工業(yè)互聯(lián)網(wǎng)智能調(diào)度建模與方法研究綜述

賴?yán)铈戮瑥?霖，任 磊，王 凌

(1.北京航空航天大學(xué) 自動化科學(xué)與電氣工程學(xué)院，北京 100191; 2.清華大學(xué) 自動化系，北京 100084)

0 引言

工業(yè)互聯(lián)網(wǎng)是未來20年支撐中國經(jīng)濟社會繁榮發(fā)展的“新基建”之一，更是實現(xiàn)智能制造的重要基礎(chǔ)[1-2]。習(xí)近平指出，工業(yè)互聯(lián)網(wǎng)將加速中國新型工業(yè)化進程，為疫情陰霾籠罩下的世界經(jīng)濟創(chuàng)造新的發(fā)展機遇?！吨泄仓醒腙P(guān)于制定國民經(jīng)濟和社會發(fā)展第十四個五年規(guī)劃和二〇三五年遠景目標(biāo)的建議》[3]提出要給予高端制造和智能制造大力關(guān)注，推動互聯(lián)網(wǎng)、大數(shù)據(jù)、人工智能等與各產(chǎn)業(yè)的深度融合。2020年政府工作報告指出，在“互聯(lián)網(wǎng)+工業(yè)”的基礎(chǔ)上充分理解工業(yè)客戶的應(yīng)用場景和需求痛點，已成為中國制造企業(yè)轉(zhuǎn)型升級的必然選擇。

工業(yè)互聯(lián)網(wǎng)的建設(shè)關(guān)鍵在于云端和邊緣端資源協(xié)同互補地對工業(yè)現(xiàn)場進行全面感知與連接[4-5]。與傳統(tǒng)網(wǎng)絡(luò)化制造系統(tǒng)不同，復(fù)雜產(chǎn)品制造過程依賴于云端—邊緣端—工業(yè)終端的多主體資源聯(lián)動控制。云端能夠提供普適的、隨需應(yīng)變的、集中的計算資源、存儲資源和網(wǎng)絡(luò)訪問通道，接收大量工業(yè)過程相關(guān)的復(fù)雜解算任務(wù)、工業(yè)智能算法所需的大規(guī)模訓(xùn)練任務(wù)、工業(yè)過程分析、工業(yè)大數(shù)據(jù)存儲與解析任務(wù)等[6-8]；邊緣端能夠在工業(yè)終端附近的網(wǎng)絡(luò)邊緣側(cè)提供分散的異構(gòu)計算資源，緩解因大規(guī)模工業(yè)終端接入云端帶來的高通信負載和計算負載，從而支撐近端數(shù)據(jù)采集、終端控制、過程監(jiān)測、數(shù)據(jù)預(yù)處理、分布式?jīng)Q策與實時仿真等快速任務(wù)需求[9-11]?？梢姡七厖f(xié)同計算旨在為復(fù)雜制造全流程提供具有自組織、快速響應(yīng)和自主決策能力的近遠端協(xié)同計算服務(wù)。

云端和邊緣端資源的引入使得工業(yè)互聯(lián)網(wǎng)的結(jié)構(gòu)更加復(fù)雜，也為工業(yè)互聯(lián)網(wǎng)中制造過程的任務(wù)調(diào)度帶來了更大的挑戰(zhàn)。傳統(tǒng)網(wǎng)絡(luò)化制造系統(tǒng)中，平臺將分別針對分布式工業(yè)現(xiàn)場及其網(wǎng)絡(luò)中的關(guān)聯(lián)服務(wù)進行制造任務(wù)調(diào)度和計算服務(wù)調(diào)度[12-13]。而在工業(yè)互聯(lián)網(wǎng)環(huán)境下，平臺需要依據(jù)涌現(xiàn)的制造任務(wù)及其關(guān)聯(lián)計算任務(wù)和海量數(shù)據(jù)通信的需求，一方面選擇合適的分布式制造資源實現(xiàn)多產(chǎn)品生產(chǎn)，另一方面選擇相關(guān)計算任務(wù)是否在云端或邊緣端執(zhí)行以及部署在哪一個計算資源運行，并配置相應(yīng)的網(wǎng)絡(luò)。這個過程中，制造任務(wù)之間存在著復(fù)雜的前驅(qū)后繼關(guān)系，計算任務(wù)之間存在著復(fù)雜通信關(guān)系，且制造任務(wù)與計算任務(wù)間又存在著復(fù)雜交互關(guān)系，如實時交互、循環(huán)交互、數(shù)據(jù)依賴、數(shù)據(jù)同步等。如何對計算—制造混合任務(wù)進行快速合理的調(diào)度，是決定工業(yè)互聯(lián)網(wǎng)能否高效運行的關(guān)鍵。

為此，本文針對Web of Science檢索的工業(yè)互聯(lián)網(wǎng)智能調(diào)度相關(guān)的近五年相關(guān)研究論文[14-120]，將云端、邊緣端和工業(yè)終端的任務(wù)分為4大類，并依據(jù)決策變量的不同和決策層級的不同探討了工業(yè)互聯(lián)網(wǎng)環(huán)境下的7大類基本調(diào)度問題及其組合問題，總結(jié)了主流的建模方法和調(diào)度算法，并探討了它們的應(yīng)用范圍。依據(jù)工業(yè)互聯(lián)網(wǎng)環(huán)境下智能調(diào)度所面臨的5大類挑戰(zhàn)，分析了挑戰(zhàn)背后的根源，并總結(jié)了應(yīng)對當(dāng)前挑戰(zhàn)可能的技術(shù)途徑，為未來工業(yè)互聯(lián)網(wǎng)智能調(diào)度研究提供技術(shù)參考。

1 工業(yè)互聯(lián)網(wǎng)環(huán)境下的任務(wù)與基本調(diào)度問題

工業(yè)互聯(lián)網(wǎng)主流架構(gòu)可簡化表示為圖1，主要由云端、邊緣端和分布于各地的工業(yè)終端組成。云端提供網(wǎng)絡(luò)存儲、海量計算資源池，實現(xiàn)平臺集中控制功能；邊緣端提供分布于各地基站或工業(yè)現(xiàn)場附近的分散異構(gòu)計算資源，緩解云端負載壓力，實現(xiàn)近端快速分散控制功能；工業(yè)終端接收工業(yè)互聯(lián)網(wǎng)平臺指派的用戶需求和任務(wù)，運行過程不斷向云端和邊緣端發(fā)送數(shù)據(jù)，與云端和邊緣端計算資源形成實時動態(tài)交互。這其中涉及計算任務(wù)、通信任務(wù)、制造任務(wù)和物流任務(wù)4大類型任務(wù)。

各任務(wù)在云—邊—工業(yè)終端三端的分布關(guān)系如圖2所示。計算任務(wù)主要由云端和邊緣端執(zhí)行，當(dāng)工業(yè)終端具有一定計算能力時，也能承載小規(guī)模計算任務(wù)；由于三端資源交互密切，因此通信任務(wù)廣泛存在于三端之間；而制造任務(wù)只能由工業(yè)終端設(shè)備執(zhí)行；物流任務(wù)主要由分布于各地的制造任務(wù)協(xié)作生產(chǎn)帶來，物流資源也可作為工業(yè)互聯(lián)網(wǎng)工業(yè)終端資源的一種，因此，物流任務(wù)也僅存在于工業(yè)終端。三端資源各司其職，圍繞4大類型任務(wù)形成松散靈活的協(xié)作模式。

針對這一場景，筆者團隊調(diào)研了近五年Web of Science檢索的圍繞工業(yè)互聯(lián)網(wǎng)各層次調(diào)度問題的100余篇研究論文，并依據(jù)論文分布對問題進行分解(如圖3)，圖3左側(cè)為云端、邊緣端和工業(yè)終端的7類基本調(diào)度問題：計算任務(wù)卸載、計算任務(wù)調(diào)度、計算資源配置、網(wǎng)絡(luò)資源配置、通信任務(wù)路由、制造任務(wù)調(diào)度、物流任務(wù)調(diào)度。

圖3中間部分列舉了各個問題的主要求解變量，若同時考慮多個變量因素，又會形成右側(cè)表現(xiàn)的3類主要的云邊協(xié)同混合任務(wù)調(diào)度問題：云邊協(xié)同計算任務(wù)調(diào)度、云邊協(xié)同網(wǎng)絡(luò)資源配置、云—邊—工業(yè)終端協(xié)同的計算—制造混合任務(wù)調(diào)度。

從問題分布層次來看，云端主要包含傳統(tǒng)計算任務(wù)調(diào)度和計算資源配置，因為當(dāng)前云架構(gòu)下計算資源池中異構(gòu)資源以較為統(tǒng)一的網(wǎng)絡(luò)連接模式管理，所以，云架構(gòu)下的網(wǎng)絡(luò)資源調(diào)度在近五年研究較少。邊緣端作為云端和工業(yè)終端聯(lián)接的中間層，既需要管理工業(yè)終端和邊緣端之間連接的有線網(wǎng)絡(luò)或無線傳感網(wǎng)絡(luò)，又需要與云端計算資源連接進行數(shù)據(jù)傳輸，涉及了大量的異構(gòu)網(wǎng)絡(luò)資源配置、大量云端知識數(shù)據(jù)傳輸路由和工業(yè)終端數(shù)據(jù)上載，因此全面覆蓋了計算任務(wù)卸載、計算任務(wù)調(diào)度、計算資源配置、網(wǎng)絡(luò)資源配置和通信任務(wù)路由5種調(diào)度問題。工業(yè)終端的調(diào)度問題主要是傳統(tǒng)制造任務(wù)和物流任務(wù)的調(diào)度，與傳統(tǒng)網(wǎng)絡(luò)化制造系統(tǒng)環(huán)境不同的是，制造任務(wù)和物流任務(wù)在執(zhí)行過程中，承載任務(wù)的工業(yè)終端資源可能與云端或邊緣端有數(shù)據(jù)通信，且存在工業(yè)現(xiàn)場監(jiān)控、數(shù)據(jù)同步、遠程知識提取或近端實時控制等關(guān)聯(lián)的計算任務(wù)同步執(zhí)行，因此制造任務(wù)的開始和結(jié)束時間約束、任務(wù)前驅(qū)后繼約束將更復(fù)雜，工業(yè)終端資源的能力和能耗方面的計算方式也隨之更復(fù)雜。

依據(jù)本文調(diào)研的100余篇論文分布情況，可發(fā)現(xiàn)7類基本問題在近五年工業(yè)互聯(lián)網(wǎng)調(diào)度問題研究中的比例(如圖4)。其中，計算任務(wù)卸載問題由邊緣計算技術(shù)引入，在工業(yè)互聯(lián)網(wǎng)環(huán)境下得到了廣泛的關(guān)注，約30%的研究均關(guān)注于各類計算任務(wù)向云端或邊緣端的卸載研究，包含配置任務(wù)卸載數(shù)量或任務(wù)卸載比例，決策任務(wù)是否卸載到云端或邊緣端、或在具備計算能力的工業(yè)終端執(zhí)行，選擇卸載任務(wù)時間等。其次，約20%的研究關(guān)注于計算任務(wù)調(diào)度的研究，計算任務(wù)的調(diào)度涉及邊緣端計算任務(wù)和云端計算任務(wù)，旨在選擇執(zhí)行計算任務(wù)的資源，是傳統(tǒng)計算任務(wù)調(diào)度問題的一個擴充。與計算任務(wù)調(diào)度不同，計算資源配置主要集中于資源能力、服務(wù)、容器等配置，在工業(yè)互聯(lián)網(wǎng)環(huán)境下，還擴展地包含配置執(zhí)行任務(wù)的資源緩存、功率以及對服務(wù)和容器的再調(diào)度等，在有些研究工作中也包含計算任務(wù)調(diào)度。該方面研究占工業(yè)互聯(lián)網(wǎng)智能調(diào)度研究的18%左右。由于邊緣計算可以和運營商部署的5G網(wǎng)絡(luò)以及軟件定義網(wǎng)絡(luò)(Software Defined Network, SDN)、網(wǎng)絡(luò)功能虛擬化(Network Function Virtualization, NFV)等軟件控制技術(shù)適配應(yīng)用，在工業(yè)互聯(lián)網(wǎng)環(huán)境下，為充分挖掘分布式計算的潛力，約18%的研究也聚焦于網(wǎng)絡(luò)資源配置方面，旨在配置傳輸任務(wù)的網(wǎng)絡(luò)切片，為任務(wù)配置虛擬化網(wǎng)絡(luò)功能等。依據(jù)邊緣端計算資源接收工業(yè)終端定時發(fā)送的現(xiàn)場數(shù)據(jù)，為加快傳輸效率，諸多研究也在網(wǎng)絡(luò)資源配置方面引入了配置傳輸任務(wù)的采樣頻率、配置傳輸任務(wù)并行穩(wěn)定傳輸?shù)臄?shù)據(jù)復(fù)制量、傳輸功率、傳輸時間戳和傳輸信道等。由于多層網(wǎng)絡(luò)結(jié)構(gòu)的形成，也有研究聚焦于通信任務(wù)的路由方面，但在工業(yè)互聯(lián)網(wǎng)環(huán)境下這類調(diào)度問題的研究僅占4%左右。在工業(yè)互聯(lián)網(wǎng)環(huán)境下智能調(diào)度的研究中，制造任務(wù)調(diào)度和物流任務(wù)調(diào)度的研究比例分別占7%和3%，主要在傳統(tǒng)網(wǎng)絡(luò)化制造環(huán)境中的制造過程調(diào)度和供應(yīng)鏈調(diào)度問題基礎(chǔ)上延伸，以選擇執(zhí)行任務(wù)的工業(yè)終端資源和選擇監(jiān)控與輔助當(dāng)前制造任務(wù)的云端或邊緣端計算資源為制造任務(wù)調(diào)度變量，以選擇執(zhí)行物流任務(wù)的車輛和路徑為物流任務(wù)調(diào)度變量。

2 工業(yè)互聯(lián)網(wǎng)基本調(diào)度問題建模

總結(jié)7類基本調(diào)度問題的目標(biāo)、約束以及云—邊—終端協(xié)同特性如表1所示，這些問題在傳統(tǒng)云計算、邊緣計算、以及網(wǎng)絡(luò)化制造場景均被廣泛研究過，但在工業(yè)互聯(lián)網(wǎng)環(huán)境中因云—邊—工業(yè)終端的協(xié)同特性，使得目標(biāo)約束的計算方法發(fā)生了變化。三端協(xié)同特性在不同問題中的主要體現(xiàn)如表1第4列所示，其對目標(biāo)和約束帶來的主要影響項在表中加粗顯示。

表1 工業(yè)互聯(lián)網(wǎng)各類調(diào)度問題的目標(biāo)、約束與特性

續(xù)表1

針對上述問題，工業(yè)互聯(lián)網(wǎng)環(huán)境下的調(diào)度問題主要通過6類建模方法進行分析：數(shù)學(xué)規(guī)劃模型(含整數(shù)規(guī)劃模型和線性規(guī)劃模型)[14-68,120]、非線性數(shù)學(xué)模型[69-83，111,115-119]、馬爾科夫過程模型[84-92]、狀態(tài)空間模型[93-102,112-114]、李雅普諾夫優(yōu)化模型[103-106]、博弈模型[107-110]。

各類基本調(diào)度問題的研究所采用的主流建模方法映射情況如表2所示，主流建模方法的研究分布如圖5所示。其中，計算任務(wù)卸載、計算任務(wù)調(diào)度與計算資源配置需求一般并行出現(xiàn)，也常常合并決策，已有較為成熟的數(shù)學(xué)規(guī)劃模型可統(tǒng)一表示計算任務(wù)卸載、計算任務(wù)調(diào)度、計算資源配置3個基本問題的決策變量、約束和目標(biāo)，因此在數(shù)學(xué)規(guī)劃模型基礎(chǔ)上進行分析的研究占比最多。針對這3個問題的基本建模方法較為常用的還有非線性數(shù)學(xué)模型，即使用連續(xù)或離散的變量表示決策變量，并采用非線性多峰目標(biāo)函數(shù)和約束不等式表示問題的方法。此外，馬爾科夫過程模型、狀態(tài)空間模型、李雅普諾夫優(yōu)化模型和博弈模型也紛紛被引入實現(xiàn)這3個問題不同角度的建模?，F(xiàn)有研究中，前5種建模方法均被用于網(wǎng)絡(luò)資源配置問題的分析，只有博弈模型還未發(fā)現(xiàn)被用于網(wǎng)絡(luò)資源配置中。這可能是由于網(wǎng)絡(luò)資源配置涉及網(wǎng)絡(luò)參數(shù)較多，如網(wǎng)絡(luò)切片、虛擬網(wǎng)絡(luò)功能、傳輸功率、信道、帶寬、時間戳等，各參數(shù)所屬層次不同，網(wǎng)絡(luò)不同層次參數(shù)間的耦合約束關(guān)系并非博弈決策關(guān)系。此外，通信任務(wù)路由在工業(yè)互聯(lián)網(wǎng)環(huán)境下研究較少，主要基于傳統(tǒng)通信路由模型擴展建模，因此，主流建模方法為數(shù)學(xué)規(guī)劃模型。制造任務(wù)調(diào)度問題和物流任務(wù)調(diào)度問題在工業(yè)互聯(lián)網(wǎng)環(huán)境下的建模也與傳統(tǒng)建模大同小異，集中體現(xiàn)為數(shù)學(xué)規(guī)劃模型、非線性數(shù)學(xué)模型。隨著強化學(xué)習(xí)方法在這類問題中的應(yīng)用，狀態(tài)空間模型也被應(yīng)用于這兩個問題的建模中，將資源或任務(wù)作為智能體構(gòu)建狀態(tài)空間和運動空間。

表2 工業(yè)互聯(lián)網(wǎng)環(huán)境下的基本調(diào)度問題采用的主流建模方法映射情況

3 工業(yè)互聯(lián)網(wǎng)智能調(diào)度算法

基于前述六類模型，工業(yè)互聯(lián)網(wǎng)智能調(diào)度方法可分為6類：數(shù)學(xué)規(guī)劃算法[14,16,22,25,30,33-34,43,49,55,68,78,84,95,104,107,120]、啟發(fā)式算法[19,21,23-24,27,35,37-38,40,65,98,103,115-119]、進化算法[17，31,36,46,53,59-60,62,66-67,69-71,75,80-81,96,111]、博弈算法[29，50,108-109]、強化學(xué)習(xí)算法[32，41,44-45,56-57,61,63,72,85-89,91-92,97,99-100,102,105,112-114]、機器學(xué)習(xí)算法[15,18,20,26]。

各類基本調(diào)度問題的研究所采用的主流建模方法映射情況如表3所示，主流建模方法的研究分布如圖6所示。其中以強化學(xué)習(xí)算法的應(yīng)用研究占比最多，占27%。該方面研究試圖聯(lián)合云端計算能力強、邊緣端實時處理速度快的特征，設(shè)計線下訓(xùn)練與線上決策結(jié)合的方式對工業(yè)互聯(lián)網(wǎng)環(huán)境下的計算任務(wù)、通信任務(wù)、制造任務(wù)和物流任務(wù)進行調(diào)度，并通過強化學(xué)習(xí)訓(xùn)練得到的智能體先驗知識，對高動態(tài)場景進行快速決策響應(yīng)。其次，進化算法(占比22%)、數(shù)學(xué)規(guī)劃算法(占比21%)和啟發(fā)式算法(占比21%)平分秋色，其中啟發(fā)式算法和進化算法廣泛應(yīng)用于除通信路由外的6類基本問題中，而數(shù)學(xué)規(guī)劃算法則大多應(yīng)用到計算任務(wù)卸載、計算任務(wù)調(diào)度、計算資源配置、網(wǎng)絡(luò)資源配置和通信任務(wù)路由中。在針對工業(yè)互聯(lián)網(wǎng)環(huán)境下的制造任務(wù)調(diào)度和物流任務(wù)調(diào)度的近五年研究中，使用數(shù)學(xué)規(guī)劃算法進行問題求解的較少。針對這類問題，現(xiàn)有研究常采用啟發(fā)式算法、進化算法或強化學(xué)習(xí)算法進行求解。

表3 工業(yè)互聯(lián)網(wǎng)環(huán)境下的基本調(diào)度問題采用的智能調(diào)度算法映射情況

相應(yīng)地，博弈算法和機器學(xué)習(xí)算法在6類基本調(diào)度問題的研究中使用較少，但求解問題的角度較為新穎。其中，博弈算法主要用于計算任務(wù)卸載、計算任務(wù)調(diào)度、計算資源配置和制造任務(wù)調(diào)度中；機器學(xué)習(xí)算法主要引入到計算任務(wù)調(diào)度、計算資源配置兩類問題。

4 工業(yè)互聯(lián)網(wǎng)智能調(diào)度面臨的挑戰(zhàn)與主要發(fā)展途徑

上述研究主要針對當(dāng)前工業(yè)互聯(lián)網(wǎng)環(huán)境下所面臨的新挑戰(zhàn)，對傳統(tǒng)場景下的模型進行修改，試圖更貼近于工業(yè)實際場景下任務(wù)和資源的運行模式，并運用和設(shè)計不同的智能調(diào)度算法提高決策質(zhì)量和決策速度。總結(jié)來說，當(dāng)前工業(yè)互聯(lián)網(wǎng)智能調(diào)度面臨以下5項挑戰(zhàn)

(1)大規(guī)模 在云端、邊緣端和工業(yè)終端的靈活協(xié)同模式下，工業(yè)互聯(lián)網(wǎng)環(huán)境下分布制造資源、邊緣端計算資源和云端計算資源數(shù)量急劇增大，計算任務(wù)、通信任務(wù)、制造任務(wù)和物流任務(wù)規(guī)模化涌現(xiàn)。任務(wù)規(guī)模可達數(shù)萬計，工業(yè)互聯(lián)網(wǎng)資源節(jié)點可達數(shù)千個，如何對萬級任務(wù)進行快速調(diào)度，實現(xiàn)任務(wù)毫秒級響應(yīng)，是工業(yè)互聯(lián)網(wǎng)環(huán)境面臨的首要挑戰(zhàn)。

(2)高動態(tài) 工業(yè)互聯(lián)網(wǎng)環(huán)境下的動態(tài)性主要體現(xiàn)在任務(wù)動態(tài)性，如計算任務(wù)動態(tài)涌現(xiàn)、通信任務(wù)延遲/丟包、制造/物流任務(wù)插入/變更/取消等；資源動態(tài)性，如云端和邊緣端資源的動態(tài)占用狀態(tài)、資源宕機、工業(yè)終端資源的臨時維修維護、通信通道的堵塞與中斷、物流通路的變更等；場景動態(tài)性，如工業(yè)生產(chǎn)線的重構(gòu)、物流資源的替換、訂單需求的變化等。這些動態(tài)特征大多通過區(qū)間數(shù)、模糊數(shù)或隨機分布的方式在調(diào)度問題中體現(xiàn)，但實際場景的動態(tài)變化大都不服從上述3類分布，如何響應(yīng)工業(yè)互聯(lián)網(wǎng)環(huán)境下的急速變化，實現(xiàn)任務(wù)精準(zhǔn)調(diào)度，是工業(yè)互聯(lián)網(wǎng)環(huán)境面臨的又一挑戰(zhàn)。

(3)不確定 這里的不確定性主要體現(xiàn)在工業(yè)現(xiàn)場任務(wù)方面。當(dāng)前面向工業(yè)互聯(lián)網(wǎng)環(huán)境的智能調(diào)度研究僅考慮了執(zhí)行時間固定的任務(wù)，并假設(shè)任務(wù)不能分割，任務(wù)前驅(qū)后繼關(guān)系不變，且任務(wù)之間不存在循環(huán)執(zhí)行或?qū)崟r數(shù)據(jù)傳輸?shù)年P(guān)系，但實際工業(yè)現(xiàn)場并非如此。首先，工業(yè)現(xiàn)場的制造任務(wù)和物流任務(wù)不僅包含固定時間的自動執(zhí)行任務(wù)，還包含大量人機協(xié)作任務(wù)，且人機協(xié)作任務(wù)通常伴隨著實時現(xiàn)場監(jiān)控數(shù)據(jù)的傳輸以及控制指令或操作步驟的調(diào)整。尤其是對定制化產(chǎn)品及其零部件來說，任務(wù)流程可變，人機協(xié)作性強，且具有諸多循環(huán)判定環(huán)境和實時數(shù)據(jù)傳輸環(huán)節(jié)，過程具有較強的不確定性，如何針對這些任務(wù)及其不確定性進行建模、分析、預(yù)測和調(diào)度，是實現(xiàn)精準(zhǔn)調(diào)度亟待解決的一個問題。

(4)強耦合 強耦合指的是變量之間的耦合關(guān)系較強，主要體現(xiàn)在工業(yè)計算任務(wù)和工業(yè)制造任務(wù)之間的聯(lián)系上。工業(yè)計算任務(wù)和工業(yè)制造任務(wù)之間主要存在緊密的數(shù)據(jù)傳輸，既包含從工業(yè)終端的定時數(shù)據(jù)采集，支撐現(xiàn)場監(jiān)控、數(shù)字孿生模型同步構(gòu)建與更新、云端知識學(xué)習(xí)、人工智能黑箱數(shù)據(jù)模型訓(xùn)練等；又包含從云端和邊緣端的先驗信息獲取，如云端人工智能模型的部署和調(diào)用，云端知識的提取和應(yīng)用，云端存儲數(shù)據(jù)的獲取與可視化分析，邊緣端服務(wù)應(yīng)用同步部署，邊緣端實時控制指令發(fā)送等。這些任務(wù)聯(lián)系，不僅增加了更復(fù)雜的任務(wù)開始時間、結(jié)束時間、等待時間的約束關(guān)系，帶來了更多數(shù)據(jù)上行和下行傳輸負載，還大大增加了各個層次基本調(diào)度問題之間的耦合性，使得不同問題變量之間產(chǎn)生更強的隱性約束。在這種情況下，針對基本問題的單獨決策就很容易失效，如何聯(lián)合多個問題進行云—邊—工業(yè)終端協(xié)同任務(wù)調(diào)度，又成為一個新的挑戰(zhàn)。

(5)多目標(biāo) 從表1可發(fā)現(xiàn)，工業(yè)互聯(lián)網(wǎng)環(huán)境下7類基本調(diào)度問題均呈現(xiàn)多目標(biāo)決策需求，當(dāng)多個基本問題聯(lián)合決策時，從任務(wù)運行效率、響應(yīng)延時、能耗、成本、服務(wù)質(zhì)量等方面的決策目標(biāo)和評價指標(biāo)必然會發(fā)生倍增，如何實現(xiàn)多個目標(biāo)之間的平衡，也是當(dāng)前研究討論的熱點之一。

表4總結(jié)了工業(yè)互聯(lián)網(wǎng)各類調(diào)度問題主要應(yīng)對的挑戰(zhàn)。計算任務(wù)卸載、計算任務(wù)調(diào)度、網(wǎng)絡(luò)資源配置和制造任務(wù)調(diào)度問題不可避免地面臨著上述5項挑戰(zhàn)。計算資源配置問題針對計算任務(wù)配置資源或服務(wù)，不確定性較??；通信任務(wù)路由問題聚焦固定網(wǎng)絡(luò)結(jié)構(gòu)下的傳輸通道和傳輸流程選擇，還未充分涉及大規(guī)模、高動態(tài)、不確定和強耦合等挑戰(zhàn)；而物流任務(wù)調(diào)度問題主要面臨規(guī)模增大、動態(tài)場景需求以及決策目標(biāo)增多的挑戰(zhàn)，較少涉及不確定性和與其他層次決策變量的強耦合性。

表4 工業(yè)互聯(lián)網(wǎng)各類調(diào)度研究應(yīng)對挑戰(zhàn)的情況

總地來說，未來工業(yè)互聯(lián)網(wǎng)將面臨數(shù)十萬計超大規(guī)模任務(wù)和資源的調(diào)度與管理。由于云端、邊緣端和工業(yè)終端的緊密連接，計算任務(wù)和制造任務(wù)的緊密耦合，單獨對7大基本問題進行逐一決策顯然不符合實際，這需要忽略任務(wù)之間的耦合關(guān)系，并加入諸多不符合現(xiàn)實的強假設(shè)約束來將各部分變量劃分開，就容易得到不符合實際要求的決策方案。因此，未來工業(yè)互聯(lián)網(wǎng)智能調(diào)度方面的研究必然是面向云—邊—工業(yè)終端協(xié)同的計算—通信—制造任務(wù)的多目標(biāo)動態(tài)調(diào)度問題，且問題中包含各自不確定性因素和變量強耦合關(guān)系。

針對變量大規(guī)模、場景高動態(tài)、任務(wù)不確定、變量強耦合的多目標(biāo)優(yōu)化調(diào)度問題，可以引入一些先進方法提升決策過程的速度和決策解的質(zhì)量。

(1)應(yīng)對大規(guī)模挑戰(zhàn)的技術(shù)途徑 首先，可引入并行化技術(shù)，將問題變量進行分解形成子問題，利用啟發(fā)式調(diào)度算法、數(shù)學(xué)規(guī)劃算法或進化算法進行子問題并行快速求解，再合并問題進行精優(yōu)和微調(diào)[121]；其次，可以運用代理模型，將大規(guī)模調(diào)度問題中耗時較長的目標(biāo)函數(shù)計算和梯度計算利用代理模型替代，實現(xiàn)優(yōu)化解的快速搜索[122-124]；再者，可以使用自編碼器等技術(shù)對耦合變量進行壓縮求解，再展開回原問題進行精優(yōu)調(diào)校[125]；此外，還可以引入多任務(wù)學(xué)習(xí)思路[126-127]，混合使用原目標(biāo)函數(shù)和代理模型進行同步并行決策，一方面提高求解效率，另一方面能夠補償代理模型帶來的精度誤差。

(2)應(yīng)對高動態(tài)挑戰(zhàn)的技術(shù)途徑 首先，可引入當(dāng)前先進的基于進化迭代的動態(tài)優(yōu)化算法[128-130]，通過環(huán)境變化動態(tài)檢測算法與解集快速變更方法結(jié)合，在環(huán)境發(fā)生動態(tài)變化時快速生成新的解集；其次，可以采用環(huán)境變化動態(tài)檢測算法與深度強化學(xué)習(xí)結(jié)合的方式[131]，在線下先對可能的動態(tài)場景生成大量解集并評估，實現(xiàn)深度強化學(xué)習(xí)模型的訓(xùn)練，再運用訓(xùn)練好的深度強化學(xué)習(xí)模型實現(xiàn)線上決策。在此基礎(chǔ)上，還可引入基于增量式策略的強化學(xué)習(xí)算法[132]，進一步響應(yīng)未知動態(tài)環(huán)境，并實時對深度強化學(xué)習(xí)模型進行調(diào)校，進而快速給出動態(tài)環(huán)境下的決策方案。

(3)應(yīng)對不確定性挑戰(zhàn)的技術(shù)途徑 針對決策過程不確定性因素的主流方法包含基于仿真的推演方法[133-135]、貝葉斯推理方法[136-137]、基于機器學(xué)習(xí)的預(yù)測方法和預(yù)優(yōu)化方法[138-139]。具體地說，可根據(jù)任務(wù)流程的變化特性進行不確定性因素的概率建模，采用貝葉斯推理方法對不同情況發(fā)生的條件概率進行估計，再結(jié)合機器學(xué)習(xí)的預(yù)測方法對可變流程的發(fā)生時間和參數(shù)進行定位，最終選取合適的調(diào)度算法對當(dāng)前預(yù)測的場景進行決策形成預(yù)優(yōu)化方案。在方案執(zhí)行過程中，再引入在線再調(diào)度方法修改方案適應(yīng)場景的變化。

(4)應(yīng)對強耦合挑戰(zhàn)的技術(shù)途徑 強耦合主要體現(xiàn)在不同類型問題直接的緊密耦合，因此，針對耦合性較強的問題最直觀的方法是將多個問題合并建模，進行多層次一體化調(diào)度決策。一體化決策帶來的問題又回歸到大規(guī)模問題的求解，因此，既可沿用分解子問題并行尋優(yōu)和歸并精優(yōu)的思想實現(xiàn)一體化快速決策，又可引入代理模型對一體化調(diào)度的目標(biāo)函數(shù)進行簡化，加速決策過程。此外，在建模方面，還可以充分運用李雅普諾夫優(yōu)化模型與馬爾科夫狀態(tài)模型對變量進行解耦，再通過約束轉(zhuǎn)化和約束消解方法對問題進行簡化；在一體化決策過程方面，還可引入多智能體強化學(xué)習(xí)算法，設(shè)計多個耦合問題的智能體決策策略，在動態(tài)場景下進行多智能體強化學(xué)習(xí)模型的線下組合訓(xùn)練后投入線上實現(xiàn)快速決策。

(5)應(yīng)對多目標(biāo)的技術(shù)途徑 針對目標(biāo)函數(shù)大于3個的多目標(biāo)優(yōu)化問題，大多采用進化迭代流程延續(xù)優(yōu)化指標(biāo)(indicator)、分解的權(quán)重向量(decomposition-based weight)和帕累托(Pareto)前沿解集選擇策略的設(shè)計[140-143]，為選擇多目標(biāo)平衡的優(yōu)秀前沿解集，可引入聚類方法選取較少的權(quán)重向量[144-146]，依據(jù)權(quán)重向量選擇前沿解集，由此簡化迭代流程；也可結(jié)合簡化的超體積(hypervolume)或IGD(inverted generational distance)等指標(biāo)[147-151]結(jié)合多智能體強化學(xué)習(xí)方法[131]對解集進行快速排序。隨著一體化調(diào)度決策目標(biāo)函數(shù)數(shù)量的增大，也可采用基于機器學(xué)習(xí)或深度學(xué)習(xí)的方法[150,152]依據(jù)場景動態(tài)特性選取關(guān)鍵目標(biāo)函數(shù)，對關(guān)鍵目標(biāo)函數(shù)進行并行迭代優(yōu)化，從而降低決策時間。

除了上述技術(shù)途徑以外，還有許多聚焦設(shè)計人工智能算法與進化算法結(jié)合的方法，試圖挖掘工業(yè)互聯(lián)網(wǎng)智能多層次調(diào)度問題變量、約束和目標(biāo)的精確簡化表達，并實現(xiàn)調(diào)度解的快速尋優(yōu)，在此不再贅述。

5 結(jié)束語

工業(yè)互聯(lián)網(wǎng)智能調(diào)度問題涉及云端、邊緣端和工業(yè)終端的計算任務(wù)、通信任務(wù)、制造任務(wù)和物流任務(wù)的多層次調(diào)度，是決定工業(yè)互聯(lián)網(wǎng)平臺運行效率的核心，具有大規(guī)模、高動態(tài)、不確定、強耦合、多目標(biāo)的特點。本文調(diào)研了Web of Science相關(guān)的100余篇研究論文，總結(jié)了圍繞工業(yè)互聯(lián)網(wǎng)平臺運行的7大類基本問題以及所涉及的云邊協(xié)同特性，討論了針對這些問題的6類主流建模方法和6類典型決策算法，以及這些方法的研究分布情況，并探討了各類方法的主要應(yīng)用范圍，最終針對工業(yè)互聯(lián)網(wǎng)環(huán)境下智能調(diào)度所面臨的的5大挑戰(zhàn)及其原因進行分析，給出了應(yīng)對不同挑戰(zhàn)的技術(shù)途徑，為未來工業(yè)互聯(lián)網(wǎng)智能調(diào)度問題的研究提供參考和新的思路。