基于极限学习机的车间节能目标预测方法

发布时间：2024-03-17 18:01

　　针对车间的混合流水线调度问题(HFSP)存在智能算法寻优过程中节能目标即适应值评估代价高的问题,首先,通过分析车间节能模型建模的编码方式,提出一种基于矩阵编码机制的特征向量提取方法,引入核函数有利于极限学习机(ELM)求解节能目标。其次,对需要构建代理模型的改进多目标多元宇宙优化算法(IMOMVO)进行计算复杂度分析,建立了基于ELM的代理模型,设计数据驱动优化的车间节能目标算法框架。最后,基于均匀分布变量的拉丁超立方抽样,形成初始化样本,与BP算法进行预测性能验证和计算时间对比两个实验。实验结果显示,ELM算法的拟合优度为0.973 81,预测性能指标均优于BP算法。单个适应值平均计算时间为5.4×10-4s,仅为真实求解的18.5%。说明ELM在车间节能目标预测问题具有良好的效果。

【文章页数】：7 页

【部分图文】：

图1HFSP实例布局流程图

本文研究采用ELM算法预测某多目标HFSP实例在IMOMVO算法求解下的适应值问题。实例相关细节如下:12个加工工件，3个加工阶段，各加工工件的并行机数量分别为3、2、4。其布局流程如图1所示。1.3车间节能目标

图2算法框架流程图

为了快速有效求解多目标HFSP实例，设计整体算法流程框架如图2。通过代理模型评价出预测值，不但对较优个体具有筛选作用，同时能显著提高计算效率。

图3适应值预测结果对比图

本文实验数据源自课题组前期工作的某HFSP实例，采用拉丁超立方抽样500组特征向量作为训练集输入量，组成500组编码矩阵，带入HFSP节能模型中计算真实适应值，作为训练集输出量。为验证ELM预测性能有效性，采用BP神经网络进行实验对比。抽样15组特征向量作为测试集。测试集适应值预....

本文编号：3931421