基于数据驱动的混合学习算法求解大规模并行机调度问题开题报告

1、本选题的研究目的及意义

随着德国“工业4.0”的 提出，被称为世界“制造中心”的中国在此基础 上将要开始一场规模空前的工业革命—“中国制造2025”。 “中国制造2025”以中国制造业目前的整体发展水平为基础，目的在于提高制造业的智能化水平，向无人工厂、智能制造模式转型。智能制造是制造业与信息技术深度融合的必经之路，是建立制造业竞争优势的关键措施，而在智能制造的行业大趋势与工业4.0、中国制造2025的国家战略导向下产生了工业生产数据与工业生产管理相结合的需求。当今车间生产规模日益增大，企业间的竞争越来越激烈，企业要想在竞争激烈的市场中寻求生存和发展的机会，就必须使生产车间具备对，环境变化的快速的、柔性的适应能力，即企业将会逐渐转型为大规模个性化（柔性）制造模式。然而大多数传统调度理论和方法由于其计算时间复杂度大和调度模型的约束趋于理想化使其不能很好应对在日益复杂多变的生产环境下动态的作业调度需求。企业的这类制造模式对调度算法提出了更高的需求，如何在面对复杂多变的大规模问题的时候，开发精确、稳定、速度调度模型和算法非常重要。研究新型环境下的混合流水形式的生产调度问题具有重要的研究意义。

2、国内外研究状况评述

如今制造企业的信息化建设已广泛开展，各类生产信息管理与控制系统得到普遍应用，像绝大多数制造企业使用了“企业资源计划（Enterprise Resource Planing，ERP）等生产信息系统，持续产生并存储着各类生产数据，这些生产数据中隐含着有关生产调度的重要特征信息和有价值的调度模式。一种新的研究思路便是通过挖掘生产数据中的调度知识，进而构建出生产数据驱动的调度策略决策系统，用于指导动态作业车间的排产调度。以下是近年来有关基于数据的生产调度方法的研究现状。

当调度规模和任务动态性提高了之后，可能会存在稳定性、求解速度、的一个问题，特别当数据规模变大了之后，因此有些学者在寻找新的一些基于数据驱动的算法，如吴秀丽等人针对于智能制造环境下的混合流水车间实时调度问题, 提出了基于BP神经网络的数据驱动的实时调度方法, 数值实验表明所提方法优于固定单一调度规则, 在不同的调度性能指标下其效果均稳定且良好。吴启迪等人研究了一种数据驱动下的半导体生产线调度框架，该框架基于调度优化数据样本，应用机器学习算法，获得动态调度模型，通过该模型，对于半导体生产线，能够根据其当前的生产状态，实时地定出近似最优的调度策略。结果表明，数据驱动下的动态调度方法优于单一的调度规则，同时也能满足生产线调度实时性要求。纪志成等针对模具制造车间的调度特点，提出基于实时生产数据采集的调度方法，具体在静态调度的基础上，对生产现场动态干扰事件所产生的数据进行实时收集，用于对原调度结果作调整，进而提供符合实际生产环境的调度方案。Azadeh等使用作业车间调度仿真得到的部分调度样本数据集（调度规则集与完工时间集的组合）来训练人工神经网络，再利用训练好的人工神经网络模型在完整的候选调度规则集中进行搜索，寻找能使当前车间生产任务的完工时间最小化的一个作业机器的调度规则组合。从上述学者的研究可知，基于数据的生产调度方法基本采取机器学习和数据挖掘的方式从历史生产调度样本中获取调度知识，进而构建出基于机器学习模型的调度决策系统，建立好的调度决策系统能够依据当前作业车间生产状况实时动态地输出当前最优的调度策略，这里的调度策略采取启发式调度规则方法用于作业车间的加工排产已在上述研究中被证实是可行有效的。