岸桥是港口码头前沿的关键装卸设备,其总装过程占制造周期的50%以上,对产品交付意义重大。由于岸桥产品结构复杂,总装过程通常需要协调数十个零部件加工车间的物料配送,频繁、多样、动态的运输任务对外场的车辆调度提出了较高的要求。在总装过程中,物料的拖期可能会对装配的齐套性产生影响,而当装配流程较长时,这种影响可能会被放大进而导致整个产品不能按期交付。论文针对动态任务环境下的车辆指派,以及实时路况下的车辆路径规划进行研究,通过车辆调度优化提高岸桥装配物料运输效率,进而保证产品按期交付。论文的主要工作有:(1)为保证车辆能对运输任务进行有效响应,研究动态环境下的车辆指派方法。针对车辆作为运输瓶颈的实际状况,设计以车辆为决策智能体的分布式强化学习算法。基于车辆指派过程的业务逻辑,建立了描述该过程的马尔科夫决策模型,并对状态、动作、奖励等模型特征进行了相应设计。针对车辆指派过程影响因素多,动态任务导致状态环境复杂的情况,在传统的Q-learning算法的基础上,应用基于神经网络的值函数近似方法,以及基于经验回放的收敛机制对算法进行优化。最终,通过面向问题的强化学习算法设计,实现动态任务环境下的车辆指派优化。(2)为保证车辆在外场的高效运输,研究实时路况下的车辆路径优化方法。针对实际环境中运输路线拥挤的情况,基于Plant Simulation对实时路况进行仿真,并提取拥挤度指标对线路进行描述。结合路线拥挤度信息,以最小行驶时间为优化目标,建立了配送车辆路径优化的数学模型,设计改进粒子群算法实现该数学模型的求解,通过仿真不同问题场景对所提算法进行验证分析。最终,结合仿真模型对实时路况的描述,提高了路径优化算法的时效性,实现了车辆路径的实时优化。(3)以某大型海工制造企业的岸桥总装过程为背景,基于Plant Simulation构建仿真系统对上述方法进行仿真验证。结果表明:论文方法在一定程度上改善了原有“就近用车”、“先到先服务”等调度规则导致的资源调度浪费的现状,实现了以智能化思想为主导的调度决策。综上,本文的研究成果能满足实际企业岸桥装配过程车辆调度的需求,对于提升岸桥装配所需物料的运输效率具有重要意义。