CN113033987A - 一种基于多代理机制的智能排产设计方法和装置 - Google Patents
一种基于多代理机制的智能排产设计方法和装置 Download PDFInfo
- Publication number
- CN113033987A CN113033987A CN202110291862.4A CN202110291862A CN113033987A CN 113033987 A CN113033987 A CN 113033987A CN 202110291862 A CN202110291862 A CN 202110291862A CN 113033987 A CN113033987 A CN 113033987A
- Authority
- CN
- China
- Prior art keywords
- agent
- scheduling
- algorithm
- task
- agents
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 101
- 230000007246 mechanism Effects 0.000 title claims abstract description 46
- 238000013461 design Methods 0.000 title claims abstract description 30
- 238000004519 manufacturing process Methods 0.000 claims abstract description 84
- 238000004364 calculation method Methods 0.000 claims abstract description 22
- 238000002360 preparation method Methods 0.000 claims abstract description 7
- 230000008569 process Effects 0.000 claims description 42
- 238000012545 processing Methods 0.000 claims description 12
- 238000010845 search algorithm Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 4
- 230000009471 action Effects 0.000 claims description 3
- 238000004891 communication Methods 0.000 abstract description 6
- 230000007547 defect Effects 0.000 abstract description 5
- 238000013473 artificial intelligence Methods 0.000 abstract description 4
- 230000003993 interaction Effects 0.000 abstract description 4
- 238000011160 research Methods 0.000 abstract description 4
- 238000013439 planning Methods 0.000 abstract description 3
- 239000003795 chemical substances by application Substances 0.000 description 165
- 239000003016 pheromone Substances 0.000 description 14
- 241000257303 Hymenoptera Species 0.000 description 8
- 238000007726 management method Methods 0.000 description 8
- 238000012544 monitoring process Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000003754 machining Methods 0.000 description 3
- 238000012384 transportation and delivery Methods 0.000 description 3
- YTAHJIFKAKIKAV-XNMGPUDCSA-N [(1R)-3-morpholin-4-yl-1-phenylpropyl] N-[(3S)-2-oxo-5-phenyl-1,3-dihydro-1,4-benzodiazepin-3-yl]carbamate Chemical compound O=C1[C@H](N=C(C2=C(N1)C=CC=C2)C1=CC=CC=C1)NC(O[C@H](CCN1CCOCC1)C1=CC=CC=C1)=O YTAHJIFKAKIKAV-XNMGPUDCSA-N 0.000 description 2
- 239000002994 raw material Substances 0.000 description 2
- BQCADISMDOOEFD-UHFFFAOYSA-N Silver Chemical compound [Ag] BQCADISMDOOEFD-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000000137 annealing Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 229910052709 silver Inorganic materials 0.000 description 1
- 239000004332 silver Substances 0.000 description 1
- 238000005507 spraying Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
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
- G06Q10/06—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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06316—Sequencing of tasks or work
-
- 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)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Development Economics (AREA)
- Educational Administration (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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于多代理机制的智能排产设计方法和装置,包括:基于多代理排产算法的实现、代理(Agent)的设置、任务目标、排产计算前准备与智能排产计算。本发明提出的多代理机理的排产算法,依据需求、资源、约束进行动态调度,整个排产由多个代理(Agent)组成,每个代理为一个具有一定智能性、并能够独立完成某些工作的对象,各个代理通过协商的方式在实现整个排产和生产调度的实现;本发明应用多Agent机制,对传统手工排产和车间调度系统的不足,多代理属于人工智能领域的研究热点,对于大型复杂系统,通过规划系统内各Agent的功能,协调各Agent间的通信交互,能够快速灵活地对复杂问题进行求解。
Description
技术领域
本发明属于智能排产设计技术领域,更具体地说,尤其涉及一种基于多代理机制的智能排产设计方法和装置。
背景技术
制造企业的订单排产和车间调度是保证生产质量,缩短生产周期和控制生产成本的关键。传统的企业生产排产和车间调度系统属于集中控制式的静态调度系统,特点是制造资源集中,生产规模庞大,时间跨度长等,主要面向种类单一,工艺结构简单的产品制造,该形式的调度系统简单地把管理,控制,监控等功能均交给人力负责,因此容错能力和稳定性低。
多代理机理(Multi-Agent System,多代理系统)的排产算法,依据需求、资源、约束进行动态调度,整个排产由多个代理(Agent)组成,每个代理为一个具有一定智能性、并能够独立完成某些工作的对象,各个代理通过协商的方式在实现整个排产和生产调度的实现;智能排产和动态调度至少包括两类代理(Agent),即任务代理和资源代理。任务代理为封装的生产任务,根据外部输入的任务信息动态产生,通过感知资源代理的存在及其状态;资源代理为封装的工作中心,代表一种能力,根据外部输入的资源信息动态生成,资源代理能够接收各个任务代理提出的申请,根据一定规则将指定时间段的资源占用赋予给指定的任务代理。
在目前全球化背景下,企业所处地生产环境充满了各种动态的不确定性,如紧急订单,订单撤销,原料紧缺,设备故障,人员离职等各种异常因素,严重干扰了企业的排产和生产调度。另外,企业为扩大生产规模,倾向于在不同的地方建加工厂,如何综合利用企业分散的制造资源和技术提高交付能力很关键。因此企业面对复杂动态的分布式制造环境,需要有智能的排产系统和方法,以适应动态变化的内外部环境,因此我们需要提出一种基于多代理机制的智能排产设计方法和装置。
发明内容
本发明的目的是为了解决现有技术中存在的缺点,本发明应用多Agent机制,对传统手工排产和车间调度系统的不足,提出了柔性的智能排产和生产动态调度的方法和装置,多代理属于人工智能领域的研究热点,对于大型复杂系统,通过规划系统内各Agent的功能,协调各Agent间的通信交互,能够快速灵活地对复杂问题进行求解,而提出的一种基于多代理机制的智能排产设计方法和装置。
为实现上述目的,本发明提供如下技术方案:一种基于多代理机制的智能排产设计方法,包括:
基于多代理排产算法的实现,所述基于多代理排产算法的实现用于结合制造企业现有排产情况,设置约束条件作为排产的基础信息,包括如下步骤:
步骤S1、产线数量约束:假定制造企业有N个车间,M条产线;
步骤S2、产品和产线对应关系,如通过矩阵方式描述;
步骤S3、产线产能根据产线对应的产品任务而言,在产线基础信息的标准工时处定义;
步骤S4、工艺路线约束;
步骤S5、产线日历是否上班及上班时长约束;
代理(Agent)的设置,所述代理的设置用于对各代理属性进行定义,并设置任务代理和资源代理的动作规则,如资源代理能够接收任务的工序对其一个或几个时间段的占用申请,接到申请后,如果某时间段能满足工序的时间要求,则根据自身的占用情况进行判断和匹配;
任务目标,排产和动态调度支持三大目标,即最短生产时间、产品最小库存、最大资源平衡为调度目标;
排产计算前准备,所述排产计算前准备用于对满足约束条件的各个代理按照设置约定规则进行数据处理;
智能排产计算,所述智能排产计算用于对于各任务目标,每个任务按照其目标不同采用不同的排产基准确定策略、进行资源申请,这个由智能排产算法进行计算得出;
排产计算前准备与智能排产计算使用的算法包括:简单任务的多代理算法、复杂任务的多代理机制算法、采用算法库的方式根据不同情况进行组合的算法、原子算法1:蚁群算法+原子算法2:禁忌搜索算法。
优选的,所述多代理排产算法包括至少两类代理。
优选的,所述至少两类代理分别为任务代理和资源代理。
优选的,所述任务代理为封装的生产任务,根据外部输入的任务信息动态产生,通过感知资源代理的存在及其状态。
优选的,所述资源代理为封装的工作中心,代表一种能力,根据外部输入的资源信息动态生成。
优选的,所述资源代理能够接收各个任务代理提出的申请,根据一定规则将指定时间段的资源占用赋予给指定的任务代理。
优选的,本基于多代理机制的智能排产设计方法的多代理系统算法,依据需求、资源、约束进行动态调度,整个排产由多个代理组成。
优选的,所述多个代理的每个代理为一个具有一定智能性、并能够独立完成某些工作的对象。
优选的,所述多个代理的各个代理通过协商的方式在实现整个排产和生产调度的实现。
本发明还提出一种基于多代理机制的智能排产设计装置,包括基于多代理机制的智能排产设计方法。
本发明的技术效果和优点:本发明提供的一种基于多代理机制的智能排产设计方法和装置,与现有技术相比:
本发明提出的多代理机理的排产算法,依据需求、资源、约束进行动态调度,整个排产由多个代理(Agent)组成,每个代理为一个具有一定智能性、并能够独立完成某些工作的对象,各个代理通过协商的方式在实现整个排产和生产调度的实现;本发明应用多Agent机制,对传统手工排产和车间调度系统的不足,提出了柔性的智能排产和生产动态调度的方法和装置,多代理属于人工智能领域的研究热点,对于大型复杂系统,通过规划系统内各Agent的功能,协调各Agent间的通信交互,能够快速灵活地对复杂问题进行求解。
附图说明
图1为本发明基于多代理机制的智能排产设计方法的多代理(Agent)排产算法流程图;
图2为本发明实施例1中的简单任务的任务Agent+资源Agent的系统框图;
图3为本发明实施例2的混合式多Agent架构设计的系统框图;
图4为本发明实施例3的资源Agent组的分层架构设计的系统框图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合具体实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明提出一种基于多代理机制的智能排产设计方法,包括:
基于多代理排产算法的实现,所述基于多代理排产算法的实现用于结合制造企业现有排产情况,设置约束条件作为排产的基础信息,包括如下步骤:
步骤S1、产线数量约束:假定制造企业有N个车间,M条产线;
步骤S2、产品和产线对应关系,如通过矩阵方式描述;
步骤S3、产线产能根据产线对应的产品任务而言,在产线基础信息的标准工时处定义;
步骤S4、工艺路线约束;
步骤S5、产线日历是否上班及上班时长约束;
代理(Agent)的设置,所述代理的设置用于对各代理属性进行定义,并设置任务代理和资源代理的动作规则,如资源代理能够接收任务的工序对其一个或几个时间段的占用申请,接到申请后,如果某时间段能满足工序的时间要求,则根据自身的占用情况进行判断和匹配;
任务目标,排产和动态调度支持三大目标,即最短生产时间、产品最小库存、最大资源平衡为调度目标;
排产计算前准备,所述排产计算前准备用于对满足约束条件的各个代理按照设置约定规则进行数据处理;
智能排产计算,所述智能排产计算用于对于各任务目标,每个任务按照其目标不同采用不同的排产基准确定策略、进行资源申请,这个由智能排产算法进行计算得出。
所述多代理排产算法包括至少两类代理;所述至少两类代理分别为任务代理和资源代理;所述任务代理为封装的生产任务,根据外部输入的任务信息动态产生,通过感知资源代理的存在及其状态。
所述资源代理为封装的工作中心,代表一种能力,根据外部输入的资源信息动态生成,资源代理能够接收各个任务代理提出的申请,根据一定规则将指定时间段的资源占用赋予给指定的任务代理。
排产计算前准备与智能排产计算使用的算法包括:简单任务的多代理算法、复杂任务的多代理机制算法、采用算法库的方式根据不同情况进行组合的算法、原子算法1:蚁群算法+原子算法2:禁忌搜索算法。
本基于多代理机制的智能排产设计方法的多代理系统算法,依据需求、资源、约束进行动态调度,整个排产由多个代理组成;所述多个代理的每个代理为一个具有一定智能性、并能够独立完成某些工作的对象,各个代理通过协商的方式在实现整个排产和生产调度的实现。
本发明还提出一种基于多代理机制的智能排产设计装置,包括基于多代理机制的智能排产设计方法。
实施例1
简单任务的多代理算法:
对于简单任务,只设置任务Agent和资源Agent,资源Agent能够接收任务Agent的工序对其一个或几个时间段的占用申请,接到申请后,如果某时间段能满足工序的时间要求,则根据自身的占用情况进行判断和匹配等。任务Agent储存订单要求的产品类型所对应的工艺信息等;资源Agent储存所有生产测试设备的信息等。
实施例2
复杂任务的多代理机制算法:
对于复杂任务的智能排产,需要设计更多的代理(Agent),比如管理Agent,资源Agent,算法Agent,工艺代理Agent,监测Agent等。
管理Agent:是主Agent;负责处理订单任务的处理,以及协调不同的Agent之间的通信和相互配合;管理Agent主要功能有两块,一块作为对外接口,接受客户的订单输入;另外一块是对内协调,每个Agent都要在管理Agent处有一个唯一的标识,便于协调管理。对于接收到的客户订单,通过调用资源Agent以及算法Agent,自动计算出最优的排产计划。
资源Agent:分为车间Agent,生产线Agent,以及设备Agent;车间Agent,生产线Agent和设备Agent之间通过矩阵的方式来描述其对应关系;比如设备Agent需要管理设备类型,编码,设备运行状态,设备的产能,设备对应的治具信息等;
工艺Agent:负责对产品的生产工艺进行管理,为其它Agent提供查询服务。工艺Agent对于能否生产的产品的品类,生产的工序流程,生产所需要的设备,生产对应的原材料,生产能达成的质量标准等进行规定;
算法Agent:封装了排产和动态调度算法。将管理Agent发来的订单任务,发给资源Agent,资源Agent结合工艺Agent调用算法Agent,计算出完成所需完成订单的资源和工艺配置。算法Agent可以采用;
监测Agent:检测系统内所有资源的状态,比如生产线,设备的状态;当各项资源,比如设备出现故障,或者某条生产线因为人员不够无法正常运转时,检测Agent通知资源Agent,更新相应资源的状态;
为加强不同Agent之间的通信效率,同时使得资源的信息共享更便利,各Agent之间可以设计成下面的整体结构。管理Agent,工艺Agent,算法Agent,以及监测Agent之间采用平等通信机制,属于最上面一层;而资源Agent因为有不同级别的资源,因此和其它Agent之间,设计为层级关系如图3所示。
实施例3
算法Agent采用算法库的方式,根据不同情况进行组合的算法:
不确定生产订单和不确定性生产环境下的智能排产是一组非常复杂的问题,基本上不能够用单一的某种算法进行处理,需要研究一系列适应不同情况的算法,然后在其基础上建立对这些算法进行组合的机制,使得能够根据生产环境的变化,动态生成整体意义上的智能排产综合算法。
这里把综合算法的组成部分称做原子算法,其类别包括且不限于如下:
(1)精确解析算法,如分支定界发、整数规划、动态规划等方法,主要用来处理小规模的问题;
(2)启发式规则,根据各种生产条件,引入或建立若干简单的规则,比如先进先出、按交货期排序、按指定优先级排序等。通过这些简单规则的相互作用可以产生丰富的结果;
(3)进化计算方法,比如遗传算法、方法计算结果的基础上,再通过这类方法进一步处理,以提高效率。
(4)蚁群算法,与进化计算方法一样,可以在其他方法计算结果的基础上进一步处理;
(5)人工神经网络方法,主要通过这种方法来达到一定的自学习目的。
(6)模拟退火算法;
(7)禁忌搜索算法;
在原子算法基础上,建立算法库,包括搜索和调用机制,然后研究基于算法库的算法组合机制,这种机制具有自适应能力,能够对所面临的生产环境进行分析,根据其具体特点和约束条件,自动形成综合性的智能排产算法。
实施例4
如果选择的为原子算法1:蚁群算法+原子算法2:禁忌搜索算法:
假定有3个工件,3台机器的排产问题如下:
n:工件总数,即n=3。
m:机器总数,即m=3。
Ω:总的机器集。
i,e:机器序号,i,e=1,2,3。
j,k:工件序号,i,e=1,2,3。
hj,第j个工件的工序总数。
l,工具序号,l=1,2,3,…,hj。
Ωjh:第j个工件的第h道工序的可选加工机器集。
Mjh:第j个工件的第h道工序的可选加工机器数。
Ojh:第j个工件的第h道工序。
Mijh:第j个工件的第h道工序在机器i上加工。
pijh:第j个工件的第h道工序在机器i上的加工时间。
sjh:第j个工件的第h道工序加工开始时间。
cjh:第j个工件的第h道工序的加工完成时间。
L:一个足够大的正数;
dj:第j个工件的交货期。
Cj:第j个工件的完成时间。
Cmax:最大完工时间。
xijh=1,如果工序Ojh选择机器i;xijh=0,如果工序Ojh未选择机器i;
yijhkl=1,如果工序Oijh先于Oikl加工;yijhkl=0,如果工序Oijh未先于Oikl加工;
根据以上定义,可知道排产受到下列约束。
约束1:每个工件的先后顺序约束:
Sjh+xijh*pijh≤cjh
Cijh≤Sj(h+1)
式中:i=1,2,3;j=1,2,3;h=1,2,3…,hj
约束2:每个工件的完工时间约束,即每个工件的完工时间不能超过总的完工时间。
约束3:同一时刻同一台机器只能加工一道工序;
Sjh+pijh≤Skl+(1-yijhkl)
cjh≤Sj(h+1)+L(1-yiklj(h+1))
约束4:机器约束,同一时间同一道工序只能且仅能被一台机器加工;
约束5:每一台机器存在循环操作;
约束6:各个参数变量必须是正数。
sjh≥0,cjh≥0
作为评价指标的目标函数,比如可以选择目标函数为使得最大完工时间最小,如下:
f=min(maxCj),1≤j≤n
对于组合算法:原子算法1:蚁群算法+原子算法2:禁忌搜索算法设计如下:
w:蚂蚁数量
N:算法迭代次数
τi,j(t):t时刻工序i和工序j路径上的信息素浓度。
τ0:各工序节点间信息素的初始浓度。
ρ:信息素挥发银子,其中0≤ρ<1:。
Δτi,j(t),本轮迭代中在工序i和工序j的路径间洒下的信息素增量。
γi,j(t),t时刻蚂蚁从工序i转移到工序j的启发式。
α:信息素权重系数。
β:启发式权重系数。
蚂蚁x从工序i时的可选池,记录了蚂蚁x完成工序i时下一步可选的工序。由于工件的工序间存在顺序约束,除工件的起始工序外,所有工序都必须等待前置工序完成后方可进行加工,因此可选池中包含的节点只能时禁忌池中的后续节点。
信息素更新的公式如下:
τi,j(t+1)=(1-P)τi,j(t)+Δτi,j(t)
其中为本次迭代蚁群x在工序i和工序j之间洒下的信息素浓度增量。比如可以定义为如果蚂蚁x经过路径(i,j),其信息素增量为蚂蚁x经过的总长度的倒数。意味着蚂蚁经过的总长度越长,则在该路径上的信息素增加值越低。
则上面算法的步骤如下:
步骤1:初始化。定义蚂蚁数量,初始信息素浓度,优化目标为最大完工时间最小化,最大迭代次数Nmax,当前迭代次数N,为每只蚂蚁设置禁忌池和可选池等。
步骤2:增加迭代次数N=N+1。本轮循环前,蚂蚁根据状态转移概率公式从可选池中选择下一个加工的工序,选择完成后,将该工序加入到禁忌池中,同时将后续工序添加到可选池中。
步骤3:信息素更新。当蚂蚁完成所有工序的遍历,即可选池为空时,按照信息素更新公式对蚂蚁的搜索路径进行信息素更新。当所有蚂蚁完成搜索后,从中筛选除本轮最佳路径并与全局最优路径进行对比,若前者更优,则进行替换。
步骤4:输出全局最优解。包括各设备上的加工序列以及序列上各工序的预计开始时间和结束时间。
综上所述:本发明提出的多代理机理的排产算法,依据需求、资源、约束进行动态调度,整个排产由多个代理(Agent)组成,每个代理为一个具有一定智能性、并能够独立完成某些工作的对象,各个代理通过协商的方式在实现整个排产和生产调度的实现;本发明应用多Agent机制,对传统手工排产和车间调度系统的不足,提出了柔性的智能排产和生产动态调度的方法和装置,多代理属于人工智能领域的研究热点,对于大型复杂系统,通过规划系统内各Agent的功能,协调各Agent间的通信交互,能够快速灵活地对复杂问题进行求解
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于多代理机制的智能排产设计方法,其特征在于,包括:
基于多代理排产算法的实现,所述基于多代理排产算法的实现用于结合制造企业现有排产情况,设置约束条件作为排产的基础信息,包括如下步骤:
步骤S1、产线数量约束:假定制造企业有N个车间,M条产线;
步骤S2、产品和产线对应关系,如通过矩阵方式描述;
步骤S3、产线产能根据产线对应的产品任务而言,在产线基础信息的标准工时处定义;
步骤S4、工艺路线约束;
步骤S5、产线日历是否上班及上班时长约束;
代理(Agent)的设置,所述代理的设置用于对各代理属性进行定义,并设置任务代理和资源代理的动作规则,如资源代理能够接收任务的工序对其一个或几个时间段的占用申请,接到申请后,如果某时间段能满足工序的时间要求,则根据自身的占用情况进行判断和匹配;
任务目标,排产和动态调度支持三大目标,即最短生产时间、产品最小库存、最大资源平衡为调度目标;
排产计算前准备,所述排产计算前准备用于对满足约束条件的各个代理按照设置约定规则进行数据处理;
智能排产计算,所述智能排产计算用于对于各任务目标,每个任务按照其目标不同采用不同的排产基准确定策略、进行资源申请,这个由智能排产算法进行计算得出;
排产计算前准备与智能排产计算使用的算法包括:简单任务的多代理算法、复杂任务的多代理机制算法、采用算法库的方式根据不同情况进行组合的算法、原子算法1:蚁群算法+原子算法2:禁忌搜索算法。
2.根据权利要求1所述的一种基于多代理机制的智能排产设计方法,其特征在于:所述多代理排产算法包括至少两类代理。
3.根据权利要求2所述的一种基于多代理机制的智能排产设计方法,其特征在于:所述至少两类代理分别为任务代理和资源代理。
4.根据权利要求3所述的一种基于多代理机制的智能排产设计方法,其特征在于:所述任务代理为封装的生产任务,根据外部输入的任务信息动态产生,通过感知资源代理的存在及其状态。
5.根据权利要求4所述的一种基于多代理机制的智能排产设计方法,其特征在于:所述资源代理为封装的工作中心,代表一种能力,根据外部输入的资源信息动态生成。
6.根据权利要求5所述的一种基于多代理机制的智能排产设计方法,其特征在于:所述资源代理能够接收各个任务代理提出的申请,根据一定规则将指定时间段的资源占用赋予给指定的任务代理。
7.根据权利要求1所述的一种基于多代理机制的智能排产设计方法,其特征在于:本基于多代理机制的智能排产设计方法的多代理系统算法,依据需求、资源、约束进行动态调度,整个排产由多个代理组成。
8.根据权利要求7所述的一种基于多代理机制的智能排产设计方法,其特征在于:所述多个代理的每个代理为一个具有一定智能性、并能够独立完成某些工作的对象。
9.根据权利要求8所述的一种基于多代理机制的智能排产设计方法,其特征在于:所述多个代理的各个代理通过协商的方式在实现整个排产和生产调度的实现。
10.一种基于多代理机制的智能排产设计装置,其特征在于,包括权利要求1-9任意一项所述的基于多代理机制的智能排产设计方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110291862.4A CN113033987B (zh) | 2021-03-18 | 2021-03-18 | 一种基于多代理机制的智能排产设计方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110291862.4A CN113033987B (zh) | 2021-03-18 | 2021-03-18 | 一种基于多代理机制的智能排产设计方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113033987A true CN113033987A (zh) | 2021-06-25 |
CN113033987B CN113033987B (zh) | 2023-09-12 |
Family
ID=76471466
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110291862.4A Active CN113033987B (zh) | 2021-03-18 | 2021-03-18 | 一种基于多代理机制的智能排产设计方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113033987B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114862122A (zh) * | 2022-04-11 | 2022-08-05 | 益模(东莞)智能科技有限公司 | 一种基于aps的车间排产方法、系统及设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090150209A1 (en) * | 2000-09-06 | 2009-06-11 | Masterlink Corporation | System and method for managing mobile workers |
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 |
CN105976030A (zh) * | 2016-03-15 | 2016-09-28 | 武汉宝钢华中贸易有限公司 | 基于多智能体月台调度智能排序模型的构造 |
CN108491997A (zh) * | 2018-02-09 | 2018-09-04 | 中国科学院空间应用工程与技术中心 | 一种复杂任务的规划方法及系统 |
CN108549977A (zh) * | 2018-03-29 | 2018-09-18 | 华南理工大学 | 基于多Agent的面向订单的柔性生产动态调度系统 |
CN112147969A (zh) * | 2019-06-28 | 2020-12-29 | 佛山科学技术学院 | 基于群智能算法的冷备用可靠性冗余分配方法及系统 |
-
2021
- 2021-03-18 CN CN202110291862.4A patent/CN113033987B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090150209A1 (en) * | 2000-09-06 | 2009-06-11 | Masterlink Corporation | System and method for managing mobile workers |
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 |
CN105976030A (zh) * | 2016-03-15 | 2016-09-28 | 武汉宝钢华中贸易有限公司 | 基于多智能体月台调度智能排序模型的构造 |
CN108491997A (zh) * | 2018-02-09 | 2018-09-04 | 中国科学院空间应用工程与技术中心 | 一种复杂任务的规划方法及系统 |
CN108549977A (zh) * | 2018-03-29 | 2018-09-18 | 华南理工大学 | 基于多Agent的面向订单的柔性生产动态调度系统 |
CN112147969A (zh) * | 2019-06-28 | 2020-12-29 | 佛山科学技术学院 | 基于群智能算法的冷备用可靠性冗余分配方法及系统 |
Non-Patent Citations (3)
Title |
---|
施进发;焦合军;陈涛;: "交货期惩罚下柔性车间调度多目标Pareto优化研究", 机械工程学报, no. 12, pages 184 - 192 * |
李飒等: "基于多智能体结构的车间调度方法", 《机械科学与技术》 * |
李飒等: "基于多智能体结构的车间调度方法", 《机械科学与技术》, no. 06, 30 November 2000 (2000-11-30), pages 956 - 958 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114862122A (zh) * | 2022-04-11 | 2022-08-05 | 益模(东莞)智能科技有限公司 | 一种基于aps的车间排产方法、系统及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN113033987B (zh) | 2023-09-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | A proactive material handling method for CPS enabled shop-floor | |
Hashemi-Petroodi et al. | Workforce reconfiguration strategies in manufacturing systems: a state of the art | |
Arbel et al. | Performance evaluation of flexible manufacturing systems | |
Li et al. | An agent-based approach for integrated process planning and scheduling | |
CN111915410B (zh) | 面向高动态生产物流过程的智能管控系统 | |
Guo et al. | Optimisation of integrated process planning and scheduling using a particle swarm optimisation approach | |
CN110058573B (zh) | 吞吐柔性智能装配物流路径规划平台 | |
Li et al. | A hyperheuristic approach for intercell scheduling with single processing machines and batch processing machines | |
Zou et al. | An effective discrete artificial bee colony algorithm for scheduling an automatic-guided-vehicle in a linear manufacturing workshop | |
Sun et al. | Novel robotic job-shop scheduling models with deadlock and robot movement considerations | |
Ammar et al. | Workers assignment problems in manufacturing systems: A literature analysis | |
Márquez et al. | Shop scheduling in manufacturing environments: a review | |
Liao et al. | Optimization and simulation of job-shop supply chain scheduling in manufacturing enterprises based on particle swarm optimization | |
Li et al. | Effective methods for integrated process planning and scheduling | |
Ou-Yang et al. | The development of a hybrid hierarchical/heterarchical shop floor control system applying bidding method in job dispatching | |
CN112327621A (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 | |
Renna et al. | A game theory model based on Gale-Shapley for dual-resource constrained (DRC) flexible job shop scheduling | |
Ben-Arieh et al. | Knowledge based routing and sequencing for discrete part production | |
Qin et al. | Dynamic dispatching for interbay automated material handling with lot targeting using improved parallel multiple-objective genetic algorithm | |
CN113033987A (zh) | 一种基于多代理机制的智能排产设计方法和装置 | |
Gen et al. | Nature-inspired and evolutionary techniques for automation | |
Liu et al. | Intelligent optimization approach to cell formation and product scheduling for multifactory cellular manufacturing systems considering supply chain and operational error | |
Nikoofarid et al. | Production planning and worker assignment in a dynamic virtual cellular manufacturing system | |
Gao et al. | A framework of cloud-edge collaborated digital twin for flexible job shop scheduling with conflict-free routing | |
Bramhane et al. | Simulation of flexible manufacturing system using adaptive neuro fuzzy hybrid structure for efficient job sequencing and routing |
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 |