一、用Hopfield神经网络解决作业车间调度问题(论文文献综述)
王霄汉,张霖,任磊,谢堃钰,王昆玉,叶飞,陈真[1](2021)在《基于强化学习的车间调度问题研究简述》文中提出强化学习在车间调度上获得了较低的时间响应和较优的模型泛化性。为阐述基于强化学习的车间调度问题整体研究现状,总结当前基于强化学习的调度框架,同时为后续相关研究奠定基础,介绍了车间调度与强化学习的背景,分析了车间调度问题中常用的2种仿真技术,给出了强化学习解决车间调度问题的2种常用架构。此外,针对强化学习在车间调度问题上的应用,指出了现存的一些挑战,并对相关研究进展从直接调度、基于特征表示的调度、以及基于参数搜索的调度3个方面进行了介绍。
钟敬伟,石宇强[2](2021)在《基于DQN的智能工厂作业车间调度》文中提出针对智能工厂中基于数据的作业车间调度问题,提出结合新的复合调度规则和深度强化学习的调度方法。对车间数据进行预处理并得到对应的系统状态,以连续系统状态值为深度强化学习算法的输入,设计4种新的复合调度规则以应对更为复杂和冲突的车间环境,将复合调度规则和其他8种着名调度规则作为候选调度规则,依据贪婪选择策略选择调度规则并存储和更新状态动作值,最终为每次决策选取出最优调度规则。实验验证了结合复合调度规则和深度Q学习网络(Deep Q-Network, DQN)算法,在均衡权重下相比其他着名调度规则以及标准Q学习算法更具优势。
邱斯晨[3](2021)在《熔铸与热处理车间调度问题算法研究》文中研究说明为了实现从制造大国到制造强国的跨越,我国提出了《中国制造2025》十年行动纲领。金属制造业是制造业的重要组成部分。近年来,金属制造业由过去的高增量、大规模的生产方式逐渐转向柔性生产方式,更加注重对市场多样化需求的快速适应。因此,如何有效应对市场多样化需求、如何进一步提高生产效率成为金属制造企业面临的难题。本文对金属制造中的熔铸与热处理车间调度问题进行研究。熔铸和热处理均为金属型材加工的重要工序,在实际生产时面临着排序组合数过大、生产约束较多、生产计划难以制定等问题,导致得出的调度结果很难满足当前实际生产活动的需求。所以需要对车间生产进行科学合理的调度,以缩短订单总完成时间,提高车间生产效率。目前尚缺乏用于求解复杂车间调度问题的成熟算法和模型,因此本文在求解算法上寻求新的尝试,提出了基于深度强化学习的求解算法对熔铸与热处理车间调度问题进行求解。在本研究中,为了使熔铸与热处理车间调度问题更加贴近实际生产,考虑了机器准备时间和批处理两个约束,并以最小化最大完工时间为目标。本文的主要工作如下:首先对熔铸与热处理车间调度问题进行研究,明确问题的目标函数和约束目标,建立熔铸与热处理车间调度问题的数学模型,并设计了解的编码和解码方法。然后分别提出了用于求解熔铸与热处理车间调度问题的端到端算法和改进局部搜索算法。其中端到端算法使用基于编码器-解码器结构的网络模型,并使用带基线的REINFORCE算法对模型进行训练,训练好的端到端模型可以输入问题实例信息直接输出问题的解,具有求解速度快的优点。而改进局部搜索算法则使用基于自注意力机制的网络模型,通过改进的Actor-Critic算法对模型进行训练,训练好的模型可以在迭代搜索过程中对解的选择进行指导,具有较强的全局寻优能力。最后进行实验验证所设计的两个算法的有效性和可行性,并与常见的车间调度算法进行对比,对比实验表明本文所设计的端到端算法虽然其求解效果没有超过传统的元启发式算法但可以在极短时间内给出较优的结果,而改进局部搜索算法则可以在较短时间内获得比传统的元启发式算法更优的结果。两个算法均具有较强的泛化能力,模型一旦训练完成,可以对在同一分布的所有问题实例进行求解,而无须重新进行训练,而且两个算法可以结合使用以进一步提高对问题的求解质量。
马骏,王亚东,蔡国旗,夏琴香,程秀全[4](2021)在《基于智能计算方法的AGV制造车间调度问题研究现状》文中研究指明基于智能制造车间物流系统中AGV的复杂动态调度问题,阐述了智能计算方法在复杂调度技术方面及其在智能制造车间AGV调度的研究应用。对群智能计算、遗传算法、人工神经网络等常见智能计算方法的特性及调度问题应用进行分析。针对群智能计算方法重点探究了粒子群算法、蚁群算法及人工蜂群算法在制造业AGV调度中的应用;结合遗传算法与柔性制造系统生产理念总结了AGV调度研究现状;在人工神经网络方法上,介绍了基于深度学习、强化学习有关的AGV调度问题研究及特点。基于智能计算方法各自计算特点对其在制造车间AGV调度应用进行了探讨,总结了智能计算方法在制造车间关于AGV智能调度的研究的发展趋势,方便未来AGV车间调度系统的技术研究选择合适的算法。
曹立佳,刘洋[5](2021)在《制造车间自动导引车调度新进展》文中研究表明随着制造企业生产自动化程度加深,自动导引车(AGV)成为运输和搬运环节的主角。近年来,制造车间AGV调度主要是建立双目标或多目标函数的优化模型,采用智能优化方法进行求解,其中遗传算法以广度搜索能力强的优势成为当今最常用的算法框架。另外,当今主流的还有混合算法,它使各种算法和算子的优势集中在一起,以得到更好的优化表现。就最新的制造车间AGV调度优化所研究的问题模型进行了归纳和总结,给出了主流的优化结果表现形式,并将求解优化模型主要采用的研究方法分为基于遗传算法框架的算法、其他智能优化方法和其他优化方法三大类进行讨论,在每一大类中提取重要的关键字以及交叉学科词汇进行汇总。在此基础之上总结出当今AGV调度研究中的两点不足之处,并结合当今的热点(大数据、人工智能等)对未来的研究方向提出了几条建议。
李宝帅,叶春明[6](2021)在《深度强化学习算法求解作业车间调度问题》文中指出由于传统车间调度方法实时响应能力有限,难以在复杂调度环境中取得良好效果,提出一种基于深度Q网络的深度强化学习算法。该方法结合了深度神经网络的学习能力与强化学习的决策能力,将车间调度问题视作序列决策问题,用深度神经网络拟合价值函数,将调度状态表示为矩阵形式进行输入,使用多个调度规则作为动作空间,并设置基于机器利用率的奖励函数,不断与环境交互,获得每个决策点的最佳调度规则。通过与智能优化算法、调度规则在标准问题集上的测试对比证明了算法有效性。
李稚,周双牛[7](2022)在《基于GABSO算法的动态柔性作业车间调度问题》文中进行了进一步梳理针对企业生产加工中的动态调度难以求解的问题,首次将头脑风暴优化算法应用于求解动态柔性作业车间调度问题。首先,建立以极小化最大完工时间为目标函数的基于机器故障的重调度模型;然后,依据动态车间调度问题的特点,将遗传算法的思想融入头脑风暴优化算法中,提出自适应的GABSO算法,在迭代过程中,动态调整组间讨论与组内讨论次数,使算法在全局搜索和局部搜索中达到平衡,并且引入POX交叉算子、逆序变异算子和精英保留策略等优秀因子,使该算法高效地解决离散型问题;最后,对作业车间调度基准算例和动态调度实例进行仿真,并与其他算法进行对比,结果表明,GABSO算法有更好的稳定性和鲁棒性。
熊攀[8](2021)在《不确定环境下基于场景构建的作业车间调度方法研究》文中研究说明
李冰[9](2021)在《包材生产智能作业规划关键技术研究与应用》文中研究指明在实际的包材生产过程中有着很多的约束,如何在约束条件下建立合理高效的生产计划是包材生产企业的共同需求。本课题基于A公司包材智能工厂生产线作业管理软件开发的实际需求,对涉及的生产调度、物料管理及物料预测的关键后台技术进行了研究,主要研究内容如下:首先,通过对包材生产线特点的具体分析,确定了生产过程中的约束条件。在此基础上研究并建立了包材产线生产调度模型,结合遗传算法和模拟退火算法思想优化设计了一种混合算法用于该模型的求解。其次,针对企业生产现场的卷料库存保障问题,探究了物料需求计算和库存管理的有关解决方案。物料需求计算方案基于产品BOM清单和企业生产计划进行物料需求数量及时间的计算,基于物料实际需求与库存量差值,探究了缺料采购计划生成机制;对于库存管理,基于基础库存的定量采购模型,探究了采购计划生成机制,保障企业生产卷料的库存量位于安全库存之上。然后,研究建立了包材生产企业主要物料的需求预测模型。分析企业某种物料历史消耗情况,对比三次指数平滑法、ML.NET框架时序算法及ARIMA模型对该物料建模的预测效果,选用三者中有着最好效果的ARIMA预测模型,实现了对物料在一定时间内的需求进行预测,达成一种高效库存管理模式。最后,开发了基于企业需求的物料管理和生产调度测试软件,并进行了生产规划、物料管理及物料预测的功能实现。
张苏雨[10](2021)在《动态作业车间调度规则自动生成方法的研究》文中指出
二、用Hopfield神经网络解决作业车间调度问题(论文开题报告)
(1)论文研究背景及目的
此处内容要求:
首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。
写法范例:
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
(2)本文研究方法
调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。
实证研究法:依据现有的科学理论和实践的需要提出设计。
定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。
定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。
跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。
模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、用Hopfield神经网络解决作业车间调度问题(论文提纲范文)
(1)基于强化学习的车间调度问题研究简述(论文提纲范文)
引言 |
1 背景 |
1.1 车间调度问题 |
1.1.1 车间调度问题建模 |
1.1.2 仿真技术在车间调度问题中的应用 |
1.1.3 车间调度问题的传统解决算法 |
1.2 强化学习 |
1.2.1 基本概念与定义 |
1.2.2 深度强化学习 |
2 两种主要的强化学习调度架构 |
2.1 单智能体架构 |
2.2 多智能体架构 |
3 强化学习车间调度算法简述 |
3.1 直接调度 |
3.2 基于特征表示的调度 |
3.3 基于参数搜索的调度 |
3.4 三类强化学习调度算法的对比 |
4 结论 |
(2)基于DQN的智能工厂作业车间调度(论文提纲范文)
0 引言 |
1 智能工厂作业车间调度问题 |
1.1 调度问题描述 |
1.2 车间系统特征 |
1.3 调度规则 |
1.3.1 单一调度规则 |
1.3.2 复合调度规则1 |
1.3.3 复合调度规则2 |
1.3.4 复合调度规则3 |
1.3.5 复合调度规则4 |
2 DQN算法 |
3 实验 |
3.1 复合调度规则与单一调度规则比较 |
3.2 DQN训练和求解 |
3.3 与通用调度规则进行比较 |
4 结语 |
(3)熔铸与热处理车间调度问题算法研究(论文提纲范文)
致谢 |
摘要 |
ABSTRACT |
1 绪论 |
1.1 研究背景与意义 |
1.2 国内外研究现状 |
1.2.1 车间调度问题的研究现状 |
1.2.2 机器学习方法在组合优化领域的研究现状 |
1.3 本文的研究内容 |
1.4 论文组织结构 |
2 理论基础 |
2.1 车间调度问题 |
2.1.1 车间调度问题的概念 |
2.1.2 车间调度问题的特点 |
2.2 深度学习 |
2.2.1 深度学习的基本概念 |
2.2.2 循环神经网络 |
2.2.3 注意力机制 |
2.2.4 Seq2Seq模型 |
2.3 强化学习 |
2.3.1 强化学习概述 |
2.3.2 马尔科夫决策过程 |
2.3.3 强化学习方法分类 |
2.3.4 基于值函数的学习方法 |
2.3.5 基于策略函数的学习方法 |
2.3.6 演员-评论家算法 |
2.4 本章小结 |
3 熔铸与热处理车间调度问题建模 |
3.1 问题描述 |
3.2 符号及含义 |
3.3 模型建立 |
3.4 编码与解码 |
3.5 本章小结 |
4 求解MHSP的端到端算法设计 |
4.1 引言 |
4.2 模型构建 |
4.2.1 编码器 |
4.2.2 解码器 |
4.3 模型训练 |
4.4 本章小结 |
5 求解MHSP的改进局部搜索算法设计 |
5.1 引言 |
5.2 MDP建模 |
5.3 模型构建 |
5.4 模型训练 |
5.5 算法流程 |
5.6 本章小结 |
6 实验验证 |
6.1 实验环境 |
6.2 实验数据和参数设置 |
6.3 实验结果分析 |
6.4 本章小结 |
7 总结与展望 |
7.1 总结 |
7.2 展望 |
参考文献 |
作者简历及攻读硕士学位期间取得的研究成果 |
学位论文数据集 |
(4)基于智能计算方法的AGV制造车间调度问题研究现状(论文提纲范文)
0 引言 |
1 群智能计算 |
1.1 粒子群优化 |
1.2 蚁群算法 |
1.3 人工蜂群算法 |
1.4 其他群智能算法 |
2 遗传算法 |
3 人工神经网络 |
4 结束语 |
(5)制造车间自动导引车调度新进展(论文提纲范文)
1 AGV调度问题描述 |
2 AGV调度智能优化算法 |
2.1 基于遗传算法框架的算法 |
2.2 其他智能优化方法 |
3 其他AGV调度优化方法 |
4 总结及未来工作 |
(6)深度强化学习算法求解作业车间调度问题(论文提纲范文)
1 基本原理 |
1.1 强化学习 |
1.1.1 马尔可夫决策过程 |
1.1.2 强化学习求解 |
1.2 深度学习 |
1.2.1 深度神经网络 |
1.2.2 神经网络优化方法 |
2 深度强化学习方法 |
2.1 调度问题的转换 |
2.1.1 状态空间 |
2.1.2 动作空间 |
2.1.3 奖励函数 |
2.2 D3QN算法 |
2.2.1 探索与利用 |
2.2.2 算法流程与实施 |
3 实例验证 |
3.1 模型与参数设置 |
3.2 算例实验与分析 |
4 结束语 |
(7)基于GABSO算法的动态柔性作业车间调度问题(论文提纲范文)
1 引言 |
2 DFJSP数学模型的建立 |
2.1 问题描述 |
2.2 符号定义 |
(1)参数 |
(2)决策变量 |
2.3 构建DFJSP模型 |
3 GABSO算法设计 |
3.1 标准头脑风暴优化算法 |
3.2 GABSO算法设计 |
(1)编码设计 |
(2)基于反向学习的种群初始化策略 |
(3)POX交叉算子 |
(4)逆序变异算子 |
(5)GABSO算法的实现 |
4 仿真实验与分析 |
4.1 对测试数据集仿真分析 |
4.2 对DFJSP仿真分析 |
5 结论 |
(9)包材生产智能作业规划关键技术研究与应用(论文提纲范文)
摘要 |
abstract |
1 绪论 |
1.1 研究背景及意义 |
1.2 国内外研究发展现状 |
1.3 主要研究内容 |
1.4 论文组织结构 |
2 课题相关技术概述 |
2.1 平台技术 |
2.2 生产调度问题 |
2.3 遗传算法 |
2.4 模拟退火 |
3 系统总体设计 |
3.1 需求分析 |
3.2 系统功能设计与体系架构 |
3.2.1 系统功能设计 |
3.2.2 系统体系架构 |
3.3 课题关键技术间的逻辑关系 |
4 包材产线生产调度问题研究 |
4.1 包材生产企业生产概述 |
4.1.1 包材产线作业特点 |
4.1.2 包材产线生产过程 |
4.2 包材产线生产调度模型 |
4.2.1 生产调度性能指标 |
4.2.2 生产调度模型描述 |
4.3 生产调度模型求解 |
4.4 FT10 基准问题检验 |
4.5 包材生产车间调度仿真实验 |
4.5.1 包材生产产线实际情况描述 |
4.5.2 仿真实验及结果分析 |
4.6 功能实现与应用 |
4.6.1 数据库设计 |
4.6.2 生产调度的具体实现 |
4.7 本章小结 |
5 物料需求与库存管理 |
5.1 物料需求计算方案 |
5.1.1 BOM结构 |
5.1.2 生产计划 |
5.1.3 物料需求算法流程 |
5.1.4 物料需求缺料采购 |
5.2 库存管理设计方案 |
5.2.1 库存管理概述 |
5.2.2 库存管理方法及模型 |
5.2.3 库存管理的实现 |
5.2.4 基于定量采购模型的卷料采购 |
5.3 物料管理具体实现 |
5.3.1 数据库设计 |
5.3.2 功能设计与实现 |
5.4 本章小结 |
6 物料需求预测 |
6.1 数据获取与分析 |
6.2 物料需求预测模型 |
6.2.1 三次指数平滑模型 |
6.2.2 ML.NET时间序列模型 |
6.2.3 ARIMA模型 |
6.2.4 模型评价与分析 |
6.3 物料预测功能实现 |
6.3.1 物料预测功能实现 |
6.3.2 运行界面效果图 |
6.4 本章小结 |
7 总结与展望 |
7.1 课题总结 |
7.2 课题创新 |
7.3 课题展望 |
致谢 |
参考文献 |
攻读学位期间主要研究成果 |
四、用Hopfield神经网络解决作业车间调度问题(论文参考文献)
- [1]基于强化学习的车间调度问题研究简述[J]. 王霄汉,张霖,任磊,谢堃钰,王昆玉,叶飞,陈真. 系统仿真学报, 2021
- [2]基于DQN的智能工厂作业车间调度[J]. 钟敬伟,石宇强. 现代制造工程, 2021(09)
- [3]熔铸与热处理车间调度问题算法研究[D]. 邱斯晨. 北京交通大学, 2021
- [4]基于智能计算方法的AGV制造车间调度问题研究现状[J]. 马骏,王亚东,蔡国旗,夏琴香,程秀全. 机电工程技术, 2021(08)
- [5]制造车间自动导引车调度新进展[J]. 曹立佳,刘洋. 计算机工程与应用, 2021(21)
- [6]深度强化学习算法求解作业车间调度问题[J]. 李宝帅,叶春明. 计算机工程与应用, 2021(23)
- [7]基于GABSO算法的动态柔性作业车间调度问题[J]. 李稚,周双牛. 系统工程, 2022(01)
- [8]不确定环境下基于场景构建的作业车间调度方法研究[D]. 熊攀. 新疆大学, 2021
- [9]包材生产智能作业规划关键技术研究与应用[D]. 李冰. 西安理工大学, 2021(01)
- [10]动态作业车间调度规则自动生成方法的研究[D]. 张苏雨. 江南大学, 2021