AGV集成调度问题可以描述为:一个生产加工系统中有n个需要加工的工件,有m台机器和v辆可供搬运物料的AGV小车。每个工件(1,2,...,n)包含一道或多道工序,ijO表示工件iN的第j道工序,每一个操作ijO都可以由其可选机器组ijM中的任意一台机器加工,12{,,...,}ijmMMMM。同一工件的同一工序在不同机器上的加工时间会有所差异。由于同一工件的不同工序通常在不同的机器上处理,因此需要在机器与机器之间、机器与装卸货站点之间运送工件。
约束条件
现有模型中考虑的约束条件主要分为三类:工序属性、机器属性和 AGV 的属性。其中工序属性和机 器属性与传统的车间调度问题类似。区别之处在于机器属性中多了关于对 AGV 缓冲区的约束,目前通常假设 AGV 缓冲区的容量无限大。AGV 的约束条件更加复杂,如一般都默认所有 AGV 开始时可用,不考AGV故障、变速行驶、多负载、异质等。
集成调度问题的优化目标
集成调度问题的优化目标通常分为单目标和多目标。其中单目标优化模型的目标函数以最小化最大完工时间为主,即MinimumMakespan。此外单目标优化还有考虑最小工件平均延迟时间等。多目标AGV调度优化的目标函数包括能耗、成本与利润、资源利用率等。
AGV与机器集成调度问题集成调度的优化方法
生产调度问题的优化算法主要有精确算法[43-44]、启发式算法、智能优化算法和仿真方法四类。由于AGV与机器集成调度问题的复杂性,目前的优化算法主要集中在后两者。其中智能优化算法包括遗传算法(GeneticAlgorithm,GA)、粒子群算法(ParticleSwarmOptimization,PSO)、差分进化算法(DifferentialEvolutionAlgorithm,DE)以及新兴的花朵授粉算法(FlowerPollinationAlgorithm,FPA)、鲸鱼算法(WhaleOptimizationAlgorithm,WOA)、灰狼算法(GreyWolfOptimizer,GWO)等。
参考文献
吴斌, 丁钰超, BASRI A. 自动导引车与机器集成调度问题研究现状[J]. 计算机工程与应用: 1-15.