基于群智能和機器學習的分布式生產調度算法研究

張萌

摘 要：傳統的算法對分布式生產調度的求解難度非常大，而且收斂速度慢、解質量差。由此，本文以分布式裝配流水車間為研究對象，嘗試使用群智能和機器學習聯合算法對其進行求解，并在構建分布式生產調度模數學模型中引入動態訂單決策和歷史訂單分析學習等動態條件，進而使聯合算法的優化解貼近實際生產情況。最后，采用分布式車間調度仿真軟件進行建模仿真，驗證優化結果的可行性。

關鍵詞：群智能算法;機器學習算法;分布式生產調度

中圖分類號：TH186文獻標識碼：A文章編號：1003-5168（2020）19-0052-02

Abstract： The traditional algorithm is very difficult to solve distributed production scheduling， and the convergence speed is slow and the solution quality is poor. Therefore， this paper took the distributed assembly flow shop as the research object， tried to use the joint algorithm of swarm intelligence and machine learning to solve it， and introduced dynamic conditions such as dynamic order decision-making and historical order analysis and learning in the construction of distributed production scheduling model mathematical model， so as to make the optimization solution of the joint algorithm close to the actual production situation. Finally， the distributed job shop scheduling simulation software was used for modeling and simulation to verify the feasibility of the optimization results.

Keywords： swarm intelligence algorithm;machine learning algorithm;distributed production scheduling

隨著智能化技術的不斷發展，制造企業也從原來的一元化、單品種、大批量生產方式逐步轉向多元化、多品種、小批量、高柔性的生產方式，因而科學合理的調度方案有利于減少產品生產時間，管理產品庫存，提升產品交貨期滿足率及企業生產率[1]。生產調度優化問題指的是把有限的資源在合理的時間內分配給若干個任務，以滿足或優化一個或多個目標。調度優化問題應用前景廣闊，被廣泛應用于多個領域，如企業管理、交通運輸、航空航天、醫療問題、能源動力和網絡通信等。生產調度優化問題是制造領域的關鍵問題，生產調度技術是制造系統和企業管理中的重要技術，同時是實現智能化生產的關鍵技術之一[2]。

1 聯合算法求解分布式生產調度

在基于群智能的元啟發式方法中，每代中都有多個并行的個體，個體間進行通信和競爭，提高進化或搜索效率。目前應用較為廣泛的算法有演化計算、粒子群優化算法、變鄰域搜索和迭代貪婪算法。雖然分布式車間調度問題取得了初步成果，但仍存在以下不足：對分布式裝配流水車間生產調度問題的研究處于起步階段，現有研究成果對現實生產中的調度問題進行了大量簡化。分布式車間調度問題不僅要考慮在分布式環境下生產能力的分配，而且要考慮實際生產中的動態訂單調度問題和產品工藝流程中的各種實際因素。隨著人工智能技術的發展，機器學習技術在很多優化問題上表現出優異的性能。對分布式生產調度問題，目前還沒有同時使用群智能算法和機器學習算法進行求解的研究。本文提出基于群智能和機器學習的分布式生產調度算法。

首先，以分布式裝配流水車間為研究對象，研究供應鏈協同下的生產調度和車間重構問題[3]，總體流程圖如1所示。通過云端集成訂單信息、生產車間信息和配送信息。每個分布式工廠都配置有邊緣計算設備，可以與云端信息交互，獨立優化這個子工廠內的生產調度和生產資源配置，并控制生產和物流設備。

其次，構建分布式裝配流水車間調度和配送數學模型，考慮暫存區、異構工廠、運輸時間等實際因素，并采用多種群智能算法如迭代貪婪算法、粒子群算法和遺傳算法，設計算法解表達、編碼方式、搜索策略和參數，對分布式裝配流水車間調度和配送數學模型進行求解。

再次，采用目前流行的機器學習算法如Q learning、Sarsa、Deep Q Network等對已建立的分布式生產調度模型進行求解。

最后，驗證群智能算法和機器學習算法求解分布式生產調度問題的性能，在統一仿真實驗條件下對上述兩種算法進行對比，并和求解分布式調度的其他先進算法進行對比，測試所提出的算法的優異性。

2 考慮動態訂單的動態生產調度研究

考慮動態隨機訂單條件的生產調度模型的建設，將實際訂單數據轉化成隨機訂單在區間時間段中離散時間點的到達概率;以此生產隨機訂單到達場景設計協同供應鏈網絡生產調度優化策略，構建多個子決策模型，設計不同調度策略下成本差異的主決策模型;分別用群智能算法和機器學習算法建模求解。

為充分利用歷史訂單信息、減少未來可能訂單對緊急訂單的影響，采用機器學習算法建立生產調度的動態優化模型。根據生產線運行過程中積累的大量歷史數據與實時數據，利用深度學習構建緊急訂單相關信息預測模型;結合專家經驗知識，利用模糊推理系統將預測結果與系統模型相融合，使生產線提前調整生產策略，保證緊急訂單到來時生產線能有效完成其加工任務及減小緊急訂單與常規訂單之間的相互影響。優化流程如圖2所示，其中云中心完成對動態訂單的實時優化決策。

3 優化結果的生產仿真驗證

在對調度優化理論和方法進行驗證時，為彌補傳統數學模型難以精確建立和實際生產驗證成本太高的缺陷，采用基于離散事件仿真方法對所提出的分布式車間建立生產仿真模型，并驗證群智能算法和機器學習算法求解實際分布式車間生產調度的有效性。

4 結論

傳統的算法對分布式生產調度的求解難度非常大，而且收斂速度慢、解質量差。由此，本文提出群智能和機器學習聯合求解的算法，并在構建分布式生產調度數學模型中引入動態訂單決策和歷史訂單分析學習等動態條件，進而使聯合算法的優化解更貼近實際生產情況。最后利用Plant Simulation仿真軟件對聯合算法進行驗證。

參考文獻：

[1]李紅.分布式車間調度方法研究[D].沈陽：沈陽工業大學，2008.

[2]黃英杰.基于目標級聯法和智能優化算法的車間調度問題研究[D].廣州：華南理工大學，2012.

[3]金博，周景亮，阮玉鎮.基于Plant Simulation的作業車間調度優化研究[J].機電技術，2020（1）：20-23.