生產(chǎn)車間混合式控制結(jié)構(gòu)模型和協(xié)商機(jī)制研究

王世進(jìn) 段永瑞

同濟(jì)大學(xué),上海,200092

0 引言

生產(chǎn)控制系統(tǒng)的體系結(jié)構(gòu)用于確立控制系統(tǒng)內(nèi)實(shí)體的決策功能分配方式及這些實(shí)體間的相互關(guān)系,并由此建立一種用于協(xié)調(diào)不同決策實(shí)施過程的機(jī)制。控制體系結(jié)構(gòu)是整個系統(tǒng)邏輯活動的支柱(backbone)[1]。設(shè)計具有適應(yīng)性的體系結(jié)構(gòu),是車間控制系統(tǒng)在實(shí)現(xiàn)與上下層信息系統(tǒng)集成的同時,能對動態(tài)變化的車間外部需求和內(nèi)部環(huán)境實(shí)現(xiàn)敏捷應(yīng)變的基礎(chǔ)和關(guān)鍵,因此具有重要的研究意義。在過去的40多年中,圍繞著可靠性、可擴(kuò)展性和適應(yīng)性等要求,學(xué)術(shù)界和企業(yè)界對制造控制系統(tǒng)體系結(jié)構(gòu)展開了大量研究,控制體系結(jié)構(gòu)也不斷發(fā)展,經(jīng)歷了集中式、遞階式、混合式和異構(gòu)式4種形式的變遷[2]。近些年來,結(jié)合遞階式結(jié)構(gòu)合理層次性和異構(gòu)式結(jié)構(gòu)自適應(yīng)性的混合式結(jié)構(gòu)日益受到重視。根據(jù)結(jié)構(gòu)中異構(gòu)與遞階程度的不同,混合式控制體系結(jié)構(gòu)有多種不同形式,具有一定的靈活性,但在如何降低控制體系結(jié)構(gòu)設(shè)計難度,實(shí)現(xiàn)車間生產(chǎn)動態(tài)適應(yīng)性優(yōu)化協(xié)調(diào)控制方面還存在許多值得進(jìn)一步研究的問題。

近年來,基于Agent(或Holon)的混合式控制體系結(jié)構(gòu)得到了廣泛研究[3-7],這是由于Agent(或Holon)潛在的自治性、交互性、反應(yīng)性和主動性等屬性與制造環(huán)境中多個相互關(guān)聯(lián)的獨(dú)立系統(tǒng)之間信息和決策邏輯/地理上分布的性質(zhì)非常適合[3]。基于Agent的混合式控制體系結(jié)構(gòu)的基本思路是將整個系統(tǒng)分割成各個獨(dú)立的自治Agent,從而將傳統(tǒng)的集中決策與控制分散到眾多的自治Agent上進(jìn)行,具有異構(gòu)式控制的特點(diǎn);同時建立Agent之間的協(xié)調(diào)機(jī)制,協(xié)調(diào)Agent之間的行為,實(shí)現(xiàn)共同的優(yōu)化目標(biāo),又具有遞階式控制的特點(diǎn)。因此,基于Agent的混合式體系結(jié)構(gòu)得到了研究者的廣泛青睞。如PROSA體系結(jié)構(gòu)(product—resource—order—staff architecture)[4]、適應(yīng)性生產(chǎn)控制系統(tǒng)(adaptive production control system,APCS)體系結(jié)構(gòu)[5]、引入中介Agent的MetaMorph體系結(jié)構(gòu)[6];Sunderesh等[7]設(shè)計的結(jié)合靜態(tài)層次結(jié)構(gòu)和實(shí)時任務(wù)分配機(jī)制的混合式控制體系模型等。

各種基于Agent的混合式控制體系結(jié)構(gòu)的決策協(xié)商機(jī)制一般都采用合同網(wǎng)協(xié)議或其改進(jìn)形式,但采用優(yōu)化和學(xué)習(xí)機(jī)制以減小協(xié)商通信負(fù)荷和提高協(xié)商效率的研究尚不多見。鑒于此,本文提出內(nèi)嵌結(jié)合投標(biāo)和示例學(xué)習(xí)協(xié)商機(jī)制的混合式控制體系結(jié)構(gòu),為進(jìn)一步改進(jìn)協(xié)商和控制性能打下了基礎(chǔ)。

1 基于Agent的車間控制系統(tǒng)適應(yīng)性控制結(jié)構(gòu)模型

提出的車間控制結(jié)構(gòu)模型如圖1所示。映射車間中不同的資源或功能,模型由系統(tǒng)優(yōu)化Agent、單元協(xié)調(diào)Agent和單實(shí)體Agent(包括產(chǎn)品Agent、資源 Agent)形成三層遞階結(jié)構(gòu),允許同層Agent之間及不同層 Agent之間的交互。模型以同層Agent之間的自由協(xié)商交互為主,上層Agent根據(jù)上層性能指標(biāo)為下層Agent之間的協(xié)商提供一定的協(xié)商輔助和決策參考,避免由于自由協(xié)商引起的系統(tǒng)混亂或不穩(wěn)定狀態(tài)。各Agent可位于對應(yīng)的物理實(shí)體上,也可位于獨(dú)立的計算機(jī)系統(tǒng)上。其相關(guān)結(jié)構(gòu)和功能描述如下:

(1)產(chǎn)品 Agent。產(chǎn)品 Agent由系統(tǒng)優(yōu)化Agent根據(jù)車間加工任務(wù)生成,對應(yīng)系統(tǒng)的加工訂單作業(yè)。其基本功能包括:確定加工序列;推算工序的最遲開始時間tLS;評價標(biāo)書,選擇最好的標(biāo)書,確定工序加工分配。產(chǎn)品Agent包括標(biāo)識碼(唯一)、權(quán)重、下達(dá)時間tR,交貨期 tD、可選工藝路線、狀態(tài)信息、協(xié)商協(xié)議庫等信息。當(dāng)產(chǎn)品Agent中的狀態(tài)信息表示產(chǎn)品或作業(yè)已經(jīng)完成時,由系統(tǒng)Agent注銷該Agent。

(2)資源Agent。資源Agent建模和封裝車間內(nèi)的加工資源。除表示機(jī)床外,也可以表示工作站、機(jī)器人、人、自動導(dǎo)向小車(automated guided vehicles,AGV)、傳送帶等。資源Agent根據(jù)自身加工能力、運(yùn)行狀態(tài)和產(chǎn)品 Agent要求,與其他資源Agent協(xié)商確定產(chǎn)品Agent的加工。資源Agent對所獲得的加工任務(wù)進(jìn)行局部調(diào)度,并根據(jù)車間實(shí)時情況對調(diào)度進(jìn)行動態(tài)調(diào)整。資源Agent中存儲的信息包括兩部分:一是對應(yīng)物理資源的加工與工藝的能力數(shù)據(jù)庫,這些數(shù)據(jù)較為穩(wěn)定;二是各個物理資源的狀態(tài)數(shù)據(jù)庫,包括運(yùn)行狀態(tài)數(shù)據(jù)、負(fù)荷狀態(tài)數(shù)據(jù)、資源Agent的計劃和調(diào)度數(shù)據(jù)等。其內(nèi)部結(jié)構(gòu)(圖2)包括等待序列、協(xié)商協(xié)議模塊、調(diào)度模塊、學(xué)習(xí)模塊、調(diào)度結(jié)果以及能力數(shù)據(jù)庫、狀態(tài)數(shù)據(jù)庫、調(diào)度算法庫和熟悉資源Agent庫。當(dāng)接收到產(chǎn)品Agent的加工請求后,資源Agent將加工請求放入?yún)f(xié)商等待序列中,根據(jù)權(quán)重程度依次排序,同時由該產(chǎn)品Agent中的工序路線信息,更新資源Agent對該產(chǎn)品Agent的熟悉資源Agent庫。資源Agent與產(chǎn)品Agent就要加工的工序用基于招投標(biāo)機(jī)制和示例學(xué)習(xí)方法的協(xié)商機(jī)制進(jìn)行協(xié)商。在能力數(shù)據(jù)庫、狀態(tài)數(shù)據(jù)庫所提供信息的輔助下,通過協(xié)商協(xié)議模塊與產(chǎn)品Agent或其他資源Agent進(jìn)行協(xié)商。調(diào)度模塊確定資源上的優(yōu)化調(diào)度,產(chǎn)生的調(diào)度結(jié)果作為指令發(fā)送給資源實(shí)體。學(xué)習(xí)模塊可以容納如Q—學(xué)習(xí)等強(qiáng)化學(xué)習(xí)方法以提高資源Agent的動態(tài)調(diào)度能力。

(3)系統(tǒng)優(yōu)化Agent。系統(tǒng)優(yōu)化Agent負(fù)責(zé)與車間外部的聯(lián)系,主要接收車間上層指令,把車間信息反饋給上層信息系統(tǒng),方便車間與制造系統(tǒng)中其他信息系統(tǒng)的集成等;同時監(jiān)控車間內(nèi)各Agent的狀態(tài);動態(tài)生成和注銷資源Agent、產(chǎn)品Agent。其結(jié)構(gòu)主要包括元數(shù)據(jù)轉(zhuǎn)換模塊、系統(tǒng)橋接模塊、車間狀態(tài)監(jiān)控模塊、系統(tǒng)性能指標(biāo)庫和協(xié)調(diào)模塊等。

(4)單元協(xié)調(diào)Agent[1]。單元協(xié)調(diào)Agent表示資源Agent和產(chǎn)品Agent以邏輯方式組成的單元,實(shí)現(xiàn)產(chǎn)品任務(wù)或特定作業(yè)的加工。該Agent主要負(fù)責(zé)與其他單元協(xié)調(diào)Agent單元的生產(chǎn)任務(wù)協(xié)調(diào),輔助產(chǎn)品Agent就具體的工序加工任務(wù)與資源Agent的協(xié)商。其結(jié)構(gòu)主要包括單元性能指標(biāo)庫、控制模塊、推理工具和協(xié)商模塊等。

2 基于投標(biāo)和示例學(xué)習(xí)的協(xié)商機(jī)制

Agent之間的協(xié)商過程取決于協(xié)商機(jī)制。Agent協(xié)商機(jī)制是一組用來組織和約束Agent之間對話序列和決策的規(guī)則集。現(xiàn)有的各種制造控制系統(tǒng),在定義各 Agent之間協(xié)調(diào)和合作關(guān)系時,幾乎都是采用合同網(wǎng)協(xié)議或其改進(jìn)形式[3,5-6]。但是傳統(tǒng)的合同網(wǎng)協(xié)議僅僅規(guī)定工作過程,本身沒有優(yōu)化能力,而且當(dāng)系統(tǒng)中Agent數(shù)量較多時,合同網(wǎng)協(xié)議過程中的招投標(biāo)通信將大幅增加系統(tǒng)的網(wǎng)絡(luò)通信負(fù)荷,而各種改進(jìn)合同網(wǎng)協(xié)議在實(shí)現(xiàn)上有一定的難度。為此,以合同網(wǎng)協(xié)議中最核心的投標(biāo)(bidding)過程為基礎(chǔ),結(jié)合調(diào)度算法和基于示例學(xué)習(xí)方法,提出一種新的協(xié)商機(jī)制,目的是在易于實(shí)現(xiàn)和減小通信負(fù)荷的前提下,能應(yīng)對車間可能出現(xiàn)的各種擾動情況(如機(jī)床故障、急單進(jìn)入等),從而提高協(xié)商效率和性能。圖3是協(xié)商機(jī)制的統(tǒng)一建模語言(unified modeling language,UM L)活動圖,即整體活動流程。圖3中tC為系統(tǒng)當(dāng)前時間,t為系統(tǒng)中任意兩Agent間一次通信所耗費(fèi)的最長時間,tEF為工序的最早完成時間,tij為產(chǎn)品Agent i和資源Agent j之間的一次通信時間,K為產(chǎn)品Agent欲發(fā)送投標(biāo)請求的資源 Agent數(shù),避免以廣播方式發(fā)送投標(biāo)請求。該協(xié)商機(jī)制的整體思路是:當(dāng)一產(chǎn)品Agent工序的最遲開始時間tLS＞2t+tC(即產(chǎn)品Agent的交貨期比較緊)時,采用基于示例學(xué)習(xí)方法直接確定工序加工任務(wù)的分配計劃,以提高協(xié)商效率,降低通信負(fù)荷;否則,就采用完整的投標(biāo)協(xié)商機(jī)制。

2.1 時間約束算法(算法1)

該算法主要用來確定產(chǎn)品Agent所表示的各作業(yè)工序的計劃下達(dá)時間tR、交貨期tD和最遲開始時間tLS,具體算法如下:

其中,Pi為產(chǎn)品Agent i(i為作業(yè)總數(shù),i=1,2,…,n)所表示的作業(yè);in為Pi的工序總數(shù);Oij(j=1,2,…,in)為Pi的其中一道工序;M(Oij)表示能加工工序Oij的機(jī)床集(由資源Agent映射);tP(Oij,Ml)為工序Oij在機(jī)床Ml(l∈M(Oij))的加工時間。

每道工序等待機(jī)床投標(biāo)的時間確定為tLS(Oij)—tR(Oij)—t。一旦等待時間結(jié)束,產(chǎn)品Agent就選擇具有 min(tij+tEF)的機(jī)床,即min(tij+tEF)是產(chǎn)品Agent i的目標(biāo)。在具體情況下,根據(jù)訂單的不同需求,通過評價和選擇邏輯,Agent可以動態(tài)改變目標(biāo),如采用加工成本盡可能小和總通過時間最小[3]。如果有兩臺以上機(jī)床具有相同的最小值,則進(jìn)一步選擇當(dāng)前負(fù)荷小的一臺。

2.2 資源調(diào)度模塊(算法2)

該算法主要用于確定資源Agent所表示資源(主要是機(jī)床)的優(yōu)化調(diào)度。每個資源Agent都有自己的目標(biāo),根據(jù)該目標(biāo)評估選擇產(chǎn)品Agent的投標(biāo)。本文定義資源Agent的目標(biāo)是機(jī)床利用率和工序最小平均延誤的權(quán)重和。該目標(biāo)可以表示為

這里,w1＞0,w2＞0,w1+w2=1,如果tD(Oij)—(tS(Oij,Ml)+tP(Oij,Ml))＞0,則 w2=0。其中,~L、~Uml為接收到新投標(biāo)請求前的機(jī)床負(fù)載和利用率;tC(Oij,Ml)為工序Oij在機(jī)床Ml上的加工結(jié)束時間;tS(Oij,Ml)為工序Oij在機(jī)床Ml的開始加工時間。

在接收到新招標(biāo)時,設(shè)Tl為在機(jī)床Ml上已經(jīng)安排加工的工序集,Ol為其中的一道工序,tS(Ol)、tC(Ol)分別為Ol的開始加工時間和結(jié)束時間,則資源調(diào)度模塊具體算法可以描述如下:

(1)確定 T1={Ol|?Ol∈ Tl,且Ol為Oij在工藝路線上的前面工序},T2={Ol|Ol∈Tl,tC(Ol,Ml)＜tR(Oij,Ml)}。

(2)初定 tS(Oij,Ml)=max(tC(Ol),tR(Oij)),Ol∈T1∪T2。

(3)當(dāng)tS(Oij,Ml)≤tC(Tl)時,①確定T3={Ol|?Ol∈(Tl—T1∪ T2),tS(Oij,Ml)＜tS(Ol)＜tC(Oij,Ml)or tS(Oij,Ml)＜tC(Ol)＜tC(Oij,Ml)};②如果 T3=?,計算Gml,否則,向后移動工序Oij,改變tS(Oij,Ml)。

(4)比較得到的各個Gml,選擇具有最小Gml的tS(Oij,Ml)。

確定工序的開始加工時間后,生成標(biāo)書,確定tEF(Oij,Ml)=tS(Oij,Ml)+tP(Oij,Ml)和機(jī)床負(fù)載。當(dāng)同時接收到多個產(chǎn)品Agent的投標(biāo)請求時,機(jī)床分別比較接收各個工序可能獲得的目標(biāo)值,如果各個工序的開始加工時間合理,則全部接收;如果選擇多個工序存在沖突,就選擇具有最大目標(biāo)值的工序,并返回該工序的最早結(jié)束時間和接收后的機(jī)床負(fù)載,同時拒絕其他產(chǎn)品Agent的請求。

2.3 基于示例的學(xué)習(xí)方法(IBL算法)

為了減小通信負(fù)荷,引入了基于示例學(xué)習(xí)(instance based learning,IBL)的機(jī)制?；谑纠龑W(xué)習(xí)是一種基于記憶的機(jī)器學(xué)習(xí)方法。k近鄰方法(k—nearest neighbour,kNN)是這種學(xué)習(xí)方法的典型代表[8],該方法的基本思想是找出新示例的k個近鄰,看這k個近鄰中多數(shù)屬于哪一類就把該新示例歸為那一類。該方法具有學(xué)習(xí)速度快、學(xué)習(xí)結(jié)果易理解以及具有較高預(yù)測準(zhǔn)確性等特點(diǎn)[8]。Deshpande等[9]把kNN方法與合同網(wǎng)機(jī)制結(jié)合用在虛擬的分布式醫(yī)院系統(tǒng)的資源共享上,并通過仿真示例驗(yàn)證了其有效性。本文提出的是基于示例的學(xué)習(xí)方法。

工序分配的示例歷史庫存儲在系統(tǒng)優(yōu)化Agent中。隨著新的訂單不斷進(jìn)入,車間中工序分配示例將不斷增加。為了減小數(shù)據(jù)庫的存儲負(fù)荷,系統(tǒng)優(yōu)化Agent采用先進(jìn)先出的循環(huán)隊(duì)列存儲歷史示例。循環(huán)隊(duì)列的長度為l,l可以固定不變,也可以根據(jù)車間情況實(shí)時調(diào)整。這樣,歷史示例表示為HI={I1,I2,…Il}。一個工序的分配情況是否可以作為歷史示例,需要根據(jù)實(shí)際加工延誤確定。如果系統(tǒng)優(yōu)化Agent監(jiān)測到工序加工的實(shí)際情況是tC(Oij,Ml)—tD(Oij)＞θ(θ為系統(tǒng)的延誤限定參數(shù)),則認(rèn)為實(shí)際加工延誤,不能加入示例歷史庫;反之,就插到歷史示例循環(huán)隊(duì)列的末尾,作為新的歷史示例,同時舊的示例自動從循環(huán)隊(duì)列中刪除。

2.4 擾動情況的協(xié)商方法

當(dāng)一臺機(jī)床發(fā)生故障時,原先計劃在該機(jī)床上加工的工序需要重調(diào)度。表示故障機(jī)床的資源Agent在警示故障后就被系統(tǒng)優(yōu)化Agent注銷。原先分配在故障機(jī)床上的工序及其受影響的后續(xù)工序都根據(jù)圖3所示(灰色部分)協(xié)商機(jī)制進(jìn)行重調(diào)度,分配到其他可選機(jī)床上;如果工序沒有其他機(jī)床可選,則工序所屬產(chǎn)品將一直延誤等待直到機(jī)床恢復(fù)正常才重新開始加工;如果工序加工過程中,機(jī)床發(fā)生故障而且工序加工不允許中斷,則工序所屬產(chǎn)品取消。異常情況下的重調(diào)度由單元協(xié)調(diào)Agent負(fù)責(zé),利用過濾定向搜索(filtered—beam—search based algorithm)算法[10]實(shí)現(xiàn)。

以機(jī)床故障為例(圖3中灰色部分),由于加工不允許中斷,已開始加工但尚未完成的工序?qū)⒉患{入重調(diào)度范圍,確定這些工序所在機(jī)床的繼續(xù)占用時間為t0+Δtk(k=1,2,3,…,M),其中Δtk為工序在機(jī)床Mk上的剩余加工時間;在t0時刻空閑的機(jī)床的剩余加工時間Δ tk=0。動態(tài)調(diào)度決策器把這些信息轉(zhuǎn)換成瞬時靜態(tài)調(diào)度問題模型,并激活過濾定向搜索算法進(jìn)行調(diào)度。得到的新調(diào)度銜接原有的舊調(diào)度,銜接時確定各機(jī)床的最早開始時間為max((t0+Δ t),(t0+Δtk));其中,Δt為應(yīng)用算法計算新調(diào)度所需的時間,它與算法效率有關(guān)。Δt越小,動態(tài)調(diào)度效率越高。

3 原型系統(tǒng)設(shè)計

為了驗(yàn)證控制結(jié)構(gòu)模型的可行性和協(xié)商過程,利用JADE[11]構(gòu)建了原型系統(tǒng)。

3.1 原型系統(tǒng)軟件體系結(jié)構(gòu)模型

如圖4所示,結(jié)構(gòu)從下到上分為4層,分別是提供網(wǎng)絡(luò)通信的底層網(wǎng)絡(luò)協(xié)議層,提供軟件運(yùn)行環(huán)境和數(shù)據(jù)訪問環(huán)境的操作系統(tǒng)、數(shù)據(jù)庫層,提供JADE運(yùn)行環(huán)境和Agent之間消息通信服務(wù)的Java虛擬機(jī)、網(wǎng)絡(luò)協(xié)議堆棧(remote method invocation over the internet inter—ORB protocol,RMI/IIOP)層及基于JADE(Java Agent development framework)平臺的控制系統(tǒng)應(yīng)用層。

結(jié)構(gòu)模型中所涉及的各實(shí)體Agent用Java語言在JADE平臺上開發(fā),位于不同的容器內(nèi),容器可位于網(wǎng)絡(luò)內(nèi)不同PC上。容器分為主容器和Agent容器。主容器內(nèi)包括黃頁目錄管理器(directory facilitator,DF)和Agent管理系統(tǒng)(agent management system,AMS)。每個Agent都必須在Agent管理系統(tǒng)上注冊并獲得Agent唯一標(biāo)識名才能運(yùn)行。黃頁目錄管理器為各Agent提供服務(wù)注冊、服務(wù)查詢等功能。系統(tǒng)優(yōu)化Agent位于主容器內(nèi),其他Agent可位于主容器內(nèi),也可位于Agent容器內(nèi)(不同的Agent容器可以位于不同電腦上)。各個Agent異構(gòu)分布,通過消息傳遞系統(tǒng)(message transport service,MTS)相互合作協(xié)商完成控制任務(wù)。

3.2 包圖設(shè)計

圖5是原型系統(tǒng)包圖的核心部分,主要描述了領(lǐng)域?qū)雍图夹g(shù)服務(wù)層中的包以及包所含的各個類。領(lǐng)域?qū)觾?nèi)的包集中表示車間調(diào)度功能,包括單元協(xié)調(diào)包、系統(tǒng)優(yōu)化包、產(chǎn)品包、資源包和包含各核心算法的啟發(fā)式算法包。技術(shù)服務(wù)層描述JADE庫的包和類,主要包括描述Agent界面的jade.gui包,描述Agent命名的jade.lang.ad包,描述Agent行為的jade.core.behaviours包以及描述Agent交互協(xié)議的jade.proto包等。兩個層次包和類之間的相互關(guān)系(主要是依賴和泛化關(guān)系)也在圖5中進(jìn)行了表述。

3.3 仿真界面

JADE平臺上開發(fā)的Agent,相互交互之前必須在Agent管理系統(tǒng)上注冊。注冊后,由遠(yuǎn)程監(jiān)控Agent(remote monitoring agent,RMA)實(shí)時管理。本文仿真設(shè)計了產(chǎn)品Agent、系統(tǒng)優(yōu)化Agent和3個單元協(xié)調(diào)Agent的簡單系統(tǒng),其仿真界面如圖6所示。3個單元協(xié)調(diào)Agent分別位于網(wǎng)絡(luò)的 3臺不同電腦上(電腦名分別是wsjwangjing、yjb、iem —zbh),系統(tǒng)優(yōu)化 Agent和產(chǎn)品Agent位于wsjwangjing電腦的主容器內(nèi)。得到的RMA界面如圖6a所示,3個單元協(xié)調(diào)Agent分別為CCA—WSJ、CCA—YJB和CCA—WHT。系統(tǒng)優(yōu)化Agent的界面和單元協(xié)調(diào)Agent的界面分別如圖6b和圖6c所示。系統(tǒng)優(yōu)化Agent通過產(chǎn)品(作業(yè))控制樹管理作業(yè)招標(biāo),定義和設(shè)定當(dāng)前作業(yè)的招標(biāo)參數(shù),并顯示當(dāng)前作業(yè)的調(diào)度信息。單元協(xié)調(diào)Agent主要接收作業(yè)招標(biāo),對當(dāng)前作業(yè)招標(biāo)進(jìn)行評估并作出決策,以及實(shí)現(xiàn)單元內(nèi)產(chǎn)品Agent(作業(yè))和資源Agent的實(shí)時調(diào)度結(jié)果。

4 結(jié)束語

提出了一種基于Agent的適應(yīng)性混合式車間控制系統(tǒng)體系結(jié)構(gòu)。為了提高Agent之間的協(xié)商效率和性能,減小通信負(fù)荷,應(yīng)對車間可能出現(xiàn)的各種擾動情況,設(shè)計了基于投標(biāo)機(jī)制和示例學(xué)習(xí)的協(xié)商機(jī)制,并重點(diǎn)分析了協(xié)商機(jī)制的4個核心算法(時間約束算法、資源調(diào)度模塊、IBL算法和擾動情況算法)。最后,在JADE環(huán)境中構(gòu)建了原型系統(tǒng),分析了軟件體系結(jié)構(gòu)、包圖和仿真界面。提出的混合式控制體系結(jié)構(gòu)為進(jìn)一步改進(jìn)協(xié)商和控制性能打下了基礎(chǔ)。

[1]Heikkila T,Kollingbaum M,Valckenaers P,et al.An Agent Architecture for M anufacturing Control:Manage[J].Computers in Industry,2001,46(3):315-331.

[2]周炳海,王東,奚立峰,等.基于 Agent的制造單元混合式控制系統(tǒng)研究[J].計算機(jī)集成制造系統(tǒng)—CIMS,2004,10(3):292-297.

[3]Chan F T S,Zhang J.A Multi—agent—based Agile Shop Floor Control System[J].International Journal of Advanced Manufacturing Technology,2002,19(10):764-774.

[4]Brussel H V,Wyns J,Valckernaers P,et al.Reference Architecture for Holonic Manufacturing Systems:PROSA[J].Computer in Industry,1998,37(3):255-274.

[5]Ottaway T A,Burns J R.An Adaptive Production Control System Utilizing Agent Technology[J].International Journal of Production Research,2000,38(4):721-737.

[6]Maturana F,Shen W,Norrie D H.Metamorph:An Adaptive Agent—based Architecture for Intelligent Manufacturing[J].International Journal of Production Research,1999,37(10):2159-2173.

[7]Sunderesh S H,Robert J G,Byung—In K,et al.Intelligent Agent Based Framework for Manufacturing Systems Control[J].IEEE Transactions on Systems,Man,and Cybernetics—Part A:Systems and Humans,2002,32(5):560-571.

[8]Aha D W,Kibler D,Albert M K.Instance—based Learning Algorithms[J].Machine Learning,1991,6(2):37-66.

[9]Deshpande U,Gupta A,Basu A.Performance Enhancement of a Contract Net Protocol Based System Through Instance—based Learning[J].IEEE Transactions on System,Man,and Cybernetics—Part B:Cybernetics,2005,35(2):345-358.

[10]Wang Shijin,Xi Lifeng,Zhou Binghai.Filtered—Beam—Search—Based Algorithm for Dynamic Rescheduling in FMS[J].Robotics and Computer—Integrated Manufacturing,2007,23(4):457-468.

[11]Bellifemine F,Caire G,Poggi A,et al.JADE:a Software Framework for Developing Multi—agent Applications.Lessons Learned[J].Information and Software Technology,2008,50(1/2):10-21.