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

) j7 @9 D) j0 |( Z3 e

1 k8 c$ N. w# [  L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
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
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，
  J; @; r$ M: _  S: t3 s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
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
$ m: Q( f9 u( V2 v+ |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
6 l$ p8 P6 ]5 W/ H8 w* a) ^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# Y+ [! K8 x, a, {% r% c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
$ h, `( V" V) i( Z+ f6 L( \- Q据的系统效率最高，为 49.125 件/h.
" q' R% [, n. S; f  M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
$ _: B/ ^" j9 q. J过程。
8 ~% i: {7 R0 O$ Z; t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
% @. u0 u: l: G( o+ G8 ~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
( `0 j+ U6 V, |1 l$ C( _, Y: l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
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”
. F4 h  f0 Q" W' i# E! j( P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
3 F/ D2 Y  j$ y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
, k3 M7 X( A8 t# N' c9 T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
7 k- ]5 ]6 Z0 a# g+ @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
4 c2 F0 Q# v" E9 m. P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
, B" h* q; r5 d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
& m' u# a" Q1 g9 x: W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
  v* \7 b% S" L的有效性进行验证，增强了模型的说服力。
, f8 h  d+ e( A, u& x* ?6 d, c- e
& x- S! y8 Y- f7 C" J" j
' Q3 }4 a# Z8 J7 X' q
. N, l$ Q) g, c