当前位置：文档库 › 柔性作业车间智能调度-共享工业云

柔性作业车间智能调度-共享工业云

初论智能制造技术

2018年7月9日宁夏银川

北京机械工业自动化研究所总工程师国家智能制造标准化专家咨询组专家中国机器人产业联盟专家委员会委员工业互联网产业联盟产业发展组副主席

谢兵兵

01 前言

智能科学与技术 03 智能制造技术

CONTENTS

04 智能制造技术举例 05

小结

01 前言

智能制造概念

01 前言

智能制造是一个大概念，是新一代信息技术与先进制造技术的深度融合，贯穿于产品设计、制造、服务等全生命周期的各个环节及相应系统的优化集成，旨在不断提升企业的产品质量、效益、服务水平，减少资源消耗，推动制造业创新、绿色、协调、开放、共享发展。

——中国工程院周济院长《新一代智能制造》

智能制造是基于新一代信息通信技术与先进制造技术深度融合，贯穿于设计、生产、管理、服务等制造活动的各个环节，具有自感知、自学习、自决策、自执行、自适应等功能的新型生产方式。

——《智能制造发展规划（2016-2020年）》

全球新一轮科技革命和产业变革加紧孕育兴起，与我国制造业转型升级形成历史性交汇。智能制造在全球范围内快速发展，已成为制造业重要发展趋势，对产业发展和分工格局带来深刻影响，推动形成新的生产方式、产业形态、

商业模式。 —— 《智能制造发展规划（2016-2020年）》

转型升级

科技革命

产业变革

历史性交汇

01 前言

智能制造大背景

01 前言智能制造驱动力

牵引力：需求

推动力：技术智能制造

支撑力：环境

初级阶段

中级阶段

高级阶段

?数字化网络化制造

?系统集成

?信息

?网络化、集成化

?监控层、车间层、工厂

层

?等等

?数字化制造

?单元应用

?数据

?自动化、数字化

?设备层、监控层、车间层

?等等?新一代智能制造

?自我优化

?知识

?知识化、智能化

?车间层、工厂层、产业链层

?等等

由于采用了人工智能技术，高级阶段的智能制造系统（智能机器），是真正的智能系统，与初级、中级阶段的系统相比，它最显著的特征是：

越用越聪明越来越能干越用越好用

02 智能科学与技术

什么是智能

逻辑/数理智能

视觉/空间智能

身体/运动智能

音乐/节奏智能

人际交往智能

自我内省智能

自然观察智能

人的“多元智能”（multiple intelligence ）

言语/语言智能

信息处理知识生成策略创建

信息获取策略执行

信息传递策略传递

环境/约束

可用的信息

智能行为

信息

知识

感知

通信

计算

控制

通信

智能信息

信息

智能策略

②

④

⑤③

②

智能闭环

智能要素：智能感知、智能决策（认知、决策、学习）、智能控制（社会协作）。

智能科学研究智能的基本理论和实现技术，是由脑科学、认知科学、人工智能等学科构成的交叉学科。——中科院史忠植

从分子水平、细胞水平、行为水平研究人脑智能机理，建立脑模型，脑科学

揭示人脑的本质。

认知科学

研究人类感知、学习、记忆、思维、意识等人脑心智活动过程。

研究用人工的方法和技术，模仿、延伸和扩展人的智能，实现机器智人工智能

能。

02 智能科学与技术

人工智能（AI ）主要内容

认知与推理

2 机器人学

5 自然语言理解 3 计算机视觉 1 机器学习

6 博弈与伦理

4 从“深”到“暗”。视觉是人脑最主要的信息来源。模

式识别、图像处理等。

走向内心世界。各种物理和社会常识。

沟通的认知基础。语音识别、

合成，对话等。

构建大任务平台。机械、控

制、设计、运动规划、任务规划等。

获取、共享人类的价值观。多代理人agents 的交互、

对抗与合作、机器人与社会融合等。

学习的终极极限与“停机问题”。各种统计的建模、分析工具和计算方法。

02 智能科学与技术人工智能的“几起几落”

1956-1974 1974-1980 1980-1987 2012-现在起落起落分治时期起

逻辑表达启发式搜索

专家系统

神经网络

视觉、语言、认知、

学习、机器人

深度学习

博弈游戏数理逻辑：表达与推理概率统计：建模、学习、计算

1990-2000

AI数理基础切换：

类比中国历史：

周朝体制秦

春秋五霸战国七雄

走向统一

2017

02 智能科学与技术人工智能技术

人工智能技术(AI技术)是人类在利用和改造机器的过程中所掌握的物质方法、手段和知识等各种活动方式的总和。

计算机视觉、自然语言处理、知识表示与处理、机器学习等。知识驱传统意义上的AI技术

动。

具有数据量大、超复杂性、要求实时性、人类智能暂时无法处理的智机器智能技术

能信息处理技术等。大数据驱动，机器智能。

清华大学人工智能研究院院长张钹院士，最近发表演讲《走向真正的人工智能》，呼吁社会去除浮躁、静下心来，多研究开发传统意义上的AI技术，为未来AI造福人类夯实基础！

02 智能科学与技术机器学习与深度学习

人工智能

机器学习

深度学习

深度学习人工智能

机器学习 < < 深度学习与传统方法的区别

深度学习

样本数据

机器学习特征

人工设计特征

分类模型

端对端学习

分类器学习

深度学习则通过机器学习自身来产生特征，即“特征学习”或“表示学习” 传统机器学习描述样本的特征通常由专家来设计，这称为“特征工程”

机器学习算法，输入的是数据和想要的结果，输出的为算法模型，即把数据转换成结果的算法模型。通过机器学习，

计算机能够自己生成模型，进而提供相应的判断，达到某种人工智能的结果的实现。深度学习属于机器学习的一个子集，思想和理论上并没有超越上世纪80年代中后期神经网络的范畴，但是海量数据的出现和计算能力的提升，使得原来复杂度很高的算法得以落地使用，在几个“点”的应用上取得了巨大的成功，一时成为AI 领域的“大明星”！

03 智能制造技术

03 智能制造技术制造技术

制造过程一般可以分离散型、流程型和批量型，与之对应，制造业可以分为离散制造业、流程工业和批量型制造业。典型的离散制造业有汽车、电子、航空、机械工业等等。就离散制造而言，其制造工艺流程及其所包含的主要环节为：

生产

设计

服务

加工

装配

检测

物流

监控

加工技术

装配技术

检测技术

物流技术

监控技术

设计技术

服务技术

据此，可以把离散制造所涵盖的主要制造技术归纳为下列8项技术：

系统

系统技术

03 智能制造技术

自动化数字化制造技术

加工技术装配技术检测技术物流技术

监控技术设计技术服务技术自动化加工技术自动化装配技术自动化检测技术自动化物流技术

自动化监控技术自动化设计技术自动化服务技术数字化加工技术数字化装配技术数字化检测技术数字化物流技术

数字化监控技术数字化设计技术数字化服务技术自动化技术

制造技术

数字化技术自动化制造技术

数字化制造技术

= + =

03 智能制造技术

智能制造技术

加工技术装配技术

检测技术物流技术监控技术设计技术服务技术智能加工技术智能装配技术

智能检测技术智能物流技术智能监控技术智能设计技术

智能服务技术制造技术

人工智能技术

智能制造技术

(完整版)智能算法在柔性车间调度中的应用

智能算法在柔性作业车间调度中的应用摘要：为提高企业生产效率，合理的流水车间生产调度显得尤为重要。本文介绍了三种智能算法（蚁群算法、遗传算法、改进粒子群算法）在车间生产调度中的应用，主要介绍了算法的基本思想、模型结构、算法实现以及运用前景。对智能算法在生产调度中的应用做出总结。关键字：智能算法；蚁群算法；遗传算法；改进粒子群算法；生产调度 0.前言柔性作业车间调度问题(Flexible job-shop sche- duling problem, FJSP)是传统作业车间调度问题的扩展，是实际生产中迫切需要解决的一类问题。在传统的作业车间调度问题中，工件的每道工序只能在一台确定的机床上加工。而在柔性作业车间调度问题中，每道工序可以在多台机床上加工，并且在不同的机床上加工所需时间不同。柔性作业车间调度问题减少了机器约束，扩大了可行解的搜索范围，增加了问题的难度。作业车间的主要特点是：n个工件需要在m台机器上进行加工，每个工件都有其独特的加工步骤，但无明显的顺序约束，并且加工时间是已知的，调度的目标是在不允许两个工件同时在同一台机器上加工的前提下，如何安排工件在每台机器上的加工顺序使这些工件能够尽快加工完毕[1]。 1.蚁群算法在作业车间的应用[2] 以3个工件2台机器的问题作为例子，如图1。图1 三个工件两台机器的JSP问题为确定先对哪个工件进行加工，需要设置一个初始节点O0，所有的蚂蚁最初都放置在O0。图1中除与O0相连的有向弧表示同一个工件的加工顺序，工件必须按照该顺序进行加工。其它则为无向弧。每个弧与表示节点间信息素的量和启发式距离的一对值{αij, d ij}有关。d ij 通常为对节点 j 的第 i 步操作的加工时间，τij使用蚁周方式进行更新：其中，ρ是个系数，1?ρ表示在时间t和t+1之间信息素的蒸发，Q为常数，Tk为完成所有加工步骤后最短的总加工时间。初始时刻τij(0)= c（c为常数）。这个规则包含了两个方面：(1)图1中所有边缘上的信息素都要蒸发；(2)完成所有的加工后要将该解的效果加到各边缘上。蒸发可以防止搜索局限在局部最小的邻域中，另一方面又能根据已有解的效果好坏来更新信息素，进行增强学习。另一个关键的问题就是如何保证蚂蚁按照工件的工艺路线产生一组可行解。这里用到3个集合：对每个蚂蚁 k，首先要有集合G k，表示没有访问过的节点集合；S k 表示根据技术路线下一步允许访问的节点集合；还需要一个禁忌表，存放已经访问过的节点。在我们的例子中， G k ={1，2 ，3，4，5 ，6}，S k ={1，2 ，3}。转移概率是通过下式计算的： T ij 为工件i在机器j上的加工时间。每选择一个节点，该节点就被追加到禁忌表中并从G k和 S k中删除；如果被选的节点不是工件的最后一步，那该工件中紧邻的下一个节点会被加到Sk中。该过程一直重复到G k = φ。最后禁忌表中得到的节点的排列顺序就是蚂蚁 k 找到的解。参数α和β决定了算法的收敛速度并对解的性能好坏有重要影响，同时蒸发常数也需要进行适当的调整以使搜索能在好的搜索空间中进行，并防止陷入局部最优的邻域中。

柔性工作车间调度问题的多目标优化方法研究

第15卷第8期计算机集成制造系统 Vol.15No.82009年8月 Computer Integrated Manufacturing Systems Aug.2009 文章编号:1006-5911(2009)08-1592-07 收稿日期:2008207208;修订日期:2008209201。Received 08J uly 2008;accepted 01Sep.2008. 基金项目:国家863/CIMS 主题资助项目(2007AA04Z190,2008AA042301);国家自然科学基金资助项目(50835008,50875237)。Found ation i 2 tems :Project supported by t he National High 2Tech.R &D Program for CIMS ,China (No.2007AA04Z190,2008AA042301),and t he National Natural Science Foundation ,China (No.50835008,50875237). 作者简介:魏　巍(1982-),男,辽宁沈阳人,浙江大学CAD &CG 国家重点实验室博士研究生,主要从事产品配置优化、产品信息建模、多目标优化和先进制造技术等研究。E 2mail :boyweiwei @https://www.wendangku.net/doc/759778481.html, ;+通信作者E 2mail :fyxtv @https://www.wendangku.net/doc/759778481.html, 。柔性工作车间调度问题的多目标优化方法研究魏　巍1,谭建荣1,冯毅雄+1,张　蕊2 (1.浙江大学流体传动及控制国家重点实验室,浙江　杭州　310027; 2.华晨金杯汽车有限公司,辽宁　沈阳　110044) 摘　要:针对各工件目标不同的多目标柔性作业车间调度问题,构建了以加工成本、加工质量及制造工期为目标函数的柔性作业车间调度多目标优化数学模型。针对传统的加权系数遗传算法不能很好地解决柔性作业车间调度多目标优化问题,提出采用改进的强度Pareto 进化算法,对柔性作业车间调度问题进行多目标优化,从而得出柔性车间调度问题的Pareto 综合最优解。最后,结合项目实施,以某大型空分装备企业的车间调度为例,证明了文中提出的方法能很好地解决柔性工作车间调度的多目标优化问题。关键词:柔性车间调度;多目标优化;遗传算法;强度Pareto 进化算法中图分类号:TP278 文献标识码:A Multi 2objective optimization method research on flexible job shop scheduling problem W EI Wei 1 ,TA N J ian 2rong 1 ,F EN G Yi 2x iong +1 ,Z HA N G Rui 2 (1.State K ey Laboratory of Fluid Power T ransmission &C ontrol ,Zhejiang University ,Hangzhou 310027,China ; 2.Shenyang Brilliance J INB EI Automotive Corporation Limited.,Shenyang 110044,China ) Abstract :To solve the multi 2objective optimization problem in flexible job shop scheduling ,the multi 2objective sched 2uling optimization model ,namely the cost 、quality and term ,was constructed.While the traditional genetic algo 2rithm which combined random weigh could not solve the multi 2objective scheduling optimization problem commend 2ably.An improved strength Pareto evolutionary algorithm was employed to optimize the multi 2objective optimization model parallelly.As a result ,the optimal schema of flexible job shop scheduling was presented in the form of Pareto optimal sets.At last ,an instance related with the project in the air separation equip industry was given to prove that the proposed method could solve multi 2objective optimization problem in flexible job shop scheduling effectively.K ey w ords :flexible job shop scheduling ;multi 2objective optimization ;genetic algorithm ;SPEA2 0　引言柔性作业车间调度问题(Flexible Job Shop Scheduling Problem ,FJ SP )是指带有机器可选柔性的车间调度问题。相对经典作业车间调度问题,FJ SP 突破了资源唯一性限制,每个工序可由多个不同的机器完成,更加符合实际的生产环境。因此,研究FJ SP 具有重要的理论价值和应用意义。在处理FJ SP 问题上,文献[1]提出分布法,其基本思想是将机器分配问题和调度问题分开考虑,以降低FJ SP 问题的复杂性。文献[2]～文献[4]分别采用贪婪法、模拟退火算法和禁忌搜索法对FJ SP 问题进行优化求解。文献[5]在遗传算法框架的基础上,通过加权系数法将多目标问题转化为单目标

流水车间调度问题的研究-周杭超

流水车间调度问题的研究机械工程学院 2111302120 周杭超如今，为了满足客户多样化与个性化的需求，多品种、小批量生产己经为一种重要的生产方式。与过去大批量、单一的生产方式相比，多品种、小批量生产可以快速响应市场，满足不同客户的不同需求，因此，受到越来越多的企业管理者的重视。特别是以流水线生产为主要作业方式的企业，企业管理者致力于研究如何使得生产均衡化，以实现生产批次的最小化，这样可以在不同批次生产不同品种的产品。在这种环境下，对于不同批次的产品生产进行合理调度排序就显得十分重要。在传统的生产方式中，企业生产者总是力求通过增加批量来减小设备的转换次数，因此在生产不同种类的产品时，以产品的顺序逐次生产或用多条生产线同时生产。这样，必然会一次大批量生产同一产品，很容易造成库存的积压。在实际生产中如果需要生产A, B, C, D 四种产品各100件，各种产品的节拍都是1分钟，如果按照传统的做法，先生产出100件A产品，其次是B，然后是C，最后生产产品D。在这种情况下，这四种产品的总循环时间是400分钟。然而，假设客户要求的循环时间为200分钟(四种产品的需求量为50件)，那么在200分钟的时间内就只能生产出产品A和产品B，因而不能满足客户需求，同时还会过量生产产品A和B，造成库存积压的浪费。这种生产就是非均衡的，如图1所示。比较均衡的生产方式(图2 )是:在一条流水线上同时将四种产品

混在一起生产，并且确定每种品种一次生产的批量。当然，如果在混合生产时不需要对设备进行转换，那么单件流的生产方式是最好的。然而，在实际生产A, B, C ， D 四种不同产品时，往往需要对流水线上的某些设备进行工装转换。单件流的生产方式在此难以实现，需要根据换装时间来确定每种产品一次生产的批量。同时，由于现实生产中不同产品在流水线上各台机器的加工时间很难相同，因此，流水线的瓶颈会随着产品组合的不同而发生变化。当同一流水线加工多产品，并且每种产品在各道工序(各台机器)的加工时间差异较大时，瓶颈就会在各道工序中发生变化，如何对各种产品的投产顺序进行优化以协调这些变化的瓶颈是生产管理中一个很重要的问题。图1 图2 因而对流水线调度问题的研究正是迎合这种多品种、小批量生产方式的需要，我们要讨论得是如何对流水线上生产的不同产品的调度顺序进行优要化。流水车间调度问题一般可以描述为n 个工件要在 m 台机器上加工，每个工件需要经过 m 道工序，每道工序要求不同的机器，n 个工件在 m 台机器上的加工顺序相同。工件在机器上的加工时间是给定的，设为(1,,;1,,)ij t i n j m ==L L 。问题的目标是确定个工件在每台机器上的最优加工顺序，使最大流程时间达到最小。

置换流水车间调度问题的MATLAB求解

物流运筹实务课程设计题目：置换流水车间调度问题的MATLAB求解置换流水车间调度问题的MATLAB求解

目录一、前言 (5) 二、问题描述 (6) 三、算法设计 (7) 四、实验结果 (15)

摘要自从Johnson 1954年发表第一篇关于流水车间调度问题的文章以来．流水车间调度问题引起了许多学者的关注。安排合理有效的生产调度是生产活动能井然有序开展，生产资源得到最佳配置，运作过程简明流畅的有力保证。流水车间调度问题是许多实际流水线生产调度问题的简化模型。它无论是在离散制造工业还是在流程工业中都具有广泛的应用。因此，对进行研究具有重要的理论意义和工程价值。流水线调度问题中一个非常典型的问题，而置换流水线调度问题作为FSP问题的子问题，是一个著名的组合优化问题。该问题是一个典型的NP难问题，也是生产管理的核心内容。随着生产规模的扩大，流水线调度问题的优化对提高资源利用率的作用越来越大，因此对其研究具有重要的

理论和现实意义。关键字：流水车间，单件小批量生产，jsp模型，Matlab 前言企业资源的合理配置和优化利用很大程度上体现在车间一层的生产活动中,所以加强车间层的生产计划与控制一直在企业生产经营活动中占有十分重要的地位。车间生产计划与控制的核心理论是调度理论。车间调度问题是一类重要的组合优化问题。为适应订货式、多品种、小批量生产的需要,引进了置换流水车间调度概念。在置换流水车间调度优化后,可以避免或大大减少流程工作时间、提高生产效率。因此,研究成组技术下车间调度问题是很有必要的。生产调度，即对生产过程进行作业计划，是整个个先进生产制造系统实现管理技术、优化技术、白动化与计算机技术发展的核心。置换流水车间调度问题是许多实际生产调度问题的简化模型。生产计划与调度直接关系着企业的产出效率和生产成本，有效的计划与调度算法能最大限度地提高企业的效益。调度问题是组合优化问题，属于NP问题，难以用常规力一法求解。随着制造业的快速发展，大规模定制生产、全球化制造等思想的提出，使车间调度问题呈现出以下的新特点:约束条件多，时间复杂度高，空问复杂度高。这将导致在许多情况下，求解所建立的数学模型的快速性无法满

基于文化遗传算法求解柔性作业车间调度问题

第16卷第4期计算机集成制造系统 Vol.16No.42010年4月 Computer Integrated Manufacturing Systems Apr.2010 文章编号:1006-5911(2010)04-0861-06 收稿日期:2009204220;修订日期:2009209216。Received 20Apr.2009;accepted 16Sep.2009. 基金项目:国家自然科学基金资助项目(70771008,70371057)。Found ation item :Project supported by t he National Natural Science Foundation , China (No.70771008,70371057). 作者简介:李铁克(1958-),男,吉林长春人,北京科技大学经济管理学院教授,博士生导师,主要从事先进制造管理、生产计划与调度、智能算法等的研究。E 2mail :tiekeli @https://www.wendangku.net/doc/759778481.html, 。基于文化遗传算法求解柔性作业车间调度问题李铁克,王伟玲,张文学 (北京科技大学经济管理学院,北京　100083) 摘　要:在分析柔性作业车间调度问题特性的基础上,提出了一种采用主群体空间和信仰空间的双层进化结构的调度算法。该算法采用优良调度方案的知识信息构成信仰空间;提出一种二维矩阵的集成编码;基于工序顺序编码和基于机器分配编码的两种交叉和变异算子在主群体空间进行传统的遗传操作;通过具有自学习特点的相似性选择算子,使子代更好地继承父代的优良特征。通过典型算例的计算实验,表明算法在计算效率和求解质量上均具有较好的效果。关键词:柔性作业车间调度;文化算法;遗传算法;选择算子中图分类号:TP301.6 文献标志码:A Solving flexible Job Shop scheduling problem based on cultural genetic algorithm L I Tie 2ke ,W A N G Wei 2ling ,Z HA N G Wen 2x ue (School of Economics &Management ,University of Science &Technology Beijing ,Beijing 100083,China )Abstract :Based on the analysis of the characteristics of Flexible Job Shop Scheduling (FJ SP )problem ,the double 2layer evolution scheduling algorithm with f rame population space and belief space to solve FJ SP was proposed.This algorithm adopted usef ul knowledge of excellent scheduling schemes to form belief space.A two 2dimensional matrix integrated coding was put forward.Traditional genetic operations were conducted in f rame population space among two effective crossover operators and mutation operators ,which were designed on the basis of the integration of ma 2chine assignment and operation sequence for the genetic algorithm.By selection operators with similar self 2learning char 2acteristics ,son 2generations inherited excellent characteristics from parent 2generations.Experimental results indicated that the proposed algorithm outperformed the current approaches in computation efficiency and solution quality.K ey w ords :flexible Job Shop scheduling ;cultural algorithm ;genetic algorithm ;selection operator 0　引言柔性作业车间调度问题(Flexible Job 2shop Scheduling Problem ,FJ SP )是经典作业车间调度问题(Job 2shop Scheduling Problem ,J SP )的扩展[1]。在J SP 中,仅考虑工件具有唯一确定的加工工艺路线的情况。而在FJ SP 中,每道工序可以在多台机器上加工,工件具有可选择的加工路线,并且在不同机器上加工所需的时间不同,因此FJ SP 比J SP 更接近实际制造环境,是实际生产中亟需解决的一类调度问题。 FJ SP 不仅需要确定工件的加工顺序,还要确定某道工序由哪台机器加工。因此,FJ SP 是比J SP 更为复杂的N P 2hard 问题,一般不存在有效的多项式算法[2]。现有的研究方法主要分为精确算法、启发式规则[3]和元启发式算法(如模拟退火、遗传算法(Genetic Algorit hm ,GA )等)[4]。其中精确算法无法对大规模FJ SP 进行有效求解;启发式规则求解

基于深度强化学习的柔性车间调度问题现代研究

基于深度强化学习的柔性车间调度问题现代研究摘要本文针对多目标柔性作业车间调度问题进行研究，分别以机器总负荷和设备利用率为性能指标，建立了多目标柔性作业车间调度模型。由于传统的企业调度算法忽略了历史数据的价值，在实时事件发生后不能快速响应支持，同时为了迎合“智慧工厂”的趋势，提出了一种适用于柔性作业车间调度的深度强化学习方法，实现了从状态输入到行为输出的直接控制。最后，通过实验案例验证了该方法在解决多目标柔性作业车间调度问题的可行性和有效性。关键词柔性作业车间调度；深度强化学习；状态编码；多智能体前言近年来，市场中定制化服务已经成为一种普遍需求，“随需应变”的理念得到了企业管理者的高度重视。柔性生产是指通过先进制造设备来实现多品种、小批量的生产方式，其主要优点是增强了制造企业的灵活性和应变能力，提高了设备利用率。柔性作业车间调度问题（Flexible job-shop problem，FJSP）是传统作业车间调度问题的重要扩展，是目前车间调度问题的研究热点。与传统的作业车间调度问题相比，柔性作业车间调度问题减少了机器能力约束，是更为复杂的NP-hard问题。目前的相关研究主要集中在算法效率改进[1-3]、问题实际化[4-7]、优化目标扩展[8-10]三个方面。在柔性作业车间调度问题上一般采用两种方法求解：启发式方法和集成方法[11]。问题实际化的研究主要通过加入更多生产相关约束，使得问题模型更加贴近实际生产。许多学者在上述三个方面进行了深入的研究，但是他们对于企業过去的生产调度历史数据并没有进行关注，忽略了其价值。随着“中国制造2025”的提出，智能制造成为推进该项战略的重要举措。智能制造包括了智能制造技术和智能制造系统。深度强化学习作为一种端对端的感知与控制系统，为构建智能化的生产调度系统提供了重要指导和有效支持。本文针对柔性作业车间调度问题，以最小化机器总负荷和最大化设备利用率为目标。通过对生产状态的编码，将每个工件构建为一个智能体。采用多智能体Actor-Critic算法，使得工件智能体学习彼此协作，为求解多目标柔性作业车间调度问题提供一种智能化的方法。 1 多目标柔性作业车间优化建模 1.1 问题描述 nm的FJSP问题可以描述为：一个拥有m台机器的加工系统，加工处理n 个工件。其中每个工件包含一道或者多道工序，每道工序可以在一台或者多台机器上进行加工处理，且相对应的加工时间取决于所分配的机器能力。对于该类问

流水车间调度问题的研究-周杭超

混在一起生产，并且确定每种品种一次生产的批量。当然，如果在混合生产时不需要对设备进行转换，那么单件流的生产方式是最好的。然而，在实际生产A, B, C ， D 四种不同产品时，往往需要对流水线上的某些设备进行工装转换。单件流的生产方式在此难以实现，需要根据换装时间来确定每种产品一次生产的批量。同时，由于现实生产中不同产品在流水线上各台机器的加工时间很难相同，因此，流水线的瓶颈会随着产品组合的不同而发生变化。当同一流水线加工多产品，并且每种产品在各道工序(各台机器)的加工时间差异较大时，瓶颈就会在各道工序中发生变化，如何对各种产品的投产顺序进行优化以协调这些变化的瓶颈是生产管理中一个很重要的问题。图1 图2 因而对流水线调度问题的研究正是迎合这种多品种、小批量生产方式的需要，我们要讨论得是如何对流水线上生产的不同产品的调度顺序进行优要化。流水车间调度问题一般可以描述为n 个工件要在 m 台机器上加工，每个工件需要经过 m 道工序，每道工序要求不同的机器，n 个工件在 m 台机器上的加工顺序相同。工件在机器上的加工时间是给定的，设为(1,,;1,,)ij t i n j m ==。问题的目标是确定个工件在每台机器上的最优加工顺序，使最大流程时间达到最小。

基于改进遗传算法的柔性作业车间调度

第39卷第7期2007年7月哈尔滨工业大学学报 J OURN AL OF HARBI N I NSTI T UTE OF TECHNOL OG Y Vo l 139N o 17Ju.l 2007 基于改进遗传算法的柔性作业车间调度席卫东1,2 ,乔兵1 ,朱剑英 1 (1.南京航空航天大学民航学院,南京210016,E 2m ai:l x wdn@j 163.co m;2.远东控股集团,江苏宜兴214257) 摘要:应用遗传算法解决柔性作业车间调度问题,针对柔性作业车间问题的特点提出了一种新颖直观的双子串基因编码方法,并设计了独特的交叉和变异算子,从而取消了运用遗传算法求解作业车间问题时为使基因合法化而进行的基因修复和重建过程,仿真结果表明用该遗传算法解决柔性作业车间调度是有效的.关键词:柔性作业车间;遗传算法;作业车间调度中图分类号:TP18;TP 273 文献标识码:A 文章编号:0367-6234(2007)07-1151-03 A genetic a lgor ith m for flexi b le job shop schedu li ng based on t wo 2sub str i ng gene cod i ng m ethod XIW e i 2dong 1,2 ,Q I A O Bing 1 ,Z HU Jian 2ying 1 (1.The College of C i vil Avi atio n ,N an ji ng University of Aero nauti cs and Astronautics ,Nanji ng 210016,Ch i na ,E 2m a i:l x wdn@j 163.co m;2.F ar EastH oldi ng Gro up Co .,LTD ,Y i xi ng ,214257China) Abstr act :A novel genetic algorithm f or solvi n g flexi b le job shop scheduling prob le m is elaborated .An intui 2ti v e gene cod i n g method ,called t w o-substri n g gene cod i n g ,and a spec ial cross operator aswell as a mutation method are proposed .By doing tha,t the repa iring process to va lida te the schedu le gene is successf ully can 2ce lled .The co mputer si m u lations are carried out and the results are worked ou t to sho w the eff ecti v eness of the proposed a l g orithm.K ey w ord s :flexi b le j o b shop;genetic algorithm ;j o b shop schedu li n g 收稿日期:2005-04-29. 作者简介:席卫东(1967)),男,博士研究生; 朱剑英(1937)),男,教授博士生导师. 作业车间调度问题(JSSP :Job Shop Schedu 2li n g Prob le m )通常出现在工业制造环境中,为了完成一个作业,必须按顺序在若干台机器上处理一系列不同工序,并且同时有若干个作业需要完成,管理人员必须根据作业的生产方式和工艺要求设计一个调度表,以获得某种生产指标的最优化,如加工周期最短、设备利用率最高等. 在古典作业车间调度中约定,任一工序只能由指定的某台设备加工,而在柔性作业车间调度(FJSSP :Flexible JSSP)中,则允许工序由一个机床集合中的任意一台加工,这更符合实际的生产状况,调度的目的是将工序分配给各机床,并对各机床上的工序进行排序以使完成所有工序的时间最小化.FJSSP 比JSSP 更为复杂,因为FJSSP 不但需要确定所有工序在所有机器上的安排,而且还要确定每一台机器上工序的序列. JSSP 已被证明为NP-hard 问题 [1] .由于它的高度并行性和重要的实际意义,学者们对其进行了广泛的研究,并提出了许多算法.这些算法可以分为下面几类:启发式方法、人工智能方法、最优化方法和近似最优法 [2] .近年来,对于这类具有高度并行性和复杂性的问题,学者们提出了一些非经典、非线性的求解方法,获得了很好的效果 [3] ,如神经网络算法、模拟退火算法、遗传算法等.其中,由于遗传算法(GAs)良好的全局搜索性能、内在的并行处理能力及其在解决TSP 一类组合优化问题方面的成功应用,引起了JSS P 研究人员的重视,Gen and Cheng [4] 提供了一个很好的关于G As 应用于JSSP 研究的综述并提出了若干JSSP 遗传算法,但是对于应用G A s 解决FJSSP 却未做研究.基于上述分析,本文试图采用遗传算法来解决FJSSP .

流水车间调度问题的研究周杭超

流水车间调度问题的研究机械工程学院2111302120 周杭超如今，为了满足客户多样化与个性化的需求，多品种、小批量生产己经为一种重要的生产方式。与过去大批量、单一的生产方式相比，多品种、小批量生产可以快速响应市场，满足不同客户的不同需求，因此，受到越来越多的企业管理者的重视。特别是以流水线生产为主要作业方式的企业，企业管理者致力于研究如何使得生产均衡化，以实现生产批次的最小化，这样可以在不同批次生产不同品种的产品。在这种环境下，对于不同批次的产品生产进行合理调度排序就显得十分重要。在传统的生产方式中，企业生产者总是力求通过增加批量来减小设备的转换次数，因此在生产不同种类的产品时，以产品的顺序逐次生产或用多条生产线同时生产。这样，必然会一次大批量生产同一产品，很容易造成库存的积压。在实际生产中如果需要生产A, B, C, D 四种产品各100件，各种产品的节拍都是1分钟，如果按照传统的做法，先生产出100件A产品，其次是B，然后是C，最后生产产品D。在这种情况下，这四种产品的总循环时间是400分钟。然而，假设客户要求的循环时间为200分钟(四种产品的需求量为50件)，那么在200分钟的时间就只能生产出产品A和产品B，因而不能满足客户需求，同时还会过量生产产品A和B，造成库存积压的浪费。这种生产就是非均衡的，如图1所示。比较均衡的生产方式(图2 )是:在一条流水线上同时将四种产品

混在一起生产，并且确定每种品种一次生产的批量。当然，如果在混合生产时不需要对设备进行转换，那么单件流的生产方式是最好的。然而，在实际生产A, B, C ， D 四种不同产品时，往往需要对流水线上的某些设备进行工装转换。单件流的生产方式在此难以实现，需要根据换装时间来确定每种产品一次生产的批量。同时，由于现实生产中不同产品在流水线上各台机器的加工时间很难相同，因此，流水线的瓶颈会随着产品组合的不同而发生变化。当同一流水线加工多产品，并且每种产品在各道工序(各台机器)的加工时间差异较大时，瓶颈就会在各道工序中发生变化，如何对各种产品的投产顺序进行优化以协调这些变化的瓶颈是生产管理中一个很重要的问题。图1 图2 因而对流水线调度问题的研究正是迎合这种多品种、小批量生产方式的需要，我们要讨论得是如何对流水线上生产的不同产品的调度顺序进行优要化。流水车间调度问题一般可以描述为n 个工件要在 m 台机器上加工，每个工件需要经过 m 道工序，每道工序要求不同的机器，n 个工件在 m 台机器上的加工顺序相同。工件在机器上的加工时间是给定的，设为(1,,;1,,)ij t i n j m ==。问题的目标是确定个工件在每台机器上的最优加工顺序，使最大流程时间达到最小。

基于遗传算法的流水车间调度问题

中文摘要流水车间调度问题是研究多个工件在若干个机器上的加工次序的问题，有效的调度算法对企业提高生产效率有着重要作用。本文使用遗传算法求解流水车间调度问题，把一个染色体编码成若干个自然数，表示相应工件的排序权值；通过简单交换两个父代的若干相同位置的基因，产生能够继承父代优良特性的子代；并且采用均匀变异，更好地保持种群中的基因的多样性。实验表明，该方法能取得较好的效果。关键字：遗传算法，流水车间调度方法，实数编码，基因链码，群体，适应度。

外文摘要 Abstract: Flow-shop scheduling problem study the problem the processing sequence of A plurality of workpieces on some working machine,and it makes good effects on proving production efficiency to the industries with effective methods.In the case,we deal with flow-shop scheduling problem using a algorithm,the Genetic Algorithm.There is a chromosome we've just coded into some natural numbers to represent the weight order of these workpieces; exchanging simply two fathers' places of some gene to produce new children that carried good feature on two fathers;we also use the Uniform Mutation,and it keeps its diversity of gene on the population.This experiment show this method can achieve good results. Key Words: Genetic Algorithm, Flow-shop scheduling problem，natural number coding，genic bar code,group，fitness.

基于机制设计的柔性流水车间调度问题的研究与分析

目录摘要.............................................................. I Abstract ......................................................... I II 第一章绪论 .. (1) 1.1研究背景与意义 (1) 1.2国内外研究现状 (3) 1.3本文研究内容 (5) 1.4本文组织结构 (7) 第二章流水车间调度问题及经典算法介绍 (8) 2.1调度问题模型及分类 (8) 2.2经典调度算法 (9) 本章小结 (12) 第三章混合搜索机制粒子群算法 (13) 3.1问题描述 (13) 3.2混合搜索机制粒子群算法 (14) 3.3实验仿真及算法分析 (22) 本章小结 (29) 第四章双目标零等待柔性流水车间调度问题算法 (30) 4.1问题描述 (30) 4.2产生初始种群的五种启发式算法 (31) 4.3精英粒子群算法 (32) 4.4联姻帝国竞争算法 (38) 4.5实验仿真及算法分析 (44) 4.5.1数据生成 (44) 4.5.2算法性能指标 (44) 4.5.3算法参数 (45) 4.5.4仿真实验 (48) 本章小结 (55)

第五章基于算法机制设计的柔性流水车间调度问题算法 (56) 5.1机制设计问题描述 (56) 5.2基于算法机制设计的柔性流水车间调度问题模型 (57) 5.3柔性流水车间调度问题的诚实机制设计 (59) 本章小结 (62) 第六章总结与展望 (63) 致谢 (65) 参考文献 (66) 附录 (69) 图版 (70)