基于群智能和机器学习的分布式生产调度算法研究

张萌

摘 要：传统的算法对分布式生产调度的求解难度非常大，而且收敛速度慢、解质量差。由此，本文以分布式装配流水车间为研究对象，尝试使用群智能和机器学习联合算法对其进行求解，并在构建分布式生产调度模数学模型中引入动态订单决策和历史订单分析学习等动态条件，进而使联合算法的优化解贴近实际生产情况。最后，采用分布式车间调度仿真软件进行建模仿真，验证优化结果的可行性。

关键词：群智能算法;机器学习算法;分布式生产调度

中图分类号：TH186文献标识码：A文章编号：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

隨着智能化技术的不断发展，制造企业也从原来的一元化、单品种、大批量生产方式逐步转向多元化、多品种、小批量、高柔性的生产方式，因而科学合理的调度方案有利于减少产品生产时间，管理产品库存，提升产品交货期满足率及企业生产率[1]。生产调度优化问题指的是把有限的资源在合理的时间内分配给若干个任务，以满足或优化一个或多个目标。调度优化问题应用前景广阔，被广泛应用于多个领域，如企业管理、交通运输、航空航天、医疗问题、能源动力和网络通信等。生产调度优化问题是制造领域的关键问题，生产调度技术是制造系统和企业管理中的重要技术，同时是实现智能化生产的关键技术之一[2]。

1 联合算法求解分布式生产调度

在基于群智能的元启发式方法中，每代中都有多个并行的个体，个体间进行通信和竞争，提高进化或搜索效率。目前应用较为广泛的算法有演化计算、粒子群优化算法、变邻域搜索和迭代贪婪算法。虽然分布式车间调度问题取得了初步成果，但仍存在以下不足：对分布式装配流水车间生产调度问题的研究处于起步阶段，现有研究成果对现实生产中的调度问题进行了大量简化。分布式车间调度问题不仅要考虑在分布式环境下生产能力的分配，而且要考虑实际生产中的动态订单调度问题和产品工艺流程中的各种实际因素。随着人工智能技术的发展，机器学习技术在很多优化问题上表现出优异的性能。对分布式生产调度问题，目前还没有同时使用群智能算法和机器学习算法进行求解的研究。本文提出基于群智能和机器学习的分布式生产调度算法。

首先，以分布式装配流水车间为研究对象，研究供应链协同下的生产调度和车间重构问题[3]，总体流程图如1所示。通过云端集成订单信息、生产车间信息和配送信息。每个分布式工厂都配置有边缘计算设备，可以与云端信息交互，独立优化这个子工厂内的生产调度和生产资源配置，并控制生产和物流设备。

其次，构建分布式装配流水车间调度和配送数学模型，考虑暂存区、异构工厂、运输时间等实际因素，并采用多种群智能算法如迭代贪婪算法、粒子群算法和遗传算法，设计算法解表达、编码方式、搜索策略和参数，对分布式装配流水车间调度和配送数学模型进行求解。

再次，采用目前流行的机器学习算法如Q learning、Sarsa、Deep Q Network等对已建立的分布式生产调度模型进行求解。

最后，验证群智能算法和机器学习算法求解分布式生产调度问题的性能，在统一仿真实验条件下对上述两种算法进行对比，并和求解分布式调度的其他先进算法进行对比，测试所提出的算法的优异性。

2 考虑动态订单的动态生产调度研究

考虑动态随机订单条件的生产调度模型的建设，将实际订单数据转化成随机订单在区间时间段中离散时间点的到达概率;以此生产随机订单到达场景设计协同供应链网络生产调度优化策略，构建多个子决策模型，设计不同调度策略下成本差异的主决策模型;分别用群智能算法和机器学习算法建模求解。

为充分利用历史订单信息、减少未来可能订单对紧急订单的影响，采用机器学习算法建立生产调度的动态优化模型。根据生产线运行过程中积累的大量历史数据与实时数据，利用深度学习构建紧急订单相关信息预测模型;结合专家经验知识，利用模糊推理系统将预测结果与系统模型相融合，使生产线提前调整生产策略，保证紧急订单到来时生产线能有效完成其加工任务及减小紧急订单与常规订单之间的相互影响。优化流程如图2所示，其中云中心完成对动态订单的实时优化决策。

3 优化结果的生产仿真验证

在对调度优化理论和方法进行验证时，为弥补传统数学模型难以精确建立和实际生产验证成本太高的缺陷，采用基于离散事件仿真方法对所提出的分布式车间建立生产仿真模型，并验证群智能算法和机器学习算法求解实际分布式车间生产调度的有效性。

4 结论

传统的算法对分布式生产调度的求解难度非常大，而且收敛速度慢、解质量差。由此，本文提出群智能和机器学习联合求解的算法，并在构建分布式生产调度数学模型中引入动态订单决策和历史订单分析学习等动态条件，进而使联合算法的优化解更贴近实际生产情况。最后利用Plant Simulation仿真软件对联合算法进行验证。

参考文献：

[1]李红.分布式车间调度方法研究[D].沈阳：沈阳工业大学，2008.

[2]黄英杰.基于目标级联法和智能优化算法的车间调度问题研究[D].广州：华南理工大学，2012.

[3]金博，周景亮，阮玉镇.基于Plant Simulation的作业车间调度优化研究[J].机电技术，2020（1）：20-23.