生產(chǎn)調(diào)度問(wèn)題的智能優(yōu)化方法研究及應(yīng)用.pdf

1、生產(chǎn)調(diào)度是目前生產(chǎn)管理中最為薄弱，也是最為困難的一環(huán)，已成為目前計(jì)算機(jī)集成制造系統(tǒng)研究中的一個(gè)瓶頸問(wèn)題。自五十年代以來(lái)，學(xué)術(shù)界已廣泛地研究了生產(chǎn)調(diào)度問(wèn)題，取得了許多研究成果，但由于其本身的復(fù)雜性，至今尚未形成系統(tǒng)的理論與方法。如何將經(jīng)典調(diào)度理論與生產(chǎn)實(shí)際相結(jié)合，提高對(duì)企業(yè)生產(chǎn)控制的精確性、及時(shí)性和有效性，是多年來(lái)研究人員和企業(yè)界關(guān)注的問(wèn)題。由于多Agent系統(tǒng)是通過(guò)在一系列分散的自治智能體間進(jìn)行協(xié)調(diào)和合作來(lái)解決問(wèn)題的，具有自治、分布、動(dòng)

2、態(tài)等一些自然特性，可以滿(mǎn)足復(fù)雜的、柔性的、魯棒的和動(dòng)態(tài)的制造系統(tǒng)生產(chǎn)調(diào)度的需要，因此引入多Agent技術(shù)是解決上述問(wèn)題的良好方案之一。本文主要研究了基于多Agent的生產(chǎn)調(diào)度系統(tǒng)模型，提出了基于Hopfield神經(jīng)網(wǎng)絡(luò)和基于免疫算法的幾種改進(jìn)作業(yè)車(chē)間調(diào)度方法，以及基于多Agent的動(dòng)態(tài)調(diào)度方法。具體研究?jī)?nèi)容如下：
　　 (1)首先闡述了課題的研究背景及意義，給出了生產(chǎn)調(diào)度問(wèn)題的描述和分類(lèi)。在對(duì)國(guó)內(nèi)外大量文獻(xiàn)總結(jié)提煉的基礎(chǔ)上，總結(jié)

3、了生產(chǎn)調(diào)度問(wèn)題的國(guó)內(nèi)外研究現(xiàn)狀，分析了生產(chǎn)調(diào)度研究中存在的問(wèn)題。
　　 (2)針對(duì)不確定的和不斷變化的制造系統(tǒng)環(huán)境下復(fù)雜的生產(chǎn)調(diào)度問(wèn)題，特別是那些短期的、敏捷性要求較高的動(dòng)態(tài)調(diào)度問(wèn)題，建立了基于多Agent的生產(chǎn)計(jì)劃與車(chē)間調(diào)度系統(tǒng)模型，給出了管理Agent、資源Agent、任務(wù)Agent和計(jì)算Agent的具體功能。對(duì)企業(yè)多個(gè)并行車(chē)間的生產(chǎn)計(jì)劃優(yōu)化分配問(wèn)題進(jìn)行研究，提出了多Agent之間的改進(jìn)合同網(wǎng)協(xié)商策略，并給出了多Agent并

4、行車(chē)間計(jì)劃優(yōu)化模型的具體實(shí)現(xiàn)過(guò)程，仿真實(shí)驗(yàn)表明了該模型的有效性。
　　 (3)為了克服基于Hopfield神經(jīng)網(wǎng)絡(luò)的作業(yè)車(chē)間調(diào)度方法易得到不可行解這一不足，提出了基于操作編碼的離散Hopfield神經(jīng)網(wǎng)絡(luò)(DHNN)作業(yè)車(chē)間調(diào)度方法，給出了包括行約束、列約束、全局約束和目標(biāo)約束的新能量函數(shù)，從而保證了神經(jīng)網(wǎng)絡(luò)能夠快速收斂到滿(mǎn)足資源約束和順序約束的可行優(yōu)化調(diào)度解。為了更好地搜索到Job-shop調(diào)度問(wèn)題的全局最優(yōu)解，在DHNN算法

5、中引入了模擬退火機(jī)制，提出了離散暫態(tài)混沌神經(jīng)網(wǎng)絡(luò)(TDNN)方法，標(biāo)準(zhǔn)實(shí)例的仿真結(jié)果表明TDNN方法具有優(yōu)越的優(yōu)化性能。最后用改進(jìn)的Hopfield神經(jīng)網(wǎng)絡(luò)方法成功求解了一個(gè)來(lái)自某機(jī)械廠(chǎng)的Job-shop調(diào)度實(shí)例。
　　 (4)基于自適應(yīng)疫苗提取與接種機(jī)制，提出了基于自適應(yīng)免疫算法的作業(yè)車(chē)間調(diào)度方法，并對(duì)其優(yōu)化性能、疫苗提取和接種方式、編碼方式進(jìn)行了仿真實(shí)驗(yàn)分析。其次為了更好地提高算法的整體性能，結(jié)合多智能體系統(tǒng)，構(gòu)造了一種多智

6、能體免疫算法。該方法通過(guò)智能體與其鄰居間的競(jìng)爭(zhēng)操作以及自學(xué)習(xí)操作，并結(jié)合自適應(yīng)疫苗接種、交叉、變異和模擬退火操作，來(lái)更新每個(gè)智能體在解空間的位置，使其能夠更精確地收斂到全局最優(yōu)解。最后針對(duì)紙盆車(chē)間的實(shí)際生產(chǎn)特點(diǎn)，建立了批量可變的模糊柔性Job-shop調(diào)度問(wèn)題模型，并對(duì)某紙盆車(chē)間的調(diào)度實(shí)例進(jìn)行了求解，實(shí)驗(yàn)結(jié)果驗(yàn)證了算法的有效性。
　　 (5)針對(duì)生產(chǎn)環(huán)境經(jīng)常發(fā)生變化的作業(yè)車(chē)間調(diào)度，建立了一種將螞蟻智能與強(qiáng)化學(xué)習(xí)相結(jié)合的協(xié)商策略，

7、并通過(guò)Agent的智能決策來(lái)實(shí)現(xiàn)實(shí)時(shí)作業(yè)任務(wù)的分配，示例仿真驗(yàn)證了該方法在訂單、機(jī)器等生產(chǎn)環(huán)境變化的情況下仍然能取得較好的效果，而且減少了通信量。最后根據(jù)印染生產(chǎn)過(guò)程的工藝特點(diǎn)和約束條件，建立了染色車(chē)間作業(yè)調(diào)度問(wèn)題模型，提出了基于多Agent的染色車(chē)間動(dòng)態(tài)調(diào)度方法，通過(guò)實(shí)例求解驗(yàn)證了該方法對(duì)生產(chǎn)環(huán)境經(jīng)常發(fā)生變化的自適應(yīng)能力。
　　 (6)在上述理論工作的基礎(chǔ)上，針對(duì)典型的按訂單生產(chǎn)、多品種小批量離散性制造企業(yè)對(duì)生產(chǎn)調(diào)度管理軟件的