基于深度强化学习的分布式柔性作业车间调度方法及设备技术

本发明专利技术提供了基于深度强化学习的分布式柔性作业车间调度方法及设备。所述调度方法包括:步骤S1，获取工件信息和生产环境信息；步骤S2，基于工件信息和生产环境信息，第一智能体为各加工单位分配工件，获得工件分配信息，第一智能体配置训练好的工件分配策略网络；步骤S3，基于加工单位的工件分配信息和生产环境信息，第二智能体为加工单位内的工件分配加工顺序，以及为工件的每个工序分配机器，第二智能体配置训练好的作业排序‑机器分配策略网络。第一智能体和第二智能体组成了多层智能体结构，训练获得的工件分配策略网络和作业排序‑机器分配策略网络，能够快速有效地得到高质量的解，提高了泛化性。

【技术实现步骤摘要】

本专利技术涉及智能制造，尤其涉及基于深度强化学习的分布式柔性作业车间调度方法及设备。

技术介绍

1、在调度问题中，分布式柔性作业车间调度问题(distributedflexible job shopscheduling problem，dfjsp)是柔性作业车间调度问题(flexible job shop schedulingproblem，fjsp)的一个拓展问题。随着市场经济的发展，目前制造企业需要逐渐从单一工厂制造转变为分布式制造，多个工厂协调制造，提高制造效率。而分布式柔性作业车间调度问题dfjsp结合了分布式制造和柔性作业车间的特点，以适应现代制造业对灵活性和效率的高要求。图2展示了现有的分布式柔性作业车间，其生产活动分布在多个工厂或车间中。每一个工厂或车间就相当于一个独立的柔性作业车间，一个工厂或车间其中的工序排序和机器选择问题就相当于一个柔性作业车间调度问题fjsp。从图2可以看出，相较于柔性作业车间调度问题fjsp需要研究的作业排序和机器选择的内容，分布式柔性作业车间调度问题dfjsp还需要研究如何分配作业到合适的工厂的内容。

本文档来自技高网...

【技术保护点】

1.基于深度强化学习的分布式柔性作业车间调度方法，其特征在于，包括:

2.如权利要求1所述的基于深度强化学习的分布式柔性作业车间调度方法，其特征在于，所述工件分配策略网络包括依次连接的第一GRU单元和第一注意力机制单元。

3.如权利要求1或2所述的基于深度强化学习的分布式柔性作业车间调度方法，其特征在于，所述步骤S2包括：

4.如权利要求3所述的基于深度强化学习的分布式柔性作业车间调度方法，其特征在于，所述工件分配策略网络的训练过程包括：

5.如权利要求4所述的基于深度强化学习的分布式柔性作业车间调度方法，其特征在于，所述第一Critic网...

【技术特征摘要】

1.基于深度强化学习的分布式柔性作业车间调度方法，其特征在于，包括:

2.如权利要求1所述的基于深度强化学习的分布式柔性作业车间调度方法，其特征在于，所述工件分配策略网络包括依次连接的第一gru单元和第一注意力机制单元。

3.如权利要求1或2所述的基于深度强化学习的分布式柔性作业车间调度方法，其特征在于，所述步骤s2包括：

4.如权利要求3所述的基于深度强化学习的分布式柔性作业车间调度方法，其特征在于，所述工件分配策略网络的训练过程包括：

5.如权利要求4所述的基于深度强化学习的分布式柔性作业车间调度方法，其特征在于，所述第一critic网络包括依次连接的第三gru单元和第三注意力机制单元。...

【专利技术属性】
技术研发人员：蔡斌，牛清正，段成源，李东，
申请(专利权)人：重庆大学，
类型：发明
国别省市：