论文部分内容阅读
考虑到在制造环境中产品配比以及调度目标权重对物料搬运调度的重要影响,而且它们都可能随着时间发生变化,本文重点研究了在产品配比和调度目标权重可变的动态环境中的多载量小车实时调度问题。本文的主要内容包括:1.针对产品配比和调度目标权重可变的动态环境中的多载量小车实时调度问题建立数学模型。考虑到该调度问题的复杂性,为了实现实时调度,根据汽车装配线中使用牵引送料车进行物料搬运的调度决策过程,将调度问题划分为四个决策子问题:物料搬运任务生成问题、派遣决策问题、物料搬运任务选择问题以及排序问题。2.由于无法在产品配比与调度目标权重可变的动态环境中找到全局最优的调度规则,本文结合知识库与人工神经网络,针对派遣决策问题、物料搬运任务选择问题以及排序问题提出调度规则选取方法。通过仿真建立了一个知识库,存储特定产品配比和调度规则对应的调度性能。在定义产品配比相似度的基础上,提出基于人工神经网络的产品配比匹配方法,用于在知识库中寻找与给定产品配比最相似的产品配比。通过结合知识库与人工神经网络,能够对任意给定的产品配比与调度目标权重,在备选调度规则集中选择最优调度规则。与利用机器学习方法预测调度性能并以此为基准对比和选择调度规则的方法相比,这种方法对人工神经网络的预测精度要求较低。基于实际案例的仿真实验验证了这种方法的有效性,并说明了它能够适应环境的动态变化。3.考虑到现有派遣规则无法动态地响应系统的实时搬运需求,而且不能根据环境的变化调整其调度策略这一缺点,鉴于多载量小车的派遣决策问题与数据分类问题的相似性,提出基于支持向量机数据分类的多载量小车实时派遣决策方法,通过使用支持向量机对系统的实时状态进行分类的方式解决多载量小车的实时派遣问题。详细定义了需要分类的实时状态以及决策过程中的决策点,并提出一个确定样本分类的递归算法,用以确定支持向量机训练样本的分类。与现有的方法相比,基于支持向量机数据分类的派遣决策方法能够通过机器学习,确定系统的实时状态所对应的最优派遣决策。在产品配比或调度目标权重等环境因素变动时,它可调整策略,适应环境的变化。本文通过仿真说明了这种方法的可行性与有效性。4.为了进一步提高调度性能,综合考虑前面两种方法的优缺点,提出了结合调度规则选取方法和强化学习的多载量小车实时调度方法。其中,针对物料搬运任务生成问题,在利用前瞻信息更精确地预计库存可用时间的基础上,提出基于前瞻信息的动态再订购点法。而为了同时考虑已有的以及尚未生成的物料搬运任务,提出一个启发式的物料搬运任务选择及排序算法。在此基础上,通过定义系统状态、动作以及收益函数,将调度问题转化为半马尔可夫决策问题,然后结合调度规则选取方法与强化学习对其求解,使得调度系统能够根据系统的实时状态作出有利于优化长期调度目标的决策。最后通过仿真实验表明该调度方法具有良好的调度性能和良好的适应环境变化的能力,同时也表明它能实时地完成调度计算,因此可用于实际的制造环境。