学习驱动的分布式异构混合流水车间批量流能效调度优化

作     者：邵炜世 皮德常 邵仲世 SHAO Wei-shi;PI De-chang;SHAO Zhong-shi

作者机构：南京航空航天大学计算机科学与技术学院江苏南京211106 南京师范大学计算机与电子信息学院/人工智能学院江苏南京210023 陕西师范大学计算机科学学院陕西西安710119 江苏省信息安全保密工程中心江苏南京210023 

出 版 物：《控制理论与应用》 (Control Theory & Applications)

年 卷 期：2024年第41卷第6期

页      面：1018-1028页

核心收录：

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 08[工学] 0835[工学-软件工程] 0802[工学-机械工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：国家自然科学基金项目(62003203,62103195,62262018) 江苏省基础研究计划项目(BK20210558) 中国博士后基金面上项目(2021M701700,2023M732166) 中央高校基本业务费项目(GK202201014) 大规模复杂系统数值模拟教育部重点实验室开放基金项目(202404)资助 

主　　题：分布式异构混合流水车间 批量流调度 学习驱动的多目标进化算法 整数规划 能效优化 

摘      要：本文研究了分布式异构混合流水车间批量流能效调度问题,其中每个工厂的加工效率不同,工件可以分割成若干子批进入加工系统.以最大完成时间和总能耗为优化目标,建立了混合整数规划模型.本文提出了一种学习驱动的多目标进化算法,包括学习驱动的全局搜索和局部搜索.引入Q学习作为学习引擎,以种群和非支配解集的评价作为环境反馈信号,通过不断的学习来动态指导搜索操作的选择;基于问题特征,设计了算法的状态集、动作集和奖励机制.Q学习的引入能够及时感知当前搜索的状态,减少搜索操作的盲目性,提高搜索的效率.通过对仿真数据集的测试,表明所提出算法能够有效地求解分布式异构混合流水车间批量流能效调度问题.