作业排程方法、装置、设备及可读介质与流程

1.本发明涉及生产计划智能排程领域，特别涉及一种作业排程方法、装置、设备及可读介质。


背景技术：

2.当前，生产计划排程（advanced planning and scheduling，aps）的问题主要是柔性作业车间调度（flexible jssp，fjssp）问题。对于fissp问题一般采用静态模型建模的方法，是基于向量建模方式的生产流程模型（production process model,ppm）。但fjssp问题几乎都属于np完全问题（多项式复杂程度的非确定性问题），只有极少数简单情况为p问题，如单机的最小完成时间，并且不存在其他的表达与建模方法能够简化问题复杂度（即为strongly npc问题）。因此，传统的基于运筹学的精确求解方法无法应用在实际场景之中。
3.启发式算法的目标是生成较优解（near optimal）而非最优解，针对fjssp问题，移动瓶颈启发式算法是至今为止最成功的算法。但移动瓶颈启发式算法能够处理的问题规模有限，当问题的状态空间（即工单
×
工序）很大的时候，需要使用基于全局随机搜索的元启发式群体类算法进行求解。其中，遗传算法（ga）是群体类算法中使用最广泛、效果最好的方法。现今的遗传算法已经从原本的一种具体算法，发展成了一种基于进化论的框架。在ga算法中，首先需要将待解决的问题编码成基因，由相关的基因组构成一条条染色体，而每一条染色体就代表的是所求解问题的一个解决方案，所有的染色体的集合称之为种群。以适应度函数模拟自然环境，由选择算子根据适应度函数对种群中的个体进行选择，由交叉算子、变异算子对染色体上的基因按照一定的概率进行交叉变异，这个过程是模拟生态环境中生物淘汰的过程和环境变化的过程。求解的结果具备良好的适应度，对最终得到的个体按照解码规则进行解码，得到最优解决方案。
4.然而，实际的生产场景会存在诸多不确定性，例如制造时间的波动、机器故障、预防性维护、动态插单等。采用遗传算法进行建模的方法目前还无法解决动态的fjssp问题。因此，目前仍缺少可以解决动态的fjssp问题的作业排程方法。


技术实现要素：

5.为了解决现有技术中存在的上述问题，本发明的目的是为了提供一种基于群智进化算法的可以解决实际生产排程过程中出现的各种动态特性的柔性作业车间调度问题的作业排程方法、装置、设备及可读介质。
6.为了实现上述目的，本发明采用了以下的技术方案：本发明提供了一种作业排程方法，包括：s100、采用遗传算法，生成第一排程计划；s200、采集动态特性数据、生产数据与遗传算法的目标函数，通过强化学习建立动态特性与工单释放规则的映射表；s300、基于所述映射表调整遗传算法的参数，生成第二排程计划；
s400、采用神经网络承载动态特性的概率分布，将所述概率分布作为前馈预测；s500、重复步骤s100~s400进行迭代，基于所述前馈预测进行调整，生成下一排程计划，直至智能收敛停止重复，生成最终排程计划。
7.进一步地，所述动态特性包括随机因素导致不确定性造成的动态特性与系统动力学特性导致不确定性造成的动态特性。
8.进一步地，所述生产数据包括产能利用率、完成时间和工单延迟数量。
9.进一步地，所述工单释放规则是从工单释放规则池采集，所述工单释放规则池是由ai专家系统进行设定，包括edd、spt、lpt。
10.进一步地，所述通过强化学习建立动态特性与工单释放规则的映射表具体包括，将所述动态特性、所述生产数据与所述遗传算法的目标函数作为强化学习的模型输入，基于q-learning算法，采用试错方法进行训练，将所述动态特性、所述生产数据与所述工单释放规则进行匹配，将所述目标函数作为奖励函数，确定并学习奖励值最大的工单释放规则，生成所述动态特性与工单释放规则的映射表。
11.进一步地，所述基于所述映射表调整遗传算法的参数具体包括，基于所述映射表在线调整遗传算法的参数，当所述动态特性为随机因素导致不确定性造成的动态特性时，通过设置缓冲、预留产能的方式调整遗传算法的建模参数；当所述动态特性为系统动力学特性导致不确定性造成的动态特性时，通过设置制造时间、产能的方式调整建模参数。
12.进一步地，所述智能收敛的判断方法包括：设置预定迭代次数，当重复步骤s100~s400的重复次数达到预定迭代次数时，判断已达到智能收敛；设置预定数值，当目标函数值与上一次迭代的目标函数值之间的差的绝对值小于预定数值时，判断已达到智能收敛。
13.本发明还提供了一种作业排程装置，包括：第一计划生成模块，用于采用遗传算法，生成第一排程计划；映射表建立模块，用于采集动态特性数据、生产数据与遗传算法的目标函数，通过强化学习建立动态特性与工单释放规则的映射表；参数调整模块，用于基于所述映射表调整遗传算法的参数，生成第二排程计划；前馈预测模块，用于采用神经网络承载动态特性的概率分布，将所述概率分布作为前馈预测；最终计划生成模块，用于重复采用第一计划生成模块、映射表建立模块、参数调整模块和前馈预测模块进行迭代，基于所述前馈预测进行调整，生成下一排程计划，直至智能收敛停止重复，生成最终排程计划。
14.本发明还提供了一种电子设备，其特征在于，包括：一个或多个处理装置；存储装置，用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理装置执行，使得所述一个或多个处理装置实现如前所述的作业排程方法。
15.本发明还提供了一种计算机可读介质，其上存储有计算机程序，其特征在于，该程序被处理装置执行时实现如前所述的作业排程方法。
16.本发明提供的上述技术方案的有益效果至少包括：本发明的一种作业排程方法、装置、设备及可读介质通过遗传算法、神经网络和强
化学习相结合的群智进化算法，动态地应对排程过程或实际生产过程中出现的各种动态特性，从而解决动态的柔性作业车间调度问题，为工厂的智能制造升级提供完整的、效果良好的、可以解决大规模柔性作业车间调度问题的作业排程方法。
附图说明
17.为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍。通过阅读参照以下附图所作的对非限制性实施例的详细描述，本技术的其它特征、目的和优点将会变得更明显。
18.图1为本发明实施例提供的作业排程方法的流程示例图；图2为本发明实施例提供的生成第一排程计划的流程示例图；图3为本发明实施例提供的问题初始化的流程示例图；图4为本发明实施例提供的作业排程装置的结构示例图；图5为本发明实施例提供的电子设备的结构示例图。
具体实施方式
19.为了更好地理解本技术，将参考附图对本技术的各个方面做出更详细的说明。应理解，这些详细说明只是对本技术的示例性实施方式的描述，而非以任何方式限制本技术的范围。在说明书全文中，相同的附图标号指代相同的元件。表述“和/或”包括相关联的所列项目中的一个或多个的任何和全部组合。
20.在附图中，为了便于说明，已稍微调整了元素的大小、尺寸和形状。附图仅为示例而并非严格按比例绘制。如在本文中使用的，用语“大致”、“大约”以及类似的用语用作表近似的用语，而不用作表程度的用语，并且旨在说明将由本领域普通技术人员认识到的、测量值或计算值中的固有偏差。另外，在本技术中，各步骤处理描述的先后顺序并不必然表示这些处理在实际操作中出现的顺序，除非有明确其它限定或者能够从上下文推导出的除外。
21.还应理解的是，诸如“包括”、“包括有”、“具有”、“包含”和/或“包含有”等表述在本说明书中是开放性而非封闭性的表述，其表示存在所陈述的特征、元件和/或部件，但不排除一个或多个其它特征、元件、部件和/或它们的组合的存在。此外，当诸如“...中的至少一个”的表述出现在所列特征的列表之后时，其修饰整列特征，而非仅仅修饰列表中的单独元件。此外，当描述本技术的实施方式时，使用“可”表示“本技术的一个或多个实施方式”。并且，用语“示例性的”旨在指代示例或举例说明。
22.除非另外限定，否则本文中使用的所有措辞（包括工程术语和科技术语）均具有与本技术所属领域普通技术人员的通常理解相同的含义。还应理解的是，除非本技术中有明确的说明，否则在常用词典中定义的词语应被解释为具有与它们在相关技术的上下文中的含义一致的含义，而不应以理想化或过于形式化的意义解释。
23.需要说明的是，在不冲突的情况下，本技术中的实施方式及实施方式中的特征可以相互组合。下面将参考附图并结合实施方式来详细说明本技术。
24.图1为本发明实施例提供的作业排程方法的流程示例图。如图1所示，本发明提供了一种作业排程方法，包括：s100、采用遗传算法，生成第一排程计划；
s200、采集动态特性数据、生产数据与遗传算法的目标函数，通过强化学习建立动态特性与工单释放规则的映射表；s300、基于所述映射表，调整遗传算法的参数，生成第二排程计划；s400、采用神经网络承载动态特性的概率分布，将所述概率分布作为前馈预测；s500、重复步骤s100~s400进行迭代，基于所述前馈预测进行调整，生成下一排程计划，实现从个体智能涌现到群体智能，再从群体智能到进化个体智能的正反馈闭环，直至智能收敛停止重复，生成最终排程计划。
25.进一步地，步骤s100中采用遗传算法生成第一排程计划是在不考虑动态特性的影响下，其中，所述第一排程计划属于静态排程计划。
26.进一步地，图2为本发明实施例提供的生成第一排程计划的流程示例图。如图2所示，步骤s100包括：s110、根据工艺路径，通过工序串联起全部生产要素，建立生产流程模型（ppm），生成建模结果；s120、基于ppm的建模结果，针对柔性作业车间调度问题（fjssp问题）进行问题初始化，生成初始种群；s130、对初始种群采用遗传算子进行运算，通过群体智能涌现出较优解，完成从父代进化生成子代的过程；s140、重复步骤s130进行迭代，对生成的子代重复采用遗传算子进行运算生成下一代子代，当判断满足结束条件时停止运算，输出最终结果；其中，结束条件根据实际情况进行设置，包括但不限于运行预先设定的一段时间（例如运行1个小时）、满足对目标函数的期望或达到预先设定的迭代次数等；其中，最终结果为生成的最优解；s150、基于所述最终结果，采用与编码相反的过程进行解码，生成所述第一排程计划。
27.更进一步地，图3为本发明实施例提供的问题初始化的流程示例图。如图3所示，步骤s120具体包括：s121、基于ppm的建模结果，对fjssp问题编码，根据问题的解生成染色体；s122、采集待优化目标并设置目标函数，将所述目标函数转换为适应度函数（fitness函数）；其中，优化目标包括但不限于交期优先、成本最小、产能利用率最大等；s123、基于所述染色体，生成初始种群，其中，初始种群的生成方式采用随机生成方式或采用移动瓶颈启发式算法生成的解作为初始种群。
28.更进一步地，适应度函数与目标函数通常设置为相同函数，其中，适应度函数的设置主要取决于编码规则的定义，在不同的编码规则下，适应度函数可能会有所不同，本发明不对不同编码规则下适应度函数的设置方式作出限定。
29.更进一步地，对初始种群采用遗传算子进行运算的过程属于多目标优化问题的求解过程，可以采用nsga
‑ⅱ
算法进行求解，其中，nsga
‑ⅱ
算法是带有精英保留策略的快速非支配多目标优化算法，实质是在ga算法的基础上，引入保证子代不会比父代差的精英策略、降低计算复杂度且子代从双倍空间中选取的快速非支配策略和使得个体均匀扩展到整个帕累托域的拥挤度比较算子。
30.更进一步地，遗传算子包括：
选择算子，采用适应度函数判断个体的适应度，选择适应度高的个体进入子代，同时在剩余部分中采用交叉算子与变异算子进行操作后变成子代；交叉算子，将两个父代的染色体进行交叉重组，生成子代；其中，本发明的方法中采用单点交叉，交叉的位置可以进行设置；变异算子，父代进化到子代的过程中，染色体有一定的概率进行改变生成子代，其中，改变的概率通常情况下是随机的，变异算子包括但不限于实值变异、二进制变异等。
31.进一步地，当动态特性出现后，第一排程计划即静态排程计划不能满足实际生产需要，因此实际生产排程问题是动态的柔性作业车间调度问题（动态的柔性作业车间调度问题，dynamic/fuzzy fjssp），其中，动态特性是指生产过程中的不确定性问题。
32.进一步地，动态特性出现后，运用马尔可夫时序模型（mdp）进行建模，将采用遗传算法生成第一排程计划作为t-1时刻的状态，将动态特性产生后作为t时刻状态，并基于t-1时刻的第一排程计划进行初始化，包括对动态特性进行分类、建立工单释放规则池，开始进行mdp建模。
33.进一步地，采集的动态特性数据包括动态特性类别和紧急程度-优先使用级别。
34.更进一步地，所述动态特性包括随机因素导致不确定性造成的动态特性与系统动力学特性导致不确定性造成的动态特性。
35.更进一步地，所述随机因素导致的不确定性包括紧急插单和机器故障，这类动态特性是由设备或相关人员即时上报至作业排程装置，一般情况下是没有概率分布规律的；所述系统动力学特性导致的不确定性包括制造时间的波动和预防性维护，这类动态特性是在生产过程中积累得到的，符合一定的概率分布规律，在静态排程计划中已经给定了相应的初始值，但在实际生产过程中由于系统动力学特性会产生一定的波动，从而出现此类动态特性。
36.更进一步地，当出现的动态特性为紧急插单时，需要由相关人员预先设置1-10级的紧急程度-优先使用级别和每个级别所代表的具体的紧急程度或重要性，出现紧急插单时可以由相关人员根据生产情况指定该紧急插单的紧急程度-优先使用级别，以区分不同订单的优先级。
37.进一步地，所述生产数据包括但不限于产能利用率、完成时间和工单延迟数量。
38.进一步地，所述工单释放规则是从工单释放规则池采集，所述工单释放规则池是由ai专家系统进行预先设定的，包含常用的工单释放规则，包括但不限于edd、spt、lpt，其中，工单释放规则是指对工单排序的规则，本发明不对工单释放规则的具体设定方法做出限定。工单释放规则池如下表所示。
39.进一步地，所述通过强化学习建立动态特性与工单释放规则的映射表具体包括，将动态特性数据、生产数据与遗传算法的目标函数作为强化学习的模型输入，基于q-learning算法，采用试错方法进行训练，将所述动态特性、所述生产数据与所述工单释放规则进行匹配，将所述目标函数作为奖励函数，确定并学习奖励值最大的工单释放规则，生成所述动态特性与工单释放规则的映射表，其中，匹配过程中为了增强q-learning算法的长期性能，可以采用加入了随机因子epsilon的贪心算法（epsilon-greedy）进行搜索与匹配。
40.进一步地，所述基于所述映射表调整遗传算法的参数具体包括，基于映射表中学习到的映射关系与神经网络学习的概率分布作为前馈预测在线调整遗传算法的参数，处理出现的动态特性，同时利用在线学习，持续优化匹配精度，其中，当所述动态特性为随机因素导致不确定性造成的动态特性时，通过设置缓冲、预留产能的方式调整遗传算法的建模参数；当所述动态特性为系统动力学特性导致不确定性造成的动态特性时，通过设置制造时间、产能的方式调整建模参数，同时，将调整方法作为预防性维护的参考指标。
41.进一步地，所述智能收敛的判断方法包括：设置预定迭代次数，当重复步骤s100~s400的重复次数达到预定迭代次数时，判断已达到智能收敛；设置预定数值，当目标函数值与上一次迭代的目标函数值之间的差的绝对值小于预定数值时，判断已达到智能收敛。
42.本发明的方法、装置、设备及可读介质通过神经网络来学习到各类动态特性的概率分布，同时通过强化学习提供的在线学习机制，来动态地应对各类动态特性，从而通过ga
算法、神经网络与强化学习的结合，即群智进化算法，解决dynamicfjssp问题。在本发明中，ga算法用于提供从个体智能到群体智能的群智涌现机制；神经网络用于承载动态特性的概率分布，进行前馈预测调整下一次遗传算法生成的排程计划即承载学习到的智能；强化学习用于为ga算法提供针对动态特性的进化机制。
43.输出本发明生成的最终排程计划即最终的动态排程计划，当使用者接受时，可以将最终排程计划下发至制造执行系统（mes），在计划使用时，若生产过程中出现动态特性的问题，可以根据映射表中学习到的映射关系处理出现的动态特性问题，利用群智进化算法的在线学习特性，持续优化匹配精度。
44.本发明提供的上述技术方案的有益效果至少包括：本发明的一种作业排程方法、装置、设备及可读介质通过遗传算法、神经网络和强化学习相结合的群智进化算法，动态地应对排程过程或实际生产过程中出现的各种动态特性，从而解决动态的柔性作业车间调度问题，为工厂的智能制造升级提供完整的、效果良好的、可以解决大规模柔性作业车间调度问题的作业排程方法。
45.图4为本发明实施例提供的作业排程装置的结构示例图。如图4所示，本发明还提供了一种作业排程装置，包括：第一计划生成模块41，用于采用遗传算法，生成第一排程计划；映射表建立模块42，用于采集动态特性、生产数据与遗传算法的目标函数，通过强化学习建立动态特性与工单释放规则的映射表；参数调整模块43，用于基于所述映射表调整遗传算法的参数，生成第二排程计划；前馈预测模块44，用于采用神经网络承载动态特性的概率分布，将所述概率分布作为前馈预测；最终计划生成模块45，用于重复采用第一计划生成模41、映射表建立模块42、参数调整模块43和前馈预测模块44进行迭代，基于所述前馈预测进行调整，生成下一排程计划，直至智能收敛停止重复，生成最终排程计划。
46.进一步地，动态特性包括随机因素导致不确定性造成的动态特性与系统动力学特性导致不确定性造成的动态特性。
47.进一步地，生产数据包括产能利用率、完成时间和工单延迟数量。
48.进一步地，工单释放规则是从工单释放规则池采集，所述工单释放规则池是由ai专家系统进行设定，包括edd、spt、lpt。
49.进一步地，采集动态特性数据、生产数据与遗传算法的目标函数，通过强化学习建立动态特性与工单释放规则的映射表具体包括将所述动态特性、所述生产数据与所述遗传算法的目标函数作为强化学习的模型输入，基于q-learning算法，采用试错方法进行训练，将所述动态特性、所述生产数据与所述工单释放规则进行匹配，将所述目标函数作为奖励函数，确定并学习奖励值最大的工单释放规则，生成所述动态特性与工单释放规则的映射表。
50.进一步地，基于所述映射表调整遗传算法的参数具体包括，基于所述映射表在线调整遗传算法的参数，当所述动态特性为随机因素导致不确定性造成的动态特性时，通过设置缓冲、预留产能的方式调整遗传算法的建模参数；当所述动态特性为系统动力学特性导致不确定性造成的动态特性时，通过设置制造时间、产能的方式调整建模参数。
51.进一步地，所述智能收敛的判断方法包括：设置预定迭代次数，当采用第一计划生成模块41、映射表建立模块42、参数调整模块43和前馈预测模块44生成下一排程计划的重复次数达到预定迭代次数时，判断已达到智能收敛；设置预定数值，当目标函数值与上一次迭代的目标函数值之间的差的绝对值小于预定数值时，判断已达到智能收敛。
52.可以理解的是，如图4所示的作业排程装置中记载的各个模块与参考流程示例图描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作、特征以及产生的有益效果同样适用于该装置及其中包含的模块，在此不再赘述。
53.图5为本发明实施例提供的电子设备的结构示例图。本公开实施例中的电子设备包括但不限于移动终端、固定终端或各种形式的服务器。图5示出的电子设备仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。如图5所示，电子设备可以包括处理装置(例如中央处理器、图形处理器等)501，其可以根据存储在只读存储器(rom)502中的程序或者从存储装置508加载到随机访问存储器(ram)503中的程序而执行各种适当的动作和处理。在ram 503中，还存储有电子设备操作所需的各种程序和数据。处理装置501、rom 502以及ram503通过总线504彼此相连。输入/输出(i/o)接口505也连接至总线504。
54.通常，以下装置可以连接至i/o接口505：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置506；包括例如液晶显示器(lcd)、扬声器、振动器等的输出装置507；包括例如磁带、硬盘等的存储装置508；以及通信装置509。通信装置509可以允许电子设备与其他设备进行无线或有线通信以交换数据。虽然图5示出了具有各种装置的电子设备，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图5中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。
55.特别地，根据本公开的一些实施例，上文参考流程示例图描述的过程可以被实现为计算机软件程序。例如，本公开的一些实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中，该计算机程序可以通过通信装置509从网络上被下载和安装，或者从存储装置508被安装，或者从rom 502被安装。在该计算机程序被处理装置501执行时，执行本公开的一些实施例的方法中限定的上述功能。
56.需要说明的是，本公开的一些实施例上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的一些实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的一些实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信
号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、rf(射频)等，或者上述的任意合适的组合。
57.上述计算机可读介质可以是上述装置中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：采用遗传算法，生成第一排程计划；采集动态特性数据、生产数据与遗传算法的目标函数，通过强化学习建立动态特性与工单释放规则的映射表；基于所述映射表调整遗传算法的参数，生成第二排程计划；采用神经网络承载动态特性的概率分布，将所述概率分布作为前馈预测；重复采用上述步骤进行迭代，基于所述前馈预测进行调整，生成下一排程计划，直至智能收敛停止重复，生成最终排程计划。
58.可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如java、smalltalk、c ，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(lan)或广域网(wan)——连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
59.附图中的流程示例图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程示例图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程示例图中的每个方框、以及框图和/或流程示例图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
60.描述于本公开的一些实施例中的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中，例如，可以描述为：一种处理器包括第一计划生成模块、参数调整模块、前馈预测模块和最终计划生成模块。其中，这些模块的名称在某种情况下并不构成对该模块本身的限定。
61.本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。
62.以上说明书中描述的只是本发明的具体实施方式，各种举例说明不对本发明的实质内容构成限制，所属技术领域的普通技术人员在阅读了说明书后可以对以前所述的具体实施方式做修改或变形，而不背离本发明的实质和范围。