1.3.3　基于數據的調度優化

基于數據的調度優化方法是指通過數據挖掘技術從優化的調度方案中挖掘出可用于輔助調度決策的知識,其實現方式和構造數據驅動的預測模型一致。根據優化調度方案生成的方式不同,基于數據的調度優化研究主要分為:基于仿真獲得的方案、基于優化算法獲得的派工方案以及基于信息系統離線數據獲得的方案。

(1)基于離線仿真的調度知識挖掘

諸多研究表明,不存在所謂最優的實時調度規則適應于各種類型的制造系統。實時調度規則的有效性和生產線運作狀態直接相關,應根據生產的調度環境指導調度規則的選擇。仿真是用于比較和選擇復雜制造系統調度決策重要的技術之一。一般而言,有兩種仿真方式來選擇調度決策:一種是離線仿真的方式,對于不同的生產線狀態采用不同的調度決策進行仿真,保留最能滿足性能指標的調度決策,以此構造知識庫;另一種是在線仿真的方法,在決策點采用不同的調度決策進行仿真,選擇性能指標最優的調度決策來指導實時派工。顯然,離線仿真方法效率不高,所構造知識庫的泛化能力也很弱,在線仿真對于仿真時間的要求較為苛刻,稍不滿足就無法滿足實時派工的需求。

機器學習能夠良好地泛化優化的調度決策,對自適應調度系統知識庫的構造起著核心的作用。然而,無論是離線學習還是在線學習,都需要依賴制造系統的調度模型,建模的質量直接影響學習效果。此外,離線學習獲得的知識庫會隨著時間的推移有所退化,需要合理更新機制。在線學習策略雖有較高的魯棒性,但初期優化效果不明顯、學習速度慢。如何將離線學習與在線學習相結合進一步改進調度規則集的構造是值得進一步考慮的問題。

(2)基于離線優化的調度知識挖掘

隨著計算機計算能力的加強,使得大規模調度問題的求解成為可能。基于優化算法求解調度問題的更大瓶頸在于實際復雜制造系統中大量的不確定性擾動因素導致得到的派工方案難以執行。如何從大量的優化方案中挖掘出調度決策,即用合適的實時調度規則來擬合優化算法,使得實時調度規則所生成的調度方案能較好地逼近優化算法的調度方案,以此進一步適應實時派工的需求,是很有實用價值的研究。

(3)基于信息系統離線數據的調度知識挖掘

企業信息系統中的離線數據蘊含了調度相關信息,也可以從中提取實時調度規則。例如,Choi等以多重入制造系統為研究對象,考慮了制造系統的調度環境,使用決策樹從離線數據中挖掘出適應調度環境的實時調度規則選擇的知識;Kwak和Yih使用決策樹方法從制造系統歷史數據中挖掘出實時調度規則對性能指標的影響,通過仿真獲取長期有效的實時調度規則,并將綜合考慮長期性能指標和短期性能指標的方法應用于實時調度規則的選擇。Murata針對Flowshop調度問題,使用決策樹從實際調度方案中獲得調度規則,改進了調度性能。郭慶強等基于專家經驗確定調度知識中各條件屬性的重要度,利用粗糙集從生產調度數據中挖掘出條件屬性與決策屬性之間的關系,從而提取有效的調度規則,并將該調度規則獲取方法應用于某煉油廠生產過程調度知識的獲取。

目前,在基于數據的調度優化方法領域取得的成果仍然停留在從既定的實時調度規則中選取特定的規則或者離線挖掘出某一特定規則運用于實際派工階段。這種方法柔性不足,無法在生產線運作過程中作實時調整。面向的生產系統還主要集中于小型的作業車間或流水車間,有必要進一步深入研究。