基于深度强化学习的非置换流水车间调度问题

针对传统调度算法不能有效利用历史数据进行学习,实时性较差而难以应对复杂多变的实际生产调度环境等问题,首次提出一种基于时序差分法的深度强化学习算法。该方法综合神经网络和强化学习实时性、灵活性的优势,直接依据输入的加工状态进行行为策略选取,更贴近实际订单响应式生产制造系统的调度决策过程。通过将调度问题转化为多阶段决策问题,用深度神经网络模型拟合状态值函数,把制造系统加工状态特征数据输入模型,采用时序差分法训练模型,把启发式算法或分配规则作为调度决策候选行为,结合强化学习在线评价—执行机制,从而为每次调度决策选取最优组合行为策略。在非置换流水车间标准问题集上的测试结果表明,该算法能够取得低于实例上界的较优解。

考虑恶化效应的多目标非置换流水车间调度研究

实际生产过程中,机器经长时间运行后性能会有所降低,从而导致后续工件的加工时间延长。对此,本文研究一个考虑恶化效应的非置换流水车间调度问题。首先,建立一个以最大完工时间和总能耗为优化目标的混合整数线性规划模型。然后提出一种两阶段鲸鱼优化算法(two-stage whale optimization algorithm,TWOA)求解该模型。算法采用基于工件序列的编码方式,通过基于NEH启发式算法的初始化方法提高种群质量,设计一种基于“较优且最近”的引导个体和领导个体的两阶段搜索策略,同时,应用禁忌搜索机制提高局部搜索能力。最后通过仿真实验,验证算法的有效性。

复杂壳体零件制造车间调度方法研究

针对航空发动机燃油控制系统壳体零件专业化小流水、精益生产、工序顺序柔性等现实需求和生产特点,以尽可能确保各个壳体零件准时完工为精益调度目标,构建了带有工序顺序柔性约束的非置换流水车间提前/拖期调度优化模型;采用内嵌两段式编码和三阶段解码操作算子的改进型遗传算法进行调度模型求解;最后的实际算例验证了所提调度模型和调度方法在复杂壳体零件准时化生产方面的有效性。研究成果在汽车发动机壳体、减速器壳体、各类泵壳体等车间的精益生产与现场组织方面也具有一定的适用性和推广性。