专利交易市场

基于Keras的作业车间调度方法，包括：(1)定义作业车间调度问题；(2)构建网络模型；(3)加载作业车间调度问题的DQN类。本发明融合了神经网络和Q学习的方法来对作业车间调度问题进行优化。将作业车间调度在实际应用中状态和动作当作神经网络的输入，然后经过神经网络分析后得到动作的Q值，可以极大的优化计算机内存，且可以使原本更加复杂的问题变得简单。深度Q学习算法的经验回放机制，可以将智能体于环境交互产生的经验数据依次存储到固定大小的经验池中，算法每次迭代时从经验池中随机抽取一个小批量的数据来学习，这种从经验池中随机抽取数据的方式打破了原本序列数据的强相关性，提高了算法的稳定性，并且提高了数据的利用效率。

本发明涉及用于零等待作业车间调度的工件加工时刻获取方法及设备，所述方法包括以下步骤：获取待加工的工件生产信息和预设的工件序列；基于工件生产信息计算两两工件间开始时刻差的可行区间集；将工件序列中的第一个工件的开始时刻设为零，采用深度优先的回溯搜索，基于可行区间集，获取目标值最优时对应的调度时刻表，该调度时刻表包含工件序列中各工件的开始时刻；进行回溯搜索时，基于工件序列中的工件顺序及可行区间集中的每个左端点时刻构建多层多叉树结构，对多层多叉树结构进行搜索，并对每个节点进行目标值计算，获取目标值最优时对应的调度时刻表。与现有技术相比，本发明具有精度高、效率高等优点，可保证搜索到全局最优调度解。

本发明属于作业车间调度领域，公开了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，获取取加工数据信息，加工数据信息包括柔性作业车间的工件和相应的工序，加工机器和相应的加工时间、释放时间，以及交货期；以最小化最大完工时间和总拖期时间为优化目标，建立柔性作业车间调度模型；采用基于拥挤距离和最早完工时间规则的多目标分布估计方法来优化所述柔性作业车间调度模型，获得最优化的调度方案解集。本发明采用拥挤距离和最早完工时间规则的多目标分布估计算法能够获得更好的工序排序和机器分配方案，减少了产品制造周期，降低了库存成本和防止了产品生产的逾期风险，提高了经济效益。

本发明提供了一种基于生产数据驱动的动态作业车间调度规则智能选择方法，属于制造企业作业车间排产调度应用领域，主要包括：引入Multi‑Pass算法仿真机制，建立作业车间生产调度仿真平台，生成排产调度的样本数据；对获得的样本数据作筛选，生成调度参数集；设计不同调度目标下用于调度知识学习的BP神经网络模型；提出一种改进的萤火虫算法优化BP神经网络模型的训练，获得NFA‑BP模型；将各调度目标下的NFA‑BP模型集合成一个智能调度模块，并与作业车间MES系统进行集成，指导在线调度；人工调整在线排产调度的偏差并更新调度参数集，智能调度模块进行在线优化学习；适应了真实车间生产状况的智能调度模块根据当前作业冲突决策点输出最优调度规则。