APS计划排程算法

  • APS的高级计划的主要算法是线性规划、遗传算法等。(但也可以规则算法)。时间跨度为天、周、月等。主要针对问题Lot Sizing (批量),Resource Assignment (资源调配),这里的资源可以是资源组,也可以具体资源。其优点:1、可以适应企业多目标优化。2、目标可以有优先级。3、成熟技术。4、适合大规模问题。5、可以找到最优值或者较好的次优值。其缺点:1、对于次序问题比较困难。2、动态重排的频率不能太多。2、大规模商用成熟优化器一般比较昂贵。

  • APS高级排程的主要算法是约束规划(CP)、经验规则、启发式算法。时间跨度为连续时间,或者分、小时、天等。主要针对问题派工与Sequencing (顺序)。其优点:1、可以处理排序问题。2、可以处理动态复杂工序问题。3、算法以找到可行解为主要目标。其缺点:1、无法实现多目标同时优化。2、算法个性化程度较高。3、可处理的变量数量和复杂程度限制较高。

  • 优化(Optimization)是用系统的方法,在业务约束基础上来改善计划或排程,数学规划(线性和混合整数规划)较适用于战略计划如网络选址、寻源等。启发式算法(约束传播或模拟仿真等)较适用于战术计划或运作计划如生产排程等。人工智能、基因算法,较适用于有大量的可能方案选择。

  • APS算法的发展已发展到第四代,第一代是基于约束理论的有限产能算法。第二代是基于规则的算法、线性规划、启发式规则算法、专家系统。第三代是遗传算法、模拟退火算法、蚁群/粒子群算法、神经网络。第四代是AI算法+动态调整算法MAS多智能代理系统,以MAS多Agent协商进行动态调整。

  • APS计划与排程需要快速收敛寻优,故人工智能的ML机器学习与DL深度学习适应高层的决策分析与现场传感层的识别。而人工智能的GA等运筹优化与规则启发优化较适应运作层与现场调度优化。

  • AI人工智能的GA遗传算法与ML机器学习的区别是前者是模仿生物进化原理进行网络权值的学习,而后者是模仿生物脑神经采用反向传播(BP)算法进行权值学习。ML需要大数据,擅于识别与预测。而GA不需要大数据,通过动态数据启发优化与权衡决策。

  • APS为了快速响应客户需求,需要快速收敛、简洁的启发式算法,当快速收敛启发式规则适应于环境结构(如时间、知识、计算能力)的时候,从复杂动态系统的角度看它就是合乎理性的。也就是说它在追求满意(而不是最优)的目标或线索间进行有限搜索(有限理性),并利用环境结构约束做出适应性决策。

讲述机器人运动规划原理的经典书籍。 《规划算法》目录: 第Ⅰ部分 介绍性的资料  第1章 绪论   1.1 从规划(的过程)到规划(的结果)   1.2 实例与应用   1.3 规划的基本组成   1.4 算法、规划器与规划    1.4.1 算法    1.4.2 规划器    1.4.3 规划   1.5 本书的组织安排  第2章 离散规划   2.1 离散可行规划简介    2.1.1 问题表述    2.1.2 离散规划的实例    2.2 可行规划的搜索    2.2.1 一般前向搜索    2.2.2 特殊前向搜索    2.2.3 其他搜索方案    2.2.4 搜索方法的统一描述   2.3 离散最优规划    2.3.1 最优定长规划    2.3.2 不指定长度的最优规划    2.3.3 再论Dijkstra算法   2.4 用逻辑来表示离散规划    2.4.1 类似STRIPS的表示    2.4.2 转换到状态空间表示   2.5 基于逻辑的规划方法    2.5.1 部分规划空间中的搜索    2.5.2 建立规划图    2.5.3 满足性规划   进一步阅读   习题   实现 第Ⅱ部分 运动规划  第3章 几何表示与变换   3.1 几何建模    3.1.1 多边形与多面体模型    3.1.2 半代数模型    3.1.3 其他模型   3.2 刚体变换    3.2.1 一般概念    3.2.2 二维变换    3.2.3 三维变换   3.3 物体运动链的变换    3.3.1 二维运动链    3.3.2 三维运动链   3.4 运动树的变换   3.5 非刚体的变换   进一步阅读   习题   实现  第4章 位形空间   4.1 拓扑的基本概念    4.1.1 拓扑空间    4.1.2 流形    4.1.3 路径与连通   4.2 位形空间    4.2.1 二维刚体:SE(2)    4.2.2 三维刚体:SE(3)    4.2.3 物体的链与树   4.3 位形空间障碍物    4.3.1 基本运动规划问题    4.3.2 显式建模Cobs:加:平移情况    4.3.3 显式建模Cobs:一般情形   4.4 闭运动链    4.4.1 数学概念    4.4.2 R2上的运动链    4.4.3 定义一般连杆组的簇   进一步阅读   习题   实现  第5章 基于采样的运动规划  第6章 组合运动规划  第7章 基本运动规划的扩展  第8章 反馈运动规划 第Ⅲ部分 决策论规划  第9章 基本永生理论  第10章 序贯决策理论  第11章 传感器与信息空间  第12章 存在感测不确定性条件下的规则 第Ⅳ部分 微分约束条件下的规划   第13章 微分模型  第14章 微分约束条件下基于采样的规划  第15章 系统理论与分析技术
评论 2
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值