[发明专利]一种生产调度控制方法和装置

说明书

本申请涉及一种生产调度控制方法和装置，其中，该方法包括：获取与作业目标量相关联变量组中多个变量的初始变量值；将每个变量作为一个粒子，利用基于预设参数的粒子群算法计算与每个变量的初始变量值对应的迭代变量值；通过超参数生成模型生成与多个变量的迭代变量值对应的超参数；利用超参数和粒子群算法对作业目标量进行迭代计算，直至作业目标量满足适应性函数要求，得到与作业目标量相关联变量组中每个变量的目标变量值。本申请解决了粒子群算法对作业目标量的迭代计算效率较低的技术问题。

技术领域

本申请涉及计算机领域，尤其涉及一种生产调度控制方法和装置。

背景技术

粒子群算法作为一种典型的启发式算法被广泛地应用于复杂优化问题的求解。所谓复杂的优化问题通常可以指求解的决策变量的数量大、维度高，所求解的问题是非凸问题(比如决策变量属于零一变量，目标函数不是连续可导的)。经典的运筹学算法通常受制于凸优化相关的假设(比如目标函数连续可导)，很难被直接应用去求解这些问题。另外，尽管经典运筹优化算法有较好的最优性保证，但是在实际生产应用环境中，使用者最关心的是能否求取一组优于根据一般经验所得的解，而不是绝对最优。使用粒子群算法不需要目标函数和决策变量空间的连续可导，所用参数比较少，算法易于实施，比如，基于经验的解可以最为粒子群算法的初始解进行进一步的迭代改善。同时该算法不需要使用人员对数学，特别是优化理论有深入的理解，因此易于被工程领域的从业人员直接使用来解决各种现实工程问题。

比如，在生产计划排产领域，决策变量一般可以定义为零一变量(零表示不生产，一表示生产)，变量的维度一般可以包含产品品种、生产时间、生产线等信息，例如产品i在时间t被生产线j所生产。一般生产企业可能要涵盖数十种不同的品种，若干条生产线，计划时间精度一般根据不同的要求可以细化到小时(在制定日生产计划)、或者天(制定周或月生产计划)，决策变量的数目可能达到成百上千个，即使问题可以被完整正确地模型出来，求解仍然是一个巨大的困难。相类似的模型求解场景在现实工程领域中还有很多，比如，交通运输规划、电网运营规划、设备维护保养计划等。粒子群算法正好可以被应用在这些具有相似属性的优化问题的求解，以合理的计算时间求得近似最优解。

粒子群算法中的超参数包括惯性参数、两个学习率、以及两个介于零和一之间的随机数。惯性参数用于设定粒子在本次迭代中的速度受到上一轮迭代速度的影响程度，两个学习率分别用于调整粒子自身最优位置和整个粒子群最优位置对该粒子速度更新的影响。两个随机数分别对粒子自身最优位置和整个粒子群最优位置对该粒子速度调整施加随机影响。

但传统的粒子群算法中，惯性参数和学习率参数的取值都是基于经验的出的，一旦给出后，在整个体算法中迭代中保持固定，并不能保证对粒子群算法迭代有改善作用，无法保证是有效的迭代计算，造成求解速度慢，无法满足工程、生产要求。

发明内容

本申请提供了一种生产调度控制方法和装置，以至少解决相关技术中粒子群算法对作业调度目标量的迭代计算效率较低的技术问题。

根据本申请实施例的一个方面，提供了一种生产调度控制方法，包括：

获取与作业目标量相关联变量组中多个变量的初始变量值；

将每个变量作为一个粒子，利用基于预设参数的粒子群算法计算与每个变量的初始变量值对应的迭代变量值；

通过超参数生成模型生成与多个所述变量的所述迭代变量值对应的超参数；

利用所述超参数和所述粒子群算法对所述作业目标量进行迭代计算，直至所述作业目标量满足适应性函数要求，得到与所述作业目标量相关联变量组中每个所述变量的目标变量值。

可选的，所述方法还包括：