CN112884241B - 基于智能Agent的云边协作制造任务调度方法 - Google Patents
基于智能Agent的云边协作制造任务调度方法 Download PDFInfo
- Publication number
- CN112884241B CN112884241B CN202110272006.4A CN202110272006A CN112884241B CN 112884241 B CN112884241 B CN 112884241B CN 202110272006 A CN202110272006 A CN 202110272006A CN 112884241 B CN112884241 B CN 112884241B
- Authority
- CN
- China
- Prior art keywords
- production line
- production
- subtask
- scheduling
- rescheduling
- 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.)
- Active
Links
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 320
- 238000000034 method Methods 0.000 title claims abstract description 112
- 230000008569 process Effects 0.000 claims description 69
- 238000004364 calculation method Methods 0.000 claims description 27
- 238000007726 management method Methods 0.000 claims description 22
- 238000012545 processing Methods 0.000 claims description 17
- 238000004891 communication Methods 0.000 claims description 16
- 238000005265 energy consumption Methods 0.000 claims description 14
- 230000035772 mutation Effects 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 8
- 230000002068 genetic effect Effects 0.000 claims description 8
- 238000000354 decomposition reaction Methods 0.000 claims description 7
- 230000001105 regulatory effect Effects 0.000 claims description 7
- 238000012163 sequencing technique Methods 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 3
- 238000010187 selection method Methods 0.000 claims description 3
- 239000011265 semifinished product Substances 0.000 claims description 3
- 239000002994 raw material Substances 0.000 claims 1
- 239000003795 chemical substances by application Substances 0.000 description 74
- 230000000694 effects Effects 0.000 description 17
- 210000000349 chromosome Anatomy 0.000 description 11
- 238000005457 optimization Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 6
- 108090000623 proteins and genes Proteins 0.000 description 5
- 230000007246 mechanism Effects 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 230000029087 digestion Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013079 data visualisation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000012856 packing Methods 0.000 description 1
- 239000012466 permeate Substances 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000009966 trimming Methods 0.000 description 1
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
- 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- 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)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Manufacturing & Machinery (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- General Factory Administration (AREA)
Abstract
本发明涉及任务调度技术领域,具体涉及基于智能Agent的云边协作制造任务调度方法,包括:S1:将待调度的制造任务输入构建的目标决策模型中;S2:云端计算模块将制造任务分解成若干个子任务;然后对各个子任务的服务质量指标进行约束以得到初步调度方案;S3:边缘管控模块检测各条生产线的扰动情况:若某一条生产线存在故障扰动,则进入步骤S4;若各条生产线均不存在故障扰动,进入步骤S5;S4:云端计算模块对该生产线所对应的子任务的服务质量指标进行再次约束以得到再调度方案;最后返回步骤S3;S5:制造任务的调度完成。本发明中基于智能Agent的云边协作制造任务调度方法能够实现对服务质量指标的约束和对扰动的调整。
Description
技术领域
本发明涉及任务调度技术领域,具体涉及基于智能Agent的云边协作制造任务调度方法。
背景技术
智能制造是十四五规划的主攻方向之一,工业大数据未来将成为智能制造发展的核心。当前环境下,智能工厂产生的大量数据(例如传感器数据、PLC数据、嵌入式系统数据、信息系统数据)渗透生产制造过程的各个环节,很多制造问题需要结合实时数据和边缘计算来实现对生产质量的全面感知与动态控制。边缘计算是在靠近物或数据源头的网络边缘侧,融合网络、计算、存储、应用核心能力的分布式开放平台,就近提供边缘智能服务,满足行业数字化在敏捷联接、实时业务、数据优化、应用智能、安全与隐私保护等方面的关键需求。
边缘侧需要支持多种网络接口、协议与拓扑,业务实时处理与确定性时延,数据处理与分析,分布式智能和安全与隐私保护,因此边缘计算需要与云计算在网络、业务、应用和智能等方面进行协同。并且边缘计算与云计算需要通过紧密协同才能更好的满足各种需求场景的匹配,从而放大边缘计算和云计算的应用价值。例如,公开号为CN111144715A的中国专利就公开了《一种基于边云协同的工厂电能管控系统》,其包括云电能管理层、边缘计算层、设备层、供电侧;边缘计算层包括若干边缘节点;云电能管理层包括云电能管理中心、工业云服务器;云电能管理中心用于执行部分计算任务,并将计算结果返回到边缘节点;工业云服务器用于存储边缘节点已生成的供电用电方案。该现有方案中的工厂电能管控系统通过云边协作的方式提高了工厂电能管控的实时性。该现有方案中基于边云协同的工厂电能管控系统同样可用于工厂任务调度,其也是一种基于云边协作的制造任务调度系统。
申请人发现,制造任务调度过程中存在服务质量指标,服务质量指标一般包括时间、生产质量、生产成本、可靠性、生产能耗和负载均衡等,制造任务需要满足这些服务质量指标生产线才能稳定的生产,即不会出现质量扰动(服务质量指标越界、异常)和扰动异常(多次仍未解决的质量扰动)。但现有基于边云协同的制造任务调度方法在进行任务调度时不能加入对服务质量指标的约束,导致现有的制造任务调度方法难以获取最优的任务调度方案。申请人在进一步研究中发现,智能Agent拥有自主性和自适应性,其能够通过与其他Agent的交互和相互配合来实现大型复杂任务的调度,同时其还能根据环境信息快速响应外界的请求,因此加入智能Agent能够实现对服务质量指标的约束。然而,如何将智能Agent与云边协作系统融合并有效实现制造任务的调度是急需解决的技术问题。
发明内容
针对上述现有技术的不足,本发明所要解决的技术问题是:如何提供一种基于智能Agent的云边协作制造任务调度方法,以实现对服务质量指标的约束和对扰动的调整,从而能够提升制造任务的调度效果。
为了解决上述技术问题,本发明采用了如下的技术方案:
基于智能Agent的云边协作制造任务调度方法,包括以下步骤:
S1:将待调度的制造任务输入构建的目标决策模型中;所述目标决策模型基于智能Agent和服务质量指标构建,其包括云端计算模块和边缘管控模块;
S2:云端计算模块将制造任务分解成若干个子任务;然后根据产线资源以及设置的目标约束值对各个子任务的服务质量指标进行约束以得到初步调度方案,并根据初步调度方案执行生产;
S3:边缘管控模块检测各条生产线的扰动情况:若某一条生产线存在故障扰动,则进入步骤S4;若各条生产线均不存在故障扰动,进入步骤S5;
S4:边缘管控模块生成该条生产线的故障扰动信息并发送至云端计算模块;然后云端计算模块根据该生产线的故障扰动信息,以及剩余的产线资源和目标约束值对该生产线所对应的子任务的服务质量指标进行再次约束以得到再调度方案,并根据再调度方案执行生产;最后返回步骤S3;
S5:制造任务的调度完成。
优选的,云端计算模块包括用于将制造任务分解成子任务的任务解析Agent,以及用于实现子任务初步调度和再调度的规划调度Agent。
优选的,边缘管控模块包括用于获取产线资源的设备Agent,以及用于判断生产线是否存在故障扰动并能够生成生产线故障扰动信息的边缘Agent。
优选的,步骤S3中,若各条生产线均不存在故障扰动,则先判断各条生产线是否存在质量扰动:若某一生产线存在质量扰动,则通过边缘Agent和设备Agent对该生产线进行自调整,并返回步骤S3;若各条生产线均不存在质量扰动,则进入步骤S5。
优选的,步骤S2中,云端计算模块首先根据设置的任务分解规则将制造任务分解成若干个子任务;然后根据设置的工艺流程规划规则生成各个子任务的可选工艺流程,并确定每个工艺流程的工步;最后才根据产线资源以及设置的目标约束值对各个子任务的服务质量指标进行约束以得到初步调度方案。
优选的,服务质量指标的参数包括生产时间T、生产成本C、生产质量Q、可靠性Sa、生产能耗Cs和负载均衡B;并且通过如下公式计算第j个子任务的服务质量指标的参数:
式中,Tj表示第j个子任务的生产时间,i表示生产线编号,M表示生产线总数,K表示工艺流程编号,l表示工步编号,Rj表示第j个子任务的可选工艺流程总数,/>表示第j个子任务选择的第K个工艺流程的工步总数,Xjk表示第j个子任务选择第K个工艺流程的决策变量,/>表示第j个子任务选择第K个工艺流程在第i条生产线上生产的决策变量,/>和/>分别表示向第i条生产线调度产线资源给第j个子任务的第K个工艺流程第l个工步的初始调度时间、累计生产时间和辅助时间,/>表示在第i条生产线上加工后作为半成品送往其他生产线的调度时间;
式中,Cj表示第j个子任务的生产成本,/>和/>分别表示第i条生产线生产第j个子任务的第K个工艺流程第l个工步的单位时间加工成本、计算通信成本和产线资源单位时间调度成本;
式中,Qj表示第j个子任务的生产质量,/>表示第i条生产线生产第j个子任务的第K个工艺流程第l个工步发生质量扰动的概率;
式中,Saj表示第j个子任务的可靠性,/>和/>分别表示第i条生产线生产第j个子任务的第K个工艺流程第l个工步的通信性能和计算性能;
式中,Csj表示第j个子任务的生产能耗,Eijkl表示第i条生产线生产第j个子任务的第K个工艺流程第l个工步的生产能耗功率;
式中,Bj表示第j个子任务的负载均衡,Ti表示第i条生产线的总加工时间;并且结合公式/>和/>完成计算。
优选的,服务质量指标Qos通过如下公式计算:
式中,N表示子任务总数;并且结合公式/>完成计算。
优选的,步骤S2中对子任务进行初步调度时,通过如下公式约束服务质量指标:
式中,Tmax、Cmax和Qmin分别表示设置的生产时间目标约束值、生产成本目标约束值和生产质量目标约束值。
优选的,步骤S4中对子任务进行再调度时,通过如下公式计算再调度后的服务质量指标:
Qos′=γ1T′+γ2C′+γ3Q′+γ4Sa′+γ5Cs′+γ6B′+γ7Bia;式中,Qos′表示再调度后的服务质量指标,T′表示再调度后的生产时间、C′再调度后的生产成本、Q′再调度后的生产质量、Sa′再调度后的可靠性、Cs′再调度后的生产能耗和B′再调度后的负载均衡,Bia表示偏离程度;其中偏离程度Bia通过如下公式计算:
式中,/>表示生产线之间的运输时间,/>表示再调度后的生产时间,pl表示产线资源变化的惩罚系数,取1。
优选的,通过非支配快速排序遗传算法对目标决策模型进行求解,以得到初步调度方案和再调度方案;具体包括以下步骤:
S11:设置非支配快速排序遗传算法的种群规模L、最大迭代次数int max、交叉概率Pd、变异概率Pe,最大交叉概率和最小交叉概率/>然后初始化目标决策模型形成父代种群,并将最大迭代次数int max设置为1后对其进行变异、交叉操作生产子代种群;
S12:合并父代种群与子代种群以得到种群规模为2L的合并群落,并计算合并群落的目标函数;然后对合并群落进行非支配排序形成多个非支配层集合,并分别计算各个非支配层集合内部的拥挤距离;
S13:采用锦标赛选择法从规模为2L的合并群落中选取L个个体作为新父代种群;然后对新父代种群进行非支配排序,获取非支配最优层Pareto层的元素集合;再获取Pareto层的一个最优个体加入精英解集,并判断迭代次数是否达到设置的最大迭代次数int max,若达到最大迭代次数int max,则进入步骤S15;否则,进入步骤S14;
S14:迭代次数加1;然后对新父代种群进行变异、交叉操作形成新子代种群,并返回步骤S12;
S15:从精英解集中选取最优解作为初步调度或再调度的调度方案。
本发明中的云边协作制造任务调度方法与现有技术相比,具有如下有益效果:
1、本发明中,基于智能Agent和服务质量指标构建了包含云端计算模块和边缘管控模块的目标决策模型,从而实现了智能Agent与云边协作的融合,即在现有云边协作制造任务调度的基础上实现了对服务质量指标的约束。
2、本发明中,对制造任务进行了分解,并能够通过产线资源以及目标约束值对制造任务的服务质量指标进行约束,使得制造任务能够更好的与服务质量指标相适应,即有利于获取最优的任务调度方案,从而能够提升制造任务的调度效果。
3、本发明中,能够在生产线出现故障扰动时对子任务的服务质量指标进行再次约束,使得能够通过对子任务的重新调度来解决故障扰动的问题,即能够很好的调整生产过程中的扰动,这能够进一步保证制造任务的调度效果。
附图说明
为了使发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步的详细描述,其中:
图1为实施例中云边协作制造任务调度方法的逻辑框图;
图2为实施例中目标决策模型的逻辑框图;
图3为实施例中云边协作制造任务问题模型的示意图;
图4为实施例中子任务的逻辑示意图;
图5为实施例中各类扰动解决方案的方案示意图;
图6为实施例中染色体交叉过程图的示意图;
图7为实施例中染色体变异算法的流程图;
图8为实施例中边协作制造试验场景的架构示意图;
图9为实施例中初始适应值变化曲线图;
图10为实施例中初始求解甘特图;
图11为实施例中任务一的初始求解指标数据图;
图12为实施例中任务二的初始求解指标数据图;
图13为实施例中再求解适应值变化曲线图;
图14为实施例中再求解甘特图;
图15为实施例中任务一的再求解指标数据图;
图16为实施例中任务二的再求解指标数据图。
具体实施方式
下面通过具体实施方式进一步详细的说明:
实施例:
本实施例中公开了基于智能Agent的云边协作制造任务调度方法。
基于智能Agent的云边协作制造任务调度方法,包括以下步骤:
S1:将待调度的制造任务输入构建的目标决策模型中;所述目标决策模型基于智能Agent和服务质量指标构建,其包括云端计算模块和边缘管控模块;
S2:云端计算模块将制造任务分解成若干个子任务;然后根据产线资源以及设置的目标约束值对各个子任务的服务质量指标进行约束以得到初步调度方案,并根据初步调度方案执行生产;
S3:边缘管控模块检测各条生产线的扰动情况:若某一条生产线存在故障扰动,则进入步骤S4;若各条生产线均不存在故障扰动,进入步骤S5;
S4:边缘管控模块生成该条生产线的故障扰动信息并发送至云端计算模块;然后云端计算模块根据该生产线的故障扰动信息,以及剩余的产线资源和目标约束值对该生产线所对应的子任务的服务质量指标进行再次约束以得到再调度方案,并根据再调度方案执行生产;最后返回步骤S3;
S5:制造任务的调度完成。
本发明中,基于智能Agent和服务质量指标构建了包含云端计算模块和边缘管控模块的目标决策模型,从而实现了智能Agent与云边协作的融合,即在现有云边协作制造任务调度的基础上实现了对服务质量指标的约束。其次,本发明对制造任务进行了分解,并能够通过产线资源以及目标约束值对制造任务的服务质量指标进行约束,使得制造任务能够更好的与服务质量指标相适应,即有利于获取最优的任务调度方案,从而能够提升制造任务的调度效果。进一步的,本发明能够在生产线出现故障扰动时对子任务的服务质量指标进行再次约束,使得能够通过对子任务的重新调度来解决故障扰动的问题,即能够很好的调整生产过程中的扰动,这能够进一步保证制造任务的调度效果。
具体实施过程中,结合图2所示,云端计算模块包括用于将制造任务分解成子任务的任务解析Agent,以及用于实现子任务初步调度和再调度的规划调度Agent。本实施例中,云端计算模块还包括智能优化Agent、动态更新Agent和数据通信Agent。
任务解析Agent具有任务理解、功能分解、任务时序分析、Qos(服务质量)解析、关联优化和活动约束粒度分析等功能。结合图3所示,其首先根据设置的任务分解规则将制造任务分解成若干个子任务;然后根据设置的工艺流程规划规则生成各个子任务的工艺流程,并确定每个工艺流程的工步。
规划调度Agent根据工步的任务内容结合智能优化Agent进行优化决策,依据不同制造任务的类型进行产线资源的搜索与匹配,再依据生产线生产任务的现况合理安排生产时间。
智能优化Agent由知识库、算法库及模型库提供支持,其具有为初始调度及扰动再调度提供全局策略服务,为边缘管控模块提供大数据分析、模型训练、知识抽取等计算服务,为动态更新Agent提供知识评价以及算法支持等功能。
动态更新Agent用于对任务调度方案的再更新以及资源评价信息的更新;其一方面获取智能优化Agent的决断信息与数据通信Agent传来的生产数据信息,对存在扰动的制造任务进行再分配与再调度;另一方面动态更新Agent获取分析生产线的扰动信息与产线数据,对资源的评价指标参数进行动态更新并迭代知识库,从而为智能优化Agent的资源优选组合提供精确的知识支持。
数据通信Agent用于提供通信及运行情况的监控以及数据传输服务。
本发明中,云端计算模块不仅能够实现制造任务的分解、初步调度和再调度,还能够为边缘管控模块提供大数据分析、模型训练、知识抽取等计算服务,使得能够在保证任务调度效果的前提下提升云边协作的效果,从而能够很好的在制造任务生产过程中起到生产监督与及时响应的作用。
具体实施过程中,边缘管控模块包括用于获取产线资源的设备Agent,以及用于判断生产线是否存在故障扰动并能够生成生产线故障扰动信息的边缘Agent。本实施例中,边缘Agent包含交互通信Agent、数据处理Agent、决策Agent、任务审查Agent;设备Agent包含扰动消解Agent、执行监管Agent与设备感知Agent。
交互通信Agent具有三个功能:1)接受云端计算模块下发的指令信息与优化数据及模型,并将其解码整理后传输到产线数据可视化展示,用以指导产线人力资源的生产;2)上传产线数据到云端计算模块的数据挖掘与知识抽取,生成适用于该产线与相应任务的程序模型;3)充当产线设备间通信的适配器,其依据通信协议表采用相应的通信协议并依据相应协作机制与其他产线资源进行通信与数据传输。
数据处理Agent用于负责产线数据的初步处理,包含数据清洗与去除数据冗余、传感器数据的结构化处理与加工等。
决策Agent用于保存云端计算模块发来的决策模型与智能程序,其具备较多的边缘计算能力与存储能力;其负责设备出现Qos波动等非故障扰动时的自调整决策,决策Agent还具备预警学习机制,针对每一次扰动(包含故障扰动和质量扰动,通过现有手段判断故障扰动和质量扰动),其会收集相应数据并向云端计算模块请求相应预警模型(按调度周期完成模型更新迭代),依据设备传来的数据,在下次故障发生前及时预警并调整处理。
任务审查Agent用于按照云端计算模块传输的任务质量文件中对任务进度、服务质量指标的要求,对提交的任务数据信息进行评价,若满足要求则相应子任务环节的制造任务调度,若出现质量问题(Qos越界异常)则视为质量扰动,应联合决策Agent对设备进行调整,并再次审查任务质量状况,若多次无法消解质量异常则视为故障扰动,激活再调度层,进行产线资源的再调度。
扰动消解Agent用于接受边缘Agent的消解决策形成动作指令下达给执行监管Agent进行调整,并将调整信息与质量信息作为反馈信息上传边缘Agent进行冲突消解记录。
执行监管Agent用于监察任务执行情况,实时记录生产执行状况信息与进度信息并生成日志文档,在发生质量扰动则联合边缘Agent与扰动消解Agent进行自决策自调整,当Qos没得到有效更正或发生生产中断等故障扰动时及时通过边缘Agent生成包含故障原因预测、生产进度情况、设备现行状况等信息的故障扰动信息上传云端计算模块、并激活扰动再调度流程,然后通过信息中介合同网协议实现设备资源的暂时退出与修整好后的接入,在制造任务执行完成时将执行过程的服务质量指标信息,产品状态信息打包上传给边缘Agent内部的任务审查Agent完成作业提交。
设备感知Agent由多种传感器,智能检测设备及知识库提供支持,用于获取产线资源以及资源自身状态,如机床装备资源刀具的寿命,执行机构疲劳程度,设备震动对加工精度的影响变化,物料资源的数量等;每单次加工环节完成后设备感知Agent都会提交感知数据给边缘Agent,用于产线设备状态评估打分并更新服务质量指标知识库完成服务质量指标知识的迭代,提高云端计算模块产线资源规划调度的准确率从而减少扰动发生的概率。
本发明中,边缘管控模块能够获取产线资源并判断生产线是否存在故障扰动,并能够在生产线出现质量扰动时对生产线进行自调整,即能够实现对扰动的调整,从而能够提升制造任务的调度效果。
具体实施过程中,步骤S3中,若各条生产线均不存在故障扰动,则先判断各条生产线是否存在质量扰动:若某一生产线存在质量扰动,则通过边缘Agent和设备Agent对该生产线进行自调整,并返回步骤S3;若各条生产线均不存在质量扰动,则进入步骤S5。
本发明中,在生产线出现质量扰动时对生产线进行自调整,即能够实现对扰动的调整,从而能够提升制造任务的调度效果。
具体实施过程中,步骤S2中,云端计算模块首先根据设置的任务分解规则将制造任务分解成若干个子任务;然后根据设置的工艺流程规划规则生成各个子任务的可选工艺流程,并确定每个工艺流程的工步;最后才根据产线资源以及设置的目标约束值对各个子任务的服务质量指标进行约束以得到初步调度方案。
本发明中,能够根据任务分解规则、工艺流程规划规则对制造任务进行分解,并能够根据具体的工步对子任务进行调度,这有利于保证制造任务的调度效果。
具体实施过程中,服务质量指标的参数包括生产时间T、生产成本C、生产质量Q、可靠性Sa、生产能耗Cs和负载均衡B;并且通过如下公式计算第j个子任务的服务质量指标的参数:
式中,Tj表示第j个子任务的生产时间,i表示生产线编号,M表示生产线总数,K表示工艺流程编号,l表示工步编号,Rj表示第j个子任务的可选工艺流程总数,/>表示第j个子任务选择的第K个工艺流程的工步总数,Xjk表示第j个子任务选择第K个工艺流程的决策变量,/>表示第j个子任务选择第K个工艺流程在第i条生产线上生产的决策变量,/>和/>分别表示向第i条生产线调度产线资源给第j个子任务的第K个工艺流程第l个工步的初始调度时间、累计生产时间和辅助时间,/>表示在第i条生产线上加工后作为半成品送往其他生产线的调度时间;
式中,Cj表示第j个子任务的生产成本,/>和/>分别表示第i条生产线生产第j个子任务的第K个工艺流程第l个工步的单位时间加工成本、计算通信成本和产线资源单位时间调度成本;
式中,Qj表示第j个子任务的生产质量,/>表示第i条生产线生产第j个子任务的第K个工艺流程第l个工步发生质量扰动的概率;
式中,Saj表示第j个子任务的可靠性,/>和/>分别表示第i条生产线生产第j个子任务的第K个工艺流程第l个工步的通信性能和计算性能;
式中,Csj表示第j个子任务的生产能耗,Eijkl表示第i条生产线生产第j个子任务的第K个工艺流程第l个工步的生产能耗功率;
式中,Bj表示第j个子任务的负载均衡,Ti表示第i条生产线的总加工时间;并且结合公式/>和/>完成计算。
具体的,制造任务的执行生产有如图4所示的四种结构:顺序结构、并行结构、选择结构、循环结构,对于不同结构的服务质量指标参数的计算方式也不同,设Wi为决策变量,λ为循环次数。生产时间的顺序结构按计算,并行结构按/>计算,选择结构按计算,循环结构按/>计算;生产成本的顺序结构按/>计算,并行结构按/>计算,选择结构按/>计算,循环结构按/>计算;生产质量的顺序结构按/>计算,并行结构按/>计算,选择结构按/>计算,循环结构按计算;可靠性的顺序结构按/>计算,并行结构按/>计算,选择结构按计算,循环结构按/>计算;生产能耗的顺序结构按/>计算,并行结构按/>计算,选择结构按/>计算,循环结构按/>计算;负载均衡的顺序结构按/>计算,并行结构按/>计算,选择结构按/>计算,循环指标按/>计算。
具体实施过程中,服务质量指标Qos通过如下公式计算:
式中,N表示子任务总数;并且结合公式/>完成计算。
具体实施过程中,步骤S2中对子任务进行初步调度时,通过如下公式约束服务质量指标:
式中,Tmax、Cmax和Qmin分别表示设置的生产时间目标约束值、生产成本目标约束值和生产质量目标约束值。本实施例中,下一个分配到该产线生产的子任务初始调度时间不得早于先一个子任务的执行时间,因此生产时间还有以下约束:/>式中,/>表示下一个分配到该产线生产的子任务的初始调度时间,/>表示先一个子任务的执行时间。
具体实施过程中,步骤S4中对子任务进行再调度时,通过如下公式计算再调度后的服务质量指标:
Qos′=γ1T′+γ2C′+γ3Q′+γ4Sa′+γ5Cs′+γ6B′+γ7Bia;式中,Qos′表示再调度后的服务质量,T′表示再调度后的生产时间、C′再调度后的生产成本、Q′再调度后的生产质量、Sa′再调度后的可靠性、Cs′再调度后的生产能耗和B′再调度后的负载均衡,Bia表示偏离程度;
其中,偏离程度Bia通过如下公式计算:
式中,/>表示生产线之间的运输时间,/>表示再调度后的生产时间,pl表示生产线变化的惩罚系数,取1。云边协作机制起到生产监督与及时响应的作用,当出现再调度需求时,需要考虑扰动情况进行再调度,请参见图5,扰动再调度需考虑对初始调度的偏离程度Bia,偏离程度用时间衡量,再调度是对其他任务求解影响的定量分析,包含初始调度时间偏离度以及加工时间偏离度。
本发明中,对子任务进行再调度时加入了偏离程度作为参考,使得能够在一定程度上限制再调度的偏离程度,即能够更好的提升制造任务的调度效果,并能够保证对扰动的调整效果。
具体实施过程中,通过非支配快速排序遗传算法对目标决策模型进行求解,以得到初步调度方案和再调度方案;具体包括以下步骤:
S11:设置非支配快速排序遗传算法的种群规模L、最大迭代次数int max、交叉概率Pd、变异概率Pe,最大交叉概率和最小交叉概率/>然后初始化目标决策模型形成父代种群,并将最大迭代次数int max设置为1后对其进行变异、交叉操作生产子代种群;
S12:合并父代种群与子代种群以得到种群规模为2L的合并群落,并计算合并群落的目标函数;然后对合并群落进行非支配排序形成多个非支配层集合,并分别计算各个非支配层集合内部的拥挤距离;
S13:采用锦标赛选择法从规模为2L的合并群落中选取L个个体作为新父代种群;然后对新父代种群进行非支配排序,获取非支配最优层Pareto层的元素集合;再获取Pareto层的一个最优个体加入精英解集,并判断迭代次数是否达到设置的最大迭代次数int max,若达到最大迭代次数int max,则进入步骤S15;否则,进入步骤S14;
S14:迭代次数加1;然后对新父代种群进行变异、交叉操作形成新子代种群,并返回步骤S12;
S15:从精英解集中选取最优解作为初步调度或再调度的任务调度方案。
具体的,通过非支配快速排序遗传算法求解时需要对目标决策模型进行编码、解码、初始化、选择、交叉、变异等六个步骤:
1)模型编码:采用四元组描述一个制造任务求解的染色体基因(A,B,C,D),A代表制造任务编号,B代表子任务编号,C代表子任务选定的工艺路线,D代表所选择的产线资源。制造任务f可拆分出fN个子任务,可根据以下公式:
计算染色体的总长度(由于直接用最值参与计算,会出现某些制造任务的子任务可选工艺数少于max{fN}的情况,凡是出现空缺的均用0填补,有0存在的基因都视为无用基因)。
2)模型解码:从左至右按基因组有时序的读取任务调度方案的过程,在无0出现的前提下,第一层代表制造任务,第二层代表该制造任务的子任务,第三层代表在子任务前提下所选择的工艺路线,最后一层指代产线资源。
3)模型初始化:采用随机初始化的方式产生一个规模为L的种群,第一层先为每个任务生成个相应的序号并随机打乱;在相对应的制造任务编号f下先对有顺序结构要求的子任务打包集成为一组任务模块,再与其他没有顺序要求的子任务随机排序,空位由0替补;以第一、二层编号为条件,随机生成与之对应的可选工艺路线集合中的一种工艺路线,上层出现0的由0填补;第一、二、三层编号为条件,随机生成与之对应的可用产线资源集合中的一个产线资源编号(产线资源编号共通,但限于实际,有些产线不适用于某类特定任务的生产,故特此说明),上层出现0的由0填补;修整染色体,去除所有含0的基因,并返回步骤1,直至产生L个染色体为止。
4)采用非支配排序、拥挤距离计算与锦标赛法对种群进行选择,得到非支配层级以及拥挤距离的染色体个体可通过锦标赛法进行选择,非支配排序的方法为对任一个体x,根据目标决策模型,计算T(x)、C(x)、Q(x)、Sa(x)、B(x)、Cs(x)、Qos(x),若存在个体y使得以下不等式组成立:
则认为个体y优于个体x,因此个体x受个体y支配,现根据这种支配定义,在种群L中进行筛选,找到不被支配的个体集合作为第一非支配层;接着在去除第一非支配层的其他个体之间再筛选,获取第二非支配层,一直到所有个体都被分配非支配层级为止。
拥挤距离用于刻画个体间的稀疏程度,拥挤距离越大,个体生存几率越高,现将同一非支配层级的个体按负性指标增量方向进行层级内部排序,在有序层级组织内部为每个个体i计算拥挤距离如下:
在种群内所有个体都有非支配层属性及拥挤距离的条件下,在种群内随机选取两个个体,若其非支配层相同,拥挤距离不同,则选取拥挤距离较大的个体;若两个个体非支配层不同,则选取非支配层级较低的个体加入新种群,直至新种群达到规模要求为止。
5)采用基于子任务顺序的交叉操作,并将服务质量的计算式作为适应度函数f,保持有严格顺序要求的子任务关联部分不动,在父代染色体其他部分上随机选取三个交叉点,并在另一个父代染色体上找到所选取的三个点进行随机替换得到子代染色体,请参见图6。
6)采用变异阈值控制变异方式,随机生产变异概率Pe,当Pe小于变异阈值时随机生成数值A:若A大于0.6则随机互换染色体上两个基因片段次序完成变异;若A小于0.6则随机生成数值B∈[0,0.6],B小于等于0.2则随机选取新的工艺路线替换原工艺路线,B介于0.2到0.4之间则随机选取新产线资源替换原产线资源同时随机选取新工艺路线替换原工艺路线,B介于0.4到0.6则随机选取新的产线资源替换原产线资源;具体请参见图7。
本发明中,利用非支配快速排序遗传算法对目标决策模型进行求解并得到初步调度方案和再调度方案,有利于获取最优的任务调度方案,从而能够提升制造任务的调度效果。
本实施例中还基于本发明的智能Agent云边协作制造任务调度方法构建了以下试验。
1)搭建模型:基于智能Agent的云边协作场景架构包含三层,分别为云计算层、网络链路层与边缘设备层如图8所示,云计算层构成云端计算模块,负责任务求解策略的计算与调度指令的下发;网络链路层与边缘设备层共同构成了边缘管控模块,负责接收生产质量与进行质量监视与控制。边缘设备层包含带有边缘Agent的产线资源,由机床设备资源等固定设备及AGV等移动设备组成,共同完成固定工位的生产加工与产线内外的调度。
2)产线资源:工厂有7个产线,现有2个制造任务T1和T2,分别可以分解成4个子任务(D11、D12、D13、D14;D21、D22、D23、D24),其中D11和D12、D23和D24有严格的顺序关系;需要合理分配到各生产线进行生产,资源调度到各产线的初始调度时间均相同,单位时间调度成本为50元,其可选工艺及相关指标如表1、表2和表3所示。
表1
表2
表3
3)对以上参数进行处理及归一化计算得到任务求解参数如表4所示。
表4
4)设置种群规模L=150,最大迭代次数int max=200,交叉概率Pd=0.8,最大交叉概率最小交叉概率/>变异概率Pe=0.2,对目标决策模型进行求解得到初步调度方案,初步调度方案的运行结果参见图9、图10、图11和图12。
4)边缘管控模块在生产线执行生产过程中检测到D24 S2421操作后出了故障扰动,需要进行再求解。结合生产线间运输时间(表2),以及结合偏离指标Bia进行再调度求解得到再调度方案,再调度方案的运行结果请参见图13、图14、图15和图16。
可见,基于本发明的智能Agent云边协作制造任务调度方法构建的试验,能够很好的实现对服务质量指标的约束,有利于获取最优的任务调度方案;并且,能够在生产线出现故障扰动时,通过对子任务的重新调度来解决故障扰动的问题,即能够很好的调整生产过程中的扰动,从而能够提升制造任务的调度效果。
以上所述的仅是本发明的实施例,方案中公知的具体结构及特性等常识在此未作过多描述,所属领域普通技术人员知晓申请日或者优先权日之前发明所属技术领域所有的普通技术知识,能够获知该领域中所有的现有技术,并且具有应用该日期之前常规实验手段的能力,所属领域普通技术人员可以在本申请给出的启示下,结合自身能力完善并实施本方案,一些典型的公知结构或者公知方法不应当成为所属领域普通技术人员实施本申请的障碍。应当指出,对于本领域的技术人员来说,在不脱离本发明结构的前提下,还可以作出若干变形和改进,这些也应该视为本发明的保护范围,这些都不会影响本发明实施的效果和专利的实用性。本申请要求的保护范围应当以其权利要求的内容为准,说明书中的具体实施方式等记载可以用于解释权利要求的内容。
Claims (4)
1.基于智能Agent的云边协作制造任务调度方法,其特征在于,包括以下步骤:
S1:将待调度的制造任务输入构建的目标决策模型中;所述目标决策模型基于智能Agent和服务质量指标构建,其包括云端计算模块和边缘管控模块;
S2:云端计算模块将制造任务分解成若干个子任务;然后根据产线资源以及设置的目标约束值对各个子任务的服务质量指标进行约束以得到初步调度方案,并根据初步调度方案执行生产;
云端计算模块首先根据设置的任务分解规则将制造任务分解成若干个子任务;然后根据设置的工艺流程规划规则生成各个子任务的可选工艺流程,并确定每个工艺流程的工步;最后才根据产线资源以及设置的目标约束值对各个子任务的服务质量指标进行约束以得到初步调度方案;
服务质量指标的参数包括生产时间T、生产成本C、生产质量Q、可靠性Sa、生产能耗Cs和负载均衡B;并且通过如下公式计算第j个子任务的服务质量指标的参数:
式中,Tj表示第j个子任务的生产时间,i表示生产线编号,M表示生产线总数,K表示工艺流程编号,l表示工步编号,Rj表示第j个子任务的可选工艺流程总数,/>表示第j个子任务选择的第K个工艺流程的工步总数,Xjk表示第j个子任务选择第K个工艺流程的决策变量,/>表示第j个子任务选择第K个工艺流程在第i条生产线上生产的决策变量,/>和/>分别表示向第i条生产线调度产线资源给第j个子任务的第K个工艺流程第l个工步的初始调度时间、累计生产时间和辅助时间,/>表示在第i条生产线上加工后作为半成品送往其他生产线的调度时间;
式中,Cj表示第j个子任务的生产成本,/>和/>分别表示第i条生产线生产第j个子任务的第K个工艺流程第l个工步的单位时间加工成本、计算通信成本和产线资源单位时间调度成本;
式中,Qj表示第j个子任务的生产质量,/>表示第i条生产线生产第j个子任务的第K个工艺流程第l个工步发生质量扰动的概率;
式中,Saj表示第j个子任务的可靠性,/>和/>分别表示第i条生产线生产第j个子任务的第K个工艺流程第l个工步的通信性能和计算性能;
式中,Csj表示第j个子任务的生产能耗,Eijkl表示第i条生产线生产第j个子任务的第K个工艺流程第l个工步的生产能耗功率;
式中,Bj表示第j个子任务的负载均衡,Ti表示第i条生产线的总加工时间;并且结合公式/>和/>完成计算;
服务质量指标Qos通过如下公式计算:
式中,N表示子任务总数;并且结合公式/>完成计算;
对子任务进行初步调度时,通过如下公式约束服务质量指标:
式中,Tmax、Cmax和Qmin分别表示设置的生产时间目标约束值、生产成本目标约束值和生产质量目标约束值;
对子任务进行再调度时,通过如下公式计算再调度后的服务质量指标:
Qos′=γ1T′+γ2C′+γ3Q′+γ4Sa′+γ5Cs′+γ6B′+γ7Bia;式中,Qos′表示再调度后的服务质量指标,T′表示再调度后的生产时间、C′再调度后的生产成本、Q′再调度后的生产质量、Sa′再调度后的可靠性、Cs′再调度后的生产能耗和B′再调度后的负载均衡,Bia表示偏离程度;其中偏离程度Bia通过如下公式计算:
式中,/>表示生产线之间的运输时间,/>表示再调度后的生产时间,pl表示产线资源变化的惩罚系数,取1;
通过非支配快速排序遗传算法对目标决策模型进行求解,以得到初步调度方案和再调度方案;具体包括以下步骤:
S11:设置非支配快速排序遗传算法的种群规模L、最大迭代次数intmax、交叉概率Pd、变异概率Pe,最大交叉概率和最小交叉概率/>然后初始化目标决策模型形成父代种群,并将最大迭代次数intmax设置为1后对其进行变异、交叉操作生产子代种群;
S12:合并父代种群与子代种群以得到种群规模为2L的合并群落,并计算合并群落的目标函数;然后对合并群落进行非支配排序形成多个非支配层集合,并分别计算各个非支配层集合内部的拥挤距离;
S13:采用锦标赛选择法从规模为2L的合并群落中选取L个个体作为新父代种群;然后对新父代种群进行非支配排序,获取非支配最优层Pareto层的元素集合;再获取Pareto层的一个最优个体加入精英解集,并判断迭代次数是否达到设置的最大迭代次数intmax,若达到最大迭代次数intmax,则进入步骤S15;否则,进入步骤S14;
S14:迭代次数加1;然后对新父代种群进行变异、交叉操作形成新子代种群,并返回步骤S12;
S15:从精英解集中选取最优解作为初步调度或再调度的调度方案;
S3:边缘管控模块检测各条生产线的扰动情况:若某一条生产线存在故障扰动,则进入步骤S4;若各条生产线均不存在故障扰动,进入步骤S5;
S4:边缘管控模块生成该条生产线的故障扰动信息并发送至云端计算模块;然后云端计算模块根据该生产线的故障扰动信息,以及剩余的产线资源和目标约束值对该生产线所对应的子任务的服务质量指标进行再次约束以得到再调度方案,并根据再调度方案执行生产;最后返回步骤S3;
S5:制造任务的调度完成。
2.如权利要求1所述的基于智能Agent的云边协作制造任务调度方法,其特征在于:云端计算模块包括用于将制造任务分解成子任务的任务解析Agent,以及用于实现子任务初步调度和再调度的规划调度Agent。
3.如权利要求1所述的基于智能Agent的云边协作制造任务调度方法,其特征在于:边缘管控模块包括用于获取产线资源的设备Agent,以及用于判断生产线是否存在故障扰动并能够生成生产线故障扰动信息的边缘Agent。
4.如权利要求3所述的基于智能Agent的云边协作制造任务调度方法,其特征在于:步骤S3中,若各条生产线均不存在故障扰动,则先判断各条生产线是否存在质量扰动:若某一生产线存在质量扰动,则通过边缘Agent和设备Agent对该生产线进行自调整,并返回步骤S3;若各条生产线均不存在质量扰动,则进入步骤S5。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110272006.4A CN112884241B (zh) | 2021-03-12 | 2021-03-12 | 基于智能Agent的云边协作制造任务调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110272006.4A CN112884241B (zh) | 2021-03-12 | 2021-03-12 | 基于智能Agent的云边协作制造任务调度方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112884241A CN112884241A (zh) | 2021-06-01 |
CN112884241B true CN112884241B (zh) | 2023-09-01 |
Family
ID=76042439
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110272006.4A Active CN112884241B (zh) | 2021-03-12 | 2021-03-12 | 基于智能Agent的云边协作制造任务调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112884241B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113393143B (zh) * | 2021-06-24 | 2022-06-17 | 重庆大学 | 基于信息融合的翅片机加工状态监测方法 |
CN113570220B (zh) * | 2021-07-14 | 2024-01-12 | 深圳市创茶网络科技有限公司 | 任务管理方法、装置、计算机设备和存储介质 |
CN113592257B (zh) * | 2021-07-14 | 2024-03-29 | 交通银行股份有限公司 | 一种集中作业任务调度方法 |
CN113467405B (zh) * | 2021-08-02 | 2022-09-02 | 福州大学 | 工业4.0需求驱动的分布式动态边缘云智能制造方法及系统 |
CN113689122B (zh) * | 2021-08-25 | 2023-11-14 | 重庆大学 | 一种云边协同环境下考虑运输设备的多目标组合调度方法 |
CN114493181B (zh) * | 2022-01-04 | 2024-05-03 | 西安电子科技大学 | 一种智能仓储环境下的多负载agv任务调度方法 |
CN116125935B (zh) * | 2023-04-14 | 2023-07-21 | 成都飞机工业(集团)有限责任公司 | 一种装配工艺流程构建方法、装置、设备及介质 |
CN116934041B (zh) * | 2023-07-28 | 2024-01-26 | 广州普睿特智能包装科技有限公司 | 一种基于物联网协同的工厂任务管理方法及系统 |
CN116795069B (zh) * | 2023-08-29 | 2023-11-14 | 成都拓林思软件有限公司 | 一种基于边缘计算的智能制造方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109816243A (zh) * | 2019-01-24 | 2019-05-28 | 浙江财经大学 | 面向动态任务感知的云制造协同任务调度方法 |
CN112053002A (zh) * | 2020-09-11 | 2020-12-08 | 浙江财经大学 | 一种基于效用感知的云制造多任务调度方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10452451B2 (en) * | 2016-06-10 | 2019-10-22 | Board Of Regents, The University Of Texas System | Systems and methods for scheduling of workload-aware jobs on multi-clouds |
-
2021
- 2021-03-12 CN CN202110272006.4A patent/CN112884241B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109816243A (zh) * | 2019-01-24 | 2019-05-28 | 浙江财经大学 | 面向动态任务感知的云制造协同任务调度方法 |
CN112053002A (zh) * | 2020-09-11 | 2020-12-08 | 浙江财经大学 | 一种基于效用感知的云制造多任务调度方法 |
Non-Patent Citations (1)
Title |
---|
A metadata based manufacturing resource ontology modeling in cloud manufacturing systems;Xiaobin Li等;《Journal of Ambient Intelligence and Humanized Computing》;第10卷;第1039–1047页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112884241A (zh) | 2021-06-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112884241B (zh) | 基于智能Agent的云边协作制造任务调度方法 | |
Umar et al. | Hybrid multiobjective genetic algorithms for integrated dynamic scheduling and routing of jobs and automated-guided vehicle (AGV) in flexible manufacturing systems (FMS) environment | |
Basnet et al. | Scheduling and control of flexible manufacturing systems: a critical review | |
Zhou et al. | Multi-agent based hyper-heuristics for multi-objective flexible job shop scheduling: A case study in an aero-engine blade manufacturing plant | |
Phanden et al. | Integration of process planning and scheduling: a state-of-the-art review | |
Ji et al. | Q-learning-based hyperheuristic evolutionary algorithm for dynamic task allocation of crowdsensing | |
CN113705866B (zh) | 基于资源受限项目调度问题模型的排程优化方法和系统 | |
Xu et al. | Optimization approaches for solving production scheduling problem: A brief overview and a case study for hybrid flow shop using genetic algorithms | |
Chen et al. | A deep reinforcement learning framework based on an attention mechanism and disjunctive graph embedding for the job-shop scheduling problem | |
CN114399095A (zh) | 基于云边端协同的动态车辆配送路径优化方法及装置 | |
CN109685386A (zh) | 基于数据信息的多目标作业车间的复杂网络模型构建方法 | |
Chen et al. | Rule driven multi objective dynamic scheduling by data envelopment analysis and reinforcement learning | |
CN110837918A (zh) | 一种多层集成调度机制 | |
CN112327621B (zh) | 一种基于蚁群算法的柔性生产线自适应控制系统及方法 | |
Li et al. | Order assignment and scheduling for personal protective equipment production during the outbreak of epidemics | |
Jiménez Tovar et al. | An optimization algorithm for the multi-objective flexible fuzzy job shop environment with partial flexibility based on adaptive teaching–learning considering fuzzy processing times | |
CN116822217A (zh) | 一种考虑工时不确定性的人机双资源约束多目标生产调度方法 | |
CN116011722A (zh) | 一种面向大电网的人机协作的调控方法、模块及装置 | |
Wu et al. | Knowledge and Behavior‐Driven Fruit Fly Optimization Algorithm for Field Service Scheduling Problem with Customer Satisfaction | |
Liu et al. | Multi-objective adaptive large neighbourhood search algorithm for dynamic flexible job shop schedule problem with transportation resource | |
Xia et al. | Research on network maintenance strategy selection based on analytic hierarchy process and technique for order preference by similarity to ideal solution algorithm | |
CN114037341A (zh) | 一种基于ddqn的智能车间动态自适应调度方法及系统 | |
Belhor et al. | Multiobjective Evolutionary Algorithm for Home Health Care Routing and Scheduling Problem | |
Dhodiya et al. | Genetic algorithm based hybrid approach to solve uncertain multi-objective COTS selection problem for modular software system | |
NADER et al. | A multi-mode resource-constrained optimization of time-cost trade-off problems in project scheduling using a genetic algorithm |
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 |