針對車間的混合流水線調度問題(HFSP)存在智能算法尋優(yōu)過程中節(jié)能目標即適應值評估代價高的問題,首先,通過分析車間節(jié)能模型建模的編碼方式,提出一種基于矩陣編碼機制的特征向量提取方法,引入核函數(shù)有利于極限學習機(ELM)求解節(jié)能目標。其次,對需要構建代理模型的改進多目標多元宇宙優(yōu)化算法(IMOMVO)進行計算復雜度分析,建立了基于ELM的代理模型,設計數(shù)據(jù)驅動優(yōu)化的車間節(jié)能目標算法框架。最后,基于均勻分布變量的拉丁超立方抽樣,形成初始化樣本,與BP算法進行預測性能驗證和計算時間對比兩個實驗。實驗結果顯示,ELM算法的擬合優(yōu)度為0.973 81,預測性能指標均優(yōu)于BP算法。單個適應值平均計算時間為5.4×10-4s,僅為真實求解的18.5%。說明ELM在車間節(jié)能目標預測問題具有良好的效果。

【文章頁數(shù)】：7 頁

【部分圖文】：

圖1HFSP實例布局流程圖

本文研究采用ELM算法預測某多目標HFSP實例在IMOMVO算法求解下的適應值問題。實例相關細節(jié)如下:12個加工工件，3個加工階段，各加工工件的并行機數(shù)量分別為3、2、4。其布局流程如圖1所示。1.3車間節(jié)能目標

圖2算法框架流程圖

為了快速有效求解多目標HFSP實例，設計整體算法流程框架如圖2。通過代理模型評價出預測值，不但對較優(yōu)個體具有篩選作用，同時能顯著提高計算效率。

圖3適應值預測結果對比圖

本文實驗數(shù)據(jù)源自課題組前期工作的某HFSP實例，采用拉丁超立方抽樣500組特征向量作為訓練集輸入量，組成500組編碼矩陣，帶入HFSP節(jié)能模型中計算真實適應值，作為訓練集輸出量。為驗證ELM預測性能有效性，采用BP神經網(wǎng)絡進行實驗對比。抽樣15組特征向量作為測試集。測試集適應值預....

本文編號：3931421