买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉长春工业大学申请的专利面向云边端协同下整车制造冲压资源的分布式调度方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN120952497B 。

龙图腾网通过国家知识产权局官网在2026-03-13发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202511493206.7，技术领域涉及：G06Q10/0631；该发明授权面向云边端协同下整车制造冲压资源的分布式调度方法是由胡艳娟;潘雷霆;周游;林洁琼;谷东伟;卢晓晖设计研发完成，并于2025-10-20向国家知识产权局提交的专利申请。

本面向云边端协同下整车制造冲压资源的分布式调度方法在说明书摘要公布了：本发明提供一种面向云边端协同下整车制造冲压资源的分布式调度方法，所属技术领域为人工智能与智能制造技术领域。其特征在于该方法首先深入分析云边端协同下整车制造冲压资源调度问题特性，设计了对应的冲压资源自适应分布式调度框架，构建分布式马尔可夫决策过程模型，融合多智能体强化学习与联邦学习机制，进行分布式调度优化；同时，围绕云边端协同下冲压资源规模、任务总量分布不均的情况，构建基于资源数量的联邦聚合机制，并引入贪婪策略提高智能体的收敛性能。本发明广泛应用于整车制造冲压生产企业，所提出的模型与方法可显著提高了调度效率与系统鲁棒性，同时有效保障了数据隐私与安全性。

本发明授权面向云边端协同下整车制造冲压资源的分布式调度方法在权利要求书中公布了：1.面向云边端协同下整车制造冲压资源的分布式调度方法，其特征在于，该方法步骤如下： 步骤S10，基于云边端协同下整车制造冲压资源调度特点构建分布式调度模型，并将所涉及的资源与任务数据输入； 步骤S20，构建多个分布式的马尔可夫决策模型，确定智能体状态、动作、奖励函数的表示方式； 步骤S30，初始化算法参数，包括总聚合轮数K、本地训练回合数M、边缘设备数量Z及各设备的训练环境； 步骤S40，初始化各边缘设备的本地模型参数及空的全局参数集合，并在每个边缘设备执行M个本地训练回合； 步骤S50，收集所有边缘设备训练后的模型参数到对应的全局集合中进行联邦聚合，并重新下发至各个边缘设备，重复步骤S40至S50直至完成K轮聚合； 步骤S60，在各个边缘设备，采用训练过的模型对整车制造冲压资源进行分布式优化调度； 进一步，步骤S20所确定的智能体状态、动作、奖励函数表示方式具体如下： 1智能体状态 结合整车制造冲压资源调度特点，以要素特征集合设计智能体状态，假设智能体需要调度的资源数量为，且在第个时间步中，资源状态表示方式如下： ； 其中，表示资源m的生产要素信息，基于调度模型构建； 2智能体动作 云边端协同下整车制造冲压资源调度智能体动作空间是指在不同资源调度环境状态下可执行的调度决策集合；冲压资源调度决策通过更新并遍历就绪子任务集，通过动作选择不同资源完成任务，动作生成采用的策略包括：最小服务类型切换次数策略、最大完成速度策略、最高加工质量策略、最小加工成本策略、最小物流时间策略、最小负载度策略； 3智能体奖励 第个时间步中进行多次资源选择，执行动作后所获得的奖励函数： ； 其中，为资源已完成任务的完成度；为资源完成任务所需要的类型切换次数；为执行动作所选任务中未完成的子任务；此外，为了优化最终的调度方案和工作流程，该模型根据智能体的动作序列对最终的调度策略进行评估，以完成调度过程；为资源的目标函数值，计算公式如下： ； 其中，分别为理论上最大时间、质量、成本、切换次数；为资源的最大完工时间；为资源完成任务的质量；为资源完成任务所需要的成本；为资源完成任务所需要的类型切换次数；-为权重系数，各调度目标调度模型中各个调度目标重要性相同，即均为0.2； 另外，在评估中，通过累加单个步骤来计算总奖励： ； 其中，是智能体调度资源完成主体的动作序列，是动作序列的对应环境状态集，

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人长春工业大学，其通讯地址为：130012 吉林省长春市朝阳区延安大街2055号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。