《不确定条件下生产线平衡：鲁棒优化模型和最优解解法.doc》由会员分享，可在线阅读，更多相关《不确定条件下生产线平衡：鲁棒优化模型和最优解解法.doc（18页珍藏版）》请在三一办公上搜索。
1、本科毕业论文外文翻译外文译文题目：不确定条件下生产线平衡：鲁棒优化模型和最优解解法学 院:机械自动化专 业:工业工程学 号:201003166045学生姓名: 指导教师: 日 期:二一四年五月Assembly line balancing under uncertainty: Robust optimization modelsand exact solution methodnc Hazr , Alexandre DolguiComputers & Industrial Engineering，2013，65：261267不确定条件下生产线平衡：鲁棒优化模型和最优解解法安库汉泽，亚历山大多桂
2、计算机与工业工程，2013，65：261267摘 要 这项研究涉及在不确定条件下的生产线平衡，并提出两个鲁棒优化模型。假设了不确定性区间运行的时间。该方法提出了生成线设计方法，使其免受混乱的破坏。基于分解的算法开发出来并与增强策略结合起来解决大规模优化实例。该算法的效率已被测试，实验结果也已经发表。本文的理论贡献在于文中提出的模型和基于分解的精确算法的开发。另外，基于我们的算法设计出的基于不确定性整合的生产线的产出率会更高，因此也更具有实际意义。此外，这是一个在装配线平衡问题上的开创性工作，并应该作为一个决策支持系统的基础。关键字： 装配线平衡； 不确定性； 鲁棒优化； 组合优化； 精确算法1
3、. 简介装配线就是包括一系列在车间中进行连续操作的生产系统。零部件依次向下移动直到完工。它们通常被使用在高效地生产大量地标准件的工业行业之中。在这方面，建模和解决生产线平衡问题也鉴于工业对于效率的追求变得日益重要。生产线平衡处理的是分配作业到工作站来优化一些预定义的目标函数。那些定义操作顺序的优先关系都是要被考虑的，同时也要对能力或基于成本的目标函数进行优化。就生产（绍尔，1999）产品型号的数量来说，装配线可分为三类：单一模型（SALBP），混合模型（MALBP）和多模式（MMALBP）。在混合模型线和类似的生产流程中的同一产品的几个版本都需要他们。凡生产流程有明显不同的生产线都需要计划并被
4、称为多模型生产线。从整体上对单一模型的装配线来说，对于一种均匀的产品的制造，就会有两个基本能力取向的问题：在给定一个所需的周期时间内最小化工作站的数量，所有这是由工作站时间的最大值（SALBP1）中所定义；或在给定的工作站数目下最小化周期时间（SALBP2）。结合两种构想和优化工作站的数量和周期时间的效率问题(SALBP 2)，也经常被研究。在现实生活中,装配过程中受到各种不确定性来源的影响,如操作时间的可变性、资源使用或可用性。这些变化威胁到装配目标和避免它们造成的损失是至关重要的。在这些资源中,操作时间的变化是重要的,特别是对于包含手动操作的生产线。在大量变化的情况下,生产管理是昂贵的(生
5、产线停工,工人的再分配,加班、短缺,等等)。在这方面,本研究着重于预防这些成本的产生。为此,我们制定了鲁棒SALBP-2。在这个问题中,工作站被认为是预先确定的数量,因此变化影响生产周期和生产率。开发一个算法来分配操作工作站,使其有可能在定义的最小周期内完成。因此, 即使面对突发事件也能表现良好的更可靠的装配系统将会被设计出来。我们强调,这项研究既有助于装配线设计的理论也有助于其实践。从理论上讲,这是第一篇将鲁棒优化理念应用在模型上和避免在生产线产生中断的文章,。此外,弯管机分解并不常用来解决平衡问题。事实上,绝大多数的研究使用动态规划,分支界限法或启发式方法。另一方面，在实践中，在汽车，机械
6、和电子行业的不同公司可能受益我们的模型和算法从而建立可靠的装配生产线。此外，我们的算法具有不需要综合历史数据或概率分布的优势；在许多行业中，以前的可靠的数据可能不能用来估计运行时间的概率分布，特别是对新的生产线来说。本文的其余部分安排如下。第2部分就相关问题和生产线平衡方法和模型的文献和对不确定性的规避做了总结。第3.1节和3.2节分别叙述了确定性的数学模型和鲁棒问题。为了解决争用问题，分解算法是在第4节表达，实验分析和计算结果在第5节，。最后，第6节则给出了结论和未来研究的角度。2.相关文献 为了使SALBP-2最优，绍尔和克莱因（1996）提出了一个分支定界算法，而学士学位urdag等（1
7、997）开发了近似算法。Goksen和Agpak（2006）随后提出了一个多准则决策方法及制定了目标规划模型，U型线。然而，Simaria和维拉里纽（2004）强调了混合模型，具体MALBP-2生产，并得出与遗传算法的近似解。奥兹坎和Toklu（2009）提出了一个数学模型和模拟退火算法来平衡双面线路。多桂等研究了一个生产线平衡不同的扩展和最低成本目标下合并设备的选择（2012）。对所有问题的分类方案和代表性的论文通过百胜等人提出（2007年）。我们也参考了读者舍尔和Becker（2006），百胜等人的调查和Battaia Dolgui（2013）其他有关问题和模型。需要注意的是生产线平衡的研
8、究论文的大部分假设所有数据的完全了解。但是，在今天，为了达到输出目标对不确定性的来源保障机制的整合是至关重要的，。为了这个目的，我们可以使用鲁棒优化，这是那些模型不确定性和影响的基础优化方法之一，正如随机规划，灵敏度分析，参数规划和模糊规划一样。在这些方法中，随机规划被广泛应用，因为它是一个使用概率分布来描述不确定的数据的功能强大的建模系统。它同样也被应用到生产线平衡，但我们再次强调，随机的方法只有在准确的概率描述下是适用的。最近已经吸引了许多研究者关注的另一种替代方法是模糊规划。它采用模糊数字和通过模糊集隶属函数，而不是随机变量的定义产生的约束。隶属函数可能会允许一些约束违反和衡量约束补偿。
9、它也应用到生产线平衡。敏感度分析或稳定性有所不同，因为它在本质上是反应性的，不适用于在建模阶段的不确定性。Sotskov和Gurevsky等研究了解决生产线平衡问题的方案，并得出在加工时间的微小变化下保持最优的预先解决方案的充要条件。他们进行了事后最优性分析，而我们在处理时间模型的可变性，并得出鲁棒问题的最优解（S）。鲁棒优化考虑最坏情况下的绩效，并寻求那些在最坏的情况表现良好的解决方案。最常见的鲁棒模型是最小最大化模型和极大极小遗憾模型。该最小最大模型是在所有情况下最小化最高费用。 Kouvelis和Yu（1997）全面地讨论它们并将它们应用于宽范围组合优化问题之中。最小最大后悔模型寻求最小
10、化最大的遗憾，这就是解决方案的成本和在所有的情况中最优方案的差别。他们常被用来模拟鲁棒版本的组合优化问题：比如最小生成树问题，一些生产线平衡问题。最小最大化模型和极大极小遗憾方法是悲观的，所以他们可能在很多情况下表现不佳。为了避免过度悲观，Bertsimas和Sim建议了一种限制不确定的方法，该方法中在所有系数子集得到他们的上界值。使用这种限制不确定性的方法，Hazir得出多模式项目调度的优化模型。其在生产线平衡中的应用都是十分新的。Al-e hashem提出了一个混合模型生产线（MMALBP）的构想。 Gurevsky（2012年）制定了鲁棒SALBP-1，并提出了分支定界求解算法。近日，纳
11、扎里安及高（2013年）调查了决策制定者的保守程度与生产线设计之间的关系；不同的是，他们把研究重点放在车间的非生产时间的分析。3.问题与模型3.1确定性的单一模型假设一个有K个生产工作地和N项操作的生产系统，它的目标是在最大化工作地数（工作地总操作时间，方程（3）前提下的最小化周期时间（方程（1），一个工作地被分配给每个操作（方程（2）和不能突破优先约束（方程（4）: Min C （1）服从于 for j=1，n （2） for k=1，K （3） （4） for j=1，n （5）在上述配方中，二元决策变量分配操作j站到k（式（5）。图G =（N，A），其中N为节点集和A N N是一组弧，操
12、作的是模型的优先级关系。此外，以下参数是必需的，以消除多余的优先级约束：在操作j可以被执行（ESj 和LSj）的最早和最晚工作站，工作站区间（SIj=ESj，LSj）和设置操作分配到台站k（Mk = j: k SIj）。 =K+1-值得注意的是，本文这些参数的设定需要定义一系列前提条件（）和设定周期时间的上限我们使用两个鲁棒优化模型和现在的精确解算法制定了鲁棒SALBP-2（RSALBP-2）。3.2鲁棒SALBP-2（RSALBP-2）。在本节中，我们提出一个考虑操作时间变化的模型。当考虑到变化时，时间周期不可避免地会比不考虑变化的确定性解决方案要长，。然而，在这一点我们的主要目的是保持尽可
13、能小的增加。接下来，我们指出如下的鲁棒方法：考虑到操作时间的区间不确定性，不确定的时间由定义，可以在其标准值和上限值之间取值，也就是，j=1，n。假定标准值tj是逼近时间，以此降低观察到较低涨幅的可能性。这样看来，随着误差的增加，操作j面临的风险也可能增加了。我们第一个问题的解决借用了Bertsimas 和Sim (2003)的方法，而第二个问题则遵循了一种新的方法。应该注意到的是，RSALBP-2问题的两个版本都是非确定性难题，因为作为因为一种特殊情况的SALBP-2也是非确定性困难问题。3.2.1问题1在这个问题中，只有操作分配给有变化的工作地。当= 0时，操作时间的变化所带来的后果被忽略
14、，并且确定性问题标准时间值（SALBP-2）被获得。相比之下，这个参数的高值表明风险规避行为。极端的情况下成为一个极大极小优化问题。这个鲁棒版本的组成如下：MinC （6）服从于 k=1，K （7） 和方程（2），（4），（5） （8）在这个模型中,定义了每个工作站的最大时间偏差k。该组操作须遵守该二进制向量u，即。正如上面提到的,这些操作会有等于上界的操作时间。然而,使用参数总可能的偏差是有界的,这也反映了决策者的悲观情绪程度。因为随着变得更大,会考虑到更大数量的偏差。尽管问题1包含操作时间的不确定性,它却没考虑操作分配给工作站的数量和对不确定性的影响。不管是什么任务,考虑每站最坏的情况下的
15、最多操作。然而,作为一个工作站处理更多的操作, 因为每个操作都涉及风险，总偏有可能会高更。在下一节中, 取决于操作的数量总偏差说我一个新问题将被讨论。3.2.2问题2不同的是，这第二个问题，假设在工作站上的操作顶多有h可以在上限取值。因此，由方程（8）定义的偏差函数组成如下： （9）表1.表示从A到N的例子在右边的,分配给工作站k的操作总数被表述出来并且其中至多有h %被考虑到。这种方法的一个优点是,关于工作站数量分布的可变性将不知不觉地减少,因为工作站处理的操作由函数gk(x)约束。为了说明问题1和2，我们给出具有K=3的工作站的单一流水线。图1中的节点网络图显示的具有代表性的活动优先关系。
16、上面显示的节点显示了标准执行时间和上界值，在表1中，3是可行的解决方案，FS1，FS2和FS3与一个确定的（= O）和两个鲁棒问题（ = 1和h= 0.5）进行了比较。每一行都指定一个解决方案。第一列，标记为负载，表示出了操作（N =1，.，9）到工作站（K= 1，2，3）的分配。第二个，（=0）表示出了每个机器k确定的工作站的时间（ST）和每个循环得到的时间。对于鲁棒的问题，偏差（gk）和循环时间（参见方程（8）和（9）给出。最好的解决方法标有符号“ ”。注意，在问题1中至多有一个操作的持续性是不确定的；然而，问题2中则大几乎有一半都是。对于确定性问题，FS2（9比10）有最低的周期时间。然
17、而，对于鲁棒问题1，FS1是最好的（12比13），这是因为，在确定性的情况下被忽略的操作5的偏差相对来说较高。尽管如此，FS2 和FS1在问题1中有相同的目标函数值，FS3 则在问题2中明显占优势。因为它包含一个有四个操作的工作站，其中0.5 4=2被认为是有风险的。其结果是，计算偏差将会更高而我们的鲁棒方法将永远不会把FS3作为候选方案。总结起来，这个例子告诉我们，每一种方法（确定性或鲁棒的）可能会产生不同的解决方案。第二，我们观察到，当考虑到不确定性因素时，一条线在确定性的情况下的分配做得不错的（FS3）可能会导致不可接受的周期。4.解决方法偏差公式（方程（8）和（9）要求参数Mk被定义。
18、然而，对于鲁棒模型来说，这个参数需要一个有效的上界。接下来，我们要为RSALBP-2制定严格的上界，和介绍基于分解算法的解决方案。在算法的每一次迭代中，较宽松的问题被解决了。因此对于下界（LB）来说，在非降迭代的次数中则会产生。此外，上界也因更好的解决方案而得到更新。4.1鲁棒模型的上界 肖勒在1999年使用相关的并行多机调度问题，提出SALBP-2的两个上限。第一个约束忽视了优先关系。第二个是基于优先关系的解决方案。由于在鲁棒问题中，一些执行时间大于其标准值，这些范围对于RSALBP-2是无效的。对于SALBP-2给定一个由表示的上限值，我们用来定义RSALBP-2的上限值。下面，我们将使用
19、两个步骤来介绍。此过程假定具有操作的至少需要时间单位然后再根据最坏情况情况对偏差进行了计算。表1.从额模型中的点得到的三个可行方案负载=0=1=0.5FSK=1K=2K=3ST1ST2ST3Cg1g2g3Cg1g2g3C11,2,34,5,67,8,9107910243122431221,3,42,5,67,8,98999243132431333,4,5,61,2,78,991071043213732161.初始约束：首先，忽略优先级约束和设置将会在第二部中使用的初始上限具体步骤如下：2.通过集成有限关系进行改进：第一步假定具有最大可能性的偏差的操作将会在同一工作站被处理。然而，当优先约束被集
20、成后，它们将会在装配的不同阶段被处理，一些是在开始，一些则会在最后，考虑到这些，我们建议了以下更加严格的约束：鲁棒问题的所有参数ESj，LSj，SIj和Mk将会由也就是ESj（）计算出来。这个约束对于问题1和问题2都是有依据的。然而，对于问题2来说，我们考虑到了最坏情况并且将作为每个操作的最大值分配给工作站： =（n-K+1） （10）4.2分解算法首先我们给出一个算法来解决问题1，其次我们来解释怎样改进这个算法使之解决问题2.在方程（8）中，gk（x）是一个具有飞空可行解的渐缩问题。松弛线性规划有二进制松弛最优解。用Uk（x）定义的多面体可以由一个已制定顶点的凸集合计算出来，。其中之一是最优
21、解。 （11）因此，使用方程（11），模型1就可以由以下方程表示：Min C （12） （13）和方程（2），（4），（5）使用重组后的方程（13），一种奔德斯分解算法可以用来精确地解决这个问题。这种方法可以通过把问题分解为一些简单的小问题用来解决大规模的线性规划和集成问题：主要问题和次要问题。主要问题是来解决松弛类型的和给整数变量和最小值的上限集成实验值。次要问题时指那些整数变量暂时不变的一类问题。在双次要问题中插入可行解和最优解，当可行解得到满足时，分解主要问题就会得到上限值。直到上限值和下限值收敛时，只要问题和次要问题才会迭代求解。因此，射线和极值点，可行性和最优解会根据需要产生。奔德斯
22、分解在组合优化中得到广泛的使用，它的高效性在各种项目调度相关问题和网络优化问题中显示出来。我们注意到线平衡问题有共同的结构,特别是在资源受限的项目调度中。我们注意到，它也可以很好的解决生产线平衡问题。对应于解决RSALBP-2来说，由于当前存在的两个相关优化问题（第一个问题时由方程（6）和方程（7）定义的，第二个最需要在方程（8）中解出g（x）的复杂性，分解方法就是十分适合的。奔德斯分解遵循迭代的方法，并在每一次迭代后，较简单的问题都解决了。指数t用来表示迭代t。1.以初始解法开始 使2.解决次要问题如果0，那么（不可见问题）否则解决次要问题设是具有最大负荷的机械和是最优解。如果否则，停止并将
23、作为最优解输出。结束3.解决主要松弛问题：=Min，让作为最优解。4. t = t+1，=5.返回到步骤2该算法解决了在每个迭代过程中的两个子问题（SP1和SP2）。 SP1是一个可行性检验问题（关于优先级限制）并产生可行性削减。然而SP2则发现了最大负荷机器，它定义周期时间和产生了最佳路径。请注意，SP1包含一些可行性的辅助变量，也就是说，如果=0，和分别为上限和下限。4.3 解决问题2之前为问题1设计的算法对于问题2来说并不适用，因为不确定变量的数目不是固定的（每个工作站不是）。这取决于随着得带过程而改变的分配给工作站的总数。因此，我们给悲观水平模型引进了一个新的函数。首先，重组后的方程（
24、9）如下所示 （14） 接下来，对于每个迭代t，定义了以下函数： （15） 通过函数（t，k）解决了后，接下来的不等式如下： （16） 然而，论文不等式当且仅当在最优解中，每个机器k包含至少个操作，以保证这个条件以下约束插在每次迭代t中。 （17） （18） （19） ytk0,1 （20） 在每步迭代中，如果机器k在最优解中至少包含个操作，那么为了使等于0，一个二进制的变量和分离约束方程（18）和（19）被插入，否则，它就会等于1而且方程（17）就会变得多余。参数M被定义为一个较大的数字而且设定为n-k+1。值得注意的是尽管方程（8）和方程（9）是非线性的，但是因为变量x在每一步迭代中时固定
25、的，因此该算法插入了线性不等式。这就是我们迭代算法的优势。另一个好处就是，无论是可行解还是最优解路径都会随需要增加，由于奔德斯分解收敛速度较慢，一些加速机制被加到该算法以加速该算法。4.3.1 算法改进在每一次迭代中，主要问题通过迭代的次数和时间来解决主要取决于效率。此外，从一个紧UB关键限制搜索空间。考虑方面的论文，下面的增强策略建议。此外，对搜索空间的限制需要一个较紧的上限。考虑到这些方面，下面的提升策略被提出来。1. 多重路径：为了减少迭代的次数，我们将多重路径插入迭代的每一步中。我们决定mt个工作站和在迭代t中添加mt个最优路径而不是是在迭代t中添加最优路径。根据工作站书进行分类，ST
26、t。在周期时间中，那些执行时间超过100%的工作站被称为关键站，也就是CSt=，和mt=，其中CSt和Ct分别定义在迭代过程t中的关键工作站和周期t。请注意，关键工作站可能是在随后的迭代过程中定义周期时间的。在工作站次数变化非常低的情况下，插入多重路径是十分值得的。这在操作次数变化较低的情况下是十分常见的，通过使用一些数据进行测试，如，最好的结果就可以得出为=0.95。2. 使用近似算法:为了得出路径，所有主要问题的迭代都不需要得出最优结果，因为每个组要问题都是在近似的情况下解得的松弛答案，每个解决方案产生有效可见性和最优路径。因此，对于较大的例子，在缩短方案中产生解决路径是有效的。这就是说，
27、通过在对公差等级1，5实验后得到的相对优化公差等级3可以用来解决主要问题。分支定界算法在每一次迭代和现有的解决方案中截断，所有这些是保证在3%的最优值。如果最后主要问题迭代得到最优并且产生了可行解，那么解决方案就是最优的。3. 较严格上限：之前的上限是在4.1部分中描述出来，这个界限是用较严格的上限来开始的。除此之外，在每次迭代结束时就会获得一个上限，这个上限被用来消除变化和降低问题的规模。5.实验结果 为了检测得出的算法，由肖勒和贝克尔提出的SALBP-2的随机实例的子集被使用。我们考虑的测试中的子集包含有29-70个操作的规模。更重要的是，为了精炼鲁棒模型，两个额外的参数被使用到：鲁棒层次
28、的和以及通过间隔长度定义的非确定性因子。非确定性因子是在统一分布间隔0.1,0.5之间产生的。也就是说dj=tj与0.1,0.5。其结果是，操作时间的间隔长短取决于正常时间，但是他们对于每个操作来说是随机生成的。该算法在奔腾IV电脑（3 GHz的2.5 GB的内存）上运行和用C编程语言编写的。优化软件CPLEX9是用来解决整数规划。中小型实例可以得到最优解决，但是对于较大的例子，在第4.3.1节的解释的基于截断近似算法是一个很好的选择。首先，我们探讨对计算的影响。图2显示的是以特定问题的实例N =35和K=6为代表的结果；类似的模式在所有实例背观察到。具有非常低或非常高的更快地解决案件，因为该
29、问题直达确定性问题。最高的计算时间可以再这之间观察到。问题1的结果在表2中表述出来，其中有操作数、工作站、以及当=3时用来解决实力的平均最长CPU运行时间。计算上的工作站数有显著作用，这是因为由于决策变量的数目与工作站的数量增加。对于给定的数据集（哈恩），结果为确定性和鲁棒模型在表3中表示出来。比较平均CPU时间，我们就可以得出结论：解决鲁棒问题（=3，=0.5）需要较大的计算量，因为在这个算法中需要更多的迭代和额外的优化路径。图2.在CPU时间上悲观层次的影响表2.对于问题1的标杆测试作者nK#InstCPUminCPUavgCPUmaxBuxey297-1485201992.633367G
30、unther356-15101152815.5017.702Hahn533-1089552.501630Killbridge453-1196623082.7865.212Lutz1328-1253131217.601716Sawyer307-148184211367.7531.362Tonge703-64222275.257653表3.不同模型的CPU时间实例K模型1模型213952241539335642684461603087573833237685383244791621321381016303426此外，使用相同的分解方法和数据集，确定性实例可以解决非常快；就在几秒钟内。然而，这种计算
31、时间差可以预料的，因为该确定的情况是鲁棒问题（ =0）的特殊情形。为了解决这个鲁棒问题， 许多最优路径被添加进来，这使得模型变得更大和收敛速度更慢。我们的结论是问题2由于内在的复杂只可能恰好解决小问题。使它以最优的方式解决更大问题实例对我们的工作来说是一个有前途的扩展。最后，我们强调可以通过发展决策支持系统（DSS）来增强模型和算法的实际好处，该系统包含认知辅助，它可以帮助管理者决定参数的选择，尤其是或。请注意，我们的方法包含在乐观和悲观的情况下达成妥协的可能性。各种其它的设计可以通过考虑不同的参数来产生。与参数相对应的候选设计，及其在各种情况下的性能水平可以通过图形工具来说明。6.结论 我们
32、已经处理了在不确定条件下生产线平衡。具体来说，区间不确定性是由操作时间和鲁棒优化的使用来假设的。我们的目的是生成抵抗干扰的设计。为此，我们提出了两个数学模型和算法开发的解决方案。第一种模式是必不可少的。这是一个考虑到不确定性区间基本的模型，。第二个模型则具有考虑到在工作站不确定性的操作次数的函数的优势。显然，第二个模型是更复杂的。本研究为实际的鲁棒流水线平衡方面服务，并且在这方面是一个创举。提出的模型和算法可能会扩展到模拟更强大的复杂版本的装配系统。例如，鲁棒优化模型，U型和混合装配线可配制和解决。此外，解决模型2将会是一个有前途的扩展。另一个对进一步研究来说比较中肯的和有趣的领域的是如何对一
33、个给定的生产线来评估鲁棒性，从而使不同的设计可以就鲁棒性进行比较。为了这个目的，量化鲁棒性的度量可以被推荐。本文采用实验测试的效率和效益的指标来仿真。该种能够快速计算和为鲁棒提供了良好估计的措施将对于开发效率的均衡算法是有价值的。致谢 这项工作是通过圣埃蒂安大都会政府和欧盟委员会第七框架项目支持的：制造工程和产品生命周期管理的先进平台。作者同样要感谢Christ Yukna对他在英语上的帮助。参考文献1 Al-e hashem, S., Aryanezhad, M., Malekly, H., & Sadjadi, S. (2009)在不确定性条件下的混合模式装配线平衡问题. 在计算机工业工程
34、上的国际会议，CIE2009（233-238）2 Battaia, O., & Dolgui, A. (2013).生产线平衡问题的分类及其解决方法. 生产经济学J. 142（2）259-2773 Ben-Tal, A., & Nemirovski, A. (2000).在不确定数据下的线性规划问题的鲁棒解决方案.数学规划J，88，411-4244 Bertsimas, D., & Sim, M. (2003).鲁棒离散规划和网络流. 数学规划J，98，49-715 Boysen, N., Fliedner, M., & Scholl, A. (2007). 流水线平衡问题的分类. 运筹学的欧
35、洲J，183（2）：674-693 6 Boysen, N., Fliedner, M., & Scholl, A. (2008). 装配生产线平衡：什么时候使用哪个模型？生产经济的国际J.111（2）：509-5287 Cakir, B., Altiparmak, F., & Dengiz, B. (2011).随机生产线平衡的多目标优化：一种混合模拟退火算法.计算机与工业工程J， 60（3）：376-384 8 Chiang, W.-C., & Urban, T. (2006). 随机U型生产线平衡的问题：启发式程序.欧洲运筹学J，175（3）:1767-17819 Costa, A. M
36、. (2005). 适用于固定负载网络设计问题奔德斯分解算法.计算机与运筹学研究J .32（6）:1429-145010 Dolgui, A., Guschinsky, N., & Levin, G. (2012). 增强的混合整数规划模型的传输线设计问题. 计算机与工业工程J. 62（ 2 ）:570-578 11 Dolgui, A., & Kovalev, S. (2012). 基于鲁棒生产线平衡的方案：计算复杂性.离散应用数学M，160（13-14）:1955-196312 Erel, E., Sabuncuoglu, I., & Sekerci, H. (2005). 使用束搜索的随
37、机装配线平衡. 生产研究J .43（7）:1411-142613 Erenguc, S. S., Tufekci, S., & Zappe, C. J. (1993).使用贴现现金流的广义奔德斯分解算法解决时间/成本权衡问题. 海上物流研究J. 40（1）:25-5014 Gen, M., Tsujimura, Y., & Li, Y. (1996).采用遗传算法平衡模糊装配线.计算机与工业工程J. 31（34）:631-63415 Goksen, H., & Agpak, K. (2006). 单U型生产线线平衡问题的目标规划算法. 欧洲运筹学j，171（2）:577-58516 Guerr
38、iero, F., & Miltenburg, J. (2003). 随机U型生产线平衡问题.海军研究物流J.50 （1）:31-57 17 Gurevsky, E., Battaia, O., & Dolgui, A. (2013). 广义装配线平衡问题的稳定措施.离散应用数学J，161（3）:377-394 18 Gurevsky, E., Hazir, O., Battaa, O., & Dolgui, A. (2012).间隔任务时间的直线生产线鲁棒平衡. 中国运筹学会. http:/dx.doi.org/10.1057/jors.2012.139.19 Hazir, O., Erel
39、, E., & Gunalay, Y. (2011). 鲁棒优化模型离散时间/成本权衡问题。生产经济学杂志.（1）:87-95 20 Hazir, O., Haouari, M., & Erel, E. (2010). 离散时间/成本权衡问题：一个分解为基础的解决方案算法的预算版本。电脑及运筹学J. 37（4）:649-655 21 Kara, Y., Paksoy, T., & Chang, C.-T. (2009). 以单一直线模式和U型装配线平衡的二元模糊目标规划方法.欧洲运筹学J. 195(2):335-347 22 Klein, R., & Scholl, A. (1996). 在简
40、单生产线平衡时最大化的产出率- 一个分支定界过程.欧洲经营研究J, 91(2)，367-385 23 Kouvelis, P., & Yu, G. (1997).鲁棒离散优化增强算法和模型选择标准.运筹学J.23:464-484 24 Montemanni, R., & Gambardella, L. M. (2005). 鲁棒生成树问题与间隔数据分支定界算法.欧洲经营研究J.161（3）:771-779 25 Nazarian, E., & Ko, J. (2013). 鲁棒设计与控制，来管理的随机任务的生产线适度的稳健性瓶颈的缓冲时间. 中国制造系统. http:/dx.doi.org/1
41、0.1016/j.jmsy .2012.12.005 26 Ozcan, U., & Toklu, B. (2009). 混合模式双面的平衡生产线.计算机与工业工程J.27 57（1）：217-22728 Simaria, A. S., & Vilarinho, P. M. (2004). 混合装配线平衡II型的问题的一个基于遗传算法的方法.电脑及工业工程J.47（4）:391-40729 Sotskov, Y., Dolgui, A., & Portmann, M.-C. (2006). 最优稳定性分析平衡与固定周期时间的装配线. 欧洲运筹J.168（3）:783-79730 Sprecher, A. (1999). 单装配线平衡问题有竞争力的分枝定界算法.国际生产研究J.37（8）:1787-181631 Ugurdag, H., Rachamadugu, R., & Papachristou, C. (1997). 设计固定数目工作站的线节奏生产线.欧洲运筹学J.102（3）:488-50132 Wei, N.-C., & Chao, I.-M. (2011). 对于一个简单生产线平衡问题如类型E的解决方案.计算机与工业工程J.61（3）：824 - 830
