基于RL的遗传算法的制造车间生产调度研究
徐冬+简正豪
摘 要：随着科学技术的不断进步，当下现代工业也在迅猛发展中，企业的生产也朝着多类型、少批量、高要求等水平发展，这使得企业在自身生产作业计划安排和各部分工作规划上难度增加。高效的展开车间调度能够有效降低企业在工作过程中出现的操作问题，并能为企业带来更优质的工程竞争。本文就针对眼下在作业车间调度中出现的问题以及基于遗传算法的改进措施展开相关探究和讨论。
关键词：遗传算法；车间作业调度；工厂运营管理；编码与解码
DOI：10.16640/j.cnki.37-1222/t.2017.19.035
0 前言
作业车间调度问题在很多现代工厂运营管理中都有发生，这也是制造系统的一大重点和难点。进行工厂车间调度是为了结合工厂生产的实际情况以及生产的具体任务展开对各个单位和各条流水线上工作任务、工作时间的安排，从而以最优良的调度策略为工厂生产系统提供最高的经济效益。这对整个项目来说都有着重要意义。但是由于对每个工厂任务的要求不同，每次调度的方法和研究对象也有差异，这使得调度存在随机性和不确定性，这给了实际规划一定挑战，对生产顺利展开埋下了一定障碍。且随着车间生产在产品制作和操作中涉及到的工种类不断增多，在互联网平台支持下的管理能够根据实际需要自动匹配出最佳的操作方式，并以较为便捷和高效的模式合理配置，从而发挥出数控机床在生产过程中的最大经济效益。因此研究有效的调度方式以及优化对应生产技术是实现当下先进制造和高效生产的重要关键。
1 遗传算法概述
其中，遗传算法是较为普及的一种优化算法，全称是Genetic Programming（遗传编程）。遗传算法里的具体思想就是，为了解决目标问题，设计一个小的DSL，然后遗传算法要演化的就是这门DSL的程序，就需要实现这个DSL的解释器，以及评估程序质量的fitness function和实现交叉/变异等操作的算子。如果你的算法里有自适应参数，那么可以用遗传算法帮助你来调参。有些遗传算法本身有自适应参数的，还可以用遗传算法来优化遗传算法。在编码技术和遗传操作上来讲都比较简单易学，且在算法编程中具有一定的灵活性，所被制约的因素可以被忽略，能够在一定范围内多条件并存，相对于当下工厂调度现状而言，这种并存的技术就显得十分关键且必要。一方面，运用遗传算法能够展开对车间的全局搜索，通过全局搜索在多样的方案选择中结合实际要求选择出最佳的解决方案，另外，遗传算法具有隐形并存性，可以极大减少运算求解的时间，对提高车间调度质量以及方案效率有很多帮助。下面就对遗传算法在车间调度中的具体解决方案施行展开相关研究和说明。
2 问题描述
例如说某个车间一共有a台机器，这a台机器需要加工b个工件，而每个工件又有n个工序，每个工序需用时t，那么在限定的时间氛围内每个机器只能加工一个工件，不同工序之间的顺序可以打乱，但是要求工序要完成齐全，那么问怎么划分各个工序以及机器所做工件时长才能时工件完成整个任务所需的总时间最短？
3 遗传算法的设计
3.1 编码与解码
在遗传算法中就可采用按工序的实数编码，像是生物基因学中的染色体DNA编码与解码。将每一道工序给予一定数字编号，比如说123...然后按照预先对车间工序展开流程调度方案研究，比如说是有三道工序要在三台机器上运作，工序一用1表示，机器一用1表示，在编码中工序就有211123233 ，机器使用顺序有112332213，对该编码解码，也就是表示第一次出现的2道工序是在第1台机器上加工，第2次出现的第2道工序是在第3台机器上加工.....以此展开对车间生产中各个工序与机器使用的规划和处理。在编码与解码的过程中，就好比是提前给车间流程划定流程，并用数列表示，然后再将该数列转化成对应的工序与设备。通过这种编码与解码的方式从而优化对车间调度的流程设计，使得整体更加方便和快捷。
3.2 种群生成
在遗传算法中很多都运用到了生物遗传学知识，比如说在生物进化初期，早期是由遗传的一小部分群体不断进化，并在选择中占据优势，由此成为种群的大多数而最终存活。相应的在调度方案中就可以优化算法展开，在众多算法中选择出某个超级个体，以此保证整个车间运作能够顺利且高效的展开。具体的操作步骤首先需判断种群的容纳程度，也就是某一调度问题的整个算法容量有多少，确定容量后，还需要对各个条件的淘汰率进行统计。然后计算每个算法的最大适应度，也就是针对当下在车间生产中的具体要求，能够在满足各项条件的同时适用性最强。并采取随机抽查检验的策略，测定该种算法的适用值是多少，然后在多个调度条例中选择最佳的算法。此外，为了提高算法的多样性，还能在算法适度检验中不断优化算法编程，让算法能够与其他算法有更多交叉和选择的机会，能够整合多个算法的优势展开。
3.3 遗传操作
在遗传算法的车间调度中，选用通过遗传操作，先选择出适应值最高的算法，然后以该算法为基准，并交叉和其他算法一并檢验和整理加强，由此优化第一条适应性较强的算法。在确定选择后的算法，再将其进行交叉操作，交叉也是为了优化该原始算法的算法精确度，在交叉中也会引起算法的变异，像是变异互换变异等，若出现变异的情况则说明算法在实际使用中是难以确保其稳定性的，因此要进行反馈和重新编程。
4 总结
综上所述，本文介绍了遗传算法的具体操作方式以及在车间调度中的实践方法，通过分析作业车间调度问题的特性，针对该特性确定了遗传算法的优势，采用遗传算法的并用性和全局性，在面对选择多、变动大的前提条件下，使用遗传算法无不能够提高运算的效率和准确率，使得运算有更多的发挥空间，对车间的经济效益提升也有一定帮助。
参考文献：
[1]李辉，陈根社.机床控制系统设计的遗传特征结构配置方法[A].2011年中国智能自动化学术会议暨智能自动化专业委员会成立大会论文集（下册）[C].2011.
[2]彭宏，欧庆铃，欧永斌.具有退火选择的遗传算法的收敛速度估计[A].2012年中国智能自动化学术会议论文集（下册）[C].2012.endprint
