【技术实现步骤摘要】
本专利技术涉及工业调度，具体来说，涉及工业需求响应下基于图强化学习的柔性作业车间调度方法。
技术介绍
1、大多数工业企业的主要能源来源为电能，随着智能电网技术的发展，需求响应成为提高电能利用效率、降低用户成本和保障配网稳定性的最有效的方案之一。因此，将工业需求响应融入生产调度中变得尤为关键和紧迫。
2、由于工业需求响应的时间敏感性，基于milp模型的方法引入了大量时隙变量和约束。当问题复杂度提升时(如：生产规模扩大和电价波动频率增加)，不仅影响了调度模型的紧凑性和可解性，还大幅增加了模型的开发和维护成本。为了克服这些问题，迫切需要一种应对车间调度问题高维变量和复杂约束特征的高效求解方法。
3、随着算力的不断提高，深度强化学习(drl)因其无模型和不需要先验领域知识的特点而受到学者青睐。尽管已有一些成功案例证明了drl在fjs-idr问题中的有效性，但仍存在较大的研究空间。首先，在智能制造范式中，产品和机器正向客户个性化定制和多功能集成方向演变，柔性作业车间逐渐成为工业4.0下最常见的车间生产组织形式之一。目前多数...
【技术保护点】
1.工业需求响应下基于图强化学习的柔性作业车间调度方法，其特征在于，该调度方法包括：
2.根据权利要求1所述的工业需求响应下基于图强化学习的柔性作业车间调度方法，其特征在于，所述基于柔性作业车间生产调度状态，构建图强化学习模型包括：
3.根据权利要求2所述的工业需求响应下基于图强化学习的柔性作业车间调度方法，其特征在于，所述异构析取图包括图结构与原始特征向量；
4.根据权利要求2所述的工业需求响应下基于图强化学习的柔性作业车间调度方法，其特征在于，所述基于广义电能消费指数，计算所述马尔可夫决策模块的即时奖励包括：
5.根...
【技术特征摘要】
1.工业需求响应下基于图强化学习的柔性作业车间调度方法，其特征在于，该调度方法包括：
2.根据权利要求1所述的工业需求响应下基于图强化学习的柔性作业车间调度方法，其特征在于，所述基于柔性作业车间生产调度状态，构建图强化学习模型包括：
3.根据权利要求2所述的工业需求响应下基于图强化学习的柔性作业车间调度方法，其特征在于，所述异构析取图包括图结构与原始特征向量；
4.根据权利要求2所述的工业需求响应下基于图强化学习的柔性作业车间调度方法，其特征在于，所述基于广义电能消费指数，计算所述马尔可夫决策模块的即时奖励包括：
5.根据权利要求4所述的工业需求响应下基于图强化学习的柔性作业车间调度方法，其特征在于，所述利用所述表示学习网络执行异构析取图的嵌入包括：
6.根据权利要求5所...
【专利技术属性】
技术研发人员：张玺，谭柳娟，刘明周，凌琳，芮章杰，
申请(专利权)人：合肥工业大学，
类型：发明
国别省市：
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。