一种基于动态载荷的并行计算生产排程系统及方法技术方案

本发明专利技术公开了一种基于动态载荷的并行计算生产排程系统及方法，包括工艺编码器、任务优先级决策器、任务队列管理器、预测求解器、遗传算法求解器，所述工艺编码器接受任务流，所述任务优先级决策器：通过建立贝叶斯决策机器学习模型，任务队列管理器是制备具备优先级属性的任务池，预测求解器计算出任务的最优预计完工时间，遗传算法求解器将任务池中所有任务分配到实体资源设备上，任务执行与反馈。本发明专利技术通过构建“贝叶斯优先级决策模型”，“任务时间自学习预测模型”，“基于并行架构的优化求解器”机器学习模型，构成一条“人工智能”模型链，并通过“动态载荷表”实现资源载荷实时追踪和前馈预测计算，实现任务群的实时自主资源分配与排程。

【技术实现步骤摘要】
一种基于动态载荷的并行计算生产排程系统及方法
本专利技术具体涉及离散加工制造
，特别涉及一种基于动态载荷的并行计算生产排程系统及方法。
技术介绍
在离散加工制造业中，尤其在大规模动态生产场景中，由于制造现场的工况复杂，生产计划与实际执行结果通常会产生很大的偏差。静态的计划无法适应动态的资源变化；动态的计划又无法适应现场实际情况，最终导致计划与制造执行脱节，本专利技术的目标是实现动态计划与动态资源的“实时自适应”。
技术实现思路
本专利技术的目的在于克服传统技术中存在的上述问题，提供一种基于动态载荷的并行计算生产排程系统及方法。为实现上述技术目的，达到上述技术效果，本专利技术是通过以下技术方案实现：一种基于动态载荷的并行计算生产排程方法，包括工艺编码器、任务优先级决策器、任务队列管理器、预测求解器、遗传算法求解器，所述工艺编码器接受任务流，所述任务优先级决策器：通过建立贝叶斯决策机器学习模型，任务队列管理器是制备具备优先级属性的任务池，预测求解器计算出任务的最优预计完工时间，遗传算法求解器将任务池中所有任务分配到实体资源设备上，任务执行与反馈，干扰嗅探器探测任务池变动。一种基于动态载荷的并行计算生产排程方法，包括如下步骤：步骤S1：工艺编码器接受任务流；步骤S2：任务优先级决策器通过建立贝叶斯决策机器学习模型；步骤S3：任务队列管理器是制备具备优先级属性的任务池；步骤S4：预测求解器计算出任务的最优预计完工时间；步骤S5：遗传算法求解器将任务池中所有任务分配到实体资源设备上；步骤S6：任务执行与反馈；步骤S7：干扰嗅探器探测任务池变动；步骤S8：完成一次任务池全局动态规划。优选地，所述工艺编码器”接受“任务流”，通过“工艺关联”与“工艺编码”将每个“任务”进行编码。记为：Ti＝{Oij}其中Oij表示第个任务，第个工序，即第个任务由Oij“工序向量”构成。优选地，所述任务优先级决策器通过建立“贝叶斯决策机器学习”模型，对输入的任务流进行优先级分类处理，任何一个任务具有“急迫程度”属性，而任务是否紧迫取决于很多因素，即证据向量该算法模拟人类处理任务时拥有的判断能力——即“紧急的”任务必须优先处理。优选地，所述任务队列管理器制备“具备优先级属性”的任务池，优先级任务流作为模块的输入，根据优先级自动调整任务在队列中的位置，采用“优先级竞争策略”调整任务在队列中的位置，假设有两个任务Ti,Th，若则比较所对应的后验概率，后验概率大的“胜出”，胜出者排在任务队列的前面，优先获取“资源分配”的机会。优选地，所述预测求解器计算出任务的最优预计完工时间，该算法不断汲取历史经验数据，通过自学习机制持续优化模型，经验数据是在任务执行过程中不断产生，从而确保训练数据集总是存在新的经验。优选地，所述遗传算法求解器将任务池中所有任务分配到实体资源设备上，在所有分配方案中，找到一个最佳分配方案，在该方案中使得最大的完工时间，在所有分配方案中最小，即最优解，通过建立“基于优先级约束下的遗传算法”加速算法收敛速度，实现求解的实时特性。优选地，由于优先级的存在，在利用遗传算法时，可以快速完成“同优先级任务”的求解，求解结果作为下一个优先级的初值，大幅度降低问题规模，每个优先级集合中都有自己种群规模，同时由于初始具有平移性，使得算法可以并行化，即在各自有限级集合中求解，待前一优先级完成计算后，在附加到下一个集合上，“并行化”：按照优先级将任务池划分为多个子集，子集即为“子任务，每个子任务均有优先级标签，令任务池集合：T＝T1UT2,....UTzTi为T的子集，即是T总集合的任务片段：Ti＝{Th,....,Th+d}且满足:①R(Ti)≥R(Ti+1)，即子集i的优先级大于等于i-1子集的优先级，②Ti,Tj∈Tz，即种群内任务优先级相同，“并行因子增强”：对任一子集，通过约束条件进行子集分割，即通过在“优先级子集”上增加新的属性，增大“子任务”类别，降低子任务规模，从而提高算法的计算并行度，这个步骤并不影响算法的一般性，并行因子定义为：Z为任务子集数目。即平均每个任务子集中包含的任务数量，“子任务初始化”依据子任务规模，为每个子集初始化算法参数"种群规模"、"遗传代次"、"交叉因子"、"变异因子"，种群规模是指子任务求解的初始解的数目，“并行遗传算法求解器”同时在各任务子集上应用，在每个“子集”上应用“遗传算法求解器”，获得每个任务子集的最优解，“并行任务合成”将所有子任务集合的最优解{slv(Ti)},i＝1,...,Z，通过线性合成算法最终合成任务池所有任务的解S(T)，“前馈载荷”作为合成“背景”，即将计算时刻的资源排程状态作为初值，“任务分发器”：求解完成S(T)之后，使用“指令生成器”将资源分配结果“拆解”为指令序列，指令序列产生后，通过“物联网”将指令序列下发到“指令分发器”，“指令分发器”位于“边缘侧”是一个分布式嵌入式智能网关，负责接收指令序列，维护指令队列，并将指令下发给指定执行终端。本专利技术的收益效果是：本专利技术通过构建“贝叶斯优先级决策模型”，“任务时间自学习预测模型”，“基于并行架构的优化求解器”机器学习模型，构成一条“人工智能”模型链，并通过“动态载荷表”实现资源载荷实时追踪和前馈预测计算，实现任务群的实时自主资源分配与排程，本专利技术涉及的计算模型具备实时性，自学习性，资源自主分配，抗扰动四方面本领。因此通过这种上述方式，由于制造现场的工况复杂，生产计划与实际执行结果通常会产生很大的偏差。静态的计划无法适应动态的资源变化；动态的计划又无法适应现场实际情况，最终导致计划与制造执行脱节的技术问题。当然，实施本专利技术的任一产品并不一定需要同时达到以上所述的所有优点。附图说明为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例描述所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术总体数据流程图；图2为本专利技术任务优先级贝叶斯决策模型；图3为本专利技术任务完工时间预测自学习模型；图4为本专利技术并行遗传算法求解器；图5为本专利技术指令分发器。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本专利技术保护的范围。如图1-5所示，本实施例为一种基于动态载荷的并行计算生产排程方法，包括工艺编码器、任务优先级决策器、任务队列管理器、预测求解器、遗传算法求解器，所述工艺编码器接受任务流，所述任务优先级决策器：通过建立贝叶斯决策机器学习模型，任务队列管理器是制备具备优先级属性的任务池，预测求解器计本文档来自技高网...

【技术保护点】
1.一种基于动态载荷的并行计算生产排程系统，其特征在于：包括工艺编码器、任务优先级决策器、任务队列管理器、预测求解器、遗传算法求解器，所述工艺编码器接受任务流，所述任务优先级决策器：通过建立贝叶斯决策机器学习模型，任务队列管理器是制备具备优先级属性的任务池，预测求解器计算出任务的最优预计完工时间，遗传算法求解器将任务池中所有任务分配到实体资源设备上，任务执行与反馈，干扰嗅探器探测任务池变动。/n

【技术特征摘要】
1.一种基于动态载荷的并行计算生产排程系统，其特征在于：包括工艺编码器、任务优先级决策器、任务队列管理器、预测求解器、遗传算法求解器，所述工艺编码器接受任务流，所述任务优先级决策器：通过建立贝叶斯决策机器学习模型，任务队列管理器是制备具备优先级属性的任务池，预测求解器计算出任务的最优预计完工时间，遗传算法求解器将任务池中所有任务分配到实体资源设备上，任务执行与反馈，干扰嗅探器探测任务池变动。


2.一种基于动态载荷的并行计算生产排程方法，其特征在于：包括如下步骤：
步骤S1：工艺编码器接受任务流；
步骤S2：任务优先级决策器通过建立贝叶斯决策机器学习模型；
步骤S3：任务队列管理器是制备具备优先级属性的任务池；
步骤S4：预测求解器计算出任务的最优预计完工时间；
步骤S5：遗传算法求解器将任务池中所有任务分配到实体资源设备上；
步骤S6：任务执行与反馈；
步骤S7：干扰嗅探器探测任务池变动；
步骤S8：完成一次任务池全局动态规划。


3.根据权利要求2所述一种基于动态载荷的并行计算生产排程方法，其特征在于：所述工艺编码器”接受“任务流”，通过“工艺关联”与“工艺编码”将每个“任务”进行编码；记为：Ti＝{Oij}其中Oij表示第个任务，第个工序，即第个任务由Oij“工序向量”构成。


4.根据权利要求2所述一种基于动态载荷的并行计算生产排程方法，其特征在于：所述任务优先级决策器通过建立“贝叶斯决策机器学习”模型，对输入的任务流进行优先级分类处理，任何一个任务具有“急迫程度”属性，而任务是否紧迫取决于很多因素，即证据向量该算法模拟人类处理任务时拥有的判断能力——即“紧急的”任务必须优先处理。


5.根据权利要求2所述一种基于动态载荷的并行计算生产排程方法，其特征在于：所述任务队列管理器制备“具备优先级属性”的任务池，优先级任务流作为模块的输入，根据优先级自动调整任务在队列中的位置，采用“优先级竞争策略”调整任务在队列中的位置，假设有两个任务Ti,Th，若RTi＝RTh，则比较所对应的后验概率，后验概率大的“胜出”，胜出者排在任务队列的前面，优先获取“资源分配”的机会。


6.根据权利要求2所述一种基于动态载荷的并行计算生产排程方法，其特征在于：所述预测求解器计算出任务的最优预计完工时间，该算法不断汲取历史经验数据，通过自学习机制持续优化模型，...

【专利技术属性】
技术研发人员：宛田宾，袁泉，李权威，沈光明，武文亚，许保殿，
申请(专利权)人：华至云链科技苏州有限公司，
类型：发明
国别省市：江苏;32