-
公开(公告)号：CN112926837B
公开(公告)日：2023-09-12
申请号：CN202110153601.6
申请日：2021-02-04
Applicant: 郑州轻工业大学
IPC: G06Q10/0631 , G06Q50/04 , G06N3/126
Abstract: 本文发明提供一种数据驱动改进遗传算法(AR‑GA)解决作业车间调度问题的方法，有效的解决了传统遗传算法求解作业车间调度问题时，受限于初始种群质量而存在收敛速度慢、易陷入局部最优解等问题。该算法的改进之处在于：在遗传算法种群初始化阶段借助关联规则和组合调度规则获取基因序列中的频繁工序块以及每道工序出现各个基因位置及概率；在交叉阶段根据频繁工序块在待交叉种群中的分布设计了三种不同的交叉方式；变异过程中结合分段海明距离引导子代种群变异，并且在每次迭代后更新频繁工序块的信息。本发明提出的改进算法不仅在求解质量上具有优势，在提高求解效率、稳定性的作业车间调度问题也具有一定的优势。
-
公开(公告)号：CN113792924A
公开(公告)日：2021-12-14
申请号：CN202111084479.8
申请日：2021-09-16
Applicant: 郑州轻工业大学
Abstract: 本发明属于生产计划技术领域，具体涉及一种基于Deep Q‑network深度强化学习的单件作业车间调度方法，包括以下步骤：(1)采用析取图的方法对作业车间调度环境进行建模，将调度决策问题转换为序贯决策问题，建立马尔科夫五元组模型，使用深度强化学习对该模型进行求解；(2)从作业车间调度的析取图环境中提取当前的状态；(3)采用卷积神经网络对动作值函数和目标值函数进行拟合；(4)采用18种启发式调度规则，作为强化学习的代理动作；(5)设计奖励函数对整个调度决策进行评估，使用DQN算法更新动作值函数的权重参数；(6)进行状态转移；(7)目标值函数的网络参数更新；本发明可以快速处理作业车间的调度问题，具有实时性强和灵活性高的优点。
-
公开(公告)号：CN113792924B
公开(公告)日：2024-10-22
申请号：CN202111084479.8
申请日：2021-09-16
Applicant: 郑州轻工业大学
IPC: G06Q10/04 , G06Q50/04 , G06N3/0464 , G06N3/048 , G06N3/092
Abstract: 本发明属于生产计划技术领域，具体涉及一种基于Deep Q‑network深度强化学习的单件作业车间调度方法，包括以下步骤：(1)采用析取图的方法对作业车间调度环境进行建模，将调度决策问题转换为序贯决策问题，建立马尔科夫五元组模型，使用深度强化学习对该模型进行求解；(2)从作业车间调度的析取图环境中提取当前的状态；(3)采用卷积神经网络对动作值函数和目标值函数进行拟合；(4)采用18种启发式调度规则，作为强化学习的代理动作；(5)设计奖励函数对整个调度决策进行评估，使用DQN算法更新动作值函数的权重参数；(6)进行状态转移；(7)目标值函数的网络参数更新；本发明可以快速处理作业车间的调度问题，具有实时性强和灵活性高的优点。
-
公开(公告)号：CN112926837A
公开(公告)日：2021-06-08
申请号：CN202110153601.6
申请日：2021-02-04
Applicant: 郑州轻工业大学
Abstract: 本文发明提供一种数据驱动改进遗传算法(AR‑GA)解决作业车间调度问题的方法，有效的解决了传统遗传算法求解作业车间调度问题时，受限于初始种群质量而存在收敛速度慢、易陷入局部最优解等问题。该算法的改进之处在于：在遗传算法种群初始化阶段借助关联规则和组合调度规则获取基因序列中的频繁工序块以及每道工序出现各个基因位置及概率；在交叉阶段根据频繁工序块在待交叉种群中的分布设计了三种不同的交叉方式；变异过程中结合分段海明距离引导子代种群变异，并且在每次迭代后更新频繁工序块的信息。本发明提出的改进算法不仅在求解质量上具有优势，在提高求解效率、稳定性的作业车间调度问题也具有一定的优势。
-
-
-
Search Results
4
records
(took 0.019 seconds)
