CN109919355A - 一种基于故障的rgv单工序产品加工数量预测方法 - Google Patents
一种基于故障的rgv单工序产品加工数量预测方法 Download PDFInfo
- Publication number
- CN109919355A CN109919355A CN201910073140.4A CN201910073140A CN109919355A CN 109919355 A CN109919355 A CN 109919355A CN 201910073140 A CN201910073140 A CN 201910073140A CN 109919355 A CN109919355 A CN 109919355A
- Authority
- CN
- China
- Prior art keywords
- cutter head
- rgv
- product
- duration
- indicate
- 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.)
- Granted
Links
Classifications
-
- 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
- General Factory Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Numerical Control (AREA)
Abstract
本发明公开了一种基于故障的RGV单工序产品加工数量预测方法,包括:以单次二道工序产品通过RGV系统加工完成的时长数据为系统参数,对单轨道两边各四组对称加工刀头的RGV智能加工,选择一道工序产品加工刀头CNC等待时间和二道工序产品加工刀头CNC空闲时间最小为总目标,考虑随机故障发生的系统产品加工物品编号、加工时长、加工刀头CNC标号为系统约束变量,建立生物演化——动态规划预测模型,采用随机增量学习机制求出加工刀头CNC的最佳一道和二道工序分配方案,对批量产品生产和加工进行预测分析。
Description
技术领域
本发明涉及RGV技术领域,尤其涉及一种基于故障的RGV单工序产品加工数量预测方法。
背景技术
RGV智能系统调度方法是指在一定策略下的RGV智能系统工作方案,通常策略方案与实际应用有直接的关系,工作方案导致的结果决定后续工作的安排。因此,在工作执行之前对系统产方案产生的结果作相应预测,对决定整体工作方案很有必要。随着科学技术的发展,单轨道RGV智能系统凭借着价格低廉,智能操控、方便灵活的优点,被广泛应用于产品自动化深加工和仓储运输等行业。由于各行业需求的差异,RGV智能系统在技术和应用上也呈现不同的发展趋势。
对于一定故障的RGV智能系统单工序调度预测模型最常见是遗传算法模型,是一种随机搜索方法,该模型通过遗传算法基本思想:遗传、交叉、突变进行决策,按照一定的概率来进行模拟分析,这种概率的选取带有一定主观性;另外还有一些网络模型如有向图和Petri网等,通过网络的构建,将物品加工演化成一定的网络的改变,网络模型能有效避免既定的主观因素,但网络模型需要大量的数据训练求解,训练不完善,会出现锁死现象。
发明内容
基于背景技术存在的技术问题,本发明提出了一种基于故障的RGV单工序产品加工数量预测方法;
本发明提出的一种基于故障的RGV单工序产品加工数量预测方法,包括:
S1、预设刀头加工产品时上下料时间、清洗时长、产品的加工时长、状态变量、产品的编号、RGV移动时长、产品的生产数目、产品的转移次数、刀头的标号、RGV位置、刀头的工作总时长、刀头故障时间节点,所述状态变量包括空闲变量和非空闲变量;
S2、根据预设的刀头空闲加工时长优先策略确定RGV到达的刀头,并控制RGV向刀头移动;
S3、获取当前时间,判断当前时间是否为刀头故障时间节点,若是,随机将任一个刀头标记为故障刀头,并执行步骤S4;若否,执行步骤S5;
S4、判断故障刀头是否为RGV到达的刀头,若是,RGV停止向刀头移动,执行步骤S2;若否,执行步骤S5;
S5、获取RGV位置,判断RGV是否到达刀头,若是,执行步骤S6;若否,RGV继续向刀头移动;
S6、判断刀头是否空闲,若是,进行刀头上料,并根据预设的离散化生物演化方程更新刀头空闲状态变量,直到上料完成后,更新产品的生产数目,执行步骤S7;若否,进行刀头下料及清洗,并根据预设的离散化生物演化方程更新刀头非空闲状态变量,直到下料完成后,更新产品的生产数目,执行步骤S7;
S7、获取当前时间,判断当前时间是否超过预设的刀头的工作总时长,若是,输出产品的生产数目及产品的编号;若否,将产品的加工时长、RGV移动时长和刀头的工作总时长进行时间深度递归,执行步骤S2。
优选地,步骤S1中,所述确定刀头故障时间节点,具体为:根据预设的随机函数按刀头故障发生率生成若干个刀头故障时间节点。
优选地,步骤S2中,所述根据预设的刀头空闲加工时长优先策略确定RGV到达的刀头,具体为:
获取所有刀头的状态变量和刀头加工的产品的加工时长,根据所有刀头的状态变量判断是否有刀头的状态变量为空闲状态变量,若是,确定RGV到达的刀头为状态变量为空闲状态变量的刀头;若否,确定RGV到达的刀头为产品的加工时长最长对应的刀头。
优选地,步骤S3中,所述随机将任一个刀头标记为故障刀头,具体为:
随机将一个状态变量为非空闲状态变量的刀头加工的产品的编号更新为0、产品的加工时长更新为预设的停止时间阈值。
优选地,步骤S6中,所述根据预设的离散化生物演化方程更新刀头空闲状态变量,具体为:
通过离散化生物演化方程Fj+1(Sj+1,Nj+1,Tj+1,NCj+1)=αFj(Sj,Nj,Tj,NCj)+β进行演化,并更新Tj+1=Tj+t,mt′=t′+tm,Sj+1=Sj+1,Nj+1(w)=Sj,Tj+1=Tj+tm+tc/2,NCj+1(w)=w,t′=t′+tc/2,其中,Fj(Sj,Nj,Tj,NCj)=[Sj,Nj,Tj,NCj]T,α、β为方程系数,Tj表示第j个产品的加工时长,tm表示RGV移动时长,t′表示刀头的工作总时长,Sj表示第j个产品的转移次数,w表示RGV到达的刀头的标号,tc表示上下料时间,Nj表示第j个产品的编号,Tj表示第j个产品的加工时长,NCj表示第j个刀头的标号。
优选地,步骤S6中,所述根据预设的离散化生物演化方程更新刀头非空闲状态变量,具体为:
通过离散化生物演化方程Fj+1(Sj+1,Nj+1,Tj+1,NCj+1)=αFj(Sj,Nj,Tj,NCj)+β进行演化,并更新Tj+1=Tj+tm,t′=t′+tm,Sj+1=Sj+1,Nj+1(w)=Sj,NCj+1(w)=w,Tj+1=Tj+tm+tc+tq,Tj+1(w)=1,t′=t′+tc+tq,其中,α、β为方程系数,Fj(Sj,Nj,Tj,NCj)=[Sj,Nj,Tj,NCj]T,Tj表示第j个产品的加工时长,tm表示RGV移动时长,t′表示刀头的工作总时长,Sj表示第j个产品的转移次数,w表示刀头的标号,tc表示上下料时间,Nj表示第j个产品的编号,Tj表示第j个产品的加工时长,NCj表示第j个刀头的标号,tq表示清洗时长。
优选地,步骤S7中,所述将产品的加工时长、RGV移动时长和刀头的工作总时长进行时间深度递归,具体为:
Tj+1=Tj+tm,刀头的工作总时长t′=t′+tm,其中,Tj+1表示第j+1个产品的加工时长,Tj表示第j个产品的加工时长,tm表示RGV移动时长,t′表示刀头的工作总时长。
本发明中,以刀头空闲加工时长优先策略,选择RGV到达的刀头,避免人为设定概率变化规律,在故障发生情况下,优先考虑故障刀头对应的状态关系,然后再对产品的转移次数、产品的编号、加工时长、刀头的标号四个参数进行作生物演化形式进行时间状态转移,能很好的处理故障停顿对RGV小车的影响,不需要进行大量训练,即可得到产品生产计划,在有故障发生的情况下,能按照既定的决策进行自动化运作,计算过程简单,容易实现,模型预测结果能客观有效的RGV实际工作流程,为企业制定产品加工计划提供可靠帮助。
附图说明
图1为本发明提出的一种基于故障的RGV单工序产品加工数量预测方法的流程示意图。
具体实施方式
参照图1,本发明提出的一种基于故障的RGV单工序产品加工数量预测方法,包括:
步骤S1,预设刀头加工产品时上下料时间、清洗时长、产品的加工时长、状态变量、产品的编号、RGV移动时长、产品的生产数目、产品的转移次数、刀头的标号、RGV位置、刀头的工作总时长、刀头故障时间节点,所述状态变量包括空闲变量和非空闲变量;
本步骤中,根据预设的随机函数按刀头故障发生率生成若干个刀头故障时间节点。
在具体方案中,只需取单位个产品单工序加工时长参数,相对于网络模型而言不需要进行大量训练,即可得到产品生产计划。
步骤S2,根据预设的刀头空闲加工时长优先策略确定RGV到达的刀头,并控制RGV向刀头移动。
本步骤中,获取所有刀头的状态变量和刀头加工的产品的加工时长,根据所有刀头的状态变量判断是否有刀头的状态变量为空闲状态变量,若是,确定RGV到达的刀头为状态变量为空闲状态变量的刀头;若否,确定RGV到达的刀头为产品的加工时长最长对应的刀头。
在具体方案中,以刀头空闲加工时长优先策略,RGV到达的刀头优先选择刀头的状态变量为空闲状态变量的刀头,即空闲的刀头;在所有的刀头均为非空闲状态变量,RGV到达的刀头优先选择产品的加工时长最长对应的刀头,即对当前正在加工的产品已加工时间最长的刀头,避免人为设定概率变化规律。
步骤S3,获取当前时间,判断当前时间是否为刀头故障时间节点,若是,随机将任一个刀头标记为故障刀头,并执行步骤S4;若否,执行步骤S5。
本步骤中,随机将一个状态变量为非空闲状态变量的刀头加工的产品的编号更新为0、产品的加工时长更新为预设的停止时间阈值。
步骤S4,判断故障刀头是否为RGV到达的刀头,若是,RGV停止向刀头移动,执行步骤S2;若否,执行步骤S5。
步骤S5,获取RGV位置,判断RGV是否到达刀头,若是,执行步骤S6;若否,RGV继续向刀头移动。
步骤S6,判断刀头是否空闲,若是,进行刀头上料,并根据预设的离散化生物演化方程更新刀头空闲状态变量,直到上料完成后,更新产品的生产数目,执行步骤S7;若否,进行刀头下料及清洗,并根据预设的离散化生物演化方程更新刀头非空闲状态变量,直到下料完成后,更新产品的生产数目,执行步骤S7。
本步骤中,根据预设的离散化生物演化方程更新刀头空闲状态变量,具体为:
通过离散化生物演化方程Fj+1(Sj+1,Nj+1,Tj+1,NCj+1)=αFj(Sj,Nj,Tj,NCj)+β进行演化,并更新Tj+1=Tjt,mt′=t′+tm,Sj+1=Sj+1,Nj+1(w)=Sj,Tj+1=Tj+tm+tc/2,NCj+1(w)=w,t′=t′+tc/2,其中,Fj(Sj,Nj,Tj,NCj)=[Sj,Nj,Tj,NCj]T,α、β为方程系数,Tj表示第j个产品的加工时长,tm表示RGV移动时长,t′表示刀头的工作总时长,Sj表示第j个产品的转移次数,w表示RGV到达的刀头的标号,tc表示上下料时间,Nj表示第j个产品的编号,Tj表示第j个产品的加工时长,NCj表示第j个刀头的标号。
本步骤中,根据预设的离散化生物演化方程更新刀头非空闲状态变量,具体为:
通过离散化生物演化方程Fj+1(Sj+1,Nj+1,Tj+1,NCj+1)=αFj(Sj,Nj,Tj,NCj)+β进行演化,并更新Tj+1=Tj+tm,t′=t′+tm,Sj+1=Sj+1,Nj+1(w)=Sj,NCj+1(w)=w,Tj+1=Tj+tm+tc+tq,Tj+1(w)=1,t′=t′+tc+tq,其中,α、β为方程系数,
Fj(Sj,Nj,Tj,NCj)=[Sj,Nj,Tj,NCj]T,Tj表示第j个产品的加工时长,tm表示RGV移动时长,t′表示刀头的工作总时长,Sj表示第j个产品的转移次数,w表示刀头的标号,tc表示上下料时间,Nj表示第j个产品的编号,Tj表示第j个产品的加工时长,NCj表示第j个刀头的标号,tq表示清洗时长。
步骤S7,获取当前时间,判断当前时间是否超过预设的刀头的工作总时长,若是,输出产品的生产数目及产品的编号;若否,将产品的加工时长、RGV移动时长和刀头的工作总时长进行时间深度递归,执行步骤S2。
本步骤中,Tj+1=Tj+tm,刀头的工作总时长t′=t′+tm,其中,Tj+1表示第j+1个产品的加工时长,Tj表示第j个产品的加工时长,tm表示RGV移动时长,t′表示刀头的工作总时长。
在具体方案中,在故障发生情况下,优先考虑故障刀头对应的状态关系,然后再对产品的转移次数、产品的编号、加工时长、刀头的标号四个参数进行作生物演化形式进行时间状态转移,能很好的处理故障停顿对RGV小车的影响。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (7)
1.一种基于故障的RGV单工序产品加工数量预测方法,其特征在于,包括:
S1、预设刀头加工产品时上下料时间、清洗时长、产品的加工时长、状态变量、产品的编号、RGV移动时长、产品的生产数目、产品的转移次数、刀头的标号、RGV位置、刀头的工作总时长、刀头故障时间节点,所述状态变量包括空闲变量和非空闲变量;
S2、根据预设的刀头空闲加工时长优先策略确定RGV到达的刀头,并控制RGV向刀头移动;
S3、获取当前时间,判断当前时间是否为刀头故障时间节点,若是,随机将任一个刀头标记为故障刀头,并执行步骤S4;若否,执行步骤S5;
S4、判断故障刀头是否为RGV到达的刀头,若是,RGV停止向刀头移动,执行步骤S2;若否,执行步骤S5;
S5、获取RGV位置,判断RGV是否到达刀头,若是,执行步骤S6;若否,RGV继续向刀头移动;
S6、判断刀头是否空闲,若是,进行刀头上料,并根据预设的离散化生物演化方程更新刀头空闲状态变量,直到上料完成后,更新产品的生产数目,执行步骤S7;若否,进行刀头下料及清洗,并根据预设的离散化生物演化方程更新刀头非空闲状态变量,直到下料完成后,更新产品的生产数目,执行步骤S7;
S7、获取当前时间,判断当前时间是否超过预设的刀头的工作总时长,若是,输出产品的生产数目及产品的编号;若否,将产品的加工时长、RGV移动时长和刀头的工作总时长进行时间深度递归,执行步骤S2。
2.根据权利要求1所述的基于故障的RGV单工序产品加工数量预测方法,其特征在于,步骤S1中,所述确定刀头故障时间节点,具体为:根据预设的随机函数按刀头故障发生率生成若干个刀头故障时间节点。
3.根据权利要求1所述的基于故障的RGV单工序产品加工数量预测方法,其特征在于,步骤S2中,所述根据预设的刀头空闲加工时长优先策略确定RGV到达的刀头,具体为:
获取所有刀头的状态变量和刀头加工的产品的加工时长,根据所有刀头的状态变量判断是否有刀头的状态变量为空闲状态变量,若是,确定RGV到达的刀头为状态变量为空闲状态变量的刀头;若否,确定RGV到达的刀头为产品的加工时长最长对应的刀头。
4.根据权利要求1所述的基于故障的RGV单工序产品加工数量预测方法,其特征在于,步骤S3中,所述随机将任一个刀头标记为故障刀头,具体为:
随机将一个状态变量为非空闲状态变量的刀头加工的产品的编号更新为0、产品的加工时长更新为预设的停止时间阈值。
5.根据权利要求1所述的基于故障的RGV单工序产品加工数量预测方法,其特征在于,步骤S6中,所述根据预设的离散化生物演化方程更新刀头空闲状态变量,具体为:
通过离散化生物演化方程Fj+1(Sj+1,Nj+1,Tj+1,NCj+1)=αFj(Sj,Nj,Tj,NCj)+β进行演化,并更新
Tj+1=Tj+tm,t′=t′+tm,Sj+1=Sj+1,Nj+1(w)=Sj,Tj+1=Tj+tm+tc/2,NCj+1(w)=w,t′=t′+tc/2,其中,Fj(Sj,Nj,Tj,NCj)=[Sj,Nj,Tj,NCj]T,α、β为方程系数,Tj表示第j个产品的加工时长,tm表示RGV移动时长,t′表示刀头的工作总时长,Sj表示第j个产品的转移次数,w表示RGV到达的刀头的标号,tc表示上下料时间,Nj表示第j个产品的编号,Tj表示第j个产品的加工时长,NCj表示第j个刀头的标号。
6.根据权利要求1所述的基于故障的RGV单工序产品加工数量预测方法,其特征在于,步骤S6中,所述根据预设的离散化生物演化方程更新刀头非空闲状态变量,具体为:
通过离散化生物演化方程Fj+1(Sj+1,Nj+1,Tj+1,NCj+1)=αFj(Sj,Nj,Tj,NCj)+β进行演化,并更新Tj+1=Tj+tm,t′=t′+tm,Sj+1=Sj+1,Nj+1(w)=Sj,NCj+1(w)=w,Tj+1=Tj+tm+tc+tq,Tj+1(w)=1,t′=t′+tc+tq,其中,α、β为方程系数,Fj(Sj,Nj,Tj,NCj)=[Sj,Nj,Tj,NCj]T,Tj表示第j个产品的加工时长,tm表示RGV移动时长,t′表示刀头的工作总时长,Sj表示第j个产品的转移次数,w表示刀头的标号,tc表示上下料时间,Nj表示第j个产品的编号,Tj表示第j个产品的加工时长,NCj表示第j个刀头的标号,tq表示清洗时长。
7.根据权利要求1所述的基于故障的RGV单工序产品加工数量预测方法,其特征在于,步骤S7中,所述将产品的加工时长、RGV移动时长和刀头的工作总时长进行时间深度递归,具体为:
Tj+1=Tj+tm,刀头的工作总时长t′=t′+tm,其中,Tj+1表示第j+1个产品的加工时长,Tj表示第j个产品的加工时长,tm表示RGV移动时长,t′表示刀头的工作总时长。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910073140.4A CN109919355B (zh) | 2019-01-25 | 2019-01-25 | 一种基于故障的rgv单工序产品加工数量预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910073140.4A CN109919355B (zh) | 2019-01-25 | 2019-01-25 | 一种基于故障的rgv单工序产品加工数量预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109919355A true CN109919355A (zh) | 2019-06-21 |
CN109919355B CN109919355B (zh) | 2022-11-08 |
Family
ID=66960796
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910073140.4A Active CN109919355B (zh) | 2019-01-25 | 2019-01-25 | 一种基于故障的rgv单工序产品加工数量预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109919355B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006004201A (ja) * | 2004-06-17 | 2006-01-05 | Matsushita Electric Ind Co Ltd | 生産計画プログラム、生産計画方法、及び生産計画装置 |
CN101794147A (zh) * | 2010-02-25 | 2010-08-04 | 北京理工大学 | 一种基于扰动事件驱动的车间作业动态调度方法 |
CN104636610A (zh) * | 2015-01-30 | 2015-05-20 | 同济大学 | 一种应用于动态环境下的制造系统派工信息修正方法 |
CN109032150A (zh) * | 2018-10-16 | 2018-12-18 | 山东师范大学 | 基于遗传算法分段优化的轨道式自动引导车动态调度方法 |
-
2019
- 2019-01-25 CN CN201910073140.4A patent/CN109919355B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006004201A (ja) * | 2004-06-17 | 2006-01-05 | Matsushita Electric Ind Co Ltd | 生産計画プログラム、生産計画方法、及び生産計画装置 |
CN101794147A (zh) * | 2010-02-25 | 2010-08-04 | 北京理工大学 | 一种基于扰动事件驱动的车间作业动态调度方法 |
CN104636610A (zh) * | 2015-01-30 | 2015-05-20 | 同济大学 | 一种应用于动态环境下的制造系统派工信息修正方法 |
CN109032150A (zh) * | 2018-10-16 | 2018-12-18 | 山东师范大学 | 基于遗传算法分段优化的轨道式自动引导车动态调度方法 |
Non-Patent Citations (2)
Title |
---|
JOSHUA C.NATION等: "Nonintrusive monitoring for shipboard fault detection", 《2017 IEEE SENSORS APPLICATIONS SYMPOSIUM (SAS)》 * |
李巧云等: "随机机器故障下单机预测调度方法", 《系统工程理论与实践》 * |
Also Published As
Publication number | Publication date |
---|---|
CN109919355B (zh) | 2022-11-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Burnwal et al. | Scheduling optimization of flexible manufacturing system using cuckoo search-based approach | |
Aryanezhad et al. | Dynamic cell formation and the worker assignment problem: a new model | |
CN110543953B (zh) | 基于狼群算法的空间约束下多目标拆卸线设置方法 | |
Li et al. | A hyperheuristic approach for intercell scheduling with single processing machines and batch processing machines | |
CN103439885A (zh) | 半导体生产线优化调度装置 | |
CN108279647B (zh) | 一种两阶段装配流水车间调度方法 | |
CN102609805A (zh) | 一种基于改进遗传算法的解决复杂生产环境下作业车间调度控制方法 | |
Dang et al. | A genetic algorithm-based heuristic for part-feeding mobile robot scheduling problem | |
Srichandum et al. | Production scheduling for dispatching ready mixed concrete trucks using bee colony optimization | |
CN110928261A (zh) | 分布式异构流水车间的分布估计调度方法及系统 | |
CN110490446A (zh) | 一种基于改进遗传算法的模块化工艺重组方法 | |
Beeks et al. | Deep reinforcement learning for a multi-objective online order batching problem | |
Hosseinian et al. | An energy-efficient mathematical model for the resource-constrained project scheduling problem: an evolutionary algorithm | |
CN110084462A (zh) | 一种基于故障rgv智能二道工序加工调度方法 | |
Delgoshaei et al. | A new method for decreasing cell-load variation in dynamic cellular manufacturing systems | |
Chen et al. | Bi-objective optimization of identical parallel machine scheduling with flexible maintenance and job release times | |
CN109919355A (zh) | 一种基于故障的rgv单工序产品加工数量预测方法 | |
Marzouki et al. | Decentralized Tabu searches in multi agent system for distributed and flexible job shop scheduling problem | |
CN110147078A (zh) | 一种无故障rgv智能系统二道工序加工动态调度方法 | |
Varghese et al. | Dynamic spatial block arrangement scheduling in shipbuilding industry using genetic algorithm | |
CN109784687A (zh) | 智慧云制造任务调度方法、可读存储介质和终端 | |
CN109767094A (zh) | 智慧云制造任务调度装置 | |
CN115437321A (zh) | 基于深度强化学习网络的微服务-多代理工厂调度模型 | |
CN109102211A (zh) | 改进布谷鸟搜索的高端装备批处理机调度方法及系统 | |
CN113033987A (zh) | 一种基于多代理机制的智能排产设计方法和装置 |
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 |