CN111461525B - 一种基于动态载荷的并行计算生产排程***及方法 - Google Patents
一种基于动态载荷的并行计算生产排程***及方法 Download PDFInfo
- Publication number
- CN111461525B CN111461525B CN202010237009.XA CN202010237009A CN111461525B CN 111461525 B CN111461525 B CN 111461525B CN 202010237009 A CN202010237009 A CN 202010237009A CN 111461525 B CN111461525 B CN 111461525B
- Authority
- CN
- China
- Prior art keywords
- task
- priority
- solver
- subset
- tasks
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 22
- 230000002068 genetic effect Effects 0.000 claims abstract description 33
- 230000008569 process Effects 0.000 claims abstract description 30
- 238000010801 machine learning Methods 0.000 claims abstract description 12
- 238000013468 resource allocation Methods 0.000 claims abstract description 8
- 238000004364 calculation method Methods 0.000 claims abstract description 7
- 230000015572 biosynthetic process Effects 0.000 claims description 12
- 238000003786 synthesis reaction Methods 0.000 claims description 12
- 238000009826 distribution Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 4
- 230000007246 mechanism Effects 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000004220 aggregation Methods 0.000 claims 1
- 230000002776 aggregation Effects 0.000 claims 1
- 238000005457 optimization Methods 0.000 abstract description 3
- 238000013473 artificial intelligence Methods 0.000 abstract 1
- 230000006870 function Effects 0.000 description 6
- 230000009471 action Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000002688 persistence Effects 0.000 description 1
- 238000004540 process dynamic Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Tourism & Hospitality (AREA)
- Artificial Intelligence (AREA)
- Game Theory and Decision Science (AREA)
- General Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Software Systems (AREA)
- Evolutionary Biology (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Manufacturing & Machinery (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Probability & Statistics with Applications (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Educational Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于动态载荷的并行计算生产排程***及方法,包括工艺编码器、任务优先级决策器、任务队列管理器、预测求解器、遗传算法求解器,所述工艺编码器接受任务流,所述任务优先级决策器:通过建立贝叶斯决策机器学习模型,任务队列管理器是制备具备优先级属性的任务池,预测求解器计算出任务的最优预计完工时间,遗传算法求解器将任务池中所有任务分配到实体资源设备上,任务执行与反馈。本发明通过构建“贝叶斯优先级决策模型”,“任务时间自学习预测模型”,“基于并行架构的优化求解器”机器学习模型,构成一条“人工智能”模型链,并通过“动态载荷表”实现资源载荷实时追踪和前馈预测计算,实现任务群的实时自主资源分配与排程。
Description
技术领域
本发明具体涉及离散加工制造技术领域,特别涉及一种基于动态载荷的并行计算生产排程***及方法。
背景技术
在离散加工制造业中,尤其在大规模动态生产场景中,由于制造现场的工况复杂,生产计划与实际执行结果通常会产生很大的偏差。静态的计划无法适应动态的资源变化;动态的计划又无法适应现场实际情况,最终导致计划与制造执行脱节,本发明的目标是实现动态计划与动态资源的“实时自适应”。
发明内容
本发明的目的在于克服传统技术中存在的上述问题,提供一种基于动态载荷的并行计算生产排程***及方法。
为实现上述技术目的,达到上述技术效果,本发明是通过以下技术方案实现:
一种基于动态载荷的并行计算生产排程方法,包括工艺编码器、任务优先级决策器、任务队列管理器、预测求解器、遗传算法求解器,所述工艺编码器接受任务流,所述任务优先级决策器:通过建立贝叶斯决策机器学习模型,任务队列管理器是制备具备优先级属性的任务池,预测求解器计算出任务的最优预计完工时间,遗传算法求解器将任务池中所有任务分配到实体资源设备上,任务执行与反馈,干扰嗅探器探测任务池变动。
一种基于动态载荷的并行计算生产排程方法,包括如下步骤:
步骤S1:工艺编码器接受任务流;
步骤S2:任务优先级决策器通过建立贝叶斯决策机器学习模型;
步骤S3:任务队列管理器是制备具备优先级属性的任务池;
步骤S4:预测求解器计算出任务的最优预计完工时间;
步骤S5:遗传算法求解器将任务池中所有任务分配到实体资源设备上;
步骤S6:任务执行与反馈;
步骤S7:干扰嗅探器探测任务池变动;
步骤S8:完成一次任务池全局动态规划。
优选地,所述工艺编码器”接受“任务流”,通过“工艺关联”与“工艺编码”将每个“任务”进行编码。记为:Ti={Oij}其中Oij表示第i个任务,第j个工序,即第i个任务由Oij“工序向量”构成。
优选地,所述任务优先级决策器通过建立“贝叶斯决策机器学习”模型,对输入的任务流进行优先级分类处理,任何一个任务具有“急迫程度”属性,而任务是否紧迫取决于很多因素,即证据向量该算法模拟人类处理任务时拥有的判断能力——即“紧急的”任务必须优先处理。
优选地,所述任务队列管理器制备“具备优先级属性”的任务池,优先级任务流作为模块的输入,根据优先级自动调整任务在队列中的位置,采用“优先级竞争策略”调整任务在队列中的位置,假设有两个任务Ti,Th,若则比较所对应的后验概率,后验概率大的“胜出”,胜出者排在任务队列的前面,优先获取“资源分配”的机会。
优选地,所述预测求解器计算出任务的最优预计完工时间,该算法不断汲取历史经验数据,通过自学习机制持续优化模型,经验数据是在任务执行过程中不断产生,从而确保训练数据集总是存在新的经验。
优选地,所述遗传算法求解器将任务池中所有任务分配到实体资源设备上,在所有分配方案中,找到一个最佳分配方案,在该方案中使得最大的完工时间,在所有分配方案中最小,即最优解,通过建立“基于优先级约束下的遗传算法”加速算法收敛速度,实现求解的实时特性。
优选地,由于优先级的存在,在利用遗传算法时,可以快速完成“同优先级任务”的求解,求解结果作为下一个优先级的初值,大幅度降低问题规模,每个优先级集合中都有自己种群规模,同时由于初始具有平移性,使得算法可以并行化,即在各自有限级集合中求解,待前一优先级完成计算后,在附加到下一个集合上,“并行化”:按照优先级将任务池划分为多个子集,子集即为“子任务,每个子任务均有优先级标签,令任务池集合:T=T1 UT2,....U Tz Ti为T的子集,即是T总集合的任务片段:Ti={Th,....,Th+d}且满足:①R(Ti)≥R(Ti+1),即子集i的优先级大于等于i+1子集的优先级,②即种群内任务优先级相同,“并行因子增强”:对任一子集,通过约束条件进行子集分割,即通过在“优先级子集”上增加新的属性,增大“子任务”类别,降低子任务规模,从而提高算法的计算并行度,这个步骤并不影响算法的一般性,并行因子定义:Z为任务子集数目。即平均每个任务子集中包含的任务数量,“子任务初始化”依据子任务规模,为每个子集初始化算法参数"种群规模"、"遗传代次"、"交叉因子"、"变异因子",种群规模是指子任务求解的初始解的数目,“并行遗传算法求解器”同时在各任务子集上应用,在每个“子集”上应用“遗传算法求解器”,获得每个任务子集的最优解,“并行任务合成”将所有子任务集合的最优解{slv(Ti)},i=1,...,Z,通过线性合成算法最终合成任务池所有任务的解S(T),“前馈载荷”作为合成“背景”,即将计算时刻的资源排程状态作为初值,“任务分发器”:求解完成S(T)之后,使用“指令生成器”将资源分配结果“拆解”为指令序列,指令序列产生后,通过“物联网”将指令序列下发到“指令分发器”,“指令分发器”位于“边缘侧”是一个分布式嵌入式智能网关,负责接收指令序列,维护指令队列,并将指令下发给指定执行终端。
本发明的收益效果是:
本发明通过构建“贝叶斯优先级决策模型”,“任务时间自学习预测模型”,“基于并行架构的优化求解器”机器学习模型,构成一条“人工智能”模型链,并通过“动态载荷表”实现资源载荷实时追踪和前馈预测计算,实现任务群的实时自主资源分配与排程,本发明涉及的计算模型具备实时性,自学习性,资源自主分配,抗扰动四方面本领。
因此通过这种上述方式,由于制造现场的工况复杂,生产计划与实际执行结果通常会产生很大的偏差。静态的计划无法适应动态的资源变化;动态的计划又无法适应现场实际情况,最终导致计划与制造执行脱节的技术问题。
当然,实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明总体数据流程图;
图2为本发明任务优先级贝叶斯决策模型;
图3为本发明任务完工时间预测自学习模型;
图4为本发明并行遗传算法求解器;
图5为本发明指令分发器。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
如图1-5所示,本实施例为一种基于动态载荷的并行计算生产排程方法,包括工艺编码器、任务优先级决策器、任务队列管理器、预测求解器、遗传算法求解器,所述工艺编码器接受任务流,所述任务优先级决策器:通过建立贝叶斯决策机器学习模型,任务队列管理器是制备具备优先级属性的任务池,预测求解器计算出任务的最优预计完工时间,遗传算法求解器将任务池中所有任务分配到实体资源设备上,任务执行与反馈,干扰嗅探器探测任务池变动。
本实施例提供一种基于动态载荷的并行计算生产排程方法,包括工艺编码器接受任务流,任务优先级决策器通过建立贝叶斯决策机器学习模型,任务队列管理器是制备具备优先级属性的任务池,预测求解器计算出任务的最优预计完工时间,遗传算法求解器将任务池中所有任务分配到实体资源设备上,任务执行与反馈,干扰嗅探器探测任务池变动,完成一次任务池全局动态规划。
其中,所述工艺编码器”接受“任务流”,通过“工艺关联”与“工艺编码”将每个“任务”进行编码。记为:Ti={Oij}其中Oij表示第i个任务,第j个工序,即第i个任务由Oij“工序向量”构成,任务优先级决策器通过建立“贝叶斯决策机器学***移性,使得算法可以并行化,即在各自有限级集合中求解,待前一优先级完成计算后,在附加到下一个集合上,“并行化”:按照优先级将任务池划分为多个子集,子集即为“子任务,每个子任务均有优先级标签,令任务池集合:T=T1 U T2,....U Tz Ti为T的子集,即是T总集合的任务片段:/>且满足:①R(Ti)≥R(Ti+1),即子集i的优先级大于等于i+1子集的优先级,②/>即种群内任务优先级相同,“并行因子增强”:对任一子集,通过约束条件进行子集分割,即通过在“优先级子集”上增加新的属性,增大“子任务”类别,降低子任务规模,从而提高算法的计算并行度,这个步骤并不影响算法的一般性,并行因子定义为:Z为任务子集数目。即平均每个任务子集中包含的任务数量,“子任务初始化”依据子任务规模,为每个子集初始化算法参数"种群规模"、"遗传代次"、"交叉因子"、"变异因子",种群规模是指子任务求解的初始解的数目,“并行遗传算法求解器”同时在各任务子集上应用,在每个“子集”上应用“遗传算法求解器”,获得每个任务子集的最优解,“并行任务合成”将所有子任务集合的最优解{slv(Ti)},i=1,...,Z,通过线性合成算法最终合成任务池所有任务的解S(T),“前馈载荷”作为合成“背景”,即将计算时刻的资源排程状态作为初值,“任务分发器”:求解完成S(T)之后,使用“指令生成器”将资源分配结果“拆解”为指令序列,指令序列产生后,通过“物联网”将指令序列下发到“指令分发器”,“指令分发器”位于“边缘侧”是一个分布式嵌入式智能网关,负责接收指令序列,维护指令队列,并将指令下发给指定执行终端。
本实施例的一个具体应用为:优先级决策器”的输入是由工序编码组成的任务编号,每个任务编号都对应一段证据向量。“自主求解器”是整个方法的核心部分,采用基于并行计算的遗传算法求解任务池的全局最优解,输入是任务队列,输出则是“最优解”,最优解由工序动态排程表和设备动态载荷表组成,动态表通过"内存数据库"进行持久化。"联合载荷数据库"是将两张动态表联合,形成资源载荷在时间维度上的数据分布集合。“任务分发器”将任务池中已排程的任务转换为执行指令下发到各个执行单元。“载荷前馈器”监控“各任务实际进度”以及跟踪“由进度变化引起的设备载荷变化”,综合实际反馈数据向前预测“在制任务”未来工作的计划,即对“在制任务”进行实时滚动计算刷新,图2是贝叶斯决策模型,目标是对任务进行优先级标记。同时使得决策具有“学习”本领。在应用时,算法不断利用历史标记,优化模型中的“先验概率”参数,将人的经验记录袭来。使用次数越多,决策结果越贴近人的判断直觉,决策目标 Y={1,0,-1},其中1为抢占优先级,0为正常优先级,-1为低优先级,X为证据向量,证据向量一般由影响任务“紧迫程度”的参数构成:交期、脱期惩罚金额、制造件数等,Ytarget最终分类结果,式1~式3构成贝叶斯决策模型,图3完工预测自学习模型。“递归求解器”通过“梯度下降”求解误差函数极小值;每次递归产生新的参数向量;“任务执行”(图1)过程中,算法会持续记录工序完工时间,形成工序完工时间历史数据库。“周期调节阀”是从历史数据库中采用“窗口移动”方式框定新的训练数据集,实际采集到的任务工时y,与通过模型计算出来的估计值的差值,是***误差,并作为求解器的输入,y=b0+b1x1+...+bjxj+...+bnxn,xj是Ti的第j个工序的工时;/>其中xj为工序工时历史数据的M次均值,y是Ti完成单件的工时;bk是为回归系数;递归求解器:/>J(B)为代价函数,模型为: 为第u次迭代的代价函数梯度,α为学习率,算法目标是通过求梯度下降解器求解代价函数最小值,此时的B即为为最优解。图4遗传算法并行求解模型。为了降低算法对问题规模的依赖,本发明采用并行算法模型。“任务并行化”将串行计算问题并行化;“并行遗传算法求解器”,是将多个遗传算法应用于不同任务级,“并发”解算;通过“并行运算合成”将多任务的最优解“合成”为最终解,合成运算模型有式定义,tje为第j序的完工时间,tjs为第j序的开始时间;tj为第j序的制造时间,目标函数:/>代价函数:cost=min{tje},j=1...nop求解目标:maxf(tje)|{Oij∈Ti}并行运算合成令S(0)为前馈载荷,/>为任务子集Ti以“0”时刻为基准的“解”,合成递归方程如下:/>其中i=1...Z,Z为子集数目,图5指令分发器。指令是一个向量/> 表示工序Oij分配到机器Mk上,且开始时间为ts,预计完工时间te,指令动作A,“执行实体”收到指令后,执行的操作。“动作A”是由不同动作编码组成,如启动、停止、装定参数、更换刀具等。
在本说明书的描述中,参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料等特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节,也不限制该发明仅为所述的具体实施方式。显然,根据本说明书的内容,可作很多的修改和变化。本说明书选取并具体描述这些实施例,是为了更好地解释本发明的原理和实际应用,从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。
Claims (3)
1.一种基于动态载荷的并行计算生产排程***,其特征在于:包括工艺编码器、任务优先级决策器、任务队列管理器、预测求解器、遗传算法求解器,所述工艺编码器接受任务流,所述任务优先级决策器:通过建立贝叶斯决策机器学习模型对输入的任务流进行优先级分类处理;所述任务队列管理器是制备具备优先级属性的任务池,预测求解器计算出任务的最优预计完工时间,遗传算法求解器将任务池中所有任务分配到实体资源设备上,任务执行与反馈,干扰嗅探器探测任务池变动;
其生产排程方法包括如下步骤:
步骤S1:工艺编码器接受任务流;
步骤S2:任务优先级决策器通过建立贝叶斯决策机器学习模型对输入的任务流进行优先级分类处理;
步骤S3:任务队列管理器是制备具备优先级属性的任务池;
步骤S4:预测求解器计算出任务的最优预计完工时间;
步骤S5:遗传算法求解器将任务池中所有任务分配到实体资源设备上;
步骤S6:任务执行与反馈;
步骤S7:干扰嗅探器探测任务池变动;
步骤S8:完成一次任务池全局动态规划;
所述工艺编码器”接受“任务流”,通过“工艺关联”与“工艺编码”将每个“任务”进行编码;记为:Ti={Oij}其中Oij表示第i个任务,第j个工序,即第i个任务由Oij“工序向量”构成;
所述任务队列管理器制备“具备优先级属性”的任务池,优先级任务流作为模块的输入,根据优先级自动调整任务在队列中的位置,采用“优先级竞争策略”调整任务在队列中的位置,假设有两个任务Ti,Th,若RTi=RTh,即子集i的优先级等于子集h的优先级,则比较所对应的后验概率,后验概率大的“胜出”,胜出者排在任务队列的前面,优先获取“资源分配”的机会;
所述预测求解器计算出任务的最优预计完工时间,该算法不断汲取历史经验数据,通过自学习机制持续优化模型,经验数据是在任务执行过程中不断产生,从而确保训练数据集总是存在新的经验;
所述遗传算法求解器将任务池中所有任务分配到实体资源设备上,在所有分配方案中,找到一个最佳分配方案,在该方案中使得最大的完工时间,在所有分配方案中最小,即最优解,通过建立“基于优先级约束下的遗传算法”加速算法收敛速度,实现求解的实时特性。
2.根据权利要求1所述一种基于动态载荷的并行计算生产排程***,其特征在于:所述任务优先级决策器通过建立“贝叶斯决策机器学习”模型,对输入的任务流进行优先级分类处理,任何一个任务具有“急迫程度”属性,而任务是否紧迫取决于很多因素,即证据向量该算法模拟人类处理任务时拥有的判断能力——即“紧急的”任务必须优先处理。
3.根据权利要求1或2所述的一种基于动态载荷的并行计算生产排程***,其特征在于:由于优先级的存在,在利用遗传算法时,可以快速完成“同优先级任务”的求解,求解结果作为下一个优先级的初值,大幅度降低问题规模,每个优先级集合中都有自己种群规模,同时由于初始具有平移性,使得算法可以并行化,即在各自有限级集合中求解;待前一优先级完成计算后,在附加到下一个集合上,“并行化”:按照优先级将任务池划分为多个子集,子集即为“子任务,每个子任务均有优先级标签,令任务池集合:T=T1UT2,....UTz,Ti为T的子集,即是T总集合的任务片段:Ti={Th,....,Th+d}且满足:①R(Ti)≥R(Ti+1),即子集i的优先级大于等于子集i+1的优先级,②R(Ti)=R(Tj),Ti,Tj∈Tz,即种群内任务优先级相同,“并行因子增强”:对任一子集,通过约束条件进行子集分割,即通过在“优先级子集”上增加新的属性,增大“子任务”类别,降低子任务规模,从而提高算法的计算并行度,这个步骤并不影响算法的一般性,并行因子定义为:Z为任务子集数目,即平均每个任务子集中包含的任务数量,“子任务初始化”依据子任务规模,为每个子集初始化算法参数"种群规模"、"遗传代次"、"交叉因子"、"变异因子",种群规模是指子任务求解的初始解的数目,“并行遗传算法求解器”同时在各任务子集上应用,在每个“子集”上应用“遗传算法求解器”,获得每个任务子集的最优解,“并行任务合成”将所有子任务集合的最优解{slv(Ti)},i=1,...,Z,通过线性合成算法最终合成任务池所有任务的解S(T),“前馈载荷”作为合成“背景”,即将计算时刻的资源排程状态作为初值,“任务分发器”:求解完成S(T)之后,使用“指令生成器”将资源分配结果“拆解”为指令序列,指令序列产生后,通过“物联网”将指令序列下发到“指令分发器”,“指令分发器”位于“边缘侧”是一个分布式嵌入式智能网关,负责接收指令序列,维护指令队列,并将指令下发给指定执行终端。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010237009.XA CN111461525B (zh) | 2020-03-30 | 2020-03-30 | 一种基于动态载荷的并行计算生产排程***及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010237009.XA CN111461525B (zh) | 2020-03-30 | 2020-03-30 | 一种基于动态载荷的并行计算生产排程***及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111461525A CN111461525A (zh) | 2020-07-28 |
CN111461525B true CN111461525B (zh) | 2023-12-29 |
Family
ID=71681550
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010237009.XA Active CN111461525B (zh) | 2020-03-30 | 2020-03-30 | 一种基于动态载荷的并行计算生产排程***及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111461525B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112114973B (zh) * | 2020-09-29 | 2024-02-13 | 中国银行股份有限公司 | 一种数据处理方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101271543A (zh) * | 2008-04-23 | 2008-09-24 | 永凯软件技术(上海)有限公司 | 一种应用了基于精英解池的遗传算法的生产排程***和方法 |
CN102508708A (zh) * | 2011-11-30 | 2012-06-20 | 湖南大学 | 基于改进遗传算法的异构多核节能任务调度方法 |
CN109598416A (zh) * | 2018-11-13 | 2019-04-09 | 中国航天***科学与工程研究院 | 一种复材车间的动态排产***及排产方法 |
CN110189040A (zh) * | 2019-06-04 | 2019-08-30 | 合肥博耀信息技术有限公司 | 一种智慧生产排产算法 |
CN110210700A (zh) * | 2019-04-19 | 2019-09-06 | 中国科学院遥感与数字地球研究所 | 面向应急响应的基于任务优先级的多星动态任务规划方法 |
CN110378528A (zh) * | 2019-07-17 | 2019-10-25 | 南京大学 | 基于遗传算法的车间排产方法及*** |
-
2020
- 2020-03-30 CN CN202010237009.XA patent/CN111461525B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101271543A (zh) * | 2008-04-23 | 2008-09-24 | 永凯软件技术(上海)有限公司 | 一种应用了基于精英解池的遗传算法的生产排程***和方法 |
CN102508708A (zh) * | 2011-11-30 | 2012-06-20 | 湖南大学 | 基于改进遗传算法的异构多核节能任务调度方法 |
CN109598416A (zh) * | 2018-11-13 | 2019-04-09 | 中国航天***科学与工程研究院 | 一种复材车间的动态排产***及排产方法 |
CN110210700A (zh) * | 2019-04-19 | 2019-09-06 | 中国科学院遥感与数字地球研究所 | 面向应急响应的基于任务优先级的多星动态任务规划方法 |
CN110189040A (zh) * | 2019-06-04 | 2019-08-30 | 合肥博耀信息技术有限公司 | 一种智慧生产排产算法 |
CN110378528A (zh) * | 2019-07-17 | 2019-10-25 | 南京大学 | 基于遗传算法的车间排产方法及*** |
Non-Patent Citations (2)
Title |
---|
朱华炳等.基于紧急订单的并行流水线动态调度研究.《制造业自动化》.2014,第36卷(第4期),第19-22页. * |
苗志鸿等.考虑优先级的IPPS紧急订单处理问题研究.《西安理工大学学报》.2019,第35卷(第4期),第434-442页. * |
Also Published As
Publication number | Publication date |
---|---|
CN111461525A (zh) | 2020-07-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Learning scheduling policies for multi-robot coordination with graph attention networks | |
Waschneck et al. | Deep reinforcement learning for semiconductor production scheduling | |
Zhao et al. | Dynamic jobshop scheduling algorithm based on deep Q network | |
CN102402716B (zh) | 智能生产决策支持*** | |
Samsonov et al. | Manufacturing Control in Job Shop Environments with Reinforcement Learning. | |
US20210073695A1 (en) | Production scheduling system and method | |
CN116542445A (zh) | 基于深度强化学习的装备制造车间智能调度方法和*** | |
CN101788819A (zh) | 大规模生产过程一种基于迭代式分解和流松驰的调度方法 | |
CN112907150B (zh) | 一种基于遗传算法的生产排程方法 | |
CN111461525B (zh) | 一种基于动态载荷的并行计算生产排程***及方法 | |
CN112488542A (zh) | 基于机器学习的智慧工地智能物料调度方法及*** | |
Ghaleb et al. | Reinforcement learning-based real-time scheduling under random machine breakdowns and other disturbances: A case study | |
Palombarini et al. | Automatic generation of rescheduling knowledge in socio-technical manufacturing systems using deep reinforcement learning | |
Tassel et al. | Semiconductor Fab Scheduling with Self-Supervised and Reinforcement Learning | |
Monfared et al. | Design of integrated manufacturing planning, scheduling and control systems: a new framework for automation | |
CN112488543A (zh) | 基于机器学习的智慧工地智能排班方法及*** | |
Zhang et al. | An imperialist competitive algorithm incorporating remaining cycle time prediction for photolithography machines scheduling | |
Varghese et al. | Dynamic spatial block arrangement scheduling in shipbuilding industry using genetic algorithm | |
CN113485278B (zh) | 优化两生产指标的柔性作业车间调度多目标分布估计方法 | |
CN113743784A (zh) | 一种基于深度强化学习的生产时序表智能生成方法 | |
Zhang et al. | Intelligent dispatching in dynamic stochastic job shops | |
Li et al. | Human-system cooperative hybrid augmented intelligence based dynamic dispatching framework of semiconductor wafer fabrication facility | |
Giner et al. | Demonstrating reinforcement learning for maintenance scheduling in a production environment | |
Fan et al. | A Matheuristic-based Rescheduling Method for Flexible Job Shops with Lot-streaming and Machine Reconfigurations | |
Zhang et al. | Data-Driven Dynamic Scheduling Algorithm for Multi-Objective Distributed Hybrid Flowshop |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |