论文阅读|《用支持向量机求解AGV调度问题》(附带源码)

Posted 2021-09-19 码丽莲梦露

点击此处可获取源码 

《A Support Vector Machine Approach for AGV Dispatching》

International Conference on Innovation and Management/ICIM/2018

台湾清华大学工业工程与工程管理系

1 摘要

        随着高度自动化生产线的发展，自动导引车(AGVS)在物料搬运系统(MHS)中的应用越来越受到人们的关注。提出了一种基于支持向量机(SVM)的柔性制造系统(FMS)AGV动态调度方法。目标是最小化柔性制造系统中订单的平均拖期。为了生成支持向量机的训练数据，将进行仿真运行。文中还将讨论可能影响支持向量机性能的系统属性。最后，通过仿真模型验证了支持向量机调度模型的可行性。

2 AGV调度介绍

        管理和控制AGVs系统可以分为以下几个部分：

                （1）车辆调度；

                （2）车辆定位；

                （3）电池管理；

                （4）车辆路径；

        AGV调度规则可以总结为：根据AGV调度发生的时间点进行车辆启动调度和工作负载调度，这意味着调度发生在：（1）AGV卸载并闲置；（2）负载到达系统或由机器释放。

        大多数调度规则一般书单属性调度规则（single-attributed dispatching rules）,例如，STT(最短行程时间)规则只考虑了车辆与货物之间的行驶距离，而忽略了关于作业重要性(交货期)的信息。

        由于没有调度规则被证明优于其他规则，这篇文章研究了基于机器学习的AGV调度问题，它是根据环境的现状做出车辆调度决策的。     

2.1 基于机器学习的调度

        基于机器学习的调度问题可以用{O，M，D，R，S}来表示(Park，1997)。O表示系统的目标；M表示制造模式，表示应考虑哪些系统属性；D表示候选调度规则，表示ML调度员从中选择的调度规则集；R表示调度规则的启发式，表示应用哪种ML方法进行调度；S表示可能的系统状态，表示应该考虑作为训练样本特征的系统属性的可能组合。

3 论文解读

3.1 问题描述

       FMS布局下图可见，其中Workstation中包括单台机器和输入、输出队列，订单随机到达仓库warehouse（仓库），并附有交货期和作业类型。AGV的任务是在仓库的装载站接受订单，然后交付给workstation的P/D（拾取/交付）站，当作业完成，由AGV运到warehouse的卸载站。系统中有一个AGV充电站，AGV将在以下两种情况下进入充电站：（1）一旦车辆电量低于一定水平；(2） 如果AGV在工作站的P/D点空载，另一辆AGV需要相同的P/D点来拾取或卸载负载。AGV在网格状网络引导路径上行驶，AGV的行驶方向为：向上，向下，向左和向右。

         AGVs系统中使用的调度规则将在每个调度周期内更改，并且在以下调度周期内应采用哪种调度规则是本文的主要问题。调度问题的目标是最大程度地减少平均工作迟到（T）。此绩效指标定义为函数：

         其中θ是所有已完成工件的集合，μ是系统中尚未完成流程的工件集合。dj和cj分别是工件j的交货期和完工时间，n表此当前记录次数。

3.2 支持向量机在AGV调度中的应用

        AGV调度问题中训练样本的概念如下图所示：

 3.2.1 候选调度规则

        这篇文章SVM的用法就是使用SVM选择合适的调度规则给调度系统。AGV调度规则中有些是车辆选择送货顺序的规则，有些是货物选择送货车辆的规则。因此，SVM调度规则分为两种类型：

（1）车载调度候选调度规则：

                STT（最短行程时间）：选择位于离车辆最近的位置的作业。

                FCFS(先到先服务)：选择最早要求车辆运输的工作。

                MROQS(最小剩余输出队列空间)：选择位于剩余空间最高的输出队列中的作业。

                EDD(最早到期日)：选择到期日最早的职务。

                CR（临界比率）：选择临界比率最低的作业（CR=（到期日-现在）/（剩余操作时间））。

                DS（动态松弛）：选择松弛时间最小的作业（松弛时间=剩余到期日-剩余操作时间）。

（2）

 （2）工作站启动调度的候选调度规则：

                NV(最近车辆)：选择距离作业地点最近的车辆。

                 LIV(最长怠速车辆)：选择怠速时间最长的车辆。

                LU(最低利用率车辆)：选择利用率最低的车辆。

3.2.2 特征选择-制造模式（Features selection-Manufacturing pattern）

         实验共选取了9个系统属性作为训练样本的特征:

                (1) 工件数

                (2) 工件的平均剩余时间

                (3) 工件当期加工时间到其交货期的剩余时间的标准偏差

                (4)  工件的平均加工时间(加工时间加上最短运输时间)

                (5)  工件加工时间的标准差

                (6) workstation的平均工作负荷

                (7) workstation的工作负荷标准差 

                (8) 空闲AGV的个数

                (9) 系统中低电量水平AGV的个数

3.2.3 训练过程

        

4 实验

4.1 算例

        测试环境由10台workstation组成，可以处理10种工件类型。不同的工件类型有不同的作业顺序和不同的加工时间。工件到达间隔时间服从指数分布，平均为34秒，分别为瓶颈工作站100%的作业周期。工件交货期均匀分布在作业周期最短的一到三倍之间。该系统有7辆AGV。工件数据集来自<Bagchi, T. P . (1999). Multiobjective scheduling by genetic algorithms. Springer Science & Business Media. >。

4.2 结果