基于群智能和機器學(xué)習(xí)的分布式生產(chǎn)調(diào)度算法研究

張萌

摘 要：傳統(tǒng)的算法對分布式生產(chǎn)調(diào)度的求解難度非常大，而且收斂速度慢、解質(zhì)量差。由此，本文以分布式裝配流水車間為研究對象，嘗試使用群智能和機器學(xué)習(xí)聯(lián)合算法對其進行求解，并在構(gòu)建分布式生產(chǎn)調(diào)度模數(shù)學(xué)模型中引入動態(tài)訂單決策和歷史訂單分析學(xué)習(xí)等動態(tài)條件，進而使聯(lián)合算法的優(yōu)化解貼近實際生產(chǎn)情況。最后，采用分布式車間調(diào)度仿真軟件進行建模仿真，驗證優(yōu)化結(jié)果的可行性。

關(guān)鍵詞：群智能算法;機器學(xué)習(xí)算法;分布式生產(chǎn)調(diào)度

中圖分類號：TH186文獻標(biāo)識碼：A文章編號：1003-5168（2020）19-0052-02

Abstract： The traditional algorithm is very difficult to solve distributed production scheduling， and the convergence speed is slow and the solution quality is poor. Therefore， this paper took the distributed assembly flow shop as the research object， tried to use the joint algorithm of swarm intelligence and machine learning to solve it， and introduced dynamic conditions such as dynamic order decision-making and historical order analysis and learning in the construction of distributed production scheduling model mathematical model， so as to make the optimization solution of the joint algorithm close to the actual production situation. Finally， the distributed job shop scheduling simulation software was used for modeling and simulation to verify the feasibility of the optimization results.

Keywords： swarm intelligence algorithm;machine learning algorithm;distributed production scheduling

隨著智能化技術(shù)的不斷發(fā)展，制造企業(yè)也從原來的一元化、單品種、大批量生產(chǎn)方式逐步轉(zhuǎn)向多元化、多品種、小批量、高柔性的生產(chǎn)方式，因而科學(xué)合理的調(diào)度方案有利于減少產(chǎn)品生產(chǎn)時間，管理產(chǎn)品庫存，提升產(chǎn)品交貨期滿足率及企業(yè)生產(chǎn)率[1]。生產(chǎn)調(diào)度優(yōu)化問題指的是把有限的資源在合理的時間內(nèi)分配給若干個任務(wù)，以滿足或優(yōu)化一個或多個目標(biāo)。調(diào)度優(yōu)化問題應(yīng)用前景廣闊，被廣泛應(yīng)用于多個領(lǐng)域，如企業(yè)管理、交通運輸、航空航天、醫(yī)療問題、能源動力和網(wǎng)絡(luò)通信等。生產(chǎn)調(diào)度優(yōu)化問題是制造領(lǐng)域的關(guān)鍵問題，生產(chǎn)調(diào)度技術(shù)是制造系統(tǒng)和企業(yè)管理中的重要技術(shù)，同時是實現(xiàn)智能化生產(chǎn)的關(guān)鍵技術(shù)之一[2]。

1 聯(lián)合算法求解分布式生產(chǎn)調(diào)度

在基于群智能的元啟發(fā)式方法中，每代中都有多個并行的個體，個體間進行通信和競爭，提高進化或搜索效率。目前應(yīng)用較為廣泛的算法有演化計算、粒子群優(yōu)化算法、變鄰域搜索和迭代貪婪算法。雖然分布式車間調(diào)度問題取得了初步成果，但仍存在以下不足：對分布式裝配流水車間生產(chǎn)調(diào)度問題的研究處于起步階段，現(xiàn)有研究成果對現(xiàn)實生產(chǎn)中的調(diào)度問題進行了大量簡化。分布式車間調(diào)度問題不僅要考慮在分布式環(huán)境下生產(chǎn)能力的分配，而且要考慮實際生產(chǎn)中的動態(tài)訂單調(diào)度問題和產(chǎn)品工藝流程中的各種實際因素。隨著人工智能技術(shù)的發(fā)展，機器學(xué)習(xí)技術(shù)在很多優(yōu)化問題上表現(xiàn)出優(yōu)異的性能。對分布式生產(chǎn)調(diào)度問題，目前還沒有同時使用群智能算法和機器學(xué)習(xí)算法進行求解的研究。本文提出基于群智能和機器學(xué)習(xí)的分布式生產(chǎn)調(diào)度算法。

首先，以分布式裝配流水車間為研究對象，研究供應(yīng)鏈協(xié)同下的生產(chǎn)調(diào)度和車間重構(gòu)問題[3]，總體流程圖如1所示。通過云端集成訂單信息、生產(chǎn)車間信息和配送信息。每個分布式工廠都配置有邊緣計算設(shè)備，可以與云端信息交互，獨立優(yōu)化這個子工廠內(nèi)的生產(chǎn)調(diào)度和生產(chǎn)資源配置，并控制生產(chǎn)和物流設(shè)備。

其次，構(gòu)建分布式裝配流水車間調(diào)度和配送數(shù)學(xué)模型，考慮暫存區(qū)、異構(gòu)工廠、運輸時間等實際因素，并采用多種群智能算法如迭代貪婪算法、粒子群算法和遺傳算法，設(shè)計算法解表達、編碼方式、搜索策略和參數(shù)，對分布式裝配流水車間調(diào)度和配送數(shù)學(xué)模型進行求解。

再次，采用目前流行的機器學(xué)習(xí)算法如Q learning、Sarsa、Deep Q Network等對已建立的分布式生產(chǎn)調(diào)度模型進行求解。

最后，驗證群智能算法和機器學(xué)習(xí)算法求解分布式生產(chǎn)調(diào)度問題的性能，在統(tǒng)一仿真實驗條件下對上述兩種算法進行對比，并和求解分布式調(diào)度的其他先進算法進行對比，測試所提出的算法的優(yōu)異性。

2 考慮動態(tài)訂單的動態(tài)生產(chǎn)調(diào)度研究

考慮動態(tài)隨機訂單條件的生產(chǎn)調(diào)度模型的建設(shè)，將實際訂單數(shù)據(jù)轉(zhuǎn)化成隨機訂單在區(qū)間時間段中離散時間點的到達概率;以此生產(chǎn)隨機訂單到達場景設(shè)計協(xié)同供應(yīng)鏈網(wǎng)絡(luò)生產(chǎn)調(diào)度優(yōu)化策略，構(gòu)建多個子決策模型，設(shè)計不同調(diào)度策略下成本差異的主決策模型;分別用群智能算法和機器學(xué)習(xí)算法建模求解。

為充分利用歷史訂單信息、減少未來可能訂單對緊急訂單的影響，采用機器學(xué)習(xí)算法建立生產(chǎn)調(diào)度的動態(tài)優(yōu)化模型。根據(jù)生產(chǎn)線運行過程中積累的大量歷史數(shù)據(jù)與實時數(shù)據(jù)，利用深度學(xué)習(xí)構(gòu)建緊急訂單相關(guān)信息預(yù)測模型;結(jié)合專家經(jīng)驗知識，利用模糊推理系統(tǒng)將預(yù)測結(jié)果與系統(tǒng)模型相融合，使生產(chǎn)線提前調(diào)整生產(chǎn)策略，保證緊急訂單到來時生產(chǎn)線能有效完成其加工任務(wù)及減小緊急訂單與常規(guī)訂單之間的相互影響。優(yōu)化流程如圖2所示，其中云中心完成對動態(tài)訂單的實時優(yōu)化決策。

3 優(yōu)化結(jié)果的生產(chǎn)仿真驗證

在對調(diào)度優(yōu)化理論和方法進行驗證時，為彌補傳統(tǒng)數(shù)學(xué)模型難以精確建立和實際生產(chǎn)驗證成本太高的缺陷，采用基于離散事件仿真方法對所提出的分布式車間建立生產(chǎn)仿真模型，并驗證群智能算法和機器學(xué)習(xí)算法求解實際分布式車間生產(chǎn)調(diào)度的有效性。

4 結(jié)論

傳統(tǒng)的算法對分布式生產(chǎn)調(diào)度的求解難度非常大，而且收斂速度慢、解質(zhì)量差。由此，本文提出群智能和機器學(xué)習(xí)聯(lián)合求解的算法，并在構(gòu)建分布式生產(chǎn)調(diào)度數(shù)學(xué)模型中引入動態(tài)訂單決策和歷史訂單分析學(xué)習(xí)等動態(tài)條件，進而使聯(lián)合算法的優(yōu)化解更貼近實際生產(chǎn)情況。最后利用Plant Simulation仿真軟件對聯(lián)合算法進行驗證。

參考文獻：

[1]李紅.分布式車間調(diào)度方法研究[D].沈陽：沈陽工業(yè)大學(xué)，2008.

[2]黃英杰.基于目標(biāo)級聯(lián)法和智能優(yōu)化算法的車間調(diào)度問題研究[D].廣州：華南理工大學(xué)，2012.

[3]金博，周景亮，阮玉鎮(zhèn).基于Plant Simulation的作業(yè)車間調(diào)度優(yōu)化研究[J].機電技術(shù)，2020（1）：20-23.