大規模動的な生産システムにおける高性能で理解可能なディスパッチング規則の発見

发现大规模动态生产系统中高性能且可理解的调度规则

• 批准号: 17760108
• 负责人: 江口 透
• 金额: $ 0.96万
• 依托单位: Hiroshima University
• 依托单位国家: 日本
• 项目类别: Grant-in-Aid for Young Scientists (B)
• 财政年份: 2005
• 资助国家: 日本
• 起止时间: 2005 至 2006
• 项目状态: 已结题
• 来源: https://kaken.nii.ac.jp/grant/KAKENHI-PROJECT-17760108/
• 关键词: リアルタイムスケジューリング; ディスパッチング・ルール; 優先規則; ニューラルネットワーク; ルール抽出; 汎化能力; 半導体生産システム; サイクルタイム; スケジューリング; 忘却つき学習法; SA法; 誤差逆伝播法

本年度の成果概要を以下に示す.(1)半導体生産システムを対象とした高性能なルールの獲得大規模動的な生産環境である半導体生産システムにおいて,高性能なリアルタイムスケジューリングのための優先規則(ディスパッチング・ルール)をニューラルネットワークで構成する方法を検討した.スケジューリングの目的をサイクルタイムの最小化とし,小規模問題を学習事例として,SA法を適用してニューラルネットワークの結合加重を探索した.ここでのニューラルネットワークは,万能近似器であるシグモイド関数を出力関数にもつ構造とした.大規模未学習問題への汎化能力を確保するため,生産システムの規模の変化に応じて調整可能な目標サイクルタイムを設定して学習する方法を考案した.この方法によって,大規模動的な半導体生産システムにおいて高性能な優先規則を作成できることを,従来提案されているルールとの比較実験によって確認した.(2)高性能なニューラルネットワークからの理解可能なルールの抽出上述した方法で得られたニューラルネットワークから,理解可能で高性能な優先規則を抽出した.まず,得られたニューラルネットワークを用いたリアルタイムスケジューリングを行いながら,その入出力事例を多数収集した.収集した事例からのルール抽出のためのニューラルネットワークとして,product unitを出力関数に持つ構造のネットワークを用意し,忘却つき構造学習法によって簡素なルールを抽出した.その結果,簡素化しすぎると性能が悪化するが,忘却の程度を適度に調整して簡素化すると,むしろ大規模問題に対する汎化能力が向上し,なおかつ,`ある程度理解可能な単項式型の優先規則を抽出できることを確認した.それによれば,サイクルタイムを小さくするには,目標サイクルタイムを基準としたスラック値が小さいほど,また,残りサイクル時間の推定値が大きいほど優先度を高くすることが有効であると解釈することが出来た.

A summary of the results for the year is presented below. (1)Semiconductor production system for high performance to obtain large-scale dynamic production environment, semiconductor production system for high performance, high performance. The purpose of the SA method is to minimize and minimize the small-scale problems, and to explore the application of SA method to the combination of SA method and SA method. The universal approximator has the structure of the output factor and the output factor. The generalization ability of large-scale unlearned problems is ensured, and the scale of production system is changed, and the method of adjusting the possible purpose of production system is examined. This method is used to determine the high performance priority rules for large-scale semiconductor production. (2)High performance, high performance. In addition, the number of cases in which the output of the power supply is collected is increased by the number of cases in which the output is increased. In the case of a collection of examples, the number of output factors, the structure of the product unit, the purpose of the product unit, the structure of the product unit, and the learning method of the product unit. Results: Simplification, performance improvement, forgetting adjustment, generalization ability improvement for large-scale problems, degree of understanding, possibility, priority rule extraction, confirmation. The estimated value of the residual service time is high, and the priority is high.

项目成果

ニューラルネットワークによる半導体生産システムのリアルタイムスケジューリング

使用神经网络实时调度半导体生产系统

• 发表时间: 2006
• 期刊: 日本機械学会生産システム部門講演会2006講演論文集 06-19
• 作者: 江口 透;和田光司;大岡 勲;大場史憲
• 通讯作者: 大場史憲

ニューラルネットワークを用いた半導体生産システムのスケジューリング

使用神经网络进行半导体生产系统的调度

• 发表时间: 2005
• 期刊: 中国四国支部第44期総会・講演会講演論文集 65-1
• 作者: 和田光司;江口透;大場史憲;村山長
• 通讯作者: 村山長