一种基于规则参数全局协调优化的调度规则智能挖掘方法技术

一种基于规则参数全局协调优化的调度规则智能挖掘方法，属于自动控制、信息技术和先进制造领域，具体涉及面向复杂生产过程实时调度环境的调度规则的智能挖掘方法，其特征在于包括以下步骤：建立面向复杂生产过程实时调度环境的调度规则智能挖掘框架、建立调度问题实例分类模型、构建并求解调度规则参数全局协调优化问题。本发明专利技术基于所提出的调度规则智能挖掘框架，采用双层模糊Ｃ均值聚类方法对调度问题实例进行分类。针对每类调度问题实例构建规则参数全局协调优化问题并采用基于线性划分粒子群算法求解该优化问题，其中，采用贝叶斯估计方法对调度规则性能进行综合评价。所获得的调度规则对相似调度环境下不同问题实例均具有较好的调度效果。

【技术实现步骤摘要】

本专利技术属于自动控制、信息技术和先进制造领域。具体涉及一种面向复杂生产过程实时调度环境的调度规则智能挖掘方法。
技术介绍
生产过程调度问题一直是学术界和工业界研究的热点。在过去几十年中，人们已经提出了很多求解生产过程调度问题的方法，如基于运筹学的方法、基于启发式的方法、基于软计算的方法等。基于调度规则的方法具有可融入人(有经验的调度者)的知识、表达简单、计算量小等特点，在实时调度环境中具有明显的优势。但对复杂生产过程调度问题，很难单纯依据人工经验或调度专家知识获得既具有较好调度性能有具有较强适应性的调度规则，而已提出的面向生产过程调度问题的调度规则挖掘方法主要基于调度问题实例在不同调度决策时刻的局部数据(局部调度环境参数或局部调度决策参数)，并仅针对调度规则前后件属性值间的关联关系进行调度规则性能评价，挖掘过程未考虑不同机器组间相应调度规则之间的耦合性，也未考虑调度问题优化目标的要求，因而基于此所获得的调度规则存在全局性能不理想、难以适应于不同调度环境的缺陷。
技术实现思路
为克服上述生产过程调度规则挖掘方法的缺陷，本专利技术提出了一种面向复杂生产过程实时调度环境的基于调度规则参数全局协调优化的智能挖掘方法。本专利技术首先建立面向复杂生产过程实时调度环境的调度规则智能挖掘框架，其核心是将调度规则挖掘过程转化为调度规则参数全局协调优化过程。该框架包括构建调度问题实例库、调度问题实例划分、针对每类问题实例构建同类型调度问题实例库、构建并求解规则参数全局协调优化问题。在上述调度规则智能挖掘框架基础上，本专利技术采用双层模糊C均值聚类方法对不同的调度问题实例进行分类。对每类调度问题实例，采用基于线性划分PSO(粒子群算法)的规则参数全局协调优化方法对规则参数进行优化，其中，采用贝叶斯估计方法对给定调度规则作用于多个同类调度问题实例时的性能进行综合评价。最终挖掘出适用于每类问题实例的调度规则。从而使得本专利技术挖掘出的调度规则更有针对性、调度效果更好。 基于规则参数全局协调优化的调度规则智能挖掘方法，其特征在于，所述方法是在调度规则挖掘计算机和生产调度信息采集装置上依次按以下步骤实现的 第一步定义调度问题实例 调度问题实例记为Problem，其可定义如下 现有N个工件组成工件集合J＝{1，…，N}。m个机器组组成机器组集合M＝{M1，M2，…，Mm}，其中机器组Mi由N(Mi)台相同的并行机器组成。有s个加工工序S＝{S1，S2，…，Ss}，其中工序Si所包含的机器组集合为MS(Si)。工件i的释放时刻为Ri、完成时间为Ci、交货期为Di，其加工过程由ni个操作Oi1，Oi2，…， 组成，操作Oij可在 机器组中任一台机器上加工，其加工时间为p(Oij)，操作Oij在工艺路径中的直接后续操作集合用next(Oij)表示，直接前续操作集合用prev(Oij)表示。a(Oij)、b(Oij)和c(Oij)分别为操作Oij的到达时间、加工开始时间和加工结束时间。 加工过程满足如下约束 ●不可中断约束操作一旦开始加工就不能停止，直至加工完成； ●工艺路径约束 即工件的各操作必须按预定的工艺路径要求进行加工。 在满足上述约束的条件下，本专利技术设定的调度目标有两种 ●最小化拖期数(在一个调度问题实例中，完成时间Ci晚于交货期Di的工件总数) 其中 ●最小化制造周期(在一个调度问题实例中，加工完所有工件所用的时间) min{max{Ci|i＝1，2，…，N}} 第二步在所述的规则挖掘计算机上安装调度规则智能挖掘软件 调度规则智能挖掘软件由面向复杂生产过程实时调度环境的调度规则智能挖掘框架实现。该框架的核心是将调度规则挖掘过程转化为调度规则参数全局协调优化过程。该框架包括构建调度问题实例库、划分调度问题实例、构建同类型调度问题实例库、针对每类问题实例构建并求解规则参数全局协调优化问题。调度规则智能挖掘框架首先根据实际生产数据，构建调度问题实例，并将调度问题实例保存在调度问题实例库中，之后将调度问题实例库中的相关调度问题实例进行划分并产生调度问题实例类型，对每类相关调度问题实例，产生同类型的多个调度问题实例并构建调度规则参数全局协调优化问题，在此基础上，采用规则参数全局协调优化算法求解上述规则参数优化问题，在每次参数迭代优化过程中，将参数给定的调度规则作用于上述同类型多个调度问题实例进行生产过程仿真，获得相应的多个调度性能指标，并采用调度规则综合评价方法对当前调度规则进行评价，所获得的评价值作为规则参数全局协调优化问题的目标函数值，最终获得优化后的调度规则。面向复杂生产过程调度问题的调度规则智能挖掘框架的示意图如图2所示。按照上述调度规则挖掘框架，调度规则智能挖掘软件包括构建调度问题实例库模块、调度问题实例划分模块、构建同类型调度问题实例库模块、构建调度规则参数全局协调优化问题模块、求解调度规则参数全局协调优化问题模块。 第三步生产实时信息采集 用生产调度信息采集装置采集生产实时信息，包括生产工件信息(工件数量、工件中各操作加工时间、工件释放时间、工件交货期、工件工艺路径信息)、生产进度信息(操作在机器上的开工时间、结束时间、暂停时间)、设备信息(故障信息、维修保养信息)。并将上述信息通过网线传送至调度规则挖掘计算机。 第四步构建调度问题实例库 在所述的调度规则挖掘计算机中调用构建调度问题实例库模块，建立调度问题实例库。根据第一步所定义的调度问题实例含义和第三步在特定时刻所采集的生产实时信息，产生特定时刻的调度问题实例，本专利技术中所采用的特定时刻为每天的8:00、12:00、16:00，这样每天即可产生3个调度问题实例，将每天建立的调度问题实例依次存储在调度问题实例库中。按上述过程持续一定时间，本专利技术中持续的时间为3个月。 第五步划分调度问题实例 在所述的调度规则挖掘计算机中调用划分调度问题实例模块，对保存在调度问题实例库中的调度问题实例进行分类。在该模块中采用基于双层模糊C均值聚类的调度问题实例划分方法，对存储在调度问题实例库中的K个调度问题实例{Problem1，...，ProblemK}进行划分，根据第四步的设置，实例库中共有270个调度问题实例，即K＝270。在该方法中，下层聚类负责将与调度问题实例相关的信息进行聚类，提取出特征信息；上层聚类负责将提取出的特征信息进行聚类，以用于调度问题实例的划分。该划分调度问题实例模块是按如下步骤对调度问题实例进行划分的 第5.1步实现模糊C均值聚类算法 在上下层聚类中，均需用到如下的模糊C均值聚类方法假设样本集合为X＝{x1，x2，…，xn}，将其分成C个模糊组，并求每组的聚类中心cj，j＝1，…，C，使如下所定义的目标值JC达到最小 且需满足 其中，μij∈表示第i个数据点属于第j个聚类中心的隶属度，cj为第j个聚类中心，α为加权指数。模糊隶属度μij和cj可分别用下式获得 第5.2步从调度问题的各类信息中提取出调度问题特征信息(下层聚类) 下层聚类负责从调度问题的各类信息中提取出调度问题特征信息，其是按如下步骤实现的 第5本文档来自技高网...

【技术保护点】
一种基于规则参数全局协调优化的调度规则智能挖掘方法，其特征在于，所述方法是在调度规则挖掘计算机和生产调度信息采集装置上依次按以下步骤实现的：第一步：定义调度问题实例调度问题实例记为Ｐｒｏｂｌｅｍ，其可定义如下：现有Ｎ个工件组成工件集合Ｊ＝｛１，…，Ｎ｝。ｍ个机器组组成机器组集合Ｍ＝｛Ｍ↓［１］，Ｍ↓［２］，…，Ｍ↓［ｍ］｝，其中机器组Ｍ↓［ｉ］由Ｎ（Ｍ↓［ｉ］）台相同的并行机器组成。有ｓ个加工工序Ｓ＝｛Ｓ↓［１］，Ｓ↓［２］，…，Ｓ↓［ｓ］｝，其中工序Ｓ↓［ｉ］所包含的机器组获得优化后的调度规则。面向复杂生产过程调度问题的调度规则智能挖掘框架的示意图如图２所示。按照上述调度规则挖掘框架，调度规则智能挖掘软件包括构建调度问题实例库模块、调度问题实例划分模块、构建同类型调度问题实例库模块、构建调度规则参数全局协调优化问题模块、求解调度规则参数全局协调优化问题模块。第三步：生产实时信息采集用生产调度信息采集装置采集生产实时信息，包括生产工件信息（工件数量、工件中各操作加工时间、工件释放时间、工件交货期、工件工艺路径信息）、生产进度信息（操作在机器上的开工时间、结束时间、暂停时间）、设备信息（故障信息、维修保养信息）。并将上述信息通过网线传送至调度规则挖掘计算机。第四步：构建调度问题实例库在所述的调度规则挖掘计算机中调用构建调度问题实例库模块，建立调度问题实例库。根据第一步所定义的调度问题实例含义和第三步在特定时刻所采集的生产实时信息，产生特定时刻的调度问题实例，本专利技术中所采用的特定时刻为每天的８：００、１２：００、１６：００，这样每天即可产生３个调度问题实例，将每天建立的调度问题实例依次存储在调度问题实例库中。按上述过程持续一定时间，本专利技术中持续的时间为３个月。第五步：划分调度问题实例在所述的调度规则挖掘计算机中调用划分调度问题实例模块，对保存在调度问题实例库中的调度问题实例进行分类。在该模块中采用基于双层模糊Ｃ均值聚类的调度问题实例划分方法，对存储在调度问题实例库中的Ｋ个调度问题实例｛Ｐｒｏｂｌｅｍ↓［１］，．．．，Ｐｒｏｂｌｅｍ↓［Ｋ］｝进行划分，根据第四步的设置，实例库中共有２７０个调度问题实例，即Ｋ＝２７０。在该方法中，下层聚类负责将与调度问题实例相关的信息进行聚类，提取出特征信息；上层聚类负责将提取出的特征信息进行聚类，以用于调度问题实例的划分。该划分调度问题实例模块是按如下步骤对调度问题实例进行划分的：第...

【技术特征摘要】

【专利技术属性】
技术研发人员：刘民，董明宇，吴澄，
申请(专利权)人：清华大学，
类型：发明
国别省市：11[中国|北京]