[论文解读] Iterative Beam Search for Simple Assembly Line Balancing with a Fixed Number of Work Stations

Christian Blum|arXiv (Cornell University)|Dec 15, 2010

Assembly Line Balancing Optimization参考文献 25被引用 15

一句话总结

本文提出了一种用于SALBP-2问题的迭代束搜索算法，该算法在固定工作站数量的前提下最小化工序时间。通过迭代地优化工序时间上下界，并使用束搜索探索部分解，该方法在302个测试实例中的283个中获得了最优解或当前最佳解，发现了9个新的最佳已知解，展示了SALBP-2问题上的最先进性能。

ABSTRACT

The simple assembly line balancing problem (SALBP) concerns the assignment of tasks with pre-defined processing times to work stations that are arranged in a line. Hereby, precedence constraints between the tasks must be respected. The optimization goal of the SALBP-2 version of the problem concerns the minimization of the so-called cycle time, that is, the time in which the tasks of each work station must be completed. In this work we propose to tackle this problem with an iterative search method based on beam search. The proposed algorithm is able to obtain optimal, respectively best-known, solutions in 283 out of 302 test cases. Moreover, for 9 further test cases the algorithm is able to produce new best-known solutions. These numbers indicate that the proposed iterative beam search algorithm is currently a state-of-the-art method for the SALBP-2.

研究动机与目标

• 开发一种针对SALBP-2问题的高效元启发式算法，该问题在固定工作站数量下最小化工序时间。
• 通过在迭代框架中引入束搜索，改进现有启发式与元启发式方法在SALBP-2问题上的表现。
• 在标准基准实例上，实现与精确算法和当前最先进元启发式方法相当的性能。
• 探索束搜索作为迭代求解方法中核心组件在装配线平衡问题中的潜力。

提出的方法

• 该算法采用迭代方法，逐步减小工序时间上界，对每个候选工序时间求解一系列可行性问题（SALBP-F）。
• 在每次迭代中，应用束搜索来探索任务到工作站的部分分配，保持固定的束宽以维护候选解集合。
• 束搜索利用基于任务处理时间与前后置约束的启发式信息，引导选择有前景的部分解。
• 束搜索通过在束宽（150–250）和扩展数量（20–40）中引入随机化，并采用概率性方式使用基于权重的启发式信息，进一步增强性能。
• 该算法在两个阶段应用束搜索：第一阶段用于初始解构造，第二阶段用于局部优化，各阶段的时间限制根据当前工序时间进行调整。
• 高性能变体采用每轮1800秒的时间限制，束搜索阶段使用较短的时间限制，并采用随机化参数设置以进一步提升解的质量。

实验结果

研究问题

• RQ1 在标准基准测试中，迭代束搜索方法是否能优于现有的SALBP-2元启发式方法？
• RQ2 束搜索作为迭代框架中的组件，在最小化工序时间的装配线平衡问题中有多高效？
• RQ3 在束搜索中，参数调优与随机化在多大程度上能提升SALBP-2问题的解质量？
• RQ4 所提方法是否能在以往方法失败的情况下发现新的最佳已知解？
• RQ5 迭代束搜索方法在困难实例上是否能达到与精确方法SALOME-2相当的性能？

主要发现

• 所提出的迭代束搜索算法在302个测试实例中的283个中获得了最优解或当前最佳解，展示了在多样化基准实例上的强大性能。
• 在另外9个测试实例中，该算法发现了新的最佳已知解，其中1个（Scholl, m=49）的解与最佳已知下界完全一致，已被证明为最优解。
• 该算法的高性能变体将未求解实例数从20个减少至10个，显著提升了求解覆盖率。
• 平均而言，该算法在Dataset1上的平均相对偏差（mrd）为0.0058%，在Dataset2上为0.00071%，表明其解质量极高。
• 在所测试数据集上，该算法在解质量与计算效率方面均优于DE_rks和PNA-for等竞争方法。
• 结果证实，迭代束搜索目前是SALBP-2问题的最先进方法，其性能甚至可与精确方法SALOME-2相媲美。