白煒?shù)叀⊥烤巍↓彿€(wěn) 楊宇琪 袁澤坤

摘要： 針對(duì)目前擾動(dòng)事件一旦發(fā)生，會(huì)對(duì)車(chē)間產(chǎn)生嚴(yán)重的破壞性，因此文章引入案例推理技術(shù)（Case-Based Reasoning，CBR），將以往車(chē)間動(dòng)態(tài)調(diào)度的成功案例進(jìn)行規(guī)范化和標(biāo)準(zhǔn)化處理，構(gòu)建了動(dòng)態(tài)調(diào)度規(guī)范化的成功案例庫(kù)自我完善機(jī)制，實(shí)現(xiàn)了車(chē)間智能調(diào)度的輔助決策，提高了決策過(guò)程的時(shí)效性，為擾動(dòng)下車(chē)間智能調(diào)度策略獲取與輔助決策提供了新的思路。

Abstract： Aiming at that nowdays once a disturbance event occurs， it will greatly destroy the stability of manufacturing system.Therefore， this paper integrates ontology technology and case-based reasoning （CBR）， normalizes and standardizes successful cases of past job-shop dynamic scheduling， and builds a successful case library of dynamic scheduling ontologies. The self-improvement mechanism of the case base realizes the auxiliary decision-making of the intelligent dispatching in the job-shop， improves the timeliness of the decision-making process， and provides new ideas for the intelligent scheduling strategy acquisition and auxiliary decision-making under the disturbance.

關(guān)鍵詞：車(chē)間動(dòng)態(tài)調(diào)度；智能決策；案例推理技術(shù)；車(chē)間擾動(dòng)

Key words： dynamic scheduling；intelligent decision；CBR；production disturbance

中圖分類(lèi)號(hào)：TP18 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1006-4311（2018）32-0259-02

0 引言

在當(dāng)今生產(chǎn)環(huán)境下，車(chē)間制造過(guò)程實(shí)際為極為復(fù)雜的動(dòng)態(tài)非確定性系統(tǒng)，高頻擾動(dòng)會(huì)嚴(yán)重干擾機(jī)加工車(chē)間的穩(wěn)健作業(yè)，比如緊急插單、機(jī)器故障、訂單延遲、交貨期變化等，生產(chǎn)擾動(dòng)可能致使原調(diào)度方案不再適用于實(shí)際生產(chǎn)情形，可能導(dǎo)致原調(diào)度方案可行性降低、甚至失去有效性。因此，如何實(shí)現(xiàn)高頻擾動(dòng)下的機(jī)加工車(chē)間穩(wěn)健作業(yè)成為制造企業(yè)在當(dāng)今時(shí)代的重要課題。

案例推理技術(shù)（Case-Based Reasoning，CBR）是人工智能領(lǐng)域中較新崛起的一種重要的基于知識(shí)的問(wèn)題求解和學(xué)習(xí)方法，利用以前經(jīng)驗(yàn)和具體問(wèn)題情境（案例）下的特定知識(shí)，通過(guò)重用或修改以前解決相似問(wèn)題的方案，將其在新的問(wèn)題情境下重新使用來(lái)解決問(wèn)題。根據(jù)最新的研究發(fā)現(xiàn)，對(duì)于擾動(dòng)事件的決策案例表示缺少一個(gè)統(tǒng)一的認(rèn)識(shí)，若能把擾動(dòng)事件的決策案例整合成統(tǒng)一的表達(dá)方式，不僅能夠減少甚至避免決策錯(cuò)誤，實(shí)現(xiàn)知識(shí)的高效利用，還能對(duì)以后生產(chǎn)擾動(dòng)決策案例的研究提供支持。

1 案例推理技術(shù)

案例推理（CBR）技術(shù)起源美國(guó)耶魯大學(xué)學(xué)者Roger Schank，他認(rèn)為，案例推理基于某個(gè)領(lǐng)域的專(zhuān)業(yè)知識(shí)，可以對(duì)相應(yīng)問(wèn)題進(jìn)行求解和自我學(xué)習(xí)，屬于人工智能領(lǐng)域[1]。它能通過(guò)曾經(jīng)發(fā)生過(guò)的案例解決當(dāng)前的問(wèn)題，并將求解經(jīng)驗(yàn)存儲(chǔ)在案例庫(kù)中，使之可以直接用于將來(lái)的問(wèn)題。

1.1 案例推理技術(shù)簡(jiǎn)介

基于案例的推理（Case-Based Reasoning，CBR）最早由R. Schank[2]教授于1982年首次提出，是人工智能的一個(gè)分支。其中心思路是通過(guò)模擬人的記憶系統(tǒng)，當(dāng)決策者面對(duì)一個(gè)待解決的問(wèn)題是，通常會(huì)將其分析為一個(gè)具體的問(wèn)題，并且通過(guò)思考對(duì)其進(jìn)行分類(lèi)，然后從現(xiàn)有的記憶中尋找具有相同特征的問(wèn)題，接著根據(jù)曾經(jīng)解決這類(lèi)問(wèn)題的知識(shí)經(jīng)驗(yàn)，并結(jié)合當(dāng)前情況來(lái)解決目前所遇到的問(wèn)題[3-4]。案例推理改造系統(tǒng)使其具有自我優(yōu)化且持續(xù)性改進(jìn)的能力。在基本單位為個(gè)體案例的系統(tǒng)中，每個(gè)新案例的擴(kuò)充都是即、對(duì)知識(shí)的一種累積，案例推理系統(tǒng)的解決問(wèn)題能力會(huì)隨著擴(kuò)充變得更為高效。

1.2 案例檢索框架

在案例檢索時(shí)，如果將新問(wèn)題案例與案例庫(kù)中所有歷史案例進(jìn)行一一比對(duì)，案例檢索效率將會(huì)受到很大影響。為提高檢索效率，本文提出了一種案例模塊檢索方法，即用戶(hù)可以設(shè)置過(guò)濾條件，查詢(xún)出候選案例庫(kù)，然后進(jìn)行案例相似度計(jì)算。具體過(guò)程如圖1所示。

2 案例推理研究

改進(jìn)的相似度計(jì)算方法：

對(duì)于針對(duì)車(chē)間系統(tǒng)的案例推理系統(tǒng)，其檢索方法是通過(guò)檢索案例相似度來(lái)實(shí)現(xiàn)的，通過(guò)計(jì)算查詢(xún)案例與檢索案例之間的相似度來(lái)衡量?jī)烧叩南嗨脐P(guān)系，具體地可分為以下兩個(gè)步驟：先求得兩個(gè)案例之間的局部相似度，再計(jì)算二者的全局相似度。

2.1 局部相似度計(jì)算

在計(jì)算局部相似度時(shí)，由于本體技術(shù)的引入，擴(kuò)展了概念間包含的語(yǔ)義關(guān)系，因此在該本體中，將案例的特征屬性分為四種類(lèi)型：數(shù)值型、概念型、字符串型和向量型，對(duì)于常用的數(shù)值型和概念型特征案例，本文給出了不同的相似度計(jì)算公式。

①數(shù)值型案例相似度計(jì)算：

數(shù)值型案例的局部相似度計(jì)算如下述公式所示[6]：

其中 表示數(shù)值型案例局部相似度，Ai和Sj 分別表示案例A的第i個(gè)特征屬性以及案例S的第j個(gè)特征屬性，ai，bi為相應(yīng)的屬性值，ai，bi∈[c，d]，[c，d]為特征屬性的值域。

②概念型案例相似度計(jì)算：

本體中概念之間存在包含關(guān)系，因此可以將本體看成一棵概念樹(shù)，樹(shù)中每個(gè)節(jié)點(diǎn)代表一個(gè)概念或概念的實(shí)例，直接上層節(jié)點(diǎn)表示節(jié)點(diǎn)的父類(lèi)。利用概念樹(shù)，參考相關(guān)研究[7]，可得如下式所示的概念型案例相似度計(jì)算公式：

其中D（i1）表示實(shí)例i1所屬最近的概念類(lèi)，sim（D（i1），D（i2））表示概念型屬性D（i1）和D（i2）的相似度， 表示任意兩個(gè)概念距離其上層節(jié)點(diǎn)最近的共同父概念，Deepth（Di）表示概念Di在概念樹(shù)中的深度。

2.2 全局相似度計(jì)算

將上述各方面的局部相似度進(jìn)行綜合分析，可得出案例的全局相似度如下公式所述：

其中sim（x1，y2）表示案例的局部相似度，sim（C1，C2）表示案例的全局相似度，wi表示第i個(gè)屬性的權(quán)重。

3 實(shí)例驗(yàn)證

文章通過(guò)搜集文獻(xiàn)以及企業(yè)調(diào)研的方式來(lái)獲取30個(gè)實(shí)例進(jìn)行測(cè)試，并分別采用CBR和混合驅(qū)動(dòng)調(diào)度策略?xún)煞N方法進(jìn)行求解，采用決策時(shí)間和準(zhǔn)確度作為評(píng)價(jià)指標(biāo)。

①?zèng)Q策時(shí)間。

決策時(shí)間用來(lái)體現(xiàn)擾動(dòng)事件處理的快速程度，對(duì)于積極響應(yīng)擾動(dòng)事件具有重要作用。如圖2所示為決策時(shí)間比較圖。

②準(zhǔn)確度。準(zhǔn)確度是指采用該方法得出的解決方案與原案例結(jié)果的相似程度，結(jié)合各方法的平均決策時(shí)間和準(zhǔn)確度可得出如表1所示的結(jié)果匯總表。

由圖2可知，CBR的決策時(shí)間明顯低于混合驅(qū)動(dòng)調(diào)度策略決策時(shí)間，說(shuō)明本文所提方法能夠積極快速的響應(yīng)擾動(dòng)事件；并且在準(zhǔn)確度方面，CBR也優(yōu)于混合驅(qū)動(dòng)調(diào)度策略。說(shuō)明將CBR有利于準(zhǔn)確識(shí)別語(yǔ)義信息，有效提高案例檢索的精度，使決策結(jié)果更為準(zhǔn)確。

4 結(jié)語(yǔ)

本文在決策案例的基礎(chǔ)上論述了案例推理的整個(gè)過(guò)程，包括了案例檢索、重用、修正與學(xué)習(xí)。首先詳細(xì)地說(shuō)明了案例相似度的計(jì)算方法；在此基礎(chǔ)上，設(shè)計(jì)了基于相似度理論的案例檢索策略，并以一個(gè)具體的決策案例為例論述了整個(gè)檢索過(guò)程；最后根據(jù)實(shí)際案例，論述了本文利用CBR方法相對(duì)于傳統(tǒng)混合驅(qū)動(dòng)調(diào)度策略具有明顯優(yōu)勢(shì)。

參考文獻(xiàn)：

[1]石浩.基于案例推理的城市應(yīng)急決策支持系統(tǒng)的研究[D].浙江工業(yè)大學(xué)，2005.

[2]SehankR.Dynamie Memory： A Theory of Learning in Computer Sand People[M]. New York： Cambridge University Press， 1982.

[3]胡小鵬.基于案例推理的刑事案件審判決策支持系統(tǒng)[D].上海海事大學(xué)，2007.

[4]侯玉梅，許成媛.基于案例推理法研究綜述[J].燕山大學(xué)學(xué)報(bào)：哲學(xué)社會(huì)科學(xué)版，2012，12（4）：102-108.

[5]Agnar Aamodt， Enric Plaza. Case-Based Reasoning： Foundational Issues Methodological Variations， and System Approaches [J]. AI Communications， 19947（1）：39-59.

[6]趙鋒，何衛(wèi)平，秦忠寶，等.面向產(chǎn)品創(chuàng)新設(shè)計(jì)的廣義專(zhuān)家群體知識(shí)獲取[J].計(jì)算機(jī)集成制造系統(tǒng)，2009，15（9）：1684-1689.

[7]翟敬梅，應(yīng)燦，徐曉.知識(shí)建模和數(shù)據(jù)挖掘融合的粗糙度預(yù)測(cè)新方法[J].計(jì)算機(jī)集成制造系統(tǒng)，2012，18（5）：1046-1053.