关键词： 深度强化学习   柔性作业车间调度问题   多近端策略优化算法   紧急插单   区间调度  

摘要： 柔性作业车间调度问题具有复杂性和多样性,相关领域的研究主要集中在求得近似解方面,在车间调度过程中把握好求解质量和求解效率的平衡十分重要。求得高质量解的同时拥有更优的泛化能力也是智能工业界长期关注的焦点。近年来,利用深度强化学习解决作业车间调度问题的方法被广泛使用,但是在柔性作业车间上的研究相对较少。另外,在调度系统在面对出现紧急订单的情况下处理能力较差,同时几乎没有利用已经训练好的调度策略对调度系统中出现的紧急订单问题进行解决。这些情况已经不能有效的满足智能制造工厂目前的需求。本文利用深度强化学习的方法对柔性作业车间调度问题进行研究,提出了一种使用图神经网络端到端自主学习解决柔性作业车间调度问题的算法。同时也对柔性作业车间调度环境下紧急订单调度的问题进行了研究,提出使用新的区间调度的方法来解决目前所求解质量较低的问题。本文的具体工作如下:(1)分析柔性作业车间问题的约束条件及假设,建立起相应的数学模型,根据强化学习的相关原理,使用多重马尔可夫决策过程对柔性作业车间调度问题进行建模,给出状态、动作和奖励的定义,为强化学习提供数学基础。使用析取图的方式表示柔性作业车间调度问题,并采取了图神经网络嵌入局部状态的方式,解决了状态表示方面的问题。(2)针对建立起的多重马尔可夫决策过程,设计了由两个编码器-解码器组成的多指针图网络,用于生成工件操作动作策略和机器动作策略。在两个编码器-解码器中加入注意力机制。改进了Actor-Critic框架下近端策略优化算法,提出了多近端策略优化算法来学习两个子策略。同时针对Brandimarte算例和Behnke算例进行了仿真实验。将机器最大负荷最小和工件等待时间最小下的最大完工时间作为评价调度性能的指标。将启发式算法、元启发式算法和其他深度强化学习算法与本次提出的算法进行对比实验。实验结果表明,本次提出的算法在Brandimarte算例上的最大完工时间均相比于启发式算法提高了35%以上,相比于元启发式算法提高了7%以上,并且在相同的算例上,本次提出的算法比其他深度强化学习算法的最大完工时间在大部分算例中的表现都更优,同时相对百分比偏差降低了23%以上,其性能优秀且更加稳定。通过对更大规模Behnke算例的研究,本文提出的算法在最大完工时间均优于启发式算法和元启发式算法,其相对百分比偏差比启发式算法降低了33%以上,性能更加稳定。为了更好的体现本文提出算法的优异性能,将目前两种性能优秀的元启发式算法与本文提出的算法在大规模算例中进行了求解时间的对比,实验结果表明,本文提出的算法的平均求解时间相比于元启发式算法减少了十倍以上。(3)在柔性作业车间调度环境下,针对紧急订单问题,使用了更优的区间调度策略来对解决紧急订单进入柔性制造系统的问题,以工件的平均奖励期望为信号,以机器最大负荷最小,工件等待时间最小下的最大完工时间为目标。在加入紧急加工工件的Brandimarte算例上与两种传统的重调度方式进行对比实验。实验结果表明,区间调度策略求解最大完工时间相比于另外两种重调度策略提升了17%和12%。通过对静态以及动态事件下的柔性作业车间调度问题进行研究,本次所提出算法有了较高水平的提升,在未来智能工厂生产制造方面有着较大的应用潜力。

关键词： 柔性作业车间调度   深度强化学习   图神经网络   专家引导   自注意力机制  

摘要： 柔性作业车间调度问题在制造业中占有重要地位,涉及将不同工序分配给机器,并对机器上的工序进行有效排序,以缩短生产周期、减少等待时间,提高生产效率。已有深度强化学习方法多依赖调度规则,限制了其在复杂和动态的生产环境中充分利用车间信息的能力。针对上述问题,本文设计了一种基于图神经网络和专家引导的深度强化学习算法求解柔性作业车间调度和动态柔性作业车间调度问题。 针对深度强化学习算法探索解空间能力不足、工序机器节点的状态表示不够充分等问题,提出了一种基于图神经网络和专家引导的深度强化学习算法。首先,将传统柔性调度问题的析取图扩展为工序-机器拓扑图,增强模型对工序和机器间相互依赖关系的表征能力。其次,采用图神经网络对不同类型节点和边之间的关系进行嵌入表示,提高算法在解空间探索效率和准确性。最后,使用近端策略优化算法进行训练,初期引入由调度规则生成的专家解,引导强化学习选择更稳定的初始动作,促进智能体更好的利用已知解,加速学习过程。随着训练进行,智能体逐渐过渡到自主选择动作,扩大探索范围,平衡探索和利用的能力。在公开数据集Mk和la上的实验结果表明,该方法的性能优于传统的调度规则以及强化学习算法,同时具有较好的泛化能力。 为了解决深度强化学习算法求解质量不高、特征提取能力有限等问题,提出了一种基于图神经网络和Transformer的Actor-Critic深度强化学习算法。首先,将Transformer架构融入到Actor-Critic网络中,利用自注意力机制,有效获取工序和机器间的复杂序列关系,以增强Actor网络预测动作、生成更优策略的能力,提高Critic网络对策略价值评估的准确性。其次,在训练初期,为基于专家导向的策略设计四条复合调度规则,增强智能体学习和适应动态变化的能力,加快算法的收敛速度。在公开数据集Mk上的实验结果证明,该方法的性能优于复合调度规则,并能有效解决动态柔性作业车间调度问题。 本文提出的基于图神经网络与专家引导的深度强化学习算法,以及基于Transformer的Actor-Critic框架,扩大了智能体探索的空间,提高了调度的准确性和效率,并具有较好的泛化能力,可以有效求解柔性作业车间调度以及动态柔性作业车间调度问题。

关键词： 生态文明   《机械设计》   教学案例   清理设备  

摘要： 本文以福建莆田木兰溪治理中的垃圾清理设备的设计过程为案例开展教学，同时将习近平生态文明思想融入《机械设计》课程，结合课程的学习内容引导学生提出垃圾清理设备的解决方案，收集学生小组讨论的意见并进行教学改进。该案例教学增强了学生的参与感和实践感，能帮助学生树立正确的人生观和价值观。

关键词： 双资源约束   柔性作业车间   工人疲劳   失误成本   松鼠搜索算法  

摘要： 工人与机器同为影响车间生产效率的关键因素,但人远比机器复杂。与机器不知劳累相比,工人长时间工作会积累疲劳,进而可能导致工人操作的失误。为了减少工人因疲劳而带来的不确定性,本文探究了工人疲劳对工人失误率以及其他要素的影响,建立了一个考虑工人疲劳失误成本的双资源柔性作业车间调度问题(Dual-Resource Constrained Flexible Job Shop Scheduling Problem Considering Worker Fatigue-Induced Errors Cost,DRCFJSP-WFEC)模型,并改进了松鼠搜索算法(Squirrel Search Algorithm,SSA)对该模型进行求解。 在模型方面,不仅研究了工人疲劳水平的积累与工作时长的关系,还进一步探究了疲劳水平高低对工人失误的影响。在此基础上,结合工人失误率与当前加工工序的重要程度及其加工成本建立了工人疲劳失误成本的目标函数。并为了更加合理地优化机器与工人等资源的分配,建立了一个以最大完工时间、机器总能耗、总负荷及失误成本为优化目标的调度模型。 在算法方面,针对本文的模型特点,采用三层染色体的编码方法,并结合基于工人疲劳水平的全局搜索等初始化规则生成初始种群,使种群具有更高的质量及多样性。针对算法的流程,采用非线性动态捕食率改进其捕食机制,更好地平衡了SSA的全局搜索与局部搜索。此外,在SSA中还嵌入了基于关键路径的邻域搜索以提高其寻优能力。 最后,将改进后的SSA与其他主流算法进行求解算例的效果对比,证明了改进后的SSA能够有效地求解多目标柔性作业车间调度问题。此外,通过求解实际的案例,不仅证明了改进后的SSA能够有效地求解实际的DRCFJSP-WFEC,还证明了DRCFJSP-WFEC模型的应用能对车间管理人员提供一定的决策参考。

关键词： 分布柔性作业车间   生产调度   人工蜂群算法   多目标优化  

摘要： 随着智能制造业的发展,企业为了进一步的降低生产成本,将工厂分别建立在生产成本低廉的不同地区,采用分布式制造的生产模式,生产出高质量且低成本的产品。另外,由于全球经济一体化逐渐加深,诸多企业根据市场需求和成本考虑,在不同地理位置建立工厂以实现灵活的生产安排,提高生产响应能力。由此可见,分布式制造逐渐被企业所利用,分布式制造可以推动制造业向更加智能、灵活和可持续发展的方向。 本研究提出了一种改进人工蜂群算法,用于求解考虑工件运输时间的多目标分布式柔性作业车间调度问题。该问题的目标是最小化最大完工时间、最小化最大机器负荷以及最小化机器总负荷。 首先,本研究引入了帕累托排序和参考点的概念,利用帕累托排序以及基于参考点的小生境选择对外部档案中的解进行筛选,以确保优质的解被保留到外部档案中。 其次,本研究对传统的人工蜂群算法进行了改进。第一,在雇佣蜂搜索阶段,根据问题特性以及编码特点,设计了一种自适应交叉方式,在平衡探索和利用,提高算法的收敛速度和搜索能力的同时降低了非法解的产生。第二,在侦察蜂搜索阶段,将tent混沌映射融入到侦察蜂的搜索过程中,增加算法的多样性和全局搜索能力。 最后,本研究为了评价改进人工蜂群算法的性能,设计了一组实验,以Brandimarte提出的FJSP标准算例中Mk01、Mk05、Mk10、Mk12、Mk15为基础,每个算例分别考虑3个工厂、4个工厂以及5个工厂的加工规模情况,并在求解精度、多样性和最优值三个方面与其他经典算法进行了比较。实验结果表明IABC算法能够更好地探索解空间,得出一组高质量的非支配解,在求解性能方面显现出优越性。

关键词： 柔性作业车间调度   布谷鸟算法   低碳多目标   免疫算法  

摘要： 当前船舶制造业仍处于数字化制造起步阶段,关键工艺的生产仍以半机械化、半自动化为主,调度人员常依靠既往经验来手工排产,因此增加了排产计划的不确定性。在制造业向智能化和数字化发展的趋势下,这种半自动化排产方式已难以满足当下工厂高效高量的实际需求。因此对柔性作业车间调度问题(Flexible Job Shop Scheduling Problem,FJSP)的研究是解决工厂实际排产痛点的关键。 本文在综合分析了国内外研究进展的基础上,构建了单目标柔性作业车间调度问题和低碳多目标柔性作业车间调度问题的数学模型,并基于布谷鸟算法(Cuckoo Search algorithm,CS)设计了相应的求解方法。具体工作如下: (1)针对单目标FJSP问题,提出了一种基于种群多样性信息引导的自适应布谷鸟算法(Diversity-Guidance-Adaptive Cuckoo Search Algorithm,DG-ACS)。首先引入了一种自适应的步长和淘汰概率策略,解决CS算法缺乏灵活性的同时,实现动态调整算法的步长和淘汰概率,提高了算法的搜索开发能力。其次提出了一个基于种群信息的全局和局部搜索平衡策略,该策略根据种群中不同个体适应度值的差异程度,自适应地调整全局和局部搜索的比例,从而更好的协调算法的探索和开发能力。最后为了弥补DG-ACS在局部搜索性能上的不足,设计了基于关键路径过滤的局部搜索方法,提升算法的搜索效率。实验证明与同类算法相比,DG-ACS在搜索速度和解的质量方面均有明显优势,算法在解决单目标FJSP上也达到了较好的效果。 (2)针对低碳的多目标FJSP问题,提出一种免疫辅助的布谷鸟算法(Cuckoo Search Algorithm based on Immune Algorithm,CS-IA)。通过分析机械生产加工的过程后,建立了低碳多目标FJSP的调度模型。为求解该模型,首先提出了布谷鸟、免疫、记忆库三模块的算法结构,其中CS为主框架,同时在IA模块中增加了解的评价和修剪策略,防止后期群体生成冗余信息,在ML模块保留每轮迭代中精英解,降低精英解的丢失而导致算法退化概率。其次考虑到多个目标的优化问题,提出了基于混合平衡机制的多目标搜索策略。通过在基准算例上加入能耗数据来验证CS-IA,实验验证CSIA相较其他同类算法在最优解的质量、收敛速度以及分布度方面均具有更优的表现。