分別采用最短剩余加工時間優(yōu)先SRPT、最長剩余加工時間優(yōu)先LRPT、最先進入隊列的 優(yōu)先FIFO,最短加工時間優(yōu)先SPT、最長加工時間優(yōu)先LPT及隨機規(guī)則RANDOM生成初始調(diào) 度，然后隨機選擇任意一臺機器上相鄰被加工的兩個操作，交換其調(diào)度優(yōu)先級，從而生成一 個新的調(diào)度；根據(jù)上述兩個調(diào)度中對應(yīng)相對較小平均流經(jīng)時間的調(diào)度，由被交換調(diào)度優(yōu)先 級兩個操作的屬性生成一個訓(xùn)練樣本，重復(fù)上面流程直到獲得N個訓(xùn)練樣本； 設(shè)tshtsf,…，tsj是上述具有較高調(diào)度優(yōu)先級操作的d個屬性值，d= 5,ts丨為操作 的加工時間；th1為當(dāng)前時刻空閑機器中除了被選擇機器外與其上上一個加工操作具有 相同加工菜單的機器總數(shù)；當(dāng)操作在被選擇機器上加工需要Setup時間時tsi為1，否則 為0 ;tsi= 1; 為當(dāng)前操作后續(xù)操作的加工機器的平均負載，即所有在被選擇機器 前等待加工操作的加工時間總和；是另一個操作的d個相應(yīng)屬性值，那 么，所生成的訓(xùn)練樣本為（{>5^,<：4},{>5釦￡5|},~,{【5^【5幻） ；基于此，生成訓(xùn)練樣本 ts；= ts/d,{ts/2,ts/2},…，tsfd}) (/ = 1,2,…，W)，在上述訓(xùn)練樣本中，每個 屬性有兩個取值，分別對應(yīng)兩個不同的操作； 對上述生成的訓(xùn)練樣本進行如下歸一化處理：
步驟（4):初始化 初始化包含HMS個和聲向量的和聲庫，每一個和聲向量由d+1個屬于[0，1]的隨機數(shù) 表示的和聲變量纟日成.S口
步驟（5):計算每個和聲Xji= 1，2，…，HMS)對應(yīng)的目標函數(shù)值 步驟（5. 1):轉(zhuǎn)換XAA= |711,7-21，",7)1,_",7^11111^}，其中，7'/為第」個屬性采用簡單 模糊劃分進行模糊劃分的模糊數(shù)，i=〗，2,…，d
其中，Round( ?)為四舍五入運算符； 步驟（5.2):在所提模糊調(diào)度規(guī)則中，每個條件屬性取值為由兩個模糊集組成的2維模 糊網(wǎng)格，分別對應(yīng)兩個不同的操作，其對應(yīng)的屬性論域分別采用簡單模糊劃分方法和動態(tài) 模糊劃分方法進行劃分；對其中第一個操作第j個屬性％的屬性論域采用簡單模糊劃分方 法劃分為:r/個模揭
j= 1，2，…，d; 步驟（5. 3):基于與弟一個探作對應(yīng)屬性的取值，對第二個操作第j個屬性a」的屬性論 域，采用動態(tài)模糊劃分方法劃分為三個模糊數(shù)，j= 1，2,…，山若^^^第一個操作對應(yīng)屬 性的取值，則第二個操作屬性％的屬性論域劃4
，其中
令別為￡左半和右半梯形模糊數(shù)； 基于上述屬性論域的動態(tài)模糊劃分方法，所提出的模糊調(diào)度規(guī)則具有如下形式：
步驟（5.4):發(fā)現(xiàn)所有頻繁的2維模糊網(wǎng)格J
=1，2，…，d，其中，叫是對應(yīng)第i個屬性的頻繁模糊網(wǎng)格總數(shù)；對任意2k維模糊網(wǎng)格 其模 糊支撐度可通過下式計算
尸丄
若FS(fg)彡minFS，則2k維模糊網(wǎng)格fg是頻繁的； 步驟（5. 5)
. |FFG|是包含在FFG頻繁模 糊網(wǎng)格的總數(shù)； 步驟（5. 6):按下述流程發(fā)現(xiàn)所有頻繁的2k維模糊網(wǎng)格FFG，k= 1，2，…，dfor k = lto d do
forj=lto|FFG|do 構(gòu)造模糊網(wǎng)格//M,i?//力，其中ffg^是當(dāng)前FFG中的第j個頻繁的模糊網(wǎng)格
ln，其中〇7^,i?//A〇n是模糊網(wǎng)格 //M,i?//&的所有子模糊集構(gòu)成的子模糊網(wǎng)格 endif endfor endfor FFG = FFG U FFGa. endfor FFG = FFG-FFGd. 步驟（5.7):根據(jù)FFG生成形如步驟（5.3)給出的模糊調(diào)度規(guī)則 根據(jù)FFG中的每個頻繁模糊網(wǎng)格，生成對應(yīng)的規(guī)則前件，并增加分類標簽1作為規(guī)則后 件；同時，將對應(yīng)頻繁模糊網(wǎng)格的支撐度作為相應(yīng)規(guī)則R的確定度CF(R); 步驟（5.8):對所生成的每條規(guī)則R，構(gòu)造其逆規(guī)則R'
其中，，為另一個分類標簽〇; 步驟（5. 9):基于訓(xùn)練樣本集
（j= 1， 2，…，N)計算所生成模糊調(diào)度規(guī)則dKACKs集1'i，叩利戶\對奴的目稱凼數(shù)值，i= 1， 2，...，HMS，其中，r\由上述所有的R和IT組成 f(Xj) = -waACC(rj) +WCIRi 其中，ACC(ri)是^對訓(xùn)練樣本的分類精確度，Iril是包含在^中模糊調(diào)度規(guī)則 的總數(shù)，》3和W。是加權(quán)系數(shù) 步驟（6):和聲改進
通過如下和聲改進流程生成新的和f forj= lto d+ldo if Rand ^ HMCR 沖^ = <,其中，a是區(qū)間[LHMS]內(nèi)的隨機整數(shù)if Rand ^ PAR ，其中，前和聲庫最好和聲對應(yīng)的和聲變量 endif else
endif endfor 步驟（7):和聲更新 若f(XnJ彡f(XWOTSt)，則令XWOTSt=XnOT，其中，XWOTSt是當(dāng)前和聲庫中的最差和聲 步驟（8):和聲庫重新初始化 若連續(xù)Tmin次迭代最好和聲都沒得到改進，則隨機生成HMS/2個新和聲替換掉和聲庫 中較差的HMS/2個和聲 步驟（9):終止條件判斷 若迭代次數(shù)達到最大迭代次數(shù)T_，則算法終止，否則返回步驟（5)。
【專利摘要】基于論域動態(tài)劃分和學(xué)習(xí)的模糊調(diào)度規(guī)則挖掘方法，屬于先進制造、自動化和信息領(lǐng)域，其特征在于，針對具有組批特征的微電子生產(chǎn)線調(diào)度問題的特點，提出一種屬性論域的動態(tài)模糊劃分方法，基于此，給出一種新的模糊調(diào)度規(guī)則形式及基于Aprior算法的模糊調(diào)度規(guī)則智能挖掘方法。在每條模糊調(diào)度規(guī)則中，每個條件屬性具有兩個語言變量，輸出為一個分類標簽，用于表示待加工兩個操作的調(diào)度優(yōu)先級。兩個語言變量對應(yīng)的屬性分別采用簡單模糊劃分動態(tài)模糊劃分進行論域劃分。并設(shè)計了一種和聲搜索算法對上述關(guān)鍵參數(shù)進行優(yōu)化學(xué)習(xí)。將本發(fā)明應(yīng)用于以最小化平均流經(jīng)時間為調(diào)度目標的微電子生產(chǎn)線調(diào)度問題可產(chǎn)生較好的調(diào)度效果。
【IPC分類】G05B13-04
【公開號】CN104698838
【申請?zhí)枴緾N201410805017
【發(fā)明人】劉民, 劉濤, 郝井華
【申請人】清華大學(xué)
【公開日】2015年6月10日
【申請日】2014年12月23日