《不確定環境下數據驅動的柔性調度研究》是依託大連理工大學,由林林擔任項目負責人的面上項目。
基本介紹
- 中文名:不確定環境下數據驅動的柔性調度研究
- 依託單位:大連理工大學
- 項目類別:面上項目
- 項目負責人:林林
項目摘要,結題摘要,
項目摘要
柔性調度是目前智慧型製造系統運作的核心技術。能否在不確定環境下靈活地分配資源、實現生產效率最最佳化,是影響柔性調度套用和推廣的關鍵問題。由於不能有效解決“限制資源分配以避免不確定因素對調度的影響,與高效利用資源相互矛盾”以及“調度模型構建在先,實際生產中的關鍵因素無法導入”等問題,現有模型驅動調度算法無法滿足實際套用需求。本項目首先構建關鍵因素抽取模型與特徵學習模型,抽取影響生產調度的關鍵因素,挖掘關鍵因素變化特徵,降低不確定性因素對調度的影響;然後,將傳統調度最佳化模型轉化為基於機率圖的網路模型,實現對網路模型的訓練將影響調度的關鍵因素變化特徵導入調度模型;最後,將上述關鍵因素抽取模型、特徵學習模型、以及調度網路模型融合為一個多層的深度學習模型,最終實現基於數據驅動的柔性調度方法。本項研究將推動數據分析在調度最佳化研究中發揮更重要的作用,從而為進一步解決涉及工業大數據領域的更多套用問題奠定基礎。
結題摘要
柔性調度是目前智慧型製造系統運作的核心技術。本項目圍繞不確定環境下及大規模柔性調度問題進行了較深入的研究,取得了一系列創新性研究成果。通過機率理論(隨機柔性調度)及模糊理論(模糊柔性調度)對系統中的不確定性進行描述,利用機率圖模型提取關鍵因素,挖掘變數間的關聯關係,降低隨機性對柔性調度的影響。利用挖掘到的關聯關係對決策變數進行分組,將大規模柔性調度的解空間分解為多箇中低規模子問題對應的子解空間,利用協同演化算法提高搜尋效率,縮短搜尋時間。我們提出了以下幾種關鍵技術:(1)針對大規模柔性調度,問題規模增加導致關聯操作放置同組機率降低及算法搜尋性能下降的問題,提出一種分散式協同演化算法。該算法具有增加關聯操作放置同組機率的多次隨機重分組策略及改進的局域搜尋策略;(2)具有先驗知識的不確定柔性調度中,操作的加工時間為通過三角模糊數建模的區間值。針對決策空間中探索與開發不平衡及固定參數有效性下降的問題,提出一種混合式協同演化算法。該算法具有平衡探索與開發時,結合粒子群算法和遺傳算法的編碼轉換機制及提高參數有效性的參數自適應策略;(3)突發的不確定柔性調度中,操作的加工時間為通過機率分布建模的隨機值。針對演化過程中操作間動態的關聯關係及依賴關係影響調度最佳化的問題,提出兩種基於學習的協同演化算法。基於馬爾科夫隨機場分組策略的協同演化算法,在預處理階段,通過構建馬爾科夫隨機場探測操作間的關聯關係;基於貝葉斯最佳化分組策略的協同演化算法,在演化過程中,通過構建貝葉斯網路挖掘操作間的依賴關係。通過探測和挖掘的關聯關係及依賴關係,降低不確定性對柔性調度最佳化的影響。以上成果發表論文16篇,其中期刊論文8篇,會議論文8篇。本項研究推動數據分析在調度最佳化研究中發揮更重要的作用,從而為進一步解決涉及工業大數據領域的更多套用問題奠定基礎。