CN107122857A - 基于多智能体的车间多目标协同优化调度方法 - Google Patents

基于多智能体的车间多目标协同优化调度方法 Download PDF

Info

Publication number
CN107122857A
CN107122857A CN201710283426.6A CN201710283426A CN107122857A CN 107122857 A CN107122857 A CN 107122857A CN 201710283426 A CN201710283426 A CN 201710283426A CN 107122857 A CN107122857 A CN 107122857A
Authority
CN
China
Prior art keywords
mrow
msub
intelligent body
munderover
msubsup
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201710283426.6A
Other languages
English (en)
Other versions
CN107122857B (zh
Inventor
唐敦兵
魏鑫
张泽群
郑杜
张涛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuxi Research Institute Of Nanjing University Of Aeronautics & Astronautics
Nanjing University of Aeronautics and Astronautics
Original Assignee
Wuxi Research Institute Of Nanjing University Of Aeronautics & Astronautics
Nanjing University of Aeronautics and Astronautics
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Wuxi Research Institute Of Nanjing University Of Aeronautics & Astronautics, Nanjing University of Aeronautics and Astronautics filed Critical Wuxi Research Institute Of Nanjing University Of Aeronautics & Astronautics
Priority to CN201710283426.6A priority Critical patent/CN107122857B/zh
Publication of CN107122857A publication Critical patent/CN107122857A/zh
Application granted granted Critical
Publication of CN107122857B publication Critical patent/CN107122857B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Theoretical Computer Science (AREA)
  • Marketing (AREA)
  • General Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Manufacturing & Machinery (AREA)
  • Educational Administration (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • General Factory Administration (AREA)

Abstract

本发明公开一种基于多智能体的车间多目标协同优化调度方法，该方法包括：建立基于多智能体的生产车间调度模型；工件智能体依据自身工序加工任务向规划智能体提出作业调度请求；规划智能体插入时间周期窗口，对本窗口内收到的多个作业调度请求进行基于时间、负载、成本和能耗的多目标优化调度；规划智能体向设备智能体释放调度结果，后者完成工序加工任务，并通知工件智能体释放下一道工序。本发明通过插入时间窗口，设立规划智能体并封装多目标优化算法，扩大了优化区间，提升了系统的整体调度性能，实现了多目标优化调度，解决了传统多智能体方法单步优化和单目标优化等的不足。

Description

基于多智能体的车间多目标协同优化调度方法
技术领域
本发明涉及车间调度控制技术领域，尤其涉及一种基于多智能体的车间多目标协同优化调度方法。
背景技术
作为先进制造技术和现代管理技术中的核心技术，有效的车间调度是解决当今制造环境订单多样化、信息复杂化的必要举措，因此，如何建立一种分布、开放、高效的智能调度方法，在当今的制造环境下显得尤为必要。多智能体技术(Multi Agent System,MAS)的发展为上述问题提供了一种行之有效的解决方法。然而，传统多智能体方法求解作业车间调度问题(Job-Shop Problem，JSP)时却存在以下问题：(1)传统多智能体方法求解作业车间动态调度问题，一般以单一的完工时间作为优化目标，实际的调度中，不仅要考虑时间指标，还要综合考虑能耗、成本等生产指标，多目标性是车间调度问题的一个基本属性，忽略生产系统调度多目标性的要求造成了传统多智能体调度研究与现实应用的差距；(2)传统多智能体方法求解作业车间调度问题时，往往引入市场上的招投标机制作为智能体之间的协商策略，由此造成单个智能体为会尽可能多地完成自身设定的任务目标而忽略彼此任务之间的协同优化关系，即体现为单个智能体的“自私性”、“自私性”，无“全局观”；(3)传统多智能体方法通过招投标机制来实现智能体之间的任务分配与优化，然而此机制下智能体之间的任务优化分配本质上是单步、局部性质的优化，优化区间过小导致对系统整体调度性能的提升非常有限。总而言之，当前的多智能体方法求解车间调度问题时存在优化目标单一、单个智能体无全局观和优化区间过小的问题，由此造成理论研究与现实应用的差距。
发明内容
本发明的目的在于通过一种基于多智能体的车间多目标协同优化调度方法，来解决以上背景技术部分提到的问题。
为达此目的，本发明采用以下技术方案：
一种基于多智能体的车间多目标协同优化调度方法，其包括如下步骤：
S101、建立基于多智能体的生产车间调度模型：将实际生产车间中的仓库、加工中心、工件分别物理映射为仓库智能体、设备智能体和工件智能体，将负责多目标优化计算的模块功能映射为规划智能体；
S102、工件智能体依据自身工序加工任务向规划智能体提出作业调度请求：
S1021、工件智能体根据工序加工工艺要求，获取满足工艺加工要求的设备智能体名单列表；
S1022、工件智能体将工序加工信息封装打包发送给所述设备智能体名单列表上的设备智能体，其中，所述工序加工信息包括工艺类型和额定加工时间；
S1023、设备智能体查询数据库中自身对应的状态信息表，获取自身加工状态信息，并计算出完成此工序加工任务花费的加工时间、成本和能耗，最后将上述所有加工相关信息打包发送给工件智能体，其中，所述自身加工状态信息包括最早加工时间、当前累计功耗、当前累计负载及当前累计加工成本；
S1024、工件智能体接收到设备智能体名单列表上所有设备智能体返回的加工信息数据包后，提取各个数据包包含的加工信息并封装打包发送给规划智能体，针对本工序提出作业调度请求；
S103、规划智能体插入时间周期窗口，对该时间周期窗口内收到的作业调度请求进行基于时间、负载、成本和能耗的多目标优化调度：
S1031、规划智能体在收到第一个作业调度请求后插入一个时间周期窗口；
S1032、规划智能体提取工件智能体发送的数据包中的工艺加工信息；
S1033、若时间周期窗口满，则转至步骤S1034，否则继续等待、接收工件智能体发送的工序调度请求，并重复步骤S1032至步骤S1033；
S1034、规划智能体以提取、汇总的工艺加工信息为约束，以时间、负载、成本和能耗为优化目标，根据其内部封装的多目标优化算法，求解得出针对各作业请求的最优调度方案即使得式(1)所表示的多目标优化函数值最小的调度方案：
minf＝min[f1,f2,f3,f4] (1)
其中，f为多目标优化函数，f1,f2,f3,f4分别为时间、成本、负载和能耗函数；
S104、规划智能体依据得出的最优调度方案向相应设备智能体释放工序加工任务，设备智能体完成工序加工任务，并通知工件智能体释放下一道工序：
S1041、设备智能体接收规划智能体发送的工序加工任务；
S1042、设备智能体访问自身加工任务缓存列表，若当前无正在加工或待加工的任务，则立即进行此工序的加工任务，否则将此工序加工任务插入任务缓存列表等待加工；
S1043、设备智能体完成工序加工任务后更新自身状态信息表，并通知相应的工件智能体释放下一道工序加工任务。
特别地，所述步骤S1034中多目标优化算法具体包括如下步骤：
S10341，规划智能体从每个工件智能体发送的数据包中抽取一条可行加工方案，组成针对所有工序的可行调度方案；
S10342，针对所述可行加工方案计算出其对应的f值，记录在数据库中；
S10343，若该可行调度方案中存在同一机床加工不同工件工序的情况，交换各工序在该机床上的加工顺序，得出另一种可行调度方案，并重复步骤S10342至S10343，否则转步骤S10344；
S10344，重新抽取，遍历所有的可行调度方案，得出其f值，并记录在数据库中；
S10345，比较各个f值，找出最小f值对应的可行调度方案，并将此可行调度方案作为最优调度方案发布，完成本轮工件智能体的作业调度请求。
特别地，所述步骤S1034中求解多目标优化函数最小值的过程如下：求解多目标优化函数最小值的具体表达式如下式(2)
其中，由于四个优化目标f1,f2,f3,f4之间量纲之间的差异，且彼此数值相差较大不具可比性，需对四个优化目标进行去量纲处理，即先对四个目标单独进行10次优化，取优化过程中的最大值ftmax和最小值ftmin，去量纲后的多目标优化函数由上述式(1)转化为式(2)；Wt＝(W1,W2,W3,W4)为多目标函数中各优化目标的权重因子；各优化目标的具体数学表达式如下：
f1＝max(ETij),i∈N,j∈P (3)
f2＝MC+PC (4)
f3＝TLM (5)
式中：
——工序Oij在设备k上的加工时间
STij——工序Oij的开始加工时间
ETij——工序Oij的加工结束时间
mci——工件i的原料成本
MC——全部工件的原料成本
——设备k的工时成本
PC——全部设备的加工成本
TLM——全部设备的负载
EAk——设备k运转消耗能量
M——一个正数
上式(12)到式(15)为约束条件，上式(12)、(13)确保设备k同一时刻只能加工一个工件；上式(14)表示一道工序只能在一台设备上加工；上式(15)表示同一工件各工序的加工顺序要求，即同一工件的某道工序，只有前道工序加工完毕之后才能加工该工序。
附图说明
图1为本发明实施例提供的基于多智能体的车间多目标协同优化调度方法流程图；
图2为本发明实施例提供的工件智能体的工作流程图；
图3为本发明实施例提供的规划智能体封装的多目标优化算法流程图；
图4为本发明实施例提供的设备智能体的工作流程图。
具体实施方式
下面结合附图和实施例对本发明作进一步说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部内容，除非另有定义，本文所使用的所有技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述具体的实施例，不是旨在于限制本发明。
请参照图1所示，图1为本发明实施例提供的基于多智能体的车间多目标协同优化调度方法流程图。本实施例中基于多智能体的车间多目标协同优化调度方法具体包括如下步骤：
S101、建立基于多智能体的生产车间调度模型：将实际生产车间中的仓库、加工中心、工件分别物理映射为仓库智能体、设备智能体和工件智能体，将负责多目标优化计算的模块功能映射为规划智能体。具体包括：一、搭建Java环境：jdk 1.8.0；配置多智能体开发平台：JADE 4.3.3；二、在步骤一的基础上编写Java代码创建各智能体，包括1个仓库智能体、10个设备智能体，一个源工件智能体(由仓库智能体依据源工件智能体代码动态创建多个工件智能体并依次进入调度模型)和1个规划智能体；三、创建智能体运行依赖数据库，库中包含以下数据表，具体为：Machine_LCE：保存各个设备智能体截止当前的成本、能耗和本设备负载；Machinegantt：保存各个设备智能体正在加工和待加工的工序加工任务；Machinegantt1：保存各个设备智能体已经完成的工序加工任务；Machine_info：保存各个设备智能体的工艺加工能力信息，如可加工的工艺类型、各个可加工的工艺类型对应的加工系数、工时成本、单位能耗等；Originalplanset：保存所有已生成的工件智能体的所有工序信息；Originalplanset_backup：数据表Originalplanset的备份数据表；Machine_LCE：保存当前设备智能体的总负载、加工总成本和总能耗；Record_maxEC：保存各个设备智能体完成一个可行调度方案中后的的能耗、成本时间和负载；Machinegantt_temp：保存一个时间周期窗口内各个可行调度方案及其对应的、规划智能体计算获得的目标函数(1)的函数值；四、通过本体开发工具Protégé创建、注册通信Ontology以封装数据库查询结果，实现智能体之间基于本体的通信，该本体包含以下类：Originalplanset类——封装Originalplanset数据表的查询结果；NextOrder类——释放下道工序消息；Machineinfo类——封装Machine_info数据表查询结果；Rlist类——封装机床针对某一工序的加工信息；Enc_List类——封装所有机床针对某道工序返回的Rlist类；Machinegantt类——封装Machinegantt数据表查询结果；FJSPOntology类——所有本体类的父类，用于在智能体中注册该本体。
S102、工件智能体依据自身工序加工任务向规划智能体提出作业调度请求，如图2所示，具体包括如下步骤：
S1021、工件智能体根据工序加工工艺要求，获取满足工艺加工要求的设备智能体名单列表，列表信息封装在Machineinfo中。
S1022、工件智能体将工序加工信息封装打包成Originalplanset发送给所述设备智能体名单列表上的设备智能体，其中，所述工序加工信息包括工艺类型和额定加工时间。
S1023、设备智能体查询数据库中自身对应的状态信息表，获取自身加工状态信息，并计算出完成此工序加工任务花费的加工时间、成本和能耗，最后将上述所有加工相关信息打包发送给工件智能体，其中，所述自身加工状态信息包括最早加工时间、当前累计功耗、当前累计负载及当前累计加工成本；具体过程如下：设备智能体对工件智能体发来的Originalplanset信息进行处理与回复；S10231、设备智能体提取Originalplanset中的信息，包扩工艺加工类型、额定加工时间；S10232、依据提取的信息查询Machine_info获取对应该工艺的加工系数、工时成本和单位能耗；S10233、计算完成该工序加工任务所需的时间、成本和能耗；S10234、查询Machine_LCE，获取设备智能体当前最早加工时间、累计功耗、累计负载和当前累计加工成本计算出完成此工序加工任务后的完工时间、总成本、总负载和总能耗，最后将上述加工信息打包成Rlist发送给工件智能体。
S1024、工件智能体接收到设备智能体名单列表上所有设备智能体返回的加工信息数据包Rlist后，提取各个数据包Rlist包含的加工信息并封装打包为Enc_List发送给规划智能体，针对本工序提出作业调度请求。
S103、规划智能体插入时间周期窗口(通过设置计时器实现)，对该时间周期窗口内收到的作业调度请求进行基于时间、负载、成本和能耗的多目标优化调度，如图1所示，具体包括如下步骤：
S1031、规划智能体在收到第一个作业调度请求后插入一个时间周期窗口；
S1032、规划智能体提取工件智能体发送的数据包Enc_List中的工艺加工信息；
S1033、若时间周期窗口满，则转至步骤S1034，否则继续等待、接收工件智能体发送的工序调度请求，并重复步骤S1032至步骤S1033；
S1034、规划智能体以提取、汇总的工艺加工信息为约束，以时间、负载、成本和能耗为优化目标，根据其内部封装的多目标优化算法，求解得出针对各作业请求的最优调度方案即使得式(1)所表示的多目标优化函数值最小的调度方案：
minf＝min[f1,f2,f3,f4] (1)
其中，f为多目标优化函数，f1,f2,f3,f4分别为时间、成本、负载和能耗函数；
所述步骤S1034中多目标优化算法具体包括如下步骤：
S10341、规划智能体从每个工件智能体发送的数据包Enc_List中抽取一条Rlist作为可行加工方案，各个Rlist组成针对所有工序的可行调度方案；
S10342、针对上述可行调度方案，计算出各个设备智能体完成此方案后对应的负载、能耗、时间和成本并记录Record_maxEC中，从Record_maxEC中选取最大的时间、能耗、负载和成本，计算该调度方案对应的f值，记录在数据库Machinegantt_temp中；
S10343、若该可行调度方案中存在同一机床加工不同工件工序的情况，交换各工序在该机床上的加工顺序，得出另一种可行调度方案，并重复步骤S10342至S10343，否则转步骤S10344；
S10344、重新抽取，遍历所有的可行调度方案，得出其f值，并记录在数据库中；
S10345、比较各个f值，找出最小f值对应的可行调度方案，并将此可行调度方案作为最优调度方案发布，完成本轮工件智能体的作业调度请求。
求解多目标优化函数最小值的具体表达式如下式(2)
其中，由于四个优化目标f1,f2,f3,f4之间量纲之间的差异，且彼此数值相差较大不具可比性，需对四个优化目标进行去量纲处理，即先对四个目标单独进行10次优化，取优化过程中的最大值ftmax和最小值ftmin，去量纲后的多目标优化函数由上述式(1)转化为式(2)；Wt＝(W1,W2,W3,W4)为多目标函数中各优化目标的权重因子；各优化目标的具体数学表达式如下：
f1＝max(ETij),i∈N,j∈P (3)
f2＝MC+PC (4)
f3＝TLM (5)
式中：
——工序Oij在设备k上的加工时间
STij——工序Oij的开始加工时间
ETij——工序Oij的加工结束时间
mci——工件i的原料成本
MC——全部工件的原料成本
——设备k的工时成本
PC——全部设备的加工成本
TLM——全部设备的负载
EAk——设备k运转消耗能量
M——一个正数(例如无穷大)
上式(12)到式(15)为约束条件，上式(12)、(13)确保设备k同一时刻只能加工一个工件；上式(14)表示一道工序只能在一台设备上加工；上式(15)表示同一工件各工序的加工顺序要求，即同一工件的某道工序，只有前道工序加工完毕之后才能加工该工序。
S104、规划智能体依据得出的最优调度方案向相应设备智能体释放工序加工任务，设备智能体完成工序加工任务，并通知工件智能体释放下一道工序，如图4所示，具体包括如下步骤：
S1041、设备智能体接收规划智能体发送的工序加工任务；
S1042、设备智能体访问自身加工任务缓存列表，若当前无正在加工或待加工的任务，则立即进行此工序的加工任务，否则将此工序加工任务插入任务缓存列表等待加工；
S1043、设备智能体完成工序加工任务后更新自身状态信息表，并通知相应的工件智能体释放下一道工序加工任务。
本发明的技术方案在保持多智能体技术求解车间调度问题智能性与分布式处理特性等特性的基础上，通过引入时间周期窗口的概念，建立多目标优化数学模型、设计多目标优化算法并封装至规划智能体之中，实现了多目标优化调度及生产资源在一段时间窗口内的全局分配，解决了传统多智能体方法求解车间调度问题的各项不足，能够取得近优的性能，提升了系统的整体调度优化性能，设备智能体按照分配结果组织生产，实现了动态敏捷的生产调度。本发明克服现有基于多智能体的车间调度方法存在的优化目标过于单一、单个智能体缺乏全局观和优化区间过小的问题，通过在规划智能体中设计、封装多目标优化算法，并插入长度可调的时间周期窗口，对本窗口内收到的作业调度请求进行全局集中规划调度，扩大了优化区间，提升了系统的整体调度性能，实现了多目标优化调度。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random AccessMemory，RAM)等。
以上结合具体实施例描述了本发明的技术原理。这些描述只是为了解释本发明的原理，而不能以任何方式解释为对本发明保护范围的限制。基于此处的解释，本领域的技术人员不需要付出创造性的劳动即可联想到本发明的其它具体实施方式，这些方式都将落入本发明的保护范围之内。

Claims (3)

1.一种基于多智能体的车间多目标协同优化调度方法，其特征在于，包括如下步骤：
S101、建立基于多智能体的生产车间调度模型：将实际生产车间中的仓库、加工中心、工件分别物理映射为仓库智能体、设备智能体和工件智能体，将负责多目标优化计算的模块功能映射为规划智能体；
S102、工件智能体依据自身工序加工任务向规划智能体提出作业调度请求：
S1021、工件智能体根据工序加工工艺要求，获取满足工艺加工要求的设备智能体名单列表；
S1022、工件智能体将工序加工信息封装打包发送给所述设备智能体名单列表上的设备智能体，其中，所述工序加工信息包括工艺类型和额定加工时间；
S1023、设备智能体查询数据库中自身对应的状态信息表，获取自身加工状态信息，并计算出完成此工序加工任务花费的加工时间、成本和能耗，最后将上述所有加工相关信息打包发送给工件智能体，其中，所述自身加工状态信息包括最早加工时间、当前累计功耗、当前累计负载及当前累计加工成本；
S1024、工件智能体接收到设备智能体名单列表上所有设备智能体返回的加工信息数据包后，提取各个数据包包含的加工信息并封装打包发送给规划智能体，针对本工序提出作业调度请求；
S103、规划智能体插入时间周期窗口，对该时间周期窗口内收到的作业调度请求进行基于时间、负载、成本和能耗的多目标优化调度：
S1031、规划智能体在收到第一个作业调度请求后插入一个时间周期窗口；
S1032、规划智能体提取工件智能体发送的数据包中的工艺加工信息；
S1033、若时间周期窗口满，则转至步骤S1034，否则继续等待、接收工件智能体发送的工序调度请求，并重复步骤S1032至步骤S1033；
S1034、规划智能体以提取、汇总的工艺加工信息为约束，以时间、负载、成本和能耗为优化目标，根据其内部封装的多目标优化算法，求解得出针对各作业请求的最优调度方案即使得式(1)所表示的多目标优化函数值最小的调度方案：
minf＝min[f1,f2,f3,f4] (1)
其中，f为多目标优化函数，f1,f2,f3,f4分别为时间、成本、负载和能耗函数；
S104、规划智能体依据得出的最优调度方案向相应设备智能体释放工序加工任务，设备智能体完成工序加工任务，并通知工件智能体释放下一道工序：
S1041、设备智能体接收规划智能体发送的工序加工任务；
S1042、设备智能体访问自身加工任务缓存列表，若当前无正在加工或待加工的任务，则立即进行此工序的加工任务，否则将此工序加工任务插入任务缓存列表等待加工；
S1043、设备智能体完成工序加工任务后更新自身状态信息表，并通知相应的工件智能体释放下一道工序加工任务。
2.根据权利要求1所述的基于多智能体的车间多目标协同优化调度方法，其特征在于，所述步骤S1034中多目标优化算法具体包括如下步骤：
S10341，规划智能体从每个工件智能体发送的数据包中抽取一条可行加工方案，组成针对所有工序的可行调度方案；
S10342，针对所述可行加工方案计算出其对应的f值，记录在数据库中；
S10343，若该可行调度方案中存在同一机床加工不同工件工序的情况，交换各工序在该机床上的加工顺序，得出另一种可行调度方案，并重复步骤S10342至S10343，否则转步骤S10344；
S10344，重新抽取，遍历所有的可行调度方案，得出其f值，并记录在数据库中；
S10345，比较各个f值，找出最小f值对应的可行调度方案，并将此可行调度方案作为最优调度方案发布，完成本轮工件智能体的作业调度请求。
3.根据权利要求2所述的基于多智能体的车间多目标协同优化调度方法，其特征在于，所述步骤S1034中求解多目标优化函数最小值的过程如下：求解多目标优化函数最小值的具体表达式如下式(2)
<mrow> <mi>min</mi> <mi> </mi> <mi>f</mi> <mo>=</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>t</mi> <mo>=</mo> <mn>1</mn> </mrow> <mn>4</mn> </munderover> <msub> <mi>W</mi> <mi>t</mi> </msub> <mrow> <mo>(</mo> <msub> <mi>f</mi> <mi>t</mi> </msub> <mo>-</mo> <msub> <mi>f</mi> <mrow> <mi>t</mi> <mi>m</mi> <mi>i</mi> <mi>n</mi> </mrow> </msub> <mo>)</mo> </mrow> <mo>/</mo> <mrow> <mo>(</mo> <msub> <mi>f</mi> <mrow> <mi>t</mi> <mi>m</mi> <mi>a</mi> <mi>x</mi> </mrow> </msub> <mo>-</mo> <msub> <mi>f</mi> <mrow> <mi>t</mi> <mi>m</mi> <mi>i</mi> <mi>n</mi> </mrow> </msub> <mo>)</mo> </mrow> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>2</mn> <mo>)</mo> </mrow> </mrow>
<mrow> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>t</mi> <mo>=</mo> <mn>1</mn> </mrow> <mn>4</mn> </munderover> <msub> <mi>W</mi> <mi>t</mi> </msub> <mo>=</mo> <mn>1</mn> <mo>,</mo> <msub> <mi>W</mi> <mi>t</mi> </msub> <mo>&amp;GreaterEqual;</mo> <mn>0</mn> <mo>,</mo> <mrow> <mo>(</mo> <mi>t</mi> <mo>=</mo> <mn>1</mn> <mo>,</mo> <mn>2</mn> <mo>,</mo> <mn>3</mn> <mo>,</mo> <mn>4</mn> <mo>)</mo> </mrow> </mrow>
其中，由于四个优化目标f1,f2,f3,f4之间量纲之间的差异，且彼此数值相差较大不具可比性，需对四个优化目标进行去量纲处理，即先对四个目标单独进行10次优化，取优化过程中的最大值ftmax和最小值ftmin，去量纲后的多目标优化函数由上述式(1)转化为式(2)；Wt＝(W1,W2,W3,W4)为多目标函数中各优化目标的权重因子；各优化目标的具体数学表达式如下：
f1＝max(ETij),i∈N,j∈P (3)
f2＝MC+PC (4)
f3＝TLM (5)
<mrow> <msub> <mi>f</mi> <mn>4</mn> </msub> <mo>=</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>k</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>m</mi> </munderover> <msub> <mi>EA</mi> <mi>k</mi> </msub> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>6</mn> <mo>)</mo> </mrow> </mrow>
<mrow> <msub> <mi>ET</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mo>=</mo> <msub> <mi>ST</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mo>+</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>k</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>m</mi> </munderover> <msubsup> <mi>F</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> <mi>k</mi> </msubsup> <msubsup> <mi>T</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> <mi>k</mi> </msubsup> <mo>,</mo> <mi>i</mi> <mo>&amp;Element;</mo> <mi>N</mi> <mo>,</mo> <mi>j</mi> <mo>&amp;Element;</mo> <mi>P</mi> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>7</mn> <mo>)</mo> </mrow> </mrow>
<mrow> <mi>M</mi> <mi>C</mi> <mo>=</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </munderover> <msub> <mi>mc</mi> <mi>i</mi> </msub> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>8</mn> <mo>)</mo> </mrow> </mrow>
<mrow> <mi>P</mi> <mi>C</mi> <mo>=</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>k</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>m</mi> </munderover> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </munderover> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>j</mi> <mo>=</mo> <mn>1</mn> </mrow> <msub> <mi>p</mi> <mi>i</mi> </msub> </munderover> <msubsup> <mi>F</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> <mi>k</mi> </msubsup> <msubsup> <mi>T</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> <mi>k</mi> </msubsup> <msubsup> <mi>C</mi> <mi>M</mi> <mi>k</mi> </msubsup> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>9</mn> <mo>)</mo> </mrow> </mrow>
<mrow> <mi>T</mi> <mi>L</mi> <mi>M</mi> <mo>=</mo> <mi>m</mi> <mi>a</mi> <mi>x</mi> <mrow> <mo>(</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>k</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>m</mi> </munderover> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </munderover> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>j</mi> <mo>=</mo> <mn>1</mn> </mrow> <msub> <mi>p</mi> <mi>i</mi> </msub> </munderover> <msubsup> <mi>T</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> <mi>k</mi> </msubsup> <msubsup> <mi>F</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> <mi>k</mi> </msubsup> <mo>)</mo> </mrow> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>10</mn> <mo>)</mo> </mrow> </mrow>
<mrow> <msub> <mi>EA</mi> <mi>k</mi> </msub> <mo>=</mo> <msub> <mi>PA</mi> <mi>k</mi> </msub> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </munderover> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>j</mi> <mo>=</mo> <mn>1</mn> </mrow> <msub> <mi>p</mi> <mi>i</mi> </msub> </munderover> <msubsup> <mi>F</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> <mi>k</mi> </msubsup> <msubsup> <mi>T</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> <mi>k</mi> </msubsup> <mo>,</mo> <mi>k</mi> <mo>&amp;Element;</mo> <mi>M</mi> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>11</mn> <mo>)</mo> </mrow> </mrow>
<mrow> <msub> <mi>ST</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mo>-</mo> <mrow> <mo>(</mo> <msub> <mi>ST</mi> <mrow> <msup> <mi>i</mi> <mo>&amp;prime;</mo> </msup> <msup> <mi>j</mi> <mo>&amp;prime;</mo> </msup> </mrow> </msub> <mo>+</mo> <msubsup> <mi>T</mi> <mrow> <msup> <mi>i</mi> <mo>&amp;prime;</mo> </msup> <msup> <mi>j</mi> <mo>&amp;prime;</mo> </msup> </mrow> <mi>k</mi> </msubsup> <mo>)</mo> </mrow> <mo>+</mo> <mi>M</mi> <mrow> <mo>(</mo> <mn>1</mn> <mo>-</mo> <msub> <mi>X</mi> <mrow> <msup> <mi>ii</mi> <mo>&amp;prime;</mo> </msup> <mi>k</mi> </mrow> </msub> <mo>)</mo> </mrow> <mo>&amp;GreaterEqual;</mo> <mn>0</mn> <mo>,</mo> <mi>i</mi> <mo>&amp;NotEqual;</mo> <msup> <mi>i</mi> <mo>&amp;prime;</mo> </msup> <mo>,</mo> <mi>j</mi> <mo>&amp;NotEqual;</mo> <msup> <mi>j</mi> <mo>&amp;prime;</mo> </msup> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>12</mn> <mo>)</mo> </mrow> </mrow>
<mrow> <msub> <mi>ST</mi> <mrow> <msup> <mi>i</mi> <mo>&amp;prime;</mo> </msup> <msup> <mi>j</mi> <mo>&amp;prime;</mo> </msup> </mrow> </msub> <mo>-</mo> <mrow> <mo>(</mo> <msub> <mi>ST</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mo>+</mo> <msubsup> <mi>T</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> <mi>k</mi> </msubsup> <mo>)</mo> </mrow> <mo>+</mo> <msub> <mi>MX</mi> <mrow> <msup> <mi>ii</mi> <mo>&amp;prime;</mo> </msup> <mi>k</mi> </mrow> </msub> <mo>&amp;GreaterEqual;</mo> <mn>0</mn> <mo>,</mo> <mi>i</mi> <mo>&amp;NotEqual;</mo> <msup> <mi>i</mi> <mo>&amp;prime;</mo> </msup> <mo>,</mo> <mi>j</mi> <mo>&amp;NotEqual;</mo> <msup> <mi>j</mi> <mo>&amp;prime;</mo> </msup> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>13</mn> <mo>)</mo> </mrow> </mrow>
<mrow> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>k</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>m</mi> </munderover> <msubsup> <mi>F</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> <mi>k</mi> </msubsup> <mo>=</mo> <mn>1</mn> <mo>,</mo> <mi>i</mi> <mo>&amp;Element;</mo> <mi>N</mi> <mo>,</mo> <mi>j</mi> <mo>&amp;Element;</mo> <mi>P</mi> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>14</mn> <mo>)</mo> </mrow> </mrow>
<mrow> <msub> <mi>ST</mi> <mrow> <mi>i</mi> <mrow> <mo>(</mo> <mi>j</mi> <mo>+</mo> <mn>1</mn> <mo>)</mo> </mrow> </mrow> </msub> <mo>-</mo> <mrow> <mo>(</mo> <msub> <mi>ST</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mo>+</mo> <msubsup> <mi>T</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> <mi>k</mi> </msubsup> <mo>)</mo> </mrow> <mo>&amp;GreaterEqual;</mo> <mn>0</mn> <mo>,</mo> <mi>i</mi> <mo>&amp;Element;</mo> <mi>N</mi> <mo>,</mo> <mi>j</mi> <mo>&amp;Element;</mo> <mi>P</mi> <mo>,</mo> <mi>k</mi> <mo>&amp;Element;</mo> <mi>M</mi> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>15</mn> <mo>)</mo> </mrow> </mrow> 2
式中：
——决策变量，若工序Oij在设备k上加工，则取1，否则取0
——工序Oij在设备k上的加工时间
STij——工序Oij的开始加工时间
ETij——工序Oij的加工结束时间
mci——工件i的原料成本
MC——全部工件的原料成本
——设备k的工时成本
PC——全部设备的加工成本
TLM——全部设备的负载
PAk——均设备消耗k空能转量功率，即单位时间平
EAk——设备k运转消耗能量
M——一个正数选择系数，Xii'k∈{0,1}，当工件i比
Xii'k——i'在设备k上先加工时，为1，反之为0
上式(12)到式(15)为约束条件，上式(12)、(13)确保设备k同一时刻只能加工一个工件；上式(14)表示一道工序只能在一台设备上加工；上式(15)表示同一工件各工序的加工顺序要求，即同一工件的某道工序，只有前道工序加工完毕之后才能加工该工序。
CN201710283426.6A 2017-04-26 2017-04-26 基于多智能体的车间多目标协同优化调度方法 Active CN107122857B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710283426.6A CN107122857B (zh) 2017-04-26 2017-04-26 基于多智能体的车间多目标协同优化调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710283426.6A CN107122857B (zh) 2017-04-26 2017-04-26 基于多智能体的车间多目标协同优化调度方法

Publications (2)

Publication Number Publication Date
CN107122857A true CN107122857A (zh) 2017-09-01
CN107122857B CN107122857B (zh) 2021-01-22

Family

ID=59726200

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710283426.6A Active CN107122857B (zh) 2017-04-26 2017-04-26 基于多智能体的车间多目标协同优化调度方法

Country Status (1)

Country Link
CN (1) CN107122857B (zh)

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108197839A (zh) * 2018-02-11 2018-06-22 沈阳建筑大学 一种具有路由缓冲区的客车制造车间排产方法
CN109242134A (zh) * 2018-07-16 2019-01-18 哈尔滨理工大学 考虑迁移的二目标多车间综合调度方法
CN109685263A (zh) * 2018-12-20 2019-04-26 宁波大学 一种并行分布式加工调度优化方法
CN111367664A (zh) * 2020-02-27 2020-07-03 腾讯科技（深圳）有限公司 信息处理方法和相关装置
CN111369132A (zh) * 2020-03-02 2020-07-03 深圳百胜扬工业电子商务平台发展有限公司 一种基于非传统vsm的机械手操作工序处理方法及装置
CN112163755A (zh) * 2020-09-23 2021-01-01 华南理工大学 一种智能生产线云辅助自组织动态重构方法及其应用
CN112236730A (zh) * 2018-06-07 2021-01-15 三菱电机株式会社 工序决定辅助装置、工序决定辅助方法、工序决定辅助程序及存储介质
CN112364961A (zh) * 2020-11-27 2021-02-12 北京工业大学 一种面向车间调度的rfid采集方法
CN112529313A (zh) * 2020-12-17 2021-03-19 中国航空综合技术研究所 基于协商策略的智能人机工程设计优化方法
CN113093673A (zh) * 2021-03-31 2021-07-09 南京大学 一种使用平均场动作价值学习优化车间作业排程的方法
CN113361915A (zh) * 2021-06-04 2021-09-07 聪明工厂有限公司 基于深度强化学习和多智能体图的柔性作业车间调度方法
CN113377073A (zh) * 2021-06-28 2021-09-10 西南交通大学 一种基于双层多智能体系统的柔性作业车间调度优化方法
CN113428540A (zh) * 2021-05-28 2021-09-24 南京航空航天大学 模块化产线智能自治生产系统
WO2022012267A1 (zh) * 2020-07-17 2022-01-20 北京理工大学 一种五金柔性生产车间多加工机器人协作方法
CN116302449A (zh) * 2023-05-17 2023-06-23 鹏城实验室 跨智能体的算法资源调度方法、装置、设备和介质
CN116339955A (zh) * 2023-05-25 2023-06-27 中国人民解放军国防科技大学 计算换通信框架的局部优化方法、装置和计算机设备

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101441468A (zh) * 2008-12-05 2009-05-27 同济大学 基于Virtual-Hub的网络协作生产调度系统及其自适应调度方法
CN101706886A (zh) * 2009-08-28 2010-05-12 华南理工大学 一种以订单驱动的加工车间单件小批量混流生产方法
CN101916404A (zh) * 2010-08-06 2010-12-15 沈阳工业大学 一种装备制造过程多厂协同调度优化方法
CN101944201A (zh) * 2010-07-27 2011-01-12 昆明理工大学 一种基于多智能体的炼钢车间天车调度仿真方法
US20140222238A1 (en) * 2012-04-30 2014-08-07 Innovari, Inc. Grid Optimization Resource Dispatch Scheduling
US20160019501A1 (en) * 2014-07-17 2016-01-21 Dmitri Olechko Systems, methods and computer-program products for automation of dispatch of shipment delivery order
CN106249738A (zh) * 2016-07-19 2016-12-21 南京航空航天大学 一种车间环境下agv智能动态调度方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101441468A (zh) * 2008-12-05 2009-05-27 同济大学 基于Virtual-Hub的网络协作生产调度系统及其自适应调度方法
CN101706886A (zh) * 2009-08-28 2010-05-12 华南理工大学 一种以订单驱动的加工车间单件小批量混流生产方法
CN101944201A (zh) * 2010-07-27 2011-01-12 昆明理工大学 一种基于多智能体的炼钢车间天车调度仿真方法
CN101916404A (zh) * 2010-08-06 2010-12-15 沈阳工业大学 一种装备制造过程多厂协同调度优化方法
US20140222238A1 (en) * 2012-04-30 2014-08-07 Innovari, Inc. Grid Optimization Resource Dispatch Scheduling
US20160019501A1 (en) * 2014-07-17 2016-01-21 Dmitri Olechko Systems, methods and computer-program products for automation of dispatch of shipment delivery order
CN106249738A (zh) * 2016-07-19 2016-12-21 南京航空航天大学 一种车间环境下agv智能动态调度方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
WU XING ETC.: "A multi-agent controller on embedded system for complex mechatronics", 《2009 CHINESE CONTROL AND DECISION CONFERENCE》 *
白俊杰 等: "多目标柔性作业车间分批优化调度", 《计算机集成制造系统》 *

Cited By (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108197839A (zh) * 2018-02-11 2018-06-22 沈阳建筑大学 一种具有路由缓冲区的客车制造车间排产方法
CN112236730B (zh) * 2018-06-07 2021-10-08 三菱电机株式会社 工序决定辅助装置、工序决定辅助方法及存储介质
CN112236730A (zh) * 2018-06-07 2021-01-15 三菱电机株式会社 工序决定辅助装置、工序决定辅助方法、工序决定辅助程序及存储介质
CN109242134A (zh) * 2018-07-16 2019-01-18 哈尔滨理工大学 考虑迁移的二目标多车间综合调度方法
CN109242134B (zh) * 2018-07-16 2022-05-20 哈尔滨理工大学 考虑迁移的二目标多车间综合调度方法
CN109685263A (zh) * 2018-12-20 2019-04-26 宁波大学 一种并行分布式加工调度优化方法
CN111367664A (zh) * 2020-02-27 2020-07-03 腾讯科技（深圳）有限公司 信息处理方法和相关装置
CN111369132A (zh) * 2020-03-02 2020-07-03 深圳百胜扬工业电子商务平台发展有限公司 一种基于非传统vsm的机械手操作工序处理方法及装置
WO2022012267A1 (zh) * 2020-07-17 2022-01-20 北京理工大学 一种五金柔性生产车间多加工机器人协作方法
CN112163755A (zh) * 2020-09-23 2021-01-01 华南理工大学 一种智能生产线云辅助自组织动态重构方法及其应用
CN112364961A (zh) * 2020-11-27 2021-02-12 北京工业大学 一种面向车间调度的rfid采集方法
CN112529313A (zh) * 2020-12-17 2021-03-19 中国航空综合技术研究所 基于协商策略的智能人机工程设计优化方法
CN112529313B (zh) * 2020-12-17 2022-12-09 中国航空综合技术研究所 基于协商策略的智能人机工程设计优化方法
CN113093673A (zh) * 2021-03-31 2021-07-09 南京大学 一种使用平均场动作价值学习优化车间作业排程的方法
CN113428540A (zh) * 2021-05-28 2021-09-24 南京航空航天大学 模块化产线智能自治生产系统
CN113361915A (zh) * 2021-06-04 2021-09-07 聪明工厂有限公司 基于深度强化学习和多智能体图的柔性作业车间调度方法
CN113377073A (zh) * 2021-06-28 2021-09-10 西南交通大学 一种基于双层多智能体系统的柔性作业车间调度优化方法
CN116302449A (zh) * 2023-05-17 2023-06-23 鹏城实验室 跨智能体的算法资源调度方法、装置、设备和介质
CN116302449B (zh) * 2023-05-17 2023-08-22 鹏城实验室 跨智能体的算法资源调度方法、装置、设备和介质
CN116339955A (zh) * 2023-05-25 2023-06-27 中国人民解放军国防科技大学 计算换通信框架的局部优化方法、装置和计算机设备
CN116339955B (zh) * 2023-05-25 2023-08-11 中国人民解放军国防科技大学 计算换通信框架的局部优化方法、装置和计算机设备

Also Published As

Publication number Publication date
CN107122857B (zh) 2021-01-22

Similar Documents

Publication Publication Date Title
CN107122857A (zh) 基于多智能体的车间多目标协同优化调度方法
Liu et al. Intelligent scheduling of a feature-process-machine tool supernetwork based on digital twin workshop
Valilai et al. A collaborative and integrated platform to support distributed manufacturing system using a service-oriented approach based on cloud computing paradigm
Guo et al. Synchronization of shop-floor logistics and manufacturing under IIoT and digital twin-enabled graduation intelligent manufacturing system
Cao et al. Study on machining service modes and resource selection strategies in cloud manufacturing
CN111882215A (zh) 一种含有agv的个性化定制柔性作业车间调度方法
CN110472765A (zh) 一种车间布局调度的低熵协同优化方法
CN110516939A (zh) 仓库作业调度系统
Li et al. A multi-granularity NC program optimization approach for energy efficient machining
CN109784570B (zh) 基于信息物理融合系统的智慧车间柔性生产调度方法
Zupan et al. Hybrid algorithm based on priority rules for simulation of workshop production
Geiger et al. Knowledge-based machine scheduling under consideration of uncertainties in master data
Wang et al. Embedding machining features in function blocks for distributed process planning
CN117132181B (zh) 一种分布式柔性生产与运输协同调度方法
Li et al. Evaluation of the logistic model of the reconfigurable manufacturing system based on generalised stochastic Petri nets
Rahimifard et al. Simultaneous scheduling of workpieces, fixtures and cutting tools within flexible machining cells
CN107133703A (zh) 一种基于需求驱动的不相容工件组在线分批加工方法
CN107544451B (zh) 一种加工车间数控机床集中调度系统及方法
Solimanpur et al. Optimum process plan selection via branch-and-bound algorithm in an automated manufacturing environment
Ventura et al. Loading tools to machines in flexible manufacturing systems
Narapureddy et al. Optimal scheduling methodology for machines, tool transporter and tools in a multi-machine flexible manufacturing system without tool delay using flower pollination algorithm
Chai et al. Study on simulation of the main shaft production line
Yang et al. Resource allocation algorithm and job scheduling of virtual manufacturing workshop
Sui et al. A model of task collaboration with simulation for IOT
Yong-shang et al. Research and application of the workshop scheduling algorithm based on the rules

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant