【技术实现步骤摘要】
基于信任技术与快速灵活全纯嵌入的车间作业调度方法及系统
[0001]本专利技术涉及车间作业调度的
,更具体地,涉及一种基于信任技术与快速灵活全纯嵌入的车间作业调度方法及系统。
技术介绍
[0002]车间作业调度是一个经典的优化问题,在各个领域均存在应用场景,如供应链和物流、营销活动、管理技术等。该问题的模型为多个任务序列的优化调度模型,任务的操作顺序固定,且单个任务需要在指定的处理时间内独占资源,优化目标是给出一个合理、耗时最短的资源调度方案。车间作业调度是一类典型的NP
‑
hard问题,通常具有多个局部最优解,目前的精确全局优化算法对大规模问题的计算速度较慢,严重影响企业生产的经济性和安全性。因此,研究者们提出了许多基于神经网络的算法,能够快速求出此类问题的局部最优解。其中基于监督学习的Job
‑
shop Schedule Problem Deep Neural Network(JSP
‑
DNN)算法,采用了三组神经网络层的架构,能快速预测此类问题的近似解。然而,这种方法有非常大的局限性:1)该算法所得解的质量在较大程度上依赖参数值选取,该网络的训练方法(Adam算法)通常只能找到一组局部最优参数,无法保证找到更高质量或全局最优的参数;2)该算法模型的一组参数只能求解某特定规模的问题,如果须求解其他规模的问题则需要重新训练一组参数。
[0003]现有技术公开了一种基于改进海洋捕食者算法求解作业车间调度的方法,包括:S1:获取作业车间调度的初始化条件 ...
【技术保护点】
【技术特征摘要】
1.一种基于信任技术与快速灵活全纯嵌入的车间作业调度方法,其特征在于,包括:S1:获取生产车间中作业、任务和机器的生产数据,设置车间作业调度问题的目标函数和约束条件,并将作业、任务和机器转化为析取图模型;S2:基于所述析取图模型,构建图注意力网络;S3:利用信任技术训练图注意力网络,获得图注意力网络参数的局部最优解集;S4:利用信任技术和快速灵活全纯嵌入算法,对图注意力网络参数的局部最优解集进行最优线性组合求解,获得图注意力网络的最优参数;S5:根据图注意力网络的最优参数,获得优化后的图注意力网络;利用所述优化后的图注意力网络获得每个任务的开始时间预测值,基于该预测值对未调度的车间作业进行调度。2.根据权利要求1所述的基于信任技术与快速灵活全纯嵌入的车间作业调度方法,其特征在于,所述步骤S1中,获取生产车间中作业、任务和机器的生产数据,设置车间作业调度问题的目标函数和约束条件的具体方法为:生产车间一段时间内包含若干项作业,每项作业包含若干项任务;所述任务由生产车间内的若干台机器进行处理;则车间作业调度问题的目标函数和约束条件为:P(d)=argmin
s
u
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)(1)(1)(1)式中,d表示所有任务的处理用时集合,s表示所有任务的处理开始时间集合,u表示所有任务的最大完工时间;j,j
′
表示第j,j
′
项作业,j,j
′
=1,
…
,,j≠j
′
,J表示最大作业项数;t,t
′
表示第t,t
′
项任务,t,t
′
=1,
…
,T,t≠t
′
,T表示每项作业包含的最大任务项数;表示第j项作业中每项任务的开始时间,表示第j项作业中所有任务的处理用时;表示第j项作业中第t+1项任务的开始时间,表示第j项作业中第t项任务的开始时间,表示第j项作业中第t项任务的处理用时;表示第j
′
项作业中第t
′
项任务的开始时间,表示第j
′
项作业中第t
′
项任务的处理用时,∨表示逻辑或,表示处理第j项作业中第t项任务的机器,表示处理第j
′
项作业中第t
′
项任务的机器;表示整数。3.根据权利要求2所述的基于信任技术与快速灵活全纯嵌入的车间作业调度方法,其特征在于,所述步骤S1中,将作业、任务和机器转化为析取图模型的具体方法为:将生产车间一段时间内所有任务作为图节点,利用有向弧连接属于同一项作业的任务的图节点,利用析取弧连接同一台机器处理的任务的图节点,每个析取弧视为一对方向相反的弧,转化为析取图模型G=(,C,D),其中O表示所有任务的节点集,C表示连接同一项作
业的邻接任务节点间的有向弧集,D表示连接同一台机器的邻接任务节点间的析取弧集。4.根据权利要求3所述的基于信任技术与快速灵活全纯嵌入的车间作业调度方法,其特征在于,所述步骤S2的具体方法为:对于析取图模型G=(,C,D),输入构建的图注意力网络,为每个任务的图节点的对应一个特征向量,计算每个图节点与其相邻图节点的注意力系数:式中,e
ij
表示第i图节点与第j个相邻图节点间的注意力系数,W表示权重矩阵,表示第i图节点的特征向量,表示第j个相邻图节点特征向量,||表示向量拼接,a表示参数向量,a
T
表示a的转置,ReLU(*)为激活函数;将每个图节点与其所有相邻图节点的注意力系数进行归一化处理:式中,α
ij
表示第i图节点与第j个相邻图节点间归一化后的注意力系数,N
i
表示第i图节点的相邻图节点集,e
ir
表示第i图节点与第r个相邻图节点间的注意力系数;更新图节点的特征向量:式中,表示更新后的第i图节点的特征向量,σ(
·
)表示非线性激活函数;对每个图节点重复Z次上述步骤,对Z次独立的自注意力计算过程获得的更新后的图节点的特征向量求取均值:式中,表示更新后的第i图节点的特征向量均值,表示第z个自注意力计算过程第i图节点与第j个相邻图节点间归一化后的注意力系数,W
M
表示第z个自注意力计算过程的权重向量,z=1,
…
,Z;将跟新后的图节点的特征向量均值输入多层感知机,获得该图节点对应的任务的开始时间预测值:式中,表示第i图节点对应的任务的开始时间预测值,MLP(
·
)表示多层感知机,θ表示多层感知机参数;对所有图节点重复以上步骤,获得每个任务的开始时间预测值。5.根据权利要求4所述的基于信任技术与快速灵活全纯嵌入的车间作业调度方法,其特征在于,所述步骤S3的具体方法为:S3.1:利用现有算法计算车间作业调度问题的参考解,即每个任务的开始时间参考值;
S3.2:将车间作业问题作为训练集数据,将所有任务的开始时间预测值集合记为令其中,w表示待优化的图注意力网络参数;设定损失函数:式中,表示损失函数值,s
′
表示所有任务的开始时间参考值集合,s
p
′
表示s
′
的第p个分量,表示的第p个分量,|
·
|表示求去L1距离操作;λ
b
表示第一违反系数,v
b
(s^,)表示任务的开始时间预测值对约束条件(2b)的违反程度;λ
c
表示第二违反系数,表示任务的开始时间预测值对约束条件(2c)的违反程度;S3.3:将待优化的图注意力网络参数随机初始化为S3.4:利用随机梯度下降法对求解,获得初始局部最优解w0,并随机生成初始搜索方向d0;S3.5:从w0出发,沿着搜索方向d
k
移动,获得:式中,表示第k次搜索到达的点,ρ1为移动步长,ρ1()表示第k次移动步长,ρ1∈(0,ρ
max
],
max
为最大移动步长,ρ1从0单调增至
max
;d
k
表示第k次搜索方向,k=0,
…
,k
max
;S3.6:判断损失函数是否稳定下降,即是否到达逸出点;若否,执行步骤S3.7;否则,执行步骤S3.9;S3.7:更新搜索方向:式中,d
k+1
表示更新后的搜索方向,ρ2表示更新步长,ρ2(k)表示第k次搜索步长,表示损失函数在搜索方向d
k
上的梯度;S3.8:判断更新后的搜索方向d
k+1
是否大于若否,则沿更新后的搜索方向移动,重复步骤S3.5
‑
S3.6;否则,生成新的初始搜索方向,重复步骤S3.4
‑
S3.6;S3.9:在逸出点对应的局部最优收敛域上,利用随机梯度下降法计算新的局部最优解;S3.10:判断是否达到预设的训练时间;若否,则将新的局部最优解作为初始局部最优解,重复步骤S3.5
‑
S3.9;否则,将所有局部最优解组成图注意力网络参数的局部最优解集输出,所述图注意力网络参数的局部最优解集为W={w0,
…
,
n
},w
n
表示第n个局部最优解。6.根据权利要求5所述的基于信任技术与快速灵活全纯嵌入的车间作业调度方法,其特征在于,所述步骤S3.2中,任务的开始时间预测值对约束条件的违反程度的计算方法为:任务的开始时间预测值对约束条件(2b)的违反程度的计算方法为:式中,表示第j项作业中第t项任务的开始时间预测值,表示第j项作业中第t+1项任务的开始时间预测值;任务的开始时间预测值对约束条件(2c)的违反程度的计算方法为:
式中,表示第一违反程度项,表示第二违反程度项,表示第一违反程度函数,表示第二违反程度函数,表示第j...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。