【技術(shù)實現(xiàn)步驟摘要】
本公開涉及智慧車間調(diào)度相關，具體地說，是涉及一種基于主成分異構(gòu)圖神經(jīng)網(wǎng)絡的作業(yè)車間調(diào)度方法及系統(tǒng)。
技術(shù)介紹
1、本部分的陳述僅僅是提供了與本公開相關的
技術(shù)介紹
信息，并不必然構(gòu)成在先技術(shù)。
2、在現(xiàn)代制造業(yè)中，作業(yè)車間調(diào)度問題(job?shop?scheduling?problem，jssp)是一種經(jīng)典的優(yōu)化問題，廣泛存在于航空、汽車、電子等多個行業(yè)。其目標是通過合理分配工件、工序和機床，優(yōu)化生產(chǎn)計劃，提高資源利用率，縮短生產(chǎn)周期。然而，在分布式柔性車間中，不僅需要分配工件到不同的工廠，還需針對每道工序選擇具體的機床，并確定工序加工的順序和時間。工序的優(yōu)先級、機床的可用性、工件組的切換時間等多種約束進一步增加了問題的復雜性。在多工廠環(huán)境下，還需要確保同一工件的所有工序必須在同一工廠完成，增加了調(diào)度算法的復雜度。
3、專利技術(shù)人在研究中發(fā)現(xiàn)，常規(guī)的優(yōu)化算法(如啟發(fā)式方法、元啟發(fā)式算法)雖然在小規(guī)模實例上可以取得良好性能，但對于大規(guī)模、高復雜度的分布式調(diào)度問題，往往難以在合理時間內(nèi)獲得高質(zhì)量解。傳統(tǒng)算法對多約束、多目標優(yōu)化的適應能力較差，無法充分利用復雜系統(tǒng)中的特征關系。
4、為了解決上述問題，近年來，基于深度學習和強化學習的調(diào)度方法逐漸成為研究熱點。特別是，圖神經(jīng)網(wǎng)絡(graph?neural?network，gnn)在建模復雜關系和高維數(shù)據(jù)上表現(xiàn)出色。然而，現(xiàn)有基于gnn的調(diào)度方法仍存在以下不足：缺乏針對異構(gòu)節(jié)點(如機床、工件、工廠)特性的專門處理，導致特征融合效果不佳。忽視了特征降維和噪聲過
技術(shù)實現(xiàn)思路
1、本公開為了解決上述問題，提出了一種基于主成分異構(gòu)圖神經(jīng)網(wǎng)絡的作業(yè)車間調(diào)度方法及系統(tǒng)，能夠確保最終解的高效性和準確性，克服了傳統(tǒng)基于gnn方法在后續(xù)優(yōu)化機制上的不足，該方法適用于多種類型的分布柔性車間調(diào)度問題，具備高擴展性和適應性。
2、為了實現(xiàn)上述目的，本公開采用如下技術(shù)方案：
3、一個或多個實施例提供了基于主成分異構(gòu)圖神經(jīng)網(wǎng)絡的作業(yè)車間調(diào)度方法，包括如下步驟：
4、確定分布柔性車間的約束條件，以最小化最大完工時間為控制目標，根據(jù)約束條件建立問題模型；
5、獲取車間作業(yè)當前的狀態(tài)，基于圖注意力網(wǎng)絡進行嵌入得到狀態(tài)的嵌入表示，進行融合后基于主成分分析提取關鍵狀態(tài)的嵌入表示；
6、將得到的當前狀態(tài)關鍵狀態(tài)的嵌入表示作為輸入，通過策略網(wǎng)絡對問題模型進行求解，得到每個工序分配到特定機床上的概率分布作為初始解；
7、基于得到的初始解，采用增強的局部搜索啟發(fā)式算法，進行迭代優(yōu)化得到最優(yōu)解。
8、一個或多個實施例提供了基于主成分異構(gòu)圖神經(jīng)網(wǎng)絡的作業(yè)車間調(diào)度系統(tǒng)，包括：
9、模型構(gòu)建模塊：被配置為確定分布柔性車間的約束條件，以最小化最大完工時間為控制目標，根據(jù)約束條件建立問題模型；
10、嵌入模塊：被配置為獲取車間作業(yè)當前的狀態(tài)，基于圖注意力網(wǎng)絡進行嵌入得到狀態(tài)的嵌入表示，進行融合后基于主成分分析提取關鍵狀態(tài)的嵌入表示；
11、策略網(wǎng)絡模塊：被配置為將得到的當前狀態(tài)關鍵狀態(tài)的嵌入表示作為輸入，通過策略網(wǎng)絡對問題模型進行求解，得到每個工序分配到特定機床上的概率分布作為初始解；
12、優(yōu)化模塊：被配置為基于得到的初始解，采用增強的局部搜索啟發(fā)式算法，進行迭代優(yōu)化得到最優(yōu)解。
13、一種電子設備，包括存儲器和處理器以及存儲在存儲器上并在處理器上運行的計算機指令，所述計算機指令被處理器運行時，完成權(quán)利要求上述的基于主成分異構(gòu)圖神經(jīng)網(wǎng)絡的作業(yè)車間調(diào)度方法中的步驟。
14、一種計算機可讀存儲介質(zhì)，用于存儲計算機指令，所述計算機指令被處理器執(zhí)行時，完成上述的基于主成分異構(gòu)圖神經(jīng)網(wǎng)絡的作業(yè)車間調(diào)度方法中的步驟。
15、與現(xiàn)有技術(shù)相比，本公開的有益效果為：
16、本公開通過圖注意力網(wǎng)絡對車間作業(yè)狀態(tài)進行嵌入表示，能夠捕捉車間內(nèi)復雜的節(jié)點關系(如機床、工件、工序之間的關聯(lián))，并有效突出異構(gòu)節(jié)點的特性，利用圖神經(jīng)網(wǎng)絡建模復雜系統(tǒng)關系，有效改善了多目標、多約束情況下的特征融合能力，使調(diào)度模型在大規(guī)模復雜實例中具有更高的性能。主成分分析用于降維處理和噪聲過濾，從高維特征中提取出最具代表性的嵌入信息，提升了嵌入特征的表達能力。策略網(wǎng)絡基于這些關鍵狀態(tài)生成解的概率分布，從而利用深度強化學習在復雜調(diào)度問題中快速生成可行解。最后，結(jié)合增強的局部搜索啟發(fā)式算法，進一步優(yōu)化初始解的質(zhì)量，確保最終解的高效性和準確性，克服了傳統(tǒng)基于gnn方法在后續(xù)優(yōu)化機制上的不足，該方法適用于多種類型的分布柔性車間調(diào)度問題，具備高擴展性和適應性。
17、本公開的優(yōu)點以及附加方面的優(yōu)點將在下面的具體實施例中進行詳細說明。
本文檔來自技高網(wǎng)...【技術(shù)保護點】
1.基于主成分異構(gòu)圖神經(jīng)網(wǎng)絡的作業(yè)車間調(diào)度方法，其特征在于，包括如下步驟：
2.如權(quán)利要求1所述的基于主成分異構(gòu)圖神經(jīng)網(wǎng)絡的作業(yè)車間調(diào)度方法，其特征在于：
3.如權(quán)利要求2所述的基于主成分異構(gòu)圖神經(jīng)網(wǎng)絡的作業(yè)車間調(diào)度方法，其特征在于：采用多層感知器機制進行工序節(jié)點的詞嵌入；
4.如權(quán)利要求2所述的基于主成分異構(gòu)圖神經(jīng)網(wǎng)絡的作業(yè)車間調(diào)度方法，其特征在于：
5.如權(quán)利要求1所述的基于主成分異構(gòu)圖神經(jīng)網(wǎng)絡的作業(yè)車間調(diào)度方法，其特征在于：
6.如權(quán)利要求1所述的基于主成分異構(gòu)圖神經(jīng)網(wǎng)絡的作業(yè)車間調(diào)度方法，其特征在于：
7.如權(quán)利要求1所述的基于主成分異構(gòu)圖神經(jīng)網(wǎng)絡的作業(yè)車間調(diào)度方法，其特征在于：
8.基于主成分異構(gòu)圖神經(jīng)網(wǎng)絡的作業(yè)車間調(diào)度系統(tǒng)，其特征在于，包括：
9.一種電子設備，其特征在于，包括存儲器和處理器以及存儲在存儲器上并在處理器上運行的計算機指令，所述計算機指令被處理器運行時，完成權(quán)利要求1-7任一項所述的基于主成分異構(gòu)圖神經(jīng)網(wǎng)絡的作業(yè)車間調(diào)度方法中的步驟。
10.一種計
...【技術(shù)特征摘要】
1.基于主成分異構(gòu)圖神經(jīng)網(wǎng)絡的作業(yè)車間調(diào)度方法，其特征在于，包括如下步驟：
2.如權(quán)利要求1所述的基于主成分異構(gòu)圖神經(jīng)網(wǎng)絡的作業(yè)車間調(diào)度方法，其特征在于：
3.如權(quán)利要求2所述的基于主成分異構(gòu)圖神經(jīng)網(wǎng)絡的作業(yè)車間調(diào)度方法，其特征在于：采用多層感知器機制進行工序節(jié)點的詞嵌入；
4.如權(quán)利要求2所述的基于主成分異構(gòu)圖神經(jīng)網(wǎng)絡的作業(yè)車間調(diào)度方法，其特征在于：
5.如權(quán)利要求1所述的基于主成分異構(gòu)圖神經(jīng)網(wǎng)絡的作業(yè)車間調(diào)度方法，其特征在于：
6.如權(quán)利要求1所述的基于主成分異構(gòu)圖神經(jīng)網(wǎng)絡的作業(yè)車間調(diào)度方法，其特征在于：
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：李俊青，李佳珂，陳慶達，王源昌，劉祥清，熊文，段培永，田杰，
申請(專利權(quán))人：云南師范大學，
類型：發(fā)明
國別省市：
還沒有人留言評論。發(fā)表了對其他瀏覽者有用的留言會獲得科技券。