재구성 가능한 조립 라인 스케줄링 문제를 위한 학습 기반 다목적 하이퍼 휴리스틱 알고리즘

재구성 가능한 조립 라인은 맞춤형 및 다종 제품에 대한 증가하는 수요를 충족시키기 위한 중요한 제조 패러다임으로 부각되었다. 이 연구는 재구성 가능한 조립 라인 배치 문제를 고려하며, 제품 순서를 최적화하여 재구성 비용, 생산 작업량 평준화, 물류 평준화를 동시에 최소화한다. 본 연구는 이전의 모델에서의 결점을 교정한 새롭고 선형화된 다목적 수학 모델을 공식화한다. 새로운 Q-학습 기반의 다목적 하이퍼 휴리스틱 알고리즘이 제안되며, 이 알고리즘은 집합적인 탐색 프레임워크 내에서 입자 군집 최적화, 교수-학습 기반 최적화, 고래 최적화 알고리즘, 회색 늑대 최적화기를 포함한 다수의 메타 휴리스틱 연산자를 통합한다. Q-학습을 적용하여 실시간 성과 피드백에 기반해 각 탐색 단계에서 가장 유망한 연산자를 적응적으로 선택한다. 게다가, 제안된 알고리즘은 밀도 인식 리더 선택 전략과 생존 시간 감소 요소를 포함하여 개체군의 발전을 위한 글로벌 최적 해를 선택하며, 희소 지역에서 우수한 해를 선호하고 고품질 개체에 대한 선택 압력을 증가시킨다. 수치 사례 연구는 ε-제약 방법을 사용한 모델들이 파레토 해 집합을 달성할 수 있음을 보여준다. 120개의 생성된 벤치마크 인스턴스에 대한 계산 연구는 제안된 방법론이 다른 9개의 고성능 다목적 알고리즘을 능가함을 보여준다.