公开(公告)号：CN108181810A

公开(公告)日：2018-06-19

申请号：CN201711344158.0

申请日：2017-12-15

Applicant: 清华大学

Inventor： 宋士吉 ,  岳凡 ,  张玉利

IPC: G05B13/04

Abstract: 本发明提出一种基于区间不确定性的鲁棒单机调度方法，属于生产调度及运筹学领域。该方法构建单机调度的鲁棒优化模型RSMSP，优化目标为寻找一个最优的工件加工序列，使得该序列在最差场景下的最大等待时间最小。求解时，将模型RSMSP转化为混合线性整数规划模型P；利用两阶段启发式求解算法对模型P进行求解，得到的最优加工序列即为鲁棒单机调度的最优方案。本发明采用区间估计的方式表达不确定参数，首次提出在无限场景集合中识别出有限个可能的最差场景的方法，更加符合生产实际，在信息贫瘠的情况下能够更大限度的降低决策风险，保证系统性能。

公开(公告)号：CN108181810B

公开(公告)日：2020-05-12

申请号：CN201711344158.0

申请日：2017-12-15

Applicant: 清华大学

Inventor： 宋士吉 ,  岳凡 ,  张玉利

IPC: G05B13/04

Abstract: 本发明提出一种基于区间不确定性的鲁棒单机调度方法，属于生产调度及运筹学领域。该方法构建单机调度的鲁棒优化模型RSMSP，优化目标为寻找一个最优的工件加工序列，使得该序列在最差场景下的最大等待时间最小。求解时，将模型RSMSP转化为混合线性整数规划模型P；利用两阶段启发式求解算法对模型P进行求解，得到的最优加工序列即为鲁棒单机调度的最优方案。本发明采用区间估计的方式表达不确定参数，首次提出在无限场景集合中识别出有限个可能的最差场景的方法，更加符合生产实际，在信息贫瘠的情况下能够更大限度的降低决策风险，保证系统性能。

公开(公告)号：CN108596224A

公开(公告)日：2018-09-28

申请号：CN201810324030.6

申请日：2018-04-12

Applicant: 清华大学

Inventor： 宋士吉 ,  万义和 ,  岳凡

IPC: G06K9/62 ,  G06N3/04

CPC classification number: G06K9/6259 ,  G06N3/0445

Abstract: 本发明涉及一种基于半监督学习的孪生超限学习机分类的数据处理方法，属于数据挖掘与处理技术领域。本发明在基于随机特征映射机制的基础上采用两个非平行分类面进行分类的半监督学习算法，将流行正则化、随机特征映射和两个非平行分类面的技术组合起来，解决单分类面在交叉数据等问题上缺陷，并在有奇异点的情况下保证有较强的鲁棒性，同时克服了之前算法在少量有标签样本上无法同时满足泛化能力与计算效率要求的问题。本发明方法，可以在有标签数据较少的情况下，充分挖掘无标签数据所蕴含的信息，非常适用于在高铁、风机等新兴高技术领域的故障诊断中，计算速度快，基本上可做到实时判断，且分类的准确率高。