华中科技大学李新宇教授团队：一种知识引导的帕累托进化算法求解面向工业 5.0 的分布式焊接车间人机协同调度问题 | CJME论文推荐

引用论文

Fei Yu, Xinyu Li, Liang Gao, Chao Lu, A Knowledge-guided Pareto-based Evolutionary Algorithm for Welder-robot Cooperation Scheduling in Distributed Welding Shop under Industry 5.0, Chinese Journal of Mechanical Engineering, 100306,

(戳链接，下载全文)

关于文章

01

研究背景及目的

焊接是航空、汽车、造船等高端制造领域的关键工艺。与传统作业车间、流水车间不同，焊接车间可由多台焊接资源同时加工同一工序，因此焊接车间调度问题不仅需要确定工件加工顺序，还需对焊接资源进行合理配置，以优化关键生产指标。随着全球供应链布局日趋分散，分布式焊接车间调度已成为重要研究方向，其核心在于实现多生产单元间的工件分配与协同优化。当前，制造模式正向工业5.0 加速转型，以人为中心、人机协同作业成为新一代生产范式。在高风险、强劳动密集的焊接场景中，工业机器人显著提升了自动化水平，但其柔性不足，难以适应复杂多变的现场工况。因此，焊工–机器人协同作业成为现代焊接生产的重要组织方式，其中重复性、标准化工序由机器人承担，高适应性、复杂工序则交由熟练焊工完成。为充分发挥人机协同优势，调度决策需从单纯依赖设备资源，转向兼顾人力资源差异，综合考虑机器人自动化特性与焊工技能水平。尽管工业 5.0 理念持续深化，现有焊接调度研究仍难以精准匹配人机协同实际场景。多数焊接车间调度问题研究未考虑焊工–机器人协同模式，而实际生产中焊接工序对技能要求差异显著，不同熟练度焊工对应的人工成本差距明显。现有模型普遍缺乏对差异化技能需求、工序多样性及相应经济成本的综合刻画，亟需更精细、更贴合实际的调度模型与优化方法。基于此，本文针对焊工–机器人协同分布式焊接车间调度问题（WCDWSP）开展研究，通过优化工件加工顺序与人机资源分配，实现总生产成本最小化与最大完工时间最小化的双目标优化。

02

亮点创新点

本文的亮点主要如下：1）本文率先针对分布式焊接车间中的焊工–机器人协同调度问题展开系统性研究。通过明确纳入焊工技能水平差异及专项人工成本，构建了WCDWSP的数学模型，以同时最小化总生产成本与最大完工时间，并采用–约束法验证了该模型的正确性；2）针对WCDWSP中各子问题强耦合的特性，本文提出一种知识引导的帕累托进化算法（KPEA）。该算法融合四大核心策略，包括用于生成高质量初始种群的混合初始化策略、用于强化全局探索能力的进化策略、用于提升个体局部开发能力的局部搜索策略，以及用于降低总生产成本的资源调整策略；3）通过大量对比实验，对所提KPEA算法进行了全面性能评估。将其与多种主流多目标优化算法开展基准测试，实验结果一致验证了KPEA算法在求解该焊接车间调度问题时的有效性与优越性。

03

试验方法

本研究针对WCDWSP的实验方法如下：以27个WCDWSP基准实例（规模含2-4个工厂、20-60个工件、5-15个焊接阶段）为基础，采用田口实验设计法确定KPEA的参数设置为：种群规模、 、交叉概率、变异概率。选取SLMA、PMA、KCA、CMOA、NSGA-II及MOEA/D作为对比算法，在，及Spread三个多目标指标上，结合Wilcoxon显著性检验、帕累托解集分布图等方法评估算法性能。在实验流程上，首先通过问题特定编码策略，结合混合初始化策略完成种群初始化；随后利用进化策略强化算法全局搜索能力，设计包含8种邻域结构的局部搜索策略提升局部开发能力；再通过资源调整策略，在不延长完工时间的前提下优化总生产成本；最终迭代至终止条件后输出最优解。

04

结论

在工业5.0的框架下，分布式焊接车间的焊工–机器人协同调度对提升生产效率与生产柔性具有重要价值。本文率先开展焊工–机器人协同的分布式焊接车间调度问题研究，并提出了一种知识驱动的进化算法（KPEA）用于优化总生产成本与最大完工时间。主要结论如下：1）KPEA有效平衡了最大完工时间与总生产成本的冲突关系，其混合初始化、进化策略、局部搜索及资源调整策略四大核心模块协同作用，兼顾全局探索与局部开发，可获得高质量的非支配解集；2）通过消融实验，验证了算法设计的合理性，各组成模块均对算法优异性能起到关键支撑作用；3）与六种主流优化算法的基准测试表明，KPEA在各项多目标评价指标上均优于对比算法，性能良好，适用于人机协同分布式焊接生产场景。但本文研究仍存在不足，例如所构建的模型基于确定性生产环境假设，即加工时间、资源可用状态及工件到达情况均为已知常量；同时，模型虽考虑焊工技能等级差异，但简化处理了人员动态因素（如作业疲劳、技能学习曲线等）。

关于作者

01

作者团队介绍

李新宇，华中科技大学机械科学与工程学院教授、副院长，青年长江学者。主要研究方向为智能制造系统、车间调度、智能优化与机器学习等。主持国家重点研发计划项目、国基金联合基金重点项目等10余项。出版英文专著1部，发表SCI论文100余篇，Web of Science他引超1万次，授权发明专利40余项。担任中国机械工程学会工业大数据与智能系统分会总干事、中国仿真学会智能仿真优化与调度专委会副主任、IEEE TASE / ESWA等国际SCI期刊Associate Editor。获教育部自然科学一等奖2项、中国仿真学会创新技术一等奖1项、中国产学研合作创新奖、国家级教学成果奖一等奖1项/二等奖1项等。

02

近两年发表文章

[1] Yu F, Gao L, Li X, et al. Automated scheduling heuristic generation and evaluation via large language model. IEEE Transactions on Evolutionary Computation, 2026: 1–1.

[2] Huang J, Liu Q, Li X, et al. Automatic programming via large language models with population self-evolution for dynamic fuzzy job shop scheduling problem. IEEE Transactions on Fuzzy Systems, 2026, 34(3): 896–908.

[3] Li J, Li X, Gao L, et al. A multitasking workforce-constrained flexible job shop scheduling problem: An application from a real-world workshop[J]. Journal of Manufacturing Systems, 2025, 83: 196-215.

[4] Li Y, Zhou J, Yao Y, et al. Graph reinforcement learning based dynamic scheduling for human-machine symbiosis manufacturing considering multi-type disturbance events[J]. Journal of Industrial Information Integration, 2025: 100917.

责任编辑：杜蔚杰

责任校对：向映姣

审 核：张 彤

JME学院简介

JME学院是由《机械工程学报》编辑部2018年创建，以关注、陪伴青年学者成长为宗旨，努力探索学术传播服务新模式。

欢迎各位老师扫码添加小助理-暖暖为好友，由小助理拉入JME学院官方群！

欢迎关注JME学院视频号~

寻觅合作伙伴

有一种合作叫做真诚，有一种发展可以无限，有一种伙伴可以互利共赢，愿我们合作起来流连忘返，发展起来前景可观。关于论文推荐、团队介绍、图书出版、学术直播、招聘信息、会议推广等，请与我们联系。

感谢关注我们！《机械工程学报》编辑部将努力为您打造一个有态度、有深度、有温度的学术媒体！

版权声明：

本文为《机械工程学报》编辑部原创内容，欢迎转载！

在公众号后台留言需要转载的文章题目及要转载的公众号ID以获取授权!

联系人：暖暖

电话：010-88379909

E-mail：jme@cmes.org

网 址：http://www.cjmenet.com.cn

官方微信号：jmewechat