一种基于深度学习的生产计划与调度方法技术

本发明专利技术公开了一种基于深度学习的生产计划与调度方法，涉及生产计划与调度技术领域，包括收集市场需求数据

【技术实现步骤摘要】
一种基于深度学习的生产计划与调度方法


[0001]本专利技术涉及生产计划与调度
，特别是一种基于深度学习的生产计划与调度方法
。

技术介绍

[0002]随着工业
4.0
和智能制造的快速发展，生产计划与调度的自动化和智能化已成为制造业的关键需求
。
在传统的生产计划与调度方法中，企业通常依赖于历史数据和经验来预测市场需求，并基于这些预测来制定生产计划
。
然而，这种方法往往不能准确地预测市场的实际需求，导致生产过剩或生产不足
。
此外，传统方法往往没有考虑到生产过程中的资源约束和设备劣化效应，这可能导致生产成本的增加和生产效率的降低
。
因此，如何准确地预测市场需求，从而制定有效的生产计划与调度方案，是当前生产企业面临的一个重要技术问题
。

技术实现思路

[0003]鉴于上述现有的基于深度学习的生产计划与调度方法中存在的问题，提出了本专利技术
。
[0004]因此，本专利技术所要解决的问题在于如何提供一种基于深度本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于深度学习的生产计划与调度方法，其特征在于：包括，收集市场需求数据
、
历史生产要素数据和资源约束数据，并对收集的数据进行预处理；基于
LSTM
架构建立市场需求预测模型；建立考虑资源约束和劣化效应的成本预测模型；根据成本预测模型和市场需求预测模型，生成生产计划与调度方案；所述基于
LSTM
架构建立市场需求预测模型包括如下步骤，使用双向
LSTM
结构，初始化前向和后向
LSTM
单元；输入数据同时传递给前向和后向
LSTM
单元，合并两个方向的输出以形成最终隐藏状态，公式表示为，
;
式中，
x
t
表示在时间
t
的输入，表示在时间
t
的前向隐藏状态，表示在时间
t
的后向隐藏状态，表示在时间
t
的最终隐藏状态，表示将和进行连接；堆叠多层
LSTM
，每一层
LSTM
的输出都作为下一层
LSTM
的输入，最后一层
LSTM
的输出用于预测；在每个时间步上，计算当前时间步的关联权重，所述关联权重表示当前时间步与其他时间步的关联程度；使用所述关联权重来加权输入序列，得到一个加权的上下文向量；将所述上下文向量与当前时间步的最终隐藏状态结合，形成市场需求预测模型
。2.
如权利要求1所述的基于深度学习的生产计划与调度方法，其特征在于：通过如下公式计算当前时间步的关联权重，
;
式中，表示时间步
t
和
t'
之间的原始注意力分数，表示时间步
t
和
k
之间的原始注意力分数，
T
表示输入序列的长度，表示时间步
t
和
t'
之间的标准化注意力权重，表示注意力权重的权重矩阵，表示注意力权重的偏置向量；所述上下文向量表示为，
;
式中，表示时间步
t
的上下文向量，表示时间步
t'
的隐藏状态；所述市场需求预测模型表示为，
;
式中，当前时间步的最终输出，也即预测出的市场需求，表示时间步
t
的隐藏状态，表示全连接层的权重矩阵，表示全连接层的偏置向量，表示将和拼接在一起
。3.
如权利要求2所述的基于深度学习的生产计划与调度方法，其特征在于：所述成本预测模型表示为，
;
式中，
TC
表示总成本，
I
表示生成计划的数量，
k
表示第
i
个生成计划中所需要的可再生资源的总量，
L
表示第
i
个生成计划中所需要的不可再生资源的总量，表示第
i
个生成计划中第
k
个可再生资源的单个成本表示第
i
个生成计划中第
k
个可再生资源的数量，表示第
i
个生成计划中第
k
个不可再生资源的单个成本...

【专利技术属性】
技术研发人员：石龙，刘刚，
申请(专利权)人：北京谷器数据科技有限公司，
类型：发明
国别省市：