[發(fā)明專利]基于Q-learning和GA的多目標(biāo)柔性作業(yè)車間調(diào)度自學(xué)習(xí)方法

有效

• 申請?zhí)枺?/td>: 202110383136.5
• 申請日: 2021-04-09
• 公開（公告）號: CN113034026B
• 公開（公告）日: 2023-10-24
• 發(fā)明（設(shè)計）人: 常鏡洳;康玲;張明會;石冬凌;彭鈺瑩;邱謙
• 申請（專利權(quán)）人: 大連東軟信息學(xué)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(wù)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(biāo)柔性作業(yè)車間調(diào)度自學(xué)習(xí)方法，其特征在于，包括：

S1、建立柔性作業(yè)車間調(diào)度模型及其約束條件；

S2、初始化遺傳算法基本參數(shù)；根據(jù)所述遺傳算法的分段編碼規(guī)則，并根據(jù)所述基本參數(shù)進(jìn)行染色體種群初始化；

S3、對各染色體支配關(guān)系進(jìn)行分類劃定帕累托階層，計算同一帕累托階層內(nèi)各染色體之間的擁擠距離，根據(jù)染色體所在的帕累托階層及所述擁擠距離計算適應(yīng)度值；

S4、判斷種群迭代次數(shù)是否達(dá)到預(yù)設(shè)上限，若達(dá)到，則輸出最優(yōu)解；否則，利用增強學(xué)習(xí)算法，并根據(jù)所述適應(yīng)度值優(yōu)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(jù)所述交叉概率P_c對所述參與交叉的染色體種群進(jìn)行交叉操作，生成參與變異的染色體種群；

S6、根據(jù)所述變異概率P_m對所述參與變異的染色體種群進(jìn)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(jìn)行計算。

2.根據(jù)權(quán)利要求1所述的基于Q-learning和GA的多目標(biāo)柔性作業(yè)車間調(diào)度自學(xué)習(xí)方法，其特征在于，所述建立柔性作業(yè)車間調(diào)度模型及其約束條件，包括：所述柔性作業(yè)車間調(diào)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(shù)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(jìn)行加工，調(diào)度目標(biāo)為最大完工時間最小、最大機器負(fù)荷最小及總機器負(fù)荷最小中一項或多項性能指標(biāo)達(dá)到最優(yōu)；其中，

最大完工時間最小C_max目標(biāo)函數(shù)如式(1)：

min f₁＝C_max＝min{max(C_i)1≤i≤n} (1)

最大機器負(fù)荷最小W_m目標(biāo)函數(shù)如式(2)：

總機器負(fù)荷最小W_t目標(biāo)函數(shù)如式(3)：

所述柔性作業(yè)車間調(diào)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(fù)數(shù)；

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(shù)；U表示正數(shù)；