多工序多资源协同安全调度方法、装置、介质和产品

摘要: 本技术涉及资源调度,具体涉及一种多工序多资源协同安全调度方法、装置、介质和产品。背景技术:1、随着多品种、小批量、定制化生产模式的普及,制造车间的调度对象已由传...
多工序多资源协同安全调度方法、装置、介质和产品

本技术涉及资源调度,具体涉及一种多工序多资源协同安全调度方法、装置、介质和产品。

背景技术:

1、随着多品种、小批量、定制化生产模式的普及,制造车间的调度对象已由传统的单工序-单机结构演变为多工序-多资源耦合结构。多个任务的多个工序需在加工设备、生产线、自动导向车(automated guided vehicle,agv)、操作员、产线单元等异质资源上协同加工与执行,且普遍存在完工时间最短、资源负载均衡、安全规程满足等多重目标要求,使多工序多资源协同调度成为典型的多目标组合优化问题。

2、针对该问题,现有研究主要集中于以下四类方法:其一,分支定界、动态规划等精确算法虽可求得最优解,但计算量随规模呈指数级增长,难以应对工业场景中较大规模的调度问题;其二,遗传算法、粒子群优化、差分进化、蚁群算法等经典元启发式算法在中小规模问题上表现良好,但跳出局部最优能力有限、对问题结构依赖性强,且传统实现多针对连续优化空间设计,算法核心的位置更新机制仍为连续空间操作,缺乏针对离散组合空间的多策略位置更新与变异算子,对调度问题所对应的离散组合空间适配性不足;其三,近年来提出的新型元启发式算法,如河马优化算法(hippopotamus optimization algorithm,ho),其灵感来源于河马的位置更新、防御捕食者与逃离捕食者三种群体行为,在连续优化基准测试中表现良好,但鲜见将其离散化并应用于多工序多资源协同调度的报道,亦鲜见结合图嵌入技术对其初始种群进行语义引导的相关方案;其四,深度强化学习、图神经网络等数据驱动方法中,图神经网络虽能建模任务、工序、资源之间的图结构关系并输出调度状态的语义特征,但现有方案多将其与深度强化学习结合直接输出调度动作,缺乏与元启发式算法的优势互补机制。

3、在优化目标方面,上述方法多以完工时间为单一目标,或仅附加机器总负荷作为第二目标,未将安全风险(如危险工序分散度)纳入多目标优化框架,难以在安全与效率之间取得均衡。

4、在安全约束方面,工业现场普遍存在安全准入限制(例如高危工序不允许分配到特定设备),高危工序在时间维度上过度集中将增加事故风险。然而现有调度方法大多将安全约束简单处理为静态罚函数或予以忽略,未形成机器-工序安全准入硬约束与危险工序分散软约束相结合的两级校验体系,难以保证调度方案在工业现场的安全可执行性。

5、此外,上述方法大多面向静态调度场景,当新任务插入等动态事件发生时,需要对全部工序重新调度,计算开销大、响应速度慢,缺乏冻结-局部重调度机制,难以满足车间现场对调度方案快速调整的需求。

技术实现思路

1、本技术的至少一个实施例提供了一种多工序多资源协同安全调度方法、装置、介质和产品,用于解决现有多工序多资源调度方法离散适配差、缺安全约束、动态响应较慢的问题。

2、为了解决上述技术问题,本技术是这样实现的:

3、第一方面,本技术实施例提供了一种多工序多资源协同安全调度方法,包括:

4、采集包含任务集合、工序集合以及资源集合的属性数据;

5、基于所述属性数据,构建任务-工序-资源的三层异质图,通过图注意力网络对所述三层异质图进行嵌入编码,输出表征调度状态的特征向量;

6、基于所述特征向量生成初始种群,并为所述初始种群配置多策略算子;

7、采用预设河马优化算法,依次执行位置更新、防御捕食者、逃离捕食者三个阶段的迭代优化,生成候选调度解集;

8、对所述候选调度解集执行两级安全校验,筛选得到最优调度方案;所述两级安全校验包括安全准入硬约束校验与危险工序分散软约束校验。

9、可选的,采集包含任务集合、工序集合以及资源集合的属性数据,包括:

10、采集包含任务集合、工序集合以及资源集合的原始属性数据;

11、其中,所述原始属性数据包括各工序对应的可用资源集、各工序在各资源上的基线加工时间、工序-资源的安全准入矩阵以及工序安全等级向量;所述可用资源集为对应工序允许分配的资源编号集合;所述安全准入矩阵用于表征各工序分配至对应资源的许可状态;所述工序安全等级向量用于表征各工序的危险等级,所述危险等级包括危险程度依次增高的第一危险等级、第二危险等级与第三危险等级;

12、其中,所述方法还包括:

13、以所述基线加工时间作为基础特征,结合历史生产数据,训练梯度提升树模型,并利用训练后的所述梯度提升树模型,预测各工序在不同资源上的实际加工时间,得到工序-资源的加工时间矩阵;

14、将所述加工时间矩阵、所述可用资源集、所述安全准入矩阵以及所述工序安全等级向量,作为预处理后的属性数据;所述预处理后的属性数据用于构建所述三层异质图。

15、可选的,基于所述属性数据,构建任务-工序-资源的三层异质图,通过图注意力网络对所述三层异质图进行嵌入编码,输出表征调度状态的特征向量,包括:

16、基于所述任务集合、所述工序集合和所述资源集合,构建所述三层异质图;

17、对所述三层异质图执行节点特征提取与边关系构建;其中,提取的节点特征包括任务优先级向量、工序类型独热编码以及资源能力向量;构建的边关系包括任务-工序包含关系与工序-资源可用加工关系;

18、采用注意力头数为4的两层图注意力网络,对所述三层异质图进行嵌入编码,并按照工序节点执行池化处理,输出表征调度状态的特征向量。

19、可选的,基于所述特征向量生成初始种群,并为所述初始种群配置多策略算子,包括:

20、基于所述特征向量进行抽样并经离散化映射,生成初始个体的工序顺序编码与资源分配编码;

21、在所述初始个体的邻域内经随机扰动生成其余个体,得到所述初始种群;

22、将初始种群划分为支配级、跟随级与探索级;

23、为所述支配级的个体配置跨工序交换算子与关键路径混合变异算子,为所述跟随级的个体配置资源重选算子与跨工序交换算子,为所述探索级的个体按比例混合配置所述跨工序交换算子、所述资源重选算子与所述关键路径混合变异算子;

24、其中,所述跨工序交换算子用于表示在工序顺序编码层随机选取两个不同位置,并交换对应位置处的工序编号;所述资源重选算子用于表示在资源分配编码层随机选取一个位置,并在对应工序的可用资源集内随机替换该位置处的资源编号;所述关键路径混合变异算子用于表示根据当前调度解的解码结果识别关键路径并确定关键工序集合,从所述关键工序集合中随机选取一道工序插入至所述工序顺序编码层的随机位置,并在该工序的可用资源集内重新分配对应的资源编号。

25、可选的,采用预设河马优化算法,依次执行位置更新、防御捕食者、逃离捕食者三个阶段的迭代优化,生成候选调度解集,包括:

26、采用预设河马优化算法执行迭代优化,依次执行位置更新阶段、防御捕食者阶段与逃离捕食者阶段;

27、循环执行所述位置更新阶段、所述防御捕食者阶段与所述逃离捕食者阶段,直至达到预设最大迭代次数,输出非支配解集作为候选调度解集;所述非支配解集由多目标优化下互不支配的调度解构成;

28、其中,所述位置更新阶段包括:对所述支配级的个体,以第一预设概率调用跨工序交换算子、以第一剩余概率调用关键路径混合变异算子,更新个体编码;对所述跟随级的个体,以第二预设概率调用资源重选算子、以第二剩余概率调用跨工序交换算子,更新个体编码;对所述探索级的个体,以均等概率分别调用所述跨工序交换算子、所述资源重选算子与所述关键路径混合变异算子,更新个体编码;

29、所述防御捕食者阶段包括:对当前非支配解集中的每个调度解施加随机工序扰动,生成威胁解;以预设趋近概率初值为基准,按迭代数自适应衰减确定当前趋近概率,依据所述当前趋近概率驱动种群中部分个体向所述威胁解趋近;

30、所述逃离捕食者阶段包括:在所述工序顺序编码层与资源分配编码层构成的双层邻域内,对各个体执行局部搜索,确定所述双层邻域内的局部最优解;基于所述个体当前迭代得到的当前迭代解及所述局部最优解扰动生成候选解,将所述候选解的适应度与所述当前迭代解的适应度进行比较,确定目标解。

31、可选的,对所述候选调度解集执行两级安全校验,筛选得到最优调度方案,包括:

32、对所述候选调度解集中的各候选调度解,依次执行两级安全校验;其中,所述安全准入硬约束校验为:基于所述安全准入矩阵,若候选解中存在工序分配至禁止分配的资源,则将对应候选解的适应度设置为极大惩罚值并予以淘汰;所述危险工序分散软约束校验为:根据所述工序安全等级向量,统计各资源上第三危险等级的工序数量与该资源的总负载时长,计算工序分散度指标;若所述工序分散度指标不满足预设阈值,则将对应罚项纳入适应度计算;

33、确定各所述候选调度解对应的完工时间、资源负载标准差与软约束违例数量;

34、基于所述完工时间、所述资源负载标准差、所述软约束违例数量,结合预设权重系数,构建综合适应度函数;

35、基于所述综合适应度函数,筛选得到所述最优调度方案。

36、可选的,对所述候选调度解集执行两级安全校验,筛选得到最优调度方案后,所述方法还包括:

37、将所述最优调度方案下发至制造执行系统执行;

38、当检测到新任务插入的动态事件时,冻结已完成工序与正在执行工序的资源分配及加工时序,维持对应的调度结果不变;

39、将未启动执行的工序与受所述动态事件影响的异质资源构成局部调度子问题,针对所述局部调度子问题重新构建任务-工序-资源的三层异质图,并重复执行嵌入编码、生成初始种群、迭代优化与两级安全校验的步骤,得到局部最优调度解;

40、将所述局部最优调度解与已冻结的调度部分拼接,生成更新调度方案并下发执行。

41、第二方面,本技术实施例提供了一种多工序多资源协同安全调度装置,包括:

42、采集模块,用于采集包含任务集合、工序集合以及资源集合的属性数据;

43、第一处理模块,用于基于所述属性数据,构建任务-工序-资源的三层异质图,通过图注意力网络对所述三层异质图进行嵌入编码,输出表征调度状态的特征向量;

44、第二处理模块,用于基于所述特征向量生成初始种群,并为所述初始种群配置多策略算子;

45、第三处理模块,用于采用预设河马优化算法,依次执行位置更新、防御捕食者、逃离捕食者三个阶段的迭代优化,生成候选调度解集;

46、第四处理模块,用于对所述候选调度解集执行两级安全校验,筛选得到最优调度方案;所述两级安全校验包括安全准入硬约束校验与危险工序分散软约束校验。

47、第三方面,本技术实施例提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如第一方面中任一项所述方法的步骤。

48、第四方面,本技术实施例提供了一种计算机程序产品,包括计算机指令,所述计算机指令被处理器执行时实现如第一方面中任一项所述方法的步骤。

49、与现有技术相比,本技术实施例提供的多工序多资源协同安全调度方法、装置、介质和产品,采集包含任务集合、工序集合以及资源集合的属性数据;基于属性数据,构建任务-工序-资源的三层异质图,通过图注意力网络对三层异质图进行嵌入编码,输出表征调度状态的特征向量;基于特征向量生成初始种群,并为初始种群配置多策略算子;采用预设河马优化算法,依次执行位置更新、防御捕食者、逃离捕食者三个阶段的迭代优化,生成候选调度解集,并执行两级安全校验,筛选得到最优调度方案;两级安全校验包括安全准入硬约束校验与危险工序分散软约束校验,解决了现有多工序多资源调度方法离散适配差、缺安全约束、动态响应较慢的问题。