[发明专利]多站点传送带给料生产加工站系统的优化控制方法

权利要求书

1.多站点传送带给料生产加工站系统的优化控制方法，所述系统包括有传送带，传送带一侧设置有多个加工站点，每个加工站点包括加工主体，临时存放待加工的工件的缓冲库，存放成品工件的储藏库，以及观察获取从传送带上游向加工主体方向传递的、待加工工件的位置信息的前视传感器；特征在于：将每个加工站点看作为一个智能体，多站点传送带给料生产加工站系统看成多智能体系统模型；定义每个加工站点中缓冲库的空余量为其自身状态，多智能体系统模型状态的演化用各站点的缓冲库空余量的变化情况描述，所述缓冲库空余量的取值范围构成各个站点智能体的状态空间；定义每个智能体中前视传感器的前视距离为其行动，前视传感器的可视范围构成行动集；优化目标为选择系统各站点在各个状态下应采取的最优前视距离，即最优控制策略，使得系统在该策略控制下长期运行的工件流失率最小或加工率最大；所述控制方法的主要技术是基于性能势理论和反应扩散思想，定义由反应项和扩散项构成的性能函数，并采用强化学习方法实现系统优化控制策略的在线求解和运行，所述优化控制方法的步骤为：

(1)系统定义及初始化：即定义系统的状态、行动数学模型要素，初始化站点的随机控制策略、各个站点的状态-行动对值函数Q_i(s_i，v_i(s_i))、及相关算法参数，其中Q_i(s_i，v_i(s_i))表示站点i在缓冲库状态s_i时执行行动v_i(s_i)的代价性能值；

(2)系统决策时刻定义：传送带匀速运行，待加工的工件在传送带上按泊松过程随机到达第一个加工站点，定义任意加工站点从传送带上下载一个工件之后的时间、或加工完缓冲库里的一个工件之后的时间为所述加工站点的决策时刻，在每个决策时刻，理论上只存在一个决策站点；

(3)系统优化控制过程：决策站点i根据其当前策略，确定站点执行行动，记录样本数据信息，计算反应项、扩散项及性能函数，并更新其状态-行动对值函数Q_i(s_i，v_i(s_i))，具体步骤如下：

(3.1)在系统决策时刻，查看当前决策站点i对应的缓冲库状态s_i，按站点i的当前随机控制策略确定执行行动v_i(s_i)，并获取样本数据信息；若缓冲库为空，则v_i(s_i)＝∞，加工主体一直等待，直到传送带上有工件到达并将到达的工件下载到缓冲库；若缓冲库已满，则v_i(s_i)＝0，加工主体从缓冲库中取出一个工件进行加工，加工时间服从一般的随机分布；否则，通过前视传感器查看传送带上前方一定距离v_i(s_i)内有无工件，若有工件，则加工主体等待第一个工件到达该站，并下载到缓冲库，不然则直接从缓冲库中取出一个工件进行加工，加工完毕后放入储藏库；以上过程需记录样本数据信息，若决策站点i需等待则记录其等待时间即决策间隔时间w、相邻下游站点i+1的缓冲库空余量s_i+1、自身缓冲库状态s_i，否则记录站点i的工件加工时间τ、决策间隔时间w＝max{v_i(s_i)，τ｝、相邻下游站点i+1的缓冲库空余量s_i+1和自身缓冲库状态s_i；

(3.2)根据样本数据信息<s_i，v_i(s_i)，τ，w，s_i+1>，计算多智能体系统模型的反应项和扩散项，其中，

反应项：定义反映决策站点等待时间的等待代价为反应项，即决策站点在等待过程所付出的代价，若决策站点等待工件到达，反应项记为f₁＝K₁*T_α(w)；若决策站点进行工件加工，记为f₁＝K₁*(T_α(w)-T_α(τ))，其中，K₁为站点的每单位时间的等待代价，α＞0为常数折扣因子，T为一个算子，且对于任意正常数δ＞0，有当α趋向0时，有T₀(δ)＝δ；

扩散项：定义决策站点i与下游相邻站点i+1之间的缓冲库空余量差值为扩散项，即反馈代价项，其表达式为f₂＝K₂*(s_i+1-s_i)*T_α(w)，其中K₂为该相邻两个站点单位缓冲库空余量差值的单位时间反馈代价；

(3.3)根据反应项和扩散项构造多智能体系统模型的性能函数，其表达式为再采用对折扣和平均性能准则统一的连续时间强化学习公式Qi(si,vi(si))=Qi(si,vi(si))+γ(fαi-Tα(w)η~i+e-αwmind∈DQi(si′,d)-Qi(si,vi(si)))]]>进行值函数更新，其中s′₁为系统在缓冲库状态s_i采用行动v_i(s_i)后运行到的下一状态，γ为学习步长，d为行动集D中的任一元素，为站点i的平均代价的估计值，等于当前时刻为止系统运行累积的无折扣代价总和与总运行时间的商；

(3.4)根据站点i的值函数Q_i(s_i，v_i(s_i))，改进其随机控制策略；

(3.5)判断是否满足给定的算法停止条件，若不满足，则转入下一决策阶段，即返回(3.1)执行新的随机控制策略；

(4)若算法停止，则按最终的优化策略控制系统运行，实现系统优化目标。