【技術實現步驟摘要】
本專利技術涉及智能排產，更具體地說，它涉及基于人工智能的智能排產方法。
技術介紹
1、在傳統的排產領域中，一般可以抽象分為消費端、規劃端和生產端。規劃端采集消費端的消費數據，根據生產端的產能和若干人為制定的排產邏輯，對消費數據進行處理從而得到制定的排產規劃，以協調消費端和生產端的供需平衡。但是，隨著互聯網經濟的發展，流量經濟帶來的不確定性使得規劃端難以應對流量經濟帶來的供需變化，因此，需要通過人工智能來協助規劃端解決供需關系的不平衡問題。
技術實現思路
1、本專利技術提供基于人工智能的智能排產方法，解決
技術介紹
中提出的技術問題。
2、本專利技術提供了基于人工智能的智能排產方法，應用于消費端、規劃端和生產端，包括：
3、步驟1，獲取消費端的歷史時間段的消費數據、規劃端的若干個排產邏輯以及排產邏輯的優先級和生產端的產能數據；
4、步驟2，構建排產邏輯的漏洞查詢模型，漏洞查詢模型包括優化約束、偽個體和優化函數：
5、基于消費端在歷史時間段的消費數據，生成若干符合優化約束的偽個體，優化約束基于生產端的產能數據構建；
6、基于排產邏輯以及排產邏輯的優先級構建優化函數；
7、步驟3，基于優化函數對偽個體進行篩選，得到若干訓練樣本；
8、步驟4，基于訓練樣本通過強化學習構建優化模型，并將優化模型對規劃端進行替換。
9、進一步的，基于消費端的歷史時間段的消費數據生成若干符合優化約束的偽個體，包括：>
10、按固定時間間隔獲取歷史時間段的消費端的消費數據，每個時刻的消費數據包括：消費產品的類型、每種類型的消費產品的數量；
11、基于歷史時間段內的消費數據，隨機生成若干偽個體；
12、；
13、其中，表示第k個時刻，表示第k個時刻的第種類型的消費產品的數量為，表示第k個時刻的第種類型的消費產品的數量為，表示第k個時刻的第種類型的消費產品的數量為，，表示歷史時間段內的時刻的數量；
14、其中，基于歷史時間段中消費端的第種類型的消費產品的數量的均值，構建第均值范圍，，其中，和分別表示第均值范圍的最小取值和最大取值；的均值在第取值范圍內；以此類推，得到的均值分別在第取值范圍內和第取值范圍內。
15、進一步的，基于生產端的產能數據構建優化約束，包括：
16、產能數據包括：生產設備的類型，每種類型的生產設備的單位時間內的最大負載，每種類型的生產設備的數量，每種類型的生產設備的單位時間內運行成本；
17、基于產能數據，確定優化約束如下：
18、消費產品的保質期為，每種類型的消費產品的單位成本為，單位收益為；任一種類型的消費產品經過后進行無害化處理；
19、的均值；其中，表示第種類型的生產設備的單位時間的最大負載；以此類推，得到的均值以及的均值；
20、對第均值范圍到第取值范圍和對應的優化約束計算交集，得到的均值最終的取值范圍。
21、進一步的，基于排產邏輯以及排產邏輯的優先級構建優化函數，包括：
22、將排產邏輯按照對應的優先級抽象為邏輯流程圖，并將邏輯流程圖作為優化函數；其中，邏輯流程圖包括節點、有向邊和布爾邏輯門，具體如下：
23、將一個排產邏輯映射為邏輯流程圖的一個節點，在相鄰的優先級的節點之間構建從優先級高的節點指向優先級低的節點的有向邊，對優先級高的節點的兩個優先級相同的子節點的有向邊分別建立布爾邏輯門，基于布爾邏輯門激活對應的有向邊。
24、進一步的，基于優化函數對偽數據個體進行篩選，得到訓練樣本，包括：
25、步驟51，基于邏輯流程圖的起始節點按照時間順序輸入偽個體從到時刻的消費數據，并統計最終的成本和收益，將成本和收益的差值作為對應的偽個體的優化函數值；
26、步驟52，保留優化函數值大于預設差值的偽個體，并將剩余的偽個體作為父代進行循環更新，直到達到預設數量的偽個體的優化函數值大于預設差值，則停止更新，將優化函數值大于預設差值的偽個體作為訓練樣本。
27、進一步的，將剩余的偽個體作為父代進行循環更新，包括：
28、對偽個體中的非中的元素進行更新，更新包括第一更新、第二更新和第三更新；
29、第一更新的計算公式如下：
30、；
31、其中，表示更新偽個體，表示父代偽個體，表示任一個優化函數值大于預設差值的偽個體，表示均值為0、標準差為的正態分布中采樣的隨機值，表示噪聲權重，表示0到1的隨機數，表示1到2的隨機數；
32、第二更新的計算公式如下：
33、；
34、其中，表示自然底數，表示求取歐氏距離的操作；
35、第三更新的計算公式如下：
36、；
37、其中，表示所有偽個體中的任一個偽個體。
38、進一步的，基于訓練樣本通過強化學習構建優化模型，包括：
39、步驟71，對邏輯流程圖刪除有向邊和布爾邏輯門，得到m個節點；
40、步驟72，建立r個游走因子，基于強化約束驅動r個游走因子重構得到若干更新流程圖；其中，強化約束包括：
41、對邏輯流程圖中的第一個節點和第m個節點的位置固定；
42、對剩余節點通過隨機串聯或者并聯進行遍歷以構建有向邊；
43、步驟73，對任意多個節點的有向邊的非指向端均為同一節點，則對任意多個節點的有向邊分別構建布爾邏輯門；
44、步驟74，根據步驟51，對r個更新流程圖分別計算所有訓練樣本的成本和收益的平均差值；
45、步驟75，獲取平均差值的中位數，將平均差值小于中位數的游走因子暫停，對平均差值大于中位數的游走因子進行二分裂；
46、步驟76，重復步驟75，直到至少一個更新流程圖的對所有訓練樣本的成本和收益的平均差值小于預設差值，則得到最終的更新流程圖，并將最終的更新流程圖設為優化模型。
47、本專利技術的有益效果在于：通過采集消費端歷史數據、規劃端的排產邏輯及優先級，以及生產端的產能數據，構建排產邏輯漏洞查詢模型，利用優化約束生成偽個體，并通過優化函數對其篩選，生成訓練樣本。隨后，通過強化學習逐步優化和迭代，構建出能夠動態適應供需變化的優化排產模型。本專利技術提升了生產計劃的精確性和靈活性，能夠有效應對復雜的供需不平衡情況，并顯著降低了生產成本和資源浪費，提高了生產端的運行效率，同時實現了消費端需求的快速響應，從而在整體上優化了供需協同效率和經濟效益。
本文檔來自技高網...【技術保護點】
1.基于人工智能的智能排產方法，應用于消費端、規劃端和生產端，其特征在于，包括：
2.根據權利要求1所述的基于人工智能的智能排產方法，其特征在于，基于消費端的歷史時間段的消費數據生成若干符合優化約束的偽個體，包括：
3.根據權利要求2所述的基于人工智能的智能排產方法，其特征在于，基于生產端的產能數據構建優化約束，包括：
4.根據權利要求3所述的基于人工智能的智能排產方法，其特征在于，基于排產邏輯以及排產邏輯的優先級構建優化函數，包括：
5.根據權利要求4所述的基于人工智能的智能排產方法，其特征在于，基于優化函數對偽數據個體進行篩選，得到訓練樣本，包括：
6.根據權利要求5所述的基于人工智能的智能排產方法，其特征在于，將剩余的偽個體作為父代進行循環更新，包括：
7.根據權利要求5所述的基于人工智能的智能排產方法，其特征在于，基于訓練樣本通過強化學習構建優化模型，包括：
【技術特征摘要】
1.基于人工智能的智能排產方法，應用于消費端、規劃端和生產端，其特征在于，包括：
2.根據權利要求1所述的基于人工智能的智能排產方法，其特征在于，基于消費端的歷史時間段的消費數據生成若干符合優化約束的偽個體，包括：
3.根據權利要求2所述的基于人工智能的智能排產方法，其特征在于，基于生產端的產能數據構建優化約束，包括：
4.根據權利要求3所述的基于人工智能的智能排產方法，其特征在于，基...
【專利技術屬性】
技術研發人員：周衛平，
申請(專利權)人：寧波聚軒信息科技有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。