干扰环境下多产品循环制造网络自适应技术

计算机工程与应用 ›› 2012, Vol. 48 ›› Issue (9): 12-14.

干扰环境下多产品循环制造网络自适应技术

蔡政英1，2，王燕舞1，肖人彬1，肖江文1

1.华中科技大学系统工程研究所，武汉 430074
2.三峡大学计算机与信息学院，湖北宜昌 443002

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2012-03-21 发布日期:2012-04-11

Adaptive technology of multi-product closed-loop manufacturing network under disruption environment

CAI Zhengying1，2, WANG Yanwu1, XIAO Renbin1, XIAO Jiangwen1

1.Institute of Systems Engineering, Huazhong University of Science and Technology, Wuhan 430074, China
2.College of Computer and Information Technology, China Three Gorges University, Yichang, Hubei 443002, China

Received:1900-01-01 Revised:1900-01-01 Online:2012-03-21 Published:2012-04-11

摘要/Abstract

摘要： 针对多产品循环制造链协同运作问题，采用多智能体进行建模。根据供应链运作参考模型，将循环制造链建模为包括供应商智能体、制造商智能体、分销商智能体等多种智能体的网络模型，根据不同功能特点在内部进一步分解为采购、制造、分销、再采购、再制造、再分销等子智能体，分析了这些智能体运作中的干扰问题。根据多智能体系统干扰的不确定性和交互性，建立一种神经网络自学习机制，能够不依赖于系统的初始设置参数而实现多智能体在线自学习和自调整，给出了算法的求解步骤。用仿真和实验验证了该方案的可行性。

关键词: 多智能体, 循环制造链, 干扰优化, 神经网络

Abstract: According to coordination problem of multi-product closed-loop manufacturing network, a multi-agent model is proposed. Based on supply chain operations reference model, the closed-loop supply chain is modeled as a multi-agent network topology made up of supplier agent, manufacturer agent and distributor agent, and their subagents are further divided into source, make, distribute, re-resource, re-make, re-distribute, whose disruption problem is also analyzed. According to uncertainties and interactions between agent disruptions, a neural network self-learning mechanism is presented which can self-learn and self-adjust the control parameters of multi-agent system online instead of depending on initialized system parameters, and its solving steps are given as well. The proposed method is verified by simulation and experimental results.

Key words: multi-agent, closed-loop manufacturing chain, disruption optimization, neural network

蔡政英，王燕舞，肖人彬，肖江文. 干扰环境下多产品循环制造网络自适应技术[J]. 计算机工程与应用, 2012, 48(9): 12-14.

CAI Zhengying, WANG Yanwu, XIAO Renbin, XIAO Jiangwen. Adaptive technology of multi-product closed-loop manufacturing network under disruption environment[J]. Computer Engineering and Applications, 2012, 48(9): 12-14.

[1]	牟清萍，张莹，张东波，王新杰，杨知桥. 目标丢失判别机制的视觉跟踪算法及应用研究[J]. 计算机工程与应用, 2021, 57(9): 140-147.
[2]	包志强，邢瑜，吕少卿，黄琼丹. 改进YOLO V2的6D目标姿态估计算法[J]. 计算机工程与应用, 2021, 57(9): 148-153.
[3]	王林，柴江云. 深度神经网络在多场景车辆属性识别中的研究[J]. 计算机工程与应用, 2021, 57(9): 162-167.
[4]	赵志焱，杨华，胡志伟，宇海萍. 基于TACNN的玉露香梨叶虫害识别[J]. 计算机工程与应用, 2021, 57(9): 176-181.
[5]	周伦钢，孙怡峰，王坤，吴疆，黄维贵，李炳龙. 目标多种多值属性的端端快速识别网络[J]. 计算机工程与应用, 2021, 57(9): 182-190.
[6]	张成，戴俊峰，熊闻心. 融合LeNet-5改进的扫描文档手写日期识别[J]. 计算机工程与应用, 2021, 57(9): 207-211.
[7]	麻哲旭，杨峰，乔旭. 铁路路基病害智能检测方法[J]. 计算机工程与应用, 2021, 57(9): 272-278.
[8]	许昊，张凯，田英杰，种法广，王子超. 深度神经网络图像描述综述[J]. 计算机工程与应用, 2021, 57(9): 9-22.
[9]	冉蓉，徐兴华，邱少华，崔小鹏，欧阳斌. 基于深度卷积神经网络的裂纹检测方法综述[J]. 计算机工程与应用, 2021, 57(9): 23-35.
[10]	蒋斌，钟瑞，张秋闻，张焕龙. 采用深度学习方法的非正面表情识别综述[J]. 计算机工程与应用, 2021, 57(8): 48-61.
[11]	李震霄，孙伟，刘明明，郑丽丽，陈劭颖. 交通监控场景中的车辆检测与跟踪算法研究[J]. 计算机工程与应用, 2021, 57(8): 103-111.
[12]	张越，黄友锐，刘鹏坤. 引入注意力机制的多分辨率人体姿态估计研究[J]. 计算机工程与应用, 2021, 57(8): 126-132.
[13]	李现国，冯欣欣，李建雄. 多尺度残差网络的单幅图像超分辨率重建[J]. 计算机工程与应用, 2021, 57(7): 215-221.
[14]	翟正利，李鹏辉，冯舒. 图对抗攻击研究综述[J]. 计算机工程与应用, 2021, 57(7): 14-21.
[15]	祝钧桃，姚光乐，张葛祥，李军，杨强，王胜，叶绍泽. 深度神经网络的小样本学习综述[J]. 计算机工程与应用, 2021, 57(7): 22-33.