CN116985146A

CN116985146A - 退役电子产品的机器人并行拆解规划方法

Info

Publication number: CN116985146A
Application number: CN202311253330.7A
Authority: CN
Inventors: 汪开普; 李益兵; 王磊; 杜百岗; 郭钧; 唐红涛; 郭顺生
Original assignee: Wuhan University of Technology WUT
Current assignee: Wuhan University of Technology WUT
Priority date: 2023-09-27
Filing date: 2023-09-27
Publication date: 2023-11-03
Anticipated expiration: 2043-09-27
Also published as: CN116985146B

Abstract

本发明提供了一种退役电子产品的机器人并行拆解规划方法，确定待拆解机电产品的拆解信息，所述拆解信息包括拆解优先关系、拆解工具、拆解时间；基于机器人并行拆解的工作流程和所述拆解信息，设定拆解约束；并建立以完工时间和拆解能耗为目标的双目标机器人并行拆解序列规划模型，并将其转化为标准的混合整数线性规划模型；通过对离散人工蜂群算法进行离散化人工蜂群操作，得到改进离散人工蜂群算法；构造基于所述拆解约束的编码策略和解码策略，通过所述改进离散人工蜂群算法对模型进行求解，得到规划方法。

Description

退役电子产品的机器人并行拆解规划方法

技术领域

本发明涉及电子产品拆解规划技术领域，具体涉及一种退役电子产品的机器人并行拆解规划方法。

背景技术

科技的飞速发展加快了电子产品更新换代的步伐、缩短了电子产品的使用周期，由此产生了大量退役电子产品。退役电子产品不仅占据着大量可再生资源，同时也含有对环境有害的零部件或材料。若不能及时规范地处理这些退役电子产品，不仅会造成资源浪费，也会污染环境。许多拆解企业均采用拆解线来拆解回收退役电子产品，例如废旧智能手机、废旧笔记本电脑等，采用机器人并行拆解方式可以显著提高拆解效率，同时降低拆解能耗。

然而，机器人并行拆解序列规划问题是NP难组合优化问题，拆解企业拆解方式简单粗暴，多是根据生产经验或简单启发式规则对拆解任务进行规划，难以精准高效地规划大规模拆解任务，进而容易导致拆解效率低、生产阻塞、成本高、能耗高等问题。此外，现有技术缺乏并行机器人拆解规划研究，忽视了拆解工具对拆解时间的影响，且未考虑拆解能耗，最终的拆解方案综合性能差。

发明内容

本发明提出了一种退役电子产品的机器人并行拆解规划方法，以解决现有规划方案拆解效率低、生产阻塞、成本高、能耗高的技术问题。

为解决上述技术问题，本发明提供了一种退役电子产品的机器人并行拆解规划方法，其特殊之处在于，包括以下步骤：

步骤S1：确定待拆解机电产品的拆解信息，所述拆解信息包括拆解优先关系、拆解工具、拆解时间；

步骤S2：基于机器人并行拆解的工作流程和所述拆解信息，设定拆解约束；

步骤S3：建立以完工时间和拆解能耗为目标的双目标机器人并行拆解序列规划模型，并将其转化为标准的混合整数线性规划模型；

步骤S4：通过对离散人工蜂群算法进行离散化人工蜂群操作，得到改进离散人工蜂群算法；

步骤S5：构造基于所述拆解约束的编码策略和解码策略，通过所述改进离散人工蜂群算法对步骤S3的模型进行求解，得到规划方法。

优选地，步骤S3中所述混合整数线性规划模型的表达式为：

；

式中，f₁表示最大完工时间；f₂表示拆解能耗总和；M表示机器人集合；表示机器人m拆解作业时的单位时间能耗；I表示拆解任务集合；任务i被分配到机器人m时x_im为1，否则为0；t_im表示任务i在机器人m中的拆解时间；/>表示机器人m更换工具时的单位时间能耗；t_b表示拆解工具更换时间；K＇表示位置集合；机器人m的第k位置与第k+1位置处任务的拆解工具不同时d_mk为1，否则为0；机器人m中的首尾任务的拆解工具不同时b_m为1，否则为0；表示机器人m待机时的单位时间能耗；T_C表示所有机器人的最大完工时间。

优选地，步骤S4中所述离散化人工蜂群操作的表达式为：

；

式中，表示新个体，/>和/>表示两个不同的个体，/>表示随机值，/>表示对拆解序列执行相加的任务交换操作，/>表示乘法操作，根据随机数确定交换任务组，/>表示拆解序列相减操作，得到相异位置处的交换任务组。

优选地，步骤S5中所述编码策略还包括启发式规则，所述启发式规则包括：

1）在进行编码任务时优先分配有优先约束的任务及其直接紧前任务，且在分配机器人时使关键路径上任务的拆解时间最短，从而缩短拆解完工时间；

2）在进行机器人分配时，功率小的机器人多分配任务，功率大的机器人少分配任务，以降低总的拆解能耗。

优选地，所述解码策略包括以下步骤：

步骤S501：输入编码序列，拆解任务数|I|，优先矩阵P，种群规模N，任务拆解时间T，拆解工具O；

步骤S502：执行个体解码，逐个位置任务进行分配；

步骤S503：根据优先矩阵P确定位置k处任务的紧前任务的最大完工时间；确定机器人m_k中的最大完工时间/>；根据工具O信息确定当前任务与机器人m_k中的末位任务是否存在工具更换时间t_b，当前任务的拆解开始时刻为/>；根据任务拆解时间T来确定当前任务的拆解完成时刻为/>；

步骤S504：确定每个机器人的任务开始时刻与最后一项任务的完成时刻/>，确定每个机器人的最后一项任务与第一项任务是否存在工具更换时间tb，机器人m中完工时间为/>，拆解序列的最大完工时间为/>，当前个体解码完成；

步骤S505：确定种群中所有个体的所有任务的作业时间窗以及最大完工时间，全部解码完成。

优选地，步骤S5中通过所述改进离散人工蜂群算法对步骤S3的模型进行求解的方法包括以下步骤：

步骤S511：算法参数初始化；

步骤S512：根据拆解优先关系以及编码、解码策略完成种群初始化；

步骤S513：分别执行雇佣蜂阶段、旁观蜂阶段、侦查蜂阶段；

步骤S514：当算法运行时间达到最大运行时间时，算法终止，输出规划方法。

优选地，步骤S513中所述雇佣蜂阶段采用两个不同的随机数进行离散操作，比较不同交换情况下结果的优劣，并通过贪婪准则，将最优的个体作为新的蜜源。

优选地，步骤S513中所述旁观蜂阶段基于超体积指标设定选择概率，以选择两个不同于旁观蜂的个体进行邻域搜索操作，比较选择不同邻域个体搜索结果的优劣，并通过贪婪准则，将最优的个体作为新的蜜源。

优选地，所述选择概率P(x_i)的表达式为：

；

式中，N表示种群数，HV值表示雇佣蜂蜜源x到参考点之间的超体积，设参考点。

优选地，步骤S513中所述侦查蜂阶段采用三种随机邻域搜索策略，比较三种邻域搜索结果的质量，并通过贪婪准则，将最优的个体作为新的蜜源，所述随机邻域搜索策略包括：

1）对非支配解进行邻域搜索；

2）对支配解进行邻域搜索；

3）按照编码策略生成新的蜜源。

本发明的有益效果至少包括：

1）构建了机器人并行拆解序列规划问题的混合整数线性规划模型，将完工时间和拆解能耗作为优化目标，为废旧智能手机、废旧笔记本电脑等退役电子产品拆解设计与规划提供了理论与技术支撑；

2）通过对人工蜂群算法进行改进并与机器人并行拆解序列规划问题相结合，确保了算法的可行性和高效性，为智能优化算法在组合优化问题中的应用奠定了理论基础；

3）机器人并行拆解序列规划方法可以有效缩短退役电子产品的完工时间，并降低拆解能耗，可以在短时间内获得优质的机器人并行拆解方案，使得退役电子产品拆解过程更加精准，可以显著提高退役电子产品的拆解效率，同时减轻环境影响。

附图说明

图1为本发明实施例的方法流程示意图；

图2为本发明实施例的人工蜂群算法离散化示意图；

图3为本发明实施例的智能手机拆解任务之间的优先关系图；

图4为本发明实施例的离散人工蜂群算法与对比算法的结果对比示意图；

图5为本发明实施例的离散人工蜂群算法与对比算法的迭代示意图；

图6为本发明实施例的智能手机拆解案例的结果示意图；

图7为本发明实施例的智能手机拆解案例的甘特图。

具体实施方式

下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本发明的保护范围。

如图1所示，本发明实施例提供了一种退役电子产品的机器人并行拆解规划方法。

在陈述实施例之前，先对机器人并行拆解进行阐述：

针对体型较小的退役电子产品，如智能手机、笔记本电脑，可以采用多个机器人同时并行拆解的作业方式。为了节约拆解成本、减少拆解车间的占地面积，无须构建多工位拆解流水线，而是将产品位置固定，充分利用机器人操作的灵活性，让多个机器人在产品的不同方位同时作业，这类问题被称为机器人并行拆解序列规划问题。机器人并行拆解序列规划中，在满足拆解任务优先约束的前提条件下，4个机器人可以同时作业，不采用拆解线工位流动传输任务，即同一时刻可以拆解多个任务，从而极大地缩短产品的下线时间。该问题的难点在于如何合理地安排不同任务在不同机器人中的作业时间窗，同时满足多个拆解约束，并优化拆解评价指标。

机器人并行拆解与拆解线的不同之处在于：①不采用拆解线工位来承接任务，而是直接将任务分配给不同方位的机器人；②机器人并行作业，即机器人可从多个方位同时对产品进行拆解作业，不同于拆解线中串行作业模式；③无节拍约束，只需满足优先约束。在机器人拆解序列规划问题中需要考虑因工具更换而产生的工具更换时间。

当机器人数量一定时，不同任务在不同机器人中的作业时间不同，以最小化拆解完工时间和拆解能耗为优化目标。拆解完工时间取所有机器人的最大完工时间。每个机器人的完工时间中包含拆解作业时间、工具更换时间以及待机时间。待机时间主要是因优先约束而造成的等待时间，且在工具更换时，机器人同样处于待机状态。需要指出的是，若机器人作业开始时刻之前存在待机时间，且机器人末尾存在工具更换时间，则可将工具更换时间前移至作业开始时刻之前，以缩短机器人完工时间。机器人不同的作业工况会产生对应的能耗，即机器人的能耗包含拆解作业能耗、工具更换能耗以及待机能耗。

本发明的方法包括以下步骤：

步骤S1：确定待拆解机电产品的拆解信息，所述拆解信息包括拆解优先关系、拆解工具、拆解时间。

具体地，根据退役电子产品的三维信息确定产品所有的零部件信息，根据零部件之间的关联性以及零部件的不可再拆属性来划分拆解任务；根据退役电子产品的三维空间结构和拆解工艺顺序，确定拆解任务之间的拆解优先关系，根据优先关系来构造优先关系矩阵和优先关系图；根据退役电子产品的零部件属性以及机器人属性，确定每项拆解任务的拆解工具类型、拆解工具更换时间、机器人拆解时间和机器人不同状态下的单位时间能耗。

步骤S2：基于机器人并行拆解的工作流程和所述拆解信息，设定拆解约束。

为方便进行说明，本发明实施例中所使用的符号和决策变量如下所示：

i，j：拆解任务编号，拆解任务集合为I，i∈I，最大拆解任务数为|I|；

m：机器人编号，机器人集合为M，最大机器人数为|M|；

k：任务在机器人中的位置，位置集合为K，最大位置为|K|；设集合K'={1，…，|K|–1}；

t_im：任务i在机器人m中的拆解时间；

t_b：拆解工具更换时间；

o_i：拆解任务i的工具类型，工具类型总数为O；

：机器人m拆解作业时的单位时间能耗；

：机器人m更换工具时的单位时间能耗；

：机器人m待机时的单位时间能耗；

p_ij：任务之间的优先关系属性，若任务i是任务j的直接紧前任务，则p_ij=1，否则p_ij=0；

ψ：极大数；

T_C：决策变量，所有机器人的最大完工时间（非负变量）；

x_im：决策变量，1，任务i被分配到机器人m；否则为0；

y_m：决策变量，1，机器人m启用；否则为0；

z_imk：决策变量，1，任务i被分配到机器人m的第k位置处；否则为0；

a_im：决策变量，1，任务i是机器人m中的最后一个拆解任务；否则为0；

b_m：决策变量，1，机器人m中的首尾任务的拆解工具不同；否则为0；

d_mk：决策变量，1，机器人m的第k位置与第k+1位置处任务的拆解工具不同；否则为0；

：决策变量，任务i的完工时刻（非负变量）；

：决策变量，机器人m的开始作业时刻（非负变量）。

本发明实施例中约束条件包括：

约束1：采用完全拆解模式，即所有任务都被拆解，其表达式为

。

约束2：机器人m的开始作业时刻约束，其表达式为

；

。

约束3：单个机器人的完工时间约束可以表示为

。

约束4：拆解序列的完工时间约束可以表示为

；

。

约束5：任务的拆解时刻存在优先关系，任务的时间窗约束可以表示为

。

约束6：机器人中的相邻任务约束可以表示为

。

约束7：机器人中任务位置的优先约束可以表示为

。

约束8：位置约束，机器人中的任务都被分配了位置，其表达式为

。

约束9：位置约束，机器人中的位置不一定被分配了任务，其表达式为

。

约束10：位置约束，在机器人中按位置顺序分配任务，其表达式为

。

约束11：机器人启用与任务之间的关系可以表示为

。

约束12：机器人中相邻任务的工具类型改变约束可以表示为

；

。

约束13：机器人中最后位置处的任务约束，机器人启用时存在最后位置任务，可以表示为

。

约束14：机器人中任意任务不一定处于最后位置处，其表达式为

。

约束15：机器人中任务处于最后位置时的约束可以表示为

。

约束16：机器人中首尾位置处工具类型改变约束可以表示为

；

。

步骤S3：并建立以完工时间和拆解能耗为目标的双目标机器人并行拆解序列规划模型，并将其转化为标准的混合整数线性规划模型。

具体地，最小化完工时间和拆解能耗，其表达式为：

；

子目标1：所有机器人的最大完工时间，可以表示为：

。

子目标2：所有机器人的拆解能耗总和，可以表示为：

。

步骤S4：通过对离散人工蜂群算法进行离散化人工蜂群操作，得到改进离散人工蜂群算法。

本发明实施例中，为了适应离散拆解序列规划问题的需要，将该连续性表达式离散化，新的表达式为：

；

以拆解任务序列为例，对三种运算规则进行举例说明：

减法操作，两个序列相减得到对应位置处不同任务的交换对。举例如下：若存在两个序列x₁={1，3，2，5，4}和x₂={3，5，2，4，1}，第1个位置处的任务不同，对x₂执行(1，3)交换操作，则x₂变为{1，5，2，4，3}，对更新后的x₂继续执行交换操作，如图2所示，直至x₂=x₁，所有的交换对为{(1，3)，(3，5)，(4，5)}，即x₂/>x₁={(1，3)，(3，5)，(4，5)}。

乘法操作，减法操作中确定的交换对数与随机数相乘，对乘积向上取整。举例如下：给定交换对为{(1，3)，(3，5)，(4，5)}，交换次数共3次，当随机数φ为0.6时，则交换次数为1.8，向上取整为2，即φ/>(x₂/>x₁)={(1，3)，(3，5)}。

加法操作，对序列执行交换任务操作。举例如下：相加操作的交换对为{(1，3)，(3，5)}，对x₂执行相加操作，x₂=x2/>{(1，3)，(3，5)}={1，3，2，4，5}。

需要指出的是，在执行交换操作后需要检验拆解序列是否满足任务优先约束，若不满足，则需对不满足约束的序列进行调整。

求解方法包括以下步骤：

步骤S511：算法参数初始化；

步骤S513：分别执行雇佣蜂阶段、旁观蜂阶段、侦查蜂阶段；

具体地，在编码策略中，机器人并行拆解序列包含拆解任务序列以及机器人分配序列。拆解任务序列采用整数编码，基于任务优先关系来确定拆解任务顺序。机器人分配序列中采用整数编码，序列中的元素由拆解任务对应的机器人编号组成。在编码过程中采用2种启发式规则：①最小完工时间与关键拆解路径相关，因此在编码任务时应尽可能优先分配有优先约束的任务及其直接紧前任务，且在分配机器人时应尽可能使关键路径上任务的拆解时间短，从而缩短拆解完工时间；②拆解能耗主要由任务拆解作业产生，因此功率小的机器人应尽可能多分配任务，功率大的机器人应尽可能少分配任务，以降低总的拆解能耗。

具体编码过程如下：①输入拆解任务数|I|，优先矩阵P，种群规模N，任务拆解时间T；②种群中的个体编码，确定每个位置的拆解任务变量和机器人变量；③根据任务优先矩阵和启发式规则1挑选任务i_k；④根据任务拆解时间和启发式规则2挑选机器人编号m_k；⑤更新优先矩阵P；⑥得到一个完整的可行编码序列Pop_n={i_k；m_k}；⑦种群中所有个体完成编码，输出编码序列Pop={Pop_n}。

解码时需要确定任务的作业时间窗，分配任务时需要考虑优先约束和工具更换时间，并且尽可能使任务之间无空闲时间，从而确保完工时间最短、能耗最小。

具体解码过程如下：

步骤S502：执行个体解码，逐个位置任务进行分配；

雇佣蜂在进行邻域搜索时，本发明实施例为了增加搜索的广度和深度，采用两种不同随机数进行离散操作，然后比较不同交换对情况下结果的优劣。根据贪婪准则，将较优的个体作为新的蜜源。若蜜源质量未改善，则保持原来的蜜源不变，并记录该蜜源未改善的次数。

雇佣蜂阶段的具体步骤如下：①输入雇佣蜂个体；②随机选择种群中不同于/>的个体/>，随机生成两个不同的随机数/>和/>，执行邻域搜索，得到新的邻域个体/>和/>；③若/>，则用非支配解/>替换雇佣蜂/>；若/>，则用非支配解/>替换雇佣蜂/>；否则未找到非支配解，保持雇佣蜂/>不变；④输出雇佣蜂邻域个体/>。

旁观蜂阶段，旁观蜂通过观察舞蹈区中的雇佣蜂的舞蹈，获取蜜源位置和质量信息，并通过概率的形式选择继续觅食的蜜源。蜜源质量越高，被旁观蜂选择的概率越大。通过超体积指标来评价多目标拆解任务序列的质量，设参考点为，则HV值为雇佣蜂蜜源x到参考点r ^*之间的超体积，其表达式为

；

则本发明实施例中计算旁观蜂的选择概率P(x _i)为

；

旁观蜂执行邻域搜索的方式与雇佣蜂类似，选择两个不同于旁观蜂的个体进行邻域搜索操作，比较选择不同邻域个体搜索结果的优劣。根据贪婪准则，将较优的个体作为新的蜜源。若蜜源质量未改善，则保持原来的蜜源不变，并记录该蜜源未改善的次数。

旁观蜂阶段的具体步骤如下：①输入旁观蜂个体；②随机选择种群中不同于/>的两个蜜源/>和/>，生成随机数/>，执行邻域搜索，得到新的邻域个体/>和/>；③若，则用非支配解/>替换旁观蜂/>；若/>，则用非支配解/>替换旁观蜂/>；否则未找到非支配解，保持雇佣蜂/>不变；④输出旁观蜂邻域个体/>。

侦查蜂阶段，在基本人工蜂群算法中，当蜜源质量未改善次数达到规定值Limit时，则放弃该蜜源，让侦查蜂在已有蜜源的附近进行邻域搜索，并用搜索得到的新蜜源来替代该蜜源。随机生成一个邻域蜜源并不能保证蜜源的质量，因此本发明实施例中的的人工蜂群算法将采用三种随机邻域搜索策略：①对非支配解进行邻域搜索，即在较优蜜源附近进行邻域搜索，探索更高质量的邻域蜜源；②对支配解进行邻域搜索，因支配解中可能含有较优的序列片段，对其邻域搜索可能获得质量较优的邻域蜜源；③按照编码策略生成新的蜜源，以增加邻域搜索的多样性。

在前两种邻域搜索方式中，需要存储算法每次迭代中的非支配解和支配解。比较三种邻域搜索结果的质量，根据贪婪准则，当探索到较优蜜源时，将较优的个体作为新的蜜源，否则从三种邻域蜜源中选取较好的蜜源。三种邻域搜索策略分别从不同的角度探索高质量蜜源，可以增加算法探索较优值的可能性。

侦查蜂阶段的具体步骤如下：①输入侦查蜂个体，非支配解集，支配解集，拆解任务信息；②从非支配解集和支配解集中随机选择个体/>和/>；按照编码方式生成随机个体/>，对/>和/>执行邻域搜索，得到新的邻域个体/>和/>；③若/>，则用非支配解/>替换侦查蜂/>；若/>，则用非支配解/>替换侦查蜂/>；若，则用非支配解/>替换侦查蜂/>；否则计算/>，从/>中随机选择一个解替换侦查蜂/>；④输出侦查蜂邻域个体/>。/>

实施例如下：

以一个智能手机拆解为例，构造机器人并行拆解序列规划问题，分析本发明的方法在实际工程案例中的应用性能。该手机含28个主要零部件，结合该智能手机的完整零部件结构，以手工真实拆解过程为基础，模拟机器人拆解行为，将该手机的拆解过程划分为35项拆解任务，具体信息如表1所示。拆解任务之间的优先关系如图3所示。将每项任务的手工拆解时间拓展到3种不同种类的机器人上，表1给出了不同机器人在每项拆解任务上的拆解时间(s)，并给出了拆解工具，用编号1~7分别表示吸盘、夹子、螺丝刀、卡扣工具、排线工具、加热吸取工具和拆框机。与机器人拆解相关的其他参数分别设置为：t _b=3s，=[1.08，1.10，1.05]kW，/>=/>kW，/>=/>kW。采用MATLAB R2020软件编写了所设计的离散人工蜂群算法的代码，算法运行环境为Intel Core i5-8400 CPU，2.80GHz，16GB RAM，Windows10 64位操作***。

表1

引入非支配排序遗传算法II（NSGA-II）、多目标粒子群优化（MOPSO）算法、强度Pareto进化算法2（SPEA2）与本发明所提供的多目标离散人工蜂群（MDABC）算法进行对比。所有算法的种群数设为100，算法终止条件为运行时间200s。MDABC中的Limit设为20，NSGA-II和SPEA2的交叉和变异概率分别设为0.9和0.2；MOPSO中的加速度系数分别为1.5和1.5，权重系数为0.5。每种算法分别独立运行10次，将所有的结果进行非支配解筛选，将其目标值作为真实Pareto前沿。对结果进行归一化处理，并采用HV、IGD和Spread指标评价算法的非支配解集。4种算法在3种指标上的均值和95%的置信区间如图4所示。

图4对比可知，在HV指标上MDABC的置信区间跨度小于3种对比算法，且与对比算法的置信区间无重叠；在IGD指标上MDABC的置信区间跨度略大于SPEA2，但小于MOPSO和NSGA-II；在Spread指标上4种算法的置信区间跨度均较大。在3种不同的指标上，MDABC的平均值优于3种对比算法的平均值，表明MDABC的收敛性和分散性优于对比算法。取每种算法取得最佳HV指标时算法的迭代数据，绘制如图5所示的迭代图。

4种算法取得的最大HV值分别为4162.35，4050.25，3969.36，3903.62，MDABC的最终HV值优于3种对比算法的最终HV值。在算法迭代初期，MOPSO的初始解质量较优；在算法迭代过程中，MDABC收敛速度较快；所有算法在运行90s之后结果的改进率都非常小；4种算法性能从优到劣的排列顺序是MDABC>MOPSO>NSGA-II>SPEA2。

绘制4种算法结果的Pareto前沿，如图6所示。MDABC的Pareto前沿更靠近真实Pareto前沿，且MDABC取得了已知最优子目标值，图6中标记出了这两个方案S₁和S₂。算法的优劣排序与图5得到的算法排序相同。

在图6给出的所有方案中，方案S₁的完工时间最小，为64.9s，拆解能耗为190.85kW·s；方案S₂的拆解能耗最小，为180.18kW·s，完工时间为66.7s。观察图6可知，MDABC求得的5个拆解方案均为可选优质方案，不同方案在两个子目标上各有侧重，任何一个方案无法同时使两个子目标均最小。绘制方案S₁和S₂的甘特图，如图7所示。图中空白格表示工具更换时间，空白部分表示待机时间。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，仅表达了本发明的较佳实施例而已，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims

1.一种退役电子产品的机器人并行拆解规划方法，其特征在于：包括以下步骤：

2.根据权利要求1所述的一种退役电子产品的机器人并行拆解规划方法，其特征在于：步骤S3中所述混合整数线性规划模型的表达式为：

；

式中，f₁表示最大完工时间；f₂表示拆解能耗总和；M表示机器人集合；表示机器人m拆解作业时的单位时间能耗；I表示拆解任务集合；任务i被分配到机器人m时x_im为1，否则为0；t_im表示任务i在机器人m中的拆解时间；/>表示机器人m更换工具时的单位时间能耗；t_b表示拆解工具更换时间；K＇表示位置集合；机器人m的第k位置与第k+1位置处任务的拆解工具不同时d_mk为1，否则为0；机器人m中的首尾任务的拆解工具不同时b_m为1，否则为0；/>表示机器人m待机时的单位时间能耗；T_C表示所有机器人的最大完工时间。

3.根据权利要求1所述的一种退役电子产品的机器人并行拆解规划方法，其特征在于：步骤S4中所述离散化人工蜂群操作的表达式为：

；

式中，表示新个体，/>和/>表示两个不同的个体，/>表示随机值， />表示对拆解序列执行相加的任务交换操作，/> 表示乘法操作，根据随机数确定交换任务组，/>表示拆解序列相减操作，得到相异位置处的交换任务组。

4.根据权利要求1所述的一种退役电子产品的机器人并行拆解规划方法，其特征在于：步骤S5中所述编码策略还包括启发式规则，所述启发式规则包括：

5.根据权利要求1所述的一种退役电子产品的机器人并行拆解规划方法，其特征在于：所述解码策略包括以下步骤：

步骤S502：执行个体解码，逐个位置任务进行分配；

步骤S504：确定每个机器人的任务开始时刻与最后一项任务的完成时刻/>，确定每个机器人的最后一项任务与第一项任务是否存在工具更换时间tb，机器人m中完工时间为，拆解序列的最大完工时间为/>，当前个体解码完成；

6.根据权利要求1所述的一种退役电子产品的机器人并行拆解规划方法，其特征在于：步骤S5中通过所述改进离散人工蜂群算法对步骤S3的模型进行求解的方法包括以下步骤：

步骤S511：算法参数初始化；

步骤S513：分别执行雇佣蜂阶段、旁观蜂阶段、侦查蜂阶段；

7.根据权利要求6所述的一种退役电子产品的机器人并行拆解规划方法，其特征在于：步骤S513中所述雇佣蜂阶段采用两个不同的随机数进行离散操作，比较不同交换情况下结果的优劣，并通过贪婪准则，将最优的个体作为新的蜜源。

8.根据权利要求1所述的一种退役电子产品的机器人并行拆解规划方法，其特征在于：步骤S513中所述旁观蜂阶段基于超体积指标设定选择概率，以选择两个不同于旁观蜂的个体进行邻域搜索操作，比较选择不同邻域个体搜索结果的优劣，并通过贪婪准则，将最优的个体作为新的蜜源。

9.根据权利要求8所述的一种退役电子产品的机器人并行拆解规划方法，其特征在于：所述选择概率P(x_i)的表达式为：

；

10.根据权利要求1所述的一种退役电子产品的机器人并行拆解规划方法，其特征在于：步骤S513中所述侦查蜂阶段采用三种随机邻域搜索策略，比较三种邻域搜索结果的质量，并通过贪婪准则，将最优的个体作为新的蜜源，所述随机邻域搜索策略包括：

1）对非支配解进行邻域搜索；

2）对支配解进行邻域搜索；

3）按照编码策略生成新的蜜源。