[發(fā)明專利]一種多目標(biāo)優(yōu)化的機床柔性車間調(diào)度方法及系統(tǒng)

在審

• 申請?zhí)枺?/td>: 202110986700.2
• 申請日: 2021-08-26
• 公開（公告）號: CN113759841A
• 公開（公告）日: 2021-12-07
• 發(fā)明（設(shè)計）人: 杜宇;李俊青
• 申請（專利權(quán)）人: 山東師范大學(xué)
• 主分類號: G05B19/418
• 分類號: G05B19/418
• 代理公司: 濟南圣達知識產(chǎn)權(quán)代理有限公司 37221
• 代理人: 張勇

本公開提供了一種多目標(biāo)優(yōu)化的機床柔性車間調(diào)度方法，包括初始化目標(biāo)網(wǎng)絡(luò)和在線網(wǎng)絡(luò)Q；利用激勵函數(shù)進行深度Q網(wǎng)絡(luò)DQN訓(xùn)練；通過初始化策略進行種群初始化；進行非支配排序和擁擠度排序并獲得較優(yōu)解。本公開利用EAs和DRL的優(yōu)點，提出了針對FJSP的基于知識的分布估計算法(EDA)和DQN的混合算法EDA?DQN。利用基于Pareto方法對最大完工時間和總電費進行優(yōu)化。在EDA?DQN中，DQN部分為一個局部搜索選擇器，負(fù)責(zé)在不同的調(diào)度狀態(tài)下選擇適宜的局部搜索策略；EDA部分用于提高算法的探索能力，DQN部分用于提高算法的挖掘能力。

技術(shù)領(lǐng)域

本公開涉及車間調(diào)度技術(shù)領(lǐng)域，特別涉及一種多目標(biāo)優(yōu)化的機床柔性車間調(diào)度方法及系統(tǒng)。

背景技術(shù)

本部分的陳述僅僅是提供了與本公開相關(guān)的背景技術(shù)，并不必然構(gòu)成現(xiàn)有技術(shù)。

柔性車間調(diào)度問題(FJSP)在半導(dǎo)體制造、化工過程以及手機裝配等領(lǐng)域中得到了廣泛的研究和應(yīng)用。在實際生產(chǎn)中，分時電價(TOUEP)的影響在經(jīng)濟和綠色發(fā)展中應(yīng)得到考慮，因此，電量最好在低電價區(qū)間使用更為合適。更進一步地，機床的加工速度設(shè)置應(yīng)當(dāng)在生產(chǎn)計劃和企業(yè)利潤之間進行權(quán)衡，耗電量高的工序應(yīng)當(dāng)安排在低電價區(qū)間加工，耗電量低的工序可適當(dāng)安排在高電價區(qū)間加工。

目前的現(xiàn)有技術(shù)中解決了各種約束的FJSP，但是存在著在大規(guī)模問題中的性能會急劇下降的問題。為了解決這個問題，考慮利用目前被認(rèn)為具有較強智能優(yōu)化能力的強化學(xué)習(xí)(RL)來提高對FJSP的優(yōu)化能力。最近，結(jié)合RL和深度學(xué)習(xí)的深度強化學(xué)習(xí)(DRL)逐漸應(yīng)用于求解組合優(yōu)化問題(COPs)，顯示出DRL解決COPs的強大能力。

現(xiàn)已有多個研究利用RL對EAs的參數(shù)進行優(yōu)化。Emary等人利用RL和神經(jīng)網(wǎng)絡(luò)對GWO的參數(shù)進行了優(yōu)化。Cao等人提出了帶RL和代理模型的布谷鳥搜索算法來解決半導(dǎo)體最終測試的調(diào)度問題，其中RL用來確保種群的多樣性和搜索強度；盡管RL已被應(yīng)用于通過調(diào)整EAs的參數(shù)值來增強優(yōu)化效果，但RL的智能優(yōu)勢沒有直接參與到優(yōu)化過程中。

最近，更多的研究直接把RL作為優(yōu)化的策略。Lin等學(xué)者利用多級DQN來解決車間調(diào)度問題，優(yōu)化了其中的最大完工時間。Park等人提出了利用RL的準(zhǔn)備切換調(diào)度理論來最小化芯片生產(chǎn)中的最大完工時間。Luo針對動態(tài)FJSP設(shè)計了DQN算法為RL解決FJSP提供了基礎(chǔ)算法。Hu等人以帶混合規(guī)則的車輛自動導(dǎo)航調(diào)度方法解決柔性車間生產(chǎn)問題，優(yōu)化了最大完工時間和延遲率。He等人利用DQN模型解決了敏捷衛(wèi)星的調(diào)度問題。Park等學(xué)者將圖神經(jīng)網(wǎng)絡(luò)和RL結(jié)合來解決車間調(diào)度問題，其中基于RL的近端策略優(yōu)化用于訓(xùn)練模型。Zhao等人提出了基于RL的協(xié)同水波優(yōu)化算法來解決分布式裝配無等待流水車間調(diào)度問題。Han和Yang構(gòu)建了端到端的DRL框架來解決FJSP，其中采用了改進的指針網(wǎng)絡(luò)用于對工序進行編碼，卷積神經(jīng)網(wǎng)絡(luò)被用作解碼網(wǎng)絡(luò)。Kim和Lee提出了Petri網(wǎng)絡(luò)作為RL中的環(huán)境來解決流水車間調(diào)度問題，優(yōu)化了最大完工時間。Xu等學(xué)者設(shè)計了基于RL的差分進化算法來解決工業(yè)整合能耗系統(tǒng)的多級能耗調(diào)度問題。在以上研究中，COPs通過RL的各種方法予以解決，RL的智能性得到利用，然而，大多數(shù)研究只優(yōu)化了單目標(biāo)問題，對于多目標(biāo)問題的RL方法需要更進一步地研究。另外，EAs和RL的優(yōu)勢需要結(jié)合起來以更好地提高算法的優(yōu)化性能。

發(fā)明內(nèi)容

為了解決現(xiàn)有技術(shù)的不足，本公開提供了一種多目標(biāo)優(yōu)化的機床柔性車間調(diào)度方法及系統(tǒng)，利用EAs和DRL的優(yōu)點，提出了針對FJSP的基于知識的分布估計算法(EDA)和DQN的混合算法EDA-DQN。利用基于Pareto方法對最大完工時間和總電費進行優(yōu)化。在EDA-DQN中，DQN部分為一個局部搜索選擇器，負(fù)責(zé)在不同的調(diào)度狀態(tài)下選擇適宜的局部搜索策略；EDA部分用于提高算法的探索能力，DQN部分用于提高算法的挖掘能力。

為了實現(xiàn)上述目的，本公開采用如下技術(shù)方案：

本公開第一方面提供了一種多目標(biāo)優(yōu)化的機床柔性車間調(diào)度方法。