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

, P# }6 p& g2 ~
. r$ C/ F0 k! q6 f, u5 C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
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，
! {/ Y1 |* [1 A8 j( W5 h$ I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
$ f: t" y. C+ k* }# S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
! C4 I' c3 r" j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
法求得局部最优解。
) L: Q- l+ l7 j' v( G0 m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
  O6 m* i/ E* h: t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
: \5 i: {1 d; C" Q" ~5 ?据的系统效率最高，为 49.125 件/h.
) ]9 D; k' c; O2 d$ G9 [4 Q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
" ]) s. A  w) r* q7 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
; m& B; [1 b2 T+ }4 w4 K5 b$ C过程。
1 ^2 a8 D: Z  |* ?$ t" X3 E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
, u& h" ~, [3 c2 M, H% l$ y9 v256 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
, C, P' c, f! U4 P# B# X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
2 k. p4 @- k' Z# |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”
4 ]- w8 H) N5 S' X- d9 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
- r. L7 R$ }! |) M4 \, D3 R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.
8 ?, @9 |' _! r% j/ J/ I. q6 [2 u+ o  R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
% a  `) I5 S/ D2 H& b; ^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
的有效性进行验证，增强了模型的说服力。
" D) r( E3 z+ r. n* l' I( M

3 B  I/ |2 V8 N6 D