不确定环境下柔性作业车间多目标调度研究

Uncertain dynamic production environment requires self-adaptive ability of response rapidly for flexible job-shop. The most existing research mainly focuses on production indexes of scheduling optimization, while the environment pollution problem derived from production is ignored. Introducing carbon emission as ecological indicators, the organic integration of energy conservation and production scheduling is realized. Through the investigation and statistical analysis, we will extract the probability distribution of uncertain dynamic factors, and obtain the mathematical abstraction of dynamic events and uncertain attribute. To meet the demand of practical production, a flexible job-shop scheduling model is combined with dynamic and multi-objective features. Data envelopment analysis technique will be applied to the optimization for weight vectors of scheduling objectives. Combined with decision preference characteristics, the most effective weight vector is obtained. A new idea of multi-objective scheduling optimization for flexible job-shop is put forward. Consideration the conflict of production scheduling real-time demand and huge system state space, a double-layer Q - learning algorithm is presented. The proposed algorithm directs the adaptive choice of scheduling strategy in uncertain production environment, and overcomes the deficiency difficult to quick response in existing methods when dynamic events occur. Our research is significant for enriching the model and approach of self-adaptive scheduling, improving the scheduling performance, alleviating the contradiction between economic development and environmental pollution, and promoting interdisciplinary studies.

不确定的生产环境要求柔性作业车间具有快速响应的自适应能力，目前大多的柔性车间调度研究主要集中在生产指标的调度优化，忽略了生产衍生的环境污染问题。引入碳排放作为生态指标，实现节能减排与生产调度的有机融合；通过调研和统计分析，提取不确定动态因素的概率分布规律，实现动态事件和不确定属性的数学抽象；建立满足实际生产需求、具有动态多目标优化特征的柔性作业车间调度模型。将数据包络分析技术融入到多调度目标权重向量优化中，结合决策偏好特性寻求最优的权重向量，提出柔性作业车间多目标调度优化的新思路。考虑柔性作业车间调度实时性需求与庞大的系统状态空间的冲突，提出双层Q-学习算法指导不确定环境下调度策略自适应选择，克服现有方法面临动态事件难以快速响应的不足。本项目研究对于丰富柔性作业车间多目标调度模型及方法，提升生产调度性能，缓解经济发展与环境污染的矛盾，促进学科交叉具有重要意义。

我国的制造业的高速增长伴随着高能耗、高排放特征，必然导致温室效应和污染加剧。通过研究有效的调度方法，降低生产机器的空载率，可以有效地减少制生产制造过程中的碳排放和能源消耗，提高生产效率，降低生产成本。首先，建立满足实际生产需求，具有多目标优化特征的柔性作业车间调度模型。其次，提出了一种基于两阶段搜索的混合人工蜂群算法，采用多种规则结合的方法产生优质多样的初始解，第一阶段采用NSGAII算法进行搜索，利用非支配排序算法与拥挤度距离保留精英解；第二阶段采用人工蜂群算法进行搜索，利用侦查蜂更新机制避免陷入局部最优。再次，提出一种结合启发式方法与人工蜂群算法的高效混合算法，添加完全最小化和部分最小化初始化规则，以加快全局机器负载的收敛速度；雇佣蜂随机交换两个工件的所有位置和随机更换若干工件的选择机器；观察蜂使用IPOX和多点交叉方法；侦查蜂使用机器负载平衡启发式策略，保持各个机器的负载平衡来减少空闲时间并获取关键工序节点实现优化。最后，提出一种基于聚类-动态搜索的改进Q学习算法，以指导不确定生产环境下动态调度策略的自适应选择。为了减少聚类状态与系统状态之间的误差，定义状态差异度定量地度量状态间的距离，并作为权系数参与对聚类状态Q值的加权迭代中。为了提高搜索精度和速度，在Q值更新迭代中加入最大模糊收益加权均值，并采用动态贪婪策略搜索具有最大Q值的动作，用于指导设备Agent在动态环境下调度策略选择。针对Q学习存在的维度灾难问题，提出一种新型状态空间，降低问题求解维度，提升Q学习算法的求解速度。尝试采用改进Q学习算法求解动态调度问题，仿真结果表明算法对急件插入、机器故障等动态事件响应敏捷，具有优良的动态适应性。项目研究对降低生产制造产生的碳排放，促进节能减排具有重要意义。

内容获取失败，请点击重试