数学建模社区-数学中国

标题: 2018-B2：基于多原则比较和蒙特卡洛模拟的 RGV 动态调度模型 [打印本页]
作者: 杨利霞    时间: 2019-9-27 10:50
标题: 2018-B2：基于多原则比较和蒙特卡洛模拟的 RGV 动态调度模型
2018-B2：基于多原则比较和蒙特卡洛模拟的 RGV 动态调度模型

3 i# X. ]: y4 G7 j! M6 R/ o9 O* s1 G
+ b: r9 U4 |# _1 c
0 @* W+ e3 ?  g4 C1 |! Q% I本文从规划模型、多原则求解的角度，综合了蒙特卡洛模拟与机器学习的思
  {3 ~  V" ~" Z' E. @* F) R, H$ I想，研究了由 8 台 CNC、1 辆 RGV 以及其他附属设备组成的智能加工系统的动- W& r" L) \; z6 q3 |
态调度问题，并给出了不同工序情况下的具体调度方案。
' ^. r  _- X0 w: s( f针对情况一：单工序的作业流程较为简单。首先，利用规划的各个约束条件，  [; Q+ d: ]/ I) F/ E- ?: v( k/ s& X
刻画了 RGV 在 CNC 之间的运动过程、单个物料的加工过程、“上下料”时 RGV2 N' y4 `# N5 @
手爪的旋转过程、清洗作业的过程、RGV 移动至下一个机床进行加工的过程等% `, h+ i1 x, J
等。此外，还刻画了物料加工与运送的“唯一性”，以及利用 0-1 变量构造的目8 o% e4 k) Z$ a( Y/ C
标函数。规划的目的是，在给定的时间内，使得加工出的物料数量最多。然而，
, U! h0 M: Y2 A" {& _: v这样的规划是一个 NP 问题，无法通过传统的方法求解，所以进而寻求模拟的方; n3 H6 X. |) W- e0 `0 Y3 }
法求得局部最优解。
7 B6 `: ?- A0 \1 r  N6 N( o, k本文选取了“就近原则”——构造时间代价函数，“FIFO 原则”——考虑各 9 ~6 P4 M/ B2 h" D8 I0 C9 [$ D
台 CNC 的等待时间，以及“HRRN 原则”——将时间代价与等待时间进行综合
' m! v! C: I2 |; \" v考虑，分别对情况一进行了模拟。事实上，每种原则的结果相同：第一组数据加% J' p$ d' F, a% m( V+ A
工完成了 383 件物料，第二组数据加工完成了 360 件物料，第三组数据加工完成
" f* C4 n; A  Z- X了 393 件物料。并且，调度的方案全部为 1→2→…→8→1→… 此外，第三组数3 Z2 n- [& E5 E: b& H' |# t: R* p
据的系统效率最高，为 49.125 件/h.
! S1 D* S- d# q) @8 _1 t1 l针对情况二：双工序的作业流程十分复杂。首先，在情况一的基础上，对规
" g) Z! {! E8 g, Q$ T% p划的各个约束条件进行修正；并着重刻画了 RGV 移动至下一个机床进行加工的
  x! u7 t3 L' r3 q. t2 _" g, i: \过程。
. Z& A; i5 y7 X  M# e2 J& [/ @此外，双工序流程中各台 CNC 所负责的工序也是不确定的；因此，本文对
! q- j) ?$ y7 |' C256 种工序布局方案，结合三种选取原则，进行了遍历。得到的结果是：第一组$ N6 a+ Q8 j/ ^7 H
数据的各台 CNC 最优工序分配为 1-2-1-2-1-2-1-2，三种原则结果一致，最终加工
! r+ c. A' A% Q4 J' _出 253 件物料；第二组数据的各台 CNC 最优工序分配为 2-1-2-1-2-1-2-1，“FIFO
3 S9 R0 y! H" |# x1 V原则”和“HRRN 原则”更优，最终加工出 212 件物料；第三组数据的各台 CNC& h5 A4 D3 \" T0 r  R1 a
最优工序分配为 1-1-2-1-2-1-1-2，“就近原则”最优，最终加工出 241 件物料。此
+ I: W8 S2 F6 Z* I+ p+ K( T外，所有的调度方案均呈现有规律的循环状态。
/ d+ v; o8 S5 d0 q然后，利用“基于蒙特卡洛的学习算法”，在构造正反馈的前提下“随机”& n! T: D  P! s4 K2 p. s, B& J
地尝试以获得更优解。结果反映了，三种原则中的最优原则，已非常接近全局最
  g4 k# }) P; Z; ?优。此外，第一组数据和第三组数据的作业效率一样高，均为 30.125 件/h.
* g8 Y- l2 i: Q3 B# a针对情况三：同时考虑单工序流程与双工序流程。构造了随机变量“是否故* m. v/ g3 U2 n% {
障”、“故障发生时间”和“故障排除时间”，并将它们融合进入规划模型。求解% h: S' r2 ^3 k# W* W9 ]
结果显示，遭遇故障后，单工序流程系统效率最多下降了 2.25 件/h，而双工序流
9 b2 T1 T+ J1 J$ X1 K程系统效率最多下降了 1.875 件/h.
9 i) v) f4 X/ K" N. ]本文的亮点在于：首先，利用一般化的公式对系统调度进行了较为细致的机/ k) h' F0 |. J! k, y2 P$ R
理分析，使得模型具有普适性；其次，给出了多个调度原则相互比较，从而有利
9 \. T4 I7 |$ h$ Z  p* N于结果更优；最后，将蒙特卡洛模拟与机器学习的思想相结合，对上述调度原则& A; Q' l# G' F! n
的有效性进行验证，增强了模型的说服力。: U! d1 g  O% c- \* e

) d+ L! l% ]% A' k1 J% K
+ N  c8 Z8 {7 ^0 W2 Y% g  X* \( f. F4 b) T' m# T& k6 C

2018-B2：基于多原则比较和蒙特卡洛模拟的 RGV 动态调度模型.pdf

635.83 KB, 下载次数: 3, 下载积分: 体力 -2 点

售价: 2 点体力  [记录]





欢迎光临 数学建模社区-数学中国 (http://www.madio.net/) Powered by Discuz! X2.5