文摘

针对问题的响应速度低、数据资源分布的不均衡的生产过程(DRPP)分布式车间生产环境,优化调度方法DRPP基于multicommunity合作搜索算法。启发式数据资源服务调度框架包括一个负载管理器和动态调度引擎是第一个建立处理的不确定性数据资源服务响应和资源分配的不平衡;一个核心调度优化数学模型与目标:资源使用效率,减少响应时间,和负载平衡,建立了。然后,multicommunity合作搜索算法的调度模型,粒子位置向量之间的映射关系,建立资源配置通过二进制编码。因此,优化算法映射到离散的数据空间,和multicommunity双向驱动进化机制用于实现公共和模型之间的合作和互动搜索社区,这增强了算法的适应性动态随机调度任务。最后,验证了该方法的有效性通过多进程的一个例子在丝绸生产过程中质量预测服务调度,它提供了一个有效手段解决生产过程数据的复杂的调度问题。

1。介绍

智能车间集现代传感技术、网络技术、自动化技术、和其他先进技术,大量智能设备如传感器和数据采集设备已经投入使用在车间(1- - - - - -3]。因此,生产车间已成为信息的收集中心流、物质流和控制流。在产品生产过程中,大量的生产、环境、状态、和设备运行数据生成以前所未有的速度,形成车间大数据,介绍了多任务的新特点,跨进程、异构和多态。然而,数据没有主观能动性。实现生产过程的实时感知和预测,我们必须首先实现的调度和优化“数据”,也就是说,生产过程的调度和优化数据。指出,传统的制造模式,数据的信息流、物质流,和控制流仍互相孤立在每个阶段的生产执行,,很难形成一个联合部队由于缺乏有效的数据资源调度机制,这限制了生产效率和系统的进一步改善智力水平(4]。因此,研究车间数据资源的按需调度是智能制造的核心问题之一,在生产车间。

最近,国内外大多数学者关注车间数据收集的方法和算法,分析和挖掘,机器视觉等预处理算法(5),神经网络预测算法(6,7)、智能决策算法(8),和多目标优化算法9]。然而,数据没有主观能动性;基于数据的分析和处理算法不能积极服务于业务需求,如感知、决策、执行生产过程;和目前的研究还没有全面考虑耦合和影响之间的需求,服务,生产过程中资源和能源效率。

然而,国内外的研究学者对车间过程生产调度和协同作业调度的发展有很好的参考。考虑车间流程和生产调度、文学(10)根据生产计划的依赖,和连续生产线调度问题的时机,提出了修复和优化解决方案来解决生产过程中的能源效率的问题。multiworkshop生产调度问题的复杂产品,文献[11)研究的特点,复杂产品的BOM结构和工艺路线。基于多级过程的施工网络图,一种改进的粒子群优化算法用于确保算法搜索路径的有效性。文献[12考虑问题的过程连接和阻塞过程中预制部分车间流水线操作和建立调度模型的点球总成本降到最低提前和延迟,提高了预制场的生产效率。文献[13)使用机器学习的方法来分配工作基于优先规则的决策树作为调度方法,显示了良好的性能在与目标和总延迟目标完成的情况。考虑从车间生产协作作业调度,文献[14估计过程处理时间在生产过程中通过机器学习和使用估计处理时间安排和优化并行机器,从而降低最大完成时间平均约30%。针对最优综合的生产和运输计划的一群并行批处理机器,文献[15构造一个0 - 1混合整数规划模型,解决了模型,并完成综合调度通过一种改进的遗传算法,降低了运输成本。上述研究为本文提供了一个想法,实现按需调度对生产过程数据资源。

另一方面,应该注意的是,车间生产过程涉及的多进程cross-production行业务协作和业务需求。数据资源调度的过程中,我们不仅要考虑到协会和合作关系不同的生产任务,还考虑数据的传输时间资源在不同的生产任务,特别是并发服务访问的不确定性影响需求反应,以及这些动态和不确定的影响因素对数据资源分配的平衡(16- - - - - -18]。

本文关心的生产数据资源调度中,因此将DRPP转变为服务,最后转化为经济效益。因此,本研究旨在集成负载管理器和动态任务调度引擎,并把它们与调度流程形成一个调度方案,为生产过程提供智慧支持。这个想法后,本文的组织结构如下:启发式构造数据资源服务调度框架的部分1。要研究的问题和调度数学模型,提出了部分2。部分3致力于建立异步并行调度策略和优化方法,仿真结果给出了部分4,和结论部分5。

2。DRPP调度过程分析

根据执行状态的DRPP调度中心,资源池中的数据也动员,形成最佳的执行计划的任务。DRPP调度是生产决策过程中的关键环节之一。图1DRPP调度提出了一个框架,包括业务需求,分解服务任务分析,动态调度DRPP、负荷监控和服务任务执行。首先,在生产过程中操作,不同的进程发送请求到调度中心根据任务执行的要求。排队、合并和分析服务需求、任务分析降解模糊和杂项服务任务,形成一套低粒度可以直接由DRPP服务任务。其次,动态调度器初步匹配DRPP根据任务请求,然后匹配执行任务的静态和实时属性特征DRPP获得DRPP设置满足当前生产业务需求。主管的负载调度中心通过监视操作和负载动态调整DRPP DRPP的业务流程,解决了服务中断所造成的不确定事件,以确保服务的成就的过程。最后,DRPP调度引擎使用集成的智能优化算法结合搭配DRPP的状态信息和服务任务的实时信息,形成最优资源服务中心的分配方案,并将它提交给执行,以完成调度流程的资源服务。

在整个调度过程,交互式地执行多项任务,是一个复杂的任务之间的关系。与生产动态增长的业务规模,必须考虑服务任务的响应时间。此外,大量的动态和不确定因素会严重影响的能力和有效性DRPP服务调度。传统的资源调度方法具有搜索效率和精度低,这很容易导致问题的响应速度低,资源的不均匀分布在服务过程。很难适应str的分配需求。因此,本文认为提高服务效率,解决的问题造成的不合理分配DRPP服务响应的不确定性和不平衡负载的节点。

3所示。DRPP的多目标优化调度模型

3.1。响应不确定性建模

DRPP在业务流程的调用关系是复杂的,尤其是当一个数据资源服务调用由多个业务流程,这些业务流程同时运行;并发访问。在不同的服务场景中,有一些访问频率的波动和不确定性,并发性概率和实体行业用户的响应时间。有一定的波动和不确定性在访问频率、并发性概率,不同的商业联系和响应时间在生产过程中,如顺序、选择、并行性和业务流程的周期(19,20.]。因此,服务响应的不确定性DRPP可以被描述为服务访问频率。

在接下来的公式,代表服务任务的数量。代表总DRPP资源。代表任何服务任务的过程。代表执行服务任务的概率 。 表示调用DRPP的概率服务任务 。 代表服务业务被访问的概率。代表任何流程分支被选中的概率。

假设有DRPP为子任务调度中心执行时调用某个服务任务,这些子任务完成在一个特定的节点根据服务过程;然后,概率服务执行任务的过程

交互式地执行多项任务时,并发访问通常发生在服务调用。完成一个任务涉及调用多个资源服务流程。当有一个选择过程中结构和流程分支包括并发访问服务,并发访问服务的概率如下:

当所有选中的分支机构在服务过程中覆盖当前的并发访问服务,服务是并发访问的概率

3.2。资源分配不平衡的建模

假设一个服务任务 需要调用子任务完成,DRPP的总数,可以提供服务 。完成这些子任务在不同的任务节点根据服务过程和资源需求。任务的预计完成时间调用技术资源被定义为 在哪里服务任务的总指令长度吗和的执行速度DRPP吗是分布式调用。

的平均负载不同的服务任务调度DRPP被定义为总指令长度之间的商服务任务和总执行速度数据资源的分布式调度,即。,the completion time of the total service task is

上述调度方案,服务资源的负载平衡可以被定义为调用 在哪里代表服务任务的完成时间 。显然,一个更小的表示一个更为平衡的任务负载服务调度。

3.3。多目标优化调度模型

考虑到DRPP响应和资源分配的不平衡,本文建立了多目标优化调度数学模型包括服务效率、响应时间和资源调用的负载平衡。

在生产过程中,如果代表服务节点的状态执行子任务 , 代表子任务,代表的总数DRPP提供的服务任务;然后,国家的资源服务 , 。的服务效率 ,响应频率设置 ,和负载平衡 。在这些方程,服务节点的服务效率吗执行调度任务 , 执行资源调度任务的响应时间服务节点 ,和是服务效率资源调度任务的负载均衡服务节点 。任何资源服务的服务状态可以表示为节点执行一个任务

DRPP映射的集合服务任务 ,在哪里是一个DRPP服务调用子任务。因此,多目标优化调度数学模型,考虑到服务响应的不确定性和资源分配的不平衡如下: 在哪里最低服务效率值符合业务需求,是DRPP节点的最大服务响应时间,然后呢是最高DRPP节点的负载平衡。

设置权重的服务效率、负载平衡、和响应用户请求DRPP频率 , ,和 ,分别为, 。

DRPP的优化调度模型考虑到用户需求的目标重量如下:

4所示。最优调度算法基于Multicommunity协作的DRPP搜索

4.1。Multicommunity合作网络的演化模型

基本粒子群优化(PSO)算法是一种单一共同体的优化模型与全局最优粒子为核心,这不能解决复杂多变的调度问题很好。如果这个模型扩展到任务相关multicommunity合作优化进化信息交互和协会将生成在这些社区中,然后,multicommunity合作网络(MCCN)与高适应性形成的任务是(21,22]。从数学的角度来看,网络可以被视为一组顶点和边集。为了更好地描述MCCN并建立其进化模型,首先提供以下定义。

定义1。阈值为社区类型的决心 在哪里是全球最佳的健身的社区和在合作网络社区的数量。

根据阈值社区类型的决心,粒子社区协作网络模型可分为社区和公共社区。如果满足标准 ,社区有很强的局部优化的能力,可分为模型社区和记录 。相反,如果满足标准 ,社区有很强的全局探索能力,所以它可以分为常见的社区和记录 。

定义2。让合作搜索不同社区之间的活动是一个二元组 ,在哪里 是社区参与合作的序列搜索活动和 是社区之间的相互依赖在搜索的过程。 被称为合作关系单位,在哪里代表社区之间的合作关系模型和一个共同的社区,社区之间的合作关系是任意两个模型,然后呢是任何两个常见的社区之间的合作关系。合作单位的数量在不同的社区合作关系集称为模块的合作关系,这是记录 。

一般来说,如果 ,有两个合作社区之间的优势,合作关系单位越多,两个不同的节点之间的边权重越大。如果没有合作关系不同的社区,然后 。

定义3。让 在MCCN合作不同社区之间的权重,合作之间的重量和也被称为边缘MCCN的重量。

完成社区节点的综合定量评价,评价指标的最优值社区介绍:节点协作的距离和反应性 。

定义4。合作的距离。全局最优值社区的分别是,相比之下,个体最优位置的粒子,绝对值,也就是说,全局最优的合作距离值是 。

定义5。反应性。阈值合格的距离设置。根据公式 ,社区粒子的响应值的最优值遍历的节点可以获得合作的距离 ,然后,反应性全局最优值可以通过添加的响应值序列。

定义6。社区节点强度。在MCCN,社区的力量被定义为节点 在哪里合作社区节点之间的重量吗和 , 是社区的节点的响应率,是社区的邻居节点 ,它满足

一般来说,MCCN可以由其邻接矩阵表示 。如果 MCCN的反应性矩阵,那么节点强度矩阵如下: 。

定义6表明社区的力量不仅考虑了节点合作社区的节点之间的权重也节点本身内部的粒子的优化。这是一个综合评价社区的本地信息和社区本身的能力,可以更好地反映社区寻求最优制导的能力在整个合作网络。

因此,MCCN可以用无向加权图 。 代表不同类型的合作社区节点集, 是合作关系的优势, 之间的合作优势体重组, 是力量的社区节点,在哪里的价值吗我- - - - - -th行节点的强度矩阵,代表社区的属性节点来衡量他们的搜索能力。通过定义6,可以表达的相邻MCCN增加矩阵如下: 。因此MCCN合作网络的演化模型

在此基础上,不同社区间的异步并行搜索策略是减少社区之间的沟通,制定有效的搜索是通过驱动进化机制来实现提高任务调度算法的优化能力。multi-population共同进化的规则如下。

规则1。在微生物群落进化规则。multicommunity共同进化的过程中,粒子在一个社区可以迭代优化根据公式(13)在速度和位置更新和全局最优值可以在社区内生成。 在哪里粒子搜索的迭代次数,ω惯性权重, 加速度是恒定的,然后呢和是两个随机函数不同的范围 。

规则2。推动社区之间的共同进化规则。

规则2.1。 , , ,和 。常见的社区 ,社区和模型 。的微粒在进入 ,最后一个社区在就被消除了。在引入模型学习的因素的内部演化规则 ,新的进化迭代公式如下: 在哪里 和是一个随机函数和满足收敛约束 。

规则2.2。 , 社区的节点强度满足 对于任何 。

全局最优值的模型社区: 。

规则2.3。 , 社区的节点强度满足 对于任何 。

全球共同社区的最佳值: 。

4.2。DRPP的编码策略最优调度

粒子群优化(PSO)的计算模型是真实的连续空间,和很难解决离散空间的任务调度问题(23]。因此,使用二进制编码粒子的速度和位置,以及从粒子群优化算法映射到离散空间,从粒子搜索空间的最优调度方案,通过改造实现粒子表达式。

在上述算法中,一个行,列矩阵 被定义为粒子的位置向量矩阵。行代表的情况提供STR执行任何服务任务时,显示的列分布的服务任务在调度过程中,和任何粒子代表了调度问题的潜在解决方案。粒子的编码位置如下: 在哪里 , 。

根据编码方案,矩阵的每一行位置都有且只有一个元素值是1,这表明DRPP分配服务任务 。每个DRPP可以同时调用多个服务任务,和任何调度任务的执行不能中断。

定义的速度 方程所示(16),代表粒子的基本交易秩序的作业任务的执行。

交换操作的加法、减法、乘法和除法算法被定义为 , , ,和 ,分别。特定的操作规则如下:(1) :代表 在位置矩阵和速度矩阵 ;相反,它是1; (2) :表明 在位置矩阵和速度矩阵 ;其他元素是随机选为0或1(3) :表明粒子是否执行操作或不与矩阵根据随机数字的对应的概率值(4) :代表 , , , 在位置矩阵和速度矩阵 。根据上面的开关操作规则的定义,公式(10)可以更新如下:

编码方案简单可行,因此DRPP满足多项任务调度的需求。它也清楚地描述粒子种群进化空间之间的映射关系和服务任务调度方案,从而避免重复搜索的过程中粒子进化。

4.3。最优调度算法基于Multicommunity协作的DRPP搜索

基于multicommunity合作搜索算法及其编码方案、最优调度过程的多项任务分布式DRPP如图2。具体步骤如下。

步骤1。初始化种群粒子的。根据粒子之间的编码策略搜索空间和部分中描述的任务调度方案3.2的初始化社区进行,和一个随机的位置(DRPP分配计划)和速度的人口粒子。社区,社区成员中的粒子的迭代次数,粒子的加速系数和惯性权重系数设置。

步骤2。初始化种群粒子均匀分布到过程形成一个社区的大小 。残余颗粒是随机分配的的过程。每个粒子的适应度社区计算根据综合优化调度函数构造的部分3.3。

步骤3。执行异步并行进化计算的单独运行每个社区的过程。

步骤4。计算适应度值每个社区和所有社区划分为模型社区或公共社区根据阈值。

第5步。根据不同粒子种群之间的互动演化机制部分3.1更新粒子的位置和速度,根据公式(14),模型的全局最优位置和常见的社区保存到最佳的存储区域。

步骤6。如果所有的粒子种群搜索终止条件满足,则算法结束,全局最优解的存储区域,和最优调度方案输出;否则,它将返回到步骤5。

5。应用案例分析

在本节中,一个DRPP调度的丝生产线质量预测和预警服务来验证提出的模型和算法。如图3,预测和预警服务质量包括“单操作质量预测和预警,”“多进程质量预测和预警,”“质量预测和优化整个生产线,“和许多其他服务,每个服务活动需要调用DRPP使用服务的任务,比如型号、标准、算法和组件提供按需服务,为不同的商业联系的烟草生产线。

丝绸的质量预测和优化任务的干燥过程服务的服务平台,它分为五个子任务:在线数据阅读,预测算法,在线实时预测,预测结果分析,优化算法,优化参数返回,记录为任务集合 。然后,可用DRPP集对应的任务集是 。之后提出了部分1和2,DRPP调用过程可以实现如下:(1)编码设置

定义调度算法中粒子的位置向量矩阵 ,如表所示1。行代表服务任务的分配 ,和列代表DRPP的服务情况;如果 ,这意味着这个任务是由数据资源 。这个时候,每个粒子代表服务任务调度方案。(2)调度算法

来验证提出的调度方法的有效性,仿真实验是进行服务平台基于Xeon e5 - 2609 v2处理器和RAM64G和服务效率、响应时间、多服务任务调度和负载平衡的过程中收集样本数据。相比较而言,之前报道ERTPSO算法(24],DPSO算法[25],LAPSO算法[26],M-CBDCSM算法提出了目前的研究被用来解决最优调度方案发动机故障识别和维护服务。仿真参数指定为人口规模 - - - - - -500年,维30,进化代数 ,惯性权重 ,和加速度不变 。此外,一个随机函数引入服务响应时间 ; ,在哪里随机变化范围 ,和 。所有的仿真实验进行了500次,和其他参数与相关文献中使用的是相同的。

提供了相关算法的仿真结果图4。表明multicommunity合作搜索算法能够更好地适应服务响应时间的随机变化的过程中多服务任务调度,特别是社区之间的互动进化规则自适应选择,算法收敛于全局最优值快速、稳定。特别是,可以找到最优调度方案前50代不同的搜索条件下对应于离散粒子群优化(DPSO)。尤其是在面对动态和随机多任务调度、混合遗传算法难以自适应地进行个体变异和交叉,然后不能跟踪服务调度的动态变化,这使得它很难避免过早现象在高随机搜索条件,及其算法性能远低于multicommunity合作搜索算法。

进一步验证算法的适应性强,面对多个调度任务,实验基于多调度任务的庞大的人口也模拟。为此,可以作为人口和调度任务 , - - - - - -20.表中提供的相应结果2。尽管服务任务的数量越来越多,多社区协同搜索算法的收敛速度并没有明显下降的过程中调度。从上述结果,我们可以得出结论,本文提出的算法可以实现更好的性能,庞大的人口和tasks-varying参数的收敛速度和稳态误差。

6。结论

本文地址DRPP的多任务自适应调度。启发式调度框架是用来处理DRPP服务响应的不确定性和资源分配的不平衡。负载管理器和动态调度引擎用来近似的不确定性调度服务。此外,我们提出新的合作搜索算法的任务调度模型驱动调度目标与服务效率,减少响应时间,和负载平衡,收敛快速调度可以证明即使在动态随机意义。该调度方案对动态随机扰动健壮。保证优化算法的离散数据空间,一个二进制编码粒子位置向量映射到资源分配策略。提供仿真例子来验证该算法的有效性。

数据可用性

生产过程数据用于支持本研究的调查结果并没有因为数据源的企业需要提供机密性。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

这项研究是由中国国家自然科学基金(52065033)和云南省级重大科技专项计划项目:云南省特色产业的数字化研究与应用示范(202002 ad080001)。