拆卸线是实现废旧机电产品回收再制造的重要环节,通过流水线作业的方式实现零部件和原材料的规模化和自动化拆解回收,针对拆卸线平衡问题展开深入研究在保证企业经济效益的同时降低对环境的影响,有利于推动我国绿色制造的发展。针对待拆卸产品的结构多变、工人技能熟练度等复杂因素导致拆卸任务作业时间的不确定性,由于无法获取其具体的概率分布和隶属度函数,采用易于获取上下界信息的区间数表示作业时间的随机性,结合U型布局具有生产柔性高、占地面积小等特点,同时考虑到企业更加注重危害性和需求性零部件的完整拆卸,提出了随机U型不完全拆卸线平衡问题,构建以最小化工作站数量、空闲时间均衡指标和最大化拆卸利润、拆卸线可靠度的多目标优化数学模型。针对所提问题特点,提出一种自适应反向学习多目标狼群算法进行求解计算。在对算法离散化过程中,考虑去除头狼作用,保留其他算法操作。采用“轮盘赌”选择操作将狼群划分为探狼和猛狼;基于随机扰动方式执行探狼游走行为,随着迭代次数的增加,减小游走搜索方向数,兼顾算法前期的寻优能力和后期稳定性;基于交叉算子和变异算子执行召唤行为并增强狼群间的协作交流,将各子目标最优的解作为猎物目标执行围攻行为,并引入反向学习策略生成反向解种群,避免陷入局部最优;通过精英保留策略记录全局非劣解并输出。将所提算法应用于某打印机随机不完全拆卸实例和19个基准算例中,设计正交试验确定不同规模问题的最佳参数组合,并与现有求解方法对比验证算法的优良性能。由于拆卸线平衡问题是典型的组合优化问题且分类较广,开发了一种拆卸线设计与仿真系统,该系统能实现拆卸线方案的静态设计和动态复杂环境下的模拟仿真,并结合两者的输出结果为决策者筛选出最优解,并提出针对性改善意见,进一步提高拆卸效率。以某电视机和打印机作为不同规模的拆卸实例,调用系统算法优化模块,输入问题参数和设计参数在不同置信度水平下各求解获得10组可行方案,调用系统动态仿真模块,设置企业生产模拟参数自动为各方案搭建仿真模型并实现模拟拆卸,获得各方案预计月拆卸产量和工作站工况统计数据,为决策者筛选出最优方案,并针对性提出改进意见,使得月拆卸产量增长大于11%,各工作站工作占比均在79.58%以上。