CN119494511A 一种智能化作业车间调度方法 （河北工业大学）

本发明公开了一种智能化作业车间调度方进NSGA聂算法模块和基于DQN自适应决策算法利用深度Q网络经验回放机制，训练智能体捕捉调度信息与调度目标的关系进行自适应动作决策；S5.将DQN模型预测得到的最佳动作返回给2若工序Oij是机器Mk上第一个待加工工序，在上一道工序Oi(j_1)的加工完成时刻加工该在迭代后期，若小于此随机数，在父代种群与精英库中选3作业编号和对应的机器码交叉分配到两个子工序变异算子：采用交换变异与多边形变异；交换变异通过染应机器码的位置互换；多边形变异采用随机数生成策略决定染色体中各基因的变异可能步骤一：对各目标函数fx进行数据归一化处理，以消除不同量纲和数值范围带来的影其中gx为归一化处理后的函数值，min(f)和max(f)分别代表目标函数的最小值和最大步骤三：为防止只有非支配等级低的部分入选，按比例选numv＝min(spxrankv,popsize_popnow)；v表示当前非支配层选取的个体数，rankv表示当前层个体数，sp为选择百分在基于DQN自适应决策算法模块中，提取车间静态特征和种群动态特征构建智能体状态空2_1)在迭代产生的种群信息中提取出静态车4解集质量GD:描述种群所有个体相对于当前Pareto最优前沿的接近程度，具体定义公适应度：当前种群中的非支配层等级最低个体的三个目标2_2)奖励函数通过状态空间不同输入值的影ε=min_ε+(max_ε_min_ε)*e_LAMBDAXs2_4)采用DQN算法进行模型训练，包含Q值网络与TargetQ网络两个相同结构的网络，rt5步骤二：在经验记忆库中随机抽取一批数据作为训练样old6viability_basedintegrationoftheresilience,sustainability,andhuman_centricityperspectives[J].InternationalJournalofProductionResearch,2023,对多样化和定制化产品的需求。如文章[RinaldiM,FeraM,BottaniE,GrosseEH.Workforceschedulingincorporatingworkerskillsanderg[J].Computers&IndustrialEngineering,2022,168:[0004]工业5.0框架下，可持续性原则关注资源节约，工业部门的能源消耗占全球的31.7制造业实现可持续性是环境保护面临的重大挑战，文章[ChaurasiyaSK,SinghG.ExploringSustainableManufacturing:AComprehensiveReviewofLiteratureandPractices[C]//InternationalConferenceonProductionandIndustrialEngineering.Singapore:SpringerNatureSingapore,2023:11_19.]探究了优化废物处heuristicmethodfortheenergy_efficientflexiblejob_shopschedulingproblemwithsequence_dependentset_upandtransportationtime[J].EngineeringOptimization,2022,54(10):1646_1667.]提出一种新型启发式方法应用于大规模问题中，7X.Improvedparticleswarmoptimizationalgorithmbasednovelencodinganddecodingschemesforflexiblejobshopschedulingproblem[J].Computers&OperationsResearch,2020,121:104951.]引入分子力，提出一种基于分子运动理论的粒newjobinsertionsbydeepreinforcementlearning[J].AppliedSoftComputing,L,MengX,TangL.Amulti一actiondeepreinforcementlearningframeworkforflexibleJob一shopschedulingproblem[J].ExpertSystemswithApplications,2022,205:117796.]提出一种多指针图网络架构和一种多邻端策略优化的训练算法，提高性的关注，文章[RuiZ,ZhangX,LiuM,LingL,WangX,LiuC,SunM.Graphreinforcementlearningforflexiblejobshopschedulingunderindustrialdemandresponse:Aproductionandenergynexusperspective[J].Computers&IndustrialEngineering,2024,193:110325.]利用图神经网络与深度强化学习来优化生[0010]S1：搭建包含基于个性化的改进NSGA一聂算法模块和基于DQN自适应决策算法模8[0019]若工序Oij是机器Mk上第一个待加工工序，在上一道工序Oi(j_1)的加工完成时刻加体的作业编号和对应的机器码交叉分配到两9[0047]解集质量GD:描述种群所有个体相对于当前Pareto最优前沿的接近程度，具体定分别R1+[0066]其中，γ为折扣因子控制即时奖励与经验奖励的重要程度，α[0072]将本文所提智能化作业车间调度方法用于公开的基准Brandimarte(MK系列)、高降低了13验证了所提出方法在保证生产效率的同时，兼顾了个性化和可持续性的制[0084]本发明以柔性作业车间调度为背景，以强化学习为载体，以基于个性化的改进[0085]S1：搭建包含基于个性化的改进NSGA一聂算法模块和基于DQN自适应决策算法模[0091]若工序Oij是机器Mk上第一个待加工工序，在上一道工序Oi(j_1)的加工完成时刻加体的作业编号和对应的机器码交叉分配到两[0119]解集质量GD:描述种群所有个体相对于当前Pareto最优前沿的接近程度，具体定分别R1+[0138]其中，γ为折扣因子控制即时奖励与经验奖励的重要程度，α[0155]与其他方法进行对比，设定企业需求为降低车间生产能(在排序后的列表中)的第一个目标值。[0163]为验证面对不同案例的自适应调整能力，设置不具备自适应调整能力的基础