基于多智能体强化学习的纺织面料染色车间动态调度方法

针对任务随订单动态到达环境下的纺织面料染色车间动态调度问题,以最小化总拖期时间为优化目标,提出了基于多智能体循环近端策略优化(MA-RPPO)强化学习的完全反应式调度方法。首先,针对染色车间调度的组批和排缸两个子问题,设计了组批和排缸两个强化学习智能体;然后,针对车间任务的动态性,引入长短期记忆网络(LSTM)提取车间动态信息,提高智能体对动态环境的自适应能力;进一步提出组批智能体和排缸智能体的交互机制,实现组批与排缸全局优化;最后,抽取问题约束与优化目标的相关特征并设计奖励函数,通过动态调度机制驱动智能体的交互学习获得最优调度策略。经某印染企业的实例验证表明,所提方法对不同规模问题的求解性能均优于多种常用的高性能启发式规则,有效降低了产品的总拖期时间,提升了企业订单的准时交付能力。     

基于现场总线的多Agent作业车间动态调度问题的研究

提出了一种基于现场总线的多Ａｇｅｎｔ作业车间动态调度问题的解决方法。该方法是一种混合式多Ａｇｅｎｔ调度方法。在该方法中,有一个起核心作用的Ａｇｅｎｔ负责向其它辅助Ａｇｅｎｔ发送调度任务,在所有的辅助Ａｇｅｎｔ调度完毕后。回收它们的调度结果,然后进行统一协调,最终得出一个调度方案。实验结果表明,该方法具有很好的可扩展性和鲁棒性,对于作业车间调度问题有一定的实用价值。     

多代理和遗传算法在动态作业车间调度中的组合应用

动态多变性与NP hard特性的并存使现存的大多数调度方法难以同时满足动态作业车间调度的多种要求。针对动态作业车间的特点 ,结合多代理的灵活性和遗传算法的全局优化性 ,提出了一种基于多代理和遗传算法的调度系统 ,并寻求适合于这种车间环境的优化调度方案。     

多Agent分布式车间动态调度仿真系统研究

研究了在现代制造环境下制造车间生产过程的动态调度问题。针对动态调度的特殊要求,提出综合运用多智能体技术(MAS)和合同网协议(Contract Net Protocol,CNP)实现现代制造车间生产过程动态调度的方法,建立了多Agent车间调度系统(Multi-agents SchedulingSystem,MASS)分布式框架结构,实现了系统不同层次Agent之间的通信协作,构成了适应实际生产环境的MASS分布式仿真系统,并以一类中小规模机械加工车间动态调度的仿真研究说明所提出方法的思路和可行性。     

基于多Agent的Job Shop调度方法研究

针对Job Shop调度问题，提出基于多Agent的车间调度模型，实现调度甘特图的自动生成。在此基础上，设计了多Agent分组协作机制；实现了多目标优化调度，提高了调度优化算法的实用性和优化效果；分析了车间调度中各类干扰因素的特点，实现动态调度，提高了系统的适应性和健壮性。最后给出了实例验证。     

基于Q学习的智能车间自适应调度方法

为降低智能车间中动态不确定因素对生产性能的影响,提出一种基于Q学习的智能车间自适应调度方法。该方法设计基于强化学习的智能车间自适应调度框架,采用Q学习算法,通过智能体—环境交互试错机制,自主训练调度模型,并根据生产车间环境变化动态更新调度模型,以支持能够指导车间运行的最优决策轨迹的生成。所提方法在MiniFab半导体生产线模型上进行了验证,结果证明该方法能够有效应对智能车间生产环境变化,在生产全过程中能对调度决策进行实时调整,优化车间综合性能指标,同时显著降低时间与人力成本。     

基于Agent敏捷化车间调度系统的研究

分析了网络制造时代传统生产调度的局限性，在Agent理论的基础上，建立了车间资源调度模型。利用改进的甘特图，进行了车间调度算法分析，并编制新型调度实验系统，模拟了敏捷制造环境下的车间生产调度情况，为车间的能力评价，生产计划以及资源重组提供依据。     

基于多Agent和动态逻辑制造单元的车间控制系统研究

根据敏捷化生产的要求，分析车间控制系统的多Agent层次结构，提出动态逻辑制造单元的概念，用于组织车间制造系统资源，实现在动态多变的环境中车间制造系统快速重组，动态重构的能力，研究在动态逻辑制造单元的组织形式下，面向订单的生产调度的实现方法，并给出了车间多Agent系统的软件体系结构。     

基于Agent的数字车间及其调度技术的研究

在中国国家自然科学基金重点资助项目《网络环境下的数字制造理论与关键技术》，中国教育部博士学科点基金资助项目《网络制造产品电子交易平台设计与研究》，中国国家科技攻关计划项目《支持网络制造的协同交互与资源共享平台研究与产业化》共同资助下，开展基于Agent的数字车间及其调度技术的研究。 数字车间是实施数字制造的主体，是制造计划的具体执行者，也是制造信息的反馈者，更是制造实时信息的集散地。数字车间生产的敏捷性在一定程度上决定着整个企业的敏捷性，所以从敏捷调度的视角，研究数字车间的相关理论与技术。 提出基于Agent的数字车间框架结构。框架包含车间管理与计划子系统、设计子系统、生产调度与管理子系统、物料运输子系统、库存与管理子系统、制造资源子系统、生产仿真子系统和制造执行子系统。框架结构支持虚拟企业生产模式——组成数字车间的设备或设备单元可以是处于不同地域，通过制造设备Agent之间的协调与合作，制造设备在物理位置上不变，而在生产组织和管理逻辑上随加工任务的变化而改变，实现资源的动态配置，对变化的任务做出及时响应，从而提高制造系统的敏捷性，因此也被称为虚拟数字车间。赋予数字车间更为重要的地位和作用——除承担对生产任务的调度与制造实施以外，还兼具运输服务和仓储管理等两项功能，并在制造过程中实时收集订单的生产进度信息。 研究数字车间中Agent对制造资源数据的管理技术，将与制造资源相关的数据信息直接集成到制造资源Agent结构，使得数据库系统就像是Agent框架整体的一部分。提出以分布式数据库系统为中间层的车间系统集成方案。在此基础上，研究基于Agent会话的车间运作方式，将数据库系统看作Agent系统与其他系统联系的中间层的结构，使得Agent系统易于实现与现有软件系统的集成。Agent使用数据库访问机制     

基于Multi-Agent的车间作业调度系统的研究

对车间非常规信息进行了简要的阐述,提出了一种非常规信息条件下基于Multi—Agent的车间作业调度系统框架模型。     

基于自适应蚁群算法的动态作业车间调度问题的求解方法

针对目前大多数作业车间调度算法都是静态调度,而实际工业生产中调度任务都是动态变化的问题,提出了一种求解动态作业车间调度问题的自适应蚁群算法.算法采用事件驱动调度策略,当调度任务发生变化时根据上次调度结果重新调度,并且对每次调度采用自适应蚁群算法优化调度方案.最后,通过实例仿真验证了算法的有效性.仿真结果表明,该算法自适应性表现在算法针对"搜索结果是否陷入局部收敛"分别对各路径上的信息素进行了自适应调整,有助于算法快速跳出局部收敛,继续向全局最优解进行搜索.     

基于强化学习的分布式光伏运维资源动态调度

针对分布式光伏运维资源调度过程中因动态因素影响导致调度计划难以实施的问题,提出基于强化学习的分布式光伏运维资源动态调度方法.该方法通过构建动态调度规则同步调整运维任务的优先级,并以新计划完成成本最低和完成时间最短为优化目标构建动态调度模型.采用Q-Learning求解模型,通过实验对比,Q-Learning算法的求解速...     

带变异算子的启发式最大最小蚂蚁系统求解流水车间调度问题

针对蚂蚁算法在求解流水车间调度问题(FSP)时易出现停滞以及计算时间较长的缺点,对最大最小蚂蚁系统(MMAS)进行了改进,提出一种带变异算子的启发式最大最小蚂蚁系统,在改进的算法中,指出了启发式信息值的求法,对一些参数作动态性调整并融入了遗传算法中的变异操作,最后,通过仿真结果表明了该算法对求解FSP问题是有效的。     

Using ant colony optimization to solve hybrid flow shop scheduling problems

In recent years, most researchers have focused on methods which mimic natural processes in problem solving. These methods are most commonly termed “nature-inspired” methods. Ant colony optimization (ACO) is a new and encouraging group of these algorithms. The ant system (AS) is the first algorithm of ACO. In this study, an improved ACO method is used to solve hybrid flow shop (HFS) problems. The n-job and k-stage HFS problem is one of the general production scheduling problems. HFS problems are NP-hard when the objective is to minimize the makespan [1]. This research deals with the criterion of makespan minimization for HFS scheduling problems. The operating parameters of AS have an important role on the quality of the solution. In order to achieve better results, a parameter optimization study is conducted in this paper. The improved ACO method is tested with benchmark problems. The test problems are the same as those used by Carlier and Neron (RAIRO-RO 34(1):1–25, 2000), Neron et al. (Omega 29(6):501–511, 2001), and Engin and Döyen (Future Gener Comput Syst 20(6):1083–1095, 2004). At the end of this study, there will be a comparison of the performance of the proposed method presented in this paper and the branch and bound (B&;B) method presented by Neron et al. (Omega 29(6):501–511, 2001). The results show that the improved ACO method is an effective and efficient method for solving HFS problems.     

A pattern-directed approach to flexible manufacturing: A framework for intelligent scheduling, learning, and control

The planning, scheduling, and control of manufacturing systems can all be viewed as problem-solving activities. In flexible manufacturing systems (FMSs), the computer program carrying out these problem-solving activities must additionally be able to handle the shorter lead time, the flexibility of job routing, the multiprocessing environment, the dynamic changing states, and the versatility of machines. This article presents an artificial intelligence (AI) method to perform manufacturing problem solving. Since the method is driven by manufacturing scenarios represented by symbolic patterns, it is referred to as pattern-directed. The method is based on three AI techniques. The first is the pattern-directed inference technique to capture the dynamic nature of FMSs. The second is the nonlinear planning technique to construct schedules and assign resources. The third is the inductive learning method to generate the pattern-directed heuristics. This article focuses on solving the FMS scheduling problem.In addition, this article reports the computation results to evaluate the utility of various heuristic functions, to identify important design parameters, and to analyze the resulting computational performance in using the pattern-directed approach for manufacturing problem-solving tasks such as scheduling.     

炼钢-连铸智能调度软件的开发及应用

针对大型钢铁企业炼钢-连铸生产调度过程难以控制的问题,将智能优化设定控制策略应用于炼钢-连铸生产调度过程中,将优化调度方法、专家系统、案例推理等技术相结合,研发了集调度计划编制、在线跟踪与调整、人机交互等功能为一体的调度软件。讨论了调度策略、软件的结构和功能,并将所研发的调度软件应用到某大型钢铁联合企业炼钢-连铸生产过程中,取得了显著的成效。工业实验表明,该调度软件具有良好的性能和在工业界广泛应用的前景。     

基于仿真的车间作业计划系统研究

基于仿真的车间作业计划系统可以增加系统的透明度,提高计划执行率.针对多品种小批量的生产模式,在eM-Plant软件上提出一种基于离散事件的仿真方案,开发了相应的系统模型和仿真算法,运行仿真系统,得到调度结果,验证所编制的车间计划的可行性.采用上述仿真系统就某军工车间一计划周期的生产任务进行仿真,根据不同优先级的仿真算法,得到合理的车间作业计划.实例证明本系统提高了车间作业计划编制有效性.     

基于工件聚类的并行机调度算法及其应用

针对纺织生产广泛存在的带工件释放时间、以最小化总拖期工件数和总拖期时间为目标的大规模并行机调度问题,提出一种基于工件聚类的遗传算法。该算法将求解过程分为工件聚类和工件排序两个阶段。在工件聚类阶段,基于影响并行机调度性能的重要调度特征量,采用改进的模糊C-均值聚类方法将所有待上机工件分为多个聚类;在工件排序阶段,采用基于规则编码的遗传算法,优化各聚类内工件的加工顺序。数值计算结果及实际应用效果表明,所提出的算法适用于求解带工件释放时间的大规模并行机调度问题。     

面向作业车间的自适应非均匀窗口蚁群算法

为纠正作业车间调度问题中蚁群算法搜索周期长、易陷入局部极小值的缺点,提出了一种改进的自适应非均匀窗口蚁群算法。首先,该算法通过自适应调整的非均匀窗口限制蚂蚁的移动范围,在缩短蚂蚁搜索周期的同时及时开辟新的解空间;然后,根据蚂蚁的多态性提出了蚂蚁跳跃窗口策略,赋予算法良好的跳出局部极小的能力;最后,鉴于作业车间调度中一个工件在多个机器上加工的特点,新算法对蚂蚁状态转移概率中的启发函数进行了改进,提高了路径的启发程度。通过对Muth and Thompson基准问题的仿真,验证了新算法的收敛性能。     

基于MAS的生产过程动态调度与控制的自治组织结构及其在Internet/Intranet下的实现

针对车间调度复杂任务求解问题，提出一种基于MAS调度与控制的任务一策略与方法一制造资源三维框架结构，讨论基于MAS的采用分级递阶和并行处理相结合的自治组织结构和运作模式。利用与组织结构相对应的层次黑板结构实现各Agent之间信息与数据共享。针对基于MAS面向敏捷制造的生产过程动态调度与控制思想，提出在Internet／Intrarlet环境下的实现方法。