[发明专利]APS动态生产计划排程算法

权利要求书

1.一种APS动态生产计划排程算法，其特征在于：包括以下步骤，

1)使用GA遗传算法，在不考虑动态特性的前提下，生成静态排程计划；

2)当动态特性出现时，通过强化学习在线调整GA遗传算法排程中的工单释放规则与关键参数，使用GA遗传算法重新进行排程；

3)通过神经网络，承载不确定性的概率分布，并将此概率分布作为前馈预测，指导与调整下一次GA遗传算法的排程结果；

4)不断重复步骤1)～3)，从而实现从个体智能涌现到群体智能，再从群体智能到进化个体智能的正反馈闭环，直至智能收敛。

2.如权利要求1所述的APS动态生产计划排程算法，其特征在于：所述的步骤1)包括以下步骤：

A、问题初始化；

B、使用遗传算子运算，通过群体智能涌现出较优解；通过遗传算子，完成从父代到子代的进化过程；

C、不断重复步骤B中的进化过程，直到满足结束条件；结束条件可以是运行的一段时间、满足对目标函数的期望或达到一定迭代次数；

D、根据生成的最优解，按照与编码完全相反的过程进行解码，从而生成实际的排程计划。

3.如权利要求1所述的APS动态生产计划排程算法，其特征在于：所述的步骤2)中，预先对动态特性进行分类，分为随机因素导致的不确定性和系统动力学特性导致的不确定性两种；同时预先设立工单释放规则池。

4.如权利要求3所述的APS动态生产计划排程算法，其特征在于：所述的步骤3)中，若动态特性为随机因素导致的不确定性，则根据特性出现的预测概率，通过设置缓冲、预留产能的方式，预先调整物理模型的建模参数应对；若动态特性为系统动力学特性导致的不确定性，则根据特性出现的预测概率，调整建模中的参数，并将其用作预防性维护的参考指标。

5.如权利要求2所述的APS动态生产计划排程算法，其特征在于：所述的步骤A中，问题初始化包括以下步骤：

a)根据PPM的建模结果，对PPM模型进行编码；

b)根据设置的目标函数，将其转换为Fitness健壮函数；

c)通过随机的方式生成初始种群。

6.如权利要求2所述的APS动态生产计划排程算法，其特征在于：所述的步骤B中的遗传算子包括，

选择算子，即通过Fitness健壮函数，判断个体的健壮性；

交叉算子，即将两个个体的父代染色体进行交叉重组，从而生成子代，其中交叉位置的设置为多种；

以及，

变异算子，即子代的染色体随机化改变。

7.如权利要求3所述的APS动态生产计划排程算法，其特征在于：当不确定性产生时，包括以下步骤，

I、将动态排程问题看作MDP马尔可夫时序模型，即由GA遗传算法生成的排程计划作为t-1时刻的状态，当前不确定性产生后为t时刻的状态；

II、使用强化学习的Q-learning方法，将环境参数、原目标函数、动态特性作为模型输入，通过试错方法进行训练，与工单释放规则池中的具体规则进行匹配；

III、将原目标函数作为奖励函数，学习奖励值最大的映射方式，将学习结果存放到Q-learning查询表中。

8.如权利要求7所述的APS动态生产计划排程系统，其特征在于：所述的步骤II中，采用epsilon-greedy算法增加搜索的随机性。