基于智能算法的调度方案

为解决排序调度方法、规则调度方法、仿真调度方法等存在的问题，国内外的许多研究人员对基于人工智能的调度控制方法（简称智能调度方法）进行了深入研究，取得大量研究成果，并在生产实际中得到应用。下面介绍几种典型方法。

1）规则智能切换控制方法

（1）基本原理。规则智能切换控制方法是一种将规则调度方法与人工智能技术相结合而产生的一种智能调度方法。其基本原理是根据制造系统的实际情况，确定适当的调度规则集。系统运行时，根据生产过程的实际状态，通过专家系统动态选择规则集中的规则进行调度控制。

（2）调度控制系统组成。规则智能切换调度控制系统的实现框图如图所示。

可以认为，该系统是对所介绍的规则动态切换调度控制系统的一种升级。其主要不同之处是，以基于人工智能原理的规则选择专家系统替代了规则动态切换调度控制系统中的动态选择逻辑。动态选择逻辑只具有简单的逻辑判断功能，复杂情况下不易得到好的控制效果。此外动态选择逻辑的功能是在设计阶段确定的，在系统运行阶段难以对其进行改进。而规则选择专家系统的功能是由其中的知识和推理机构确定的，可以模仿人的智能，对复杂情况的处理能力明显优于前者。此外，通过改变知识库中的知识，即可提高规则选择专家系统的功能和性能。因此，规则智能切换调度控制系统具有很强的柔性和可扩展性。

图5-24　调度控制系统的结构框图

图5-25　规则选择专家系统的基本结构

（3）规则选择专家系统。规则选择专家系统是规则智能切换调度控制系统的核心，其基本结构如图5-25所示。其中，输入处理模块的功能是对来自上级的输入信息（作业计划等）和来自生产现场的状态反馈信息进行处理，将其转换为便于调度推理机使用的内部形式。调度知识库是规则选择专家系统的关键部件，其中存放着各种类型的调度控制知识。这些知识可以来自有经验的调度人员，也可以通过理论分析和实验研究获得。调度推理机是该系统的核心，它利用知识库中的知识，在数据库的配合下根据输入信息进行推理，做出调度规则选择决策。输出处理模块的作用是将决策结果转换为规则切换控制指令，以实现对调度规则的动态选择和切换控制。

2）多点协调智能调度控制方法

在现代制造系统，特别是自动化制造系统中，为实现底层制造过程的动态调度控制，往往涉及多个控制点，如工件投放控制、工作站输入控制、工件流动路径控制、运输装置控制等。为实现总体优化，这些控制点的决策必须统一协调进行。为此需采用具有多点协调控制功能的调度控制系统。下面对这类系统的组成和工作原理做简要介绍。

（1）控制系统组成。基于多点协调调度控制方法所构成的多点协调调度控制系统由智能调度控制器和被控对象（制造过程）两大部分组成，如图5-26所示。其中，具有多点协调调度控制功能的智能调度控制器是该系统的核心。该控制器的基本结构如图中虚线框部分所示。其中，控制知识库和调度规则库是该控制器最重要的组成环节，其中存放着各种类型的调度控制知识和调度规则。工件投放控制、流动路径控制、运输装置控制等m个子控制模块，是完成各决策点调度控制的子任务控制器。智能协调控制模块是协调各子任务控制器工作的核心模块。执行控制模块是实施调度命令、具体控制制造过程运行的模块。

图5-26　多点协调智能调度控制系统的基本结构

（2）系统工作原理。该系统的工作原理如下：当调度控制器接收到来自上级的输入信息（作业计划等）和来自生产现场的状态反馈信息后，首先由智能协调控制模块产生控制各子控制模块的协调控制信息，然后由各子控制模块根据协调控制信息的要求和相关的输入和反馈信息对自己管辖范围内的调度控制问题进行决策，并产生相应的调度控制命令。最后由执行控制模块将调度命令转换为现场设备（如工件存储装置、交换装置、运输装置等）的具体控制信息，并通过现场总线网络实施对制造过程运行的控制。

3）自学习调度控制方法

图5-27　基于静态知识的调度控制系统(www.xing528.com)

（1）常规智能调度方法存在的问题。以上介绍的几种智能调度控制方法属于基于静态知识的智能调度控制方法，其基本结构可概括为如图5-27所示。图中静态知识库的含义是，库中的知识是系统运行前装进去的，系统运行过程中不能靠自身来动态改变。

显然，这类系统的性能从将知识装入知识库那一时刻起就已经确定下来，因此为保证系统具有良好的调度控制性能，必须解决如何获取知识并保证知识的有效性这一关键问题。虽然调度控制知识可以从有经验的调度人员那里获得，也可以通过理论分析和实验研究获得，但实施过程中往往遇到一些困难。例如，有丰富经验能承担复杂制造系统动态调度任务的高水平调度人员是极其缺乏的，并且要将他所具有的知识总结出来也是一个相当费时费力的工作。此外，调度人员的知识是有局限性的，有些知识在他所工作的企业很有效，但换一个环境后未必仍能保持好的效果。实际工作中还发现，通过理论分析和实验研究获取调度控制知识的途径也是相当困难的。因此，如何有效解决智能调度控制系统中的知识获取问题，便成为这类系统性能必须解决的关键问题。

（2）自学习调度控制系统的组成。解决知识获取问题的一条有效途径就是学习，特别是通过系统自身在运行过程中不断进行自学习。基于这一思想，可构成一种具有自学习功能的智能调度控制系统。

自学习调度控制系统的基本结构如图5-28所示。该系统与图5-27系统的最大不同点在于增加了以自学习机构为核心的自学习控制环。在自学习闭环控制下，可对知识库中的知识进行动态校正和创成，从而将静态知识库改变为动态知识库。这样，随着动态知识库中知识的不断更新和优化，系统的调度控制性能也将得以不断提高。

图5-28　自学习调度控制系统的基本结构

图5-29　知识校正原理

（3）知识校正原理。为实现自学习调度控制，需进行知识校正，使其不断完善。知识校正原理如图5-29所示。图中由知识控制器与知识使用过程（被控对象）等组成闭环控制系统。该系统按照反馈控制原理工作，知识控制器将根据被控量的期望值与实际值之间的偏差来产生控制作用，对被控过程进行控制，使被控量的实际值趋于期望值。确切地说，这里的被控量是系统的性能指标，控制作用表现为对知识的校正，被控过程为知识的使用过程。因该系统为一基于偏差调节的自动控制系统，知识控制器将以系统期望性能与实际性能间的偏差最小为目标函数，不断地对知识库中的知识进行校正。因此，在该系统的控制下，经过一定时间，最终将使知识库中的知识趋于完善。

4）仿真自学习调度控制方法

前面介绍的自学习调度控制系统是以实际的制造系统环境实现自学习控制的。这种学习系统存在的问题是学习周期长，且在学习的初始阶段制造系统效益往往得不到充分发挥。为了提高自学习控制的效果，可进一步将仿真系统与自学习调度控制系统相结合，构成仿真自学习调度控制系统，其基本结构如图5-30所示。

该系统的基本原理是通过计算机仿真对自学习控制系统进行训练，从而加速自学习过程，使自学习控制系统在较短时间内达到较好的控制效果。

为达到上述目的，该系统由两个自学习子系统组成：

图5-30　仿真自学习调度控制系统的基本结构

（1）由调度控制器1、实际制造过程、自学习机构1和动态知识库组成的以实际制造过程为控制对象的自学习控制系统（简称实际系统）。

（2）由调度控制器2、虚拟制造过程、自学习机构2和动态知识库组成的以虚拟制造过程为控制对象的自学习控制系统（简称仿真系统）。

仿真自学习调度控制系统可以工作于两种模式，即独立模式和关联模式。当系统运行独立模式时，先启动上面的仿真系统，下面的实际系统暂不工作。仿真系统启动后，在调度控制器2的控制下，整个系统以高于实际系统若干倍的速度运行，从而对动态知识库中的知识进行快速优化。当仿真系统运行一段时间后，系统进行切换，转为实际系统运行。由于此时知识库中的知识已是精炼过的知识，实际系统就可缩短用于初始自学习的时间，从而提高系统的效益。

系统以关联模式运行时，实际系统与仿真系统同时工作。由于仿真系统的运行速度比实际系统要快得多，因此，发生在仿真系统中的自学习过程也较实际系统快得多。这样由于仿真自学习的超前运行，相对于实际系统，仿真系统对知识库中的知识校正与创成将是一种预见性的知识更新，即提前为实际系统实现智能控制做好了知识准备。而实际系统中的自学习机构所产生的自学习作用，则是对仿真自学习作用的一种补充。通过这两个自学习环的控制，系统性能的提高将更快、更好。