生產(chǎn)調(diào)度問題的智能優(yōu)化方法研究及應用.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)，已成為目前計算機集成制造系統(tǒng)研究中的一個瓶頸問題。自五十年代以來，學術(shù)界已廣泛地研究了生產(chǎn)調(diào)度問題，取得了許多研究成果，但由于其本身的復雜性，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)實際相結(jié)合，提高對企業(yè)生產(chǎn)控制的精確性、及時性和有效性，是多年來研究人員和企業(yè)界關(guān)注的問題。由于多Agent系統(tǒng)是通過在一系列分散的自治智能體間進行協(xié)調(diào)和合作來解決問題的，具有自治、分布、動

2、態(tài)等一些自然特性，可以滿足復雜的、柔性的、魯棒的和動態(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)絡和基于免疫算法的幾種改進作業(yè)車間調(diào)度方法，以及基于多Agent的動態(tài)調(diào)度方法。具體研究內(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)度問題的描述和分類。在對國內(nèi)外大量文獻總結(jié)提煉的基礎上，總結(jié)

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

4、行車間計劃優(yōu)化模型的具體實現(xiàn)過程，仿真實驗表明了該模型的有效性。
　　 (3)為了克服基于Hopfield神經(jīng)網(wǎng)絡的作業(yè)車間調(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(DHNN)作業(yè)車間調(diào)度方法，給出了包括行約束、列約束、全局約束和目標約束的新能量函數(shù)，從而保證了神經(jīng)網(wǎng)絡能夠快速收斂到滿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)度問題的全局最優(yōu)解，在DHNN算法

5、中引入了模擬退火機制，提出了離散暫態(tài)混沌神經(jīng)網(wǎng)絡(TDNN)方法，標準實例的仿真結(jié)果表明TDNN方法具有優(yōu)越的優(yōu)化性能。最后用改進的Hopfield神經(jīng)網(wǎng)絡方法成功求解了一個來自某機械廠的Job-shop調(diào)度實例。
　　 (4)基于自適應疫苗提取與接種機制，提出了基于自適應免疫算法的作業(yè)車間調(diào)度方法，并對其優(yōu)化性能、疫苗提取和接種方式、編碼方式進行了仿真實驗分析。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。該方法通過智能體與其鄰居間的競爭操作以及自學習操作，并結(jié)合自適應疫苗接種、交叉、變異和模擬退火操作，來更新每個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。最后針對紙盆車間的實際生產(chǎn)特點，建立了批量可變的模糊柔性Job-shop調(diào)度問題模型，并對某紙盆車間的調(diào)度實例進行了求解，實驗結(jié)果驗證了算法的有效性。
　　 (5)針對生產(chǎn)環(huán)境經(jīng)常發(fā)生變化的作業(yè)車間調(diào)度，建立了一種將螞蟻智能與強化學習相結(jié)合的協(xié)商策略，

7、并通過Agent的智能決策來實現(xiàn)實時作業(yè)任務的分配，示例仿真驗證了該方法在訂單、機器等生產(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)過程的工藝特點和約束條件，建立了染色車間作業(yè)調(diào)度問題模型，提出了基于多Agent的染色車間動態(tài)調(diào)度方法，通過實例求解驗證了該方法對生產(chǎn)環(huán)境經(jīng)常發(fā)生變化的自適應能力。
　　 (6)在上述理論工作的基礎上，針對典型的按訂單生產(chǎn)、多品種小批量離散性制造企業(yè)對生產(chǎn)調(diào)度管理軟件的