近日，我校副校长、俄罗斯自然科学院外籍院士郭洪飞教授团队的一项成果“A Self-Adaptive Learning Approach for Uncertain Disassembly Planning Based on Extended Petri Net”在国际工程技术领域顶级期刊IEEE Transactions on Industrial Informatics（中科院一区Top期刊，IF=12.3）发表。
拆卸是退役产品再制造的第一步。退役（EOL）产品的质量状况具有高度的不确定性，导致EOL产品拆卸规划（DP）过程存在不确定的信息，如拆卸时间、零部件的回收收益等。在信息不确定的情况下，确定最优/近最优拆装方案是一个非常具有挑战性的问题。此外，DP是一个典型的NP-hard问题，随着问题规模的增加，寻找最优解的计算复杂度呈指数级增长。
图1. 递阶式全要素UDP模型重构链
该团队提出了一种基于扩展Petri网（EPN）模型的自适应学习方法来求解不确定拆卸规划（UDP）问题。该方法通过利用退役产品的拆卸历史数据，采用近似方法估计不确定拆卸信息，并通过不断扩大的拆卸样本集来提高估计精度，为UDP问题的研究提供了新的视角和解决方案。此外，该方法所建立的UDP问题模型能够全面表征拆卸过程中的不确定信息，通过Q-learning算法进行拆卸样本训练，并据此提出启发式方法以快速识别最佳拆卸方案，为实际拆卸操作提供了有力支持。该研究不仅推动了Petri网在复杂系统建模与优化领域的应用，还通过自适应学习和启发式算法的结合，为不确定环境下的拆卸规划问题提供了全新的解决思路。其研究成果对于提高资源利用效率、促进循环经济发展以及推动相关行业的智能化升级都具有重要的推动作用。
图2 面向UDP的离散马尔可夫决策过程
该成果得到了国家重点研发计划项目“工业软件”专项（No.2021YFB3301701）、大湾区及“一带一路”智慧物流国际联合研究中心项目（No.20200502）、广州市产业领军人才重点项目“创新领军团队”（No.201909010006）、广东省重点领域研发计划项目（No.44860065）和内蒙古科技计划项目（No.2019GG238）的支持。
