扰动累积下基于机器学习的重调度方式选择

针对扰动累积下重调度方案甄选问题,提出了一种基于数据学习的重调度方式选择方法。利用累积误差时间来量化隐性扰动,用数据反映实时生产加工状况;构建扰动累积下重调度模型,基于遗传仿真获取评价重调度决策的因素、决策标签。分析仿真样本特征,并基于数据特征降维映射,构建基于支持向量机的分类决策模型以学习生产状况与重调度方式的内在联系,从而帮助生产管理者快速制定决策,提高响应速度。实验验证了所建立重调度方式选择框架的合理性和有效性。