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

% i" d$ j1 K# }+ v8 |
+ A' _) a8 Z: A, \% }, _
7 \# }: b3 L; F. q9 c; o6 N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
, \& M/ K9 w/ I. `* O8 z态调度问题，并给出了不同工序情况下的具体调度方案。
% O  X& n5 ?4 Q8 v$ K, |) ]! C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 }2 O) \0 ]1 o- B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
0 j4 y$ ^$ Q0 F; n% P- ]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
- ^# q8 ?/ [9 x$ Q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，
' d$ r7 b# Y+ t: D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。
本文选取了“就近原则”——构造时间代价函数，“FIFO 原则”——考虑各
+ G7 a, U- ?8 f* {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
0 A; R5 I( U3 ?& T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
/ Z. Y7 \# ~9 V" L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
2 v9 y. s- D6 O- ?据的系统效率最高，为 49.125 件/h.
0 K$ V$ [) m$ G" }# ^* 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
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
8 F, v# i+ C) F: g; X. e4 q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
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
: u# ?; N7 \+ O# p6 n+ k$ 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
! _! [2 h* K, r5 I4 p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”
- a0 M8 j2 M- E* F8 F, R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.
8 Y' Y+ n8 a% p8 L2 B7 [9 `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.
  Y; w, D8 B! B; A) I& J$ p0 U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
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
/ n; w& u) e( @  y/ `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
; g- t! K8 ]$ U9 [& q9 M的有效性进行验证，增强了模型的说服力。
: l$ e3 V$ `( R: r( `/ Y
# r7 @; X9 F" K
* k( A. Y: O. E( K9 J! T' t6 c
/ a7 j/ N: M9 l; N