基于Anylogic的云制造平台-企业协同调度仿真系统

doi:10.16182/j.issn1004731x.joss.24-0393

系统仿真学报 ›› 2025, Vol. 37 ›› Issue (9): 2225-2241.doi: 10.16182/j.issn1004731x.joss.24-0393

• 论文 • 上一篇

基于Anylogic的云制造平台-企业协同调度仿真系统

王琳煊¹^,², 刘永奎¹^,², 张霖³, 林廷宇⁴^,⁵, 王力翚⁶

^1.西安电子科技大学机电工程学院，陕西西安 710071
^2.西安电子科技大学高性能电子装备机电集成制造全国重点实验室，陕西西安 710071
^3.北京航空航天大学自动化科学与电气工程学院，北京 100191
^4.北京市复杂产品先进制造系统工程技术研究中心，北京 100854
^5.复杂产品智能制造系统技术全国重点实验室，北京 100854
^6.瑞典皇家理工学院生产工程系，斯德哥尔摩 25175

收稿日期:2024-04-16 修回日期:2024-06-15 出版日期:2025-09-18 发布日期:2025-09-22
通讯作者: 刘永奎
第一作者简介:王琳煊(2000-)，女，硕士生，研究方向为云制造调度、深度强化学习。

Anylogic-based Platform-Enterprise Collaborative Scheduling Simulation System for Cloud Manufacturing

Wang Linxuan¹^,², Liu Yongkui¹^,², Zhang Lin³, Lin Tingyu⁴^,⁵, Wang Lihui⁶

^1.School of Mechano-Electronic Engineering, Xidian University, Xi'an 710071, China
^2.State Key Laboratory of Electromechanical Integrated Manufacturing of High-performance Electronic Equipments, Xidian University, Xi'an 710071, China
^3.School of Automation Science and Electrical Engineering, Beihang University, Beijing 100191, China
^4.Beijing Complex Product Advanced Manufacturing Engineering Research Center, Beijing 100854, China
^5.State Key Laboratory of Complex Product Intelligent Manufacturing System Technology, Beijing 100854, China
^6.Department of Production Engineering, KTH Royal Institute of Technology, Stockholm 25175, Sweden

Received:2024-04-16 Revised:2024-06-15 Online:2025-09-18 Published:2025-09-22
Contact: Liu Yongkui

摘要/Abstract

摘要：

针对当前云制造平台与企业协同调度问题研究不足，以及缺乏相关仿真系统对调度策略组合进行可视化仿真等问题，设计并开发了一个支持云制造平台-企业协同调度动态过程可视化的仿真系统。分析了系统多方面需求，提出了一个基于层次型多智能体的可扩展的平台-企业协同调度模型及系统功能架构；结合工业机器人供应链案例，考虑云制造平台层随机选择、时间最优策略以及企业层FIFO (first in first out)、SPT (shortest processing time)、EDD (earliest due date)等策略组合，构建了平台-企业协同调度仿真模型。基于Anylogic进行了系统实现，并通过多组策略组合与用例开展了仿真实验。结果表明：该系统具有制造场景可扩展、仿真过程可视化等功能特点，同时能够对平台层和企业层调度策略组合的性能进行仿真、测试及优化，从而为云制造平台-企业协同调度策略提供了一个仿真环境和验证平台。

关键词: 云制造, 平台-企业协同, 调度, 仿真系统, Anylogic

Abstract:

Aiming at the lack of research on collaborative scheduling between a cloud manufacturing platform and associated enterprises, as well as the lack of simulation systems to simulate scheduling strategy combinations and to visualize dynamic scheduling processes, a simulation system that supports visualization of cloud manufacturing platform-enterprise collaborative dynamic scheduling processes is designed and developed. System requirements are analyzed in detail, and then a scalable platform-enterprise collaborative scheduling model and system functional architecture based on hierarchical multi-agents is proposed. Combined with a case of supply chain of industrial robots, considering random selection, time optimal strategy in the cloud manufacturing platform layer and the combination of FIFO (first in first out), SPT (shortest processing time), EDD (earliest due date) in the enterprise layer, a simulation model of platform-enterprise collaborative scheduling is constructed. The system is implemented based on Anylogic, and simulation experiments are conducted through the combination of multiple strategies and use cases. Simulation experiments indicate that the system has functions of manufacturing scenario scalability and dynamic visualization, and is able to simulate, test and optimize performance of scheduling policy combinations at the platform layer and the enterprise layer, respectively, so as to provide a simulation environment and verification platform for cloud manufacturing platform-enterprise collaborative scheduling strategies.

Key words: cloud manufacturing, platform-enterprise collaboration, scheduling, simulation system, Anylogic

中图分类号:

TP391.9

王琳煊,刘永奎,张霖等 . 基于Anylogic的云制造平台-企业协同调度仿真系统[J]. 系统仿真学报, 2025, 37(9): 2225-2241.

Wang Linxuan,Liu Yongkui,Zhang Lin,et al . Anylogic-based Platform-Enterprise Collaborative Scheduling Simulation System for Cloud Manufacturing[J]. Journal of System Simulation, 2025, 37(9): 2225-2241.

图/表 24

图1

图2

图3

图4

表1

表2

表3

表4

图5

图6

图7

图8

表5

初始化制造资源信息

Sheet	说明	数据
Sheet1	伺服电机制造商参数	$D j, k$ 、 $L j, k$
Sheet2	控制器制造商参数
Sheet3	减速器制造商参数
Sheet4	智能芯片制造商参数
Sheet5	机器人本体制造商参数
Sheet6	产线、设备与资源参数	$p x$ 、 $a t i m e$ 、 $l t i m e$

表5

表6

图9

图10

图11

表7

订单Agent属性

订单	需求量	交货期/s	订单	需求量	交货期/s
$T 1$	6	519.61	$T 9$	1	150.96
$T 2$	8	1 045.33	$T 10$	10	1 110.41
$T 3$	4	538.70	$T 11$	4	392.32
$T 4$	5	670.07	$T 12$	6	733.50
$T 5$	7	927.87	$T 13$	13	1 500.96
$T 6$	3	434.76	$T 14$	11	775.13
$T 7$	2	271.84	$T 15$	12	1 498.04
$T 8$	9	1 144.27

表7

表8

企业Agent、物流Agent与设备Agent属性

企业名称	服务类型	地理位置	初始节拍时间	货车数量	物流速度	流水线速度	升降机速度	零部件/机械臂组装速度	控制系统组装速度	传感器执行器组装速度	调试检验速度
$e 1$	伺服电机	(34.5°N，109.1°E)	20	4	230
$e 2$		(34.8°N，108.5°E)		4	230
$e 3$		(35.0°N，107.6°E)		4	230
$e 4$		33.9°N，108.5°E)		4	230
$e 5$	控制器	(34.3°N，108.9°E)	20	4	230
$e 6$		(34.8°N，107.9°E)		4	230
$e 7$		(35.0°N，109.8°E)		4	230
$e 8$		(33.8°N，108.1°E)		4	230
$e 9$	减速器	(34.8°N，107.3°E)	30	4	230
$e 10$		(34.2°N，107.9°E)		4	230
$e 12$		(33.8°N，109.0°E)		4	230
$e 12$		(35.0°N，108.9°E)		4	230
$e 13$	智能芯片	(34.9°N，109.1°E)	25	4	230
$e 14$		(33.9°N，107.5°E)		4	230
$e 15$		(35.0°N，108.5°E)		4	230
$e 16$		(34.1°N，109.5°E)		4	230
$e 17$	机器人本体	(34.5°N，107.5°E)	126.9			0.225	1	$8 ± 1$	$10 ± 1$	$6 ± 1$	$4 ± 1$
$e 18$		(34.4°N，108.6°E)	129.2			0.225	1
$e 19$		(34.5°N，109.5°E)	126.4			0.225	1
$e 20$		(33.9°N，108.9°E)	126.2			0.225	1

表8

表9

图12

图13

图14

表10

参考文献 24

[1]	Wang Xiaohan, Zhang Lin, Liu Yongkui, et al. Logistics-involved Task Scheduling in Cloud Manufacturing with Offline Deep Reinforcement Learning[J]. Journal of Industrial Information Integration, 2023, 34: 100471.
[2]	Ping Yaoyao, Liu Yongkui, Zhang Lin, et al. Sequence Generation for Multi-task Scheduling in Cloud Manufacturing with Deep Reinforcement Learning[J]. Journal of Manufacturing Systems, 2023, 67: 315-337.
[3]	Liu Saibo, Deng Qianwang, Liu Xiahui, et al. Dual-service Integrated Scheduling of Manufacturing and Logistics for Multiple Tasks in Cloud Manufacturing[J]. Expert Systems with Applications, 2024, 235: 121129.
[4]	Liu Yongkui, Ping Yaoyao, Zhang Lin, et al. Scheduling of Decentralized Robot Services in Cloud Manufacturing with Deep Reinforcement Learning[J]. Robotics and Computer-Integrated Manufacturing, 2023, 80: 102454.
[5]	Yuan Minghai, Cai Xianxian, Zhou Zhuo, et al. Dynamic Service Resources Scheduling Method in Cloud Manufacturing Environment[J]. International Journal of Production Research, 2021, 59(2): 542-559.
[6]	Zhang Han, Li Kai, Chu Chengbin, et al. Parallel Batch Processing Machines Scheduling in Cloud Manufacturing for Minimizing Total Service Completion Time[J]. Computers & Operations Research, 2022, 146: 105899.
[7]	赵秋云, 魏乐, 舒红平. 面向制造任务的云制造虚拟车间构造方法[J]. 计算机应用, 2021, 41(7): 2003-2011.
	Zhao Qiuyun, Wei Le, Shu Hongping. Construction Method of Cloud Manufacturing Virtual Workshop for Manufacturing Tasks[J]. Journal of Computer Applications, 2021, 41(7): 2003-2011.
[8]	Wan Changcheng, Zheng Hualin, Guo Liang, et al. Hierarchical Scheduling for Multi-composite Tasks in Cloud Manufacturing[J]. International Journal of Production Research, 2023, 61(4): 1039-1057.
[9]	Liu Yongkui, Wang Lihui, Wang Yuquan, et al. Multi-agent-based Scheduling in Cloud Manufacturing with Dynamic Task Arrivals[J]. Procedia CIRP, 2018, 72: 953-960.
[10]	Chen Zhen, Zhang Lin, Wang Xiaohan, et al. Cloud-edge Collaboration Task Scheduling in Cloud Manufacturing: An Attention-based Deep Reinforcement Learning Approach[J]. Computers & Industrial Engineering, 2023, 177: 109053.
[11]	Jian Chengfeng, Ping Jing, Zhang Meiyu. A Cloud Edge-based Two-level Hybrid Scheduling Learning Model in Cloud Manufacturing[J]. International Journal of Production Research, 2021, 59(16): 4836-4850.
[12]	Yang Chen, Liao Fangyin, Lan Shulin, et al. Flexible Resource Scheduling for Software-defined Cloud Manufacturing with Edge Computing[J]. Engineering, 2023, 22: 60-70.
[13]	Yuanjun Laili, Wang Xiaohan, Zhang Lin, et al. DSAC-configured Differential Evolution for Cloud-edge-device Collaborative Task Scheduling[J]. IEEE Transactions on Industrial Informatics, 2024, 20(2): 1753-1763.
[14]	北京航空航天大学. 基于多智体的云制造仿真系统和方法: CN201610997856.X[P]. 2017-02-01.
[15]	北京航空航天大学. 一种X语言混合建模平台及建模方法: CN202111027918.1[P]. 2021-11-19.
[16]	北京航空航天大学. 一种X语言混合模型建模系统、方法及存储介质: CN202111027923.2[P]. 2021-11-19.
[17]	付超, 王冬越, 李鑫鑫, 等. 自动化生产线柔性制造过程优化决策仿真平台[J]. 系统仿真学报, 2023, 35(5): 920-935.
	Fu Chao, Wang Dongyue, Li Xinxin, et al. Simulation Platform for Optimization and Decision Making of Flexible Manufacturing Process of Automatic Production Lines[J]. Journal of System Simulation, 2023, 35(5): 920-935.
[18]	刘志峰, 陈伟, 杨聪彬, 等. 基于数字孪生的零件智能制造车间调度云平台[J]. 计算机集成制造系统, 2019, 25(6): 1444-1453.
	Liu Zhifeng, Chen Wei, Yang Congbin, et al. Intelligent Manufacturing Workshop Dispatching Cloud Platform Based on Digital Twins[J]. Computer Integrated Manufacturing Systems, 2019, 25(6): 1444-1453.
[19]	Chen T, Wang Yucheng. Estimating Simulation Workload in Cloud Manufacturing Using a Classifying Artificial Neural Network Ensemble Approach[J]. Robotics and Computer-Integrated Manufacturing, 2016, 38: 42-51.
[20]	赵淳, 张霖, 陶飞, 等. 基于云制造平台企业合作演化仿真系统的设计与实现[C]//第九届中国多智能体系统与控制会议(MASC2013)论文集. 焦作: 中国系统仿真学会, 2014: 1-5.
[21]	张莉, 杨子天, 葛宁, 等. 面向生产计划分析的协同制造过程建模语言及建模仿真系统[J]. 计算机集成制造系统, 2023, 29(5): 1415-1428.
	Zhang Li, Yang Zitian, Ge Ning, et al. Production Plan Analysis Oriented Collaborative Manufacturing Process Modeling Language and Modeling/Simulation System[J]. Computer Integrated Manufacturing Systems, 2023, 29(5): 1415-1428.
[22]	刘永奎, 曾鸣, 张霖, 等. 基于微服务架构的云制造调度仿真系统设计与开发[J]. 系统仿真学报, 2022, 34(4): 700-711.
	Liu Yongkui, Zeng Ming, Zhang Lin, et al. Design and Development of a Simulation System for Scheduling in Cloud Manufacturing Based on Microservice Architecture[J]. Journal of System Simulation, 2022, 34(4): 700-711.
[23]	潘俊浩. 面向工业机器人的云制造仿真服务系统的研究与开发[D]. 厦门: 厦门大学, 2017.
	Pan Junhao. Research and Development of Simulation Service System with Cloud Manufacturing for Industrial Robot[D]. Xiamen: Xiamen University, 2017.
[24]	Chen T, Chiu M C. Development of a Cloud-based Factory Simulation System for Enabling Ubiquitous Factory Simulation[J]. Robotics and Computer-Integrated Manufacturing, 2017, 45: 133-143.

名称	类型	数量	说明
TaskFlow	智能体群	1	订单
MotorResource	智能体群	1	伺服电机资源集
ControllerResource	智能体群	1	控制器资源集
RudecerResource	智能体群	1	减速器资源集
ChipResource	智能体群	1	芯片资源集
RobotResource	智能体群	1	本体制造资源集

Agent	名称	类型	数量	说明
RobotResource的企业Agent	RobotEnt1	单智能体	1	本体制造商1
	RobotEnt2	单智能体	1	本体制造商2
	RobotEnt3	单智能体	1	本体制造商3
	RobotEnt4	单智能体	1	本体制造商4
其余4种资源集企业Agent	MSupplier	智能体群	4	伺服电机供应商
	CSupplier	智能体群	4	控制器供应商
	RSupplier	智能体群	4	减速器供应商
	ChSupplier	智能体群	4	芯片供应商

Agent	名称	类型	数量	说明
设备Agent	ProduceOnCrane	智能体群	3	托盘
	MaterialBatch	智能体群	1	封装机
	AGV	单智能	1	AGV
物流Agent	Truck	智能体群	4	货车
物流Agent	Materials	智能体群	1	加工原料

名称	含义	取值
combobox1	平台调度策略选择	随机/时间最优调度
combobox2-5	企业调度策略选择	FIFO/SPT/EDD
editbox	订单需求数量设置	(1,20)
radio	需求数量生成方式	随机生成/用户设定
button1	提交并产生订单
button2	添加新的调度策略	关联scheduling.txt

平台调度方式	企业调度方式	平台订单制造总周期/h	企业加工总时间/s	企业延误总时间/s	企业加工数量	企业平均完工时间/s	企业平均延误交货期/s	企业节拍时间/s	调度结果
随机调度	FIFO	40.36	1 833.60	5 697.81	31	59.15	183.80	126.25	1—2—3—13
	SPT		2 187.26	1 033.79	16	136.70	129.96	129.95	8—9—12
	EDD		3 191.46	6 193.12	31	102.95	126.01	126.01	4—7—6—10—14
	FIFO		1 102.54	2 524.23	23	47.93	125.92	125.92	5—11—15
时间最优调度	FIFO	22.65	1 561.28	5 191.34	33	47.31	157.31	125.95	2—6—10—15
	SPT		1 662.02	2 996.77	25	66.48	119.87	129.83	3—9—11—4—14
	EDD		1 162.80	3 918.10	24	48.45	163.25	125.97	7—8—13
	FIFO		1 249.56	2 524.23	19	65.77	132.85	126.46	1—5—12

基于Anylogic的云制造平台-企业协同调度仿真系统

Anylogic-based Platform-Enterprise Collaborative Scheduling Simulation System for Cloud Manufacturing

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 24

参考文献 24

相关文章 15

编辑推荐

Metrics

本文评价

Sheet	说明	数据
Sheet1	平台信息	订单、调度及企业部分上传信息
Sheet2	本体制造商1信息	订单、调度及设备信息
Sheet3	本体制造商2信息
Sheet4	本体制造商3信息
Sheet5	本体制造商4信息

用例描述	测试操作	预期效果
企业扩展	在parameter.xlsx /系统平台界面中添加新企业信息	系统生成企业Agent，并在gis中建立可视化图标
添加新调度策略	在scheduling.txt中添加策略代码，实验运行时选择新策略	调度策略添加成功，且该企业按照添加的新策略进行调度
实时修改企业、物流属性	仿真时通过参数设置选项对所需更改参数拉动滑动条或输入编辑框修改	某对象随着参数改变发生相应变换，历史数据及实时数据亦可证明
数据可视化跟随变化且正常运行	参数变更后观测数据分析界面	各类图表和文本根据参数的调整随之变化

[1]	龚峰, 姜涛, 张钦, 刘宇. 有限资源下机群放飞保障流程仿真与优化[J]. 系统仿真学报, 2025, 37(8): 1965-1977.
[2]	段新会, 程泽龙, 张东超, 段晓冲. 考虑需求响应与两阶段P2G的综合能源系统优化调度[J]. 系统仿真学报, 2025, 37(8): 2139-2151.
[3]	纪志成, 全震, 王艳. 基于混合决策机制的自适应生产调度优化与仿真[J]. 系统仿真学报, 2025, 37(7): 1791-1803.
[4]	陈娟, 郑旺, 刘倩倩, 鲁斌. 基于动态储位分配策略的自动化立库多目标优化[J]. 系统仿真学报, 2025, 37(6): 1435-1448.
[5]	顾文斌, 卿洁瑕, 方杰, 刘斯麒. 改进混合优化算法求解多目标IPPS问题[J]. 系统仿真学报, 2025, 37(5): 1197-1209.
[6]	王欣, 崔承刚, 王想想, 朱平. 基于安全强化学习的热电联产机组经济调度策略研究[J]. 系统仿真学报, 2025, 37(4): 968-981.
[7]	杨超, 郑瑞群, 李圳, 张鸿薇, 唐燕群, 李东泽. 面向无人机辅助车联网的并行任务传输与处理优化策略[J]. 系统仿真学报, 2025, 37(3): 635-645.
[8]	张斌, 雷永林, 李群, 高远, 陈永, 朱佳俊, 鲍琛龙. 基于强化学习的导弹突防决策建模研究[J]. 系统仿真学报, 2025, 37(3): 763-774.
[9]	江雨燕, 马宁, 李艳, 甘如美江, 王付宇. 考虑动态预维护与绿色调度的协同优化问题[J]. 系统仿真学报, 2025, 37(2): 362-378.
[10]	任旭阳, 卜旭辉, 尹艳玲, 刘静滑. 基于多策略多目标差分进化算法的风光储系统协调优化调度[J]. 系统仿真学报, 2025, 37(2): 450-461.
[11]	李强, 秦华伟, 乔冰琴, 吴瑞芳. 一种基于模拟植物生长的Web云服务组合优化算法[J]. 系统仿真学报, 2025, 37(2): 462-473.
[12]	李想, 任晓羽, 周永兵, 张剑. 基于改进D3QN算法的随机工时下柔性综合调度问题研究[J]. 系统仿真学报, 2025, 37(2): 474-486.
[13]	刁小龙. 基于存储点联合调度的社区无人车配送问题研究[J]. 系统仿真学报, 2025, 37(1): 284-298.
[14]	刘卫亮, 闫倩文, 张启亮, 刘帅, 刘长良, 康佳垚, 王昕. 基于虚拟电厂区间主从博弈的车网互动优化调度[J]. 系统仿真学报, 2024, 36(7): 1559-1572.
[15]	蒋权, 魏静萱. 用于动态柔性作业车间调度的实时调度方法[J]. 系统仿真学报, 2024, 36(7): 1609-1620.