[发明专利]APS动态生产计划排程算法

说明书

本发明涉及一种APS动态生产计划排程算法，包括使用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；当动态特性出现时，使用强化学习方法优化实际生产中的动态特性；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；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。本发明通过神经网络来学习到各类不确定性的概率分布，同时通过强化学习提供的在线学习机制，来动态地应对各类不确定性，从而通过GA、神经网络与强化学习的结合，即群智进化算法，解决FJSSP问题，为工厂的智能制造升级提供完整的解决方案。

技术领域

本发明涉及生产计划排程技术领域，尤其是一种APS动态生产计划排程算法。

背景技术

生产计划排程APS(Advanced Planning and Scheduling)的问题总体上可分为离散型(JSSP)、流程性(FSSP)与开放式(OSSP)三种，其中流程型排程问题可以看作离散型排程的一种特例，即将流程型排程问题中的一整条自动化产线抽象成一个单独工序，在实际生产过程中，绝大多数问题事JSSP与FSSP的混合类型。另外，实际的生产活动中，一个工序通常可以在一组可替换的机器上执行，而并非智能在某一台特殊的机器上执行，所以在原有JSSP(或FSSP、OSSP)的串联结构基础之上，又加入了并联的结构，构成了更符合现实生产场景的Flexible JSSP(FJSSP)问题。

对于构建FJSSP问题的建模，通常使用基于向量(指各个变量均为包含属性值的向量)建模方式的生产流程模型(Production Process Model,PPM)，即以工序为核心，构建起关于产品生产、物流、采购的整个生命周期，并通过树状数据结构在计算机中表达出来。

许多研究已经证明，FJSSP问题几乎都属于NP完全问题(只有极少数简单情况为P问题，如单机的最小完成时间)，并且不存在其他的表达与建模方法，能够简化问题复杂度(即为Strongly NPC问题)。因此，传统的基于运筹学的精确求解方法，例如分支界定法(BranchBound)或整数规划(IP)无法应用在实际场景之中。

启发式算法的目标是生成较优解(Near Optimal)而非最优解，针对FJSSP问题，移动瓶颈启发式算法(Shifting Bottleneck Heuristic，1990年提出)是至今为止最成功的算法。

但是，移动瓶颈启发式算法能够处理的问题规模有限，当问题的状态空间(即工单*工序)很大的时候，需要使用基于全局随机搜索的元启发式群体类算法进行求解。其中遗传算法(GA)是群体类算法中使用最广泛、效果最好的方法。现今的遗传算法已经从原本的一种具体算法，发展成了一种基于进化论的框架。

然而，实际的生产场景会存在诸多不确定性，例如制造时间的波动、机器故障、预防性维护、动态插单等等，因此可以说实际生产排程问题是动态的FJSSP问题(Dynamic/Fuzzy FJSSP)。而现有的GA算法已经无法解决此类不确定性的问题。

发明内容

本发明要解决的技术问题是：提出一种APS动态生产计划排程算法，通过GA遗传算法、神经网络与强化学习的结合，即群智进化算法，解决柔性作业车间调度问题。

本发明所采用的技术方案为：一种APS动态生产计划排程算法，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；