[发明专利]一种基于XGBoost算法的机器人制造单元自适应调度方法

权利要求书

1.一种基于XGBoost算法的机器人制造单元自适应调度方法，包括以下步骤：

建立样本数据库，数据库中存储的样本是生产数据以及对应生产数据的最优启发式方法；

以样本数据库为基础，建立启发式调度方法分类模型；

通过监测机器人制造单元内的生产状态信息，获取实际的生产数据，将实际的生产数据输入给启发式调度方法分类模型，得到当前生产状态下的最优启发式方法；

其特征在于，以样本数据库为基础，建立启发式调度方法分类模型包括以下步骤：

A1、将数据库中的样本随机分为训练样本集和测试样本集；

A2、采用XGBoost模型为分类模型，分类模型的输入是生产数据，输出是生产数据对应当前生产状态的最优启发式方法；

A3、选取特征子集，训练模型；

A4、使用测试样本集对模型进行测试：将测试样本集中的生产数据输入模型，比对模型的输出和测试样本集中该生产数据对应的最优启发式方法，相同即判断准确，如果模型输出的准确率高于95%，结束，否则，转到步骤A3；

A3包括以下步骤：

步骤1、设置优化过程参数，包括惯性权重、加速系数、种群规模、迭代停止条件；

步骤2、种群初始化，包括粒子的初始位置及初始速度；

步骤3、对种群进行解码，得到每个粒子对应的特征子集及XGBoost模型超参数，采用XGBoost模型训练分类模型，将分类模型的准确率作为粒子的适应度值；

步骤4、得到分类模型后计算每一维特征的全局贡献度，计算所有特征的贡献度后作归一化处理，得每个特征的权重Wj；

步骤5、对于每个粒子i，将其适应度值与pbest_i的适应度值进行比较，若较好，则将其赋值给pbest_i，反之，pbest_i保持不变；

步骤6、对每个粒子，将其适应度值与所有邻域粒子的适应度值进行比较，确定邻域粒子中适应度值优于当前粒子的数量Ni；

步骤7、根据以下公式，对粒子的速度进行更新：

根据以下公式，对粒子的位置进行更新：

其中，标量χ和φ分别是收缩系数，设置为0.7298和4.1，pbest_iⁿ表示该粒子历史最优位置，gbest_qⁿ表示第q个近邻的历史最优位置，U(0,φ)表示0和φ之间均匀分布的随机数，W_iⁿ⁺¹表示本轮分类模型训练当中该特征所对应的权重系数，S(V_id)使用Sigmoid函数将速度分量映射到[0,1]区间用于决策，d代表粒子的维度，[1,m]代表所有特征对应的编码位置，(m,D]代表超参数对应的编码位置，r₃为0到1之间均匀分布的随机数，Vid为粒子速度分量；

步骤8、如未达到迭代停止条件，则返回步骤3；如达到迭代停止条件，输出历史最优解，对特征子集及超参数进行解码；

步骤9、确定特征子集，对模型采用栅格搜索法进一步确定其超参数，得到最优分类模型；

步骤3中，

样本数为n维度为m的数据集为：

其中，x_i表示数据i对应的特征，y_i表示最优启发式方法，R表示模式分类方法；

集成了K棵决策树的XGboost模型为：

每轮迭代将产生一个决策树模型为：

其中F表示了回归树的集合空间，q(x)代表样本与树模型中叶子节点的映射关系，T表示树模型中叶子节点数，每一个树模型f_k对应一个独立的树结构q与叶子节点的权重w；

XGBoost算法的目标函数：

上式由损失函数和复杂度两部分组成，损失函数l表示估计值和真实值之间的训练误差，Ω(f_k)表示每棵决策树的复杂度， ，

每轮训练的目标函数为：

，

其中，；

步骤4中，每个特征j的权重Wj按照以下方法计算：

计算节点s的Gini不纯度：

其中p(c|s)表示类别c在节点s的相对频率，

计算分枝前后的Gini不纯度变化量：

Gini(l)和Gini(r)分别表示由节点s分裂的左右新节点的Gini不纯度，

一棵树T的分裂次数为d次，将所有分裂节点的贡献度求和即为：

XGBoost模型中特征j的整体贡献度为：

计算所有特征的贡献度后作归一化处理，得每个特征j的权重Wj。