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

) t5 P! R; C( c" X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
% |) \" X) q* A& }: N2 v! [' Y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
. l/ H3 a  I1 J4 d: E5 s: y态调度问题，并给出了不同工序情况下的具体调度方案。
! e: O( j& u# t: C6 i+ n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，
1 K! A/ M1 \, Z# }0 l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
1 D9 L- c8 Y/ i0 ]% l, V9 n8 o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! m7 T4 P, J* y( f" b- c5 o4 `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
; D; _' i7 h& H, w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
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
9 n7 x: c+ j2 X5 ^: k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
( x# o0 [) w/ r. D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
* a  m# |0 ?4 r& L9 G) Z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
1 P' u, V; U* u; d5 X过程。
. L! t6 D0 U8 X2 ?- O& T, w9 Y3 Q5 u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
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
  I6 v+ e. [$ G' C$ {7 _) N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
" i. [6 V( W# E外，所有的调度方案均呈现有规律的循环状态。
/ W) ?0 [) [; P' U- q  Z  R8 R( l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”
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.
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
0 |* i  u+ n  t* \! G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
  V$ k* t8 E, B7 a7 J程系统效率最多下降了 1.875 件/h.
, v8 O- |9 J$ \, E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
" A( ^2 A( a  F( @: r: n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
) `6 @2 X. B7 R9 t$ c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 I1 N$ {" p, z* r& I* L4 `4 d8 I3 V的有效性进行验证，增强了模型的说服力。