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

1 F1 R: K3 l, b$ I& X+ c/ Q
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
0 |4 ~' B6 ?9 o  k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
7 I/ O8 X# V3 \2 a/ A态调度问题，并给出了不同工序情况下的具体调度方案。
: U/ I2 k6 x3 S! F5 \  Z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，
$ J3 P- a: {% f1 _/ d6 k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
# z0 h' S2 W& H# [9 c8 Z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
; L- o. M8 W( L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
) S/ }% g: ~* p7 I0 ]" [8 R! s: p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
4 w- E& T. C) G# C& @7 R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
% d# p% @9 C8 V' [5 C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 `* R+ {) \+ }据的系统效率最高，为 49.125 件/h.
0 h5 c/ q, b: D  ?% i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
4 s6 X1 o- q: |% Y4 z& A. {0 m; X( i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
/ |+ r% w* f8 l: q" @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
/ g6 A0 b1 i) K& M256 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
1 t/ |: `0 r4 \; g; V4 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
, e9 ~' W7 q  t8 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
/ D% N) F4 x2 v) [* 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
* o1 g7 L" z& c& w5 ?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
/ G. \4 j' d% m1 o6 C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 H/ q& A' N4 }; `$ h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
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.
/ o1 V0 W! D+ `3 o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
/ B& G  E7 K  k* ?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
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
2 T) B( y) p& o5 |的有效性进行验证，增强了模型的说服力。