CN114936756A - 面向跨域协同车间迁移调度优化方法、装置及可存储介质 - Google Patents

面向跨域协同车间迁移调度优化方法、装置及可存储介质 Download PDF

Info

Publication number
CN114936756A
CN114936756A CN202210463871.1A CN202210463871A CN114936756A CN 114936756 A CN114936756 A CN 114936756A CN 202210463871 A CN202210463871 A CN 202210463871A CN 114936756 A CN114936756 A CN 114936756A
Authority
CN
China
Prior art keywords
historical
scheduling
solution set
optimization method
migration
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
Application number
CN202210463871.1A
Other languages
English (en)
Other versions
CN114936756B (zh
Inventor
赖李媛君
郭富强
彭程
张霖
任磊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beihang University
Original Assignee
Beihang University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beihang University filed Critical Beihang University
Priority to CN202210463871.1A priority Critical patent/CN114936756B/zh
Publication of CN114936756A publication Critical patent/CN114936756A/zh
Application granted granted Critical
Publication of CN114936756B publication Critical patent/CN114936756B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06Q10/06313—Resource planning in a project environment
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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"
    • 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)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Artificial Intelligence (AREA)
  • Development Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • Game Theory and Decision Science (AREA)
  • Tourism & Hospitality (AREA)
  • Evolutionary Computation (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Biology (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Educational Administration (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种面向跨域协同车间迁移调度优化方法、装置及可存储介质，涉及车间任务调度技术领域，其中方法包括以下步骤：从历史车间任务数据库中获取历史调度问题信息，并进行种群初始化；判断是否需要调用迁移优化方法；若不需要调用迁移优化方法，则选择出适应度更高的种群对整个种群进行更新；判断是否满足停止条件，若不满足则继续进行迭代循环，若满足则输出最终的调度方案；本发明通过获取历史调度问题信息中有助于解决当前目标优化调度问题的信息来加速当前优化调度过程，提高调度效率。

Description

面向跨域协同车间迁移调度优化方法、装置及可存储介质
技术领域
本发明涉及车间任务调度技术领域，更具体的说是涉及一种面向跨域协同车间迁移调度优化方法、装置及可存储介质。
背景技术
目前，车间调度是生产管理和控制中的重要部分，调度的任务是根据生产目标和约束，为每个加工对象确定具体的加工路线、时间、机器和操作等。优良的调度策略对于提高生产系统的最优性、提高经济效益有着极大的作用。
但是，现有的针对跨域协同分布式车间调度方法主要利用强化学习算法，存在以下缺点：(1)强化学习与任务调度算法的结合学习速度较慢由于强化学习不需要先验知识，从零开始学习，当遇到新问题时，需要重新训练模型进行学习。这使得学习效率较低，学习速度较慢。(2)强化学习与任务调度算法的结合学习成本较高在跨域协同任务调度问题中，由于动态响应机制的存在，存在求解速度较慢的问题。
因此，如何提供一种能够解决上述问题的一种分布式车间任务调度优化方法是本领域技术人员亟需解决的问题。
发明内容
有鉴于此，本发明提供了一种面向跨域协同车间迁移调度优化方法、装置及可存储介质，通过获取历史调度问题信息中有助于解决当前目标优化调度问题的信息来加速当前优化调度过程，提高调度效率。
为了实现上述目的，本发明采用如下技术方案：
一种分布式车间任务调度优化方法，包括以下步骤：
从历史车间任务数据库中获取历史调度问题信息，并进行种群初始化；
判断是否需要调用迁移优化方法；
若不需要调用迁移优化方法，则选择出适应度更高的种群对整个种群进行更新；
判断是否满足停止条件，若不满足则继续进行迭代循环，若满足则输出最终的调度方案。
优选的，若需要调用迁移优化方法的具体过程包括：
若需要调用迁移优化方法，则获取在当前优化目标下的调度信息；
对所述调度信息与所述历史调度问题信息进行相似性判断；
通过所述相似性确定历史源解集；
通过选择迁移方法从所述历史源解集中生成新解集。
优选的，确定历史源解集的具体过程包括：
所述历史调度问题信息包括优化目标维数及序号，以所述优化目标维数为第一判断指标，从历史车间任务数据库中获取与所述优化目标维数相差小于等于2的历史调度解集；
以所述目标序号作为第二判断指标，将所述目标序号进行排序，从所述历史调度解集中选出所述目标序号重叠的历史调度解集；
以当前目标问题维数作为第三判断指标，从经过所述目标序号重叠处理的历史调度解集中选出与所述当前目标问题维数差距较小的历史调度解集作为历史源解集。
优选的，所述历史源解集数量不小于三个。
优选的，通过选择迁移方法从所述历史源解集中生成新解集的具体过程包括：
判断所述历史源解集与资源之间的映射关系；
若包含有映射关系则选取基于历史映射规则的迁移方法；
若不包含有映射关系则判断所述历史源解集中是否包含有进化方向信息，若包含则选择基于进化方向的迁移方法；
若仍不包含则选择基于历史解的迁移方法。
进一步，本发明还提供一种利用上述任一项所述的分布式车间任务调度优化方法的装置，包括：
获取模块，用于从历史车间任务数据库中获取历史调度问题信息，并进行种群初始化；
第一判断模块，用于判断是否需要调用迁移优化方法；
更新模块，若不需要调用迁移优化方法，则选择出适应度更高的种群对整个种群进行更新；
第二判断模块，用于判断是否满足停止条件，若不满足则继续进行迭代循环，若满足则输出最终的调度方案。
进一步，本发明还提供一种计算机可读存储介质，其上存储计算机可读指令，当所述计算机可读指令由计算机执行时，所述计算机执行如上述任一项所述的分布式车间任务调度优化方法。
经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种面向跨域协同车间迁移调度优化方法、装置及可存储介质，通过精确存储和重用过去的解决方案中获取的结构化知识，生成预测调度解集，从而加速分布式车间调度算法的进化迭代过程，加快调度算法的收敛速度。本发明旨在利用历史经验减少重复搜索，提高调度效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中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，还可以根据提供的附图获得其他的附图。
图1为本发明提供的一种分布式车间任务调度优化方法的整体流程图；
图2为本发明实施例提供的调用迁移优化方法的整体流程图；
图3为本发明实施例提供的从历史源解集中生成新解集的整体流程图；
图4为本发明提供的一种分布式车间任务调度优化装置的结构原理框图。
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做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
参见附图1所示，本发明实施例公开了一种分布式车间任务调度优化方法，包括以下步骤：
从历史车间任务数据库中获取历史调度问题信息，并进行种群初始化；
判断是否需要调用迁移优化方法；
若不需要调用迁移优化方法，则选择出适应度更高的种群对整个种群进行更新；
判断是否满足停止条件，若不满足则继续进行迭代循环，若满足则输出最终的调度方案；
其中，停止条件为种群的迭代次数是否满足最大迭代次数。
在一个具体的实施例中，若需要调用迁移优化方法的具体过程包括：
若需要调用迁移优化方法，则获取在当前优化目标下的调度信息；
对调度信息与历史调度问题信息进行相似性判断；
通过相似性确定历史源解集；
通过选择迁移方法从历史源解集中生成新解集。
参见附图2所示，在一个具体的实施例中，确定历史源解集的具体过程包括：
历史调度问题信息包括优化目标维数及序号，以优化目标维数为第一判断指标，从历史车间任务数据库中获取与优化目标维数相差小于等于2的历史调度解集；
以目标序号作为第二判断指标，将目标序号进行排序，从历史调度解集中选出目标序号重叠的历史调度解集；
以当前目标问题维数作为第三判断指标，从经过目标序号重叠处理的历史调度解集中选出与当前目标问题维数差距较小的历史调度解集作为历史源解集。
在一个具体的实施例中，历史源解集数量不小于三个。
参见附图3所示，在一个具体的实施例中，通过选择迁移方法从历史源解集中生成新解集的具体过程包括：
判断历史源解集与资源之间的映射关系；
若包含有映射关系则选取基于历史映射规则的迁移方法；
若不包含有映射关系则判断历史源解集中是否包含有进化方向信息，若包含则选择基于进化方向的迁移方法；
若仍不包含则选择基于历史解的迁移方法。
具体的，上述迁移方法的具体原理为：
①基于历史解的迁移方法：
在获得历史源解集和目标解集之后，根据源解集与目标解集的相似性为源解集分配迁移系数，生成新源解集。若源解集个体维数与当前问题中个体维数不一致时，采用减少或增添编码位的方法处理。即当源解集个体维数大于当前个体维数时，去除多余编码位；当源解集个体维数小于当前个体维数时，将缺失编码位通过随机排序进行填充。对于解集中个体数量小于当前种群规模的情况，则以被选择历史解集中的个体通过交叉变异的方式生成一定数量的子代个体，共同组成新种群。
②基于历史映射规则的迁移方法：
在获得历史源解集之后，获取历史调度解集中的任务与资源之间的对应关系；利用该对应关系，重新对当前种群中的个体进行解码，即映射为新的调度方案后进行方案评估；最后依据评估结果进行后续进化搜索过程。需要注意的是，在使用该类迁移方法时，需要首先对任务与资源进行排序，使得任务或资源的序号在相似问题中能够表征类似的优先关系，使得相同序号任务到资源的历史对应关系能够有借鉴意义。在当前问题求解完成之后进行历史数据库更新，减少数据库中被调用次数较少的规则。
③基于历史进化方向的迁移方法：
在获得历史源解集之后，在当前历史源解集中选取一定数量的优秀个体作为父代个体，并将历史数据库中存储的历史进化方向信息作用于被选择的父代个体，生成新种群。使用调度方案评估方法对新种群进行评估后更新前沿解集，如果前沿解集的更新数量满足要求，则停止迭代输出调度方案。在本方法中，在迭代搜索过程中存储对于目标函数值优化贡献较大的进化方向序列记录下来。在当前问题求解完成之后将被记录的进化方向序列存入历史进化方向库中，同时对其中的历史调度解集进行更新，保持其求解优势。
参见附图4所示，本发明实施例还提供一种利用上述实施例任一项的分布式车间任务调度优化方法的装置，包括：
获取模块，用于从历史车间任务数据库中获取历史调度问题信息，并进行种群初始化；
第一判断模块，用于判断是否需要调用迁移优化方法；
更新模块，若不需要调用迁移优化方法，则选择出适应度更高的种群对整个种群进行更新；
第二判断模块，用于判断是否满足停止条件，若不满足则继续进行迭代循环，若满足则输出最终的调度方案。
本发明实施例还提供一种计算机可读存储介质，其上存储计算机可读指令，当计算机可读指令由计算机执行时，计算机执行如上述实施例任一项的分布式车间任务调度优化方法。
具体应用本发明实施例提供的方法的具体实施过程如下：在工业场景的分布式车间生产调度中，有N个工件需要M台机器进行加工，每个工件有ni道工序，每个工件的原材料运输时间为Ti，第i个工件的第道工序的加工时间为，第i个工件的完工时间为Ci，优化目标为F＝min(max(Ci)),i＝1,2,...,n，表示最小化最大完工时间。在实际的生产过程中，存在一些相似的生产过程，比如两个生产过程的优化目标个数相同，加工的工件数量或者加工机器数量相同。这些生产过程的调度解可以有助于解决与这之相似的调度问题，通过上述迁移的方法来获得新的调度解集，解决当前生产优化问题，实现快速调度，从而减少传统进化算法解决调度问题的进化迭代搜索过程，实现快速调度。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (7)

1.一种分布式车间任务调度优化方法，其特征在于，包括以下步骤：
从历史车间任务数据库中获取历史调度问题信息，并进行种群初始化；
判断是否需要调用迁移优化方法；
若不需要调用迁移优化方法，则选择出适应度更高的种群对整个种群进行更新；
判断是否满足停止条件，若不满足则继续进行迭代循环，若满足则输出最终的调度方案。
2.根据权利要求1所述的一种分布式车间任务调度优化方法，其特征在于，若需要调用迁移优化方法的具体过程包括：
若需要调用迁移优化方法，则获取在当前优化目标下的调度信息；
对所述调度信息与所述历史调度问题信息进行相似性判断；
通过所述相似性确定历史源解集；
通过选择迁移方法从所述历史源解集中生成新解集。
3.根据权利要求2所述的一种分布式车间任务调度优化方法，其特征在于，确定历史源解集的具体过程包括：
所述历史调度问题信息包括优化目标维数及序号，以所述优化目标维数为第一判断指标，从历史车间任务数据库中获取与所述优化目标维数相差小于等于2的历史调度解集；
以所述目标序号作为第二判断指标，将所述目标序号进行排序，从所述历史调度解集中选出所述目标序号重叠的历史调度解集；
以当前目标问题维数作为第三判断指标，从经过所述目标序号重叠处理的历史调度解集中选出与所述当前目标问题维数差距较小的历史调度解集作为历史源解集。
4.根据权利要求3所述的一种分布式车间任务调度优化方法，其特征在于，所述历史源解集数量不小于三个。
5.根据权利要求2所述的一种分布式车间任务调度优化方法，其特征在于，通过选择迁移方法从所述历史源解集中生成新解集的具体过程包括：
判断所述历史源解集与资源之间的映射关系；
若包含有映射关系则选取基于历史映射规则的迁移方法；
若不包含有映射关系则判断所述历史源解集中是否包含有进化方向信息，若包含则选择基于进化方向的迁移方法；
若仍不包含则选择基于历史解的迁移方法。
6.一种利用权利要求1-5任一项所述的分布式车间任务调度优化方法的装置，其特征在于，包括：
获取模块，用于从历史车间任务数据库中获取历史调度问题信息，并进行种群初始化；
第一判断模块，用于判断是否需要调用迁移优化方法；
更新模块，若不需要调用迁移优化方法，则选择出适应度更高的种群对整个种群进行更新；
第二判断模块，用于判断是否满足停止条件，若不满足则继续进行迭代循环，若满足则输出最终的调度方案。
7.一种计算机可读存储介质，其上存储计算机可读指令，当所述计算机可读指令由计算机执行时，所述计算机执行如权利要求1-5任一项所述的分布式车间任务调度优化方法。
CN202210463871.1A 2022-04-29 2022-04-29 面向跨域协同车间迁移调度优化方法、装置及可存储介质 Active CN114936756B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210463871.1A CN114936756B (zh) 2022-04-29 2022-04-29 面向跨域协同车间迁移调度优化方法、装置及可存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210463871.1A CN114936756B (zh) 2022-04-29 2022-04-29 面向跨域协同车间迁移调度优化方法、装置及可存储介质

Publications (2)

Publication Number Publication Date
CN114936756A true CN114936756A (zh) 2022-08-23
CN114936756B CN114936756B (zh) 2024-09-13

Family

ID=82862045

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210463871.1A Active CN114936756B (zh) 2022-04-29 2022-04-29 面向跨域协同车间迁移调度优化方法、装置及可存储介质

Country Status (1)

Country Link
CN (1) CN114936756B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020151992A1 (en) * 1999-02-01 2002-10-17 Hoffberg Steven M. Media recording device with packet data interface
CN101630380A (zh) * 2009-07-08 2010-01-20 西安电子科技大学 基于多种群进化机制的作业车间调度方法
CN102289749A (zh) * 2011-09-01 2011-12-21 西安电子科技大学 基于多智能体协同进化的任务排序方法
CN109902954A (zh) * 2019-02-27 2019-06-18 浙江工业大学 一种基于工业大数据的柔性作业车间动态调度方法
CN112528502A (zh) * 2020-12-11 2021-03-19 深圳先进技术研究院 生产车间的管控方法、管控系统及相关装置
CN112650187A (zh) * 2021-01-22 2021-04-13 北京理工大学 一种车间调度方法、装置和系统
CN112926837A (zh) * 2021-02-04 2021-06-08 郑州轻工业大学 基于数据驱动改进遗传算法求解作业车间调度问题的方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020151992A1 (en) * 1999-02-01 2002-10-17 Hoffberg Steven M. Media recording device with packet data interface
CN101630380A (zh) * 2009-07-08 2010-01-20 西安电子科技大学 基于多种群进化机制的作业车间调度方法
CN102289749A (zh) * 2011-09-01 2011-12-21 西安电子科技大学 基于多智能体协同进化的任务排序方法
CN109902954A (zh) * 2019-02-27 2019-06-18 浙江工业大学 一种基于工业大数据的柔性作业车间动态调度方法
CN112528502A (zh) * 2020-12-11 2021-03-19 深圳先进技术研究院 生产车间的管控方法、管控系统及相关装置
CN112650187A (zh) * 2021-01-22 2021-04-13 北京理工大学 一种车间调度方法、装置和系统
CN112926837A (zh) * 2021-02-04 2021-06-08 郑州轻工业大学 基于数据驱动改进遗传算法求解作业车间调度问题的方法

Also Published As

Publication number Publication date
CN114936756B (zh) 2024-09-13

Similar Documents

Publication Publication Date Title
CN108694502A (zh) 一种基于XGBoost算法的机器人制造单元自适应调度方法
CN113311829A (zh) 一种基于动态时间窗冲突搜索的多机器人路径规划方法
CN117314078B (zh) 基于Petri网和神经网络的柔性制造系统的无死锁调度方法
CN113191486A (zh) 基于参数服务器架构的图数据与参数数据的混合划分方法
CN109074348A (zh) 用于对输入数据集进行迭代聚类的设备和迭代方法
CN115759552A (zh) 一种基于多智能体架构的面向智慧工厂的实时调度方法
CN117786542A (zh) 一种用于多源数据的多级实时分析处理方法
CN112416920B (zh) 一种面向mes的数据清洗方法及系统
CN113592064A (zh) 环抛机工艺参数预测方法、系统、应用、终端及介质
CN111496784B (zh) 一种用于机器人智能化服务的空间环境识别方法及系统
CN114936756A (zh) 面向跨域协同车间迁移调度优化方法、装置及可存储介质
CN117035000A (zh) 基于混合初始化粒子群优化的进化双任务特征选择方法
CN108427773B (zh) 一种分布式知识图谱嵌入方法
CN110705650A (zh) 一种基于深度学习的钣金布局方法
CN112579580B (zh) 一种基于工业大数据预测的预报警方法
CN109299260B (zh) 数据分类方法、装置以及计算机可读存储介质
CN112738724A (zh) 一种区域目标人群的精准识别方法、装置、设备和介质
CN110909027A (zh) 一种哈希检索方法
US12099346B1 (en) Large-scale dynamic double-effect scheduling method for flexible job shop based on genetic programming
CN114254721B (zh) 具有区间灰色处理时间的柔性作业车间调度方法及设备
CN117520385B (zh) 一种基于探索价值和查询代价的数据库查询优化方法
CN117592760B (zh) 一种堆垛机出入库任务分配方法、系统、设备及介质
CN114399152B (zh) 产业园区综合能源调度优化方法及装置
CN118170512A (zh) 基于多目标算法的云工作流容错调度优化方法
CN115062920B (zh) 一种基于信息熵和PSO-Kmeans算法对典型工艺路线的发现方法

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