不确定环境下数据驱动的柔性调度研究

Flexible scheduling is one of the most important core techniques for intelligent manufacturing system. Under the uncertain manufacturing environment, through the flexible resources assignment to realize the optimized schedule is critical to the application and popularization of flexible scheduling. Existing math model-driven scheduling cannot effectively resolve the issues such as the resources flexibility is constrained by resources uncertainty, the additional system parameters cannot be applied into the fixed scheduling model. As a result, the math model-driven scheduling is far from satisfactory and cannot meet the requirements of real applications. This project will develop a key factor screen model and a feature learning model, which can screen the key factor from the large-scale manufacturing data, learn the feature of resources uncertainty from the key factors. Then, transform the traditional scheduling model to PGM-based model, which can import any the feature of key factors into the model, by training the PGM-based model. The output of this project will make the data analysis technique play a major role in the research of scheduling optimizations, and provide a solution way to the further applications of industrial big data.

柔性调度是目前智能制造系统运作的核心技术。能否在不确定环境下灵活地分配资源、实现生产效率最优化，是影响柔性调度应用和推广的关键问题。由于不能有效解决“限制资源分配以避免不确定因素对调度的影响，与高效利用资源相互矛盾”以及“调度模型构建在先，实际生产中的关键因素无法导入”等问题，现有模型驱动调度算法无法满足实际应用需求。本项目首先构建关键因素抽取模型与特征学习模型，抽取影响生产调度的关键因素，挖掘关键因素变化特征，降低不确定性因素对调度的影响；然后，将传统调度优化模型转化为基于概率图的网络模型，实现对网络模型的训练将影响调度的关键因素变化特征导入调度模型；最后，将上述关键因素抽取模型、特征学习模型、以及调度网络模型融合为一个多层的深度学习模型，最终实现基于数据驱动的柔性调度方法。本项研究将推动数据分析在调度优化研究中发挥更重要的作用，从而为进一步解决涉及工业大数据领域的更多应用问题奠定基础。

柔性调度是目前智能制造系统运作的核心技术。本项目围绕不确定环境下及大规模柔性调度问题进行了较深入的研究，取得了一系列创新性研究成果。通过概率理论（随机柔性调度）及模糊理论（模糊柔性调度）对系统中的不确定性进行描述，利用概率图模型提取关键因素，挖掘变量间的关联关系，降低随机性对柔性调度的影响。利用挖掘到的关联关系对决策变量进行分组，将大规模柔性调度的解空间分解为多个中低规模子问题对应的子解空间，利用协同演化算法提高搜索效率，缩短搜索时间。我们提出了以下几种关键技术：.（1）针对大规模柔性调度，问题规模增加导致关联操作放置同组概率降低及算法搜索性能下降的问题，提出一种分布式协同演化算法。该算法具有增加关联操作放置同组概率的多次随机重分组策略及改进的局域搜索策略；（2）具有先验知识的不确定柔性调度中，操作的加工时间为通过三角模糊数建模的区间值。针对决策空间中探索与开发不平衡及固定参数有效性下降的问题，提出一种混合式协同演化算法。该算法具有平衡探索与开发时，结合粒子群算法和遗传算法的编码转换机制及提高参数有效性的参数自适应策略；（3）突发的不确定柔性调度中，操作的加工时间为通过概率分布建模的随机值。针对演化过程中操作间动态的关联关系及依赖关系影响调度优化的问题，提出两种基于学习的协同演化算法。基于马尔科夫随机场分组策略的协同演化算法，在预处理阶段，通过构建马尔科夫随机场探测操作间的关联关系；基于贝叶斯优化分组策略的协同演化算法，在演化过程中，通过构建贝叶斯网络挖掘操作间的依赖关系。通过探测和挖掘的关联关系及依赖关系，降低不确定性对柔性调度优化的影响。.以上成果发表论文16篇，其中期刊论文8篇，会议论文8篇。本项研究推动数据分析在调度优化研究中发挥更重要的作用，从而为进一步解决涉及工业大数据领域的更多应用问题奠定基础。