[發明專利]一種用于流程工業的多智能體系統任務調度方法及系統

在審

• 申請號: 202010948695.1
• 申請日: 2020-09-10
• 公開（公告）號: CN112101773A
• 公開（公告）日: 2020-12-18
• 發明（設計）人: 尉秀梅;胡大鵬;姜雪松;朱慶存;孟超
• 申請（專利權）人: 齊魯工業大學
• 主分類號: G06Q10/06
• 分類號: G06Q10/06;G06Q50/04;G06N20/00
• 代理公司: 濟南圣達知識產權代理有限公司 37221
• 代理人: 李琳

本公開提供了一種用于流程工業的多智能體系統任務調度方法及系統，所述方案根據流程工業制造過程特點，基于MAS技術，構建了一個集成多個生產單元的任務調度模型，同時，提出了一種TS_Qlearning算法應用于此模型，形成了一種應用于流程工業的任務控制系統，所述方案能夠準確完成復雜的生產任務，實現制造過程的資源優化，從而推動傳統的流程工業向智能制造轉型。

技術領域

本公開涉及流程工業控制技術領域，尤其涉及一種用于流程工業的多智能體系統任務調度方法及系統。

背景技術

本部分的陳述僅僅是提供了與本公開相關的背景技術信息，不必然構成在先技術。

現代工業越來越依靠數據，同時工業生產中的數據量也開始進入PB級別，這使得工業數據與以往的生產數據對比發生了質的改變。近年來，對多Agent人工智能的研究表明，多Agent人工智能中的多智能體系統理論為智能制造系統的實現提供了可行的技術支持，它也成為制造領域的研究熱點之一。

一方面，目前，流程工業制造過程中的多Agent控制模型分為三種類型：集中式，分層式和分布式。發明人發現，集中式存在低容錯性且可能容易導致安全問題，一旦中央控制計算機發生故障，它將導致整個系統崩潰；分層式中上層和下層是從屬關系，上層和下層有強烈依賴；與集中式和分層式系統相比，分布式系統相對獨立，每個子系統都可以實現每個子系統的局部優化,然而，難以實現整個系統的整體優化以，且需要更高的網絡和計算能力的需求。

另一方面，任務調度也是多Agent系統的重要內容之一，合理的生產任務調度方案對于提高企業的生產效率的重要作用。Job shop作為生產任務調度問題，它是一個強NP-hard問題，發明人發現，許多研究者將啟發式算法應用于求解此類NP-hard難題，但是此類方法存在缺陷，如Q學習算法在求解大規模任務調度時候容易出現陷入局部最優、計算效率低等缺點。

發明內容

本公開為了解決上述問題，提供一種用于流程工業的多智能體系統任務調度方法及系統；所述方案通過將改進的Q學習算法應用于流程工業中的多智能體系統任務調度中，可以獲得更優秀的作業序列，從而使多智能體系統的資源得到更合理的調度，降低多智能體的空閑時間。

根據本公開實施例的第一個方面，提供了一種用于流程工業的多智能體系統任務調度方法，包括：

構建面向全過程的智能協同控制模型，該模型由系統Agent通過總線連接各個生產階段的Agent組成；

獲取任務的初始作業序列，以及完成每個作業所需要的現場Agent和執行每個作業所述各個現場Agent所需要的處理時間；

利用TS_QLearning算法求解現場Agent總空閑時間最短的作業序列；

所述智能協同控制模型根據所述作業序列進行任務調度。

進一步的，所述智能系統控制模型為分層結構，上層的系統Agent用于統一資源調度及任務分配，下層的每個車間Agent包括車間控制Agent和若干現場Agent，所述系統Agent通過總線下發任務，每個車間之間相互配合實現任務分解，每個車間通過車間控制Agent將任務分配給現場Agent，現場Agent相互協作完成任務。

進一步的，所述任務調度方法通過最小化所有現場Agent空閑時間的總和，尋找最優的作業序列。

進一步的，所述調度方法需要遵循如下約束：

每個現場Agent一次只能執行一項操作；每項任務的操作一次只能由一個現場Agent執行；一旦在機器上開始操作，就不能中斷；在沒有完成之前的操作之前，不能執行其他的任務操作；只能由同種類型的機器執行任務操作，并且每個現場Agent的處理時間和可利用的現場Agent的數量是已知的。