摘 要：本文针对智能RGV的动态调度问题进行了相关研究。主要涉及两个核心问题，第一是CNC对于两道工序的分配，第二是两道不同工序CNC的位置对RGV调度的影响，前者是为了使得两道工序的供求保持平衡，减少无用工序;后者的核心是减少CNC的等待时间。首先在分析两道生产工序对于调度策略的约束后，本文提出了三个约束条件;其次建立总体最短路约束模型，使用改进的粒子群算法（PSO）对最短路进行求解;最后带入相关数据得到工序分配方案。
　　关键词：智能RGV ; 动态调度 ; 粒子群算法
　　引言
　　RGV是一种无人驾驶、能在固定轨道上自由运行的智能车，拥有一个机械手臂，手臂上有两个机械手爪用来完成上下料操作，还携带一个清洗槽用来完成清洗熟料的任务。由8台计算机数控机床（ComputerNumberController，CNC）与1辆轨道式自动引导车（RailGuideVehicle，RGV）、1条RGV直线轨道、1条上料传送带、1条下料传送带组成的智能加工系统需要一个动态调度策略使得RGV完成上下料及清洗作业等任务。
　　1 .筛选CNC
　　首先需要考虑的是如何分配生产工序一以及工序二的CNC数量及位置。针对这个问题，可以采用线性规划的方式来进行优化处理;如果工序一与工序二的总时间差最小，即可认为此时是最优解。
　　如果完成一个熟料需要两道工序，想实现在每班作业中效益的最大化，就应追求完成一个熟料所需要的平均最短时间;核心问题仍然未变：使得CNC的等待时间越短以及RGV的移动时间最短。
　　为了使得CNC的等待时间最短，提出总体最短路规划：
　　定义dpq表示第p台加工工序一的CNC到第q台加工工序二的CNC的距离。为了使RGV花费在路径上的时间最短，要求路径的长度之和最小，得到以下目标函数：
　　约束条件1：同一时间，一个生料只能在一台CNC上进行加工。
　　約束条件2： 同一时间，一台CNC只能加工一个生料的一个工序。
　　约束条件3：后一道工序只能在前一道工序完成后才能开始。
　　2 . 粒子群算法
　　粒子群算法（PSO）是一种利用种群中个体间的信息共享与竞争学习来形成群智能并指导优化搜索的算法。
　　第2步：利用个体粒子和适应度函数，计算粒子的适应度值。
　　第3步：利用更新方程对个体粒子的速度和位置进行重新计算。
　　第4步：比较当前粒子和历史最优粒子的适应度值，若当代粒子的适应度值比历史最优适应度值好，则用当代的替代历史最优适应度值;反之，历史最优适应度值不变。
　　第5步：在历史最优适应度值中选择最小的一个作为全局最优适应度值，优化过程中，若所有的粒子个体的适应度值中最好的优于当代全局适应度值，则更新适应度值，反之，保持全局适应度值不变。
　　第6步：确定优化是否结束。若满足最大优化次数等于50，则优化结束，输出算法的优化结果;若未满足，则继续优化。
　　3 .模型求解
　　步骤一：利用非线性规划求解分别完成两道工序的CNC台数;
　　步骤二：根据工序多余量最低原则，搜索CNC处理工序，安排两种处理两种工序的CNC位置;
　　步骤三：以两点间移动时间为路长，利用粒子群算法确定一条路长以及CNC等待时间最短的路径;
　　步骤四：对RGV按规划路径工作进行仿真，计算出规定工作时间内完成的物料数目。最终模型求解结果如下：
　　表中数字代表第一组物料第一道工序的CNC位置，0代表第二道工序的位置。
　　结论：
　　一个主要由8台CNC与1辆RGV组成的智能加工系统需要一个动态调度策略使得整个系统的效率最高。本文认为调动策略的核心的是追求效益的最大化，在每个生料有两道生产工序且CNC不发生故障的情形下让所有的CNC单位时间内生产出最多的熟料。
　　参考文献：
　　[1]李文，伍铁斌，赵全友，李玲香.改进的混沌粒子群算法在TSP中的应用[J].计算机应用研究，2015，32（07）：2065-2067.
　　[2]薛斐. 基于多层编码的遗传-粒子群融合算法流水线优化控制[D].西安科技大学，2015.