在再制造工艺方案优化决策研究方面，文献[61-73]建立了基于不同算法的废旧产品拆解优化模型，找出最优的拆解顺序，降低拆解过程中的环境排放和减小拆解过程给零部件带来新的损伤，如遗传算法、分支定界法、线性规划法、网络分析法、有向图法和基于路径链接的启发式方法等。文献针对拆解过程的不确定问题，对产品的拆解时间、拆解成本和拆解程度等进行了研究。文献[79-80]探讨了回收产品质量的不确定性与再制造生产计划之间的影响关系。Franke等建立了线性优化模型，对再制造工艺过程中的加工能力、加工时间和加工设备等要素进行优化，并通过仿真技术对优化结果进行验证[81]。Seliger等建立了集线性优化与离散事件模拟为一体的再制造工艺过程规划模型，并以手机再制造为例，对再制造工艺过程中的设备加工能力，加工时间及加工资源的分配等进行合理规划[82]。Kernbaum等建立了混合整数优化模型，对再制造工艺过程中的加工批量和加工成本之间的影响关系进行了探讨。
Sundin从技术和经济两个方面对产品再制造过程中不同工艺阶段进行分析，找出影响再制造加工效率的关键环节，分析结果表明，在技术性方面，清洗是再制造工艺过程的瓶颈阶段；再制造产品的存储费用则是消耗成本最多的环节。Ferrer等探讨了射频识别技术在再制造工艺过程中的应用前景以及如何利用该技术提高再制造的生产效率[85]。江志刚等建立了再制造技术方案选择的多目标决策模型，从经济和环境的角度对零部件再制造过程中的工艺技术进行优化选择[86]。张晶和梁工谦针对再制造系统中加工工艺信息的多样性，利用petri网对工艺资源进行动态和静态分析，并将再制造工艺方法与相对应的资源进行封装和调用，以提高再制造工艺路径的柔性。李成川等以
冲压加工机床主轴再制造为例，建立了基于随机网络评审技术的再制造工艺路线模型，描绘了主轴再制造各加工工序的加工时间分布。李聪波等针对回收零部件质量水平的不确定性导致再制造工艺时间的不确定性问题，利用人工智能技术建立了再制造工艺时间模糊学习系统，根据待加工零部件的质量水平，自动预测和学习零部件的再制造工艺时间[90]。曹华军等以冲压加工机床导轨为例，建立了基于专家知识和模糊理论的再制造过程优化模型，对导轨再制造工艺过程中的加工参数进行了优化。
