论文部分内容阅读
柔性调度是实现智能制造的核心技术之一。在满足制造系统约束的条件下,柔性调度突破传统调度中资源唯一性的限制,通过分配不同的资源来完成已排序的生产操作,获得生产效率的最大化。然而,日益激烈的市场竞争及逐渐增加的客户需求导致柔性调度的规模随之增加,同时实际系统中存在不可避免的不确定性因素,如设备周期性老化等带来的具有先验知识的不确定性及加工资源突然故障等引发的突发不确定性,给柔性调度的求解带来了极大挑战。因此,如何在大规模及不确定环境下,高效灵活地分配资源以实现效率最大化,是影响柔性调度推广和应用的关键。协同演化算法通过构造多个种群,使多个种群相互合作来提高性能,多适用于复杂系统的大规模及动态演化环境。然而,柔性调度的操作排序和资源选择之间的相互依赖导致现有协同演化算法无法直接应用于复杂柔性调度。本文针对大规模柔性调度、具有先验知识的不确定柔性调度及突发不确定柔性调度,分别提出相应的协同演化算法,最优化所有操作的最大完成时间(Makespan)。主要研究内容及创新点如下:1.分布式协同演化算法。针对大规模柔性调度中问题规模增加导致关联操作放置同组概率降低及算法搜索性能下降的问题,提出一种分布式协同演化算法。该算法包括增加关联操作放置同组概率的多次随机重分组策略及改进的局域搜索策略。通过设计适用于柔性调度的编解码策略,过滤大量不可行解;提出通过移动关键操作以重构关键路径的局域搜索策略,增强局域搜索能力;改进可用于开源分布式计算框架下的协同演化机制,通过基于给定集合的分组策略,动态调整分组,增加关联操作放置同组概率,提高算法效率。在标准数据集及大规模数据集下,所提算法相较对比算法,Makespan的误差率得到有效降低。2.混合式协同演化算法。具有先验知识的不确定柔性调度中,操作的加工时间为通过三角模糊数建模的区间值。针对决策空间中探索(Exploration)与开发(Exploitation)不平衡及固定取值的参数有效性下降的问题,提出一种混合式协同演化算法。该算法包括平衡探索与开发时结合粒子群算法和遗传算法的编码转换机制及提高参数有效性的参数自适应策略。设计考虑多属性的三角模糊数排序机制,提高排序效率;提出实数编码与整数编码的转换机制,将粒子群算法与遗传算法有效结合,平衡决策空间中探索与开发;提出基于贡献度的参数自适应策略,提高参数有效性。在标准模糊数据集下,所提算法相较对比算法,模糊Makespan得到有效优化。3.基于学习的协同演化算法。突发不确定柔性调度中,操作的加工时间为通过概率分布建模的随机值。针对演化过程中操作间动态的关联关系及依赖关系影响调度优化的问题,提出两种基于学习的协同演化算法。基于马尔科夫随机场分组策略的协同演化算法,在预处理阶段,通过构建马尔科夫随机场探测操作间的关联关系;基于贝叶斯优化分组策略的协同演化算法,在演化过程中,通过构建贝叶斯网络挖掘操作间的依赖关系。通过探测和挖掘的关联关系及依赖关系,降低不确定性对柔性调度优化的影响。在均匀分布、高斯分布及指数分布下,所提算法相较对比算法,Makespan的期望值得到有效降低。