基于改進粒子群算法的智能RGV動態(tài)調度模型

張宇翔 佘俊陽 鄭祥

摘 要：本文針對智能RGV的動態(tài)調度問題進行了相關研究。主要涉及兩個核心問題，第一是CNC對于兩道工序的分配，第二是兩道不同工序CNC的位置對RGV調度的影響，前者是為了使得兩道工序的供求保持平衡，減少無用工序;后者的核心是減少CNC的等待時間。首先在分析兩道生產(chǎn)工序對于調度策略的約束后，本文提出了三個約束條件;其次建立總體最短路約束模型，使用改進的粒子群算法（PSO）對最短路進行求解;最后帶入相關數(shù)據(jù)得到工序分配方案。

關鍵詞：智能RGV ; 動態(tài)調度 ; 粒子群算法

引言

RGV是一種無人駕駛、能在固定軌道上自由運行的智能車，擁有一個機械手臂，手臂上有兩個機械手爪用來完成上下料操作，還攜帶一個清洗槽用來完成清洗熟料的任務。由8臺計算機數(shù)控機床（ComputerNumberController，CNC）與1輛軌道式自動引導車（RailGuideVehicle，RGV）、1條RGV直線軌道、1條上料傳送帶、1條下料傳送帶組成的智能加工系統(tǒng)需要一個動態(tài)調度策略使得RGV完成上下料及清洗作業(yè)等任務。

1 .篩選CNC

首先需要考慮的是如何分配生產(chǎn)工序一以及工序二的CNC數(shù)量及位置。針對這個問題，可以采用線性規(guī)劃的方式來進行優(yōu)化處理;如果工序一與工序二的總時間差最小，即可認為此時是最優(yōu)解。

如果完成一個熟料需要兩道工序，想實現(xiàn)在每班作業(yè)中效益的最大化，就應追求完成一個熟料所需要的平均最短時間;核心問題仍然未變：使得CNC的等待時間越短以及RGV的移動時間最短。

為了使得CNC的等待時間最短，提出總體最短路規(guī)劃：

定義dpq表示第p臺加工工序一的CNC到第q臺加工工序二的CNC的距離。為了使RGV花費在路徑上的時間最短，要求路徑的長度之和最小，得到以下目標函數(shù)：

約束條件1：同一時間，一個生料只能在一臺CNC上進行加工。

約束條件2： 同一時間，一臺CNC只能加工一個生料的一個工序。

約束條件3：后一道工序只能在前一道工序完成后才能開始。

2 . 粒子群算法

粒子群算法（PSO）是一種利用種群中個體間的信息共享與競爭學習來形成群智能并指導優(yōu)化搜索的算法。

第2步：利用個體粒子和適應度函數(shù)，計算粒子的適應度值。

第3步：利用更新方程對個體粒子的速度和位置進行重新計算。

第4步：比較當前粒子和歷史最優(yōu)粒子的適應度值，若當代粒子的適應度值比歷史最優(yōu)適應度值好，則用當代的替代歷史最優(yōu)適應度值;反之，歷史最優(yōu)適應度值不變。

第5步：在歷史最優(yōu)適應度值中選擇最小的一個作為全局最優(yōu)適應度值，優(yōu)化過程中，若所有的粒子個體的適應度值中最好的優(yōu)于當代全局適應度值，則更新適應度值，反之，保持全局適應度值不變。

第6步：確定優(yōu)化是否結束。若滿足最大優(yōu)化次數(shù)等于50，則優(yōu)化結束，輸出算法的優(yōu)化結果;若未滿足，則繼續(xù)優(yōu)化。

3 .模型求解

步驟一：利用非線性規(guī)劃求解分別完成兩道工序的CNC臺數(shù);

步驟二：根據(jù)工序多余量最低原則，搜索CNC處理工序，安排兩種處理兩種工序的CNC位置;

步驟三：以兩點間移動時間為路長，利用粒子群算法確定一條路長以及CNC等待時間最短的路徑;

步驟四：對RGV按規(guī)劃路徑工作進行仿真，計算出規(guī)定工作時間內(nèi)完成的物料數(shù)目。最終模型求解結果如下：

表中數(shù)字代表第一組物料第一道工序的CNC位置，0代表第二道工序的位置。

結論：

一個主要由8臺CNC與1輛RGV組成的智能加工系統(tǒng)需要一個動態(tài)調度策略使得整個系統(tǒng)的效率最高。本文認為調動策略的核心的是追求效益的最大化，在每個生料有兩道生產(chǎn)工序且CNC不發(fā)生故障的情形下讓所有的CNC單位時間內(nèi)生產(chǎn)出最多的熟料。

參考文獻：

[1]李文，伍鐵斌，趙全友，李玲香.改進的混沌粒子群算法在TSP中的應用[J].計算機應用研究，2015，32（07）：2065-2067.

[2]薛斐. 基于多層編碼的遺傳-粒子群融合算法流水線優(yōu)化控制[D].西安科技大學，2015.