[发明专利]一种用于流程工业的多智能体系统任务调度方法及系统

说明书

本公开提供了一种用于流程工业的多智能体系统任务调度方法及系统，所述方案根据流程工业制造过程特点，基于MAS技术，构建了一个集成多个生产单元的任务调度模型，同时，提出了一种TS_Qlearning算法应用于此模型，形成了一种应用于流程工业的任务控制系统，所述方案能够准确完成复杂的生产任务，实现制造过程的资源优化，从而推动传统的流程工业向智能制造转型。

技术领域

本公开涉及流程工业控制技术领域，尤其涉及一种用于流程工业的多智能体系统任务调度方法及系统。

背景技术

本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。

现代工业越来越依靠数据，同时工业生产中的数据量也开始进入PB级别，这使得工业数据与以往的生产数据对比发生了质的改变。近年来，对多Agent人工智能的研究表明，多Agent人工智能中的多智能体系统理论为智能制造系统的实现提供了可行的技术支持，它也成为制造领域的研究热点之一。

一方面，目前，流程工业制造过程中的多Agent控制模型分为三种类型：集中式，分层式和分布式。发明人发现，集中式存在低容错性且可能容易导致安全问题，一旦中央控制计算机发生故障，它将导致整个系统崩溃；分层式中上层和下层是从属关系，上层和下层有强烈依赖；与集中式和分层式系统相比，分布式系统相对独立，每个子系统都可以实现每个子系统的局部优化,然而，难以实现整个系统的整体优化以，且需要更高的网络和计算能力的需求。

另一方面，任务调度也是多Agent系统的重要内容之一，合理的生产任务调度方案对于提高企业的生产效率的重要作用。Job shop作为生产任务调度问题，它是一个强NP-hard问题，发明人发现，许多研究者将启发式算法应用于求解此类NP-hard难题，但是此类方法存在缺陷，如Q学习算法在求解大规模任务调度时候容易出现陷入局部最优、计算效率低等缺点。

发明内容

本公开为了解决上述问题，提供一种用于流程工业的多智能体系统任务调度方法及系统；所述方案通过将改进的Q学习算法应用于流程工业中的多智能体系统任务调度中，可以获得更优秀的作业序列，从而使多智能体系统的资源得到更合理的调度，降低多智能体的空闲时间。

根据本公开实施例的第一个方面，提供了一种用于流程工业的多智能体系统任务调度方法，包括：

构建面向全过程的智能协同控制模型，该模型由系统Agent通过总线连接各个生产阶段的Agent组成；

获取任务的初始作业序列，以及完成每个作业所需要的现场Agent和执行每个作业所述各个现场Agent所需要的处理时间；

利用TS_QLearning算法求解现场Agent总空闲时间最短的作业序列；

所述智能协同控制模型根据所述作业序列进行任务调度。

进一步的，所述智能系统控制模型为分层结构，上层的系统Agent用于统一资源调度及任务分配，下层的每个车间Agent包括车间控制Agent和若干现场Agent，所述系统Agent通过总线下发任务，每个车间之间相互配合实现任务分解，每个车间通过车间控制Agent将任务分配给现场Agent，现场Agent相互协作完成任务。

进一步的，所述任务调度方法通过最小化所有现场Agent空闲时间的总和，寻找最优的作业序列。

进一步的，所述调度方法需要遵循如下约束：

每个现场Agent一次只能执行一项操作；每项任务的操作一次只能由一个现场Agent执行；一旦在机器上开始操作，就不能中断；在没有完成之前的操作之前，不能执行其他的任务操作；只能由同种类型的机器执行任务操作，并且每个现场Agent的处理时间和可利用的现场Agent的数量是已知的。