【技术实现步骤摘要】
本专利技术属于装配序列规划，具体涉及一种结合了q-learning算法以及sarsa算法的强化学习方法。
技术介绍
1、装配序列规划(以下简称asp)问题在现代制造业中扮演着重要角色，它影响到如何有效地将未装配零件组装成最终产品的过程。这个问题不仅关乎生产效率的提升，还直接影响到产品质量、生产成本以及交付时间。解决asp问题需要综合考虑诸多因素，如装配顺序的优化、各零件之间的装配约束、多目标优化。通过精确的规划和先进的优化方法，制造企业能够在面对复杂产品制造的挑战时，实现生产效率的最大化，并确保产品符合高质量标准且能够按时交付。
2、强化学习属于机器学习的一个范畴，最初受到生物系统学习方式的启发。强化学习是机器通过与环境交互实现目标的一种计算方法，强化学习用agent这个概念来表示做决策的机器。在强化学习中，agent通过观察环境状态、选择行动和接收反馈(奖励或惩罚)来不断优化自身的策略，最终的目标是在多轮的交互过程中获得最大的累计奖励期望值。强化学习非常适合用于解决序贯决策问题，在此基础上我们提出了一种结合了q-learn...
【技术保护点】
1.一种应用于装配序列规划的强化学习混合方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种应用于装配序列规划的强化学习混合方法，其特征在于，所述步骤S1将装配信息使用布尔矩阵表达具体包括以下步骤：
3.根据权利要求1所述的一种应用于装配序列规划的强化学习混合方法，其特征在于，所述步骤S2中，关于状态空间动作空间以及奖励函数的定义为：
4.根据权利要求1所述的一种应用于装配序列规划的强化学习混合方法，其特征在于，所述步骤S3中，在某个状态的动作的Q-value更新前，预先使用Q-learning算法的更新公式以及Sarsa...
【技术特征摘要】
1.一种应用于装配序列规划的强化学习混合方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种应用于装配序列规划的强化学习混合方法，其特征在于，所述步骤s1将装配信息使用布尔矩阵表达具体包括以下步骤：
3.根据权利要求1所述的一种应用于装配序列规划的强化学习混合方法，其特征在于，所述步骤s2中，关于状态空间动作空间以及奖励函数的定义为：
4.根据权利要求1所述的一种应用于装配序列规划的强化学习混合方法，其特征在于，所述步骤s3中，在某个状态的动作的q-value更新前，预先使用q-learning算法的更新公式以及sarsa算法的更新公式都进行一次计算，然后让两者得出的q-value值进行比较，并采用其中值较大的一个应用于这一次的更新。
5.根据权利要求4所述的一种应用于装配序列规划的强化学习混合方法，其特征在于，所述q-learning算法具体为；
...
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。