Robotic assembly lines are widely used in manufacturing industries. The robotic assembly line balancing (RALB) problem aims to balance the workloads among different workstations and optimize the assembly line efficiency. This paper addresses a particular type of RALB problem, which minimizes the assembly line cycle time by determining the task and robot assignment in each workstation under precedence constraints. To solve the problem, we present an effective hybrid algorithm fusing the estimation of distribution algorithm and branch-and-bound (B&B) based knowledge. A problem-specific probability model is designed to describe the probabilities of each task being assigned to different workstations. Based on the probability model, an incremental learning method is developed and a sampling mechanism with B&B based knowledge is proposed to generate new feasible solutions. The fuse of B&B based knowledge is able to reduce the search space of EDA while focusing the search on the promising area. To enhance the exploitation ability, a problem-specific local search is developed based on the critical workstation to further improve the quality of elite solutions. The computational complexity of the proposed algorithm is analyzed, and the effectiveness of the B&B based knowledge and the problem-specific local search is demonstrated through numerical experiments. Moreover, the performance of the proposed algorithm is compared with existing algorithms on a set of widely-used benchmark instances. Comparative results demonstrate the effectiveness and efficiency of the proposed algorithm.

机器人组装线被广泛用于制造业。机械手流水线平衡（RALB）问题旨在平衡不同工作站之间的工作量并优化流水线效率。本文解决了一种特殊的RALB问题，该问题通过在优先约束下确定每个工作站中的任务和机器人分配来最大程度地缩短装配线的周期时间。为了解决该问题，我们提出了一种有效的混合算法，将分布算法的估计与基于分支定界（B＆B）的知识相融合。设计特定于问题的概率模型来描述每个任务分配给不同工作站的概率。基于概率模型，开发了一种增量学习方法，并采用了B＆提出了基于B的知识以生成新的可行解决方案。基于B＆B的知识的融合体能够减少EDA的搜索空间，同时将搜索重点放在有希望的领域。为了提高开发能力，基于关键工作站开发了针对特定问题的本地搜索，以进一步提高精英解决方案的质量。分析了所提算法的计算复杂性，并通过数值实验证明了基于B＆B知识和特定问题局部搜索的有效性。此外，在一组广泛使用的基准实例上，将该算法的性能与现有算法进行了比较。比较结果证明了该算法的有效性和效率。基于B的知识能够减少EDA的搜索空间，同时将搜索重点放在有希望的领域。为了提高开发能力，基于关键工作站开发了针对特定问题的本地搜索，以进一步提高精英解决方案的质量。分析了所提算法的计算复杂性，并通过数值实验证明了基于B＆B知识和特定问题局部搜索的有效性。此外，在一组广泛使用的基准实例上，将该算法的性能与现有算法进行了比较。比较结果证明了该算法的有效性和效率。基于B的知识能够减少EDA的搜索空间，同时将搜索重点放在有希望的领域。为了提高开发能力，基于关键工作站开发了针对特定问题的本地搜索，以进一步提高精英解决方案的质量。分析了所提算法的计算复杂性，并通过数值实验证明了基于B＆B知识和特定问题局部搜索的有效性。此外，在一组广泛使用的基准实例上，将该算法的性能与现有算法进行了比较。比较结果证明了该算法的有效性和效率。基于关键工作站开发了针对特定问题的本地搜索，以进一步提高精英解决方案的质量。分析了所提算法的计算复杂性，并通过数值实验证明了基于B＆B知识和特定问题局部搜索的有效性。此外，在一组广泛使用的基准实例上，将该算法的性能与现有算法进行了比较。比较结果证明了该算法的有效性和效率。基于关键工作站开发了针对特定问题的本地搜索，以进一步提高精英解决方案的质量。分析了所提算法的计算复杂性，并通过数值实验证明了基于B＆B知识和特定问题局部搜索的有效性。此外，在一组广泛使用的基准实例上，将该算法的性能与现有算法进行了比较。比较结果证明了该算法的有效性和效率。通过数值实验证明了基于B的知识和特定于问题的局部搜索。此外，在一组广泛使用的基准实例上，将该算法的性能与现有算法进行了比较。比较结果证明了该算法的有效性和效率。通过数值实验证明了基于B的知识和特定于问题的局部搜索。此外，在一组广泛使用的基准实例上，将该算法的性能与现有算法进行了比较。比较结果证明了该算法的有效性和效率。