"基于BP人工神经网络的离散型车间生产调度指标预测模型的研究"
本文研究基于BP人工神经网络的离散型车间生产调度指标预测模型。该模型通过人工神经网络建立工时达成率预测模型,实现对车间工时达成率的预测,并探讨两种算法,寻找能够在降低训练时间的前提下提高神经网络模型准确性的算法。
BP人工神经网络是一种有效的工具,能够建立预测模型和寻求最优值。国内外学者对人工神经网络在调度问题及建立预测模型有相关研究。例如,Azadeh、M.Jeihoonian等采用集成神经网络研究了双标准双级装配流水作业调度问题。
本文的研究方法基于BP人工神经网络,采用模拟退火算法(Simulated Annealing,SA)和马克夸特(Levenberg-Marquardt)算法,探讨两种算法的优缺点,并对比模拟退火算法和马克夸特混合算法及马克夸特算法。
BP人工神经网络具有逼近非线性连续映射的能力,广泛应用于非线性系统的建模及控制领域。但是BP神经网络存在一些缺点,主要是收敛速度慢,往往收敛于局部极小值,数值稳定性差。学习率、动量项系数和初始权值等参数难以选择。
本文的贡献在于提出了一种基于BP人工神经网络的离散型车间生产调度指标预测模型,能够准确预测车间工时达成率,并且探讨了两种算法的优缺点,为车间生产调度提供了新的研究方向。
本文的结论是,基于BP人工神经网络的离散型车间生产调度指标预测模型是一种有效的工具,能够准确预测车间工时达成率,并且能够应用于车间生产调度的优化。未来研究方向可以是探讨更多的算法和模型,以提高神经网络模型的准确性和收敛速度。
关键词:BP人工神经网络,车间调度,模拟退火算法,马克夸特算法,工时达成率预测模型。
本文的贡献在于:
1. 提出了一种基于BP人工神经网络的离散型车间生产调度指标预测模型,能够准确预测车间工时达成率。
2. 探讨了两种算法的优缺点,并对比模拟退火算法和马克夸特混合算法及马克夸特算法。
3. 本文的研究结果为车间生产调度提供了新的研究方向。
未来研究方向可以是:
1. 探讨更多的算法和模型,以提高神经网络模型的准确性和收敛速度。
2. 应用基于BP人工神经网络的离散型车间生产调度指标预测模型于实践中,以提高车间生产效率和降低成本。
3. 探讨基于BP人工神经网络的其他应用领域,如预测模型、优化算法等。