CN116027756A - 生产参数在线最优化方法、装置、电子设备及存储介质 - Google Patents
生产参数在线最优化方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN116027756A CN116027756A CN202310163626.3A CN202310163626A CN116027756A CN 116027756 A CN116027756 A CN 116027756A CN 202310163626 A CN202310163626 A CN 202310163626A CN 116027756 A CN116027756 A CN 116027756A
- Authority
- CN
- China
- Prior art keywords
- parameter matrix
- production
- parameter
- adjustable range
- cell array
- 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
Images
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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- General Factory Administration (AREA)
Abstract
本申请属于生产管理技术领域,公开了一种生产参数在线最优化方法、装置、电子设备及存储介质,依据每次调整配置参数后所产生的利润情况以逐渐缩小各配置参数的可调范围,最终确定出一个较小的可调范围,并从中随机取值作为优化后的配置参数,能够简单有效地实现智能化工厂的各生产设备的配置参数的优化,且不依赖于样本数量,有利于实现利润最大化。
Description
技术领域
本申请涉及生产管理技术领域,具体而言,涉及一种生产参数在线最优化方法、装置、电子设备及存储介质。
背景技术
智能化是传统制造业进行升级转型的一个重要方向,目前的一些智能工厂已初步实现了自动化与无人化,但智能工厂内部的各个不同子系统之间缺少实时的联动与反馈机制,无法使所有生产设备实时调整到最优的配置参数,离真正的智能化尚有较大的差距。具体地,目前的智能工厂在进行生产时,生产端和消费端之间依然处于孤立状态,生产端并非根据生产管理系统实时评估的产出效益的变化来实施调整生产计划和配置参数,因此难以实现利润最大化和资源的最优配置。
为此,目前业界有人提出采用机器学习方法(特别是深度学习模型)来进行智能工厂生产参数的调优工作,其基本思路是将实际样本集所对应的未知函数f逼近到一个函数表达式确定、但参数未定的函数,记为g,在求解出g的参数后再通过一些数值算法(如牛顿下降法)求解g的极值点,从而逼近f的最大值。这种方法的优点是当f与g比较接近时,能够使用较少的样本即可确定f的准确表达式,从而达到调优目的。但在实际应用中,f的表达式往往难以确定,甚至根本不存在一个明确的表达式。这会导致所求出的g的误差较大。即使深度学习里的神经网络被认为能够无限近似任意一个函数,但此时神经网络的参数多到需要大量的样本才能求得,而在实际工业生产中,样本数量通常不会太多。因此,需要寻求一种简单有效的不依赖于样本数量的优化方法来优化智能化工厂的各生产设备的配置参数,以实现利润最大化。
发明内容
本申请的目的在于提供一种生产参数在线最优化方法、装置、电子设备及存储介质,能够简单有效地实现智能化工厂的各生产设备的配置参数的优化,且不依赖于样本数量。
第一方面,本申请提供了一种生产参数在线最优化方法,应用于计算中心,所述计算中心与生产管理系统及多个生产设备通信连接,包括步骤:
A1.根据各所述生产设备的配置参数的数量和可调范围,生成第一参数矩阵;所述第一参数矩阵的各元素为元胞数组,每个所述元胞数组记录一个所述配置参数的所述可调范围;
A2.通过对所述第一参数矩阵的元胞数组进行缩小变换,得到第二参数矩阵;
A3.重复执行多次:从所述第二参数矩阵的各元胞数组记录的可调范围内随机取值,组成第三参数矩阵,并把所述第三参数矩阵发送至各所述生产设备,以获取各所述生产设备按所述第三参数矩阵设置配置参数后所产生的由所述生产管理系统反馈得到的生产利润;
A4.若所述重复执行多次获取的多个所述生产利润满足预设条件,则把所述第一参数矩阵替换为所述第二参数矩阵,并返回步骤A2进行下一次迭代,直到迭代次数达到预设次数阈值;否则,直接返回步骤A2重新进行当次迭代,如果当次迭代的重复次数达到K,则把所述第一参数矩阵替换为所述第二参数矩阵,并返回步骤A2进行下一次迭代,K为预设正整数;
A5.从最后得到的所述第二参数矩阵的各元胞数组记录的可调范围内随机取值,组成最终的第三参数矩阵,得到配置参数的优化结果。
该生产参数在线最优化方法,依据每次调整配置参数后所产生的利润情况以逐渐缩小各配置参数的可调范围,最终确定出一个较小的可调范围,并从中随机取值作为优化后的配置参数,能够简单有效地实现智能化工厂的各生产设备的配置参数的优化,且不依赖于样本数量,有利于实现利润最大化。
优选地,步骤A1包括:
获取各所述生产设备的配置参数的数量和可调范围;
以所述生产设备的数量M为行数,以各所述生产设备的所述配置参数的数量的最大值N为列数,生成M行N列的所述第一参数矩阵,使所述第一参数矩阵的每行元素对应一个所述生产设备的各所述配置参数的可调范围。
优选地,步骤A2包括:
针对所述第一参数矩阵的各元胞数组,分别在第一预设数值范围内随机生成一个第一参考值;
若所述第一参考值位于所述第一预设数值范围的左半区间,则以所述第一参数矩阵对应的所述元胞数组的可调范围的左半区间,作为所述第二参数矩阵的相应元胞数组的可调范围;
若所述第一参考值位于所述第一预设数值范围的右半区间,则以所述第一参数矩阵对应的所述元胞数组的可调范围的右半区间,作为所述第二参数矩阵的相应元胞数组的可调范围。
通过该方式能够迅速缩小各配置参数的可调范围,可在较少的迭代次数内把各配置参数的可调范围缩得足够小,从而有利于提高优化效率。
优选地,所述从所述第二参数矩阵的各元胞数组记录的可调范围内随机取值,组成第三参数矩阵的步骤包括:
生成一个M行N列的第三参数矩阵,所述第三参数矩阵的各元素为一个实数,并把所述第三参数矩阵的各元素初始化为0;
分别从所述第二参数矩阵的各元胞数组记录的可调范围内随机取值,用以更新所述第三参数矩阵对应元素的值。
优选地,所述预设条件为:多个所述生产利润的平均值大于当次迭代的目标利润,且多个所述生产利润的方差小于预设的方差阈值。
优选地,所述当次迭代的目标利润为一个预设的递增数列中的第i个数值,其中,i为当次迭代的迭代次数。
从而保证每次迭代,实际能够产生的利润朝更优的方向变化,使各配置参数的可调范围朝最优值逐渐缩小,确保优化结果的可靠性。
第二方面,本申请提供了一种生产参数在线最优化装置,应用于计算中心,所述计算中心与生产管理系统及多个生产设备通信连接,包括:
第一矩阵生成模块,用于根据各所述生产设备的配置参数的数量和可调范围,生成第一参数矩阵;所述第一参数矩阵的各元素为元胞数组,每个所述元胞数组记录一个所述配置参数的所述可调范围;
第二矩阵生成模块,用于通过对所述第一参数矩阵的元胞数组进行缩小变换,得到第二参数矩阵;
第一执行模块,用于重复执行多次:从所述第二参数矩阵的各元胞数组记录的可调范围内随机取值,组成第三参数矩阵,并把所述第三参数矩阵发送至各所述生产设备,以获取各所述生产设备按所述第三参数矩阵设置配置参数后所产生的由所述生产管理系统反馈得到的生产利润;
迭代控制模块,用于在所述重复执行多次获取的多个所述生产利润满足预设条件时,则把所述第一参数矩阵替换为所述第二参数矩阵,并令所述第二矩阵生成模块和所述第一执行模块重复执行对应的功能以进行下一次迭代,直到迭代次数达到预设次数阈值,否则,令所述第二矩阵生成模块和所述第一执行模块再次执行对应的功能以重新进行当次迭代,如果当次迭代的重复次数达到K,则把所述第一参数矩阵替换为所述第二参数矩阵,并令所述第二矩阵生成模块和所述第一执行模块重复执行对应的功能以进行下一次迭代;
取值模块,用于从最后得到的所述第二参数矩阵的各元胞数组记录的可调范围内随机取值,组成最终的第三参数矩阵,得到配置参数的优化结果。
该生产参数在线最优化装置,依据每次调整配置参数后所产生的利润情况以逐渐缩小各配置参数的可调范围,最终确定出一个较小的可调范围,并从中随机取值作为优化后的配置参数,能够简单有效地实现智能化工厂的各生产设备的配置参数的优化,且不依赖于样本数量,有利于实现利润最大化。
优选地,所述第一矩阵生成模块在根据各所述生产设备的配置参数的数量和可调范围,生成第一参数矩阵的时候,执行:
获取各所述生产设备的配置参数的数量和可调范围;
以所述生产设备的数量M为行数,以各所述生产设备的所述配置参数的数量的最大值N为列数,生成M行N列的所述第一参数矩阵,使所述第一参数矩阵的每行元素对应一个所述生产设备的各所述配置参数的可调范围。
第三方面,本申请提供了一种电子设备,包括处理器和存储器,所述存储器存储有所述处理器可执行的计算机程序,所述处理器执行所述计算机程序时,运行如前文所述生产参数在线最优化方法中的步骤。
第四方面,本申请提供了一种存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时运行如前文所述生产参数在线最优化方法中的步骤。
有益效果:
本申请提供的生产参数在线最优化方法、装置、电子设备及存储介质,依据每次调整配置参数后所产生的利润情况以逐渐缩小各配置参数的可调范围,最终确定出一个较小的可调范围,并从中随机取值作为优化后的配置参数,能够简单有效地实现智能化工厂的各生产设备的配置参数的优化,且不依赖于样本数量,有利于实现利润最大化。
附图说明
图1为本申请实施例提供的生产参数在线最优化方法的流程图。
图2为本申请实施例提供的生产参数在线最优化装置的结构示意图。
图3为本申请实施例提供的电子设备的结构示意图。
图4为生产参数在线最优化系统的结构示意图。
标号说明:1、第一矩阵生成模块;2、第二矩阵生成模块;3、第一执行模块;4、迭代控制模块;5、取值模块;301、处理器;302、存储器;303、通信总线;100、计算中心;200、生产管理系统;300、生产设备。
具体实施方式
下面将结合本申请实施例中附图,对本申请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申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。同时,在本申请的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
请参照图1,图1是本申请一些实施例中的一种生产参数在线最优化方法,应用于计算中心,计算中心与生产管理系统及多个生产设备通信连接,包括步骤:
A1.根据各生产设备的配置参数的数量和可调范围,生成第一参数矩阵;第一参数矩阵的各元素为元胞数组,每个元胞数组记录一个配置参数的可调范围;
A2.通过对第一参数矩阵的元胞数组进行缩小变换,得到第二参数矩阵;
A3.重复执行多次:从第二参数矩阵的各元胞数组记录的可调范围内随机取值,组成第三参数矩阵,并把第三参数矩阵发送至各生产设备,以获取各生产设备按第三参数矩阵设置配置参数后所产生的由生产管理系统反馈得到的生产利润;
A4.若所述重复执行多次获取的多个生产利润满足预设条件,则把第一参数矩阵替换为第二参数矩阵,并返回步骤A2进行下一次迭代,直到迭代次数达到预设次数阈值;否则,直接返回步骤A2重新进行当次迭代,如果当次迭代的重复次数达到K,则把第一参数矩阵替换为第二参数矩阵,并返回步骤A2进行下一次迭代,K为预设正整数;
A5.从最后得到的第二参数矩阵的各元胞数组记录的可调范围内随机取值,组成最终的第三参数矩阵,得到配置参数的优化结果。
该生产参数在线最优化方法,依据每次调整配置参数后所产生的利润情况以逐渐缩小各配置参数的可调范围,最终确定出一个较小的可调范围,并从中随机取值作为优化后的配置参数,能够简单有效地实现智能化工厂的各生产设备的配置参数的优化,且不依赖于样本数量,有利于实现利润最大化。
在一些实施方式中,该生产参数在线最优化方法基于图4所示的生产参数在线最优化系统,并应用于该生产参数在线最优化系统的计算中心100。该生产参数在线最优化系统包括计算中心100、生产管理系统200和多个生产设备300,计算中心100与生产管理系统200之间、计算中心100与各生产设备300之间、生产管理系统200与各生产设备300之间均通过工业物联网相互通信连接。其中,计算中心100可以但不限于为:膝上型个人计算机、桌面型个人计算机、小型计算机、中型计算机、大型计算机等。其中生产管理系统200可以但不限于为:ERP系统、MES系统等。其中,生产设备300的数量可根据实际情况设置,不限于图4中的6个。
具体地,步骤A1包括:
A101.获取各生产设备的配置参数的数量和可调范围;
A102.以生产设备的数量M为行数,以各生产设备的配置参数的数量的最大值N为列数,生成M行N列的第一参数矩阵(M和N为正整数),使第一参数矩阵的每行元素对应一个生产设备的各配置参数的可调范围。
其中,步骤A101获取的配置参数的可调范围为各生产设备本身性能所决定的可调范围,可直接从各生产设备中读取。
由于不同的生产设备的配置参数的数量可能不同,因此,步骤A102中以各生产设备的配置参数的数量的最大值N为列数,其中,当某个生产设备的配置参数的数量小于N时,第一参数矩阵的对应行元素中多余的元素可设置为(0,0)。
其中,第一参数矩阵可表示为:
;
其中,为第一参数矩阵,为第一参数矩阵的第M行第N列的元胞数组(其代表第M个生产设备的第N个配置参数的可调范围),为第一参数矩阵的第M行第N列的元胞数组记录的可调范围的下限值,为第一参数矩阵的第M行第N列的元胞数组记录的可调范围的上限值。
其中,缩小变换是指对元胞数组记录的配置参数的可调范围进行缩小,在本实施例中,步骤A2包括:
A201.针对第一参数矩阵的各元胞数组,分别在第一预设数值范围内随机生成一个第一参考值;
A202.若第一参考值位于第一预设数值范围的左半区间,则以第一参数矩阵对应的元胞数组的可调范围的左半区间,作为第二参数矩阵的相应元胞数组的可调范围;
A203.若第一参考值位于第一预设数值范围的右半区间,则以第一参数矩阵对应的元胞数组的可调范围的右半区间,作为第二参数矩阵的相应元胞数组的可调范围。
通过该方式能够迅速缩小各配置参数的可调范围,可在较少的迭代次数内把各配置参数的可调范围缩得足够小,从而有利于提高优化效率。
需要说明的是,在步骤A2中,通过对第一参数矩阵的元胞数组进行缩小变换,得到第二参数矩阵,仅仅是用第一参数矩阵的数据作为计算输入以计算得到第二参数矩阵,并非要改变第一参数矩阵的数据(第一参数矩阵的数据保持不变)。
假设第一预设数值范围为[a,b],其中,a和b的值可根据实际需要设置,步骤A201中在该[a,b]范围内随机生成一个第一参考值c,若c<(a+b)/2,则判定第一参考值c位于第一预设数值范围[a,b]的左半区间,否则,判定第一参考值c位于第一预设数值范围[a,b]的右半区间。
其中,第二参数矩阵可表示为:
;
其中,为第二参数矩阵,为第二参数矩阵的第M行第N列的元胞数组(其代表第M个生产设备的第N个配置参数的缩小后的可调范围),为第二参数矩阵的第M行第N列的元胞数组记录的可调范围的下限值,为第二参数矩阵的第M行第N列的元胞数组记录的可调范围的上限值。
其中,若第一参数矩阵的某一元胞数组(第行第列的元胞数组,,)的第一参考值c位于第一预设数值范围[a,b]的左半区间,则有:
;
;
若该第一参考值c位于第一预设数值范围[a,b]的右半区间,则有:
;
;
其中,为第二参数矩阵的第行第列的元胞数组记录的可调范围的下限值,为第二参数矩阵的第行第列的元胞数组记录的可调范围的上限值,为第一参数矩阵的第行第列的元胞数组记录的可调范围的下限值,为第一参数矩阵的第行第列的元胞数组记录的可调范围的上限值。
步骤A3中,重复执行“从第二参数矩阵的各元胞数组记录的可调范围内随机取值,组成第三参数矩阵,并把第三参数矩阵发送至各生产设备,以获取各生产设备按第三参数矩阵设置配置参数后所产生的由生产管理系统反馈得到的生产利润”的次数可根据实际需要设置。
其中,从第二参数矩阵的各元胞数组记录的可调范围内随机取值,组成第三参数矩阵的步骤包括:
生成一个M行N列的第三参数矩阵,第三参数矩阵的各元素为一个实数,并把第三参数矩阵的各元素初始化为0;
分别从第二参数矩阵的各元胞数组记录的可调范围内随机取值,用以更新第三参数矩阵对应元素的值。
第三参数矩阵可以表示为:
;
其中,为第三参数矩阵,为第三参数矩阵的第M行第N列的元素值。
对于第三参数矩阵中的第行第列的元素值,,,有:
;
其中,为随机取值函数,表示在数值范围内随机取值。
需要说明的是,计算中心把第三参数矩阵发送至各生产设备后,各生产设备会从第三参数矩阵提取相应行的元素值,并根据提取的元素值调整自身各配置参数的值,各生产设备调整自身各配置参数的值后,使对应的生成设备根据调整后的配置参数进行一批产品的生产,在进行销售后,由生产管理系统统计实际产生的生产利润,并反馈至计算中心(这种方式得到的生产利润为真实值,能够更加客观地反映配置参数的优化效果)。实际上,在各生产设备调整自身各配置参数的值后,也可由生产管理系统通过预设的计算模型,根据各生产设备的配置参数估算能够产生的生产利润,并反馈至计算中心(通过这种方式,可以更快地完成优化过程,提高优化效率)。
其中,步骤A4中,预设次数阈值可根据实际需要设置。
.进一步地,在步骤A4中,预设条件为:多个生产利润的平均值大于当次迭代的目标利润,且多个生产利润的方差(指步骤A3中得到的多个生产利润的方差,例如,若步骤A3重复执行操作的次数为,可得到个生产利润,则生产利润方差是指该个生产利润的方差)小于预设的方差阈值。
该预设条件用公式表示为:
;
其中,为生产利润的平均值,为第个生产利润,为生产利润的总个数(等于步骤A3中的重复次数),为当次迭代的目标利润,为生产利润方差,为预设的方差阈值(根据实际需要设置)。
从而,当满足该预设条件时,把第一参数矩阵替换为第二参数矩阵,即令,此时第一参数矩阵的各元胞数组所记录的可调范围缩小,然后令迭代次数i加1(i的初始值为1),并跳转至步骤A2进行下一次迭代;当不满足该预设条件时,保持第一参数矩阵不变,并保持迭代次数i不变,然后跳转至步骤A2重新进行当次迭代。
其中,若连续K(K为预设正整数,可根据实际需要设置)次重新进行当次迭代均无法满足该预设条件,则把第一参数矩阵替换为第二参数矩阵,即令,然后令迭代次数i加1并跳转至步骤A2进行下一次迭代,若下一次迭代同样连续K次重新进行迭代均无法满足该预设条件,则判定第二参数矩阵已收敛,并停止迭代过程。否则,直到迭代次数达到预设次数阈值才停止迭代过程。
在一些实施方式中,当次迭代的目标利润为一个预设的递增数列中的第i个数值,其中,i为当次迭代的迭代次数。
其中,,为递增数列中的第1至第个数值(从到逐渐增大,其具体值可根据实际需要设置),为预设次数阈值。
从而保证每次迭代,实际能够产生的利润朝更优的方向变化,使各配置参数的可调范围朝最优值逐渐缩小,确保优化结果的可靠性。
在另一些实施方式中,对于第一次迭代,当次迭代的目标利润为预设的利润值(可根据实际需要设置),对于非第一次迭代,当次迭代的目标利润为上一次迭代的生产利润的平均值的L倍(L为大于1的预设放大系数,可根据实际需要设置,例如为1.1,但不限于此)。同样可以保证每次迭代,实际能够产生的利润朝更优的方向变化,使各配置参数的可调范围朝最优值逐渐缩小,确保优化结果的可靠性。
步骤A5中,从最后得到的第二参数矩阵的各元胞数组记录的可调范围内随机取值,组成最终的第三参数矩阵的具体过程参考步骤A3。
由上可知,该生产参数在线最优化方法,包括步骤:A1.根据各生产设备的配置参数的数量和可调范围,生成第一参数矩阵;第一参数矩阵的各元素为元胞数组,每个元胞数组记录一个配置参数的可调范围;A2.通过对第一参数矩阵的元胞数组进行缩小变换,得到第二参数矩阵;A3.重复执行多次:从第二参数矩阵的各元胞数组记录的可调范围内随机取值,组成第三参数矩阵,并把第三参数矩阵发送至各生产设备,以获取各生产设备按第三参数矩阵设置配置参数后所产生的由生产管理系统反馈得到的生产利润;A4若生产利润满足预设条件,则把第一参数矩阵替换为第二参数矩阵,并返回步骤A2进行下一次迭代,否则,直接返回步骤A2重新进行当次迭代,直到迭代次数达到预设次数阈值;A5.从最后得到的第二参数矩阵的各元胞数组记录的可调范围内随机取值,组成最终的第三参数矩阵,得到配置参数的优化结果;从而能够简单有效地实现智能化工厂的各生产设备的配置参数的优化,且不依赖于样本数量。
参考图2,本申请提供了一种生产参数在线最优化装置,应用于计算中心,计算中心与生产管理系统及多个生产设备通信连接,包括:
第一矩阵生成模块1,用于根据各生产设备的配置参数的数量和可调范围,生成第一参数矩阵;第一参数矩阵的各元素为元胞数组,每个元胞数组记录一个配置参数的可调范围;
第二矩阵生成模块2,用于通过对第一参数矩阵的元胞数组进行缩小变换,得到第二参数矩阵;
第一执行模块3,用于重复执行多次:从第二参数矩阵的各元胞数组记录的可调范围内随机取值,组成第三参数矩阵,并把第三参数矩阵发送至各生产设备,以获取各生产设备按第三参数矩阵设置配置参数后所产生的由生产管理系统反馈得到的生产利润;
迭代控制模块4,用于在所述重复执行多次获取的多个生产利润满足预设条件时,则把第一参数矩阵替换为第二参数矩阵,并令第二矩阵生成模块和第一执行模块重复执行对应的功能以进行下一次迭代,直到迭代次数达到预设次数阈值,否则,令第二矩阵生成模块和第一执行模块再次执行对应的功能以重新进行当次迭代,如果当次迭代的重复次数达到K,则把第一参数矩阵替换为第二参数矩阵,并令第二矩阵生成模块和第一执行模块重复执行对应的功能以进行下一次迭代;
取值模块5,用于从最后得到的第二参数矩阵的各元胞数组记录的可调范围内随机取值,组成最终的第三参数矩阵,得到配置参数的优化结果。
该生产参数在线最优化装置,依据每次调整配置参数后所产生的利润情况以逐渐缩小各配置参数的可调范围,最终确定出一个较小的可调范围,并从中随机取值作为优化后的配置参数,能够简单有效地实现智能化工厂的各生产设备的配置参数的优化,且不依赖于样本数量,有利于实现利润最大化。
具体地,第一矩阵生成模块1在根据各生产设备的配置参数的数量和可调范围,生成第一参数矩阵的时候,执行:
获取各生产设备的配置参数的数量和可调范围;
以生产设备的数量M为行数,以各生产设备的配置参数的数量的最大值N为列数,生成M行N列的第一参数矩阵(M和N为正整数),使第一参数矩阵的每行元素对应一个生产设备的各配置参数的可调范围。
其中,第一矩阵生成模块1获取的配置参数的可调范围为各生产设备本身性能所决定的可调范围,可直接从各生产设备中读取。
由于不同的生产设备的配置参数的数量可能不同,因此,第一矩阵生成模块1以各生产设备的配置参数的数量的最大值N为列数,其中,当某个生产设备的配置参数的数量小于N时,第一参数矩阵的对应行元素中多余的元素可设置为(0,0)。
其中,第一参数矩阵可表示为:
;
其中,为第一参数矩阵,为第一参数矩阵的第M行第N列的元胞数组(其代表第M个生产设备的第N个配置参数的可调范围),为第一参数矩阵的第M行第N列的元胞数组记录的可调范围的下限值,为第一参数矩阵的第M行第N列的元胞数组记录的可调范围的上限值。
其中,缩小变换是指对元胞数组记录的配置参数的可调范围进行缩小,在本实施例中,第二矩阵生成模块2在通过对第一参数矩阵的元胞数组进行缩小变换,得到第二参数矩阵的时候,执行:
针对第一参数矩阵的各元胞数组,分别在第一预设数值范围内随机生成一个第一参考值;
若第一参考值位于第一预设数值范围的左半区间,则以第一参数矩阵对应的元胞数组的可调范围的左半区间,作为第二参数矩阵的相应元胞数组的可调范围;
若第一参考值位于第一预设数值范围的右半区间,则以第一参数矩阵对应的元胞数组的可调范围的右半区间,作为第二参数矩阵的相应元胞数组的可调范围。
通过该方式能够迅速缩小各配置参数的可调范围,可在较少的迭代次数内把各配置参数的可调范围缩得足够小,从而有利于提高优化效率。
需要说明的是,第二矩阵生成模块2通过对第一参数矩阵的元胞数组进行缩小变换,得到第二参数矩阵,仅仅是用第一参数矩阵的数据作为计算输入以计算得到第二参数矩阵,并非要改变第一参数矩阵的数据(第一参数矩阵的数据保持不变)。
假设第一预设数值范围为[a,b],其中,a和b的值可根据实际需要设置,步骤A201中在该[a,b]范围内随机生成一个第一参考值c,若c<(a+b)/2,则判定第一参考值c位于第一预设数值范围[a,b]的左半区间,否则,判定第一参考值c位于第一预设数值范围[a,b]的右半区间。
其中,第二参数矩阵可表示为:
;
其中,为第二参数矩阵,为第二参数矩阵的第M行第N列的元胞数组(其代表第M个生产设备的第N个配置参数的缩小后的可调范围),为第二参数矩阵的第M行第N列的元胞数组记录的可调范围的下限值,为第二参数矩阵的第M行第N列的元胞数组记录的可调范围的上限值。
其中,若第一参数矩阵的某一元胞数组(第行第列的元胞数组,,)的第一参考值c位于第一预设数值范围[a,b]的左半区间,则有:
;
;
若该第一参考值c位于第一预设数值范围[a,b]的右半区间,则有:
;
;
其中,为第二参数矩阵的第行第列的元胞数组记录的可调范围的下限值,为第二参数矩阵的第行第列的元胞数组记录的可调范围的上限值,为第一参数矩阵的第行第列的元胞数组记录的可调范围的下限值,为第一参数矩阵的第行第列的元胞数组记录的可调范围的上限值。
第一执行模块3重复执行“从第二参数矩阵的各元胞数组记录的可调范围内随机取值,组成第三参数矩阵,并把第三参数矩阵发送至各生产设备,以获取各生产设备按第三参数矩阵设置配置参数后所产生的由生产管理系统反馈得到的生产利润”的次数可根据实际需要设置。
其中,从第二参数矩阵的各元胞数组记录的可调范围内随机取值,组成第三参数矩阵的步骤包括:
生成一个M行N列的第三参数矩阵,第三参数矩阵的各元素为一个实数,并把第三参数矩阵的各元素初始化为0;
分别从第二参数矩阵的各元胞数组记录的可调范围内随机取值,用以更新第三参数矩阵对应元素的值。
第三参数矩阵可以表示为:
;
其中,为第三参数矩阵,为第三参数矩阵的第M行第N列的元素值。
对于第三参数矩阵中的第行第列的元素值,,,有:
;
其中,为随机取值函数,表示在数值范围内随机取值。
需要说明的是,计算中心把第三参数矩阵发送至各生产设备后,各生产设备会从第三参数矩阵提取相应行的元素值,并根据提取的元素值调整自身各配置参数的值,各生产设备调整自身各配置参数的值后,使对应的生成设备根据调整后的配置参数进行一批产品的生产,在进行销售后,由生产管理系统统计实际产生的生产利润,并反馈至计算中心(这种方式得到的生产利润为真实值,能够更加客观地反映配置参数的优化效果)。实际上,在各生产设备调整自身各配置参数的值后,也可由生产管理系统通过预设的计算模型,根据各生产设备的配置参数估算能够产生的生产利润,并反馈至计算中心(通过这种方式,可以更快地完成优化过程,提高优化效率)。
其中,预设次数阈值可根据实际需要设置。
进一步地,预设条件为:多个生产利润的平均值大于当次迭代的目标利润,且多个生产利润的方差小于预设的方差阈值。
该预设条件用公式表示为:
;
其中,为生产利润的平均值,为第个生产利润,为生产利润的总个数(等于步骤A3中的重复次数),为当次迭代的目标利润,为生产利润方差,为预设的方差阈值(根据实际需要设置)。
从而,当满足该预设条件时,迭代控制模块4把第一参数矩阵替换为第二参数矩阵,即令,此时第一参数矩阵的各元胞数组所记录的可调范围缩小,然后令迭代次数i加1(i的初始值为1),并令第二矩阵生成模块2和第一执行模块3重复执行对应的功能以进行下一次迭代;当不满足该预设条件时,迭代控制模块4保持第一参数矩阵不变,并保持迭代次数i不变,然后令第二矩阵生成模块2和第一执行模块3再次执行对应的功能以重新进行当次迭代。
其中,若连续K(K为预设正整数,可根据实际需要设置)次重新进行当次迭代均无法满足该预设条件,则迭代控制模块4把第一参数矩阵替换为第二参数矩阵,即令,然后令迭代次数i加1,并令第二矩阵生成模块2和第一执行模块3重复执行对应的功能以进行下一次迭代,若下一次迭代同样连续K次重新进行迭代均无法满足该预设条件,则判定第二参数矩阵已收敛,并停止迭代过程。否则,直到迭代次数达到预设次数阈值才停止迭代过程。
在一些实施方式中,当次迭代的目标利润为一个预设的递增数列中的第i个数值,其中,i为当次迭代的迭代次数。
其中,,为递增数列中的第1至第个数值(从到逐渐增大,其具体值可根据实际需要设置),为预设次数阈值。
从而保证每次迭代,实际能够产生的利润朝更优的方向变化,使各配置参数的可调范围朝最优值逐渐缩小,确保优化结果的可靠性。
在另一些实施方式中,对于第一次迭代,当次迭代的目标利润为预设的利润值(可根据实际需要设置),对于非第一次迭代,当次迭代的目标利润为上一次迭代的生产利润的平均值的L倍(L为大于1的预设放大系数,可根据实际需要设置,例如为1.1,但不限于此)。同样可以保证每次迭代,实际能够产生的利润朝更优的方向变化,使各配置参数的可调范围朝最优值逐渐缩小,确保优化结果的可靠性。
取值模块5从最后得到的第二参数矩阵的各元胞数组记录的可调范围内随机取值,组成最终的第三参数矩阵的具体过程参考第一执行模块3的相应功能。
请参照图3,图3为本申请实施例提供的一种电子设备的结构示意图,本申请提供一种电子设备,包括:处理器301和存储器302,处理器301和存储器302通过通信总线303和/或其他形式的连接机构(未标出)互连并相互通讯,存储器302存储有处理器301可执行的计算机程序,当电子设备运行时,处理器301执行该计算机程序,以执行上述实施例的任一可选的实现方式中的生产参数在线最优化方法,以实现以下功能:A1.根据各生产设备的配置参数的数量和可调范围,生成第一参数矩阵;第一参数矩阵的各元素为元胞数组,每个元胞数组记录一个配置参数的可调范围;A2.通过对第一参数矩阵的元胞数组进行缩小变换,得到第二参数矩阵;A3.重复执行多次:从第二参数矩阵的各元胞数组记录的可调范围内随机取值,组成第三参数矩阵,并把第三参数矩阵发送至各生产设备,以获取各生产设备按第三参数矩阵设置配置参数后所产生的由生产管理系统反馈得到的生产利润;A4若生产利润满足预设条件,则把第一参数矩阵替换为第二参数矩阵,并返回步骤A2进行下一次迭代,否则,直接返回步骤A2重新进行当次迭代,直到迭代次数达到预设次数阈值;A5.从最后得到的第二参数矩阵的各元胞数组记录的可调范围内随机取值,组成最终的第三参数矩阵,得到配置参数的优化结果。
本申请实施例提供一种存储介质,其上存储有计算机程序,计算机程序被处理器执行时,执行上述实施例的任一可选的实现方式中的生产参数在线最优化方法,以实现以下功能:A1.根据各生产设备的配置参数的数量和可调范围,生成第一参数矩阵;第一参数矩阵的各元素为元胞数组,每个元胞数组记录一个配置参数的可调范围;A2.通过对第一参数矩阵的元胞数组进行缩小变换,得到第二参数矩阵;A3.重复执行多次:从第二参数矩阵的各元胞数组记录的可调范围内随机取值,组成第三参数矩阵,并把第三参数矩阵发送至各生产设备,以获取各生产设备按第三参数矩阵设置配置参数后所产生的由生产管理系统反馈得到的生产利润;A4若生产利润满足预设条件,则把第一参数矩阵替换为第二参数矩阵,并返回步骤A2进行下一次迭代,否则,直接返回步骤A2重新进行当次迭代,直到迭代次数达到预设次数阈值;A5.从最后得到的第二参数矩阵的各元胞数组记录的可调范围内随机取值,组成最终的第三参数矩阵,得到配置参数的优化结果。其中,存储介质可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(StaticRandom Access Memory, 简称SRAM),电可擦除可编程只读存储器(ElectricallyErasable Programmable Read-Only Memory, 简称EEPROM),可擦除可编程只读存储器(Erasable Programmable Read Only Memory, 简称EPROM),可编程只读存储器(Programmable Red-Only Memory, 简称PROM),只读存储器(Read-Only Memory, 简称ROM),磁存储器,快闪存储器,磁盘或光盘。
在本申请所提供的实施例中,应该理解到,所揭露装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
另外,作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,既可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
再者,在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
以上所述仅为本申请的实施例而已,并不用于限制本申请的保护范围,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (10)
1.一种生产参数在线最优化方法,应用于计算中心,所述计算中心与生产管理系统及多个生产设备通信连接,其特征在于,包括步骤:
A1.根据各所述生产设备的配置参数的数量和可调范围,生成第一参数矩阵;所述第一参数矩阵的各元素为元胞数组,每个所述元胞数组记录一个所述配置参数的所述可调范围;
A2.通过对所述第一参数矩阵的元胞数组进行缩小变换,得到第二参数矩阵;
A3.重复执行多次:从所述第二参数矩阵的各元胞数组记录的可调范围内随机取值,组成第三参数矩阵,并把所述第三参数矩阵发送至各所述生产设备,以获取各所述生产设备按所述第三参数矩阵设置配置参数后所产生的由所述生产管理系统反馈得到的生产利润;
A4.若所述重复执行多次获取的多个所述生产利润满足预设条件,则把所述第一参数矩阵替换为所述第二参数矩阵,并返回步骤A2进行下一次迭代,直到迭代次数达到预设次数阈值;否则,直接返回步骤A2重新进行当次迭代,如果当次迭代的重复次数达到K,则把所述第一参数矩阵替换为所述第二参数矩阵,并返回步骤A2进行下一次迭代,K为预设正整数;
A5.从最后得到的所述第二参数矩阵的各元胞数组记录的可调范围内随机取值,组成最终的第三参数矩阵,得到配置参数的优化结果。
2.根据权利要求1所述的生产参数在线最优化方法,其特征在于,步骤A1包括:
获取各所述生产设备的配置参数的数量和可调范围;
以所述生产设备的数量M为行数,以各所述生产设备的所述配置参数的数量的最大值N为列数,生成M行N列的所述第一参数矩阵,使所述第一参数矩阵的每行元素对应一个所述生产设备的各所述配置参数的可调范围。
3.根据权利要求2所述的生产参数在线最优化方法,其特征在于,步骤A2包括:
针对所述第一参数矩阵的各元胞数组,分别在第一预设数值范围内随机生成一个第一参考值;
若所述第一参考值位于所述第一预设数值范围的左半区间,则以所述第一参数矩阵对应的所述元胞数组的可调范围的左半区间,作为所述第二参数矩阵的相应元胞数组的可调范围;
若所述第一参考值位于所述第一预设数值范围的右半区间,则以所述第一参数矩阵对应的所述元胞数组的可调范围的右半区间,作为所述第二参数矩阵的相应元胞数组的可调范围。
4.根据权利要求3所述的生产参数在线最优化方法,其特征在于,所述从所述第二参数矩阵的各元胞数组记录的可调范围内随机取值,组成第三参数矩阵的步骤包括:
生成一个M行N列的第三参数矩阵,所述第三参数矩阵的各元素为一个实数,并把所述第三参数矩阵的各元素初始化为0;
分别从所述第二参数矩阵的各元胞数组记录的可调范围内随机取值,用以更新所述第三参数矩阵对应元素的值。
5.根据权利要求1所述的生产参数在线最优化方法,其特征在于,所述预设条件为:多个所述生产利润的平均值大于当次迭代的目标利润,且多个所述生产利润的方差小于预设的方差阈值。
6.根据权利要求5所述的生产参数在线最优化方法,其特征在于,所述当次迭代的目标利润为一个预设的递增数列中的第i个数值,其中,i为当次迭代的迭代次数。
7.一种生产参数在线最优化装置,应用于计算中心,所述计算中心与生产管理系统及多个生产设备通信连接,其特征在于,包括:
第一矩阵生成模块,用于根据各所述生产设备的配置参数的数量和可调范围,生成第一参数矩阵;所述第一参数矩阵的各元素为元胞数组,每个所述元胞数组记录一个所述配置参数的所述可调范围;
第二矩阵生成模块,用于通过对所述第一参数矩阵的元胞数组进行缩小变换,得到第二参数矩阵;
第一执行模块,用于重复执行多次:从所述第二参数矩阵的各元胞数组记录的可调范围内随机取值,组成第三参数矩阵,并把所述第三参数矩阵发送至各所述生产设备,以获取各所述生产设备按所述第三参数矩阵设置配置参数后所产生的由所述生产管理系统反馈得到的生产利润;
迭代控制模块,用于在所述重复执行多次获取的多个所述生产利润满足预设条件时,则把所述第一参数矩阵替换为所述第二参数矩阵,并令所述第二矩阵生成模块和所述第一执行模块重复执行对应的功能以进行下一次迭代,直到迭代次数达到预设次数阈值,否则,令所述第二矩阵生成模块和所述第一执行模块再次执行对应的功能以重新进行当次迭代,如果当次迭代的重复次数达到K,则把所述第一参数矩阵替换为所述第二参数矩阵,并令所述第二矩阵生成模块和所述第一执行模块重复执行对应的功能以进行下一次迭代;
取值模块,用于从最后得到的所述第二参数矩阵的各元胞数组记录的可调范围内随机取值,组成最终的第三参数矩阵,得到配置参数的优化结果。
8.根据权利要求7所述的生产参数在线最优化装置,其特征在于,所述第一矩阵生成模块在根据各所述生产设备的配置参数的数量和可调范围,生成第一参数矩阵的时候,执行:
获取各所述生产设备的配置参数的数量和可调范围;
以所述生产设备的数量M为行数,以各所述生产设备的所述配置参数的数量的最大值N为列数,生成M行N列的所述第一参数矩阵,使所述第一参数矩阵的每行元素对应一个所述生产设备的各所述配置参数的可调范围。
9.一种电子设备,其特征在于,包括处理器和存储器,所述存储器存储有所述处理器可执行的计算机程序,所述处理器执行所述计算机程序时,运行如权利要求1-6任一项所述生产参数在线最优化方法中的步骤。
10.一种存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时运行如权利要求1-6任一项所述生产参数在线最优化方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310163626.3A CN116027756B (zh) | 2023-02-24 | 2023-02-24 | 生产参数在线最优化方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310163626.3A CN116027756B (zh) | 2023-02-24 | 2023-02-24 | 生产参数在线最优化方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116027756A true CN116027756A (zh) | 2023-04-28 |
CN116027756B CN116027756B (zh) | 2023-07-04 |
Family
ID=86076118
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310163626.3A Active CN116027756B (zh) | 2023-02-24 | 2023-02-24 | 生产参数在线最优化方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116027756B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2019008342A (ja) * | 2017-06-20 | 2019-01-17 | 株式会社東芝 | パラメータ最適化装置、パラメータ最適化方法およびプログラム |
CN109472397A (zh) * | 2018-10-19 | 2019-03-15 | 东华大学 | 基于粘度变化的聚合工艺参数调节方法 |
CN112507468A (zh) * | 2021-02-01 | 2021-03-16 | 中国人民解放军国防科技大学 | 一种磁浮列车悬浮系统参数优化方法、装置及电子设备 |
CN112529190A (zh) * | 2020-12-17 | 2021-03-19 | 同济大学 | 一种基于学习自动机随机点定位算法的多模态优化系统 |
CN114021665A (zh) * | 2021-11-18 | 2022-02-08 | 湖北中烟工业有限责任公司 | 一种卷烟批次缩小数据范围时间逼近方法及装置 |
CN114415945A (zh) * | 2021-12-28 | 2022-04-29 | 航天科工网络信息发展有限公司 | 一种分布式存储系统的参数调优方法、系统、设备、介质 |
CN115081609A (zh) * | 2022-07-01 | 2022-09-20 | 香港中文大学(深圳) | 一种智能决策中的加速方法、终端设备及存储介质 |
CN115130374A (zh) * | 2022-06-16 | 2022-09-30 | 华中科技大学 | 一种工业精加工过程加工质量优化方法与系统 |
CN115689051A (zh) * | 2022-11-17 | 2023-02-03 | 郑州大学 | 一种基于GA算法耦合Morris和GLUE的SWMM模型参数自动率定方法 |
-
2023
- 2023-02-24 CN CN202310163626.3A patent/CN116027756B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2019008342A (ja) * | 2017-06-20 | 2019-01-17 | 株式会社東芝 | パラメータ最適化装置、パラメータ最適化方法およびプログラム |
CN109472397A (zh) * | 2018-10-19 | 2019-03-15 | 东华大学 | 基于粘度变化的聚合工艺参数调节方法 |
CN112529190A (zh) * | 2020-12-17 | 2021-03-19 | 同济大学 | 一种基于学习自动机随机点定位算法的多模态优化系统 |
CN112507468A (zh) * | 2021-02-01 | 2021-03-16 | 中国人民解放军国防科技大学 | 一种磁浮列车悬浮系统参数优化方法、装置及电子设备 |
CN114021665A (zh) * | 2021-11-18 | 2022-02-08 | 湖北中烟工业有限责任公司 | 一种卷烟批次缩小数据范围时间逼近方法及装置 |
CN114415945A (zh) * | 2021-12-28 | 2022-04-29 | 航天科工网络信息发展有限公司 | 一种分布式存储系统的参数调优方法、系统、设备、介质 |
CN115130374A (zh) * | 2022-06-16 | 2022-09-30 | 华中科技大学 | 一种工业精加工过程加工质量优化方法与系统 |
CN115081609A (zh) * | 2022-07-01 | 2022-09-20 | 香港中文大学(深圳) | 一种智能决策中的加速方法、终端设备及存储介质 |
CN115689051A (zh) * | 2022-11-17 | 2023-02-03 | 郑州大学 | 一种基于GA算法耦合Morris和GLUE的SWMM模型参数自动率定方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116027756B (zh) | 2023-07-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106022521B (zh) | 基于Hadoop架构的分布式BP神经网络的短期负荷预测方法 | |
US11720070B2 (en) | Determining causal models for controlling environments | |
Cao et al. | Accuracy of parameter estimation for auto-regulatory transcriptional feedback loops from noisy data | |
CN115394358B (zh) | 基于深度学习的单细胞测序基因表达数据插补方法和系统 | |
CN113705793B (zh) | 决策变量确定方法及装置、电子设备和介质 | |
CN115427968A (zh) | 边缘计算设备中的鲁棒人工智能推理 | |
CN110826021A (zh) | 一种非线性工业过程鲁棒辨识和输出估计方法 | |
CN114676923A (zh) | 发电功率的预测方法、装置、计算机设备和存储介质 | |
CN111143983A (zh) | 基于改进水循环算法的稀布天线阵列低副瓣综合优化方法 | |
CN111900716A (zh) | 一种基于稀疏混沌多项式逼近的随机潮流不确定性量化方法 | |
CN115438589A (zh) | 一种基于bp神经网络的钓竿调性预测模型及其优化方法 | |
CN116027756B (zh) | 生产参数在线最优化方法、装置、电子设备及存储介质 | |
CN110738363A (zh) | 一种光伏发电功率预测模型及其构建方法和应用 | |
US20230316094A1 (en) | Systems and methods for heuristic algorithms with variable effort parameters | |
CN112631890A (zh) | 基于lstm-aco模型预测云服务器资源性能的方法 | |
CN116937560A (zh) | 新能源出力预测方法、装置、设备及可读存储介质 | |
Ferreira | Unsupervised entropy-based selection of data sets for improved model fitting | |
Sanz et al. | Time scales in a non-autonomous linear discrete model | |
US9183503B2 (en) | Sparse higher-order Markov random field | |
CN117708716B (zh) | 基于回归和时序融合的光伏发电功率预测方法及设备 | |
CN111062159B (zh) | 一种无人机虚拟试验方法 | |
EP4198831A1 (en) | Automated feature engineering for predictive modeling using deep reinforcement learning | |
Stein | A weighted composite log-likelihood approach to parametric estimation of the extreme quantiles of a distribution | |
Härdle et al. | Dynamics of state price densities | |
Duffee et al. | EMM Estimation of Affine and Nonaffine Term Struc0 ture Models |
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 |