基于增长修剪型神经网络的半导体生产线动态瓶颈分析方法

瓶颈设备是制约半导体生产线在制品水平、生产周期及准时交货率的关键因素,对其进行有效地分析能够提高生产线多性能.现有的分析方法主要是将瓶颈设备视为静态瓶颈,未考虑到生产线不确定因素所带来的动态漂移问题,这样容易造成以瓶颈设备控制为核心的调度算法缺乏柔性,降低算法实效性,因此,本文提出一种基于增长修剪型神经网络的动态瓶颈分析方法.该方法从设备相对生产负荷、利用率及缓冲区队列长度等方面,利用复合定义方法描述设备的综合瓶颈度,并结合瓶颈判定机制识别瓶颈;其次,通过构建增长修剪型神经网络模型预测生产线下一时刻瓶颈,借鉴闭环控制思想动态修正网络结构;再次,使用单因子试验法对影响瓶颈的关键参数进行分析以获得设备动态特性;最后,通过仿真验证方法的可行性和有效性.

模型预测控制下多移动机器人的跟踪与避障

提出了一种基于距离和速度的机器人之间的避障方法,通过与机器人避开障碍物的人工势场法相结合,建立一致性控制编队控制协议。首先,建立机器人之间的通信拓扑关系,以便机器人之间的信息交流。在编队控制层面上,设计具有避碰的编队控制律。然后,在编队跟踪层面上,运用模型预测控制方法,将编队误差运动问题按代价函数转化为最小优化问题。为了在线高效地求解该优化问题,运用了一种广义投影神经网络优化的方法,以便最优解作为控制输入。最后,对多移动机器人编队进行了仿真,验证了所提出策略的有效性。