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

( ~; H8 @% h3 m* N: f
% E  L: [! q, e# G# z/ J+ {: A
6 T8 B: o$ H, m& i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，
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
7 b5 d0 y5 Q% r4 z! H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
8 U+ `8 D0 f$ q. H7 `) _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，
& R- u& d4 P  a$ J! F: W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
1 e; ]% [2 I* I; `0 k法求得局部最优解。
7 ?& a5 e2 Q. G7 j0 r" A9 ^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
7 v  \! _% u0 \" G$ v% y/ K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
7 o5 T! s+ F" J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.
3 ^. S/ I" z* V3 v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
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。
) O7 g# P0 [3 G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
4 j8 r9 x: j+ D) f+ `6 p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
' B" t( {" V, @. }6 \( m% R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”
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
+ l+ A7 B5 {9 J" P2 p; [. L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.
6 V2 M! M$ H+ s  w# d, G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
9 n% `" x: `: d% z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
; K4 s- ^# k! k5 V; H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.
+ J/ f1 J, ^8 E9 G$ a7 Z1 D* 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
. Y0 l1 J9 |) m% z( W1 t( Q( c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
% A8 i6 @# h% b+ ]6 f( e9 q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
* j$ |2 n" H$ s的有效性进行验证，增强了模型的说服力。
3 t& t  U" p2 T9 S* _
' E( b, ^) E% G* V% {1 S

( r5 ~( b5 Q9 l8 m& }* r8 ~