基于大语言模型的多代理下一代制造系统能灵活动态管理制造资源的高效调度方法

本文链接：https://blog.csdn.net/matt45m/article/details/144589388

摘要

论文地址：https://arxiv.org/pdf/2405.16887
随着生产率的提高，客户对多品种、小批量生产的需求也在不断增加，这反过来又对制造系统提出了更高的要求。由于这种需求，当生产任务频繁变化时，传统的制造系统往往无法做出快速反应。为解决这一问题，作者提出了一种多代理制造系统。然而，由于技术上的限制，这种系统中的代理之间的协商是根据预先确定的启发式规则实现的，不够智能，无法应对多品种小批量生产。

本研究为智能车间提出了一种基于大规模语言模型（LLM）的多代理制造系统。该系统定义了各种代理，并规定了它们的合作方式。代理角色包括机器服务器代理（MSA）、投标邀请代理（BIA）、投标代理（BA）、思考代理（TA）和决策代理（DA）。在 LLM 的支持下，TA 和 DA 可以分析车间情况。BA 和 BIA 之间的谈判是连接制造资源的最重要步骤，在 TA 和 DA 的支持下，BIA 根据每台机器返回的信息最终分配订单。在 TA 和 DA 的支持下，BIA 根据每台机器返回的信息最终完成订单分配。该系统旨在通过代理的合作来分配和传送工件，这是它有别于其他排程方法的一个特点。为验证该系统的性能，还进行了对比实验。

介绍

随着生产率的提高，客户对独特产品的要求也越来越频繁。这种多品种、小批量生产的需求要求频繁更换制造资源，并对制造系统的能力提出了更高的要求。制造系统的作用是在车间和更大范围内组织制造资源，以实现高效生产。

传统的生产方法要求生产调度员根据经验和车间的实时情况来协调工件。人工排产需要与多台机器和多个部门协作，制定长期计划，通常不能灵活改变。这种僵化的排产方式很难应对不断变化的生产需求。传统制造适合大规模生产，并侧重于统一的标准化工件。然而，个性化定制产品的生产需要多品种小批量生产，建立专用生产线既不经济也不高效。

在这方面，柔性制造正成为更合适的替代方案。柔性制造根据多种调度方法组织产品加工，从而能够生产复杂多变的产品。目前，柔性制造中的排产方法主要采用启发式规则、元启发式算法和深度强化学习（DRL）算法。

启发式规则由人工智能设计，反应迅速，但与后续方法相比性能较差。元启发式算法考虑到当前的生产订单和制造资源，利用计算生成排程解决方案。然而，这种方法需要反复耗费时间，而且当订单或资源发生变化时，通常协调性较差；而 DRL 算法提供了一种更有效的方法，可快速找到排程解决方案并处理动态干扰。元启发式算法和 DRL 算法在调度小型生产资源时表现出色，但随着生产资源的增加，这些算法的复杂性迅速增加，性能也随之下降。

在这种情况下，作者提出了一种新方法：利用大规模语言模型（LLMs）的多代理制造系统。该系统并不依赖于传统的启发式规则或元启发式算法，而是利用 LLM 的自然语言处理能力来实现更复杂的协商机制；通过利用 LLM，代理之间的协商可以更加灵活和智能，并可实现多产品、小批量生产，从而为多品种、小批量生产选择最佳机器。通过利用 LLM，代理之间的协商可以更加灵活和智能，并可实现多产品、小批量生产，从而为多品种、小批量生产优化机器选择。