[发明专利]基于GASA-BP神经网络的订单完工时间预测方法

说明书

本发明公开了基于GASA‑BP神经网络的订单完工时间预测方法，该方法在训练预测模型时，首先对车间订单的数据集进行数据归一化处理，通过对原始数据集进行线性变化，使样本的值均处于[0,1]区间内；然后通过将网络的权值和阈值编码成染色体，对种群中的每个个体进行选择、交叉、变异操作来不断修正调整网络的权值和阈值；同时在遗传算法中引入模拟退火算法的Metropolis接受准则对新种群个体进行选择，保留下适应度较优解；直到达到终止条件，则获取最优权值和阈值；最后利用训练好的模型预测订单完工时间。本发明提出的基于改进的遗传算法优化的BP神经网络具有较高的预测精度，解决了BP神经网络预测准确性较低的情况。

技术领域

本发明涉及基于GASA-BP神经网络的订单完工时间预测方法，属于企业生产管理中的订单完工预测领域。

背景技术

日益激烈的市场环境和不断严格的客户需求对制造业缩短生产周期、准确排产、按时交货提出了更高的要求。在按订单生产的企业中，准确的订单完工期预测对合理的生产计划制定、准确的调度排产、按时的产品交付具有重要的意义，甚至影响制造企业的信誉和竞争力。在当前生产方式灵活、产品种类繁多的离散制造车间中，随着自动识别、智能传感器、人工智能技术的大量应用，车间数据的采集和预测也变得愈加快速准确。然而，目前已有的BP神经网络预测模型出现了搜索能力较弱导致预测误差较大的问题。如何更准确的预测车间数据从而有效指导生产是目前迫切需要解决的问题。

发明内容

本发明所要解决的技术问题是：提供基于GASA-BP神经网络的订单完工时间预测方法，克服了现有的BP神经网络预测误差较大的问题，设计更合理，预测更准确。

本发明为解决上述技术问题采用以下技术方案：

基于GASA-BP神经网络的订单完工时间预测方法，包括如下步骤：

步骤1，对BP神经网络进行初始化，并将初始化后网络的权值和阈值编码成染色体；

步骤2，获取训练样本，并对训练样本归一化，利用归一化后的训练样本对BP神经网络进行训练；

步骤3，根据BP神经网络的权值和阈值，网络训练的预测输出与期望输出的误差平方和的倒数计算每个染色体的适应度值；

步骤4，使用遗传算法对染色体进行选择、交叉、变异操作；

步骤5，使用模拟退火算法中的Metropolis接受准则对遗传算法的新种群个体进行选择，保留最优适应度；

步骤6，判断遗传算法的终止条件，若算法达到最大迭代次数，则转至步骤7，否则转至步骤3；

步骤7，解码遗传算法得到的最优染色体，获取最优权值和阈值并利用误差梯度下降法更新BP神经网络的权值和阈值直至满足网络误差精度要求，从而完成网络的训练；

步骤8，获取测试样本，利用训练好的BP神经网络对测试样本进行预测，得到订单完工预测时间。

作为本发明的一种优选方案，步骤1所述染色体包括输入层到隐含层的权值、输入层到隐含层的阈值、隐含层到输出层的权值和隐含层到输出层的阈值，染色体的编码长度为：S＝m*h+h*n+h+n，其中，m、h、n分别为BP神经网络输入层节点数、隐含层节点数、输出层节点数。

作为本发明的一种优选方案，步骤2所述训练样本包括输入数据和输出数据，其中，输入数据包括产品种类、产品数量、产品加工工时、机器故障率、机器负荷率、物料短缺率、车间生产能力、入缓存区队列、出缓存区队列、产品合格率以及已加工时长，输出数据包括订单完工时间；

对训练样本归一化，即对输入数据归一化，具体为：