[发明专利]一种基于transformer的端到端动态作业车间调度系统

说明书

本发明涉及用于人工智能技术领域，具体涉及一种基于transformer的端到端动态作业车间调度系统，可以应用于不同尺寸的DJSSP。由特征提取模块、特征压缩模块、动作选择模块所构成。特征提取模块提取生产环境特征，并利用特征压缩模块将生产环境的特征进一步压缩成定长向量。然后，动作选择模块根据压缩后的能够反映生产环境状态的定长向量，实时选择简单优先级规则。本发明所建立的系统是Transformer在DJSSP中的第一个应用，不仅提高了工业调度的生产能力，而且为未来深度学习在DJSSP中的研究提供了范式。

技术领域

本发明涉及人工智能技术领域，具体涉及一种基于transformer的端到端动态作业车间调度系统。

背景技术

调度在智能制造中起着至关重要的作用，因为有效的调度可以提高生产的盈利能力和资源利用率。作业车间调度问题 (JSSP) 是制造业中的典型调度问题，它是一个 NP-hard 的组合优化问题，旨在在给定一组作业的情况下找到生产调度的最优解。其中，每个作业都需要通过不同的机器加工不同的工序，才能被制成。大多数解决JSSP的方法都假设生产环境是静态的，生产环境的状态是预先知道的。但是，在生产环境中发生机器故障、新作业插入等动态事件时，这些解决JSSP的方法所得到的初始调度计划会变得无效，从而需要对作业进行重新的调度。而考虑动态事件的JSSP被称为动态作业车间调度问题（DJSSP），有效解决DJSSP可以更好地提高实际生产中的生产力。

目前，已有多种解决DJSSP的方法被提出。由于调度规则比较简单、容易实现、计算复杂度低，因此在生产中被广泛使用。然而，实时选择调度规则进行调度是至关重要的，因为不同的调度规则在不同的DJSSP中的性能有很大的不同：

元启发式算法在解决DJSSP方面也具有一定的竞争力，其中，元启发式算法中的进化算法和基于群的算法被较多地运用于DJSSP中。

进化算法是受到生物进化的启发而实现的算法，它模仿生物进化的机制来产生更好的解决方案，如遗传算法和差分进化算法，而基于群的算法模仿自然界中鱼群、鸟群、狼群等动物群体的行为，利用群体间的信息交流，通过个体间简单而有限的互动实现优化，如灰狼优化、蚁群优化和粒子群优化。

尽管元启发式算法可以产生高质量的解决方案，但它们往往需要进行大量的迭代才能得到最优或接近最优的解；强化学习（RL）是解决组合优化问题的一种有效方法，并已成功应用于各个领域。由于RL的快速计算能力和应对动态事件的能力，其在解决DJSSP方面取得了突出的成就。如Q-learning、DQN、PPO等RL算法在解决DJSSP问题上，都取得了成功。

深度学习是人工智能中的一种表示学习方法，它具有更深的网络结构，能够将输入的特征映射到特定的输出。深度学习方法可以对未见过的问题进行很好的泛化，一些研究者已经成功地利用深度学习来解决DJSSP。如多层人工神经网络（ANN）、二维卷积神经网络（CNN）、长短期记忆网络（LSTM）等网络系统都成功地被应用于DJSSP的求解中。然而，大部分用于求解DJSSP的深度学习系统或是需要一个模块对系统的输入进行预处理，或是需要使用其他模块对系统的输出进行处理以产生最终的调度方案，这可能会加剧各个模块之间的误差，导致无法获得最优的调度方案。

现有的求解动态作业车间调度问题的方法中，CN201510844179.3针对动态作业车间调度问题的基于局部搜索遗传编程算法；此专利设计了一种搜索机制，更好地实现了开发和探索之间的平衡，能够在更短的时间内，得到一个效果良好的调度规则。

CN201810092067.0基于多色集合的改进遗传算法求解动态车间调度的方法，此专利将遗传算法与多色集合理论相结合以求解DJSSP。

前述两者所提出的方法的泛化性能有限，无法有效解决尺寸不同的DJSSP实例，可见这一领域的相关研究仍存在空白。