[發(fā)明專利]一種生產(chǎn)調(diào)度控制方法和裝置

在審

• 申請(qǐng)?zhí)枺?/td>: 202010851668.2
• 申請(qǐng)日: 2020-08-21
• 公開（公告）號(hào): CN111950802A
• 公開（公告）日: 2020-11-17
• 發(fā)明（設(shè)計(jì)）人: 祝彥森;孫靖文;孫澤懿;徐凱波
• 申請(qǐng)（專利權(quán)）人: 上海明略人工智能（集團(tuán)）有限公司
• 主分類號(hào): G06Q10/04
• 分類號(hào): G06Q10/04;G06Q10/06;G06Q50/04;G06N3/00
• 代理公司: 北京華夏泰和知識(shí)產(chǎn)權(quán)代理有限公司 11662
• 代理人: 曾軍;王衛(wèi)忠

1.一種生產(chǎn)調(diào)度控制方法，其特征在于，包括：

獲取與作業(yè)目標(biāo)量相關(guān)聯(lián)變量組中多個(gè)變量的初始變量值；

將每個(gè)變量作為一個(gè)粒子，利用基于預(yù)設(shè)參數(shù)的粒子群算法計(jì)算與每個(gè)變量的初始變量值對(duì)應(yīng)的迭代變量值；

通過超參數(shù)生成模型生成與多個(gè)所述變量的所述迭代變量值對(duì)應(yīng)的超參數(shù)；

利用所述超參數(shù)和所述粒子群算法對(duì)所述作業(yè)目標(biāo)量進(jìn)行迭代計(jì)算，直至所述作業(yè)目標(biāo)量滿足適應(yīng)性函數(shù)要求，得到與所述作業(yè)目標(biāo)量相關(guān)聯(lián)變量組中每個(gè)所述變量的目標(biāo)變量值。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述方法還包括：

獲取對(duì)作業(yè)目標(biāo)量進(jìn)行歷史迭代的多個(gè)訓(xùn)練數(shù)據(jù)組，其中，每個(gè)所述訓(xùn)練數(shù)據(jù)組包括：當(dāng)前迭代對(duì)應(yīng)的每個(gè)變量對(duì)應(yīng)的歷史最優(yōu)變量值、所述變量組的當(dāng)前變量值，以及，本次迭代對(duì)應(yīng)粒子群算法的當(dāng)前參數(shù)，所述當(dāng)前參數(shù)包括學(xué)習(xí)率、隨機(jī)參數(shù)、和慣性參數(shù)；

利用多個(gè)所述訓(xùn)練數(shù)據(jù)組對(duì)初始參數(shù)模型進(jìn)行機(jī)器學(xué)習(xí)訓(xùn)練，得到與作業(yè)目標(biāo)量相關(guān)聯(lián)的所述超參數(shù)生成模型。

3.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述獲取對(duì)作業(yè)目標(biāo)量進(jìn)行歷史迭代的多個(gè)所述訓(xùn)練數(shù)據(jù)組包括：

獲取對(duì)作業(yè)目標(biāo)量進(jìn)行歷史迭代時(shí)每次迭代對(duì)應(yīng)的粒子群算法的樣本參數(shù)，以及迭代前后的樣本作業(yè)目標(biāo)量；

將迭代前后的樣本作業(yè)目標(biāo)量的變化滿足預(yù)設(shè)條件的每次迭代過程分別確定為一個(gè)迭代樣本；

分別將每個(gè)所述迭代樣本對(duì)應(yīng)的每個(gè)變量對(duì)應(yīng)的歷史最優(yōu)變量值、所述變量組的當(dāng)前變量值，以及，本次迭代對(duì)應(yīng)粒子群算法的超參數(shù)確定為一個(gè)所述訓(xùn)練數(shù)據(jù)組，得到多個(gè)所述訓(xùn)練數(shù)據(jù)組。

4.根據(jù)權(quán)利要求3所述的方法，其特征在于，將迭代前后的樣本作業(yè)目標(biāo)量的變化滿足預(yù)設(shè)條件的每次迭代過程分別確定為一個(gè)迭代樣本包括：

根據(jù)所述粒子群算法歷史迭代產(chǎn)生的樣本作業(yè)目標(biāo)量計(jì)算所述樣本作業(yè)目標(biāo)量的適應(yīng)性函數(shù)值；

判斷所述粒子群算法一次迭代的第一樣本作業(yè)目標(biāo)量的第一適應(yīng)性函數(shù)值是否小于上一次迭代的第二樣本作業(yè)目標(biāo)量的第二適應(yīng)性函數(shù)值；

在所述第一適應(yīng)性函數(shù)值小于所述第二適應(yīng)性函數(shù)時(shí)，確定所述第一樣本作業(yè)目標(biāo)量滿足所述預(yù)設(shè)條件；

將所述第一樣本作業(yè)目標(biāo)量對(duì)應(yīng)的迭代過程作為一個(gè)迭代樣本。

5.根據(jù)權(quán)利要求2所述的方法，其特征在于，利用所述多個(gè)所述訓(xùn)練數(shù)據(jù)組對(duì)初始模型進(jìn)行機(jī)器學(xué)習(xí)訓(xùn)練包括：

將當(dāng)前迭代對(duì)應(yīng)的每個(gè)變量對(duì)應(yīng)的歷史最優(yōu)變量值、所述變量組的當(dāng)前變量值輸入到所述初始模型；

獲取所述初始參數(shù)模型輸出的超參數(shù)；

基于所述當(dāng)前參數(shù)和所述超參數(shù)對(duì)所述初始參數(shù)模型中的模型參數(shù)進(jìn)行調(diào)整。

6.根據(jù)權(quán)利要求1所述的方法，其特征在于，利用所述超參數(shù)和所述粒子群算法對(duì)所述作業(yè)目標(biāo)量進(jìn)行迭代計(jì)算，直至所述作業(yè)目標(biāo)量滿足適應(yīng)性函數(shù)要求，得到與所述作業(yè)目標(biāo)量相關(guān)聯(lián)變量組中每個(gè)所述變量的目標(biāo)變量值包括：

根據(jù)所述粒子群算法和所述超參數(shù)的當(dāng)前迭代產(chǎn)生的第一作業(yè)目標(biāo)量，計(jì)算與第一作業(yè)目標(biāo)量對(duì)應(yīng)的變量的第一適應(yīng)性函數(shù)值；

根據(jù)所述粒子群算法和所述超參數(shù)的上一次迭代產(chǎn)生的第二作業(yè)目標(biāo)量，并計(jì)算上一次迭代的第二作業(yè)目標(biāo)量對(duì)應(yīng)的第二適應(yīng)性函數(shù)值；

計(jì)算第二適應(yīng)性函數(shù)值與第一適應(yīng)性函數(shù)值的適應(yīng)性函數(shù)差值；

判斷所述適應(yīng)性函數(shù)差值是否小于設(shè)定閾值；

在所述適應(yīng)性函數(shù)差值小于設(shè)定閾值時(shí)，確定所述當(dāng)前迭代產(chǎn)生的第一作業(yè)目標(biāo)量滿足適應(yīng)性函數(shù)要求。

7.一種生產(chǎn)調(diào)度控制裝置，其特征在于，包括：

第一獲取模塊，用于獲取與作業(yè)目標(biāo)量相關(guān)聯(lián)變量組中多個(gè)變量的初始變量值；

第一計(jì)算模塊，用于將每個(gè)變量作為一個(gè)粒子，利用基于預(yù)設(shè)參數(shù)的粒子群算法計(jì)算與每個(gè)變量的初始變量值對(duì)應(yīng)的迭代變量值；

生成模塊，用于通過超參數(shù)生成模型生成與多個(gè)所述變量的所述迭代變量值對(duì)應(yīng)的超參數(shù)；

第二計(jì)算模塊，用于利用所述超參數(shù)和所述粒子群算法對(duì)所述作業(yè)目標(biāo)量進(jìn)行迭代計(jì)算，直至所述作業(yè)目標(biāo)量滿足適應(yīng)性函數(shù)要求，得到與所述作業(yè)目標(biāo)量相關(guān)聯(lián)變量組中每個(gè)所述變量的目標(biāo)變量值。