苑明海 黃涵鈺 蔡仙仙 李子晨 裴鳳雀

（①河海大學(xué)機(jī)電工程學(xué)院，江蘇 常州 213022；②常州市智能制造技術(shù)與裝備重點(diǎn)實(shí)驗(yàn)室，江蘇 常州 213022）

智能制造車間[1]包含各類資源，其可靠性和抗干擾性難以完全保證，造成了車間內(nèi)無法避免的各式擾動(dòng)。其中，隱性擾動(dòng)或累計(jì)擾動(dòng)是一類不可見卻又影響著產(chǎn)品制造過程的平穩(wěn)可靠性的擾動(dòng)，其往往隱于普通加工過程，難以測量捕捉，并有賴于偏差的累積（如算法尋優(yōu)導(dǎo)致的單一設(shè)備負(fù)荷過高、加工精度偏差累計(jì)、工件搬運(yùn)不暢導(dǎo)致的開始加工時(shí)間偏差累計(jì)等），待隱性擾動(dòng)累計(jì)到一定程度需要進(jìn)行重調(diào)度[2]。

在智能制造現(xiàn)行模式下，利用車間資源實(shí)時(shí)產(chǎn)生的任務(wù)執(zhí)行數(shù)據(jù)監(jiān)測車間內(nèi)擾動(dòng)[3]，快速高效的重調(diào)度機(jī)制為車間資源調(diào)度優(yōu)化提供了基礎(chǔ)性的保障[4-7]。目前對隱性擾動(dòng)下的車間重調(diào)度方法研究相對較少[8]，Akkan C[9]采用被動(dòng)觸發(fā)式重調(diào)度規(guī)則對隱性擾動(dòng)重調(diào)度方法進(jìn)行了研究。唐秋華等[4]利用累積誤差時(shí)間來量化隱性擾動(dòng)，提出了一種基于機(jī)器學(xué)習(xí)的重調(diào)度方法。劉壯等[10]提出了基于改進(jìn)逼近理想解排序的車間重調(diào)度決策方法。Tian S L 等[11]提出了基于培養(yǎng)網(wǎng)與蟻群優(yōu)化算法，引入門檻值觸發(fā)的機(jī)制，實(shí)現(xiàn)車間自適應(yīng)重調(diào)度。Kumar N 等[12]提出了一種基于布朗運(yùn)動(dòng)加權(quán)的小群算法，建立了擾動(dòng)分析和重調(diào)度的有效方法。李聰波等[13]提出了一種改進(jìn)的引力搜索算法，以節(jié)能優(yōu)化為目標(biāo)進(jìn)行緊急插單類動(dòng)態(tài)擾動(dòng)的車間重調(diào)度方案求解。Moser M 等[14]運(yùn)用元啟發(fā)方法解決不相關(guān)并行機(jī)器調(diào)度問題。

由于隱性擾動(dòng)影響生產(chǎn)過程周期長，且難以監(jiān)測，現(xiàn)有的重調(diào)度研究集中于顯性擾動(dòng)情況下的重調(diào)度方法，普通重調(diào)度策略難以適用。因此本文著眼于隱性擾動(dòng)下車間資源重調(diào)度方法，研究隱性擾動(dòng)造成的資源狀態(tài)異常檢測方法，并利用數(shù)據(jù)替代手段研究智能制造車間調(diào)度切換過程中的短暫容錯(cuò)機(jī)制，量化隱性擾動(dòng)后快速確立重調(diào)度時(shí)刻點(diǎn)，分類并抉擇重調(diào)度方式以指導(dǎo)智能車間在隱性擾動(dòng)情況下的高效生產(chǎn)。實(shí)現(xiàn)制造系統(tǒng)監(jiān)測到隱性擾動(dòng)之后、生產(chǎn)進(jìn)程宕機(jī)之前選擇正確的重調(diào)度策略，降低最大完工時(shí)間和交付延時(shí)均值，并降低加工成本的目標(biāo)。智能制造車間隱性擾動(dòng)應(yīng)對流程如圖1 所示。

圖1 智能制造車間隱性擾動(dòng)應(yīng)對流程

1 隱性擾動(dòng)下車間資源多目標(biāo)重調(diào)度問題

1.1 問題描述

智能制造車間的典型特征是離散化柔性化，現(xiàn)將智能制造車間多品類產(chǎn)品柔性調(diào)度問題描述為：制造準(zhǔn)備階段，一個(gè)典型智能制造車間有m臺可用于制造多種品類產(chǎn)品的加工中心，n個(gè)未加工且工藝不同的工件，每個(gè)工件擁有符合工藝路線的工序數(shù)目，且加工次序必須合乎工藝路線的規(guī)定。每道工序都擁有各自的加工中心集，且只能選取其中一臺加工中心進(jìn)行產(chǎn)品制造，不同加工中心完成各工序的時(shí)間各不相同。

在建立具體的數(shù)學(xué)模型之前，依據(jù)智能車間實(shí)際生產(chǎn)情況抽象出如下共性的約束規(guī)則：

（1）制造任務(wù)開始前，各加工中心均處于不工作狀態(tài)。

（2）一個(gè)工件的一道工序僅可由一臺加工中心完成。

（3）一臺加工中心只有完成上一工序的加工后方可開始下一任務(wù)。

（4）所有工件在每臺加工中心上的優(yōu)先級相同。

（5）各工序的加工過程除意外不會(huì)無故中斷。

（6）工件的安裝卸載搬運(yùn)操作均計(jì)入該道工序的完成時(shí)間內(nèi)。

本文中出現(xiàn)的符號定義見表1。

表1 符號定義表

1.2 模型建立

車間調(diào)度的含義是綜合利用車間制造資源，合理分配給每個(gè)工序相應(yīng)的資源，以此達(dá)到既定目標(biāo)函數(shù)的最大值或最小值而智能制造車間調(diào)度則是將多目標(biāo)綜合優(yōu)化刻入到每一個(gè)智能制造環(huán)節(jié)。因此本文選取如下對車間實(shí)際生產(chǎn)影響較大的參數(shù)，建立相應(yīng)的目標(biāo)函數(shù)，以此達(dá)到按期完成生產(chǎn)任務(wù)、合理配置車間設(shè)備資源、縮短客戶等待時(shí)間和降低生產(chǎn)成本的目的，實(shí)際性地解決智能制造車間多品類產(chǎn)品柔性調(diào)度問題，數(shù)學(xué)模型如下：

（1）最大完工時(shí)間為

（2）交付延時(shí)均值=各工件的交付延時(shí)總和/工件總數(shù)目。

（3）加工中心負(fù)載率=所有加工中心的總負(fù)載時(shí)間/所有加工中心的總開機(jī)時(shí)間。

（4）總加工成本=所有加工中心的總空載費(fèi)用+所有加工中心的總工作費(fèi)用+總延時(shí)費(fèi)用+車間固定成本+車間內(nèi)總搬運(yùn)成本。

（5）最優(yōu)解集，上述4 個(gè)指標(biāo)的值最小為目標(biāo)最優(yōu)。

調(diào)度過程與實(shí)際車間生產(chǎn)的相符程度需要依靠一系列規(guī)則的約束，相應(yīng)的約束規(guī)則表示為

（1）一個(gè)工件的一道工序僅可由一臺加工中心完成。

（2）每個(gè)工件的加工次序必須合乎工藝路線的規(guī)定。

（3）一臺加工中心只有完成上一工序的加工后方可開始下一任務(wù)。

（4）各工序的加工過程除意外不會(huì)無故中斷，工件的安裝卸載操作均計(jì)入該道工序的完成時(shí)間。

（5）制造任務(wù)開始前，各加工中心均處于不工作狀態(tài)。

（6）每道工序擁有各自的加工中心集，且只能選取其中一臺加工中心進(jìn)行制造。

2 隱性擾動(dòng)下資源異常狀態(tài)監(jiān)測及容錯(cuò)機(jī)制

隱性擾動(dòng)發(fā)生時(shí)車間需要快速高效重排，以節(jié)省中斷成本，降低交付延時(shí)。雖然現(xiàn)行的技術(shù)獲取任務(wù)執(zhí)行數(shù)據(jù)較為容易，但隱性擾動(dòng)反映在單個(gè)數(shù)據(jù)層面的差異過小使得容易被終端數(shù)據(jù)監(jiān)控系統(tǒng)所忽略。因此本文設(shè)計(jì)了基于軟測量模型的任務(wù)執(zhí)行異常數(shù)據(jù)監(jiān)測模型和使用數(shù)據(jù)替代方法的短暫容錯(cuò)機(jī)制，將軟測量模型計(jì)算出的預(yù)測值替換掉異常的任務(wù)執(zhí)行數(shù)據(jù)，使得生產(chǎn)過程短暫正常運(yùn)行。

2.1 資源異常狀態(tài)監(jiān)測模型

軟測量技術(shù)[15]對任務(wù)執(zhí)行數(shù)據(jù)的連續(xù)監(jiān)測效能高，對資源異常狀態(tài)敏感，對重調(diào)度觸發(fā)時(shí)刻的確定具有很大的幫助。而支持向量機(jī)技術(shù)（supportvector-mnachine，SVM）[16]是軟測量模型的常用構(gòu)建手段，其適應(yīng)性強(qiáng)，樣本規(guī)模依賴程度低。

為了確定重調(diào)度觸發(fā)時(shí)刻，即資源異常狀態(tài)時(shí)刻，將軟測量模型獲取資源狀態(tài)數(shù)據(jù)的預(yù)測值與實(shí)時(shí)采集的任務(wù)執(zhí)行數(shù)據(jù)進(jìn)行比對。并引入影響程度INF代之，如式（13）所示。隱性擾動(dòng)發(fā)生起初的影響程度是 0 ≤INF≤d，其中，d為影響程度INF的閾值，將任務(wù)執(zhí)行案例數(shù)據(jù)經(jīng)預(yù)處理后通過數(shù)據(jù)挖掘即可得出該值。當(dāng)INF＞d時(shí)，隱性擾動(dòng)已經(jīng)累積到可以使原調(diào)度方案失效的地步，因此確立此刻為重調(diào)度觸發(fā)時(shí)刻，且運(yùn)行短暫容錯(cuò)機(jī)制及生成重調(diào)度方案同步開始。

2.2 資源異常狀態(tài)短暫容錯(cuò)機(jī)制

隱性擾動(dòng)的累積勢必會(huì)造成智能制造車間資源異常數(shù)據(jù)的產(chǎn)生，車間資源的任何一個(gè)異常數(shù)據(jù)都可能會(huì)導(dǎo)致整體原始調(diào)度方案的癱瘓，因此必須探索出合理高效的數(shù)據(jù)替代手段，在檢測出異常數(shù)據(jù)到切換重調(diào)度方案的短時(shí)間內(nèi)進(jìn)行數(shù)據(jù)替換，確保重調(diào)度時(shí)刻非故障資源的繼續(xù)運(yùn)行，并稱此為短暫容錯(cuò)機(jī)制。SVM 模型給出的預(yù)測數(shù)據(jù)常用于替換隱性擾動(dòng)下監(jiān)測出的異常值 (xi,yi)，但預(yù)測數(shù)據(jù)的精確性往往達(dá)不到保障系統(tǒng)短暫平穩(wěn)運(yùn)行的要求，故本節(jié)設(shè)計(jì)了通過結(jié)合K鄰近值分類算法[17]和lasso回歸算法[18-19]提高預(yù)測值的精度。

根據(jù)案例庫中的任務(wù)執(zhí)行數(shù)據(jù)，以k個(gè)與異常值最相鄰的案例數(shù)據(jù)作為鄰近值數(shù)據(jù)集：[(xi1,yi1),(xi2,yi2),···,(xik,yik)]。這k個(gè)數(shù)據(jù)的任務(wù)執(zhí)行情況與異常更正后的資源狀態(tài)是最相似的，將這些值綜合替代預(yù)測值，可以提高替代數(shù)據(jù)的精確性。將這k個(gè)案例數(shù)據(jù)與異常值的距離D作為權(quán)重的關(guān)鍵指標(biāo)，以加權(quán)平均方案把各案例數(shù)據(jù)的輸出值乘以對應(yīng)權(quán)重，其總和即是替代數(shù)據(jù)的目標(biāo)值。

本文采用的lasso 回歸算法其代價(jià)函數(shù)中包含有L1范數(shù)的懲罰項(xiàng)，以確定權(quán)重向量 α可以被求解，代價(jià)函數(shù)具體如下：

其中：yil為實(shí)時(shí)采集到的任務(wù)執(zhí)行數(shù)據(jù)，λ‖α‖1為L1范數(shù)的懲罰項(xiàng)?？紤]到 λ‖α‖1的特殊性，利用坐標(biāo)下降法求解最佳權(quán)重。

在懲罰項(xiàng)中引入次梯度，解決 λ‖α‖1不可求偏導(dǎo)的問題。

此時(shí)將尋找最優(yōu)權(quán)重轉(zhuǎn)換為求解最小代價(jià)函數(shù)，即兩個(gè)偏導(dǎo)數(shù)的和等于0。

以lasso 回歸算法改進(jìn)K鄰近值分類得出的預(yù)測值，有效保證在任務(wù)執(zhí)行數(shù)據(jù)樣本數(shù)量過低情況下依舊能得出準(zhǔn)確性較高的預(yù)測值，來保障車間調(diào)度方案的平穩(wěn)切換。

3 隱性擾動(dòng)下車間資源重調(diào)度方式選擇

3.1 資源重調(diào)度方式

現(xiàn)階段車間資源重調(diào)度的方式主要包含有右移與常規(guī)處理[20]。因隱性擾動(dòng)的累積性與非突發(fā)性，常見于車間內(nèi)單個(gè)資源上，甚少在多個(gè)車間資源上同時(shí)發(fā)生，故重調(diào)度不必對車間宕機(jī)右移，因此右移重調(diào)度機(jī)制不予討論，僅沿用常規(guī)重調(diào)度方式。重調(diào)度觸發(fā)時(shí)刻，車間內(nèi)所有工件將分為三大類：待加工、已完工和部分完工。加工中心亦可分為三類：負(fù)載、空載和調(diào)整中。加工中心的調(diào)整時(shí)長可通過對案例庫歷史數(shù)據(jù)進(jìn)行數(shù)據(jù)挖掘來預(yù)估。

現(xiàn)階段研究多將擾動(dòng)發(fā)生時(shí)刻指定為受擾動(dòng)影響的工序的完工時(shí)刻，但在車間實(shí)際加工過程中，隱性擾動(dòng)的資源狀態(tài)異常時(shí)刻往往發(fā)生于某一加工中心加工某一工序的進(jìn)程中。因此本文將隱性擾動(dòng)下的重調(diào)度方式分為兩類展開討論。

常規(guī)重調(diào)度方式即在重調(diào)度觸發(fā)時(shí)刻，快速確立工件的釋放時(shí)刻與加工中心的可用時(shí)刻，然后以目標(biāo)函數(shù)最優(yōu)為導(dǎo)向調(diào)用智能優(yōu)化算法，快速重排剩余工序生成重調(diào)度方案。關(guān)鍵工序等比例重調(diào)度區(qū)別于常規(guī)重調(diào)度，認(rèn)定在重調(diào)度觸發(fā)時(shí)刻前隱性擾動(dòng)對工件加工的影響可以被接受，加之短暫容錯(cuò)機(jī)制的存在，該道工序的已加工進(jìn)度被系統(tǒng)認(rèn)可，當(dāng)挪換到另一加工中心進(jìn)行加工時(shí)，剩余加工時(shí)長依據(jù)剩余進(jìn)度進(jìn)行等比例換算。T0為重調(diào)度觸發(fā)時(shí)刻，此時(shí)在隱性擾動(dòng)影響下的加工中心Mk正在加工工序Oij，其剩余進(jìn)度為rate=(ETijk-T0)/tijk。挪換到Oij的可選加工中心的任一臺加工中心Mi，其相應(yīng)的加工時(shí)長變?yōu)?tijk×rate。

3.2 Sigmoid 分類選擇

上述兩種重調(diào)度方式對應(yīng)著不同的隱性擾動(dòng)場景，僅通過簡單的優(yōu)化算法分別尋優(yōu)對比并不可靠，需要通過歷史案例數(shù)據(jù)來訓(xùn)練系統(tǒng)的重調(diào)度方式選擇能力，以達(dá)到系統(tǒng)對隱性擾動(dòng)的監(jiān)測、容錯(cuò)、快速抉擇、調(diào)用算法生成方案、執(zhí)行重調(diào)度的一套快速應(yīng)對機(jī)制。這里定義重調(diào)度方式選擇變量Y，Y=1代表選擇關(guān)鍵工序等比例重調(diào)度，Y=0則選擇常規(guī)重調(diào)度。

由于重調(diào)度方式選擇是一個(gè)二元分類問題，本節(jié)引入Sigmoid 分類器[17]進(jìn)行該問題的求解，Sigmoid函數(shù)實(shí)現(xiàn)了輸入值在 [0,1]之間的投影。我們希望分類器的結(jié)果=f(x;w;b)擁有這樣的特質(zhì)：若x為實(shí)施關(guān)鍵工序等比例重調(diào)度來應(yīng)對隱性擾動(dòng)所對應(yīng)的車間資源狀態(tài)數(shù)據(jù)，例如該車間資源發(fā)生與時(shí)間偏差及與設(shè)備資源關(guān)聯(lián)的隱性擾動(dòng)，那么更接近于1；若x為實(shí)施常規(guī)重調(diào)度來應(yīng)對隱性擾動(dòng)所對應(yīng)的車間資源狀態(tài)數(shù)據(jù)，例如該車間資源發(fā)生與產(chǎn)品質(zhì)量關(guān)聯(lián)的隱性擾動(dòng)，那么更接近于0。

重調(diào)度方案決策算法的具體流程如下：

Step1：構(gòu)建訓(xùn)練數(shù)據(jù)集。系統(tǒng)調(diào)用采集得到的隱性擾動(dòng)發(fā)生時(shí)任務(wù)執(zhí)行的歷史案例數(shù)據(jù)構(gòu)成訓(xùn)練數(shù)據(jù)集：(x1,Y1),(x2,Y2),···,(xn,Yn)。xi∈Rd代表第i個(gè)歷史案例任務(wù)執(zhí)行方案中的所有屬性指標(biāo)；Yi為第i個(gè)案例的重調(diào)度方式選擇變量，若Yi=1則代表該案例選用關(guān)鍵工序等比例重調(diào)度方式，若Yi=0則代表該案例選用常規(guī)重調(diào)度方式。

Step2：問題轉(zhuǎn)化。Sigmoid 分類器對第i個(gè)案例做出的預(yù)測是f(xi;w;b)，而實(shí)際重調(diào)度方式選擇情況是Yi，將兩者表示為0～1 分布的向量，而后將平均交叉熵確立為損失函數(shù)。

此時(shí)問題即轉(zhuǎn)換為使得此平均交叉熵與正則項(xiàng)的和最小。

Step3：尋優(yōu)求解。在建立優(yōu)化模型之后，需要尋找最優(yōu)解。通常隨機(jī)初始化變量，然后用L-BFGS優(yōu)化算法迭代更新變量。

4 實(shí)例驗(yàn)證

本文采用Matlab R2020a 編寫上述算法并求解，硬件平臺為AMD Ryzen 5 2 600 CPU @3.40GHz，RAM 16 GB。選用某企業(yè)智能制造10×10 規(guī)模的車間實(shí)例數(shù)據(jù)進(jìn)行驗(yàn)證，即10 個(gè)加工中心加工10 個(gè)工件的車間調(diào)度問題，并以遺傳算法（genetic-algorithm，GA）對該問題求解得到初始車間調(diào)度甘特圖，具體調(diào)度方案如圖2 所示，此調(diào)度方案中最大完工時(shí)間為70 min，交付延時(shí)均值為0 min，加工中心負(fù)載率59.43%，總加工成本814.04 元。

圖2 實(shí)例車間調(diào)度甘特圖

本文依托于某企業(yè)智能制造車間的數(shù)據(jù)采集及預(yù)處理方法，連續(xù)采集該車間1 個(gè)月內(nèi)的工序?qū)嶋H加工時(shí)長數(shù)據(jù)。表2 給出了重調(diào)度發(fā)生時(shí)刻剩余工序?qū)嵗龜?shù)據(jù)，依據(jù)等比例重調(diào)度原則，工序O82在各加工中心上的加工時(shí)間也依據(jù)比例進(jìn)行相應(yīng)的更改。表1 中數(shù)據(jù)代表各個(gè)工件各道工序用不同加工中心加工的時(shí)間數(shù)值，還給出來了各個(gè)工件的交付期。其中“/”表示該加工中心不在該道工序的可選加工中心集中，因此給不出具體數(shù)值。其中“N/A”意味著該工件沒有明確的交付期，越快越好。表3 為車間內(nèi)各加工中心的各項(xiàng)成本。

表2 重調(diào)度發(fā)生時(shí)刻剩余工序?qū)嵗龜?shù)據(jù)

表3 加工中心的各項(xiàng)成本

該智能車間在執(zhí)行初始調(diào)度方案時(shí)，資源異常狀態(tài)監(jiān)測模型感知到加工中心M8產(chǎn)生隱性擾動(dòng)，由SVM 模型確定重調(diào)度觸發(fā)時(shí)刻為25 min。從歷史案例中各加工中心的數(shù)據(jù)預(yù)估出M3的調(diào)整時(shí)間為25 min，意味著25～50 min 這個(gè)時(shí)間段內(nèi)M3不能用于加工。系統(tǒng)調(diào)用任務(wù)執(zhí)行數(shù)據(jù)，通過Sigmoid分類器得出重調(diào)度方式選擇變量1，由于短暫容錯(cuò)機(jī)制的存在，隱性擾動(dòng)達(dá)到影響車間資源正常執(zhí)行生產(chǎn)任務(wù)的閾值前的短暫時(shí)刻內(nèi)，初始調(diào)度方案的執(zhí)行成果是可被接受的。因此判定選用關(guān)鍵工序等比例重調(diào)度方案，將當(dāng)前工序加工結(jié)束，以達(dá)到最大化減小擾動(dòng)影響、節(jié)省成本并按期交付的目的。而我們回溯任務(wù)執(zhí)行數(shù)據(jù)發(fā)現(xiàn)此刻M3上發(fā)生與時(shí)間偏差關(guān)聯(lián)的隱性擾動(dòng)，故系統(tǒng)決策結(jié)果正確。具體重調(diào)度方案如圖3 所示：最大完工時(shí)間為73 min，交付延時(shí)均值為0 min，加工中心負(fù)載率為57.45%，總加工成本為948.17 元。

圖3 關(guān)鍵工序等比例重調(diào)度甘特圖

為了對比關(guān)鍵工序等比例重調(diào)度的合理性及有效性，我們假設(shè)系統(tǒng)判定此隱性擾動(dòng)的應(yīng)對方式為常規(guī)重調(diào)度，即變量Y=0，則代表著在重調(diào)度觸發(fā)時(shí)刻，加工中心上所加工的關(guān)鍵工序O82因隱性擾動(dòng)的影響無法被系統(tǒng)認(rèn)可。例如與加工質(zhì)量關(guān)聯(lián)的隱性擾動(dòng)，因加工中心M3技術(shù)精度誤差累積導(dǎo)致工件N8當(dāng)前的工序延時(shí)嚴(yán)重。然后選擇重調(diào)度方法為常規(guī)重調(diào)度，將N8的4 道工序重排得具體調(diào)度方案如圖4 所示。最大完工時(shí)間97 min，交付延時(shí)均值0 min，加工中心負(fù)載率45.36%，總加工成本1 081.00 元。

圖4 常規(guī)重調(diào)度甘特圖

由圖2～圖4 的3 種調(diào)度方案對比可知，關(guān)鍵工序等比例重調(diào)度、常規(guī)重調(diào)度兩種方式相較于正常調(diào)度，前者的最大完工時(shí)間、加工中心負(fù)載率、總加工成本更優(yōu)。

5 結(jié)語

本文研究了隱性擾動(dòng)發(fā)生時(shí)智能制造車間的重調(diào)度決策方法，建立了基于SVM 的資源異常監(jiān)測模型，并通過lasso 回歸和k近鄰值分類算法提高模型預(yù)測值的精度，完成了智能制造車間從擾動(dòng)監(jiān)測到短暫容錯(cuò)，再到重調(diào)度方式選擇的全過程研究，其證明了確定車間資源重調(diào)度方案時(shí)要注重單獨(dú)考慮顯式擾動(dòng)與隱性擾動(dòng)的影響。

本文所構(gòu)建的隱性擾動(dòng)下車間資源重調(diào)度方法對隱性擾動(dòng)表現(xiàn)形式的分析仍不夠細(xì)致，僅包括了與設(shè)備資源、產(chǎn)品質(zhì)量、時(shí)間偏差關(guān)聯(lián)的隱性擾動(dòng)，后續(xù)需繼續(xù)探索；在重調(diào)度方式判定上，亦可融入貝葉斯網(wǎng)絡(luò)等方法進(jìn)行優(yōu)化；此外，動(dòng)態(tài)擾動(dòng)的應(yīng)對機(jī)制也將是后續(xù)研究的熱點(diǎn)。