基于深度强化学习的非置换流水车间调度问题

针对传统调度算法不能有效利用历史数据进行学习,实时性较差而难以应对复杂多变的实际生产调度环境等问题,首次提出一种基于时序差分法的深度强化学习算法。该方法综合神经网络和强化学习实时性、灵活性的优势,直接依据输入的加工状态进行行为策略选取,更贴近实际订单响应式生产制造系统的调度决策过程。通过将调度问题转化为多阶段决策问题,用深度神经网络模型拟合状态值函数,把制造系统加工状态特征数据输入模型,采用时序差分法训练模型,把启发式算法或分配规则作为调度决策候选行为,结合强化学习在线评价—执行机制,从而为每次调度决策选取最优组合行为策略。在非置换流水车间标准问题集上的测试结果表明,该算法能够取得低于实例上界的较优解。

航空矢量重力测量中载体加速度矢量的确定

首先推导了当采用相位时序差分法时利用双差观测量确定载体加速度的数学模型,理论上分析了加速度的确定精度。然后应用CHAGS的试验数据,分析出静态测量和动态测量时加速度矢量的确定精度可以达到亚毫伽级,与理论上的分析一致。可见,完全能够满足航空矢量重力测量的精度要求。