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

' V' a: ^! j; Z& _) l5 o. G
7 M$ S' W0 E0 ]2 @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
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
; h0 i1 ]9 T1 J9 [  ~2 Y态调度问题，并给出了不同工序情况下的具体调度方案。
. Q$ r! _) u: m6 v/ |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，
, _4 P, E6 s8 m" @( ~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
9 V$ a8 L6 z5 E, T8 T/ }4 i) m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
' j; `5 {; r0 P( {0 X7 {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
% q% j8 r4 P5 J" f$ S. x法求得局部最优解。
2 b7 ~+ W  o( t. |; _) I. r4 \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
5 i! \9 a$ S7 k; e8 N6 W2 P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.
9 e6 F) N$ L6 W2 Y' _6 ^" T! I" n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
( m4 N0 h9 [" {2 G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。
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
4 J  {* p1 `4 l! N' g/ I# f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 ]; P4 z' w9 F7 z* G8 `, t7 O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
$ Q  C2 Y8 B, B% C  c' I% E. _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”
& ^+ E5 o3 F* Q* w7 X- Q/ T. C# 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
8 a" A3 Q# v, m# _+ g6 ]* j6 k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
; D; Z3 g5 j2 i& G2 A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
7 x* R% w0 w- u9 Z3 s程系统效率最多下降了 1.875 件/h.
! R0 \. B/ e6 k+ s6 P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
% E5 H9 q9 G" X! U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
! v. y1 u/ [6 H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。
6 g& q" J2 _$ n' ~9 _3 T$ K* K

4 X3 E4 H. q8 i; C! _* Z
) ]% P) p* W+ ~! V$ {/ |4 w