资源短缺和环境污染是当今社会发展面临的两大难题,旧产品回收再利用,是解决这两大难题的有效的方法之一。当今中国每年产生几千万件的废旧电器,面对如此大规模废旧产品的拆卸,拆卸线是最高效的组织形式。因此,对拆卸线平衡问题的研究具有重要意义。拆卸线平衡问题是一个NP问题,基于仿生原理的人工蜂群算法具有明显的优势。本文研究课题结合国家自然科学基金项目(51205328),对拆卸线平衡问题的人工蜂群算法展开研究。标准人工蜂群算法收敛慢,易陷入局部最优。因此,本文提出一种改进的人工蜂群算法求解拆卸线平衡问题。本文的改进措施主要包括以下四个方面：(1)在生成初始解时,加入任务危害和需求因素的影响,提高初始解在危害和需求方面的质量；(2)设计一种由局部最优解和当前解调节的可变步长,加强对近优解的搜索力度,加速淘汰质量差、优化慢的解；(3)为观察蜂设计一种蠕动的搜索策略,针对有危害和高需求的任务向前做微小的移动搜索,增强其对后续目标的优化能力；(4)将嵌入衰减操作的分布估计算法引入侦察蜂的搜索策略,改进为向较优解中任务与位置对应关系学习的启发式搜索和全局随机并用的策略,有效的改善了侦察蜂的搜索质量。完善算法流程,设定相关参数,用MATLAB将算法程序化。用改进的人工蜂群算法求解大量不同规模和特点的实例,如复杂优先关系、多种拆卸方向、非确定拆卸时间等。并与标准人工蜂群算法和文献中的一些算法进行对比,结果表明所提算法对小规模算例均能快速找到最优解,对大规模算例优化结果要好于文献的结果,验证了算法的有效性。在本文第五章用改进算法对某企业的实际拆卸生产案例进行优化,得到了比原方案更好的结果,提高了拆卸线的平衡率和生产率,充分表明了本文工作的实际意义。