余 娜，何國榮，李培東，馬 馳

(楊凌職業(yè)技術(shù)學(xué)院，陜西 楊凌 712100)

0 引言

智能制造工業(yè)生產(chǎn)調(diào)動(dòng)是指在制造過程中，通過對設(shè)備、生產(chǎn)環(huán)境、生產(chǎn)流程等方面的優(yōu)化，實(shí)現(xiàn)制造系統(tǒng)的高效運(yùn)行和質(zhì)量提升。智能制造工業(yè)生產(chǎn)調(diào)動(dòng)是一個(gè)復(fù)雜的多目標(biāo)優(yōu)化問題，主要涉及到設(shè)備、生產(chǎn)環(huán)境、生產(chǎn)流程等方面的優(yōu)化。隨著智能制造技術(shù)的不斷發(fā)展，生產(chǎn)調(diào)動(dòng)已經(jīng)成為智能制造領(lǐng)域的重要研究方向之一[1]。智能制造工業(yè)生產(chǎn)調(diào)動(dòng)的研究背景主要有制造環(huán)境復(fù)雜、資源配置困難、生產(chǎn)需求多樣和智能技術(shù)的應(yīng)用[2]。其中制造環(huán)境復(fù)雜是指隨著智能制造技術(shù)的不斷發(fā)展，制造環(huán)境日益復(fù)雜，不僅僅需要考慮設(shè)備的配置問題，還要考慮如何保證生產(chǎn)過程中的質(zhì)量和穩(wěn)定性。資源配置困難是指在智能制造工業(yè)中，設(shè)備、生產(chǎn)環(huán)境、生產(chǎn)流程等方面都需要進(jìn)行優(yōu)化，以實(shí)現(xiàn)資源的最優(yōu)配置。生產(chǎn)需求多樣是指在智能制造工業(yè)中，生產(chǎn)需求多樣，不僅需要滿足單一產(chǎn)品的需求，還要滿足多產(chǎn)品、多批次的需求。智能技術(shù)應(yīng)用是指隨著人工智能技術(shù)的不斷發(fā)展，智能制造技術(shù)已經(jīng)開始應(yīng)用于生產(chǎn)調(diào)動(dòng)領(lǐng)域[3]。

綜上所述，智能制造工業(yè)生產(chǎn)調(diào)動(dòng)的研究背景非常復(fù)雜，需要綜合考慮多個(gè)方面的因素，以實(shí)現(xiàn)制造系統(tǒng)的高效運(yùn)行和質(zhì)量提升。許多學(xué)者也著手研究如何利用人工智能算法解決智能制造工業(yè)生產(chǎn)調(diào)動(dòng)問題[4]。國外學(xué)者主要從算法設(shè)計(jì)、算法性能提升和交叉學(xué)科研究等方面進(jìn)行生產(chǎn)調(diào)動(dòng)研究。Shang C等人回顧了應(yīng)用于工業(yè)過程監(jiān)測、控制和優(yōu)化的數(shù)據(jù)分析和機(jī)器學(xué)習(xí)的最新進(jìn)展，特別關(guān)注機(jī)器學(xué)習(xí)模型的可解釋性和功能性。通過分析實(shí)際需求與當(dāng)前研究現(xiàn)狀之間的差距，確定了機(jī)器人學(xué)習(xí)模型在智能制造中的重要意義[5]。國內(nèi)學(xué)者潘俊峰等人提出了一種基于深度學(xué)習(xí)和多Agent協(xié)作的智能制造任務(wù)調(diào)動(dòng)方法，用于求解離散型任務(wù)調(diào)動(dòng)問題[6]。然而，目前國內(nèi)在任務(wù)調(diào)動(dòng)領(lǐng)域的研究仍存在一些不足之處。例如：現(xiàn)有研究大多集中在某一具體的生產(chǎn)調(diào)動(dòng)上，缺乏對整個(gè)制造系統(tǒng)的研究；同時(shí)現(xiàn)有研究方法大多基于傳統(tǒng)知識和經(jīng)驗(yàn)，缺乏對新情況和新技術(shù)的研究等[7]。近年來，模擬退火算法(SA，simulated annealing)因其良好的全局搜索能力和快速的收斂速度而備受關(guān)注。它是一種通過模擬退火過程來尋找最優(yōu)解的優(yōu)化算法。因此，研究基于改進(jìn)SA算法應(yīng)用于智能制造工業(yè)生產(chǎn)調(diào)動(dòng)優(yōu)化中的可行性和優(yōu)勢進(jìn)行分析，并構(gòu)建模型，旨為智能制造工業(yè)生產(chǎn)調(diào)動(dòng)提供一種新的研究思路。

1 基于改進(jìn)SA算法的智能制造工業(yè)車間生產(chǎn)調(diào)動(dòng)模型構(gòu)建

1.1 基于SA算法的智能制造工業(yè)的調(diào)動(dòng)任務(wù)優(yōu)化

SA是一種基于隨機(jī)抽樣的優(yōu)化算法。它通過模擬自然界中熱力學(xué)過程的退火機(jī)制來尋找最優(yōu)解，具有很高的全局搜索能力和快速的收斂速度。在金屬加工鍛造行業(yè)中，所謂的退火，就是將一種金屬材料，加熱到熔化的程度，再進(jìn)行降溫處理，讓它慢慢冷卻，最后變成一種規(guī)則的晶體[8-9]。SA法是模擬金屬退火處理的一種隨機(jī)搜索法，能夠用于解決組合優(yōu)化問題。但是，該方法在求解時(shí)，不僅采用了隨機(jī)搜索的方式，還引入了金屬退火這一自然規(guī)律，使其在求解時(shí)不受初值的影響，并具有漸進(jìn)收斂性，能夠迅速求解出最優(yōu)解，并被證實(shí)為一種基于概率1的全局優(yōu)化方法[10]。研究以局部搜索算法為切入點(diǎn)，在每次運(yùn)算時(shí)，隨機(jī)產(chǎn)生一個(gè)新的狀態(tài)，并按照概率算法標(biāo)準(zhǔn)，以一定的概率接收到新的狀態(tài)，從而使算法獲得全局最優(yōu)解。

在智能制造企業(yè)中，生產(chǎn)調(diào)度任務(wù)的優(yōu)化是一個(gè)非常有意義的研究課題。智能制造工業(yè)指的是運(yùn)用人工智能、物聯(lián)網(wǎng)、大數(shù)據(jù)等技術(shù)，實(shí)現(xiàn)工業(yè)生產(chǎn)的智能化和數(shù)字化，從而提升生產(chǎn)效率和產(chǎn)品質(zhì)量。調(diào)度任務(wù)優(yōu)化是智能制造領(lǐng)域的一項(xiàng)重要課題，涉及到生產(chǎn)計(jì)劃制定、資源配置、裝備調(diào)度等諸多因素。在傳統(tǒng)的調(diào)度優(yōu)化方法中，常用的優(yōu)化算法是遺傳算法和粒子群優(yōu)化算法。該方法具有良好的全局尋優(yōu)能力和快速的收斂性，但是也存在易陷入局部極值等問題。該方法采用了局部尋優(yōu)策略，對局部最優(yōu)解進(jìn)行了不斷地調(diào)整，最終達(dá)到了全局最優(yōu)。為了解決容易陷入局部最優(yōu)的問題，研究對SA算法進(jìn)行了研究，發(fā)現(xiàn)SA算法不僅具有很強(qiáng)的魯棒性，而且還具有很強(qiáng)的局部搜索能力，相對于其它的優(yōu)化搜索方法，它在解決組合優(yōu)化問題方面有很多獨(dú)特的特征和優(yōu)勢[12-13]。首先，SA算法可以在不同的退火溫度下進(jìn)行求解，并且可以進(jìn)行一定的惡意求解，從而避免了陷入局部極值問題。其次，SA算法在修正時(shí)，按照對退火溫度的需求，將退火過程分為相應(yīng)的階段，而在各個(gè)階段中，相應(yīng)的選擇和選擇的標(biāo)準(zhǔn)溫度值都是不一樣的。同時(shí)，該算法的迭代次數(shù)越多，溫度越低。此時(shí)函數(shù)的選擇需要根據(jù)對應(yīng)的收斂速度，溫度下降的函數(shù)可用公式(1)計(jì)算。

(1)

公式(1)中，T0表示算法開始時(shí)的溫度；k表示算法中的迭代次數(shù)。由于函數(shù)隨著溫度的變化出現(xiàn)了緩慢下降，為了快速地模擬算法溫度下降函數(shù)的計(jì)算，通過優(yōu)化，可用公式(2)表示。

(2)

公式(2)中，α表示退火過程中的溫度下降系數(shù)。研究從分子的熱力學(xué)特性出發(fā)，利用物質(zhì)中高能分子的存在幾率較低的特點(diǎn)，使得低溫區(qū)的求解幾率較高，從而使獲得最佳求解的幾率較高。在高溫區(qū)，氣溫迅速降低，并隨時(shí)間逐漸減小，此時(shí)的目標(biāo)函數(shù)可用公式(3)計(jì)算。

f(xk)，1≤k≤n

(3)

公式(3)中，n表示樣本數(shù)量。目標(biāo)函數(shù)與退火過程中系統(tǒng)熵是相對應(yīng)的，目標(biāo)函數(shù)是一個(gè)關(guān)于xk的函數(shù)，f(xk)在解空間中存在著最小值或最大值，而該最值所對應(yīng)的解，就是命題的最優(yōu)解?？捎霉?4)表示。

Δf=f(xk)-f(xk-1)

(4)

公式(4)中，Δf≤0表示目標(biāo)函數(shù)是最優(yōu)解；當(dāng)Δf>0表示目標(biāo)函數(shù)接收了惡化解。SA算法的基本流程圖如圖1所示。

圖1 SA算法的基本流程

1.2 基于改進(jìn)SA算法的智能制造工業(yè)生產(chǎn)調(diào)動(dòng)模型構(gòu)建

智能制造工業(yè)生產(chǎn)調(diào)動(dòng)模型的目標(biāo)是實(shí)現(xiàn)生產(chǎn)過程的優(yōu)化和自動(dòng)化，從而提高生產(chǎn)效率和產(chǎn)品質(zhì)量。在這個(gè)目標(biāo)下，調(diào)動(dòng)模型需要解決生產(chǎn)過程中的多個(gè)問題，如生產(chǎn)計(jì)劃、資源分配、設(shè)備調(diào)動(dòng)等[14]。通過對這些問題的優(yōu)化和控制，可以提高生產(chǎn)效率和產(chǎn)品質(zhì)量，從而實(shí)現(xiàn)更好的經(jīng)濟(jì)效益。由1.1分析可知，傳統(tǒng)的模擬退火算法通常通過隨機(jī)抽樣的方式來生成初始解，并且需要經(jīng)過一段時(shí)間的運(yùn)行才能收斂到最優(yōu)解。它存在著一些缺點(diǎn)，這些缺點(diǎn)主要包括易陷入局部最優(yōu)解、計(jì)算效率低、容易受到外界因素的影響[15-16]。模擬退火算法是一種無偏搜索，但在實(shí)際應(yīng)用中，局部最優(yōu)解可能更容易得到。計(jì)算效率低是指SA算法在大規(guī)模問題中，它的計(jì)算效率較低，難以滿足實(shí)時(shí)性要求。易受外界因素影響是指SA算法依賴于當(dāng)前狀態(tài)，如果外界因素發(fā)生變化，這會對算法的精確度造成影響。這表明SA算法雖然有強(qiáng)大的優(yōu)化能力，但是也必須與精確的制冷計(jì)劃相結(jié)合才能實(shí)現(xiàn)[17]。為了實(shí)現(xiàn)全局收斂，需要有較高的初溫和較慢的退火速度，所以如何提升算法的運(yùn)行效率成為SA算法應(yīng)用中的瓶頸[18-19]。為了克服SA算法的缺點(diǎn)，研究在熱動(dòng)力學(xué)過程方面，引入了一個(gè)新的溫度控制機(jī)制，使得算法能夠更好地適應(yīng)環(huán)境溫度的變化。

在引入新溫度的控制機(jī)制求解過程中，需要根據(jù)不同的命題，分別設(shè)計(jì)相應(yīng)的狀態(tài)產(chǎn)生函數(shù)，使算法的性能得到充分的發(fā)揮。這樣算法不僅需要在解空間中實(shí)現(xiàn)全局尋優(yōu)，而且還需要通過隨機(jī)產(chǎn)生的狀態(tài)與問題的實(shí)際狀態(tài)之間存在某種概率相關(guān)性，從而極大地提升算法的收斂性和求解質(zhì)量[20-21]。因此，研究對SA方法中的狀態(tài)產(chǎn)生函數(shù)作進(jìn)行優(yōu)化，以減小解的搜索空間并加快其收斂性。但是該方法在求解過程中存在著較大的收斂空間而無法達(dá)到全局最優(yōu)的問題，并且容易在較大的范圍內(nèi)陷入局部極值。研究在SA算法中引入了初始溫度和降溫函數(shù)的概念，同時(shí)在算法中引入了加熱機(jī)制。加熱機(jī)制中的初值選取對算法的收斂性和結(jié)果的優(yōu)劣有很大的影響。SA算法的退火過程與金屬的熔點(diǎn)類似，即太高的溫度會導(dǎo)致退火過程中使金屬過早融化，太低的溫度會使金屬不能融化，從而達(dá)不到設(shè)計(jì)的效果[22]。通過上述分析，初始溫度的選擇可以根據(jù)公式(5)。

(5)

公式(5)中，SR0的取值范圍[0.1～0.5]；J0表示目標(biāo)函數(shù)的初始值。若要快速高效的進(jìn)行冷卻，就需要設(shè)計(jì)合適的降溫算法，使其能夠在迅速降溫的同時(shí)，保證收斂概率仍為1到全局最優(yōu)。降溫函數(shù)可用公式(6)計(jì)算。

Tk=α*Tk-1，(0<α<1)

(6)

公式(6)中，Tk-1表示絕對熱度值。升溫機(jī)制表示在算法中完成10次迭代仍然沒有搜索到最優(yōu)解，系統(tǒng)會升高退火的溫度。退火控制溫度的效率和取值與目標(biāo)函數(shù)有關(guān)，退火溫度可用公式(7)表示。

(7)

公式(7)中，k表示迭代次數(shù)；Tk表示升溫機(jī)制工作后的溫度；SRk表示迭代次數(shù)為k時(shí)的對應(yīng)值；Jk表示迭代次數(shù)為k時(shí)的評價(jià)值。經(jīng)改進(jìn)SA算法構(gòu)建的智能制造工業(yè)調(diào)動(dòng)流程圖如圖2所示。

圖2 改進(jìn)SA算法構(gòu)建的生產(chǎn)調(diào)動(dòng)流程圖

2 基于改進(jìn)SA算法的智能制造車間生產(chǎn)任務(wù)調(diào)動(dòng)模型的性能分析

2.1 實(shí)驗(yàn)參數(shù)和模型的應(yīng)用效果分析

為了驗(yàn)證模型算法的性能，研究用MatlabR作為模擬平臺，在Windows10系統(tǒng)中運(yùn)行，采用Intel(R)Core(TM)i7-2450 MCPU@2.50 Ghz(8.0 GB)的存儲空間進(jìn)行模擬。具體的參數(shù)設(shè)定為，種群大小為100，c=0.6，初始溫度為100 ℃，終止溫度為10 ℃，溫度可以降低的最大次數(shù)M=500。在此參數(shù)下運(yùn)行10次，利用GA算法、PSO算法和改進(jìn)GA算法進(jìn)行對比。為了驗(yàn)證模型方法在運(yùn)行過程中的穩(wěn)定性和準(zhǔn)確率，研究利用GA算法、PSO算法和模型算法進(jìn)行對比，通過對比3種算法在自動(dòng)調(diào)動(dòng)過程中的準(zhǔn)確率和F1值來判斷模型算法是否具有優(yōu)越性。同時(shí)為了測試模型算法在數(shù)據(jù)集中的可靠性，實(shí)驗(yàn)隨機(jī)生成了100個(gè)測試樣本，且每個(gè)測試樣本中包含10個(gè)加工工件和1臺機(jī)器，并采用機(jī)器指派規(guī)則，即當(dāng)其它機(jī)器存在加工工件完成的情況時(shí)，系統(tǒng)會將未完成的工件分配到該機(jī)器。利用Matlab對100個(gè)測試樣本進(jìn)行仿真運(yùn)算，將模型算法與現(xiàn)有的傳統(tǒng)算法分別在測試樣本中進(jìn)行運(yùn)行，運(yùn)行10次，并收集運(yùn)行的平均值，用運(yùn)行結(jié)果的平均值去判斷模型方法的性能。圖3表示3種算法在自動(dòng)調(diào)動(dòng)過程中的準(zhǔn)確率和召回率對比圖，此處的召回率表示算法對全局?jǐn)?shù)據(jù)的搜索檢測能力，以判斷數(shù)據(jù)是否存在漏檢的情況，即當(dāng)召回率越高，漏檢的數(shù)據(jù)越少，從而判斷檢測準(zhǔn)確率的可靠性。

圖3 不同算法的準(zhǔn)確率和召回率

由圖3(a)可知，隨著迭代次數(shù)的增加，3種算法的準(zhǔn)確率都在增加，其中模型算法的準(zhǔn)確率最高，其次是PSO算法，效果最差的是GA算法。模型算法的準(zhǔn)確率最大值為94.21%，準(zhǔn)確率平均值為88.12%；PSO算法的準(zhǔn)確率最大值為83.69%，準(zhǔn)確率平均值為78.99%；GA算法的準(zhǔn)確率最大值為70.46%，準(zhǔn)確率平均值為67.58%。模型算法準(zhǔn)確率最大值比PSO算法和GA算法分別高出了10.52%和23.75%，而模型算法的準(zhǔn)確率平均值比PSO算法和GA算法分別高出了9.13%和20.54%。由圖3(b)可知，隨著迭代次數(shù)的增加，3種算法的召回率也都在增加，其中模型算法的召回率最高，其次是PSO算法，效果最差的是GA算法。模型算法的召回率最大值為95.96%，召回率平均值為90.27%；PSO算法的召回率最大值為88.34%，召回率平均值為82.73%；GA算法的召回率最大值為75.23%，召回率平均值為69.97%。模型算法召回率最大值比PSO算法和GA算法分別高出了7.62%和20.73%，而模型算法的召回率平均值比PSO算法和GA算法分別高出了7.54%和20.3%。由此可知，模型算法在自動(dòng)調(diào)動(dòng)過程中的召回率也明顯高于PSO算法和GA算法，具有很高的查全率。為了驗(yàn)證模型方法與真實(shí)值和傳統(tǒng)方法的差異，研究利用F1值去衡量三者之間的差異，結(jié)果如圖4。圖4表示3種算法在自動(dòng)調(diào)動(dòng)過程中的F1值對比圖。

圖4 不同算法的F1值

由圖4可知，3種算法在相同的迭代次數(shù)中的F1值存在著一定的差異，且隨著迭代次數(shù)的增加呈下降趨勢。其中F1值最大的算法是模式算法，其次是PSO算法，最低的是GA算法。圖中模型算法的F1最大值為0.92，F(xiàn)1的平均值為0.89；PSO的F1最大值為0.81，F(xiàn)1的平均值為0.74；GA的F1最大值為0.72，F(xiàn)1的平均值為0.61。模型算法的F1平均值分別比PSO算法和GA算法高出0.15和0.28，且模型算法的F1最大值分別比PSO算法和GA算法高出0.11和0.20。這說明模型算法的F1值均為最優(yōu)，結(jié)合圖5、圖6分析可知，在經(jīng)過仿真實(shí)驗(yàn)的對比后發(fā)現(xiàn)，模型算法的準(zhǔn)確率和F1值均為最優(yōu)的，這說明模型算法的性能比其它兩種算法的性能更加優(yōu)越，具有更好的應(yīng)用價(jià)值。

2.2 基于改進(jìn)SA算法的智能制造生產(chǎn)調(diào)動(dòng)模型的性能分析

為了驗(yàn)證模型的實(shí)際效果，研究利用傳統(tǒng)方法和模型算法與實(shí)際運(yùn)行時(shí)的流經(jīng)時(shí)間方差進(jìn)行對比，圖5表示三者流經(jīng)時(shí)間的方差和拖期時(shí)間方差對比圖。

圖5 傳統(tǒng)方法、模型方法與真實(shí)值的流經(jīng)時(shí)間、拖期時(shí)間方差對比

由圖5(a)可知，傳統(tǒng)方法的流經(jīng)時(shí)間方差與真實(shí)值之間差異較大，傳統(tǒng)方法的流經(jīng)時(shí)間方差最大值為426.19 s2，流經(jīng)時(shí)間方差平均值為263.75 s2。模型方法與真實(shí)值的差距較小，其中模型方法的流經(jīng)時(shí)間方差最大值為182.62 s2，流經(jīng)時(shí)間方差的平均值為129.81 s2；而真實(shí)值的最大流經(jīng)時(shí)間方差為152.99 s2，流經(jīng)方差的平均值為87.57 s2。其中模型方法的流經(jīng)方差最大值比真實(shí)值高出29.63 s2，流經(jīng)方差的平均值高出42.24 s2；傳統(tǒng)方法的流經(jīng)方差最大值比真實(shí)值高出273.2 s2，流經(jīng)方差的平均值高出176.18 s2。這說明傳統(tǒng)方法在自動(dòng)調(diào)動(dòng)的過程中需要花費(fèi)更多的時(shí)間，而模型方法與真實(shí)值相差19.37%，在自動(dòng)調(diào)動(dòng)的過程中能夠節(jié)省較多時(shí)間，相比傳統(tǒng)方法節(jié)省了49.21%的流經(jīng)時(shí)間，體現(xiàn)了模型方法的可靠性。由圖5(b)可知，傳統(tǒng)方法和模型方法的拖期時(shí)間方差與真實(shí)值之間都存在差異，其中傳統(tǒng)方法的差異更大，模型方法的差異也很明顯。傳統(tǒng)方法的拖期時(shí)間方差最大值為361.85 s2，拖期時(shí)間方差平均值為153.68 s2。模型方法與真實(shí)值的差距較小，其中模型方法的拖期時(shí)間方差最大值為98.15 s2，拖期時(shí)間方差的平均值為69.22 s2；而真實(shí)值的最大拖期時(shí)間方差為12.41 s2，拖期方差的平均值為9.56 s2。其中模型方法的拖期方差最大值比真實(shí)值高出85.74 s2，拖期方差的平均值高出59.66 s2；傳統(tǒng)方法的拖期方差最大值比真實(shí)值高出349.44 s2，拖期方差的平均值高出144.12 s2。這說明模型方法和傳統(tǒng)方法在生產(chǎn)調(diào)動(dòng)過程中都存在拖期的情況，其中模型方法與真實(shí)值的差距小一些，且明顯優(yōu)于傳統(tǒng)方法，由此可看出模型方法與傳統(tǒng)方法相比，能夠縮短自動(dòng)調(diào)動(dòng)生產(chǎn)中的拖期時(shí)間，具有更好時(shí)效性。為了驗(yàn)證模型方法在多生產(chǎn)任務(wù)調(diào)動(dòng)中的性能，研究對資源利用率、平均完工時(shí)間和不公平度3個(gè)方面對模型方法、傳統(tǒng)方法和真實(shí)值進(jìn)行統(tǒng)計(jì)和分析，結(jié)果如圖6所示。

圖6 不同任務(wù)下的不公平度、平均完工時(shí)間和資源利用率對比

由圖6(a)可知，在不同任務(wù)數(shù)量下，真實(shí)值、模型方法和傳統(tǒng)方法的不公平度均存在差異，在2個(gè)任務(wù)數(shù)量時(shí)，真實(shí)值、模型方法和傳統(tǒng)方法的不公平度分別為8.96%、12.57%和28.13%；真實(shí)值與模型方法、傳統(tǒng)方法的不公平度相比低3.61%和19.17%，其中模型方法與真實(shí)值的差距僅為3.61%。在3個(gè)任務(wù)數(shù)量時(shí)，真實(shí)值、模型方法和傳統(tǒng)方法的不公平度分別為12.63%、16.84%和32.66%；真實(shí)值與模型方法、傳統(tǒng)方法的不公平度相比低4.21%和20.03%，其中模型方法與真實(shí)值的差距僅為4.21%。在4個(gè)任務(wù)數(shù)量時(shí)，真實(shí)值、模型方法和傳統(tǒng)方法的不公平度分別為17.01%、20.73%和38.23%；真實(shí)值與模型方法、傳統(tǒng)方法的不公平度相比低3.72%和21.22%，其中模型方法與真實(shí)值的差距僅為3.72%。這能夠說明模型方法具有較高的穩(wěn)定性。

由圖6(b)可知，在不同任務(wù)數(shù)量下，真實(shí)值、模型方法和傳統(tǒng)方法的平均完成時(shí)間也存在差異，在2個(gè)任務(wù)數(shù)量時(shí)，真實(shí)值、模型方法和傳統(tǒng)方法的平均完成時(shí)間分別為56.19 min、59.87 min和65.03 min；真實(shí)值與模型方法、傳統(tǒng)方法的平均完成時(shí)間相比低3.68 min和8.84 min，其中模型方法與真實(shí)值的差距僅為3.68 min。在3個(gè)任務(wù)數(shù)量時(shí)，真實(shí)值、模型方法和傳統(tǒng)方法的平均完成時(shí)間分別為65.05 min、69.38 min和73.69 min；真實(shí)值與模型方法、傳統(tǒng)方法的平均完成時(shí)間相比低4.33 min和8.64 min，其中模型方法與真實(shí)值的差距僅為4.33 min。在4個(gè)任務(wù)數(shù)量時(shí)，真實(shí)值、模型方法和傳統(tǒng)方法的平均完成時(shí)間分別為85.33 min、89.92 min和93.81 min；真實(shí)值與模型方法、傳統(tǒng)方法的平均完成時(shí)間相比低4.59 min和8.48 min，其中模型方法與真實(shí)值的差距僅為4.59 min。這能夠說明模型方法與真實(shí)值的完成時(shí)間差距不大，能夠有效地利用時(shí)間，具有較高的可行性。

由圖6(c)可知，在不同任務(wù)數(shù)量下，真實(shí)值、模型方法和傳統(tǒng)方法的平均資源利用率同樣也存在差異，在2個(gè)任務(wù)數(shù)量時(shí)，真實(shí)值、模型方法和傳統(tǒng)方法的平均資源利用率分別為85.71%、83.69%和79.53%；真實(shí)值與模型方法、傳統(tǒng)方法的平均資源利用率相比高出2.02%和6.18%，其中模型方法與真實(shí)值的差距僅為2.02%。在3個(gè)任務(wù)數(shù)量時(shí)，真實(shí)值、模型方法和傳統(tǒng)方法的平均資源利用率分別為80.29%、78.07%和74.21%；真實(shí)值與模型方法、傳統(tǒng)方法的平均資源利用率相比高出2.22%和6.08%，其中模型方法與真實(shí)值的差距僅為2.22%。在4個(gè)任務(wù)數(shù)量時(shí)，真實(shí)值、模型方法和傳統(tǒng)方法的平均資源利用率分別為74.95%、69.94%和65.71%；真實(shí)值與模型方法、傳統(tǒng)方法的平均資源利用率相比高出5.01%和9.24%，其中模型方法與真實(shí)值的差距為5.01%。驗(yàn)證了模型方法具有較強(qiáng)的資源利用能力，防止了資源的浪費(fèi)。

3 結(jié)束語

為了解決智能生產(chǎn)過程中的資源分配等問題，研究構(gòu)建了基于智能制造工業(yè)生產(chǎn)調(diào)動(dòng)模型。研究首先對SA算法進(jìn)行了優(yōu)化，其次利用優(yōu)化后的算法構(gòu)建了生產(chǎn)調(diào)動(dòng)模型，最后通過仿真實(shí)驗(yàn)去驗(yàn)證模式算法的性能。為了驗(yàn)證模型方法在運(yùn)行過程中的穩(wěn)定性和準(zhǔn)確率，研究利用GA算法、PSO算法和模型算法進(jìn)行對比，通過三者的準(zhǔn)確率和F1值來判斷哪種算法的性能更優(yōu)。通過比較發(fā)現(xiàn)3種算法中模型算法的準(zhǔn)確率和F1值均為最佳。實(shí)驗(yàn)結(jié)果表明，改進(jìn)的模擬退火算法在調(diào)動(dòng)優(yōu)化問題中具有一定的優(yōu)勢。在計(jì)算效率方面，改進(jìn)的模擬退火算法比傳統(tǒng)算法有了顯著提高，能夠更快地收斂到最優(yōu)解。同時(shí)在適應(yīng)度函數(shù)方面，改進(jìn)的模擬退火算法能夠更好地捕捉全局最優(yōu)解。在實(shí)際生產(chǎn)調(diào)動(dòng)數(shù)據(jù)集中，利用模型算法、傳統(tǒng)算法與真實(shí)值進(jìn)行比較，發(fā)現(xiàn)模型算法與真實(shí)值之間的差異更小，模型方法與真實(shí)值相差19.37%，相比傳統(tǒng)方法節(jié)省了49.21%的流經(jīng)時(shí)間；模式算法拖期方差平均值高出真實(shí)值59.66 s2；傳統(tǒng)方法拖期方差的平均值比真實(shí)值高出144.12 s2。同時(shí)為了驗(yàn)證模型方法在不同任務(wù)數(shù)量下的性能，研究利用資源利用率、平均完工時(shí)間和不公平度對模型方法進(jìn)行驗(yàn)證，在不同任務(wù)數(shù)量的情況下，模型方法的資源利用率、平均完工時(shí)間和不公平度與真實(shí)值之間的差異很小，驗(yàn)證了模型方法具有較高的可行性，同時(shí)這也表明基于改進(jìn)SA算法的智能化生產(chǎn)調(diào)動(dòng)系統(tǒng)能夠有效解決傳統(tǒng)生產(chǎn)過程中存的產(chǎn)品拖期交付、資源浪費(fèi)等問題，提高生產(chǎn)制造的完成效率，能夠在現(xiàn)有條件下將資源盤活，降低企業(yè)的運(yùn)營成本。但研究中還存在不足之處，由于研究利用的生產(chǎn)數(shù)據(jù)采集具有一定的行業(yè)局限性，未來可以將智能信息采集計(jì)算、生產(chǎn)控制等功能全面結(jié)合起來，完善智能制造工業(yè)生產(chǎn)任務(wù)調(diào)動(dòng)系統(tǒng)。