基于遗传算法的智能RGV动态调度模型

刘浅

摘要：本文主要研究的是车间柔性加工中以直线轨道为基础的RGV智能加工系统中一道工序物料加工作业情况，针对解决最优化RGV调度策略和最大化系统作业效率两个问题。根据遗传算法，将RGV作业效率，CNC作业效率等目标，以多目标形式分值设置权重作为目标函数，进行最优装置安置与路线设计，建立RGV动态调度模型，并以单位时间内成品物料数量最大化为目标，进行动态规划，得出RGVI作中各环节的最优调度策略。将所建立的模型与调度策略进行实际加工时各种情况下的模拟仿真，结果表明其可行性及合理性。

关键词：动态规划;柔性加工;遗传算法

0引言

近年来，随着IT、智能技术的发展以及加工设备设施的改进，使得动态调度问题的解决成为了可能。实现合理化智能RGV的动态调度也成为当下的热点问题，RGV是一种无人驾驶、能在固定轨道上自由运行的智能车。根据指令，RGV能自动控制移动方向和距离，整体由一个机械手臂、两只机械手爪和物料清洗槽组成，能够完成上下料及清洗物料等作业任务。在RGV普及的今天，设法在智能加工系统中减少RGV与加工设备的闲置时间，提高有效利用率显得尤为重要。

1假设

1.问题场景的假设：

假设一个RGV有轨制导车辆系统，其有一个机械手臂、两只机械手抓和物料清洗槽，能够完成上下料及清洗物料等作业任务，其主要由8台计算机数控机床（Computer Number Controller，CNC）、1辆轨道式自动引导车（Rail Guide Vehicle，RGV）、1条RGV直线轨道、1条上料传送带、1条下料传送带等附属设备组成。一道工序的物料加工作业情况，每台CNC安装同样的刀具，物料可以在任一台CNC上加工完成。

2.模型的假设：

（1）假设在零时刻之前，不允许有工件正在或已经被加工;

（2）假设在零时刻，所有的工件都可被加工;

（3）假设出现再调度时，正在加工的工序继续加工，不受影响，直到本工序完成;

（4）假设个同类型的CNC具备相同的优先级;

（5）同一时刻每台机器最多加工一道工序。

2模型的建立

根据动态调度问题的计算复杂性与对生产效率的高需求，本文采用遗传算法进行求解。

由于该问题中存在多种约束条件，因此对于编码方式的选择尤为重要，本文用数字1-8表示编号为1-8的CNC，以组成8位编码，代表一个工作周期内的RGV调度情况。初始种群中的个体为8位随机生成的编码，改编码含有数字1-8，且每个数字仅出现一次。对于适应度的评估问题，将采用该智能系统一个生产周期内生产场的熟料个数与该周期的比值作为生产效率，而将该生产效率作为本模型的适应度。本模型的个体选择采用轮盘赌法，以适应度为权重，给予每个个体合适的被选择概率，保证最优个体的个数不断增加。

由于本模型未采用二进制编码，而编码自身也存在多种限制，如每个数字仅能出现一次等，故采用OX法进行交叉操作，与其他交叉方法相比，这种方法在两父代个体相同的情况下仍能产生一定的变异效果，且更加适合本模型的编码方法，能够更好地维持群体的多样性。

3模型的求解

首先对RGV所在的直线轨道位置点进行编号，由左向右依次编号1、2、3、4。得到对应点集合D={D1，D2，D3，D4}，在一个周期中，i点为RGV首次移动的目标点。i=1，2，3，4。采用遗传算法得出最优加工流程的解，即最短时间加工完成量最大化对应的流程。

每台CNC安装的刀具相同，根据遗传算法得出的最优结果不唯一，凡是从CNC1#开始加工至CNC2#结束的所用周期最短，加工效率最高，据此现象，进行数学推导，表述如下：

4总结

通过遗传算法分析得出，在一个周期里，对于确定件数的物料，从CNC1#第一个开始上料到CNC2#最后一个完成下料，最终所需的时间是最短的，相应的物料加工效率是最高的。这种RGV的调度策略只需满足在周期中CNC的首尾次序确定即可，中间的CNC次序没有限制（不可重复），因此最終结果不唯一，得出“确定首尾”的结论。

不足之处是模型几乎基于遗传算法，虽然遗传算法十分适用于解决本题柔性加工的问题，但是模型较为单一，如果在数据有限的情况下，对RGV待命时的等待时间的计算难以达到精确的标准。