超级会员免费看
工业环境中的智能调度与规划技术解析
在工业生产和管道运输等领域，高效的调度和规划是提升生产效率、降低成本的关键。本文将深入探讨两种重要的技术：基于多目标遗传算法（MOGA）的批次排序模型以及基于时间约束的规划代理，为工业环境中的调度和规划问题提供解决方案。
基于MOGA的管道网络批次排序
在管道网络中，批次进入的顺序是一个复杂的组合问题。为了解决这个问题，提出了一种MOGA模型，该模型在实际场景中得到了验证。
编码与初始化
- 编码方法 ：通过分配块生成批次的编码，位置对应测序顺序。例如，图2展示了染色体表示（解决方案），其中进入网络的第三批是批次#5。
- 初始化过程 ：从输入数据提供的初始列表中随机生成“n”个个体。如果生成的个体不可行，则将其丢弃并替换为新的个体。
适应度分配
使用混合整数线性规划（MILP）模型来确定编程期间的操作活动调度。该模型为每个序列计算泵送和接收操作的持续时间（makespan）、批次停顿和延迟的时间，以及根据时间窗口在每个节点交付或接收批次的提前或延迟情况。根据这些计算结果，按照多个标准对解决方案进行排序。
交叉和变异算子
- 交叉算子 ：使用两个父代（不同的解决方案）生成一个或两个子代（新的解决方案）。本文使用均匀交叉，对于第一个子代的每个位，以一定概率p决定哪个父代贡献该位置的值，第二个子代则从另一个父代接收该位。
- 变异算子 ：当应用遗传算子后得到不可行的解决方案时，需要处理这些问题。一种方法是丢弃所有不可行的解决方案，另一种常见的方法是应用修复算法。在本文中，如果解决方案中的批次序列呈现出不现实的时间窗口（例如，批次在生产之前交付），则应用变异算子进行修复，即将批次时间固定到已知的时间窗口限制。此外，当交叉生成的子代与种群中已有的个体相似时，也会应用变异算子。
模拟结果
使用2006年2月的实际场景进行案例研究，验证了所提出的模型。每个节点的产品需求如表2所示，这些需求必须在一个月内进行调度。优化的目标是减少时间窗口违规和接口数量，同时最小化makespan。公司规划计算了74个批次及其相关的路线和时间限制，使用MOGA模型对这些批次进行排序。模型针对2种不同的初始种群运行，每次执行的非支配解决方案如表3所示。通过甘特图展示了两种可能的调度方案，两种方案在批次顺序、接口数量和makespan等方面存在明显差异，但都是可行的，专家可以根据个人偏好选择其中之一。
| 节点 | 产品1 | 产品2 | 产品3 | 产品4 | 产品5 | 产品6 | 产品7 |
|---|---|---|---|---|---|---|---|
| N1 | 20 | - | 296 | - | 30 | 694 | 221 |
| N2 | 154 | - | - | - | - | - | - |
| N3 | - | - | 27 | - | 39 | 80 | 26 |
| N4 | - | - | 58 | - | 68 | - | - |
| N5 | - | - | 60 | - | 52 | - | - |
| N6 | - | - | - | - | - | - | - |
| N7 | - | - | 97 | - | 86 | - | - |
| N8 | - | 215 | - | - | - | - | - |
| N9 | - | - | - | 100 | - | 200 | 9 |
表3：两次实验的非支配解决方案
|实验|解决方案|Makespan|总接口数|超出时间窗口发送的批次数量|超出时间窗口接收的批次数量|
|----|----|----|----|----|----|
|1|1|717|35|10|12|
|1|2|754|35|14|8|
|1|3|734|27|12|13|
|1|4|734|34|13|11|
|1|5|734|36|8|13|
|2|1|774|30|9|11|
|2|2|734|29|9|9|
|2|3|734|35|10|8|
基于时间约束的规划代理
在制造环境中，时间约束是管理安全的关键因素。为了解决这个问题，提出了一种基于时间约束的实时代理，该代理集成了一种新颖的基于案例的规划机制。
代理模型概述
- 多智能体系统（MAS） ：MAS已被用作监督系统，具有灵活性，可以在各种设备和场景中实现，包括工业和制造环境。本文提出的MAS包含一种特殊类型的智能实时代理，其内部结构集成了基于TB-CBP-BDI（基于案例的规划 - 信念、愿望、意图）模型的数学模型。
- TB-CBP机制 ：TB-CBP是TB-CBR的一种特殊形式，使用过去的经验通过时间绑定过程解决新问题。CBP系统的各个阶段结合了基于人工神经网络（ANN）的子符号BDI模型，用于在低细节级别解决问题。
TB-CBP-BDI代理的术语和定义
- 环境和世界 ：环境或世界M及其内部发生的变化表示为一组影响代理面临问题的变量。
- 信念 ：信念是世界某些（或所有）属性的向量，使用一组具体值表示。
- 世界状态 ：世界的状态由一组在特定时刻为真的信念表示。
- 愿望 ：愿望是当前世界状态与另一个试图达到的状态之间的映射。
- 意图 ：意图是代理使用其知识来实现目标的方式。如果通过n个信念定义的应用i存在，则愿望是可实现的。
- 代理动作 ：代理动作是引发世界状态变化的机制。
- 代理计划 ：代理计划是一系列动作的序列，从当前状态定义代理为了达到另一个世界状态而经过的状态路径。
TB-CBP循环
TB-CBP循环包括学习阶段和审议阶段：
-
学习阶段
：检查是否有先前的案例等待修订并可能存储在案例库中。在本文的模型中，审议阶段结束时提供的计划将存储在解决方案列表中，同时接收关于其效用的反馈。当每个新的TB-CBP循环开始时，访问该列表。如果有足够的时间，则对最近收到解决方案反馈的案例实施学习阶段；如果列表为空，则省略此过程。
-
审议阶段
：使用检索算法在案例库中搜索与当前案例相似的案例。每次找到相似案例时，将其发送到重用阶段，通过重用算法将其转换为适合当前问题的计划。因此，在审议阶段的每次迭代结束时，TB-CBP方法都能够为手头的问题提供一个计划，尽管如果审议阶段有足够的时间进行后续迭代，该计划可以得到改进。
时间管理与循环控制
- 时间管理 ：TB-CBP算法在实时代理认为合适且有足够时间执行时启动。代理向TB-CBP指示其完成执行周期的最大可用时间tmax。时间tmax必须在学习和审议阶段之间分配，以保证每个阶段的执行。timeManager(tmax)函数负责完成此任务，设计者可以根据需要分配更多时间给学习阶段或审议阶段。
- 循环控制 ：TB-CBP的随时行为通过使用两个循环控制序列实现。循环条件使用enoughTime函数构建，该函数根据TB-CBR完成每个阶段的总时间确定是否可以进行新的迭代。
综上所述，基于MOGA的管道网络批次排序模型和基于时间约束的规划代理为工业环境中的调度和规划问题提供了有效的解决方案。这些技术在实际场景中得到了验证，能够提高生产效率、降低成本，并为工业生产和管理提供决策支持。未来，可以进一步研究这些模型的详细公式，以获得具有其他操作标准的优化序列，并插入精英策略以选择更好的解决方案。
工业环境中的智能调度与规划技术解析
技术优势与应用价值
上述两种技术在工业环境中展现出显著的优势和广泛的应用价值。
基于MOGA的管道网络批次排序技术优势
- 高效解决复杂问题 ：管道网络中批次进入顺序的组合问题十分复杂，MOGA模型通过编码、初始化、适应度分配、交叉和变异算子等一系列操作，能够有效处理这种复杂问题，找到较优的批次排序方案。
- 多目标优化 ：该模型可以同时考虑多个目标，如减少时间窗口违规、降低接口数量以及最小化makespan，从而在多个维度上优化管道网络的运行效率。
- 实际场景验证 ：通过2006年2月的实际场景案例研究，证明了该模型在实际应用中的可行性和有效性，为工业生产中的管道调度提供了可靠的解决方案。
基于时间约束的规划代理技术优势
- 适应实时环境 ：在制造环境中，时间约束是关键因素。基于时间约束的实时代理能够在实时环境中进行有效的任务规划和调度，确保系统在时间限制内正常运行。
- 利用过去经验 ：TB-CBP机制通过使用过去的经验来解决新问题，能够快速生成合适的计划，提高问题解决的效率和准确性。
- 集成多种模型 ：该代理集成了TB-CBP-BDI模型和基于ANN的子符号BDI模型，能够在不同层次上解决问题，增强了系统的智能性和灵活性。
操作步骤总结
为了更好地应用这两种技术，下面总结了具体的操作步骤。
基于MOGA的管道网络批次排序操作步骤
-
编码与初始化
- 从输入数据提供的初始列表中随机生成“n”个个体。
- 检查生成的个体是否可行，若不可行则丢弃并替换为新的个体。
-
适应度分配
- 使用MILP模型确定编程期间的操作活动调度。
- 计算每个序列的泵送和接收操作的持续时间、批次停顿和延迟的时间，以及根据时间窗口在每个节点交付或接收批次的提前或延迟情况。
- 根据计算结果，按照多个标准对解决方案进行排序。
-
交叉和变异算子操作
- 选择两个父代（不同的解决方案），使用均匀交叉生成一个或两个子代（新的解决方案）。
- 检查子代是否可行，若不可行则应用变异算子进行修复，即将批次时间固定到已知的时间窗口限制。
- 当交叉生成的子代与种群中已有的个体相似时，也应用变异算子。
-
模拟与选择
- 使用实际场景数据进行模拟，运行MOGA模型。
- 根据模拟结果，从非支配解决方案中选择合适的方案，可根据个人偏好进行选择。
基于时间约束的规划代理操作步骤
- 代理初始化 ：构建基于TB-CBP-BDI模型的实时代理，集成相关的数学模型和算法。
-
TB-CBP循环操作
-
学习阶段
- 检查是否有先前的案例等待修订并可能存储在案例库中。
- 若有足够时间，对最近收到解决方案反馈的案例实施学习阶段；若列表为空，则省略此过程。
-
审议阶段
- 使用检索算法在案例库中搜索与当前案例相似的案例。
- 将相似案例发送到重用阶段，通过重用算法将其转换为适合当前问题的计划。
- 若审议阶段有足够时间，可进行后续迭代以改进计划。
-
学习阶段
-
时间管理与循环控制
- 实时代理确定合适的时机启动TB-CBP算法，并指示完成执行周期的最大可用时间tmax。
- 使用timeManager(tmax)函数在学习和审议阶段之间分配时间。
- 通过enoughTime函数控制循环，确定是否可以进行新的迭代。
技术应用流程图
下面通过mermaid格式的流程图展示两种技术的应用流程。
graph LR
classDef startend fill:#F5EBFF,stroke:#BE8FED,stroke-width:2px;
classDef process fill:#E5F6FF,stroke:#73A6FF,stroke-width:2px;
classDef decision fill:#FFF6CC,stroke:#FFBC52,stroke-width:2px;
A([开始]):::startend --> B(基于MOGA的管道网络批次排序):::process
A --> C(基于时间约束的规划代理):::process
B --> B1(编码与初始化):::process
B1 --> B2{个体是否可行?}:::decision
B2 -- 是 --> B3(适应度分配):::process
B2 -- 否 --> B4(替换个体):::process
B4 --> B1
B3 --> B5(交叉和变异算子操作):::process
B5 --> B6{子代是否可行?}:::decision
B6 -- 是 --> B7(模拟与选择):::process
B6 -- 否 --> B8(应用变异算子修复):::process
B8 --> B5
B7 --> B9([结束]):::startend
C --> C1(代理初始化):::process
C1 --> C2(TB - CBP循环):::process
C2 --> C3(学习阶段):::process
C3 --> C4{是否有案例待处理?}:::decision
C4 -- 是 --> C5(处理案例):::process
C4 -- 否 --> C6(省略学习阶段):::process
C5 --> C7(审议阶段):::process
C6 --> C7
C7 --> C8(检索相似案例):::process
C8 --> C9(重用案例生成计划):::process
C9 --> C10{是否有时间迭代?}:::decision
C10 -- 是 --> C11(迭代改进计划):::process
C10 -- 否 --> C12(结束循环):::process
C11 --> C9
C12 --> C13([结束]):::startend
总结与展望
基于MOGA的管道网络批次排序模型和基于时间约束的规划代理为工业环境中的调度和规划问题提供了强大的解决方案。它们在实际应用中展现出高效、多目标优化、适应实时环境等优势，能够显著提高工业生产的效率和管理水平。
未来，可以进一步研究这些模型的详细公式，以获得具有更多操作标准的优化序列。例如，可以考虑更多的约束条件和目标，如能源消耗、设备维护等。此外，插入精英策略到MOGA模型中，能够更好地选择整个帕累托前沿上的解决方案，从而提高模型的性能。同时，对于基于时间约束的规划代理，可以进一步优化时间管理和循环控制策略，以更好地适应复杂多变的工业环境。
通过不断地研究和改进这些技术，有望为工业领域带来更多的创新和发展，推动工业生产向智能化、高效化方向迈进。
总之，这两种技术在工业环境中的应用前景广阔，值得我们深入研究和推广。
扫一扫
968
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
