[发明专利]一种柔性制造系统的多机器人联合调度方法

说明书

本发明公开了一种柔性制造系统的多机器人联合调度方法，能够动态调节遗传算法的关键参数，控制遗传算法的迭代搜索过程，从而提高算法的求解效率，实现车间的高效联合调度。采用机器序列、工序序列和AGV序列相匹配的三层编码方式；首先进行算法初始化，计算当前种群中所有个体的适应值，记录目前已搜索到的最佳个体；计算当前代种群的状态数据，与上一代状态数据比较得到回报值R，更新Q‑Table，对当前代状态数据进行离散化；根据离散状态值、Q‑Table行元素和ε‑greedy策略选择动作值a，执行对应的遗传算法参数调整动作；根据调整后的参数执行遗传算法的选择算子、交叉算子和变异算子，形成新的种群；若种群迭代达到最大迭代次数则输出最佳个体及适应度值。

技术领域

本发明涉及柔性制造技术领域，具体涉及一种柔性制造系统的多机器人联合调度方法。

背景技术

随着用户需求的不断细化和制造的灵活性，制造模式逐渐从产品驱动模式转变为用户驱动模式。在逐步提高生产效率、控制生产成本、缩短生产周期和提高生产质量的同时，柔性制造系统(FMS)能够快速响应用户驱动的全球制造市场。随着生产自动化和信息集成的发展，现代工业生产对物流系统提出了更高的要求。自动引导车(AGV)是一种能够在给定的路径和场景信息布局下完成指定运输任务的自动运输设备。AGV运输管理系统是AGV系统的重要组成部分，对AGV的管理和调度起着重要的作用。由于加工和运输之间的紧密耦合关系，FMS中机器和AGV的同时调度对于提高系统灵活性和生产效率具有重要意义。然后相较于传统的车间调度问题，该联合调度问题增加了一类新的调度主体，传统的车间调度算法由于只对车间中的加工机器进行调度，已经不再能够胜任这类调度问题。从文献检索中发现，目前针对该问题的解决方法研究很少，且未发现使用强化学习与遗传算法求解该问题的研究。

发明内容

有鉴于此，本发明提供了一种柔性制造系统的多机器人联合调度方法，能够通过强化学习的方法动态调节遗传算法的关键参数，控制遗传算法的迭代搜索过程，从而提高算法的求解效率，实现车间的高效联合调度。

为达到上述目的，本发明的技术方案包括如下步骤：

首先，采用机器序列、工序序列和AGV序列相匹配的三层编码方式：工序序列中的每个基因表示带加工工件的编号，从工序序列左侧到该位置统计得到的出现该编号的次数表示加工工序的编号；机器序列中的每个基因表示加工对应工序的机器编号；AGV序列中的每个基因表示搬运对应工件到对应机器上的AGV编号；

其次，在解码方式上，采用严格按照编码放中工序由前向后的出现顺序，在满足工序约束、加工约束的前提下对加工工序进行解码；

步骤1：算法初始化：

步骤1.1：遗传算法初始化内容包括：种群规模N、建立随机初始种群、迭代次数g_max、选择比例Ps、交叉概率Pc、变异概率Pm；

步骤1.2：Q-Learning算法初始化内容包括：Q-Table、状态集S、动作集A、、Q-table更新系数β以及动作选择系数ε；其中，状态集S内元素的选取方式为：从遗传算法种群中提取状态数据，状态数据包括种群多样性sa、种群收敛速度sv和种群收敛趋势sc，离散化后的状态数据的组合为sd＝sda,sdv,sdc，其中sda为离散的种群多样性值，sdv为离散的种群收敛速度值，sdc为离散的种群收敛趋势，以离散化之后的状态数据作为状态集S的元素；

动作集A内元素的选取方式为：增加或者减小遗传算法的选择比例Ps、交叉概率Pc、变异概率Pm的操作；Q-Table则以状态集S为行向量，以动作集A为列向量建立元素均为0的空的初始Q-Table表；

步骤2：计算当前种群中所有个体的适应值，并记录目前已经搜索到的最佳个体；