CN117406684B - 基于Petri网与全连接神经网络的柔性流水车间调度方法 - Google Patents
基于Petri网与全连接神经网络的柔性流水车间调度方法 Download PDFInfo
- Publication number
- CN117406684B CN117406684B CN202311720780.2A CN202311720780A CN117406684B CN 117406684 B CN117406684 B CN 117406684B CN 202311720780 A CN202311720780 A CN 202311720780A CN 117406684 B CN117406684 B CN 117406684B
- Authority
- CN
- China
- Prior art keywords
- neural network
- fully
- petri
- connected neural
- library
- 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 39
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 26
- 238000012549 training Methods 0.000 claims abstract description 23
- 238000004519 manufacturing process Methods 0.000 claims abstract description 17
- 238000003062 neural network model Methods 0.000 claims abstract description 14
- 230000008569 process Effects 0.000 claims abstract description 7
- 230000006399 behavior Effects 0.000 claims abstract description 5
- 238000012545 processing Methods 0.000 claims description 36
- 210000002569 neuron Anatomy 0.000 claims description 23
- 230000007704 transition Effects 0.000 claims description 20
- 239000011159 matrix material Substances 0.000 claims description 9
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 claims description 6
- 239000010931 gold Substances 0.000 claims description 6
- 229910052737 gold Inorganic materials 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 4
- 238000010845 search algorithm Methods 0.000 claims description 4
- 230000005284 excitation Effects 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 230000007423 decrease Effects 0.000 claims description 2
- 238000005457 optimization Methods 0.000 abstract description 2
- 238000004880 explosion Methods 0.000 abstract 1
- 238000013461 design Methods 0.000 description 4
- 238000003754 machining Methods 0.000 description 3
- 230000010391 action planning Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000000151 deposition Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41865—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by job scheduling, process planning, material flow
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32252—Scheduling production, machining, job shop
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- General Factory Administration (AREA)
Abstract
本发明公开了基于Petri网与全连接神经网络的柔性流水车间调度方法,包括如下步骤:S1,利用库所赋时Petri网,对柔性流水车间进行建模;S2,输入训练任务,根据库所赋时Petri网的运行规则,设计启发式数据集的生成算法,获取系统动态演化的所有状态集合,所述状态对应完成训练任务的调度方法;S3,设计全连接神经网络学习模型,从数据集中学习库所赋时Petri网行为的启发式;S4,输入目标任务,通过全连接神经网络模型结合启发式算法,得到完成目标任务的最优或次优调度方法。本发明可以解决柔性流水车间求解调度策略过程中面临的状态空间爆炸难题,为实际制造系统提供高效、柔性的调度优化解决方案,在保证产品质量前提下获得最短完工时间。
Description
技术领域
本发明涉及柔性制造系统技术领域,尤其涉及一种基于Petri网和全连接神经网络的柔性流水车间调度方法。
背景技术
工业4.0在世界范围内越来越受到重视,旨在构建一个智能化生产系统,来保证生产的灵活性和高效率。柔性制造系统能满足定制化、多品种、小批量、多批次的柔性生产需求,可以达到更高的操作效率、生产力和自动化水平,其中调度方法的求解面临着更大挑战。存在这样一类柔性制造系统——柔性流水车间,它的调度不仅要合理优化各种不同类型工件的加工顺序,还要有效地规划机器人的物料运送作业。因此,该类柔性流水车间的调度属于加工任务指派和机器人动作规划的联合优化问题。
利用启发式搜索算法对其进行调度方法求解时,启发式负责估计从任意状态到达目标状态的时间消耗,其估计精度直接决定着该算法的时间复杂性以及求解调度方法的准确性,而现有基于Petri网的启发式搜索研究工作,主要依靠人为设计,如申请号为CN201911066140.8和CN201910261488.6的中国发明专利所公开的方法,相对于指数增长的状态空间而言,其估计精度有限,而且没有考虑机器人搬运工件的时间消耗,不利于实际柔性制造系统的应用,因此,在启发式设计的方法上是有缺陷的。
发明内容
本发明的目的在于克服现有技术的不足,提出了一种引入监督学习的启发式调度方法,发挥库所赋时Petri网行为大数据优势,训练高估计精度的全连接神经网络启发式模型,从而有效提高启发式搜索的效率。
本发明解决其技术问题所采用的技术方案是:提供一种基于Petri网与全连接神经网络的柔性流水车间调度方法,包括如下步骤:
S1,利用库所赋时Petri网,对柔性流水车间进行建模;所述库所赋时Petri网指在普通Petri网的库所上赋予时间来表示成本因素;
S2,输入训练任务,根据库所赋时Petri网的运行规则,设计启发式数据集的生成算法,获取系统动态演化的所有状态集合,所述状态对应完成训练任务的调度方法;
S3,设计全连接神经网络学习模型,从数据集中学习库所赋时Petri网行为的启发式;
S4,输入目标任务,通过全连接神经网络模型结合启发式算法,得到完成目标任务的最优或次优调度方法;
所述训练任务与目标任务均为柔性流水车间中的加工任务,加工任务包括需要加工的工件类型与数量,不同的工件类型需要不同的操作,不同的操作需要不同的资源和执行时间;所述操作包括生产操作和搬运操作,所述资源包括机器人和加工站。
优选的,所述S1包括以下步骤:
S1.1,对每种工件在生产线上的加工过程进行分析,构建工件加工路径子网的库所赋时Petri网模型,该路径上的托肯数表示正在进行操作的工件数,库所表示工件进行何种操作,变迁代表着操作的开始和结束;
S1.2,对柔性流水车间中搬运工件的机器人的逻辑关系进行分析,根据机器人在加工站之间可能的移动,构建机器人移动路径子网的库所赋时Petri网模型,该路径上的托肯表示机器人,库所表示机器人状态,变迁代表着机器人移动的开始和结束;
S1.3,当机器人柔性流水车间同时加工多个零件时,有限的加工站资源和机器人资源会导致多个任务竞争同一个资源,添加资源库所来保证加工站每次只允许一个工件进行加工,资源库所中的托肯数表示空闲的加工站数;
S1.4,通过弧的连接,将资源库所与工件加工路径子网和机器人移动路径子网的库所赋时Petri网模型相结合,得到完整的库所赋时Petri网模型。
优选的,所述S2具体包括以下步骤:
S2.1,输入库所赋时Petri网的前置关联矩阵、后置关联矩阵、每个库所赋予的操作时间以及训练任务,前置关联矩阵表示库所到变迁的有向弧的权值,后置关联矩阵表示变迁到库所的有向弧的权值,库所赋予的操作时间表示该库所对应的加工任务的执行时间;根据库所赋时Petri网的运行规则,定义一个状态,其中k表示时刻,N为正整数,/>表示库所赋时Petri网的标识,/>表示库所内托肯已等待的时间,/>表示从初始状态到当前状态已经消耗的时间,/>表示从当前状态/>到达目标状态实际需要的最小消耗时间;
S2.2,初始化初始状态,其中/>为初始标识,/>,/>,;同时将/>作为可达树的根结点,标记为new,执行步骤S2.3;
S2.3,如果,/>为目标标识,将/>标记为goal,执行步骤S2.10,否则执行步骤S2.4;
S2.4,从可达树中任意选择一个new结点,表示为,并将该结点标记为old,执行步骤S2.5;
S2.5,计算状态下状态使能的变迁集合,对于每一个在变迁集合的变迁执行步骤S2.6;
S2.6,计算激发变迁产生后的状态,然后执行步骤S2.7;
S2.7,如果是新状态,在可达树中添加一个表示/>的结点,并画一条从结点指向/>的有向弧,弧上标记激发的相应变迁,然后执行步骤S2.8;
S2.8,如果,那么/>,将对应的/>结点标记为goal,否则标记为new,直到/>状态下状态使能的变迁集合为0,才执行步骤S2.9;
S2.9,如果可达树中存在new结点,那么执行步骤S2.4,否则执行步骤S2.10;
S2.10,从goal结点开始,逐次用子结点的/>来更新父结点/>的/>,更新公式为:/>,然后执行步骤S2.11;
S2.11,以txt文件形式输出生成所有状态结点的标识、已等待时间/>和到达目标状态实际需要的最小消耗时间/>,组成启发式数据集。
优选的,所述S3具体包括以下步骤:
S3.1,在输入层,为库所赋时Petri网的每个库所设计两个神经元,分别表示该库所的托肯数和托肯已等待时间;
S3.2,在输出层,设计唯一一个神经元,表示库所赋时Petri网每个状态的最小估计消耗时间;
S3.3,在隐藏层,根据经验公式,计算每层神经元个数,使得神经元个数逐层减少,其中/>为相邻两层神经元个数的差值,/>为前一层神经元个数,/>为输出层神经元个数,/>为[1,10]区间内的经验常数;
S3.4,将启发式数据集输入到全连接神经网络中进行训练,通过不断调整参数,降低全连接神经网络中的训练误差,从而得到启发式数据集的全连接神经网络模型。
优选的,所述全连接神经网络的输入层包含56个神经元,所述全连接神经网络具有6个隐藏层,各隐藏层神经元个数为48、38、30、23、15和8。
优选的,所述启发式数据集的全连接神经网络模型选择训练集平均相对误差满足第一预设值、测试集平均相对误差满足第二预设值的全连接神经网络模型。
优选的,所述S4具体为:输入加工任务,将训练得到的启发式数据集全连接神经网络模型作为启发式函数,作为启发式算法中的启发式进行最优或者次优路径的搜索,实现调度方法的求解。
优选的,所述S1的启发式算法为A*搜索算法。
本发明具有如下有益效果:
(1) 将全连接神经网络引入启发式设计,而神经网络具有很强的信息综合能力,可以有效地对整个系统的数据集进行高度拟合,学习并掌握系统的运行规律,从而为启发式设计提供了一条数据驱动的新途径,有可能获得高精度启发式,而启发式精度越高,A*算法的搜索效率越高;
(2) 不仅考虑了加工站的加工工序的时间消耗,还考虑机器人搬运工件的时间消耗,更加贴近实际柔性制造系统的应用,是一类更为复杂的工作站工序和机器人动作联合优化问题,因此本发明更适用于各种大规模且复杂的车间制造系统,并不局限于运行小规模车间制造系统。
以下结合附图及实施例对本发明作进一步详细说明,但本发明不局限于实施例。
附图说明
图1为本发明实施例的流程图;
图2为本发明实施例的详细流程图;
图3为本发明实施例中柔性流水车间的示意图;
图4为本发明实施例中柔性流水车间对应的库所赋时Petri网模型。
具体实施方式
参见图1及图2所示,为本发明实施例的流程图及详细流程图,包括以下步骤:
S1,利用库所赋时Petri网,对柔性流水车间进行建模;
S2,输入训练任务,根据库所赋时Petri网的运行规则,设计启发式数据集的生成算法,获取系统动态演化的所有状态集合,所述状态对应完成训练任务的调度方法;
S3,设计全连接神经网络学习模型,从数据集中学习库所赋时Petri网行为的启发式;
S4,输入目标任务,通过全连接神经网络模型结合启发式算法,得到完成目标任务的最优或次优调度方法;
参见图3所示,为本发明实施例中柔性流水车间的示意图,包含输入站、 四台加工站/>、输出站/>和搬运工件的机器人/>,每个加工站只能容纳一个工件,机器人只能抓取一个工件。每个工件的生产均需要经历一系列加工工序、搬运操作。如表1所示,该车间可以生产I、II和III型工件,分别表示为/>和/>。/>有9个生产操作,其中:/>表示将I型工件存放在输入站/>,其耗费时间为0s;/>表示机器人/>将I型工件从输入站/>搬运到/>,其耗费时间为2s;/>表示I型工件在/>进行加工,其耗费时间为2s;/>表示机器人将I型工件从/>搬运到/>或/>,其耗费时间为2s;/>表示I 型工件在/>或/>进行加工,其耗费时间是17s;/>表示机器人将I型工件从/>或/>搬运到/>,其耗费时间为2s ;/>表示I型工件在/>进行加工,其耗费时间为39s;/>表示机器人将I型工件从/>搬运到输出站/>,其耗费时间为2s;/>负责将I型工件存放在输出站/>,其耗费时间为0s。类似地,/>和/>分别也有9个生产操作,其耗费时间可见表1。
表1 三种类型产品制造工序:
具体的,本实施例中,S1得到的库所赋时Petri网模型参见图4所示。
具体的,本实施例中,S2输入的训练任务为,表示加工I型工件、II型工件和III型工件各2件;以txt文件形式输出加工任务/>的数据集,为一个282316行57列的矩阵,其行数为该加工任务扩展的状态结点数。
具体的,本实施例中,S3得到的全连接神经网络模型,输入层包含56个神经元,具有6个隐藏层,各隐藏层神经元个数为:48、38、30、23、15和8,输出层的神经元个数为1,经过多次训练,最终选取了训练集平均相对误差为0.0332%,测试集平均相对误差为0.0479%的全连接神经网络模型作为A*算法的启发式函数。
具体的,本实施例中,S4中,将训练加工任务的启发式数据集的全连接神经网络模型作为/>、/>、/>等其它较大加工任务进行A*搜索的启发式函数,能够有效地减少状态空间,/>、/>、/>均能在0.1s的时间内搜索到最优或者次优的调度策略,其搜到的最短完工时间分别为440s、535s、664s。
以上所述的具体实施方案,对本发明的目的、技术方案和有益效果进行了进一步的详细说明,所应理解的是,以上所述仅为本发明的具体实施方案而已,并非用以限定本发明的范围,任何本领域的技术人员,在不脱离本发明的构思和原则的前提下所做出的等同变化与修改,均应属于本发明保护的范围。
Claims (6)
1.一种基于Petri网与全连接神经网络的柔性流水车间调度方法,其特征在于,包括如下步骤:
S1,利用库所赋时Petri网,对柔性流水车间进行建模;所述库所赋时Petri网指在普通Petri网的库所上赋予时间来表示成本因素;
S2,输入训练任务,根据库所赋时Petri网的运行规则,设计启发式数据集的生成算法,获取系统动态演化的所有状态集合,所述状态对应完成训练任务的调度方法;
S3,设计全连接神经网络学习模型,从数据集中学习库所赋时Petri网行为的启发式;
S4,输入目标任务,通过全连接神经网络模型结合启发式算法,得到完成目标任务的最优或次优调度方法;
所述训练任务与目标任务均为柔性流水车间中的加工任务,加工任务包括需要加工的工件类型与数量,不同的工件类型需要不同的操作,不同的操作需要不同的资源和执行时间;所述操作包括生产操作和搬运操作,所述资源包括机器人和加工站;
所述S2具体包括以下步骤:
S2.1,输入库所赋时Petri网的前置关联矩阵、后置关联矩阵、每个库所赋予的操作时间以及训练任务,前置关联矩阵表示库所到变迁的有向弧的权值,后置关联矩阵表示变迁到库所的有向弧的权值,库所赋予的操作时间表示该库所对应的加工任务的执行时间;根据库所赋时Petri网的运行规则,定义一个状态其中k表示时刻,N为正整数,mk表示库所赋时Petri网的标识,vk表示库所内托肯已等待的时间,gk表示从初始状态到当前状态已经消耗的时间,/>表示从当前状态Xk到达目标状态实际需要的最小消耗时间;
S2.2,初始化初始状态其中m0为初始标识,v0=0,g0=0,/>同时将/>作为可达树的根结点,标记为new,执行步骤S2.3;
S2.3,如果m0=mg,mg为目标标识,将X0标记为goal,执行步骤S2.10,否则执行步骤S2.4;
S2.4,从可达树中任意选择一个new结点,表示为并将该结点标记为old,执行步骤S2.5;
S2.5,计算Xk状态下状态使能的变迁集合,对于每一个在变迁集合的变迁执行步骤S2.6;
S2.6,计算激发变迁产生后的状态然后执行步骤S2.7;
S2.7,如果Xk+1是新状态,在可达树中添加一个表示Xk+1的结点,并画一条从Xk结点指向Xk+1的有向弧,弧上标记激发的相应变迁,然后执行步骤S2.8;
S2.8,如果mk+1=mg,那么将对应的Xk结点标记为goal,否则标记为new,直到Xk状态下状态使能的变迁集合为0,才执行步骤S2.9;
S2.9,如果可达树中存在new结点,那么执行步骤S2.4,否则执行步骤S2.10;
S2.10,从goal结点开始,逐次用子结点gson的来更新父结点gfather的/>更新公式为:/>然后执行步骤S2.11;
S2.11,以txt文件形式输出生成所有状态结点的标识m、已等待时间v和到达目标状态实际需要的最小消耗时间h*,组成启发式数据集;
所述S3具体包括以下步骤:
S3.1,在输入层,为库所赋时Petri网的每个库所设计两个神经元,分别表示该库所的托肯数和托肯已等待时间;
S3.2,在输出层,设计唯一一个神经元,表示库所赋时Petri网每个状态的最小估计消耗时间
S3.3,在隐藏层,根据经验公式计算每层神经元个数,使得神经元个数逐层减少,其中nd为相邻两层神经元个数的差值,n为前一层神经元个数,nO为输出层神经元个数,α为[1,10]区间内的经验常数;
S3.4,将启发式数据集输入到全连接神经网络中进行训练,通过不断调整参数,降低全连接神经网络中的训练误差,从而得到启发式数据集的全连接神经网络模型。
2.根据权利要求1所述的基于Petri网与全连接神经网络的柔性流水车间调度方法,其特征在于,所述S1包括以下步骤:
S1.1,对每种工件在生产线上的加工过程进行分析,构建工件加工路径子网的库所赋时Petri网模型,该路径上的托肯数表示正在进行操作的工件数,库所表示工件进行何种操作,变迁代表着操作的开始和结束;
S1.2,对柔性流水车间中搬运工件的机器人的逻辑关系进行分析,根据机器人在加工站之间可能的移动,构建机器人移动路径子网的库所赋时Petri网模型,该路径上的托肯表示机器人,库所表示机器人状态,变迁代表着机器人移动的开始和结束;
S1.3,当机器人柔性流水车间同时加工多个零件时,有限的加工站资源和机器人资源会导致多个任务竞争同一个资源,添加资源库所来保证加工站每次只允许一个工件进行加工,资源库所中的托肯数表示空闲的加工站数;
S1.4,通过弧的连接,将资源库所与工件加工路径子网和机器人移动路径子网的库所赋时Petri网模型相结合,得到完整的库所赋时Petri网模型。
3.根据权利要求1所述的基于Petri网与全连接神经网络的柔性流水车间调度方法,其特征在于,所述全连接神经网络的输入层包含56个神经元,所述全连接神经网络具有6个隐藏层,各隐藏层神经元个数为48、38、30、23、15和8。
4.根据权利要求1所述的基于Petri网与全连接神经网络的柔性流水车间调度方法,其特征在于,所述启发式数据集的全连接神经网络模型选择训练集平均相对误差满足第一预设值、测试集平均相对误差满足第二预设值的全连接神经网络模型。
5.根据权利要求1所述的基于Petri网与全连接神经网络的柔性流水车间调度方法,其特征在于,所述S4具体为:输入加工任务,将训练得到的启发式数据集全连接神经网络模型作为启发式函数,作为启发式算法中的启发式进行最优或者次优路径的搜索,实现调度方法的求解。
6.根据权利要求1所述的基于Petri网与全连接神经网络的柔性流水车间调度方法,其特征在于,所述S1的启发式算法为A*搜索算法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311720780.2A CN117406684B (zh) | 2023-12-14 | 2023-12-14 | 基于Petri网与全连接神经网络的柔性流水车间调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311720780.2A CN117406684B (zh) | 2023-12-14 | 2023-12-14 | 基于Petri网与全连接神经网络的柔性流水车间调度方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117406684A CN117406684A (zh) | 2024-01-16 |
CN117406684B true CN117406684B (zh) | 2024-02-27 |
Family
ID=89494784
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311720780.2A Active CN117406684B (zh) | 2023-12-14 | 2023-12-14 | 基于Petri网与全连接神经网络的柔性流水车间调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117406684B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111445081A (zh) * | 2020-04-01 | 2020-07-24 | 浙江大学 | 产品作业动态调度的数字孪生虚实自适应迭代优化方法 |
CN112766782A (zh) * | 2021-01-28 | 2021-05-07 | 哈尔滨工业大学(深圳) | 政务流程的建模方法、调度方法、智能设备和存储介质 |
CN112862326A (zh) * | 2021-02-19 | 2021-05-28 | 同济大学 | 一种基于大数据挖掘的系统调度优化方法 |
CN113874993A (zh) * | 2019-03-29 | 2021-12-31 | 朗姆研究公司 | 用于衬底处理系统的基于模型的调度 |
CN114186791A (zh) * | 2021-11-10 | 2022-03-15 | 大连理工大学 | 一种面向多型号小批量的复杂装备产品装调生产动态调度方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10055434B2 (en) * | 2013-10-16 | 2018-08-21 | University Of Tennessee Research Foundation | Method and apparatus for providing random selection and long-term potentiation and depression in an artificial network |
JP7379672B2 (ja) * | 2019-09-19 | 2023-11-14 | シーメンス アクチエンゲゼルシヤフト | フレキシブル生産システムおよび装置のための自己学習型製造スケジューリング方法 |
-
2023
- 2023-12-14 CN CN202311720780.2A patent/CN117406684B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113874993A (zh) * | 2019-03-29 | 2021-12-31 | 朗姆研究公司 | 用于衬底处理系统的基于模型的调度 |
CN111445081A (zh) * | 2020-04-01 | 2020-07-24 | 浙江大学 | 产品作业动态调度的数字孪生虚实自适应迭代优化方法 |
CN112766782A (zh) * | 2021-01-28 | 2021-05-07 | 哈尔滨工业大学(深圳) | 政务流程的建模方法、调度方法、智能设备和存储介质 |
CN112862326A (zh) * | 2021-02-19 | 2021-05-28 | 同济大学 | 一种基于大数据挖掘的系统调度优化方法 |
CN114186791A (zh) * | 2021-11-10 | 2022-03-15 | 大连理工大学 | 一种面向多型号小批量的复杂装备产品装调生产动态调度方法 |
Non-Patent Citations (4)
Title |
---|
基于 Petri 网和人工势场的柔性制造启发式优化方法;伊思嘉;控制与决策;20230413;全文 * |
基于Stateflow的赋时Petri网仿真实现方法;程立;张健欣;赵海龙;;计算机仿真;20130215(第02期);全文 * |
工期确定及可变工期下的受限资源多项目调度建模;胡文斌;乐宇;许龙;王凯凯;夏畅;杜博;宋伟;;计算机集成制造系统;20121115(第11期);全文 * |
间歇式化工系统的Petri网优化调度与控制方法;周家忠;控制理论与应用;20160630;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117406684A (zh) | 2024-01-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sharma et al. | Evolution of industrial revolutions: a review | |
CN108694502B (zh) | 一种基于XGBoost算法的机器人制造单元自适应调度方法 | |
Salehi et al. | Optimization process planning using hybrid genetic algorithm and intelligent search for job shop machining | |
Zhang et al. | Drilling path optimization by optimal foraging algorithm | |
CN110472765B (zh) | 一种车间布局调度的低熵协同优化方法 | |
Cao et al. | A novel multi-objective optimization approach of machining parameters with small sample problem in gear hobbing | |
Petrović et al. | Integration of process planning, scheduling, and mobile robot navigation based on TRIZ and multi-agent methodology | |
CN115454005A (zh) | 一种面向有限运输资源场景的制造车间动态智能调度方法及装置 | |
CN112348314A (zh) | 一种带起重机的分布式柔性车间调度方法及系统 | |
CN113656156A (zh) | 一种基于禁忌搜索算法和遗传算法结合的调度优化方法 | |
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 | |
CN117406684B (zh) | 基于Petri网与全连接神经网络的柔性流水车间调度方法 | |
CN117132181B (zh) | 一种分布式柔性生产与运输协同调度方法 | |
CN109447408B (zh) | 一种基于复杂网络理论的跨单元调度方法 | |
CN116796964A (zh) | 一种基于生成对抗模仿学习解决作业车间调度问题的方法 | |
CN117314055A (zh) | 基于强化学习的智能制造车间生产-运输联合调度方法 | |
CN111325487A (zh) | 一种流水生产车间智能调度优化方法及系统 | |
CN110705650A (zh) | 一种基于深度学习的钣金布局方法 | |
Li et al. | An improved whale optimisation algorithm for distributed assembly flow shop with crane transportation | |
CN113792927A (zh) | 基于遗传算法的航空航天柔性产品工序优化方法 | |
CN116861571A (zh) | 一种金属模具制造加工岛的加工工序选择方法 | |
CN114839930A (zh) | 一种用于分布式装配阻塞流水车间集成调度系统 | |
CN115700647A (zh) | 一种基于禁忌搜索遗传算法的车间柔性作业调度方法 | |
CN114707748A (zh) | 一种基于群体免疫-遗传算法的混流产线智能排产方法 | |
CN110147078B (zh) | 一种无故障rgv智能系统二道工序加工动态调度方法 |
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 |