...
  • 主题
高级搜索  >
历史搜索 清空历史
首页> 外文期刊>International Journal of Production Research >Intelligent scheduling controller for shop floor control systems: a hybrid genetic algorithm/decision tree learning approach
【24h】

Intelligent scheduling controller for shop floor control systems: a hybrid genetic algorithm/decision tree learning approach

机译：车间控制系统的智能调度控制器：混合遗传算法/决策树学习方法

获取原文
获取原文并翻译 | 示例
           
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

This work develops an intelligent scheduling controller (ISC) to support a shop floor control system (SFCS) to make real-time decisions, robust to various production requirements. Selecting near-optimal subset system attributes (or features) based on various production requirements to construct ISC knowledge bases is a critical issue because of the existence of much shop floor information in an SFCS. Accordingly, this work developed a learning-based ISC methodology to acquire knowledge of a dynamic dispatching rule control mechanism. The proposed approach integrates genetic algorithms (GAs) and decision trees (DTs) learning to evolve a combinatorial optimal subset of features from possible shop floor information concerning a DT-based ISC knowledge classifier. A GA is employed to search the space of all possible subsets of a large set of candidate features. For a given feature subset, a DT algorithm is invoked to generate a DT. Applying the GA/DT-based knowledge learning mechanism to the experimental results demonstrates that the use of an optimal subset of system attributes to build scheduling knowledge bases enhanced generalization ability of the learning bias above that in the absence of an attribute selection procedure, in terms of prediction accuracy of unseen data under various performance criteria. Furthermore, simulation results indicate that the GA/DT-based ISC improves system performance in the long run over that obtained with classical DT-based ISC and the heuristic individual dispatching rule, according to various performance criteria.
机译：这项工作开发了一种智能调度控制器（ISC），以支持车间控制系统（SFCS）做出实时决策，从而对各种生产要求具有鲁棒性。由于SFCS中存在大量车间信息，因此根据各种生产需求选择接近最佳的子集系统属性（或特征）以构建ISC知识库是一个关键问题。因此，这项工作开发了一种基于学习的ISC方法论，以获取有关动态调度规则控制机制的知识。所提出的方法集成了遗传算法（GA）和决策树（DT）学习，以从有关基于DT的ISC知识分类器的可能车间信息中演变出组合的最优特征子集。使用GA搜索大量候选特征的所有可能子集的空间。对于给定的特征子集，调用DT算法以生成DT。将基于GA / DT的知识学习机制应用于实验结果表明，在没有属性选择程序的情况下，使用系统属性的最佳子集来构建调度知识库比没有属性选择程序的情况下增强了学习偏差的泛化能力。各种性能标准下看不见的数据的预测准确性的评估。此外，仿真结果表明，根据各种性能标准，基于GA / DT的ISC可以长期改善基于传统DT的ISC和启发式个人调度规则所获得的系统性能。

著录项

  • 来源
    《International Journal of Production Research》 |2003年第12期|p.2619-2641|共23页
  • 作者

    C.-T. SU; Y.-R. SHIUE;

  • 作者单位

    Department of Industrial Engineering and Management, National Chiao Tung University, Hsinchu, Taiwan, ROC;

  • 收录信息 美国《科学引文索引》(SCI);美国《工程索引》(EI);
  • 原文格式 PDF
  • 正文语种 eng
  • 中图分类 管理学;
  • 关键词

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号