生產調度問題的智能優(yōu)化方法研究及應用.pdf

1、生產調度是目前生產管理中最為薄弱，也是最為困難的一環(huán)，已成為目前計算機集成制造系統研究中的一個瓶頸問題。自五十年代以來，學術界已廣泛地研究了生產調度問題，取得了許多研究成果，但由于其本身的復雜性，至今尚未形成系統的理論與方法。如何將經典調度理論與生產實際相結合，提高對企業(yè)生產控制的精確性、及時性和有效性，是多年來研究人員和企業(yè)界關注的問題。由于多Agent系統是通過在一系列分散的自治智能體間進行協調和合作來解決問題的，具有自治、分布、動

2、態(tài)等一些自然特性，可以滿足復雜的、柔性的、魯棒的和動態(tài)的制造系統生產調度的需要，因此引入多Agent技術是解決上述問題的良好方案之一。本文主要研究了基于多Agent的生產調度系統模型，提出了基于Hopfield神經網絡和基于免疫算法的幾種改進作業(yè)車間調度方法，以及基于多Agent的動態(tài)調度方法。具體研究內容如下：
　　 (1)首先闡述了課題的研究背景及意義，給出了生產調度問題的描述和分類。在對國內外大量文獻總結提煉的基礎上，總結

3、了生產調度問題的國內外研究現狀，分析了生產調度研究中存在的問題。
　　 (2)針對不確定的和不斷變化的制造系統環(huán)境下復雜的生產調度問題，特別是那些短期的、敏捷性要求較高的動態(tài)調度問題，建立了基于多Agent的生產計劃與車間調度系統模型，給出了管理Agent、資源Agent、任務Agent和計算Agent的具體功能。對企業(yè)多個并行車間的生產計劃優(yōu)化分配問題進行研究，提出了多Agent之間的改進合同網協商策略，并給出了多Agent并

4、行車間計劃優(yōu)化模型的具體實現過程，仿真實驗表明了該模型的有效性。
　　 (3)為了克服基于Hopfield神經網絡的作業(yè)車間調度方法易得到不可行解這一不足，提出了基于操作編碼的離散Hopfield神經網絡(DHNN)作業(yè)車間調度方法，給出了包括行約束、列約束、全局約束和目標約束的新能量函數，從而保證了神經網絡能夠快速收斂到滿足資源約束和順序約束的可行優(yōu)化調度解。為了更好地搜索到Job-shop調度問題的全局最優(yōu)解，在DHNN算法

5、中引入了模擬退火機制，提出了離散暫態(tài)混沌神經網絡(TDNN)方法，標準實例的仿真結果表明TDNN方法具有優(yōu)越的優(yōu)化性能。最后用改進的Hopfield神經網絡方法成功求解了一個來自某機械廠的Job-shop調度實例。
　　 (4)基于自適應疫苗提取與接種機制，提出了基于自適應免疫算法的作業(yè)車間調度方法，并對其優(yōu)化性能、疫苗提取和接種方式、編碼方式進行了仿真實驗分析。其次為了更好地提高算法的整體性能，結合多智能體系統，構造了一種多智

6、能體免疫算法。該方法通過智能體與其鄰居間的競爭操作以及自學習操作，并結合自適應疫苗接種、交叉、變異和模擬退火操作，來更新每個智能體在解空間的位置，使其能夠更精確地收斂到全局最優(yōu)解。最后針對紙盆車間的實際生產特點，建立了批量可變的模糊柔性Job-shop調度問題模型，并對某紙盆車間的調度實例進行了求解，實驗結果驗證了算法的有效性。
　　 (5)針對生產環(huán)境經常發(fā)生變化的作業(yè)車間調度，建立了一種將螞蟻智能與強化學習相結合的協商策略，

7、并通過Agent的智能決策來實現實時作業(yè)任務的分配，示例仿真驗證了該方法在訂單、機器等生產環(huán)境變化的情況下仍然能取得較好的效果，而且減少了通信量。最后根據印染生產過程的工藝特點和約束條件，建立了染色車間作業(yè)調度問題模型，提出了基于多Agent的染色車間動態(tài)調度方法，通過實例求解驗證了該方法對生產環(huán)境經常發(fā)生變化的自適應能力。
　　 (6)在上述理論工作的基礎上，針對典型的按訂單生產、多品種小批量離散性制造企業(yè)對生產調度管理軟件的