[發明專利]一種生產調度控制方法和裝置

在審

• 申請號: 202010851668.2
• 申請日: 2020-08-21
• 公開（公告）號: CN111950802A
• 公開（公告）日: 2020-11-17
• 發明（設計）人: 祝彥森;孫靖文;孫澤懿;徐凱波
• 申請（專利權）人: 上海明略人工智能（集團）有限公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q10/06;G06Q50/04;G06N3/00
• 代理公司: 北京華夏泰和知識產權代理有限公司 11662
• 代理人: 曾軍;王衛忠

本申請涉及一種生產調度控制方法和裝置，其中，該方法包括：獲取與作業目標量相關聯變量組中多個變量的初始變量值；將每個變量作為一個粒子，利用基于預設參數的粒子群算法計算與每個變量的初始變量值對應的迭代變量值；通過超參數生成模型生成與多個變量的迭代變量值對應的超參數；利用超參數和粒子群算法對作業目標量進行迭代計算，直至作業目標量滿足適應性函數要求，得到與作業目標量相關聯變量組中每個變量的目標變量值。本申請解決了粒子群算法對作業目標量的迭代計算效率較低的技術問題。

技術領域

本申請涉及計算機領域，尤其涉及一種生產調度控制方法和裝置。

背景技術

粒子群算法作為一種典型的啟發式算法被廣泛地應用于復雜優化問題的求解。所謂復雜的優化問題通?？梢灾盖蠼獾臎Q策變量的數量大、維度高，所求解的問題是非凸問題(比如決策變量屬于零一變量，目標函數不是連續可導的)。經典的運籌學算法通常受制于凸優化相關的假設(比如目標函數連續可導)，很難被直接應用去求解這些問題。另外，盡管經典運籌優化算法有較好的最優性保證，但是在實際生產應用環境中，使用者最關心的是能否求取一組優于根據一般經驗所得的解，而不是絕對最優。使用粒子群算法不需要目標函數和決策變量空間的連續可導，所用參數比較少，算法易于實施，比如，基于經驗的解可以最為粒子群算法的初始解進行進一步的迭代改善。同時該算法不需要使用人員對數學，特別是優化理論有深入的理解，因此易于被工程領域的從業人員直接使用來解決各種現實工程問題。

比如，在生產計劃排產領域，決策變量一般可以定義為零一變量(零表示不生產，一表示生產)，變量的維度一般可以包含產品品種、生產時間、生產線等信息，例如產品i在時間t被生產線j所生產。一般生產企業可能要涵蓋數十種不同的品種，若干條生產線，計劃時間精度一般根據不同的要求可以細化到小時(在制定日生產計劃)、或者天(制定周或月生產計劃)，決策變量的數目可能達到成百上千個，即使問題可以被完整正確地模型出來，求解仍然是一個巨大的困難。相類似的模型求解場景在現實工程領域中還有很多，比如，交通運輸規劃、電網運營規劃、設備維護保養計劃等。粒子群算法正好可以被應用在這些具有相似屬性的優化問題的求解，以合理的計算時間求得近似最優解。

粒子群算法中的超參數包括慣性參數、兩個學習率、以及兩個介于零和一之間的隨機數。慣性參數用于設定粒子在本次迭代中的速度受到上一輪迭代速度的影響程度，兩個學習率分別用于調整粒子自身最優位置和整個粒子群最優位置對該粒子速度更新的影響。兩個隨機數分別對粒子自身最優位置和整個粒子群最優位置對該粒子速度調整施加隨機影響。

但傳統的粒子群算法中，慣性參數和學習率參數的取值都是基于經驗的出的，一旦給出后，在整個體算法中迭代中保持固定，并不能保證對粒子群算法迭代有改善作用，無法保證是有效的迭代計算，造成求解速度慢，無法滿足工程、生產要求。

發明內容

本申請提供了一種生產調度控制方法和裝置，以至少解決相關技術中粒子群算法對作業調度目標量的迭代計算效率較低的技術問題。

根據本申請實施例的一個方面，提供了一種生產調度控制方法，包括：

獲取與作業目標量相關聯變量組中多個變量的初始變量值；

將每個變量作為一個粒子，利用基于預設參數的粒子群算法計算與每個變量的初始變量值對應的迭代變量值；

通過超參數生成模型生成與多個所述變量的所述迭代變量值對應的超參數；

利用所述超參數和所述粒子群算法對所述作業目標量進行迭代計算，直至所述作業目標量滿足適應性函數要求，得到與所述作業目標量相關聯變量組中每個所述變量的目標變量值。

可選的，所述方法還包括：