AbstractOptimization of industrial processes such as manufacturing cells can have great impact on their performance. Finding optimal solutions to these large-scale systems is, however, a complex problem. They typically include multiple subsystems, and the search space generally grows exponentially with each subsystem. In previous work we proposed Compositional Optimization as a method to solve these type of problems. This integrates optimization with techniques from compositional supervisory control, dividing the optimization into separate sub-problems. The main purpose is to mitigate the state explosion problem, but a bonus is that the individual sub-problems can be solved using parallel computation, making the method even more scalable. This paper further improves on compositional optimization with a novel synchronization method, called partial time-weighted synchronization (PTWS), that is specifically designed for time-optimal control of asynchronous systems. The benefit is its ability to combine the behaviour of asynchronous subsystems without introducing additional states or transitions. The method also reduces the search space further by integrating an optimization heuristic that removes many non-optimal or redundant solutions already during synchronization. Results in this paper show that compositional optimization efficiently generates global optimal solutions to large-scale realistic optimization problems, too big to solve when based on traditional monolithic models. It is also shown that the introduction of PTWS drastically decreases the total search space of the optimization compared to previous work.

中文翻译：

---

使用组合优化的大规模系统系统的时间优化控制

摘要 制造单元等工业过程的优化对其性能有很大影响。然而，为这些大规模系统寻找最佳解决方案是一个复杂的问题。它们通常包括多个子系统，搜索空间通常随每个子系统呈指数增长。在之前的工作中，我们提出了组合优化作为解决此类问题的方法。这将优化与组合监督控制技术相结合，将优化划分为单独的子问题。主要目的是缓解状态爆炸问题，但好处是可以使用并行计算解决各个子问题，从而使该方法更具可扩展性。本文通过一种新的同步方法进一步改进了组合优化，称为部分时间加权同步 (PTWS)，专为异步系统的时间优化控制而设计。好处是它能够在不引入额外状态或转换的情况下结合异步子系统的行为。该方法还通过集成优化启发式算法进一步减少了搜索空间，该算法在同步过程中已经去除了许多非最优或冗余的解决方案。本文中的结果表明，组合优化有效地为大规模现实优化问题生成全局最优解，基于传统的整体模型时太大而无法解决。还表明，与以前的工作相比，PTWS 的引入大大减少了优化的总搜索空间。专为异步系统的时间优化控制而设计。好处是它能够在不引入额外状态或转换的情况下结合异步子系统的行为。该方法还通过集成优化启发式算法进一步减少了搜索空间，该算法在同步过程中已经去除了许多非最优或冗余的解决方案。本文中的结果表明，组合优化有效地为大规模现实优化问题生成全局最优解，基于传统的整体模型时太大而无法解决。还表明，与以前的工作相比，PTWS 的引入大大减少了优化的总搜索空间。专为异步系统的时间优化控制而设计。好处是它能够在不引入额外状态或转换的情况下结合异步子系统的行为。该方法还通过集成优化启发式算法进一步减少了搜索空间，该算法在同步过程中已经去除了许多非最优或冗余的解决方案。本文中的结果表明，组合优化有效地为大规模现实优化问题生成全局最优解，基于传统的整体模型时太大而无法解决。还表明，与以前的工作相比，PTWS 的引入大大减少了优化的总搜索空间。好处是它能够在不引入额外状态或转换的情况下结合异步子系统的行为。该方法还通过集成优化启发式算法进一步减少了搜索空间，该算法在同步过程中已经去除了许多非最优或冗余的解决方案。本文中的结果表明，组合优化有效地为大规模现实优化问题生成全局最优解，基于传统的整体模型时太大而无法解决。还表明，与以前的工作相比，PTWS 的引入大大减少了优化的总搜索空间。好处是它能够在不引入额外状态或转换的情况下结合异步子系统的行为。该方法还通过集成优化启发式算法进一步减少了搜索空间，该算法在同步过程中已经去除了许多非最优或冗余的解决方案。本文中的结果表明，组合优化有效地为大规模现实优化问题生成全局最优解，基于传统的整体模型时太大而无法解决。还表明，与以前的工作相比，PTWS 的引入大大减少了优化的总搜索空间。该方法还通过集成优化启发式算法进一步减少了搜索空间，该算法在同步过程中已经去除了许多非最优或冗余的解决方案。本文中的结果表明，组合优化有效地为大规模现实优化问题生成全局最优解，基于传统的整体模型时太大而无法解决。还表明，与以前的工作相比，PTWS 的引入大大减少了优化的总搜索空间。该方法还通过集成优化启发式算法进一步减少了搜索空间，该算法在同步过程中已经去除了许多非最优或冗余的解决方案。本文中的结果表明，组合优化有效地为大规模现实优化问题生成全局最优解，基于传统的整体模型时太大而无法解决。还表明，与以前的工作相比，PTWS 的引入大大减少了优化的总搜索空间。