改进的Firefly算法优化的数据驱动作业车间调度系统调度特征选择.pdf

改进的Firefly算法优化的数据驱动作业车间调度系统调度特征选择.pdf
该论文提出了一种改进的萤火虫算法 (FA),用于数据驱动的作业车间调度系统中调度特征选择优化。 改进的 FA 采用精英个体分割的动态步长策略,以提高 FA 的优化能力。该方法的主要目的是从生产系统属性数据中选择关键的调度特征数据,以构建数据驱动的作业车间调度系统,因为作业车间生产系统中存在不相关和冗余的属性。 **主要内容:** * **研究背景和问题:** 传统的作业车间调度方法在处理复杂和动态的生产环境时存在困难。数据驱动的调度系统可以通过利用生产数据和机器学习技术来解决这个问题。然而,在数据驱动系统中,选择合适的调度特征是关键,因为不相关的和冗余的属性会影响系统的性能。 * **提出的方法:** 该研究提出了一种改进的 FA (EDSFA),用于调度特征选择。EDSFA 采用动态步长策略和精英个体分割,以提高优化能力。该方法与极限学习机 (ELM) 结合,构建了一个用于作业车间调度的调度特征选择系统。 * **数据驱动的作业车间调度机制:** * **调度系统构建:** 通过挖掘历史调度方案数据,建立调度知识库,包括调度特征集、性能指标集和最优调度规则集。 使用机器学习方法,将调度特征与最优调度规则之间的关系进行拟合。 * **最优调度规则决策:** 系统根据实时调度特征数据,使用机器学习模型输出最优调度规则。 * **最优调度方案生成:** 根据调度规则生成作业和设备的优化处理优先级顺序,从而生成作业车间的最优调度方案。 * **改进的 FA (EDSFA):** * **精英个体分割的动态步长策略:** EDSFA 采用动态步长策略,精英个体采用大步长,非精英个体采用小步长,以平衡全局探索和局部搜索能力。 * **特征表示与初始化:** 将每个萤火虫个体表示为二进制向量,其中每个位对应于候选生产系统属性。 * **目标函数:** 目标函数考虑了调度规则分类的准确性和所选特征的数量。 * **萤火虫的吸引力:** 根据萤火虫二进制位置向量之间的相似度来定义距离和吸引力。 * **萤火虫的二进制移动:** 采用二进制移动算子,根据吸引力和步长参数来更新萤火虫的位置。 * **基于特征选择的调度系统构建:** 将 EDSFA 用于选择特征,然后将所选特征作为候选特征集输入 ELM 分类器进行评估。通过迭代优化,找到在特定生产性能标准下具有鲁棒泛化能力和更高精度的 ELM 分类器。该系统由一组基于 ELM 的分类器组成,这些分类器在所有生产性能标准下都使用最优的调度特征集进行训练。 * **实验和结果:** 在 ft10 作业车间调度问题上进行了实验。将 EDSFA 与 GA、PSO 和 FA 进行了比较。结果表明,EDSFA 在选择调度特征和提高调度规则决策准确性方面优于其他算法。 * **结论:** 该研究提出的 EDSFA-ELM 方法能够有效地选择调度特征,提高调度规则决策的准确性,并构建数据驱动的作业车间调度系统。未来工作包括进一步研究机器学习方法,优化调度规则分类器等。
在线阅读 下载完整报告 | 410.81 KB | 6页
阅读和下载会消耗积分;登录、注册、邀请好友、上传报告可获取积分。
成为VIP会员可免费阅读和下载报告