NEC锂电池产品分类
一种双目标离散花朵授粉算法，用于人机协同拆解退役NEC锂电池
由于人机互补优势，人机协作（HRC）在拆解退役电池方面备受关注。为了优化劳动力分配并增强方案灵活性，制定了HRC（DLBSP_HRC）中的拆解线平衡与排序问题，旨在通过考虑技能水平、劳动力规模和薪资等级的差异，最大限度地降低总成本和拆解时间。由于DLBSP_HRC是一个NP难问题，提出了一种新颖的带有Q学习（MDFPA_QL）的修正离散花卉授粉算法。该算法基于问题的独特特性整合了驱动策略和偏好策略，并结合了Q学习，智能地平衡全局和局部搜索。随后，特斯拉Model S的拆解被用来验证MDFPA_QL相对于其他四种高级元启发式的优势。此外，引入了基于知识的选拔机制，考察了大规模任务延迟惩罚与多人机器人团队成本之间的关系。跨不同场景的比较分析凸显了多人机器人方案优于传统方法的优势。
拆解是电池再制造或回收的重要工艺，因为它可以通过有效拆解实现电池总质量超过80%的高回收率[2]。在拆解过程中，拆解线平衡问题（DLBP）和拆解顺序规划（DSP）对拆解目标有显著影响[4]。
DLBP侧重于拆装线中多个工作站之间的拆解操作分配，其特点是周期时间的约束 [5]， [6]， [7]。DSP确定给定工作站的拆解顺序，并考虑拆解过程中刀具开关的数量及邻近任务的方向变化[8]、[9]、[10]。
由于结构复杂、回收质量不确定以及组件危险性，单靠手动或机器人方法拆解退役电池是不切实际的。人机协作（HRC）用于拆解退役电池，因其结合了工人的灵活性、判断力和适应性，同时具备机器人的效率、低成本和安全性，因此被广泛研究[11]。对于基于HRC的DLBP，目标是根据工作站的顺序平衡拆解任务，减少空闲时间并最小化总成本。对于基于HRC的数字信号处理，目标是通过考虑拆解先行关系和组件特性，生成最优的拆解序列，以最大限度地减少拆解时间和成本，同时最大化拆解安全性。如果分别研究这两种问题，很容易产生无效等待时间，导致员工停机或产品积累[6]。因此，探讨这两个问题之间的相互作用至关重要：DSP为反汇编任务提供了合理的序列，而DLBP确保了平稳高效的反汇编过程[4]， [6]。这凸显了在HRC（DLBSP_HRC）中解决DLBP和DSP的重要性。
带HRC的DLBP DLBP_HRC和带HRC的DSP（DSP_HRC）都是运筹学和工业工程中NP难题[12]、[13]。随着问题复杂度的增加，精确的方法往往无法提供高效的解决方案。为了应对这些挑战，元启发式算法已被证明是必不可少的。Yang等人[14]提出的花卉授粉算法（FPA）已被成功应用于不同的优化问题，如装配序列规划[15]和经济负载调度[16]。与此同时，FPA在解决多目标优化问题[14]、多系统优化问题[17]和智能制造问题[18]方面已证明有效。因此，我们的研究重点是利用FPA降低成本和拆解时间，以满足拆解市场的需求[19]。
尽管FPA有其优势，但也存在局限性，如局部最优困和过早收敛。为了提升性能并适应局部与全局搜索的平衡，采用强化学习（RL）动态调整以适应不同条件，从而获得更准确、更高效的解。
在各种强化学习技术中，Q学习在优化不同领域复杂问题方面展现出显著潜力。例如，Hsieh 等人[20]将粒子群优化与Q学习结合，以提升基准功能和经济派遣问题的性能。同样，Cheng等人[21]利用Q学习积累的结果解决调度问题，以提升能源效率和生产速度。Liu等人[22]将Q-learning应用于解决DLBP，并在大规模情况下取得了优于SARSA算法的效果。这些进步凸显了Q学习的多样性和适应性，使其成为优化复杂环境中拆解过程的强大工具。
DLBSP_HRC是紧迫的挑战，创新优化方法的发展对于实现高质量的拆解过程至关重要。本研究与以往工作相比，做出了若干关键贡献。
（1）首次考虑HRC的三个相互关联的实际子因素：技能水平、劳动力规模和薪资等级。
（2）开发一种新颖的改良离散花卉授粉算法，采用Q学习（MDFPA_QL），集成驱动策略、偏好策略和Q学习，动态平衡局部与全局搜索，实现数值实验中的卓越性能。
（3）在工作站中扩展HRC拆解的多种场景，包括多人机器人、多人、多机器人、单人机器人、单人和单机器人。
（4）在面对不可预测的大规模和退役电池在有限时间内面临严厉惩罚时，创新性地提出直接方案，以降低成本并提升效率。