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

! K: V6 U# Z9 [4 O

# v4 a) I) U" h0 p) 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
8 E$ ?6 w0 K5 ]. j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
1 P$ e6 \; p6 Y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，
  g9 E: r8 w- T7 \0 g: t/ Z% D( r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
' l9 n' R2 J2 I" w) E; W% ~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
* s' B2 x  d6 W( k9 A6 q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
9 [/ p) c+ e: Q, H! y法求得局部最优解。
1 X, N8 m# ~# v) |1 T' ~9 ^% {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
2 m  h( v: ?: \+ b8 t# F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
0 d* A$ l: i9 Y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
" b5 w6 B8 P- x" g/ H5 @据的系统效率最高，为 49.125 件/h.
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
, f7 Z2 G5 p5 _! P$ h8 S& ]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。
, c) b5 Q0 h5 n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
: _7 h8 w! K, H9 b6 ]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
3 c" T2 ^) R( R: R5 V: N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
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
( _4 @% H! ^$ U/ N- ?: ?8 }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
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”
* J( Z% M  [/ o+ D' i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
. I2 a) k# i8 h) w3 T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.
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.
' w1 Y# F& ?, p) P& {+ r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
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 N; y+ w- i# N; \: ~/ [+ A* P的有效性进行验证，增强了模型的说服力。
7 q0 a  Z; T; b, \# O5 H0 t
! p' S6 P6 o0 @" i) i$ U
7 b  J1 F; X) z$ E
( g( W8 N, z4 u, y7 d