2018-B2：基于多原则比较和蒙特卡洛模拟的 RGV 动态调度模型

杨利霞

2018-B2：基于多原则比较和蒙特卡洛模拟的 RGV 动态调度模型

+ h- ]3 r+ v6 X
9 N1 N6 G' t$ w1 T' H, K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
2 t( y+ s0 T! c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
态调度问题，并给出了不同工序情况下的具体调度方案。
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，
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 RGV
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
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
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，
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
法求得局部最优解。
本文选取了“就近原则”——构造时间代价函数，“FIFO 原则”——考虑各
' `  [% Z1 r+ i7 ?9 u5 w! E8 T3 |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
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
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
5 a; g4 ^9 \5 P7 \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
( l7 z# R2 Q! w( P+ E% _据的系统效率最高，为 49.125 件/h.
4 b/ X! Z9 i. M* `% ^. J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
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
# J' V; e- q- M! D! c/ J, }9 {过程。
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
256 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
. Y2 w3 E- o; v+ k& k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
2 ^9 U; d1 U( N- d/ ?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
9 B' A! A& t- G0 [% r+ W" j( y  O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
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
6 s( {' d' m8 w' v& Y) }/ b外，所有的调度方案均呈现有规律的循环状态。
$ W8 N' }. w$ @+ X; }3 D% D* G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”
2 [$ L$ p# Y3 o1 x8 G% c! G! H* 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
7 u. z& L' `. w1 P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.
  s5 s! z3 i3 q1 y' V& K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
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
1 O8 [6 q' ^* F( j0 G; r6 _  H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
% U  [- r: m3 l8 d( g/ T( B4 I程系统效率最多下降了 1.875 件/h.
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
% `8 P( s6 P: w; Q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
! N& q5 N8 t8 w  ]' w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
4 u. w$ b7 f. f的有效性进行验证，增强了模型的说服力。

" j. Z% H* P' |: ?