计算智能算法及其生产调度应用

图书标准信息

• 作者 任剑锋
• 出版社 中国经济出版社
• 出版时间 2023-07
• 版次 1
• ISBN 9787513673402
• 定价 88.00元
• 装帧 其他
• 开本 16开
• 页数 340页
• 字数 313千字

【内容简介】

本书选择典型的流水车间调度、作业车间调度、分布式调度等问题作为研究背景，以强化学习、深度学习和其他智能算法为研究对象，开展复杂约束条件下的车间生产调度单目标或多目标问题研究。围绕基于监督学习的序列模型、基于值函数逼近的深度强化学习算法、基于策略梯度的深度强化学习算法、改进的NSGA-Ⅱ算法、基于NASH-Q-learning的分布式算法展开论述，并将之分别应用到不同的生产调度场景。本书基于作者多年的研究成果和实践经验写成，可供从事智能制造、人工智能、工业工程、企业管理等专业的研究人员阅读，也可作为上述专业学生的研究、学习用参考书。

【作者简介】

任剑锋，男，汉族，副教授，现就职于河南财经政法大学，长期从事管理科学与工程、高等教育教学管理等领域的相关研究工作，谙熟强化学习、深度学习等人工智能方法在相关管理科学问题中的应用及其背后的数学理论基础；同时，多年从事高等教育教学管理工作，积累了较丰富的工作经验。

【目录】

目录第1章绪论11.1研究背景和意义11.1.1研究背景11.1.2研究意义41.2车间生产调度问题及研究现状71.2.1车间生产调度问题71.2.2研究现状91.3研究内容及目标201.3.1研究内容201.3.2研究目标241.4技术路线及创新点241.4.1技术路线241.4.2创新点25第2章概率推理282.1贝叶斯公式282.2概率图模型302.2.1隐马尔可夫模型312.2.2贝叶斯网络342.2.3贝叶斯网络推理392.3本章小结50计算智能算法及其生产调度应用目录第3章样本学习513.1决策树513.1.1信息增益523.1.2增益率623.1.3Gini指数633.1.4剪枝处理633.2回归663.2.1线性回归663.2.2逻辑回归683.3支持向量机693.3.1硬间隔优选化支持向量机703.3.2软间隔优选化支持向量机733.3.3对偶算法743.3.4非线性支持向量机783.4非参数化学习793.4.1KNN算法793.4.2距离计算813.4.3K值确定823.5集成学习833.5.1Boosting算法833.5.2随机森林863.6无监督学习和半监督学习883.6.1样本的相似度893.6.2类和簇913.6.3层次聚类933.6.4K-means聚类963.7本章小结99第4章神经网络和深度学习1004.1深度前馈神经网络1024.1.1前馈神经网络1024.1.2深度前馈神经网络及学习模式1034.2深度卷积神经网络1054.2.1卷积神经网络1054.2.2深度卷积神经网络1084.3深度循环神经网络1094.3.1循环神经网络1094.3.2深度循环神经网络1114.4深度自动编码器1124.4.1欠完备自动编码器1134.4.2正则自动编码器1134.4.3深度自编码器1164.5核函数方法深度学习1164.6激活函数1174.6.1饱和激活函数1184.6.2非饱和激活函数1214.7本章小结124第5章强化学习1255.1马尔可夫链蒙特卡洛方法1255.1.1马尔可夫链1255.1.2马尔可夫决策过程1275.2动态规划1295.2.1动态规划原理1295.2.2价值函数1305.2.3策略迭代1325.3深度强化学习1335.3.1深度强化学习基本原理1335.3.2基于值函数的深度强化学习1345.3.3基于策略梯度的深度强化学习1375.4本章小结143第6章监督学习方式求解车间生产调度问题1456.1引言1456.2问题描述1466.3调度规则与样本数据1496.3.1调度规则1496.3.2样本数据1506.4自注意力模型1526.4.1基于自注意力模型的序列编码1526.4.2Transformer模型1546.5LSTM-PtrNets-CRF模型1576.5.1模型框架1576.5.2模型训练1616.6实验与结果分析1636.6.1实验设置1636.6.2结果对比与分析1656.7本章小结168第7章值函数逼近算法求解车间生产调度问题1707.1引言1707.2问题描述1717.3状态表示和动作构建1737.3.1状态表示1737.3.2动作构建1757.4状态与动作映射1767.4.1网络构建1767.4.2网络训练1787.4.3误差反向传播1797.4.4梯度下降算法1837.5奖励函数与值函数计算1857.5.1奖励函数1867.5.2值函数逼近1877.5.3期望Sarsa算法1887.6实验与结果分析1907.6.1实验设置1907.6.2结果对比与分析1927.7本章小结195第8章策略梯度算法求解车间生产调度问题1978.1引言1978.2问题描述1988.3注意力机制2008.3.1注意力分布和打分机制2008.3.2指针网络2028.4模型框架2038.4.1深度序列模型2038.4.2长短期记忆网络2048.5策略梯度优化方法2088.5.1策略梯度定理及证明2098.5.2基于强化学习的序列生成2128.5.3A3C算法应用2138.6实验与结果分析2178.6.1实验设置2178.6.2结果对比与分析2178.7本章小结219第9章混合Qlearning算法求解多目标车间生产调度问题2219.1引言2219.2问题描述及优化目标2229.2.1问题描述2229.2.2问题建模2249.2.3Pareto很优解2299.3改进NSGAⅡ算法2309.3.1编码与解码2309.3.2选择、交叉和变异操作2349.3.3基于N5邻域结构搜索策略2369.3.4算法流程2379.4路径优化算法设计2389.4.1位置扫描2399.4.2节点选择策略和信息素更新2399.4.3路径优化问题编码2409.5强化学习避障策略2419.5.1动态避障策略2419.5.2收敛性证明2459.6实验与结果分析2489.6.1实验设置2489.6.2结果对比与分析2499.7本章小结260第10章NASHQlearning算法求解分布式车间生产调度问题26110.1引言26110.2问题描述26310.2.1分布式置换流水车间调度26310.2.2问题模型26410.2.3复杂性分析26510.3迭代贪婪算法26610.3.1初始化方法26610.3.2破坏重构策略26710.3.3局部搜索26910.3.4接受准则27410.4多智能体深度强化学习27510.4.1多智能体强化学习27610.4.2NASH均衡27810.4.3NASHQlearning算法28010.5多智能体平均场深度强化学习算法28210.5.1平均场理论28210.5.2多智能体平均场强化学习28310.5.3多智能体平均场Qlearning算法28610.5.4多智能体车间调度算法28810.6实验与结果分析29210.6.1实验设置29310.6.2结果对比与分析29410.7本章小结299第11章总结与展望30111.1全书总结30111.2进一步的工作304参考文献306