基于深度强化学习的工序交互式智能体Job shop调度方法

针对作业车间调度问题(Job shop scheduling problem, JSSP)因NP-难属性难以快速获得优质解,以及生产场景随机扰动所导致的频繁重调度等求解难题,基于深度强化学习提出一种新颖的交互式工序智能体(Interactive operation agent, IOA)调度模型框架。在分析工序间工艺路线和加工设备约束关系的基础上,将Job shop的加工工序构建为工序智能体,设计工序智能体间的交互机制,智能体依据彼此关系进行特征交互并更新自身的特征向量,并基于工序特征和最早加工时间设计拟合动作值函数的深度神经网络,调度模型根据系统状态和工序智能体特征即可生成调度策略。采用Double DQN算法训练IOA调度模型,引入经验回放机制消除序列训练样本间的相关性,训练好的模型可以快速生成高质量的调度方案,并在机器发生故障时能够有效执行重调度策略。试验结果表明所提出的IOA调度方法优于贪婪算法和启发式调度规则,且具有良好鲁棒性和泛化能力。     

考虑工序相关性的动态Job shop调度问题启发式算法

提出一类考虑工序相关性的、工件批量到达的动态Job shop 调度问题,在对工序相关性进行了定义和数学描述的基础上,进一步建立了动态Job shop 调度问题的优化模型。设计了一种组合式调度规则RAN(FCFS,ODD),并提出了基于规则的启发式算法以及该类动态Job shop 调度问题的算例生成方法。为验证算法和比较评估调度规则的性能,对算例采用文献提出的7种调度规则和RAN(FCFS,ODD)进行了仿真调度,对调度结果的分析表明了算法的有效性和RAN(FCFS,ODD)调度规则求解所提出的动态Job Shop 调度问题的优越性能。     

双资源约束下预防性维护与作业车间集成调度模型

在生产过程中需要对机器进行预防性维护和故障维修,但维修工人数量少、培养周期长、人力成本高,致使维护计划时必须考虑人力资源约束。针对该问题,建立了考虑维修工人资源和机器资源双约束的维护和生产活动集成调度模型;根据威布尔公式计算出最佳预维护周期,设定预维护时间窗口,在时间窗口内进行预维护,根据机器累计加工时长进行判断,脱离窗口可能需要的故障维修;最短生产周期为优化目标,采用改进遗传算法求解模型,采用三层编码方式,引入精英保留策略,通过算例仿真实验寻找作业车间维修工人最佳配比数量。与未考虑双资源约束的研究进行对比,验证模型与算法的可行性与有效性。     

考虑批量的多目标柔性作业车间鲁棒调度

针对多品种小批量的柔性作业车间调度问题,构建了多目标柔性作业车间鲁棒调度模型,在模型中考虑了工件分批加工、批量启动时间和机器故障等因素。基于以上因素的特点,设计了有效的染色体编码方法、染色体解码策略及机器故障仿真算法。基于非支配排序遗传算法(Non-dominated Ranked Genetic Algorithm,NRGA)的基本框架,设计了多目标优化算法,并采用有效的交叉和变异算子避免产生非法解。通过对算例的仿真实验,验证了构建的模型和设计的求解算法能够有效提高调度的鲁棒性,有效避免实际调度性能的恶化。     

带模糊排序的移动瓶颈法求解不确定调度问题

综合应用模糊排序法和移动瓶颈法（Shifting Bottleneck Procedures．SBP）来求解加工时间不确定的Job—shop调度问题。首先对移动瓶颈法作简要介绍,并给出将模糊数转换为确定数的相关方程式．然后通过一个实际的算例演示该算法的详细求解过程。结果表明,该算法可用来有效求解一类带模糊加工时间的Job—shop调度问题。     

解决JOB SHOP问题的粒子群优化算法

设计了2种解决Job shop问题的粒子群算法,即实数编码的粒子群调度算法和工序编码的粒子群调度算法。工序编码的粒子群调度算法更符合Job shop问题的特点,优化性能相对高。但粒子群调度算法容易陷入局部最优。为了提高优化性能,将粒子群算法和模拟退火算法结合,得到了粒子群-模拟退火混合调度算法。仿真结果表明了算法的有效性。     

求解随机Job Shop调度问题的混合分布估计算法

提出一种混合分布估计算法用于求解具有随机工时的Job shop调度问题。建立随机Job shop调度问题(Stochastic Job shop scheduling problem, SJSSP)数学模型并给出随机期望值模型的评价方法。为提高种群多样性,将(μ+λ)-进化策略(Evolutionary strategy, ES)的重组、变异过程引入分布估计算法(Estimation of distribution algorithm, EDA),构造一种混合分布估计算法,ES-EDA。根据所采用的基于工序的编码方式,对父代工序继承率的概念进行了定义,并为重组过程设计基于父代工序继承率的个体重组方法,该方法不仅能使子代有效继承父代的优良特征,同时可避免非法解的产生。在标准算例FT06、FT10、FT20的基础上构造加工时间随机的3组算例,并选择文献中的5种算法作为混合分布估计算法的对比算法,仿真试验结果表明混合分布估计算法在优化性能方面具有明显优势。     

带缓冲时间的不确定性作业车间鲁棒调度研究

对机器故障下的作业车间鲁棒调度问题进行了研究。根据威布尔概率分布函数和故障浴盆曲线将不确定的机器故障转化为定量化的故障区间,建立带缓冲时间的性能鲁棒调度优化模型。用遗传算法求解该模型过程中,确立带缓冲时间的鲁棒解码规则,且交叉片段在整个父代中搜索与片段对等的基因,有利于扩大交叉范围。最后的仿真实验表明,优化模型保证了调度的鲁棒性,提出的改进遗传算法对问题求解的有效性。     

基于动态机器故障率的并联加工系统资源多目标调度

针对并联加工系统,为处理生产过程中因机器故障导致的加工资源动态调度问题,考虑系统资源负荷和故障率存在的动态相互制约关系,依据子周期划分的不同策略,对调度后的加工总时间、预防维修时间和系统可靠度进行量化研究,构建多目标动态调度模型。采用基于Pareto熵的多目标粒子群算法对模型进行求解,通过改进个体最优解选择策略,提升最优解选取的多样性;通过差熵来估计种群所处进化状态,改进算法的搜索能力。以某企业的加工系统为实例,利用该模型进行加工资源调度方案设计,通过模糊决策得到的多目标权重,选取最优调度方案,并进行多个参数对比,验证在加工资源调度过程中,集成考虑动态机器故障率和基于机器最大役龄约束划分子周期的可行性,不仅可以完成订单准时交付,还可以使企业有更好的柔性去应对可能到来的紧急订单。     

工件到达时间未知的动态车间滚动重调度

研究工件动态到达且到达时间未知的车间重调度问题,目标是最小化所有工件的拖期和.动态事件频繁的调度环境,对调度算法的计算效率要求很高.在滚动时域分解方法框架下,提出关键工序集的概念,采用混合遗传算法确定关键工序集合及其对应的最优部分调度.在解码过程中,采用混合调度生成器将染色体中的基因转化为部分可行调度,对没有参与遗传进化的工序采用改进的修正交货期(Modified due date,MDD)规则确定其在机器上的加工顺序,以完全调度的目标值评价染色体的适应度.对大量算例的仿真表明基于关键工序集的重调度算法对动态事件的响应速度,大大优于基于完全工序集的重调度算法,并且具有良好的全局性能,兼顾了实际动态Job shop系统对调度性能和计算效率的要求.