申请/专利权人:云南师范大学;青岛恒星科技学院
申请日:2023-12-18
公开(公告)日:2024-03-19
公开(公告)号:CN117726119A
主分类号:G06Q10/0631
分类号:G06Q10/0631;G06Q50/04;G06N3/042;G06N3/0464;G06N3/048;G06N3/08
优先权:
专利状态码:在审-实质审查的生效
法律状态:2024.04.05#实质审查的生效;2024.03.19#公开
摘要:本发明属于混合作业车间调度优化技术领域,尤其涉及一种解决分布式混合流水车间组调度的图仿生学习方法。本发明在分布式混合流水车间调度中考虑了组调度约束,确定装配式预制件生产中存在的分布式混合流水组调度问题,然后采用图神经网络架构,用多个专家构成的系统作为监督学习机制,并采用变邻域驱动的强化局部搜索方法对调度方案进行寻优获取最优调度方案。本发明采用一种轻量级编码方式,降低了网络参数量,提升了网络训练和测试的速度。结合监督学习机制可以加速网络学习过程,提升网络训练的收敛能力和模型准确度。
主权项:1.一种解决分布式混合流水车间组调度的图仿生学习方法,其特征在于,包括如下步骤:S1确定装配式预制件生产中存在的分布式混合流水组调度问题、约束条件以及优化目标;S2采用多个专家构成的系统作为监督学习,利用图神经网络架构对S1中的调度问题进行求解得到调度方案;将每个工件的加工时间作为图神经网络的输入特征,通过权重参数映射为工件嵌入量编码;工件之间加工时间的差异量映射为边的嵌入量编码;通过多层嵌入编码映射,形成两类编码方案,即工件编码和图编码;在解码阶段,在每个时间步长,输入图编码和工件编码,可以选定一个未加工工件,选择的过程如下:首先,计算每个工件的兼容度和选择概率,通过Softmax函数选择最佳工件,之后,将所选工件和图编码一起作为下一个时间步长的输入,继续选择后续工件,经过n个步长后,一个完整的调度方案形成;计算调度方案的目标值,并与专家系统的解比较,计算交叉熵损失值,通过梯度下降算法,优化网络模型参数;S3采用变邻域驱动的强化局部搜索方法对调度方案进行寻优获取最优调度方案。
全文数据:
权利要求:
百度查询: 云南师范大学;青岛恒星科技学院 一种解决分布式混合流水车间组调度的图仿生学习方法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。