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

3 n6 f" Y- K8 U2 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
9 S- b1 {  \8 z+ b" o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，
+ J" h5 V+ @( P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
& x9 O) O5 z! i& y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，
5 X' t5 ^- C( o7 T3 ~4 P8 x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。
$ S+ c/ a# Z* ^& q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
0 G1 a% d) D' k9 e+ y3 Q  H% j6 U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
( y# b+ o$ p# v9 l. e+ v; H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
4 k& a# A, z7 H6 T! X' P据的系统效率最高，为 49.125 件/h.
0 Z/ b  e8 Y1 c: X8 B: a  W6 H0 U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
% e  c2 Q8 h: W9 R$ J% r6 ?& y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
4 M: L$ X" {& O4 M; ]过程。
6 j4 e4 F- X3 P" ^' f& t+ T) Z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
' V7 n' W1 u- g  H4 m256 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
  H2 O9 m, W6 C* D) |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
8 F9 \/ P# k9 d  S! n3 @/ 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
$ _7 |7 m& S" [$ W$ O( ?6 e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
6 L1 }4 n  I: t2 w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”
5 Q: P  }" S0 Q6 y# {  q& M3 K( 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
1 I+ C4 V, n5 ~! ]" [0 }( q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.
2 b& _( f0 f0 A  b, C0 |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 B( c# ^0 H3 {+ n" `0 q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
# K8 N# c, B7 _. P4 t( p- r3 j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。
( }6 j. P* G7 J, X* j! f
3 G& e7 N6 h8 D" L
& J( L) e- u% {' ?: D$ n: Z: `