基于深度强化学习的柔性作业车间节能调度研究

针对当前柔性作业车间节能调度研究无法充分利用历史生产数据,且对复杂、动态、多变的车间生产环境适应性不足的问题,引入深度强化学习思想,利用具有代表性的深度Q网络(deep Q-network,DQN)求解柔性作业车间节能调度问题。将柔性作业车间节能调度问题转化为强化学习对应的马尔科夫决策过程。进而,提炼表征车间生产状态特征的状态值作为神经网络输入,通过神经网络拟合状态值函数,输出复合调度动作规则实现对工件以及加工机器的选择,并利用动作规则与奖励函数协同优化能耗。在3个不同规模的案例上与非支配排序遗传算法、超启发式遗传算法、改进狼群算法等典型智能优化方法进行求解效果对比。结果表明,DQN算法有较强的搜索能力,且最优解分布情况与提出的柔性作业车间节能调度模型聚焦能耗目标相一致,从而验证了所用DQN方法的有效性。

分布式AGV调度研究综述与发展趋势分析

智能物流是智能制造的重要组成部分,也是物流行业发展的必然趋势。自动导引车(automated guided vehicle,AGV)可无缝衔接企业生产系统和仓储系统,是实现智能物流的一种重要技术装备。AGV调度对于提高物流效率、降低能源消耗、减少运输过程中货物的损坏和事故的发生等至关重要。AGV调度问题涉及任务分配和路径规划两个子问题,从调度方式上可分为集中式调度和分布式调度。随着AGV设备智能化水平的提升,分布式AGV系统凭借可扩展性、高可靠性等优势已成为当前研究的热点。首先描述了分布式AGV调度问题;然后分别阐述分析了分布式AGV任务分配和路径规划领域的研究现状;最后对分布式AGV调度未来的发展前景进行了展望。

房建工程建设项目中的现场施工管理策略分析

现场施工管理是施工企业建设过程中的核心管理工作,在建筑市场化发展的今天,现场施工管理是提升建筑整体水平的基本先决性工作和环节。本文针对现场施工管理控制在房建工程建设项目中的应用进行了简要的分析和探讨。