1.3.4　存在問題

綜上所述,隨著數(shù)據(jù)分析和數(shù)據(jù)挖掘技術的發(fā)展,基于數(shù)據(jù)的方法已經(jīng)在調(diào)度問題的建模和優(yōu)化上有了廣泛應用,能夠較好地克服傳統(tǒng)調(diào)度建模和優(yōu)化方法在求解復雜生產(chǎn)過程調(diào)度問題時所存在的不足。但總體上,基于數(shù)據(jù)的調(diào)度方法的研究目前還處于初步階段,理論和應用成果存在以下局限。

① 現(xiàn)有基于數(shù)據(jù)的調(diào)度研究側重于將數(shù)據(jù)分析方法和特定的調(diào)度建模和優(yōu)化方法相結合(例如通過參數(shù)預測的方法改進啟發(fā)式調(diào)度規(guī)則,利用數(shù)據(jù)挖掘的方法構造自適應調(diào)度決策模型),缺乏總體上基于數(shù)據(jù)調(diào)度問題的解決方案。

② 在現(xiàn)有基于數(shù)據(jù)的調(diào)度研究中,對調(diào)度相關數(shù)據(jù)的預處理主要集中于數(shù)據(jù)聚類和特征選擇,對缺失值填補、相關性分析、常值檢測等數(shù)據(jù)預處理方法的關注度不足;此外,對常用算法存在的缺陷(如K均值聚類對初始聚類中心敏感)缺乏相應改進,以上問題在一定程度上限制了數(shù)據(jù)分析方法在實際生產(chǎn)系統(tǒng)上的應用。

③ 很多情況下,需要通過大量的離線仿真和優(yōu)化生成學習樣本數(shù)據(jù)。因此對于大規(guī)模復雜制造系統(tǒng)而言,獲取學習樣本數(shù)據(jù)比較困難,而表征復雜制造系統(tǒng)調(diào)度環(huán)境的變量較多,從這樣的高維小樣本學習數(shù)據(jù)中構造出具有較高泛化能力的學習器有一定困難。