Abstract Under the pressure of climate change, energy-efficient manufacturing has attracted much attention. Robotic assembly lines are widely-used in automotive and electronic manufacturing. It is necessary to consider the energy saving and economic criteria simultaneously when robots are utilized to operate assembly tasks replacing human labor. This paper addresses an energy-efficient robotic assembly line balancing (EERALB) problem with the criteria to minimize both the cycle time and total energy consumption. We present a multi-objective mathematical model and propose a bound-guided hybrid estimation of distribution algorithm to solve the problem. When designing the optimization algorithm, we adopt estimation of distribution algorithm (EDA) to tackle the task assignment, and design a non-dominated robot allocation (NGRA) heuristic which is embedded into the EDA to allocate suitable robot to each workstation. Moreover, we propose a bound-guided sampling (BGS) method, which is able to reduce the search space of EDA and focus the search on the promising area. The computational complexity of the proposed algorithm is analyzed and the effectiveness of the proposed NGRA and BGS is tested. In addition, we compare the performances of the proposed mathematical model and the proposed algorithm with those of the existing model and algorithms on a set of widely-used benchmark instances. Comparative results demonstrate the effectiveness of the proposed model and algorithm.

中文翻译：

---

节能机器人流水线平衡分布算法的有界引导混合估计

摘要 在气候变化的压力下，节能制造备受关注。机器人装配线广泛应用于汽车和电子制造领域。利用机器人代替人工进行组装作业时，需要同时考虑节能和经济标准。本文解决了节能机器人装配线平衡 (EERALB) 问题，其标准是最大限度地减少循环时间和总能耗。我们提出了一个多目标数学模型，并提出了一种有界引导的分布混合估计算法来解决这个问题。在设计优化算法时，我们采用分布估计算法（EDA）来处理任务分配，并设计一种嵌入到 EDA 中的非支配机器人分配 (NGRA) 启发式方法，以将合适的机器人分配给每个工作站。此外，我们提出了一种边界引导采样（BGS）方法，该方法能够减少 EDA 的搜索空间并将搜索集中在有希望的区域。分析了所提出算法的计算复杂度，并测试了所提出的NGRA和BGS的有效性。此外，我们将所提出的数学模型和所提出的算法与现有模型和算法在一组广泛使用的基准实例上的性能进行了比较。比较结果证明了所提出的模型和算法的有效性。这能够减少 EDA 的搜索空间，并将搜索集中在有希望的区域。分析了所提出算法的计算复杂度，并测试了所提出的NGRA和BGS的有效性。此外，我们将所提出的数学模型和所提出的算法与现有模型和算法在一组广泛使用的基准实例上的性能进行了比较。比较结果证明了所提出的模型和算法的有效性。这能够减少 EDA 的搜索空间，并将搜索集中在有希望的区域。分析了所提出算法的计算复杂度，并测试了所提出的NGRA和BGS的有效性。此外，我们将所提出的数学模型和所提出的算法与现有模型和算法在一组广泛使用的基准实例上的性能进行了比较。比较结果证明了所提出的模型和算法的有效性。我们将所提出的数学模型和所提出的算法与现有模型和算法在一组广泛使用的基准实例上的性能进行了比较。比较结果证明了所提出的模型和算法的有效性。我们将所提出的数学模型和所提出的算法与现有模型和算法在一组广泛使用的基准实例上的性能进行了比较。比较结果证明了所提出的模型和算法的有效性。