www.5593.com > www.21188.com >
www.21188.com

虽然OPAL中没有反映安排组件

发布时间:2019-09-24   浏览次数:

  式方式针对换度问题的NP特征,并不正在多项式时间内求得问题的最优解,而是正在计较时间和安排结果之间进行折中,以较小的计较量来获得近优或对劲解。式方式凡是称为安排法则。关于安排法则的研究正在很早以前便起头了,例如Johnson于1954年提出的Johnson算法等。Panwalker等对113个安排法则做了典范的分类,将安排法则分成3大类,即优先级法则(包罗简单的优先级法则、简单优先级法则的组合和加权优先级法则)、式安排法则及其它法则,并对各法则的顺应环境做了总结。关于安排法则比力典范的综述性文献还有文献。

  关于Multiagent系统的布局,分歧的人有分歧的概念。例如Kouiss等按照车间的物理结构来确定系统的布局,为每一个加工核心配备了一个Agent,用于处理对应加工核心内的安排。别的还设想了一个全局Agent,用于整个制制系统的形态,需要时为满脚全局的需要可正在各Agent间进行协调。Nof等提出了自顺应/预测安排系统框架,将安排系统按功能划分成5个模块:安排器/沉安排器、器、比力器、分辩器和安排恢复顺应器。关于每个Agent的布局,分歧的人有分歧的理解。可是每个Agent至多应有以下3个构成部门:1)学问库,包含Agent施行其功能所必需的学问和数据;2)节制功能,按照形态及取其它Agent间的彼此感化,从学问库中提取学问来完成安排功能;3)通信功能,用来取其它Agent和之间进行消息传送。

  动态安排凡是是指正在安排和使命存正在不成预测扰动环境下所进行的安排。取静态安排比拟,动态安排可以或许针对出产现场的现实环境发生更具可操做性的决策方案。动态安排的实现体例有两种:一是事先不存正在静态安排方案,间接按照出产系统中工件和设备的情况以及相关消息,利用某种计较方式,确定工件的加工优先级,即及时安排;二是正在已有静态安排方案的根本上,按照出产系统的现场形态,及时进行静态安排方案的调整,确定工件的加工优先级,此种体例常常被称做“沉安排”(又称正在线优化)。

  ISIS是最早的基于AI的安排系统之一。该系统采用束缚指点的搜刮方式发生一个安排,动态环境则由沉安排组件进行处置,当冲突发生时,它通过有选择地放松某些束缚来从头安排那些受影响的定单。基于ISIS开辟的OPIS是现有的基于学问的车间安排系统中最成熟的系统之一,它按照环境利用面向资本或面向定单的动态安排策略。SONI-A是一个包含预测和反映安排组件的单件车间安排系统,反映组件用于处理因为各类缘由发生的安排结果取预期结果间的误差,系统考虑的不测事务有操做耽搁、容量冲突和机械毛病。OPAL也是一个为单件车间设想的安排系统,它采用安排法则和式方式进行安排。虽然OPAL中没有反映安排组件,可是当安排耽搁时,它能够按照车间的当前形态从头发生一个安排。

  因为安排法则计较量小、效率高、及时性好,因此正在动态安排研究中被普遍采用。但因为它凡是仅对一个方针供给可行解,而且缺乏对全体机能的无效把握和,因此正在现实使用中常将它取其它方式连系利用,操纵其它方式按照具体环境选择合适的安排法则。此外,新的式方式也不竭提出。例如Abumizar等提出一种沉安排算法,当扰动发生时,不是全数从头安排也不是等扰动解除后再继续原安排,而是仅仅从头安排那些间接或间接管扰动影响的工件,从而削减了因为扰动惹起的出产周期的添加,同时也削减了取初始安排的误差,效率和不变性都较好。

  使用于安排问题的智能搜刮方式包罗模仿退火、禁忌搜刮和遗传算法等。目前正在动态安排中利用最多的是遗传算法。遗传算决安排问题的劣势正在于它能够随机地从一个安排跳到另一个安排,从而能够处理其它方式易于使解陷入局部最优的问题。此外,它还具有计较速度快且易取其它算法相连系的长处,很是适合于处理动态安排问题。使用遗传算决动态安排的文献较多,此中大多将遗传算法取其它方式连系利用。Lee等用遗传算法机械进修来处理单件车间的安排问题,用机械进修来发生将工件下发到车间层的学问库,而用遗传算法正在各台机械上分派工件。Jian等提出一种FMS的安排和沉安排算法,该算法考虑了4种动态事务,即机械损坏、定单优先级提高、告急定单下达和定单打消,用稳态遗传算法发生一个初始安排,当不测事务发生时,按照具体环境仅从头安排那些间接受影响的工序。Jones等提出一种及时排序和安排算法,它集成了神经收集、及时仿实和遗传算法等方式,此中遗传算法次要用于对几个备选的安排法则进行优选。

  仿实方式是动态安排研究中最常用的方式。该方式通过对现实出产的建模来模仿现实出产,从而避开了对换度问题进行理论阐发的坚苦。目前,仿实方式正在动态安排研究中次要有以下两方面内容:

  最优化方式次要包罗数学规划动态规划、夹杂整数线性规划等)、分支定界法和消去法等。这类方式凡是基于某些简化的假设,并能发生一个最优安排方案。现已证明,绝大大都安排问题是NP问题,跟着安排问题规模的增大,上述方式的求解难度将急剧添加,因此最优化方式往往不克不及顺应出产现实对及时性的要求。此外,该类方式大多基于某些抱负化的假设,远不克不及充实反映现实出产的复杂性,并且要充实表达现实出产的随机性和动态性也极为坚苦,所以零丁利用此类方式来处理动态安排问题是不现实的。目前正在动态安排的研究中,凡是将最优化方式同其它方式相连系,用来处理必然的问题。例如Matsuura提出的沉安排算法,起首用分支定界法发生一个安排,当工况发生变化时,再用安排法则来分派工件。

  专家系统正在动态安排研究中拥有主要地位,目前已有一些较成熟的安排专家系统,例如ISIS和OPIS等。安排专家系统凡是将范畴学问和现场的各类束缚暗示成学问库,然后按照现场现实环境从学问库中发生安排方案,并能对不测环境采纳响应的对策。

  1)研究各类仿实参数对仿实成果的影响,以便正在进行仿实正在验时能做出得当选择,从而使仿实所取得的结论更全面、更具力。Ramash总结了大量的相关文献,对仿实时招考虑的参数及各参数的取值范畴做了细致引见。

  Multiagent通过正在一系列分离的智能单位(Agent)间进行协调来处理问题。这些单位有各自的方针和自治的行为,而且能够有子单位。可是没有一个单位可以或许处理全局问题,因此它们之间必需进行协调。

  Sim等提出一种专家神经收集方式,该方式用16个神经收集别离从响应的锻炼样本集中获取安排学问,用专家系统确定各子网的输入。因为神经收集的锻炼由16个子网分管,而且各子网能够并行锻炼,从而削减了锻炼时间。Cho等提出一种基于神经收集和仿实的鲁棒自顺应安排器,该方式按照他人研究的结论确定神经收集的布局和锻炼样本。虽然该收集布局具有较强的通用性,但因为每小我研究的布景不尽不异,因而通过量化他人结论来发生锻炼样本必然会对收集机能形成影响。Jones等提出一种处理及时排序和安排问题夹杂方式的框架,分析使用了神经收集、遗传算法和及时仿实等方式。但只是供给了一个框架,实正实施起来还需进一步研究。Liu等提出一种用神经收集选择安排法则的方式,神经收集的输入对应于所有待安排工件的加工线和加工时间消息,输出对应于待选的安排法则。但该方式需要大量的锻炼样本和很长的锻炼时间才能安排的结果;别的,跟着问题规模的增大,收集的规模也将急剧增大。

  无效的范畴模子和学问暗示对于动态安排专家系统的设想十分主要。此外,束缚正在安排学问库中也占领主要地位,由于安排的黑白正在很大程度上依赖于其对束缚的满脚程度。动态安排的决策参数具有很强的不确定性,为了无效地暗示这种不确定性,很多学者选择了概率论,而使用恍惚集理论则是一种更为无效的方式。正在安排问题中使用恍惚方式的长处正在于,可为不切确束缚的暗示和使用供给丰硕的表述言语和系统的框架,而且能对恍惚方针进行评价。

  以上两种体例皆可获得可操做的安排决策方案,但又有所分歧。及时安排正在决策中往往只考虑局部消息,因而获得的安排成果可能取优化的安排方案有较大的误差,虽然可行,但取优化方案还有较大距离;沉安排则是正在已有静态安排方案的根本上,按照现实出产情况,进行静态方案的动态调整,其可操做性。因为静态安排方案往往是通过优化方式考虑多个机能目标获得的,因而沉安排(即正在线优化)可以或许获得愈加优化的动态安排成果。

  2)将某些方式使用于某个仿实,通过仿实评价现无方法之间或新方式取现无方法之间的好坏,从而总结出各方式的合用范畴,或按照结论数据成立学问库或发生神经收集的锻炼样本。Liu等做了大量仿实正在验,从仿实数据中发生出锻炼样本用于锻炼神经收集,并将锻炼后的神经收集用于动态安排。

  研究表白,Multiagent出格合用于处理复杂问题,特别是那些典范方式无决的单位间有大量交互感化的问题。其长处是速度快、靠得住性高、可扩展性强、能处置带有空间分布的问题、对不确定性数据和学问有较好的容错性;此外,因为是高度模块化系统,因此能概念和简化设想。

  目前,关于动态安排研究方式的综述性文献仅对动态安排的某类研究方式进行综述。例如:Ra-mash对动态安排仿实研究方式的综述,Szelde等对基于学问的反映安排方式的综述;Suresh等对单件车间动态安排的综述。这些文献不单没有对动态安排的各类研究方式进行全面的综述,并且对每种方式的合用前提也缺乏需要的阐发。近年来,动态安排的理论和使用研究都取得了很猛进展,因而有需要对动态安排的研究方式进行系统的分类和评价。本文将研究动态安排的方式分成两大类,即保守方式和智能方式。保守方式包罗最优化方式、仿实方式和式方式;智能方式包罗专家系统人工神经收集、智能搜刮算法和Multiagent方式。

  神经收集使用于安排问题已有十多年的汗青,它正在动态安排研究中的使用次要集中正在以下两方面:1)将安排问题当作一类组合优化问题,操纵其并行处置能力来降低计较的复杂性;2)操纵其进修和顺应能力将它用于安排学问的获取,以构制安排决策模子。目前,操纵神经收集处理动态安排问题已成为动态安排研究的一个热点。正在动态安排研究中使用最多的是BP网,通过对它的锻炼来构制安排决策模子。

  因为仿实方式正在模仿现实时做了某些假设和近似,并且仿实模子的成立较多地依赖于诸如随机分布等参数的选择,因此仿实结论往往因模子的分歧而分歧,很难取得一个分歧的结论。然而,对大都出产安排问题而言,正在缺乏无效的理论阐发的环境下,仿实仍不失为一种最受欢送的方式。


友情链接:
Copyright 2019-2022 http://www.yuliyeya.cn 版权所有 未经协议授权禁止转载