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

' {& Y: I8 a$ n2 j* ^+ s

3 z% {+ F, q' u2 s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
! v& _3 z" G4 y1 m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
' K* x: m9 F: ?" z& E& r) y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
- K  x& p' v$ I+ R4 n4 Q9 z) u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
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
  k  T$ @9 n6 X- b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
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
据的系统效率最高，为 49.125 件/h.
% i; V7 X0 ~, E% n9 A, B& s- O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
+ E4 v# |% p. U% r3 _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
过程。
" O- `7 E% P/ G3 d7 U  _3 |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
! T- u0 e: x$ G" ^; }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
% {6 n9 l) S3 K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
) J. p, i7 k7 [2 O) M0 a! f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
# N4 U  q" a, g' D$ z* I6 \* k# s9 |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
3 V2 X0 G, ~/ q外，所有的调度方案均呈现有规律的循环状态。
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”
0 A3 h  ~3 c% ~  U/ i: q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
3 ?, H' a2 D) w+ Y8 }& J7 M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.
( C# r0 {3 Y: v5 ?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
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
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
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
: |& d3 l9 R% R& v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
的有效性进行验证，增强了模型的说服力。
1 l' U: q* Y/ Z9 }7 t
. G4 d$ k) {) k9 g. d  s' y
; p0 Y1 V: s; h
! t, Y; }6 _7 _$ ~8 l  M