.png){kind=icon}
返回
Data-Driven Hierarchical Decision-Making Modeling for Complex Industrial Processes
.png){kind=icon}
PRE
AI
DOI：10.1109/TASE.2026.3677252.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
复杂工业过程的精确决策对于提高资源利用率和优化操作条件至关重要。然而，当前的决策工作流在操作层和过程控制层之间运行于层级闭环中。目标与约束的跨层传输以及反馈耦合会降低性能；在非平稳条件或目标或约束发生变化时，这种影响尤为显著。为应对这些挑战，我们提出了包含四个组件的双层演化神经网络（BENNs）框架：1）显式建模跨层信息流和约束传播的双层神经网络架构；2）基于图神经网络的拓扑结构相似性评估，通过减少冗余评估来提升搜索质量；3）在线演化网络策略，能够快速适应过程动态，无需大量重新训练；4）基于凸包膝点（knee-point）的折中选择，用于编码工程偏好。在真实矿物处理数据和田纳西东曼过程（TEP）上的实验表明，该框架在预测精度、性能保持和适应速度方面优于基线方法，展示了BENNs在复杂工业场景中的潜力。实践者说明——这一数据驱动的分层决策框架为拥有复杂、动态过程的工业实践者提供了显著潜力。其应用能够简化矿物处理、化工制造和废水处理等领域的操作，这些领域实时适应性至关重要。通过使用BENNs，工厂操作员可实现增强的控制与优化，有效应对波动条件。该框架整合类人偏好的能力使决策能够更好地与特定操作目标保持一致。此外，优化质量的提升和持续适应能力可减少停机时间并提高整体效率。这种方法使实践者能够超越刚性、基于专家的系统，实现在不断演变的工业环境中的前瞻性智能控制。
Keyword:
Bi-level human decision-making
hierarchical neural network
evolutionary computation
industrial process
multi-population optimization
期刊
IF:
6.4
论文数:
5.2K
被引数:
1.6W
机构
引用论文
.png){kind=icon}
Optimizing Dynamic Flexible Job Shop Scheduling Using an Evolutionary Multitask Optimization Framework and Genetic Programming采用进化多任务优化框架和遗传编程优化动态柔性作业车间调度
PREAI
分享收藏Large-Scale Multiobjective Optimization via Reformulated Decision Variable Analysis基于重构决策变量分析的大规模多目标优化
PREAI
分享收藏
查看更多内容