CN101916404A - 一种装备制造过程多厂协同调度优化方法 - Google Patents

Abstract

本发明涉及一种装备制造过程多厂协同调度优化方法，是基于多代理和改进蚁群算法的调度模型和算法，其特征在于：首先建立基于多代理的调度系统模型框架，再将遗传算法引进蚁群优化过程中，建立改进蚁群算法，以支持代理的调度决策，从而为制造系统各工件任务确定生产设备、加工顺序和加工时间，使目标最优化，缩短了工件任务交工期，提高了设备利用率和生产效率，操作简单，收敛速度快，收敛性能好，既适用于多厂协同制造过程，也适用于一般制造企业生产过程，通过最佳任务分配和调度，实现生产共同产品的多个制造厂在制造执行过程中的协调，应用范围广，适于推广应用。

Description

一种装备制造过程多厂协同调度优化方法

一、技术领域：

本发明属于自动化技术领域，涉及一种机械装备制造企业生产调度方法，尤其是一种装备制造的过程中多厂之间协同调度的智能优化方法。

二、背景技术：

生产调度环节是装备制造企业生产管理的核心，也是整个企业管理最烦琐和最难管理的环节。生产调度问题一般可以描述为：一项可以分解的工作，在一定的约束条件下，如何安排其组成部分(操作)所占用的资源、加工时间及先后顺序，以获得产品制造时间或者成本等最优。由于生产环境的动态性，生产领域知识的多样性，调度问题的复杂性，必须将人、数学方法和信息技术结合起来进行生产领域管理调度问题的研究。

在当前全球化制造环境下，复杂产品的生产往往由属于相同或不同企业的多个制造厂共同完成。在产品制造过程中，各节点工厂与制造链上(企业内外)其他工厂之间呈现供需关系(supplier-client)或合作关系(partner-partner)，而销售给顾客的产品或服务，其特征和质量在很大程度上取决于制造链上的所有节点制造厂商，如果这些工厂仅以自身的产能情况为依据安排生产，不考虑其上下游的生产状况，往往会造成上游单方面供应过多或不足、以及下游无法及时处理物料或缺料停产等问题，造成制造流程的壅塞或中断，影响整个制造链及其内部各制造资源的性能。由于生产中的不确定性随着对象的增加和资源的分布而进一步加强，因而多厂协同调度是一个比常规调度问题(NP问题)更重要、更棘手的问题。

协同生产调度问题本质上可以归结为一个多对象、多目标的柔性调度问题，可描述为：给定不同时期订单任务的外部需求和市场预测，以及产品的BOM及工艺计划，在各工厂的有限生产能力约束和制造约束(如工艺路线、预定的完成时间、最早开始时间、设备及工艺要求等)条件下对制造任务各工序的执行先后次序进行动态排序，并按照排序的结果给它们分配不同工厂、不同机器上的加工时间，从而使协同作业整体性能目标(包括库存和准备时间、变动生产成本、延迟损失成本等)达到最优。

目前对制造系统生产调度的研究工作大多是针对某个工厂或车间内部的工作安排和资源分配问题，很少考虑工厂之间或车间之间的协同优化调度问题。已申请的关于装备制造系统生产调度方法，如专利申请号为200710192015.2(一种由计算机实现的自适应选择动态生产调度控制系统)的专利申请提出了一种由计算机实现的自适应选择动态生产调度控制系统，由学习器、决策器完成系统状态的检测、学习和调度知识的获取、知识库的更新，以及调度规则的选取；由于知识表达和获取受环境影响较大，规则对与不确定动态变化的适应性不足，因而具有一定的局限性。专利申请号为200810122532.7(基于实时工况的变权式随机调度方法)提出了一种针对显性扰动和隐形扰动等不同类型的扰动采用相应的重调度驱动机制，以处理生产调度过程中随机出现的不确定性问题的调度方法，一定程度上提高车间生产系统对不确定性工况的自适应性和生产调度的敏捷性，但也没有考虑跨工厂的协同调度问题。专利申请号200810039190.2(面向客户需求的车间作业调度系统)则只给出了一个由客户端和服务器端组成适合中小企业的作业调度计算机系统。

专利申请号为200810161655.1(一种ASP模式下企业间生产调度优化方法)涉及了跨企业、多工厂的调度问题，通过ASP平台企业将生产任务发布到ASP外协平台，再利用量子进化算法得到最优的调度方案；由于只是针对多企业(工厂)的“任务——资源”组合进行优化，没有考虑各工厂在制造过程中的协调与同步。

上述现有方法存在的主要缺陷是不能有效处理复杂产品制造过程中各承担制造厂之间的协同与协调，不能合理利用资源、难以实现产品制造过程整体性能最优。

三、发明内容：

1、发明目的：

本发明针对现有制造过程生产调度方法不能有效处理复杂产品制造过程中各承担制造厂之间的协同与协调，不能合理利用资源、难以实现产品制造过程整体性能最优等不足，提出一种操作简单、实现方便、以实现制造过程整体性能最优为目的、能快速得到有效的多厂协同生产调度方案的复杂产品制造过程多厂协同生产调度优化方法。

2、技术方案：

本发明是通过以下技术方案来实现的：

一种装备制造过程多厂协同调度优化方法，其特征在于：所述方法由以下步骤构成：

(1)、建立基于多代理的调度系统模型

为多厂调度系统建立多智能体系统模型，设立任务代理作为工厂调度系统和生产计划系统的接口接收任务，并负责任务的分配分解；设立资源代理与各个生产设施相对应，管理各台机床信息；设立管理代理负责协调各个代理之间的冲突，负责实施调度；其中：

管理代理负责工厂整体作业调度、任务管理及全局调度性能的优化与控制，以及代理的注册、状态监控等多代理系统管理职能；

任务代理负责调度任务在不同制造资源间的分配与执行过程监督；以移动代理形式实现，由移动代理对任务信息进行封装，与分布制造资源进行本地协商；从而，降低了多代理交互造成的网络负载；

资源代理负责分布多厂及其内部资源制造任务的调度，与常规基于多代理调度系统不同的是，资源代理分为工厂级资源代理和设备级资源代理；它们具有不同的管理权限和调度性能指标，工厂级资源代理以工厂作业任务安排和性能优化为目标，设备级资源代理在满足工厂约束条件下，追求个体性能最大化；

此外，系统还构造了辅助代理，在需要的时候辅助这些主要代理工作；

在多代理分布调度系统结构的基础上，上述管理代理、任务代理以及工厂及机器资源代理协同工作，完成“制造任务——制造单元——机器设备”的优化调度，并保持制造过程中所有制造资源的协调。

(2)、建立基于多代理与改进蚁群算法的多厂协同调度策略，该调度策略分为系统级、过程级两级调度策略；

上述系统级调度策略具体步骤为：

第一步、首先由联盟的管理代理进行订单任务分解，产生工件级可执行任务子集，生成一只蚂蚁，并选定首个游历的工件节点；蚂蚁选定工件各工序的加工机器，编码成新的遗传染色体种群；并将工件级任务(包括其工艺要求、交货期等)向各单元工厂发布，动态生成代表各工件的任务代理；

第二步、各单元工厂结合现有任务情况和加工能力进行作业的离线仿真调度，在满足预定的调度性能指标(包括完成时间、成本等指标)情况下，提出几种可选调度方案；

第三步、管理代理汇总各类方案，进行蚁群优化，寻优满足交货期、成本最低等性能指标的调度方案；

第四步、如果得到满意的方案，则选定该方案。如果不能得到满足产品交货期的调度方案，则提出成本追加等性能指标松弛方案，提请各单元工厂，再次提交满足要求的预调度方案；转到第二步；

第五步、将选定调度方案通知相关制造工厂，双方核准作业任务。当前调度过程完成；

所述过程级调度策略(系统级策略第二步)具体步骤为：

第一步：当生产订单到达系统后，由管理代理根据与之相应的工艺规划进行订单任务分解，产生工件级的可执行制造子任务，管理代理将这批子任务信息派遣到资源代理处；

第二步：工厂资源代理对接收的子任务信息进行解释，动态创建对应于子生产任务的任务代理，并对任务信息进行统一分配，创建蚁群遗传算法的初始游历工件；

第三步：工厂代理对遗传算法进行解码，得到所有工件的工序的优先级排序，并向任务代理发送消息，通知任务代理为对应工件的工序分配资源；

第四步：任务代理收到通知后，查询本地制造工厂内的资源管理代理，获得可以完成加工任务的资源代理列表；

第五步：任务代理代表工件任务与各个资源代理进行协商，为工序分配合适的时间段；然后，任务代理将各设备的局部调度结果返还给管理代理；蚁群遗传算法收集所有任务代理的调度结果，根据预先设定的目标函数计算染色体的适应值、评估种群，进行复制交叉、变异的进化操作，直至满足算法的终止条件；

第六步：选取路径中的最优路径，得到最佳的资源分配方案。

上述的辅助代理包括任务管理代理和资源管理代理，任务管理代理主要负责任务间的资源冲突消解，资源管理代理主要负责全局资源的注册和资源状态监控。

在步骤(1)所述的多代理调度系统支持下，结合传统的Jobshop调度问题，分布多厂作业调度问题的模型如下：

(1.1)有n个订单{Order₁，Order₂，……，Order_n}等待加工，每个订单任务又表示为一组工件集合J＝{J₁，J₂，……，J_n}来表示，假设不同工件间没有依赖关系；

(1.2)相关产品的生产由t个成员工厂共同完成，组成集合S＝{S₁，S₂，……S_t}；

(1.3)每个成员工厂有m台机器设备，集合M＝{M₁，M₂，……M_m}；

(1.4)每个工件P_i的加工按工艺规划由一组操作集合O_i＝{O_i1，O_i2，……，O_ij}构成，这组操作具有先后顺序约束。每个工件P_i有投放期R_i(工件P_i允许的最早加工时间)和交货期D_i(P_i必须完成的时间)，即要求在时间区间[R_i，D_i]内，完成工件P_i所有工序的加工；

(1.5)考虑经济性等因素，假定工件P_i的所有操作在同一工厂S_i内完成，S_i∈S；每个操作O_ij在可利用的机器设备上具有可选择的开始时间T_i和固定的加工时间L_ij，T_ij受任务的投放期R_i和加工时间L_ij约束，每个操作O_ij需要一个资源集合M_i，其中M_i∈M；

(1.6)控制变量、约束和目标函数如下：

控制变量：开始时间T_i和资源需求S_i(S_i∈S)，M_i(M_i∈M)；

约束：顺序约束为L_ij+T_ij≤T_ik(O_ij在O_ik之前)；能力约束为一台机器M在同一时间内只能执行一个加工活动，同一工件P_i只能在同一工厂S_i内加工；时间约束为任务的投放期T_i满足Min(T_i)≥R_i，及任务的交货期约束Max(T_i)+P_i≤D_i(O_i∈O)。

目标函数：

$\min \left(\mathrm{EE}\right)=\underset{k=1,\·\·\·\·\·\·,M}{\max }\left({\mathrm{EM}}_k\right)$

s.t.EM_k＝max(E_egk)，

X_egk＝1，e＝1，......，N，g＝1，......，J_e；            (1)

S_egk-E_g(g-1)n≥，X_egk＝X_e(g-1)n＝1；                    (2)

S_egk-E_ijk≥0，X_ijk＝X_egk＝1，R_ijeg＝1；                 (3)

$\underset{e=1}{\overset{N}{\mathrm{\Σ}}}{m}_{\mathrm{egk}}\≤C_k,k=1$ ，......，M，g＝1，......，J_e；        (4)

N为工件数量；M为设备数量；Ω为所有设备集合；Ω_eg为工件e(e＝1，......，N)的第g(g＝1，......，J_e)道工序可选设备集，Ω_eg∈Ω；J_e为工件e需加工的工序数；m_egk为工件e的第g道工序在机器k(k∈Ω_eg)上的加工时间；S_egk为工件e的第g道工序在机器k上的开始时间；E_egk为工件e在第g道工序在机器k上的完工时间；EM_k为所有工件在设备k上的完工时间；EE为所有工件的最好完工时间；C_k为设备k的可用能力。当工件e的第g道工序和工件i的第j道工序在同一台机器上执行，且工序j紧先于工序g时，R_ijeg＝1；否则，R_ijeg＝0。当工件e的第g道工序在机器k上执行时，X_egk＝1；否则，X_egk＝0。

式(1)表示设备k的完工时间取决于在其上加工的所有工件中最后一个工件的完工时间；式(2)表示工件e的第g道工序必须在第g-1道工序完成后才能开始；式(3)表示任一确定时刻，机器k不能同时加工两个不同的工件，也不能同时加工两道不同的工序；式(4)表示在设备k上加工的所有工件工时之和不能超出其生产能力；其中，e，k分别为以自然数为序的工件与设备的编号(标志)。

步骤(2)中所述的基于多代理与改进蚁群算法的多厂协同调度策略中，改进蚁群算法包括以下内容：

蚂蚁游历的过程是要完成工件和工序加工机器选择两层任务；选择工件时要在工件间游历，需用到工件间地图；选择工序加工机器时要在工件内各工序可选机器间游历，需用到工序机器地图；工件间地图反映了蚂蚁从某工件出发，下步可到达的工件状况；算法中，设各工件间均能相互可达；工序机器地图反映蚂蚁从某工序出发，下步工序可选机器的状况；算法中，在工件首工序前设虚拟起始工序，蚂蚁由此进入工件选择第1道工序加工机器；工件末工序后设虚拟终止工序，蚂蚁由此离开工件，完成工件所有工序加工机器选择。

上述改进蚁群算法的优化方法包括以下步骤：

第一步：生成一只蚂蚁a，并选定首个游历的工件节点。

第二步：蚂蚁a选定工件e各工序的加工机器，编码成新的遗传染色体种群。

第三步：遗传染色体种群进化，获得蚂蚁a已游历工件的当前最优调度方案，新机器能力和蚂蚁染色体L_a。

第四步：蚂蚁a选择游历下一个工件。根据到其他工件的可达概率P_e，i，赌轮法选定下一个游历的工件，s＝s+1，转第三步。

第五步：更新蚁群的信息素浓度，判断当前最优调度方案是否为最终调度方案，是则转第六步，否则返回第一步。

第六步：寻优结束，输出结果；算法结束。

上述遗传染色体种群进化以下步骤构成：

第3-1步由式(1.2)和式(1.3)计算染色体p中基因所代表工序的最早开工时间

和最早完工时间

第3-2步由式(1)计算染色体p所有机器的最后完成时间EE_p和适应值f_p，其中 $f_p=\frac{1}{{\mathrm{EE}}_p};$

第3-3步：统计染色体的最大适应值f_max和平均适应值f_avg；

第3-4步：若连续3代遗传进化的最优适应值无变化，遗传进化结束，最优染色体更新蚂蚁染色体L_a，计算机器剩余可用能力

g＝1，......，J_e，否则转第3-5步；若调度方案不满足式(1.4)能力约束，计算后的机器剩余可用能力出现了c_k＜0，k＝1，...，M，放弃本次蚂蚁游历方案，r＝r-1，步骤(1)；若满足式(1.4)能力约束；再作如下处理：若s＜N，转步骤第3-4步；若S＝N，则需进一步处理：首先，若

令

＝La；若r＜Q^a，转入步骤(1)；若r＝Q，计算L上工件e的计划加工时间

际加工时间

和工件延迟时间

其中

X_egk＝1，g＝1，...，Je，k＝1，...，M，转步骤第3-5步；设

为本次循环的最短流通时间，为本次循环的最优蚂蚁染色体；

第3-5步：计算染色体p机器基因块k中机器的计划工作时间实际工作时间

和空闲时间DEpk；其中，

x_egk＝1，e＝1，...，N，g＝1，...，J_e；

第3-6步：统计种群中各设备的最小空闲时间

和平均空闲时间

第3-7步：对染色体设备基因块k进行选择、交叉和变异操作，保持同一工件两道不同工序的基因排序关系，便于解码；生产新一代种群，转第3-1步。

上述更新蚁群的信息素浓度由以下步骤构成：

第5-1步：若

则

设EE_best为算法的最短流通时间；

第5-2步：按照MMAS更新规则并设计自适应挥发率，工件间和工序设备地图上的信息素作更新处理，具体方法是：先对信息素作挥发处理，式为

再对本次循环中取得最短流通时间的那只蚂蚁游历路径增加信息素，公式为：

${\mathrm{\τ}}_{k_g,k_j}^{a_0}(q+1)={\mathrm{\τ}}_{k_g,k_j}^{a_0}(q+1)+\mathrm{\Δ}{\mathrm{\τ}}_{k_g,k_j}^{\mathrm{best}}---\left(5\right)$

其中，同时，信息素水平被限定在[τ_max，τ_min]范围内。即若τ_e，i＞τ_max，则令τ_e，i＝τ_max；若τ_e，i＜τ_min，则令τ_e，i＝τ_min，对

做同样的处理，设a₀为取得最优路径的蚂蚁；

第5-3步：令q＝q+1，若q＞Q，则算法结束；否则令r＝0，转第5-1步；设q为循环计数器，q＝1，......Q。

所述的改进蚁群算法为混合蚁群算法，该算法的蚁群转移概率和遗传算子设计如下：

1)蚁群转移概率

蚁群转移概率既包括蚂蚁在工厂间的转移概率，又包括蚂蚁在工件间及工序设备间的转移概率；而遗传算子主要针对染色体中设备基因块；具体情况如下：

蚂蚁在工件间的转移概率

$p_{e,i}\left(s\right)=\left\{\begin{array}{c}\frac{{\left[{\mathrm{\τ}}_{e,i}\left(s\right)\right]}^{\mathrm{\α}}{\left[{\mathrm{\η}}_{e,i}\left(s\right)\right]}^{\mathrm{\β}}}{\underset{l\∈W_i^a}{\mathrm{\Σ}}\left({\left[{\mathrm{\τ}}_{e,l}\left(s\right)\right]}^{\mathrm{\α}}{\left[{\mathrm{\η}}_{e,l}\left(s\right)\right]}^{\mathrm{\β}}\right)},\\ 0,i\∉W_i^a\end{array}\right.,i{\∈W}_i^a---\left(6\right)$

其中，τ_e，i(s)为工件(e，i)间的信息素水平；η_e，i(s)＝1/DE_i，其中DE_i由上述第3-4步确定，即工件延迟时间越短，被选中的概率越大，从而实现所有工件流通时间最短；α，β决定了τ_e，i(s)和η_e，i(s)在转移概率中的重要程度。

蚂蚁在工厂及工序设备间的转移概率：

$P_{k_g,k_j}(s+t)=\left\{\begin{array}{c}\frac{{\left[{\mathrm{\τ}}_{k_g}(s+t)\right]}^{\mathrm{\α}}{\left[{\mathrm{\η}}_{k_g{k}_j}(s+t)\right]}^{\mathrm{\β}}}{\underset{l\∈W_{k_j}^a}{\mathrm{\Σ}}\left({\left[{\mathrm{\τ}}_{k_g{k}_j}(s+t)\right]}^{\mathrm{\α}}{\left[{\mathrm{\η}}_{k_g{k}_j}\right]}^{\mathrm{\β}}\right)},\\ 0,k_j\∉W_{k_j}^a\end{array}\right.{,k}_j\∈W_{k_j}^a---\left(7\right)$

其中，为工序设备(k_g，k_j)间的信息素水平；

X_ejk＝1，即设备可用能力相对越充裕，被选中的概率越大，从而满足能力约束；

2)遗传算子设计

对控制染色体进行遗传操作的实质是为所有工件选定一组最优加工路径；对调度染色体进行遗传操作的实质是在加工路径既定的情况下，为每个加工设备寻找最优加工序列。所以遗传算子主要是针对控制染色体的工件基因块和调度染色体的设备基因块。具体情况如下。对于控制染色体种群只采用选择和变异操作。

选择：从当前种群选择进行变异操作的个体；选择概率设计如下：

$P_{s,q}^c=\left\{\begin{array}{c}\sin \left[\frac{\mathrm{\π}}{2}\frac{f_{\max }^c-f_q^c}{f_{\max }^c-f_{\mathrm{avg}}^c}\right],f_q^c>f_{\mathrm{avg}}^c\\ 1,f_q^c\≤f_{\mathrm{avg}}^c\end{array}\right.---\left(8\right)$

变异：采用基于工件基因块的变异法。由各工序可选加工设备集重新随机选定该工件各工序的加工设备，这样控制染色体会发生与工件基因块数目N相同的多点变异。某控制染色体q工件基因块e自适应变异概率为

对于调度染色体种群采用选择、交叉和变异遗传操作。

选择：根据调度染色体个体适应值采用轮赌法，选择进入下一代参与交叉和变异的个体。选择概率为

交叉：采用基于设备基因块交叉法。这样，两个调度染色体会发生与设备基因块数目M相同的多点交叉。每个设备基因块可以看成一类旅行商问题(Traveling Salesman Problem，TSP)，可选用TSP现有的交叉方法，这里采用顺序交叉法。某两调度染色体设备基因块自适应交叉概率为：

$P_{c,p,k}^m=\left\{\begin{array}{c}\sin \left[\frac{\mathrm{\&pi;}}{2}\frac{{\mathrm{DE}}_{p,k}^m-{\mathrm{DE}}_{\min ,k}^m}{{\mathrm{DE}}_{\mathrm{avg},k}^m-{\mathrm{DE}}_{\min ,k}^m}\right],{\mathrm{DE}}_{p,k}^m<{\mathrm{DE}}_{\mathrm{avg},k}^m;\\ 1,{\mathrm{DE}}_{p,k}^m\&GreaterEqual;{\mathrm{DE}}_{\mathrm{avg},k}^m.\end{array}\right.----\left(9\right)$

式中，

为待交叉的两个设备基因块中空闲时间较小者。

变异：针对设备基因块采用两点易位变异法。这样，调度染色体会发生与设备基因块数目M相同的多点变异。某调度染色体P设备基因块M_k的自适应变异概率为：

$P_{m,p,k}^m=\left\{\begin{array}{c}\frac{1}{2}\sin \left[\frac{\mathrm{\&pi;}}{2}\frac{{\mathrm{DE}}_{p,k}^m-{\mathrm{DE}}_{\min ,k}^m}{{\mathrm{DE}}_{\mathrm{avg},k}^m-{\mathrm{DE}}_{\min ,k}^m}\right],{\mathrm{DE}}_{p,k}^m<{\mathrm{DE}}_{\mathrm{avg},k}^m\\ 0.5,{\mathrm{DE}}_{p,k}^m\&GreaterEqual;{\mathrm{DE}}_{\mathrm{avg},k}^m\end{array}\right.---\left(10\right)$

3、优点及效果：

本发明提出了一种装备制造过程多厂协同调度优化方法，是基于多代理和改进蚁群算法的调度模型和算法，与现有的方法相比具有如下优点：

1、既适用于多厂协同制造过程，也适用于一般制造企业生产过程；

2、为制造系统各工件任务确定生产设备、加工顺序和加工时间，使目标最优化，缩短工件任务交工期，提高设备利用率和生产效率；

3、操作简单、收敛速度快、收敛性能好；

4、在网络化制造环境下实现，通过最佳任务分配和调度，实现生产共同产品的多个制造厂在制造执行过程中的协调。

四、附图说明：

图1为本发明基于多代理的多厂协同调度系统模型图；

图2为本发明代理组件模型结构示意图；

图3为本发明改进蚁群算法流程图；

图4为本发明多厂协同调度系统功能框图。

五、具体实施方式：

下面结合附图对本发明做进一步的说明：

本发明提供了一种装备制造过程多厂协同调度优化方法，其特征在于：所述方法由以下步骤构成：

(1)、建立基于多代理的调度系统模型

为多厂调度系统建立多智能体系统模型，设立任务代理作为工厂调度系统和生产计划系统的接口接收任务，并负责任务的分配分解；设立资源代理与各个生产设施相对应，管理各台机床信息；设立管理代理负责协调各个代理(Agent)之间的冲突，负责实施调度；其中：

管理代理(Manager Agent，MA)负责工厂整体作业调度、任务管理及全局调度性能的优化与控制，以及代理的注册、状态监控等多代理系统管理职能；

任务代理(Task Agent，TA)负责调度任务在不同制造资源间的分配与执行过程监督；以移动代理形式实现，由移动代理对任务信息进行封装，与分布制造资源进行本地协商；从而，降低了多代理交互造成的网络负载；

资源代理(Resource Agent，RA)负责分布多厂及其内部资源制造任务的调度，与常规基于多代理调度系统不同的是，资源代理分为工厂级资源代理和设备级资源代理；它们具有不同的管理权限和调度性能指标，工厂级资源代理以工厂作业任务安排和性能优化为目标，设备级资源代理在满足工厂约束条件下，追求个体性能最大化；

此外，系统还构造了辅助代理，在需要的时候辅助这些主要代理工作；

在多代理分布调度系统结构的基础上，上述管理代理、任务代理以及工厂及机器资源代理协同工作，完成“制造任务——制造单元——机器设备”的优化调度，并保持制造过程中所有制造资源的协调。

(2)、建立基于多代理与改进蚁群算法的多厂协同调度策略，该调度策略分为系统级、过程级两级调度策略；

上述系统级调度策略具体步骤为：

第一步、首先由联盟的管理代理进行订单任务分解，产生工件级可执行任务子集，生成一只蚂蚁，并选定首个游历的工件节点；蚂蚁选定工件各工序的加工机器，编码成新的遗传染色体种群；并将工件级任务(包括其工艺要求、交货期等)向各单元工厂发布，动态生成代表各工件的任务代理；

第二步、各单元工厂结合现有任务情况和加工能力进行作业的离线仿真调度，在满足预定的调度性能指标(包括完成时间、成本等指标)情况下，提出几种可选调度方案；

第三步、管理代理汇总各类方案，进行蚁群优化，寻优满足交货期、成本最低等性能指标的调度方案；

第四步、如果得到满意的方案，则选定该方案。如果不能得到满足产品交货期的调度方案，则提出成本追加等性能指标松弛方案，提请各单元工厂，再次提交满足要求的预调度方案；转到第二步；

第五步、将选定调度方案通知相关制造工厂，双方核准作业任务。当前调度过程完成；

所述过程级调度策略(系统级策略第二步)具体步骤为：

第一步：当生产订单到达系统后，由管理代理根据与之相应的工艺规划进行订单任务分解，产生工件级的可执行制造子任务，管理代理将这批子任务信息派遣到资源代理处；

第二步：工厂资源代理对接收的子任务信息进行解释，动态创建对应于子生产任务的任务代理，并对任务信息进行统一分配，创建蚁群遗传算法的初始游历工件；

第三步：工厂代理对遗传算法进行解码，得到所有工件的工序的优先级排序，并向任务代理发送消息，通知任务代理为对应工件的工序分配资源；

第四步：任务代理收到通知后，查询本地制造工厂内的资源管理代理，获得可以完成加工任务的资源代理列表；

第五步：任务代理代表工件任务与各个资源代理进行协商，为工序分配合适的时间段；然后，任务代理将各设备的局部调度结果返还给管理代理；蚁群遗传算法收集所有任务代理的调度结果，根据预先设定的目标函数计算染色体的适应值、评估种群，进行复制交叉、变异的进化操作，直至满足算法的终止条件；

第六步：选取路径中的最优路径，得到最佳的资源分配方案。

上述的辅助代理包括任务管理代理和资源管理代理，任务管理代理主要负责任务间的资源冲突消解，资源管理代理主要负责全局资源的注册和资源状态监控。

在步骤(1)所述的多代理调度系统支持下，结合传统的Jobshop调度问题，分布多厂作业调度问题的模型如下：

(1.1)有n个订单{Order₁，Order₂，……，Order_n}等待加工，每个订单任务又表示为一组工件集合J＝{J₁，J₂，……，J_n}来表示，假设不同工件间没有依赖关系；

(1.2)相关产品的生产由t个成员工厂共同完成，组成集合S＝{S₁，S₂，……S_t}；

(1.3)每个成员工厂有m台机器设备，集合M＝{M₁，M₂，……M_m}；

(1.4)每个工件P_i的加工按工艺规划由一组操作集合O_i＝{O_i1，O_i2，……，O_ij}构成，这组操作具有先后顺序约束。每个工件P_i有投放期R_i(工件P_i允许的最早加工时间)和交货期D_i(P_i必须完成的时间)，即要求在时间区间[R_i，D_i]内，完成工件P_i所有工序的加工；

(1.5)考虑经济性等因素，假定工件P_i的所有操作在同一工厂S_i内完成，S_i∈S；每个操作O_ij在可利用的机器设备上具有可选择的开始时间T_i和固定的加工时间L_ij，T_ij受任务的投放期R_i和加工时间L_ij约束，每个操作O_ij需要一个资源集合M_i，其中M_i∈M；

(1.6)控制变量、约束和目标函数如下：

控制变量：开始时间T_i和资源需求S_i(S_i∈S)，M_i(M_i∈M)；

约束：顺序约束为L_ij+T_ij≤T_ik(O_ij在O_ik之前)；能力约束为一台机器M在同一时间内只能执行一个加工活动，同一工件P_i只能在同一工厂S_i内加工；时间约束为任务的投放期T_i满足Min(T_i)≥R_i，及任务的交货期约束Max(T_i)+P_i≤D_i(O_i∈O)。

目标函数：

$\min \left(\mathrm{EE}\right)=\underset{k=1,\&CenterDot;\&CenterDot;\&CenterDot;\&CenterDot;\&CenterDot;\&CenterDot;,M}{\max }\left({\mathrm{EM}}_k\right)$

s.t.EM_k＝max(E_egk)，

X_egk＝1，e＝1，......，N，g＝1，......，J_e；        (1)

S_egk-E_g(g-1)n≥，X_egk＝X_e(g-1)n＝1；                (2)

S_egk-E_ijk≥0，X_ijk＝X_egk＝1，R_ijeg＝1；             (3)

$\underset{e=1}{\overset{N}{\mathrm{\&Sigma;}}}{m}_{\mathrm{egk}}\&le;C_k,k=1,$ ......，M，g＝1，......，J_e；                           (4)

N为工件数量；M为设备数量；Ω为所有设备集合；Ω_eg为工件e(e＝1，......，N)的第g(g＝1，......，J_e)道工序可选设备集，Ω_eg∈Ω；J_e为工件e需加工的工序数；m_egk为工件e的第g道工序在机器k(k∈Ω_eg)上的加工时间；S_egk为工件e的第g道工序在机器k上的开始时间；E_egk为工件e在第g道工序在机器k上的完工时间；EM_k为所有工件在设备k上的完工时间；EE为所有工件的最好完工时间；C_k为设备k的可用能力。当工件e的第g道工序和工件i的第j道工序在同一台机器上执行，且工序j紧先于工序g时，R_ijeg＝1；否则，R_ijeg＝0。当工件e的第g道工序在机器k上执行时，X_egk＝1；否则，X_egk＝0。

式(1)表示设备k的完工时间取决于在其上加工的所有工件中最后一个工件的完工时间；式(2)表示工件e的第g道工序必须在第g-1道工序完成后才能开始；式(3)表示任一确定时刻，机器k不能同时加工两个不同的工件，也不能同时加工两道不同的工序；式(4)表示在设备k上加工的所有工件工时之和不能超出其生产能力；其中，e，k分别为以自然数为序的工件与设备的编号(标志)。

步骤(2)中所述的基于多代理与改进蚁群算法的多厂协同调度策略中，改进蚁群算法包括以下内容：

蚂蚁游历的过程是要完成工件和工序加工机器选择两层任务；选择工件时要在工件间游历，需用到工件间地图；选择工序加工机器时要在工件内各工序可选机器间游历，需用到工序机器地图；工件间地图反映了蚂蚁从某工件出发，下步可到达的工件状况；算法中，设各工件间均能相互可达；工序机器地图反映蚂蚁从某工序出发，下步工序可选机器的状况；算法中，在工件首工序前设虚拟起始工序，蚂蚁由此进入工件选择第1道工序加工机器；工件末工序后设虚拟终止工序，蚂蚁由此离开工件，完成工件所有工序加工机器选择。

上述改进蚁群算法的优化方法包括以下步骤：

第一步：生成一只蚂蚁a，并选定首个游历的工件节点。

第二步：蚂蚁a选定工件e各工序的加工机器，编码成新的遗传染色体种群。

第三步：遗传染色体种群进化，获得蚂蚁a已游历工件的当前最优调度方案，新机器能力和蚂蚁染色体L_a。

第四步：蚂蚁a选择游历下一个工件。根据到其他工件的可达概率P_e，i，赌轮法选定下一个游历的工件，s＝s+1，转第三步。

第五步：更新蚁群的信息素浓度，判断当前最优调度方案是否为最终调度方案，是则转第六步，否则返回第一步。

第六步：寻优结束，输出结果；算法结束。

上述遗传染色体种群进化以下步骤构成：

第3-1步由式(1.2)和式(1.3)计算染色体p中基因所代表工序的最早开工时间

和最早完工时间

第3-2步由式(1)计算染色体p所有机器的最后完成时间EE_p和适应值f_p，其中 $f_p=\frac{1}{{\mathrm{EE}}_p};$

第3-3步：统计染色体的最大适应值f_max和平均适应值f_avg；

第3-4步：若连续3代遗传进化的最优适应值无变化，遗传进化结束，最优染色体更新蚂蚁染色体L_a，计算机器剩余可用能力，

g＝1，......，J_e，否则转第3-5步；若调度方案不满足式(1.4)能力约束，计算后的机器剩余可用能力出现了c_k＜0，k＝1，...，M，放弃本次蚂蚁游历方案，r＝r-1，步骤(1)；若满足式(1.4)能力约束；再作如下处理：若s＜N，转步骤第3-4步；若S＝N，则需进一步处理：首先，若

令

＝La；若r＜Q^a，转入步骤(1)；若r＝Q，计算L上工件e的计划加工时间

际加工时间

和工件延迟时间

其中X_egk＝1，g＝1，...，Je，k＝1，...，M，转步骤第3-5步；设

为本次循环的最短流通时间，为本次循环的最优蚂蚁染色体；

第3-5步：计算染色体p机器基因块k中机器的计划工作时间

实际工作时间和空闲时间DEpk；其中，

x_egk＝1，e＝1，...，N，g＝1，...，J_e；

第3-6步：统计种群中各设备的最小空闲时间

和平均空闲时间

第3-7步：对染色体设备基因块k进行选择、交叉和变异操作，保持同一工件两道不同工序的基因排序关系，便于解码；生产新一代种群，转第3-1步。

上述更新蚁群的信息素浓度由以下步骤构成：

第5-1步：若

则

设EE_best为算法的最短流通时间；

第5-2步：按照MMAS更新规则并设计自适应挥发率，工件间和工序设备地图上的信息素作更新处理，具体方法是：先对信息素作挥发处理，式为

再对本次循环中取得最短流通时间的那只蚂蚁游历路径增加信息素，公式为：

${\mathrm{\&tau;}}_{k_g,k_j}^{a_0}(q+1)={\mathrm{\&tau;}}_{k_g,k_j}^{a_0}(q+1)+\mathrm{\&Delta;}{\mathrm{\&tau;}}_{k_g,k_j}^{\mathrm{best}}---\left(5\right)$

其中，

同时，信息素水平被限定在[τ_max，τ_min]范围内。即若τ_e，i＞τ_max，则令τ_e，i＝τ_max；若τ_e，i＜τ_min，则令τ_e，i＝τ_min，对

做同样的处理，设a₀为取得最优路径的蚂蚁；

第5-3步：令q＝q+1，若q＞Q，则算法结束；否则令r＝0，转第5-1步；设q为循环计数器，q＝1，......Q。

所述的改进蚁群算法为混合蚁群算法，该算法的蚁群转移概率和遗传算子设计如下：

1)蚁群转移概率

蚁群转移概率既包括蚂蚁在工厂间的转移概率，又包括蚂蚁在工件间及工序设备间的转移概率；而遗传算子主要针对染色体中设备基因块；具体情况如下：

蚂蚁在工件间的转移概率

$p_{e,i}\left(s\right)=\left\{\begin{array}{c}\frac{{\left[{\mathrm{\&tau;}}_{e,i}\left(s\right)\right]}^{\mathrm{\&alpha;}}{\left[{\mathrm{\&eta;}}_{e,i}\left(s\right)\right]}^{\mathrm{\&beta;}}}{\underset{l\&Element;W_i^a}{\mathrm{\&Sigma;}}\left({\left[{\mathrm{\&tau;}}_{e,l}\left(s\right)\right]}^{\mathrm{\&alpha;}}{\left[{\mathrm{\&eta;}}_{e,l}\left(s\right)\right]}^{\mathrm{\&beta;}}\right)},\\ 0,i\&NotElement;W_i^a\end{array}\right.,i\&Element;W_i^a---\left(6\right)$

其中，τ_e，i(s)为工件(e，i)间的信息素水平；η_e，i(s)＝1/DE_i，其中DE_i由上述第3-4步确定，即工件延迟时间越短，被选中的概率越大，从而实现所有工件流通时间最短；α，β决定了τ_e，i(s)和η_e，i(s)在转移概率中的重要程度。

蚂蚁在工厂及工序设备间的转移概率：

$P_{k_g,k_j}(s+t)=\left\{\begin{array}{c}\frac{{\left[{\mathrm{\&tau;}}_{k_g}(s+t)\right]}^{\mathrm{\&alpha;}}{\left[{\mathrm{\&eta;}}_{k_g{k}_j}(s+t)\right]}^{\mathrm{\&beta;}}}{\underset{l\&Element;W_{k_j}^a}{\mathrm{\&Sigma;}}\left({\left[{\mathrm{\&tau;}}_{k_g{k}_j}(s+t)\right]}^{\mathrm{\&alpha;}}{\left[{\mathrm{\&eta;}}_{k_g{k}_j}\right]}^{\mathrm{\&beta;}}\right)},\\ 0,k_j\&NotElement;W_{k_j}^a\end{array}\right.{,k}_j\&Element;W_{k_j}^a---\left(7\right)$

其中，

为工序设备(k_g，k_j)间的信息素水平；

X_ejk＝1，即设备可用能力相对越充裕，被选中的概率越大，从而满足能力约束；

2)遗传算子设计

对控制染色体进行遗传操作的实质是为所有工件选定一组最优加工路径；对调度染色体进行遗传操作的实质是在加工路径既定的情况下，为每个加工设备寻找最优加工序列。所以遗传算子主要是针对控制染色体的工件基因块和调度染色体的设备基因块。具体情况如下。对于控制染色体种群只采用选择和变异操作。

选择：从当前种群选择进行变异操作的个体；选择概率设计如下：

$P_{s,q}^c=\left\{\begin{array}{c}\sin \left[\frac{\mathrm{\&pi;}}{2}\frac{f_{\max }^c-f_q^c}{f_{\max }^c-f_{\mathrm{avg}}^c}\right],f_q^c>f_{\mathrm{avg}}^c\\ 1,f_q^c\&le;f_{\mathrm{avg}}^c\end{array}\right.---\left(8\right)$

变异：采用基于工件基因块的变异法。由各工序可选加工设备集重新随机选定该工件各工序的加工设备，这样控制染色体会发生与工件基因块数目N相同的多点变异。某控制染色体q工件基因块e自适应变异概率为

对于调度染色体种群采用选择、交叉和变异遗传操作。

选择：根据调度染色体个体适应值采用轮赌法，选择进入下一代参与交叉和变异的个体。选择概率为

交叉：采用基于设备基因块交叉法。这样，两个调度染色体会发生与设备基因块数目M相同的多点交叉。每个设备基因块可以看成一类旅行商问题(Traveling Salesman Problem，TSP)，可选用TSP现有的交叉方法，这里采用顺序交叉法。某两调度染色体设备基因块自适应交叉概率为：

$P_{c,p,k}^m=\left\{\begin{array}{c}\sin \left[\frac{\mathrm{\&pi;}}{2}\frac{{\mathrm{DE}}_{p,k}^m-{\mathrm{DE}}_{\min ,k}^m}{{\mathrm{DE}}_{\mathrm{avg},k}^m-{\mathrm{DE}}_{\min ,k}^m}\right],{\mathrm{DE}}_{p,k}^m<{\mathrm{DE}}_{\mathrm{avg},k}^m;\\ 1,{\mathrm{DE}}_{p,k}^m\&GreaterEqual;{\mathrm{DE}}_{\mathrm{avg},k}^m.\end{array}\right.----\left(9\right)$

式中，

为待交叉的两个设备基因块中空闲时间较小者。

变异：针对设备基因块采用两点易位变异法。这样，调度染色体会发生与设备基因块数目M相同的多点变异。某调度染色体P设备基因块M_k的自适应变异概率为：

$P_{m,p,k}^m=\left\{\begin{array}{c}\frac{1}{2}\sin \left[\frac{\mathrm{\&pi;}}{2}\frac{{\mathrm{DE}}_{p,k}^m-{\mathrm{DE}}_{\min ,k}^m}{{\mathrm{DE}}_{\mathrm{avg},k}^m-{\mathrm{DE}}_{\min ,k}^m}\right],{\mathrm{DE}}_{p,k}^m<{\mathrm{DE}}_{\mathrm{avg},k}^m\\ 0.5,{\mathrm{DE}}_{p,k}^m\&GreaterEqual;{\mathrm{DE}}_{\mathrm{avg},k}^m\end{array}\right.---\left(10\right)$

本发明的技术构思为：首先，建立多代理(Agent)系统框架，进而建立起一种具有较强的分布问题求解能力和全局优化能力的分布调度机制，将复杂的分布多厂调度转化为代理个体的局部优化与多代理系统的全局优化两类调度子问题的迭代求解过程。其次，将遗传算法引进蚁群优化过程中，建立改进蚁群算法，以支持代理的调度决策。同时，代理参与蚁群计算过程，提供了分布式问题处理能力，提高了蚁群算法的求解能力，使得调度系统在满足全局性能优化的前提下，最大限度地发挥各单元制造工厂的灵活性和自主决策能力，同时提高了对急件、机器故障等意外事件的反应、处理能力，满足了敏捷制造环境下分布调度的要求。本发明提出的基于多代理和改进蚁群算法进行生产任务分配和调度，为解决多厂协同调度问题提供了一条行之有效、易实现的新途径。

本发明所采用的改进蚁群算法是将遗传算法引入到了蚁群算法的每一次迭代中，遗传算法的初始种群由蚁群算法每一次迭代产生的解及其全局最优解共同组成，然后经过遗传算法的选择、交叉、变异，若干次迭代进化，产生一组新解，进一步将遗传产生的解群体中的最优解与蚁群算法的全局最优解进行比较，取二者之中最优的作为蚁群算法新的全局最优解，然后进行信息素的更新；同时，蚁群算法在遗传算法的变异机制作用下，具有极强的全局搜索能力，避免陷入局部最优；比传统的智能优化算法收敛速度快、收敛性能好。

如图1～图3中所示，这种装备制造过程多厂协同调度优化方法，调度目标是在机器能力约束下选择最佳的工序加工机器，并确定每台机器上工件的最佳加工顺序，使所完成工件的流通时间(make span)等性能指标最优。系统组成框图如图1所示，由管理代理、任务代理和资源代理三类主要组件构成。代理组件模型结构如图2所示，由接口、中央处理器和数据库、知识库等功能模块组成。接口完成外部环境的感知和调度策略的执行；中央处理器执行调度任务的协商和调度方案编制，调度方案编制部分采用改进蚁群算法作为模型求解算法。

(1)、调度系统建模

为多厂调度系统建立多智能体系统模型，如图1所示，设立任务代理作为工厂调度系统和生产计划系统的接口接收任务，并负责任务的分配分解；设立资源代理与各个生产设施相对应，管理各台机床信息；设立管理代理负责协调各个代理之间的冲突，负责实施调度。

(2)、调度方案编制

分为系统级、过程级两级调度策略。作为优选的一种方案，系统级调度策略具体步骤为：

第一步、首先由联盟的管理代理进行订单任务分解，产生工件级可执行任务子集，生成一只蚂蚁，并选定首个游历的工件节点；蚂蚁选定工件各工序的加工机器，编码成新的遗传染色体种群；并将工件级任务(包括其工艺要求、交货期等)向各单元工厂发布，动态生成代表各工件的任务代理。

第二步、各单元工厂结合现有任务情况和加工能力进行作业的离线仿真调度，在满足预定的调度性能指标(包括完成时间、成本等指标)情况下，提出几种可选调度方案。

第三步、管理代理汇总各类方案，进行蚁群优化，寻优满足交货期、成本最低等性能指标的调度方案。

第四步、如果得到满意的方案，则选定该方案；如果不能得到满足产品交货期的调度方案，则提出成本追加等性能指标松弛方案，提请各单元工厂，再次提交满足要求的预调度方案；转到第二步。

第五步、将选定调度方案通知相关制造工厂，双方核准作业任务；当前调度过程完成。

作为优选的一种方案，过程级调度策略(涉及系统级策略第二步)具体步骤为：

第一步：当生产订单到达系统后，由管理代理根据与之相应的工艺规划进行订单任务分解，产生工件级的可执行制造子任务，管理代理将这批子任务信息派遣到资源代理处。

第二步：工厂资源代理对接收的子任务信息进行解释，动态创建对应于子生产任务的任务代理，并对任务信息进行统一分配，创建蚁群遗传算法的初始游历工件。

第三步：工厂代理对遗传算法进行解码，得到所有工件的工序的优先级排序，并向任务代理发送消息，通知任务代理为对应工件的工序分配资源。

第四步：任务代理收到通知后，查询本地制造工厂内的资源管理代理，获得可以完成加工任务的资源代理列表。

第五步：任务代理代表工件任务与各个资源代理进行协商，为工序分配合适的时间段；然后，任务代理将各设备的局部调度结果返还给管理代理；蚁群遗传算法收集所有任务代理的调度结果，根据预先设定的目标函数计算染色体的适应值、评估种群，进行复制交叉、变异的进化操作，直至满足算法的终止条件。

第六步：选取路径中的最优路径，得到最佳的资源分配方案。

作为优选的一种方案，如图3所示，上述策略涉及的基于改进蚁群算法的优化方法包括以下步骤：

第一步：生成一只蚂蚁a，并选定首个游历的工件节点。

第二步：蚂蚁a选定工件e各工序的加工机器，编码成新的遗传染色体种群。

第三步：遗传染色体种群进化，蚂蚁a已游历工件的最优调度方案，新机器能力和蚂蚁染色体L_a。

第四步：蚂蚁a选择游历下一个工件；根据到其他工件的可达概率P_e，i，赌轮法选定下一个游历的工件，s＝s+1，转第三步。

第五步：更新蚁群的信息素浓度，判断当前最优调度方案是否为最终调度方案，是则转第六步，否则返回第一步。

第六步：寻优结束，输出结果；算法结束。

(3)调度系统实现

如图4中所示，应用本发明方法实现的多厂协同生产调度系统主要包括：系统级调度决策子系统和过程级调度决策子系统。

所述系统级调度决策子系统包括：

多厂制造信息管理：该功能主要为多协作厂提供制造能力注册、制造资源信息管理等功能。

制造任务管理：该功能该功能主要为多协作厂提供订单任务分解、制造任务信息的发布、管理、协商与分配(包括制造任务下达和任务确定)等功能。

所述过程级决策子系统包括：

基础数据管理模块、数据采集模块、智能调度模块、制造过程状态监控模块、信息查询和统计模块；其中，基础数据管理模块为制造过程管理提供基础信息；数据采集模块、智能调度模块、车间状态监控模块实现了生产调度的决策与执行功能，是整个系统功能实现的核心部分，智能调度模块采用本发明的基于多代理和改进蚁群算法完成生产调度；而信息查询和统计模块提供必要的信息查询和统计分析功能。

在所述系统级和过程级子系统间设置了交互接口，为前台的数据交互和后台代理系统的信息交互提供了通道。

本发明提出的这种装备制造过程多厂协同调度优化方法，是基于多代理和改进蚁群算法的调度模型和算法，缩短了工期，提高了生产效率，操作简单，收敛速度快，既适用于多厂协同制造过程，也适用于一般制造企业生产过程，应用范围广，适于推广应用。

Claims (8)

1.一种装备制造过程多厂协同调度优化方法，其特征在于：所述方法由以下步骤构成：

(1)、建立基于多代理的调度系统模型

为多厂调度系统建立多智能体系统模型，设立任务代理作为工厂调度系统和生产计划系统的接口接收任务，并负责任务的分配分解；设立资源代理与各个生产设施相对应，管理各台机床信息；设立管理代理负责协调各个代理之间的冲突，负责实施调度；其中：

①管理代理负责工厂整体作业调度、任务管理及全局调度性能的优化与控制，以及代理的注册、状态监控等多代理系统管理职能；

②任务代理负责调度任务在不同制造资源间的分配与执行过程监督；以移动代理形式实现，由移动代理对任务信息进行封装，与分布制造资源进行本地协商；从而降低了多代理交互造成的网络负载；

③资源代理负责分布多厂及其内部资源制造任务的调度，与常规基于多代理调度系统不同的是，资源代理分为工厂级资源代理和设备级资源代理；它们具有不同的管理权限和调度性能指标，工厂级资源代理以工厂作业任务安排和性能优化为目标，设备级资源代理在满足工厂约束条件下，追求个体性能最大化；

此外，系统还构造了辅助代理，在需要的时候辅助这些主要代理工作；

在多代理分布调度系统结构的基础上，上述管理代理、任务代理以及工厂及机器资源代理协同工作，完成“制造任务——制造单元——机器设备”的优化调度，并保持制造过程中所有制造资源的协调；

(2)、建立基于多代理与改进蚁群算法的多厂协同调度策略，该调度策略分为系统级、过程级两级调度策略；

所述系统级调度策略具体步骤为：

第一步、首先由联盟的管理代理进行订单任务分解，产生工件级可执行任务子集，生成一只蚂蚁，并选定首个游历的工件节点；蚂蚁选定工件各工序的加工机器，编码成新的遗传染色体种群；并将工件级任务向各单元工厂发布，动态生成代表各工件的任务代理；

第二步、各单元工厂结合现有任务情况和加工能力进行作业的离线仿真调度，在满足预定的调度性能指标情况下，提出几种可选调度方案；

第三步、管理代理汇总各类方案，进行蚁群优化，寻优满足交货期、成本最低等性能指标的调度方案；

第四步、如果得到满意的方案，则选定该方案，如果不能得到满足产品交货期的调度方案，则提出性能指标松弛方案，提请各单元工厂，再次提交满足要求的预调度方案；转到第二步；

第五步、将选定调度方案通知相关制造工厂，双方核准作业任务，当前调度过程完成；

所述过程级调度策略具体步骤为：

第一步：当生产订单到达系统后，由管理代理根据与之相应的工艺规划进行订单任务分解，产生工件级的可执行制造子任务，管理代理将这批子任务信息派遣到资源代理处；

第二步：工厂资源代理对接收的子任务信息进行解释，动态创建对应于子生产任务的任务代理，并对任务信息进行统一分配，创建蚁群遗传算法的初始游历工件；

第三步：工厂代理对遗传算法进行解码，得到所有工件的工序的优先级排序，并向任务代理发送消息，通知任务代理为对应工件的工序分配资源；

第四步：任务代理收到通知后，查询本地制造工厂内的资源管理代理，获得可以完成加工任务的资源代理列表；

第五步：任务代理代表工件任务与各个资源代理进行协商，为工序分配合适的时间段；然后，任务代理将各设备的局部调度结果返还给管理代理；蚁群遗传算法收集所有任务代理的调度结果，根据预先设定的目标函数计算染色体的适应值、评估种群，进行复制交叉、变异的进化操作，直至满足算法的终止条件；

第六步：选取路径中的最优路径，得到最佳的资源分配方案。

2.根据权利要求1所述的一种装备制造过程多厂协同调度优化方法，其特征在于：所述的辅助代理包括任务管理代理和资源管理代理，任务管理代理主要负责任务间的资源冲突消解，资源管理代理主要负责全局资源的注册和资源状态监控。

3.根据权利要求1所述的一种装备制造过程多厂协同调度优化方法，其特征在于：在步骤(1)所述的多代理调度系统支持下，结合传统的Jobshop调度问题，分布多厂作业调度问题的模型如下：

(1.1)有n个订单{Order₁，Order₂，……，Order_n}等待加工，每个订单任务又表示为一组工件集合J＝{J₁，J₂，……，J_n}来表示，假设不同工件间没有依赖关系；

(1.2)相关产品的生产由t个成员工厂共同完成，组成集合S＝{S₁，S₂，……S_t}；

(1.3)每个成员工厂有m台机器设备，集合M＝{M₁，M₂，……M_m}；

(1.4)每个工件P_i的加工按工艺规划由一组操作集合O_i＝{O_i1，O_i2，……，O_ij}构成，这组操作具有先后顺序约束；每个工件P_i有投放期R_i(工件P_i允许的最早加工时间)和交货期D_i(P_i必须完成的时间)，即要求在时间区间[R_i，F_i]内，完成工件P_i所有工序的加工；

(1.5)考虑经济性等因素，假定工件P_i的所有操作在同一工厂S_i内完成，S_i∈S；每个操作O_ij在可利用的机器设备上具有可选择的开始时间T_i和固定的加工时间L_ij，T_ij受任务的投放期R_i和加工时间L_ij约束，每个操作O_ij需要一个资源集合M_i，其中M_i∈M；

(1.6)控制变量、约束和目标函数如下：

控制变量：开始时间T_i和资源需求S_i(S_i∈S)，M_i(M_i∈M)；

约束：顺序约束为L_ij+T_ij≤T_ik(O_ij在O_ik之前)；能力约束为一台机器M在同一时间内只能执行一个加工活动，同一工件P_i只能在同一工厂S_i内加工；时间约束为任务的投放期T_i满足Min(T_i)≥R_i，及任务的交货期约束Max(T_i)+P_i≤D_i(O_i∈O)；

目标函数：

$\min \left(\mathrm{EE}\right)=\underset{k=1,\&CenterDot;\&CenterDot;\&CenterDot;\&CenterDot;\&CenterDot;\&CenterDot;,M}{\max }\left({\mathrm{EM}}_k\right)$

s.t.EM_k＝max(E_egk)，

X_egk＝1，e＝1，......，N，g＝1，......，J_e；        (1)

S_egk-E_g(g-1)n≥，X_egk＝X_e(g-1)n＝1；                (2)

S_egk-E_ijk≥0，X_ijk＝X_egk＝1，R_ijeg＝1；             (3)

$\underset{e=1}{\overset{N}{\mathrm{\&Sigma;}}}{m}_{\mathrm{egk}}\&le;C_k,k=1,$ ......，M，g＝1，......，J_e；(4)

N为工件数量；M为设备数量；Ω为所有设备集合；Ω_eg为工件e(e＝1，......，N)的第g(g＝1，......，J_e)道工序可选设备集，Ω_eg∈Ω；J_e为工件e需加工的工序数；m_egk为工件e的第g道工序在机器k(k∈Ω_eg)上的加工时间；S_egk为工件e的第g道工序在机器k上的开始时间；E_egk为工件e在第g道工序在机器k上的完工时间；EM_k为所有工件在设备k上的完工时间；EE为所有工件的最好完工时间；C_k为设备k的可用能力；当工件e的第g道工序和工件i的第j道工序在同一台机器上执行，且工序j紧先于工序g时，R_ijeg＝1；否则，R_ijeg＝0；当工件e的第g道工序在机器k上执行时，X_egk＝1；否则，X_egk＝0；

式(1)表示设备k的完工时间取决于在其上加工的所有工件中最后一个工件的完工时间；式(2)表示工件e的第g道工序必须在第g-1道工序完成后才能开始；式(3)表示任一确定时刻，机器k不能同时加工两个不同的工件，也不能同时加工两道不同的工序；式(4)表示在设备k上加工的所有工件工时之和不能超出其生产能力；其中，e，k分别为以自然数为序的工件与设备的编号(标志)。

4.根据权利要求1所述的一种装备制造过程多厂协同调度优化方法，其特征在于：步骤(2)中所述的基于多代理与改进蚁群算法的多厂协同调度策略中，改进蚁群算法包括以下内容：

蚂蚁游历的过程是要完成工件和工序加工机器选择两层任务；选择工件时要在工件间游历，需用到工件间地图；选择工序加工机器时要在工件内各工序可选机器间游历，需用到工序机器地图；工件间地图反映了蚂蚁从某工件出发，下步可到达的工件状况；算法中，设各工件间均能相互可达；工序机器地图反映蚂蚁从某工序出发，下步工序可选机器的状况；算法中，在工件首工序前设虚拟起始工序，蚂蚁由此进入工件选择第1道工序加工机器；工件末工序后设虚拟终止工序，蚂蚁由此离开工件，完成工件所有工序加工机器选择。

5.根据权利要求4所述的一种装备制造过程多厂协同调度优化方法，其特征在于：所述改进蚁群算法的优化方法包括以下步骤：

第一步：生成一只蚂蚁a，并选定首个游历的工件节点；

第二步：蚂蚁a选定工件e各工序的加工机器，编码成新的遗传染色体种群；

第三步：遗传染色体种群进化，获得蚂蚁a已游历工件的当前最优调度方案，新机器能力和蚂蚁染色体L_a；

第四步：蚂蚁a选择游历下一个工件；根据到其他工件的可达概率P_e，i，赌轮法选定下一个游历的工件，s＝s+1，转第三步；

第五步：更新蚁群的信息素浓度，判断当前最优调度方案是否为最终调度方案，是则转第六步，否则返回第一步；

第六步：寻优结束，输出结果；算法结束。

6.根据权利要求3或5所述的一种装备制造过程多厂协同调度优化方法，其特征在于：所述遗传染色体种群进化以下步骤构成：

第3-1步由式(1.2)和式(1.3)计算染色体p中基因所代表工序的最早开工时间和最早完工时间

第3-2步由式(1)计算染色体p所有机器的最后完成时间EE_p和适应值f_p，其中 $f_p=\frac{1}{{\mathrm{EE}}_p};$

第3-3步：统计染色体的最大适应值f_max和平均适应值f_avg；

第3-4步：若连续3代遗传进化的最优适应值无变化，遗传进化结束，最优染色体更新蚂蚁染色体L_a，计算机器剩余可用能力，g＝1，......，J_e，否则转第3-5步；若调度方案不满足式(1.4)能力约束，计算后的机器剩余可用能力出现了c_k＜0，k＝1，...，M，放弃本次蚂蚁游历方案，r＝r-1，步骤(1)；若满足式(1.4)能力约束；再作如下处理：若s＜N，转步骤第3-4步；若S＝N，则需进一步处理：首先，若

令

＝La；若r＜Q^a，转入步骤(1)；若r＝Q，计算L上工件e的计划加工时间

实际加工时间

和工件延迟时间

其中

X_egk＝1，g＝1，...，Je，k＝1，...，M，转步骤第3-5步；设

为本次循环的最短流通时间，为本次循环的最优蚂蚁染色体；

第3-5步：计算染色体p机器基因块k中机器的计划工作时间

实际工作时间

和空闲时间DEpk；其中，

x_egk＝1，e＝1，...，N，g＝1，...，J_e；

第3-6步：统计种群中各设备的最小空闲时间

和平均空闲时间

第3-7步：对染色体设备基因块k进行选择、交叉和变异操作，保持同一工件两道不同工序的基因排序关系，便于解码；生产新一代种群，转第3-1步。

7.根据权利要求5所述的一种装备制造过程多厂协同调度优化方法，其特征在于：所述更新蚁群的信息素浓度由以下步骤构成：

第5-1步：若

则

设EE_best为算法的最短流通时间；

第5-2步：按照MMAS更新规则并设计自适应挥发率，工件间和工序设备地图上的信息素作更新处理，具体方法是：先对信息素作挥发处理，式为

再对本次循环中取得最短流通时间的那只蚂蚁游历路径增加信息素，公式为：

${\mathrm{\&tau;}}_{k_g,k_j}^{a_0}(q+1)={\mathrm{\&tau;}}_{k_g,k_j}^{a_0}(q+1)+\mathrm{\&Delta;}{\mathrm{\&tau;}}_{k_g,k_j}^{\mathrm{best}}---\left(5\right)$

其中，

同时，信息素水平被限定在[τ_max，τ_min]范围内；即若τ_e，i＞τ_max，则令τ_e，i＝τ_max；若τ_e，i＜τ_min，则令τ_e，i＝τ_min，对做同样的处理，设a₀为取得最优路径的蚂蚁；

第5-3步：令q＝q+1，若q＞Q，则算法结束；否则令r＝0，转第5-1步；设q为循环计数器，q＝1，......Q。

8.根据权利要求6所述的一种装备制造过程多厂协同调度优化方法，其特征在于：所述的改进蚁群算法为混合蚁群算法，该算法的蚁群转移概率和遗传算子设计如下：

1)蚁群转移概率

蚁群转移概率既包括蚂蚁在工厂间的转移概率，又包括蚂蚁在工件间及工序设备间的转移概率；而遗传算子主要针对染色体中设备基因块；具体情况如下：

蚂蚁在工件间的转移概率

$p_{e,i}\left(s\right)=\left\{\begin{array}{c}\frac{{\left[{\mathrm{\&tau;}}_{e,i}\left(s\right)\right]}^{\mathrm{\&alpha;}}{\left[{\mathrm{\&eta;}}_{e,i}\left(s\right)\right]}^{\mathrm{\&beta;}}}{\underset{l\&Element;W_i^a}{\mathrm{\&Sigma;}}\left({\left[{\mathrm{\&tau;}}_{e,l}\left(s\right)\right]}^{\mathrm{\&alpha;}}{\left[{\mathrm{\&eta;}}_{e,l}\left(s\right)\right]}^{\mathrm{\&beta;}}\right)},\\ 0,i\&NotElement;W_i^a\end{array}\right.,i\&Element;W_i^a--\left(6\right)$

其中，τ_e，i(s)为工件(e，i)间的信息素水平；η_e，i(s)＝1/DE_i，其中DE_i由上述第3-4步确定，即工件延迟时间越短，被选中的概率越大，从而实现所有工件流通时间最短；α，β决定了τ_e，i(s)和η_e，i(s)在转移概率中的重要程度；

蚂蚁在工厂及工序设备间的转移概率：

$P_{k_g,k_j}(s+t)=\left\{\begin{array}{c}\frac{{\left[{\mathrm{\&tau;}}_{k_g}(s+t)\right]}^{\mathrm{\&alpha;}}{\left[{\mathrm{\&eta;}}_{k_g{k}_j}(s+t)\right]}^{\mathrm{\&beta;}}}{\underset{l\&Element;W_{k_j}^a}{\mathrm{\&Sigma;}}\left({\left[{\mathrm{\&tau;}}_{k_g{k}_j}(s+t)\right]}^{\mathrm{\&alpha;}}{\left[{\mathrm{\&eta;}}_{k_g{k}_j}\right]}^{\mathrm{\&beta;}}\right)},\\ 0,k_j\&NotElement;W_{k_j}^a\end{array}\right.{,k}_j\&Element;W_{k_j}^a---\left(7\right)$

其中，

为工序设备(k_g，k_j)间的信息素水平；X_ejk＝1，即设备可用能力相对越充裕，被选中的概率越大，从而满足能力约束；

2)遗传算子设计

对控制染色体进行遗传操作的实质是为所有工件选定一组最优加工路径；对调度染色体进行遗传操作的实质是在加工路径既定的情况下，为每个加工设备寻找最优加工序列；所以遗传算子主要是针对控制染色体的工件基因块和调度染色体的设备基因块；具体情况如下：对于控制染色体种群只采用选择和变异操作：

选择：从当前种群选择进行变异操作的个体；选择概率设计如下：

$P_{s,q}^c=\left\{\begin{array}{c}\sin \left[\frac{\mathrm{\&pi;}}{2}\frac{f_{\max }^c-f_q^c}{f_{\max }^c-f_{\mathrm{avg}}^c}\right],f_q^c>f_{\mathrm{avg}}^c\\ 1,f_q^c\&le;f_{\mathrm{avg}}^c\end{array}\right.---\left(8\right)$

变异：采用基于工件基因块的变异法，由各工序可选加工设备集重新随机选定该工件各工序的加工设备，这样控制染色体会发生与工件基因块数目N相同的多点变异；某控制染色体q工件基因块e自适应变异概率为

对于调度染色体种群采用选择、交叉和变异遗传操作：

选择：根据调度染色体个体适应值采用轮赌法，选择进入下一代参与交叉和变异的个体；选择概率为

交叉：采用基于设备基因块交叉法；这样，两个调度染色体会发生与设备基因块数目M相同的多点交叉，每个设备基因块可以看成一类旅行商问题(Traveling Salesman Problem，TSP)，可选用TSP现有的交叉方法，这里采用顺序交叉法；某两调度染色体设备基因块自适应交叉概率为：

$P_{c,p,k}^m=\left\{\begin{array}{c}\sin \left[\frac{\mathrm{\&pi;}}{2}\frac{{\mathrm{DE}}_{p,k}^m-{\mathrm{DE}}_{\min ,k}^m}{{\mathrm{DE}}_{\mathrm{avg},k}^m-{\mathrm{DE}}_{\min ,k}^m}\right],{\mathrm{DE}}_{p,k}^m<{\mathrm{DE}}_{\mathrm{avg},k}^m;\\ 1,{\mathrm{DE}}_{p,k}^m\&GreaterEqual;{\mathrm{DE}}_{\mathrm{avg},k}^m.\end{array}\right.----\left(9\right)$

式中，

为待交叉的两个设备基因块中空闲时间较小者；

变异：针对设备基因块采用两点易位变异法；这样，调度染色体会发生与设备基因块数目M相同的多点变异；某调度染色体P设备基因块M_k的自适应变异概率为：

$P_{m,p,k}^m=\left\{\begin{array}{c}\frac{1}{2}\sin \left[\frac{\mathrm{\&pi;}}{2}\frac{{\mathrm{DE}}_{p,k}^m-{\mathrm{DE}}_{\min ,k}^m}{{\mathrm{DE}}_{\mathrm{avg},k}^m-{\mathrm{DE}}_{\min ,k}^m}\right],{\mathrm{DE}}_{p,k}^m<{\mathrm{DE}}_{\mathrm{avg},k}^m\\ 0.5,{\mathrm{DE}}_{p,k}^m\&GreaterEqual;{\mathrm{DE}}_{\mathrm{avg},k}^m\end{array}\right.---\left(10\right)$

Images