基于遺傳算法的RGV的動態(tài)調(diào)度模型研究

張?zhí)稹∽跐扇A

摘要：本文建立遺傳算法模型，對于RGV，與CNC相互協(xié)作完成上下料的動態(tài)調(diào)度模型進(jìn)行了綜合性分析，建立模型解決物料加工及清洗機器和故障處理等問題，從而得到最佳班次的最佳工序，使其工作效率能夠得到有效地提升。

關(guān)鍵詞：RGV；動態(tài)調(diào)度；遺傳算法

中圖分類號：TP391 文獻(xiàn)標(biāo)識碼：A 文章編號：1007-9416（2018）09-0092-02

在現(xiàn)代智能加工系統(tǒng)中，RGV，CNC之間互相協(xié)作完成一系列如上下料以及物料清洗等情況愈發(fā)常見。因此，好的RGV與CNC動態(tài)調(diào)動策略可有效減少成本損失。本文運用遺傳算法盡量減少RGV移動時間，CNC加工時間，上下料耗費時間等得到最佳班次的最佳工序，從而盡可能的生產(chǎn)出多的產(chǎn)品。

1 模型

典型的智能加工系統(tǒng)如圖1所示，由8臺CNC、1輛RGV、1條RGV直線軌道、1條上料傳送帶、1條下料傳送帶等設(shè)備組成。RGV根據(jù)指令能自動控制移動方向和距離，并自帶一個機械手臂、兩只機械手爪和物料清洗槽，能夠完成上下料及清洗物料等作業(yè)任務(wù)，且每班次連續(xù)作業(yè)8小時。

根據(jù)系統(tǒng)作業(yè)參數(shù)[1]，針對下面的三種具體情況：

（1）一道工序的物料加工作業(yè)情況，每臺CNC安裝同樣的刀具，物料可以在任一臺CNC上加工完成。

（2）兩道工序的物料加工作業(yè)情況，每個物料第一和第二道工序由兩臺不同的CNC依次加工完成。

（3）CNC在加工過程中可能發(fā)生故障（據(jù)統(tǒng)計：故障的發(fā)生概率約為1%）的情況，每次故障排除時間介于10～20分鐘之間，故障排除后即刻加入作業(yè)序列。

完成兩項任務(wù)：1）對一般問題進(jìn)行研究，給出RGV動態(tài)調(diào)度模型和相應(yīng)的求解算法；2）利用系統(tǒng)作業(yè)參數(shù)的3組數(shù)據(jù)分別檢驗?zāi)Ｐ偷膶嵱眯院退惴ǖ挠行裕o出RGV的調(diào)度策略和系統(tǒng)的作業(yè)效率。

2 遺傳算法的應(yīng)用

遺傳算法是對人類自然演化過程的模擬。人類的自然演化過程是進(jìn)化過程，這種進(jìn)化過程發(fā)生在染色體上；自然選擇使適應(yīng)值好的染色體比那些適應(yīng)值差的染色體有更多的繁殖機會；變異可以使子代染色體不同于父代染色體；通過兩個父代染色體的結(jié)合與重組可以產(chǎn)生全新的染色體。染色體的選擇、變異與重組進(jìn)程是無記憶的。將這些概念反映在數(shù)學(xué)上就形成了遺傳算法的基本概念[2]。

通過遺傳算法，我們建立智能RGV動態(tài)調(diào)度模型大致為：

（1）CNC是否正常（否即進(jìn)行故障排查）；

（2）CNC發(fā)出上料需求信號，此時RGV確定上下料；

（3）上下料完成后進(jìn)行RGV清洗；

（4）沒有接到指令RGV等待；若接到指令，回到（1）；

（5）工作時間進(jìn)行8小時后結(jié)束。

3 模型仿真與結(jié)果分析

3.1 對任務(wù)一進(jìn)行仿真與解析

此流程目的是在八小時的工作時間內(nèi)，盡可能的生產(chǎn)出多的產(chǎn)品。主要耗費時間的地方有：RGV移動的時間，CNC進(jìn)行加工的時間，上下料耗費的時間，物料清洗耗費的時間，以及CNC出現(xiàn)故障時，處理故障所耗費的時間，大約生產(chǎn)一百件產(chǎn)品就會出現(xiàn)一次故障，耗費10-20分鐘進(jìn)行處理[3]。

通過優(yōu)化，我們可以得到如下結(jié)果，如圖2所示。

可以發(fā)現(xiàn)，在多次迭代后，種群均值下降，解的變化趨勢也趨于穩(wěn)定，證明該算法應(yīng)用于此是收斂的。

3.2 對任務(wù)二進(jìn)行仿真與解析

我們需要對于其中一些參數(shù)進(jìn)行調(diào)整，具體工作運行圖如圖3所示。

線性調(diào)整，設(shè)原適應(yīng)度函數(shù)為f（），調(diào)整后的適應(yīng)度函數(shù)為則線性調(diào)整可采用：

原適應(yīng)度平均值要等于調(diào)整后的適應(yīng)度平均值，調(diào)整后適應(yīng)度函數(shù)的最大值要等于原適應(yīng)度函數(shù)平均值的所指定倍數(shù)。即：

其中C是為得到所期待的最優(yōu)個體的復(fù)制數(shù)。實驗表明，對于一個不太大的群體而言，C可在1.2～2.0范圍內(nèi)取值。

式中指數(shù)k與待求解問題有關(guān)，而且在算法過程中可按需要做修正。該調(diào)整方式由Gillies提出，他曾在機器視覺實驗中采用了該方法，當(dāng)時，他取=1.005。

對于一個班次一道工序的情況帶入模型，發(fā)現(xiàn)最優(yōu)解是1-2-3-4-5-6-7-8-1-2-3-4-5-6-7-8這樣的循環(huán)，再根據(jù)這個循環(huán)，帶入數(shù)據(jù)得到表格里面的內(nèi)容。

對于一個班次兩道工序的情況帶入模型，得到第一個工序為1-3-5-7，第二個工序為2-4-6-8，為最優(yōu)，第一個工件在1-2加工，第二個工件在3-4加工，以此類推，然后又由最優(yōu)流程列出時間和工件的關(guān)系函數(shù)，帶入數(shù)據(jù)得到第二個表格第一個小表格的數(shù)據(jù)。如圖4所示。

4 結(jié)語

本文建立的遺傳算法優(yōu)化模型思維縝密，具有與問題領(lǐng)域無關(guān)切快速隨機的搜索能力。搜索從群體出發(fā)，具有潛在的并行性，可以進(jìn)行多個個體的同時比較，搜索使用評價函數(shù)啟發(fā)，過程簡單。使用概率機制進(jìn)行迭代，具有隨機性。具有可擴展性，容易與其他算法結(jié)合[5]。

參考文獻(xiàn)

[1]中國工業(yè)與應(yīng)用數(shù)學(xué)協(xié)會，全國大學(xué)生數(shù)學(xué)建模競賽，2018，B題，表1.

[2]吳啟迪，馬玉敏，李莉，喬非.數(shù)據(jù)驅(qū)動下的半導(dǎo)體生產(chǎn)線動態(tài)調(diào)度方法[J].控制理論與應(yīng)用，2015，32（09）：1233-1239.

[3]梁合蘭，杜彥華，李蘇劍.時序約束下科學(xué)工作流的動態(tài)調(diào)度研究[J].系統(tǒng)工程理論與實踐，2015，35（09）：2410-2421.