-522上的igd指标以及算例i-122、i-211、i-521和i-522上的hv指标支配a2算法，此外在算例i-511上的hv指标被算法a1支配。
[0488]
可选地，所述方法还包括：
[0489]
根据所述第一帕累托前沿、所述第二帕累托前沿和所述第三帕累托前沿，得到用于指示所述改进的多目标优化算法moea的适用性的第九对比结果。
[0490]
在图8至图11所示的pf散点图中，测试实例i-111中，a1》a0》a2；测试实例i-112中，a0≈a1》a2；测试实例i-121中，三种改进策略没有明显区别；测试实例i-122中，a0》a1≈a2。按上述方式对20组测试实例统计分析如下表4所示，其中a0算法13次最优，4次中等，3次较差；a1算法7次最优，7次中等，6次较差；a2算法8次最优，8次中等，4次较差。分析总分情况可知a0》a2》a1。表4中，“1”表示最优，“2”表示中等，“3”表示较差，“sum”表示没有明显区别。
[0491]
表4测试实例统计分析表一
[0492][0493]
可选地，所述方法还包括：
[0494]
根据所述第一反世代距离分析结果、所述第二反世代距离分析结果和所述第三反世代距离分析结果，得到用于指示所述改进的多目标优化算法moea的适用性的第十对比结果。
[0495]
所述方法还包括：
[0496]
根据所述第一超体积指数分析结果、所述第二超体积指数分析结果和所述第三超体积指数分析结果，得到用于指示所述改进的多目标优化算法moea的适用性的第十一对比结果。
[0497]
在图20至图23所示的igd指标的箱线图和图24至图27所示的hv指标的箱线图中，从中位数和四分位数间距两个方面对a0、a1和a2算法打分评价，“1”表示最优，“2”表示中等，“3”表示较差，“sum”表示没有明显区别，相同取同一分数。统计结果如下表5和表6所示。通过下表5分析得a0、a1和a2算法的总分情况，在igd指标中，中位数情况和四分位数间距情况均是a0＞a1＞a2；通过下表6分析得a0、a1和a2算法的总分情况，在hv指标中，中位数情况a0＞a1＞a2，四分位数间距情况a1＞a2＞a0。
[0498]
表5测试实例统计分析表二
[0499][0500]
表6测试实例统计分析表三
[0501]
[0502]
本发明实施例hfsp和wap问题提出了一种新的waphal问题，有效扩展了混合流水车间问题和工人分派问题；针对waphal问题，以最大完工时间和工人的忙闲均衡情况为优化目标建立了相应的整数规划模型，并且设计了工人分配码和任务次序码的混合编码方式及其解码方式；基于moea算法框架，从搜索机制、进化种群结构、种群分布性保持机制三方面提出三种改进策略，以提高解的质量。
[0503]
本发明实施例的waphal问题来源于多品种小批量航天产品的生产线，旨在提高生产效率和平衡工人工作负荷。将基于三种改进策略所形成的算法em1、em2、em3与nsga2、awga、nsga2_archive、nsga3、rvea和rvea_res算法进行了对比。在20个测试实例下，所提出的em1、em2和em3算法生成的pareto solutions在逼近最优解的能力上、hv和igd指标上和收敛速度上均支配其他6个moea算法。
[0504]
如图28所示，本发明实施例还提供一种产品装配调度装置，包括：
[0505]
模型建立模块2801，用于根据产品装配信息，建立整数规划模型；所述整数规划模型包括用于指示最小化班组完工时间的最大值的第一目标函数、用于指示最小化忙闲不均衡度的第二目标函数和用于指示班组中的装配工人进行装配工作的约束条件；
[0506]
第一确定模块2802，用于根据所述根据产品装配信息和所述整数规划模型，利用双层混合编码方式，确定工人分配码和任务次序码；所述工人分配码用于指示装配工人可去的工作岗位；所述任务次序码用于指示装配任务进入装配岛的次序；
[0507]
第二确定模块2803，用于基于所述整数规划模型，根据所述工人分配码和所述任务次序码，得到多个产品装配调度方案；
[0508]
第三确定模块2804，用于利用改进的多目标改进算法moea，在所述多个产品装配调度方案确定产品装配调度优化方案。
[0509]
本发明实施例，根据产品装配信息，建立包括用于指示最小化班组完工时间的最大值的第一目标函数、用于指示最小化忙闲不均衡度的第二目标函数和用于指示班组中的装配工人进行装配工作的约束条件的整数规划模型，以最小化最大完工时间和最小化忙闲不均衡度为优化目标，并且通过混合编码和解码的方式，得到多个产品装配调度方案，以及改进的多目标改进算法moea，得到产品装配调度优化方案，可以提高生产效率，减少装配工人忙闲不均现象的产生。
[0510]
可选地，所述产品装配信息包括：
[0511]
装配岛区域信息；
[0512]
装配岛中的班组信息；
[0513]
装配任务在装配岛中所需的全部技能信息；
[0514]
装配工人信息；
[0515]
装配任务信息；
[0516]
装配工人可去的班组中的工作岗位坐标信息；
[0517]
装配工人所具备的技能和具备的技能的熟练度；
[0518]
装配任务中，装配工人完成技能对应的装配任务所需的基本工时。
[0519]
可选地，所述第二目标函数是根据各班组最大工作时间段的均方差和班组间总工作时间段的均方差确定的。
[0520]
可选地，所述约束条件包括：
[0521]
第一约束条件，用于指示装配工人具备的技能和具备的技能的熟练程度；
[0522]
第二约束条件，用于指示装配工人是否在班组上工作；
[0523]
第三约束条件，用于指示装配任务是否在班组上处理；
[0524]
第四约束条件，用于指示班组上是否需要处理技能对应的工作任务；
[0525]
第五约束条件，用于指示班组上装配任务的处理顺序；
[0526]
第六约束条件，用于指示装配工人具备的技能的熟练程度对工时的影响程度；
[0527]
第七约束条件，用于指示班组在处理装配任务的工作时长；
[0528]
第八约束条件，用于指示装配工人具备的目标技能的熟练程度不为0的情况下，才可以被分配到需要所述目标技能处理对应的工作任务的班组中；
[0529]
第九约束条件，用于指示分配给全部班组的装配工人的数量；
[0530]
第十约束条件，用于指示同一装配岛上的同一班组必须具备相同的技能；
[0531]
第十一约束条件，用于指示同一装配岛上的不同班组必须具备的不同技能；
[0532]
第十二约束条件，用于指示每个装配任务在每个装配岛上只能被分配给一个班组处理；
[0533]
第十三约束条件，用于指示班组上的装配任务开始时间为0，或为班组处理前一个装配任务的结束时间；
[0534]
第十四约束条件，用于指示班组上的装配任务结束时间为班组上的装配任务开始时间与班组上的装配任务处理时间之和；
[0535]
第十五约束条件，用于指示一个装配任务不能同时在多个装配岛上进行处理；
[0536]
第十六约束条件，用于指示一个班组在同一时刻只能处理一个装配任务。
[0537]
可选地，所述第一确定模块2802，包括：
[0538]
第一确定单元，用于利用整数编码的方式，确定所述工人分配码；
[0539]
第二确定单元，用于利用排列编码的方式，确定所述任务次序码。
[0540]
可选地，所述第一确定模块2802，包括：
[0541]
第三确定单元，用于根据所述产品装配信息中的装配任务在装配岛中所需的全部技能信息以及所述产品装配信息中的装配岛中的班组信息，得到需求岗位信息；
[0542]
第四确定单元，用于根据所述需求岗位信息和装配工人具备的技能，在满足所述约束条件的情况下，确定所述工人分配码。
[0543]
可选地，所述第二确定模块2803，包括：
[0544]
第五确定单元，用于根据所述工人分配码，确定第一工人信息；所述第一工人信息包括在班组上工作的装配工人的分配信息；
[0545]
第六确定单元，用于根据所述第一工人信息，确定第一工时信息；所述第一工时信息包括每个班组上的装配工人在处理装配任务时的工作时长；
[0546]
第七确定单元，用于根据所述任务次序码和所述第一工时信息，确定任务次序信息；所述任务次序信息包括每个装配任务进入每个装配岛的次序；
[0547]
第八确定单元，用于根据所述第一工时信息和班组工作信息，确定第一班组信息；第一班组信息用于指示目标装配任务在目标班组上进行处理；所述目标装配任务为所述每个装配任务的其中之一；所述目标班组为所述班组的其中之一；所述班组工作信息包括：班组处理当前装配任务的开始时间、班组处理当前装配任务的结束时间和班组处理装配任务
的工作时长；
[0548]
第九确定单元，用于根据所述任务次序信息、所述第一班组信息和所述第一工人信息，得到所述多个产品装配调度方案。
[0549]
可选地，所述第二确定模块2803，还包括：
[0550]
第十确定单元，用于确定每一所述产品装配调度方案对应的所述第一目标函数的第一函数值；
[0551]
第十一确定单元，用于确定每一所述产品装配调度方案对应的所述第二目标函数的第二函数值。
[0552]
可选地，所述第八确定单元，具体用于：
[0553]
确定每一所述班组中，处理当前装配任务的结束时间最近的第一班组为所述目标班组；
[0554]
在存在多个所述第一班组的情况下，在所述第一班组中，确定已经工作时长最小的第二班组为所述目标班组；
[0555]
在存在多个所述第二班组的情况下，确定所述第二班组中的第三班组为所述目标班组；所述第三班组为所述第二班组中的任意一个班组。
[0556]
可选地，所述装置还包括：
[0557]
算法改进模块，用于通过改进策略，对多目标改进算法moea进行改进，得到改进的多目标改进算法moea；
[0558]
所述改进策略包括以下至少之一：
[0559]
改进搜索机制策略；
[0560]
改进进化种群结构策略；
[0561]
改进种群分布性保持机制策略。
[0562]
可选地，所述算法改进模块，包括：
[0563]
第一处理单元，用于根据预设的适合排列编码的突变方式和预设的适合整数编码的突变方式，得到突变组合复方案；
[0564]
第一搜索单元，用于根据所述突变组合方案，对进化子代进行进一步搜索，得到突变子代，以使得所述改进的多目标改进算法moea在所述进化子代、所述突变子代和种群父代中进行搜索。
[0565]
可选地，所述算法改进模块，包括：
[0566]
第一层级划分单元，用于对进化子代进行非支配层级划分；
[0567]
第十二确定单元，用于确定非支配层级小于或等于第一预设层级的进化子代为精英子代；
[0568]
第二搜索单元，用于根据所述精英子代对所述进化子代进行搜索，得到突变精英子代，以使得所述改进的多目标改进算法moea在所述突变精英子代中进行搜索。
[0569]
可选地，所述算法改进模块，包括：
[0570]
第二层级划分单元，用于对进化子代进行非支配层级划分；
[0571]
第二处理单元，用于根据非近亲度计算函数，对拥挤距离策略进行改进，以使得所述改进的多目标改进算法moea根据目标非支配层级的进化子代生成下一代个体；
[0572]
其中，所述非近亲度计算函数是根据拥挤距离和相似度确定的；
[0573]
所述目标非支配层级为个体总数小于预设种群个体数，且合并后个体总数大于预设种群个体数的非支配层级。
[0574]
可选地，所述算法改进模块，还包括：
[0575]
第一分析单元，用于对改进的第一多目标改进算法moea的复杂度进行分析，得到第一复杂度分析结果；所述改进的第一多目标改进算法moea是通过所述改进搜索机制策略对多目标改进算法moea进行改进后得到的；
[0576]
第二分析单元，用于对改进的第二多目标改进算法moea的复杂度进行分析，得到第二复杂度分析结果；所述改进的第二多目标改进算法moea是通过所述改进进化种群结构策略对多目标改进算法moea进行改进后得到的；
[0577]
第三分析单元，用于对改进的第三多目标改进算法moea的复杂度进行分析，得到第三复杂度分析结果；所述改进的第三多目标改进算法moea是通过所述改进种群分布性保持机制策略对多目标改进算法moea进行改进后得到的；
[0578]
第四分析单元，用于对预设的多目标改进算法的复杂度进行分析，得到第四复杂度分析结果；
[0579]
第一对比单元，用于对所述第一复杂度分析结果、所述第二复杂度分析结果、所述第三复杂度分析结果和所述第四复杂度分析结果进行对比，得到用于指示所述改进的多目标改进算法moea的复杂度的第一对比结果。
[0580]
可选地，所述算法改进模块，还包括：
[0581]
第十三确定单元，用于根据预设的第一装配岛数量、预设的第一装配任务数量和预设的第一装配工人数量，得到第一装配调度测试方案；
[0582]
第三处理单元，用于通过改进的第一多目标优化算法moea和所述第一装配调度测试方案，得到非支配解的第一并集，以及所述第一并集中的非支配解的第一帕累托前沿，所述第一帕累托前沿用于指示所述改进的第一多目标优化算法moea的逼近最优解的能力；所述改进的第一多目标改进算法moea是通过所述改进搜索机制策略对多目标改进算法moea进行改进后得到的；
[0583]
第四处理单元，用于通过改进的第二多目标优化算法moea和所述第一装配调度测试方案，得到非支配解的第二并集，以及所述第二并集中的非支配解的第二帕累托前沿，所述第二帕累托前沿用于指示所述改进的第二多目标优化算法moea的逼近最优解的能力；所述改进的第二多目标改进算法moea是通过所述改进进化种群结构策略对多目标改进算法moea进行改进后得到的；
[0584]
第五处理单元，用于通过改进的第四多目标优化算法moea和所述第一装配调度测试方案，得到非支配解的第三并集，以及所述第三并集中的非支配解的第三帕累托前沿，所述第三帕累托前沿用于指示所述改进的第四多目标优化算法moea的逼近最优解的能力；所述改进的第四多目标改进算法moea是通过所述改进进化种群结构策略对多目标改进算法moea进行改进后得到的；
[0585]
第六处理单元，用于通过预设的多目标优化算法和所述第一装配调度测试方案，得到非支配解的第四并集，以及所述第四并集中的非支配解的第四帕累托前沿，所述第四帕累托前沿用于指示所述预设的多目标优化算法的逼近最优解的能力；
[0586]
第二对比单元，用于对所述第一帕累托前沿、所述第二帕累托前沿、所述第三帕累
托前沿和所述第四帕累托前沿进行对比，得到用于指示所述改进的多目标优化算法moea的逼近最优解的能力的第二对比结果。
[0587]
可选地，所述算法改进模块，还包括：
[0588]
第十四确定单元，用于根据预设的第二装配岛数量、预设的第二装配任务数量和预设的第二装配工人数量，得到第二装配调度测试方案；
[0589]
第七处理单元，用于通过改进的第一多目标优化算法moea和所述第二装配调度测试方案，得到非支配解的第一并集，以及根据所述第一并集，得到所述改进的第一多目标优化算法moea的第一反世代距离分析结果和第一超体积指数分析结果；所述改进的第一多目标改进算法moea是通过所述改进搜索机制策略对多目标改进算法moea进行改进后得到的；
[0590]
第八处理单元，用于通过改进的第二多目标优化算法moea和所述第二装配调度测试方案，得到非支配解的第二并集，以及根据所述第二并集，得到所述改进的第二多目标优化算法moea的第二反世代距离分析结果和第二超体积指数分析结果；所述改进的第二多目标改进算法moea是通过所述改进进化种群结构策略对多目标改进算法moea进行改进后得到的；
[0591]
第九处理单元，用于通过改进的第四多目标优化算法moea和所述第二装配调度测试方案，得到非支配解的第三并集，以及根据所述第三并集，得到所述改进的第四多目标优化算法moea的第三反世代距离分析结果和第三超体积指数分析结果；所述改进的第四多目标改进算法moea是通过所述改进进化种群结构策略对多目标改进算法moea进行改进后得到的；
[0592]
第十处理单元，用于通过预设的多目标优化算法和所述第二装配调度测试方案，得到非支配解的第四并集，以及根据所述第三并集，得到所述预设的多目标优化算法的第四反世代距离分析结果和第四超体积指数分析结果；
[0593]
第三对比单元，用于对所述第一反世代距离分析结果、所述第二反世代距离分析结果、所述第三反世代距离分析结果和所述第四反世代距离分析结果进行对比，得到用于指示所述改进的多目标优化算法moea的收敛性的第三对比结果；
[0594]
第四对比单元，用于对所述第一超体积指数分析结果、所述第二超体积指数分析结果、所述第三超体积指数分析结果和所述第四超体积指数分析结果进行对比，得到用于指示所述改进的多目标优化算法moea的收敛性的第四对比结果。
[0595]
可选地，所述算法改进模块，还包括：
[0596]
第十一处理单元，用于根据所述第一反世代距离分析结果、所述第二反世代距离分析结果、所述第三反世代距离分析结果和所述第四反世代距离分析结果，得到用于指示所述改进的多目标优化算法moea的稳定性的第五对比结果；
[0597]
第十二处理单元，用于根据所述第一超体积指数分析结果、所述第二超体积指数分析结果、所述第三超体积指数分析结果和所述第四超体积指数分析结果，得到用于指示所述改进的多目标优化算法moea的稳定性的第六对比结果。
[0598]
可选地，所述算法改进模块，还包括：
[0599]
第十三处理单元，用于以所述改进的第一多目标优化算法moea为基准，根据所述第一反世代距离分析结果、所述第二反世代距离分析结果、所述第三反世代距离分析结果和所述第四反世代距离分析结果，得到用于指示所述改进的多目标优化算法moea的支配性
的第七对比结果；
[0600]
第十四处理单元，用于以所述改进的第一多目标优化算法moea为基准，根据所述第一超体积指数分析结果、所述第二超体积指数分析结果、所述第三超体积指数分析结果和所述第四超体积指数分析结果，得到用于指示所述改进的多目标优化算法moea的支配性的第八对比结果。
[0601]
可选地，所述算法改进模块，还包括：
[0602]
第十五处理单元，用于根据所述第一帕累托前沿、所述第二帕累托前沿和所述第三帕累托前沿，得到用于指示所述改进的多目标优化算法moea的适用性的第九对比结果。
[0603]
可选地，所述算法改进模块，还包括：
[0604]
第十六处理单元，用于根据所述第一反世代距离分析结果、所述第二反世代距离分析结果和所述第三反世代距离分析结果，得到用于指示所述改进的多目标优化算法moea的适用性的第十对比结果。
[0605]
可选地，所述算法改进模块，还包括：
[0606]
第十七处理单元，用于根据所述第一超体积指数分析结果、所述第二超体积指数分析结果和所述第三超体积指数分析结果，得到用于指示所述改进的多目标优化算法moea的适用性的第十一对比结果。
[0607]
需要说明的是，本发明实施例提供的产品装配调度装置，是能够执行上述的产品装配调度方法的装置，则上述的产品装配调度方法的所有实施例均适用于该装置，且能够达到相同或者相似的技术效果。
[0608]
如图29所示，本发明实施例还提供一种产品装配调度设备，包括：处理器2901、存储器2902，及存储在所述存储器2902上并可在所述处理器2901上运行的程序，所述程序被所述处理器2901执行时实现上述的车辆碰撞预警方法。
[0609]
可选地，还包括：收发机2903，所述收发机2903，用于在所述处理器2901的控制下接收和发送数据。
[0610]
具体地，所述处理器2901，用于：
[0611]
根据产品装配信息，建立整数规划模型；所述整数规划模型包括用于指示最小化班组完工时间的最大值的第一目标函数、用于指示最小化忙闲不均衡度的第二目标函数和用于指示班组中的装配工人进行装配工作的约束条件；
[0612]
根据所述根据产品装配信息和所述整数规划模型，利用双层混合编码方式，确定工人分配码和任务次序码；所述工人分配码用于指示装配工人可去的工作岗位；所述任务次序码用于指示装配任务进入装配岛的次序；
[0613]
基于所述整数规划模型，根据所述工人分配码和所述任务次序码，得到多个产品装配调度方案；
[0614]
利用改进的多目标改进算法moea，在所述多个产品装配调度方案确定产品装配调度优化方案。
[0615]
可选地，所述产品装配信息包括：
[0616]
装配岛区域信息；
[0617]
装配岛中的班组信息；
[0618]
装配任务在装配岛中所需的全部技能信息；
[0619]
装配工人信息；
[0620]
装配任务信息；
[0621]
装配工人可去的班组中的工作岗位坐标信息；
[0622]
装配工人所具备的技能和具备的技能的熟练度；
[0623]
装配任务中，装配工人完成技能对应的装配任务所需的基本工时。
[0624]
可选地，所述第二目标函数是根据各班组最大工作时间段的均方差和班组间总工作时间段的均方差确定的。
[0625]
可选地，所述约束条件包括：
[0626]
第一约束条件，用于指示装配工人具备的技能和具备的技能的熟练程度；
[0627]
第二约束条件，用于指示装配工人是否在班组上工作；
[0628]
第三约束条件，用于指示装配任务是否在班组上处理；
[0629]
第四约束条件，用于指示班组上是否需要处理技能对应的工作任务；
[0630]
第五约束条件，用于指示班组上装配任务的处理顺序；
[0631]
第六约束条件，用于指示装配工人具备的技能的熟练程度对工时的影响程度；
[0632]
第七约束条件，用于指示班组在处理装配任务的工作时长；
[0633]
第八约束条件，用于指示装配工人具备的目标技能的熟练程度不为0的情况下，才可以被分配到需要所述目标技能处理对应的工作任务的班组中；
[0634]
第九约束条件，用于指示分配给全部班组的装配工人的数量；
[0635]
第十约束条件，用于指示同一装配岛上的同一班组必须具备相同的技能；
[0636]
第十一约束条件，用于指示同一装配岛上的不同班组必须具备的不同技能；
[0637]
第十二约束条件，用于指示每个装配任务在每个装配岛上只能被分配给一个班组处理；
[0638]
第十三约束条件，用于指示班组上的装配任务开始时间为0，或为班组处理前一个装配任务的结束时间；
[0639]
第十四约束条件，用于指示班组上的装配任务结束时间为班组上的装配任务开始时间与班组上的装配任务处理时间之和；
[0640]
第十五约束条件，用于指示一个装配任务不能同时在多个装配岛上进行处理；
[0641]
第十六约束条件，用于指示一个班组在同一时刻只能处理一个装配任务。
[0642]
可选地，所述处理器2901，具体用于：
[0643]
利用整数编码的方式，确定所述工人分配码；
[0644]
利用排列编码的方式，确定所述任务次序码。
[0645]
可选地，所述处理器2901，具体用于：
[0646]
根据所述产品装配信息中的装配任务在装配岛中所需的全部技能信息以及所述产品装配信息中的装配岛中的班组信息，得到需求岗位信息；
[0647]
根据所述需求岗位信息和装配工人具备的技能，在满足所述约束条件的情况下，确定所述工人分配码。
[0648]
可选地，所述处理器2901，具体用于：
[0649]
根据所述工人分配码，确定第一工人信息；所述第一工人信息包括在班组上工作的装配工人的分配信息；
[0650]
根据所述第一工人信息，确定第一工时信息；所述第一工时信息包括每个班组上的装配工人在处理装配任务时的工作时长；
[0651]
根据所述任务次序码和所述第一工时信息，确定任务次序信息；所述任务次序信息包括每个装配任务进入每个装配岛的次序；
[0652]
根据所述第一工时信息和班组工作信息，确定第一班组信息；第一班组信息用于指示目标装配任务在目标班组上进行处理；所述目标装配任务为所述每个装配任务的其中之一；所述目标班组为所述班组的其中之一；所述班组工作信息包括：班组处理当前装配任务的开始时间、班组处理当前装配任务的结束时间和班组处理装配任务的工作时长；
[0653]
根据所述任务次序信息、所述第一班组信息和所述第一工人信息，得到所述多个产品装配调度方案。
[0654]
可选地，所述处理器2901，还具体用于：
[0655]
确定每一所述产品装配调度方案对应的所述第一目标函数的第一函数值；
[0656]
确定每一所述产品装配调度方案对应的所述第二目标函数的第二函数值。
[0657]
可选地，所述处理器2901，具体用于：
[0658]
确定每一所述班组中，处理当前装配任务的结束时间最近的第一班组为所述目标班组；
[0659]
在存在多个所述第一班组的情况下，在所述第一班组中，确定已经工作时长最小的第二班组为所述目标班组；
[0660]
在存在多个所述第二班组的情况下，确定所述第二班组中的第三班组为所述目标班组；所述第三班组为所述第二班组中的任意一个班组。
[0661]
可选地，所述处理器2901，还用于：
[0662]
通过改进策略，对多目标改进算法moea进行改进，得到改进的多目标改进算法moea；
[0663]
所述改进策略包括以下至少之一：
[0664]
改进搜索机制策略；
[0665]
改进进化种群结构策略；
[0666]
改进种群分布性保持机制策略。
[0667]
可选地，所述处理器2901，具体用于：
[0668]
根据预设的适合排列编码的突变方式和预设的适合整数编码的突变方式，得到突变组合复方案；
[0669]
根据所述突变组合方案，对进化子代进行进一步搜索，得到突变子代，以使得所述改进的多目标改进算法moea在所述进化子代、所述突变子代和种群父代中进行搜索。
[0670]
可选地，所述处理器2901，具体用于：
[0671]
对进化子代进行非支配层级划分；
[0672]
确定非支配层级小于或等于第一预设层级的进化子代为精英子代；
[0673]
根据所述精英子代对所述进化子代进行搜索，得到突变精英子代，以使得所述改进的多目标改进算法moea在所述突变精英子代中进行搜索。
[0674]
可选地，所述处理器2901，具体用于：
[0675]
对进化子代进行非支配层级划分；
[0676]
根据非近亲度计算函数，对拥挤距离策略进行改进，以使得所述改进的多目标改进算法moea根据目标非支配层级的进化子代生成下一代个体；
[0677]
其中，所述非近亲度计算函数是根据拥挤距离和相似度确定的；
[0678]
所述目标非支配层级为个体总数小于预设种群个体数，且合并后个体总数大于预设种群个体数的非支配层级。
[0679]
可选地，所述处理器2901，具体还用于：
[0680]
对改进的第一多目标改进算法moea的复杂度进行分析，得到第一复杂度分析结果；所述改进的第一多目标改进算法moea是通过所述改进搜索机制策略对多目标改进算法moea进行改进后得到的；
[0681]
对改进的第二多目标改进算法moea的复杂度进行分析，得到第二复杂度分析结果；所述改进的第二多目标改进算法moea是通过所述改进进化种群结构策略对多目标改进算法moea进行改进后得到的；
[0682]
对改进的第三多目标改进算法moea的复杂度进行分析，得到第三复杂度分析结果；所述改进的第三多目标改进算法moea是通过所述改进种群分布性保持机制策略对多目标改进算法moea进行改进后得到的；
[0683]
对预设的多目标改进算法的复杂度进行分析，得到第四复杂度分析结果；
[0684]
对所述第一复杂度分析结果、所述第二复杂度分析结果、所述第三复杂度分析结果和所述第四复杂度分析结果进行对比，得到用于指示所述改进的多目标改进算法moea的复杂度的第一对比结果。
[0685]
可选地，所述处理器2901，具体还用于：
[0686]
根据预设的第一装配岛数量、预设的第一装配任务数量和预设的第一装配工人数量，得到第一装配调度测试方案；
[0687]
通过改进的第一多目标优化算法moea和所述第一装配调度测试方案，得到非支配解的第一并集，以及所述第一并集中的非支配解的第一帕累托前沿，所述第一帕累托前沿用于指示所述改进的第一多目标优化算法moea的逼近最优解的能力；所述改进的第一多目标改进算法moea是通过所述改进搜索机制策略对多目标改进算法moea进行改进后得到的；
[0688]
通过改进的第二多目标优化算法moea和所述第一装配调度测试方案，得到非支配解的第二并集，以及所述第二并集中的非支配解的第二帕累托前沿，所述第二帕累托前沿用于指示所述改进的第二多目标优化算法moea的逼近最优解的能力；所述改进的第二多目标改进算法moea是通过所述改进进化种群结构策略对多目标改进算法moea进行改进后得到的；
[0689]
通过改进的第四多目标优化算法moea和所述第一装配调度测试方案，得到非支配解的第三并集，以及所述第三并集中的非支配解的第三帕累托前沿，所述第三帕累托前沿用于指示所述改进的第四多目标优化算法moea的逼近最优解的能力；所述改进的第四多目标改进算法moea是通过所述改进进化种群结构策略对多目标改进算法moea进行改进后得到的；
[0690]
通过预设的多目标优化算法和所述第一装配调度测试方案，得到非支配解的第四并集，以及所述第四并集中的非支配解的第四帕累托前沿，所述第四帕累托前沿用于指示所述预设的多目标优化算法的逼近最优解的能力；
[0691]
对所述第一帕累托前沿、所述第二帕累托前沿、所述第三帕累托前沿和所述第四帕累托前沿进行对比，得到用于指示所述改进的多目标优化算法moea的逼近最优解的能力的第二对比结果。
[0692]
可选地，所述处理器2901，具体还用于：
[0693]
根据预设的第二装配岛数量、预设的第二装配任务数量和预设的第二装配工人数量，得到第二装配调度测试方案；
[0694]
通过改进的第一多目标优化算法moea和所述第二装配调度测试方案，得到非支配解的第一并集，以及根据所述第一并集，得到所述改进的第一多目标优化算法moea的第一反世代距离分析结果和第一超体积指数分析结果；所述改进的第一多目标改进算法moea是通过所述改进搜索机制策略对多目标改进算法moea进行改进后得到的；
[0695]
通过改进的第二多目标优化算法moea和所述第二装配调度测试方案，得到非支配解的第二并集，以及根据所述第二并集，得到所述改进的第二多目标优化算法moea的第二反世代距离分析结果和第二超体积指数分析结果；所述改进的第二多目标改进算法moea是通过所述改进进化种群结构策略对多目标改进算法moea进行改进后得到的；
[0696]
通过改进的第四多目标优化算法moea和所述第二装配调度测试方案，得到非支配解的第三并集，以及根据所述第三并集，得到所述改进的第四多目标优化算法moea的第三反世代距离分析结果和第三超体积指数分析结果；所述改进的第四多目标改进算法moea是通过所述改进进化种群结构策略对多目标改进算法moea进行改进后得到的；
[0697]
通过预设的多目标优化算法和所述第二装配调度测试方案，得到非支配解的第四并集，以及根据所述第三并集，得到所述预设的多目标优化算法的第四反世代距离分析结果和第四超体积指数分析结果；
[0698]
对所述第一反世代距离分析结果、所述第二反世代距离分析结果、所述第三反世代距离分析结果和所述第四反世代距离分析结果进行对比，得到用于指示所述改进的多目标优化算法moea的收敛性的第三对比结果；
[0699]
对所述第一超体积指数分析结果、所述第二超体积指数分析结果、所述第三超体积指数分析结果和所述第四超体积指数分析结果进行对比，得到用于指示所述改进的多目标优化算法moea的收敛性的第四对比结果。
[0700]
可选地，所述处理器2901，具体还用于：
[0701]
根据所述第一反世代距离分析结果、所述第二反世代距离分析结果、所述第三反世代距离分析结果和所述第四反世代距离分析结果，得到用于指示所述改进的多目标优化算法moea的稳定性的第五对比结果；
[0702]
根据所述第一超体积指数分析结果、所述第二超体积指数分析结果、所述第三超体积指数分析结果和所述第四超体积指数分析结果，得到用于指示所述改进的多目标优化算法moea的稳定性的第六对比结果。
[0703]
可选地，所述处理器2901，具体还用于：
[0704]
以所述改进的第一多目标优化算法moea为基准，根据所述第一反世代距离分析结果、所述第二反世代距离分析结果、所述第三反世代距离分析结果和所述第四反世代距离分析结果，得到用于指示所述改进的多目标优化算法moea的支配性的第七对比结果；
[0705]
以所述改进的第一多目标优化算法moea为基准，根据所述第一超体积指数分析结
果、所述第二超体积指数分析结果、所述第三超体积指数分析结果和所述第四超体积指数分析结果，得到用于指示所述改进的多目标优化算法moea的支配性的第八对比结果。
[0706]
可选地，所述处理器2901，具体还用于：
[0707]
根据所述第一帕累托前沿、所述第二帕累托前沿和所述第三帕累托前沿，得到用于指示所述改进的多目标优化算法moea的适用性的第九对比结果。
[0708]
可选地，所述处理器2901，具体还用于：
[0709]
根据所述第一反世代距离分析结果、所述第二反世代距离分析结果和所述第三反世代距离分析结果，得到用于指示所述改进的多目标优化算法moea的适用性的第十对比结果。
[0710]
可选地，所述处理器2901，具体还用于：
[0711]
根据所述第一超体积指数分析结果、所述第二超体积指数分析结果和所述第三超体积指数分析结果，得到用于指示所述改进的多目标优化算法moea的适用性的第十一对比结果。
[0712]
其中，在图29中，总线架构可以包括任意数量的互联的总线和桥，具体由处理器2901代表的一个或多个处理器和存储器2902代表的存储器的各种电路链接在一起。总线架构还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口提供用户接口2904。收发机2903可以是多个元件，即包括发送机和接收机，提供用于在传输介质上与各种其他装置通信的单元。处理器2901负责管理总线架构和通常的处理，存储器2902可以存储处理器2901在执行操作时所使用的数据。
[0713]
另外，本发明具体实施例还提供一种可读存储介质，其上存储有计算机程序，其中，该程序被处理器执行时实现如上中任一项所述的产品装配调度方法中的步骤。
[0714]
以上所述的是本发明的优选实施方式，应当指出对于本技术领域的普通人员来说，在不脱离本发明所述的原理前提下还可以作出若干改进和润饰，这些改进和润饰也在本发明的保护范围内。