[發明專利]基于Q-learning和GA的多目標柔性作業車間調度自學習方法

有效

• 申請號: 202110383136.5
• 申請日: 2021-04-09
• 公開（公告）號: CN113034026B
• 公開（公告）日: 2023-10-24
• 發明（設計）人: 常鏡洳;康玲;張明會;石冬凌;彭鈺瑩;邱謙
• 申請（專利權）人: 大連東軟信息學院
• 主分類號: G06Q10/063
• 分類號: G06Q10/063;G06Q10/04;G06Q50/04;G06N3/126
• 代理公司: 大連至誠專利代理事務所(特殊普通合伙) 21242
• 代理人: 張海燕;謝冰

1.基于Q-learning和GA的多目標柔性作業車間調度自學習方法，其特征在于，包括：

S1、建立柔性作業車間調度模型及其約束條件；

S2、初始化遺傳算法基本參數；根據所述遺傳算法的分段編碼規則，并根據所述基本參數進行染色體種群初始化；

S3、對各染色體支配關系進行分類劃定帕累托階層，計算同一帕累托階層內各染色體之間的擁擠距離，根據染色體所在的帕累托階層及所述擁擠距離計算適應度值；

S4、判斷種群迭代次數是否達到預設上限，若達到，則輸出最優解；否則，利用增強學習算法，并根據所述適應度值優化所述遺傳算法中的交叉概率P_c和變異概率P_m；

S5、選擇參與交叉的染色體種群，根據所述交叉概率P_c對所述參與交叉的染色體種群進行交叉操作，生成參與變異的染色體種群；

S6、根據所述變異概率P_m對所述參與變異的染色體種群進行變異操作，生成新染色體種群；返回S3，基于所述新染色體種群進行計算。

2.根據權利要求1所述的基于Q-learning和GA的多目標柔性作業車間調度自學習方法，其特征在于，所述建立柔性作業車間調度模型及其約束條件，包括：所述柔性作業車間調度模型描述為：

n種獨立工件J＝{J₁,J₂,J₃…J_n}，m臺獨立機器M＝{M₁,M₂,M₃…M_m}，每個工件J_i有工序數為h_j,O_ij表示工件J_i的第j個工序，j＝1,2,3…,h_i，工序O_ij可被多臺機器加工，O_ij在機器M_k上的加工時間t_ijk，k＝1,2,3…,m；并按照一定工藝先后順序進行加工，調度目標為最大完工時間最小、最大機器負荷最小及總機器負荷最小中一項或多項性能指標達到最優；其中，

最大完工時間最小C_max目標函數如式(1)：

min f₁＝C_max＝min{max(C_i)1≤i≤n} (1)

最大機器負荷最小W_m目標函數如式(2)：

總機器負荷最小W_t目標函數如式(3)：

所述柔性作業車間調度模型的約束條件為：

s_ij≥0，c_ij≥0，i＝1,2,3...n；j＝1,2,3...h_i表示工序的加工時間和完工時間必須是非負數；

c_ij≤s_i(j+1)，i＝1,2,3···n；j＝1,2,3···h_i表示每一個工件的工序間遵循工藝先后順序；

表示同一臺機器在同一時刻只能加工一個工件的一個工序；

i＝1,2,3···n；j＝1,2,3···h_i表示同一工件在同一時刻只能被一臺機器加工；

其中，C_i表示工件J_i加工完成時間；s_ij表示工序O_ij加工開始時間；c_ij表示工序O_ij加工完成時間；m_ij表示工序O_ij的可選加工機器數；U表示正數；