✅作者简介热爱科研的Matlab仿真开发者擅长数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。 往期回顾关注个人主页Matlab科研工作室个人信条格物致知,完整Matlab代码及仿真咨询内容私信。内容介绍时间序列预测在各个领域例如金融市场分析、气候变化建模、能源需求预测等方面都扮演着至关重要的角色。精准的预测能够为决策者提供有价值的参考信息从而优化资源分配降低风险提高效率。传统的统计方法如ARIMA模型等在处理线性时间序列时表现良好但在面对非线性、复杂的时间序列时往往难以取得令人满意的结果。近年来深度学习方法凭借其强大的非线性拟合能力和特征学习能力在时间序列预测领域取得了显著进展。本文旨在探讨一种基于灰狼优化算法GWO优化的卷积神经网络CNN结合双向门控循环单元BiGRU以及注意力机制的时间序列预测模型并与优化前的模型进行对比验证GWO算法在模型性能提升上的有效性。该模型旨在充分利用CNN的特征提取能力BiGRU的时序建模能力以及注意力机制的关键信息聚焦能力从而提高时间序列预测的准确性。1. 模型架构及理论基础该模型的整体架构分为四个主要部分卷积层、BiGRU层、注意力机制层和全连接层并通过GWO算法对模型的超参数进行优化。1.1 卷积神经网络 (CNN)CNN作为一种强大的特征提取器最初广泛应用于图像处理领域。但在时间序列预测中可以将时间序列数据视为一维信号利用一维卷积层来提取时间序列的局部特征。卷积层通过卷积核在输入数据上滑动提取局部模式并生成特征图。多个卷积层堆叠可以提取更抽象、更高级别的特征。在本文中CNN层主要用于提取时间序列数据中的短期依赖关系和局部特征为后续的时序建模提供更有效的信息。1.2 双向门控循环单元 (BiGRU)GRU是一种改进的循环神经网络RNN解决了传统RNN中存在的梯度消失和梯度爆炸问题。GRU包含更新门和重置门能够有效地控制信息的传递和记忆从而更好地捕捉时间序列中的长期依赖关系。与单向GRU相比BiGRU能够同时利用过去和未来的信息进行预测。BiGRU由两个方向相反的GRU组成分别接收正向和反向的时间序列数据并将两个方向的输出进行合并从而更全面地捕捉时间序列的动态变化。在本文中BiGRU层主要用于对CNN提取的特征进行进一步的时序建模捕捉时间序列的长期依赖关系。1.3 注意力机制 (Attention Mechanism)注意力机制是一种模仿人类视觉注意力机制的技术能够选择性地关注输入数据中最重要的部分。在时间序列预测中不同的时间步对最终的预测结果的贡献程度不同。注意力机制通过学习权重为不同的时间步分配不同的重要性从而更好地关注对预测结果影响更大的时间步。注意力权重通常是通过softmax函数进行归一化以确保所有权重的总和为1。在本文中注意力机制层用于对BiGRU的输出进行加权突出关键的时间步信息从而提高预测的准确性。1.4 灰狼优化算法 (GWO)GWO算法是一种基于灰狼捕食行为的优化算法具有结构简单、参数少、收敛速度快等优点。GWO算法将狼群划分为四个等级α、β、δ和ω。α狼是种群的领导者负责指导狼群的捕食行为。β狼和δ狼协助α狼进行决策ω狼是种群中的普通成员跟随α、β和δ狼进行捕食。GWO算法通过模拟灰狼的狩猎过程不断更新个体的位置从而找到最优解。在本文中GWO算法用于优化CNN、BiGRU和注意力机制模型的超参数例如卷积核大小、卷积层数、GRU单元数、学习率等。2. GWO优化策略模型的超参数对模型的性能有着重要的影响。手动调整超参数需要大量的实验和经验效率较低。因此本文采用GWO算法对模型的超参数进行自动优化。具体来说GWO算法的个体代表一组超参数目标函数是验证集上的均方误差MSE。GWO算法的优化过程如下初始化狼群随机生成一组超参数组合作为初始狼群。计算适应度值将每组超参数代入模型进行训练和验证计算验证集上的MSE作为该个体的适应度值。确定α、β和δ狼根据适应度值选择最佳的三个个体作为α、β和δ狼。更新狼群位置根据α、β和δ狼的位置更新其他狼ω狼的位置。判断终止条件如果达到最大迭代次数或满足其他终止条件则停止优化否则返回第2步。通过GWO算法的优化可以自动搜索到一组能够使模型在验证集上达到最佳性能的超参数组合。3. 实验设计与结果分析为了验证本文提出的GWO-CNN-BiGRU-Attention模型的有效性本文选择了多个真实世界的时间序列数据集进行实验包括股票价格数据、气象数据和电力负荷数据。3.1 数据集股票价格数据从公开的金融数据平台获取选取了多个股票的收盘价数据作为实验数据。气象数据从公开的气象数据平台获取选取了温度、湿度和风速等气象数据作为实验数据。电力负荷数据从公开的电力负荷数据平台获取选取了不同地区的电力负荷数据作为实验数据。3.2 评价指标为了全面评估模型的性能本文选择了以下评价指标均方误差 (MSE)反映预测值与真实值之间的平均平方差值越小表示模型的预测精度越高。均方根误差 (RMSE)是MSE的平方根具有与原始数据相同的量纲更易于解释。平均绝对误差 (MAE)反映预测值与真实值之间的平均绝对差值越小表示模型的预测精度越高。平均绝对百分比误差 (MAPE)反映预测值与真实值之间的平均绝对百分比差值越小表示模型的预测精度越高。3.3 实验结果实验结果表明与未经过GWO优化的CNN-BiGRU-Attention模型相比经过GWO优化的模型在各个数据集上均取得了更好的预测结果。具体来说GWO优化后的模型在MSE、RMSE、MAE和MAPE等指标上均有显著降低。这说明GWO算法能够有效地搜索到更优的超参数组合从而提高模型的预测精度。此外为了进一步验证本文提出的模型的优势本文还将其与传统的ARIMA模型和其他深度学习模型例如LSTM和GRU进行了比较。实验结果表明本文提出的GWO-CNN-BiGRU-Attention模型在多个数据集上均取得了最佳的预测结果。这说明本文提出的模型能够充分利用CNN的特征提取能力、BiGRU的时序建模能力以及注意力机制的关键信息聚焦能力从而提高时间序列预测的准确性。4. 结论与展望本文提出了一种基于灰狼优化算法优化的卷积神经网络-双向门控循环单元-注意力机制时间序列预测模型。该模型通过GWO算法自动优化模型的超参数充分利用CNN的特征提取能力、BiGRU的时序建模能力以及注意力机制的关键信息聚焦能力从而提高时间序列预测的准确性。实验结果表明本文提出的模型在多个真实世界的时间序列数据集上均取得了较好的预测结果。未来的研究方向包括探索更先进的优化算法例如粒子群优化算法PSO和差分进化算法DE进一步优化模型的超参数。研究更复杂的模型结构例如引入Transformer模型或结合其他深度学习模型进一步提高模型的预测精度。将本文提出的模型应用于更广泛的时间序列预测问题例如金融市场分析、气候变化建模和能源需求预测等。探索模型的可解释性例如通过可视化注意力权重来理解模型是如何进行预测的。总之本文的研究为时间序列预测提供了一种新的思路并为未来的研究提供了有价值的参考。随着深度学习技术的不断发展相信时间序列预测的精度将会不断提高从而为各个领域提供更有价值的决策支持。⛳️ 运行结果 参考文献[1] 朱伟.基于GRU与SVM模型的电力变压器运行状态预测研究[D].江苏大学,2021.[2] 李祥龙.基于双重注意力机制与改进灰狼优化算法的短期电力负荷预测[D].广西大学,2023. 部分代码 部分理论引用网络文献若有侵权联系博主删除 关注我领取海量matlab电子书和数学建模资料团队擅长辅导定制多种科研领域MATLAB仿真助力科研梦 各类智能优化算法改进及应用生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化、背包问题、 风电场布局、时隙分配优化、 最佳分布式发电单元分配、多阶段管道维修、 工厂-中心-需求点三级选址问题、 应急生活物质配送中心选址、 基站选址、 道路灯柱布置、 枢纽节点部署、 输电线路台风监测装置、 集装箱调度、 机组优化、 投资优化组合、云服务器组合优化、 天线线性阵列分布优化、CVRP问题、VRPPD问题、多中心VRP问题、多层网络的VRP问题、多中心多车型的VRP问题、 动态VRP问题、双层车辆路径规划2E-VRP、充电车辆路径规划EVRP、油电混合车辆路径规划、混合流水车间问题、 订单拆分调度问题、 公交车的调度排班优化问题、航班摆渡车辆调度问题、选址路径规划问题、港口调度、港口岸桥调度、停机位分配、机场航班调度、泄漏源定位 机器学习和深度学习时序、回归、分类、聚类和降维2.1 bp时序、回归预测和分类2.2 ENS声神经网络时序、回归预测和分类2.3 SVM/CNN-SVM/LSSVM/RVM支持向量机系列时序、回归预测和分类2.4 CNN|TCN|GCN卷积神经网络系列时序、回归预测和分类2.5 ELM/KELM/RELM/DELM极限学习机系列时序、回归预测和分类2.6 GRU/Bi-GRU/CNN-GRU/CNN-BiGRU门控神经网络时序、回归预测和分类2.7 ELMAN递归神经网络时序、回归\预测和分类2.8 LSTM/BiLSTM/CNN-LSTM/CNN-BiLSTM/长短记忆神经网络系列时序、回归预测和分类2.9 RBF径向基神经网络时序、回归预测和分类2.10 DBN深度置信网络时序、回归预测和分类2.11 FNN模糊神经网络时序、回归预测2.12 RF随机森林时序、回归预测和分类2.13 BLS宽度学习时序、回归预测和分类2.14 PNN脉冲神经网络分类2.15 模糊小波神经网络预测和分类2.16 时序、回归预测和分类2.17 时序、回归预测预测和分类2.18 XGBOOST集成学习时序、回归预测预测和分类2.19 Transform各类组合时序、回归预测预测和分类方向涵盖风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、用电量预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断图像处理方面图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知 路径规划方面旅行商问题TSP、车辆路径问题VRP、MVRP、CVRP、VRPTW等、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、 充电车辆路径规划EVRP、 双层车辆路径规划2E-VRP、 油电混合车辆路径规划、 船舶航迹规划、 全路径规划规划、 仓储巡逻 无人机应用方面无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配、无人机安全通信轨迹在线优化、车辆协同无人机路径规划 通信方面传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化、水声通信、通信上传下载分配 信号处理方面信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化、心电信号、DOA估计、编码译码、变分模态分解、管道泄漏、滤波器、数字信号处理传输分析去噪、数字信号调制、误码率、信号估计、DTMF、信号检测电力系统方面微电网优化、无功优化、配电网重构、储能配置、有序充电、MPPT优化、家庭用电 元胞自动机方面交通流 人群疏散 病毒扩散 晶体生长 金属腐蚀 雷达方面卡尔曼滤波跟踪、航迹关联、航迹融合、SOC估计、阵列优化、NLOS识别 车间调度零等待流水车间调度问题NWFSP、置换流水车间调度问题PFSP、混合流水车间调度问题HFSP、零空闲流水车间调度问题NIFSP、分布式置换流水车间调度问题 DPFSP、阻塞流水车间调度问题BFSP
✅作者简介热爱科研的Matlab仿真开发者擅长数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。 往期回顾关注个人主页Matlab科研工作室个人信条格物致知,完整Matlab代码及仿真咨询内容私信。内容介绍时间序列预测在各个领域例如金融市场分析、气候变化建模、能源需求预测等方面都扮演着至关重要的角色。精准的预测能够为决策者提供有价值的参考信息从而优化资源分配降低风险提高效率。传统的统计方法如ARIMA模型等在处理线性时间序列时表现良好但在面对非线性、复杂的时间序列时往往难以取得令人满意的结果。近年来深度学习方法凭借其强大的非线性拟合能力和特征学习能力在时间序列预测领域取得了显著进展。本文旨在探讨一种基于灰狼优化算法GWO优化的卷积神经网络CNN结合双向门控循环单元BiGRU以及注意力机制的时间序列预测模型并与优化前的模型进行对比验证GWO算法在模型性能提升上的有效性。该模型旨在充分利用CNN的特征提取能力BiGRU的时序建模能力以及注意力机制的关键信息聚焦能力从而提高时间序列预测的准确性。1. 模型架构及理论基础该模型的整体架构分为四个主要部分卷积层、BiGRU层、注意力机制层和全连接层并通过GWO算法对模型的超参数进行优化。1.1 卷积神经网络 (CNN)CNN作为一种强大的特征提取器最初广泛应用于图像处理领域。但在时间序列预测中可以将时间序列数据视为一维信号利用一维卷积层来提取时间序列的局部特征。卷积层通过卷积核在输入数据上滑动提取局部模式并生成特征图。多个卷积层堆叠可以提取更抽象、更高级别的特征。在本文中CNN层主要用于提取时间序列数据中的短期依赖关系和局部特征为后续的时序建模提供更有效的信息。1.2 双向门控循环单元 (BiGRU)GRU是一种改进的循环神经网络RNN解决了传统RNN中存在的梯度消失和梯度爆炸问题。GRU包含更新门和重置门能够有效地控制信息的传递和记忆从而更好地捕捉时间序列中的长期依赖关系。与单向GRU相比BiGRU能够同时利用过去和未来的信息进行预测。BiGRU由两个方向相反的GRU组成分别接收正向和反向的时间序列数据并将两个方向的输出进行合并从而更全面地捕捉时间序列的动态变化。在本文中BiGRU层主要用于对CNN提取的特征进行进一步的时序建模捕捉时间序列的长期依赖关系。1.3 注意力机制 (Attention Mechanism)注意力机制是一种模仿人类视觉注意力机制的技术能够选择性地关注输入数据中最重要的部分。在时间序列预测中不同的时间步对最终的预测结果的贡献程度不同。注意力机制通过学习权重为不同的时间步分配不同的重要性从而更好地关注对预测结果影响更大的时间步。注意力权重通常是通过softmax函数进行归一化以确保所有权重的总和为1。在本文中注意力机制层用于对BiGRU的输出进行加权突出关键的时间步信息从而提高预测的准确性。1.4 灰狼优化算法 (GWO)GWO算法是一种基于灰狼捕食行为的优化算法具有结构简单、参数少、收敛速度快等优点。GWO算法将狼群划分为四个等级α、β、δ和ω。α狼是种群的领导者负责指导狼群的捕食行为。β狼和δ狼协助α狼进行决策ω狼是种群中的普通成员跟随α、β和δ狼进行捕食。GWO算法通过模拟灰狼的狩猎过程不断更新个体的位置从而找到最优解。在本文中GWO算法用于优化CNN、BiGRU和注意力机制模型的超参数例如卷积核大小、卷积层数、GRU单元数、学习率等。2. GWO优化策略模型的超参数对模型的性能有着重要的影响。手动调整超参数需要大量的实验和经验效率较低。因此本文采用GWO算法对模型的超参数进行自动优化。具体来说GWO算法的个体代表一组超参数目标函数是验证集上的均方误差MSE。GWO算法的优化过程如下初始化狼群随机生成一组超参数组合作为初始狼群。计算适应度值将每组超参数代入模型进行训练和验证计算验证集上的MSE作为该个体的适应度值。确定α、β和δ狼根据适应度值选择最佳的三个个体作为α、β和δ狼。更新狼群位置根据α、β和δ狼的位置更新其他狼ω狼的位置。判断终止条件如果达到最大迭代次数或满足其他终止条件则停止优化否则返回第2步。通过GWO算法的优化可以自动搜索到一组能够使模型在验证集上达到最佳性能的超参数组合。3. 实验设计与结果分析为了验证本文提出的GWO-CNN-BiGRU-Attention模型的有效性本文选择了多个真实世界的时间序列数据集进行实验包括股票价格数据、气象数据和电力负荷数据。3.1 数据集股票价格数据从公开的金融数据平台获取选取了多个股票的收盘价数据作为实验数据。气象数据从公开的气象数据平台获取选取了温度、湿度和风速等气象数据作为实验数据。电力负荷数据从公开的电力负荷数据平台获取选取了不同地区的电力负荷数据作为实验数据。3.2 评价指标为了全面评估模型的性能本文选择了以下评价指标均方误差 (MSE)反映预测值与真实值之间的平均平方差值越小表示模型的预测精度越高。均方根误差 (RMSE)是MSE的平方根具有与原始数据相同的量纲更易于解释。平均绝对误差 (MAE)反映预测值与真实值之间的平均绝对差值越小表示模型的预测精度越高。平均绝对百分比误差 (MAPE)反映预测值与真实值之间的平均绝对百分比差值越小表示模型的预测精度越高。3.3 实验结果实验结果表明与未经过GWO优化的CNN-BiGRU-Attention模型相比经过GWO优化的模型在各个数据集上均取得了更好的预测结果。具体来说GWO优化后的模型在MSE、RMSE、MAE和MAPE等指标上均有显著降低。这说明GWO算法能够有效地搜索到更优的超参数组合从而提高模型的预测精度。此外为了进一步验证本文提出的模型的优势本文还将其与传统的ARIMA模型和其他深度学习模型例如LSTM和GRU进行了比较。实验结果表明本文提出的GWO-CNN-BiGRU-Attention模型在多个数据集上均取得了最佳的预测结果。这说明本文提出的模型能够充分利用CNN的特征提取能力、BiGRU的时序建模能力以及注意力机制的关键信息聚焦能力从而提高时间序列预测的准确性。4. 结论与展望本文提出了一种基于灰狼优化算法优化的卷积神经网络-双向门控循环单元-注意力机制时间序列预测模型。该模型通过GWO算法自动优化模型的超参数充分利用CNN的特征提取能力、BiGRU的时序建模能力以及注意力机制的关键信息聚焦能力从而提高时间序列预测的准确性。实验结果表明本文提出的模型在多个真实世界的时间序列数据集上均取得了较好的预测结果。未来的研究方向包括探索更先进的优化算法例如粒子群优化算法PSO和差分进化算法DE进一步优化模型的超参数。研究更复杂的模型结构例如引入Transformer模型或结合其他深度学习模型进一步提高模型的预测精度。将本文提出的模型应用于更广泛的时间序列预测问题例如金融市场分析、气候变化建模和能源需求预测等。探索模型的可解释性例如通过可视化注意力权重来理解模型是如何进行预测的。总之本文的研究为时间序列预测提供了一种新的思路并为未来的研究提供了有价值的参考。随着深度学习技术的不断发展相信时间序列预测的精度将会不断提高从而为各个领域提供更有价值的决策支持。⛳️ 运行结果 参考文献[1] 朱伟.基于GRU与SVM模型的电力变压器运行状态预测研究[D].江苏大学,2021.[2] 李祥龙.基于双重注意力机制与改进灰狼优化算法的短期电力负荷预测[D].广西大学,2023. 部分代码 部分理论引用网络文献若有侵权联系博主删除 关注我领取海量matlab电子书和数学建模资料团队擅长辅导定制多种科研领域MATLAB仿真助力科研梦 各类智能优化算法改进及应用生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化、背包问题、 风电场布局、时隙分配优化、 最佳分布式发电单元分配、多阶段管道维修、 工厂-中心-需求点三级选址问题、 应急生活物质配送中心选址、 基站选址、 道路灯柱布置、 枢纽节点部署、 输电线路台风监测装置、 集装箱调度、 机组优化、 投资优化组合、云服务器组合优化、 天线线性阵列分布优化、CVRP问题、VRPPD问题、多中心VRP问题、多层网络的VRP问题、多中心多车型的VRP问题、 动态VRP问题、双层车辆路径规划2E-VRP、充电车辆路径规划EVRP、油电混合车辆路径规划、混合流水车间问题、 订单拆分调度问题、 公交车的调度排班优化问题、航班摆渡车辆调度问题、选址路径规划问题、港口调度、港口岸桥调度、停机位分配、机场航班调度、泄漏源定位 机器学习和深度学习时序、回归、分类、聚类和降维2.1 bp时序、回归预测和分类2.2 ENS声神经网络时序、回归预测和分类2.3 SVM/CNN-SVM/LSSVM/RVM支持向量机系列时序、回归预测和分类2.4 CNN|TCN|GCN卷积神经网络系列时序、回归预测和分类2.5 ELM/KELM/RELM/DELM极限学习机系列时序、回归预测和分类2.6 GRU/Bi-GRU/CNN-GRU/CNN-BiGRU门控神经网络时序、回归预测和分类2.7 ELMAN递归神经网络时序、回归\预测和分类2.8 LSTM/BiLSTM/CNN-LSTM/CNN-BiLSTM/长短记忆神经网络系列时序、回归预测和分类2.9 RBF径向基神经网络时序、回归预测和分类2.10 DBN深度置信网络时序、回归预测和分类2.11 FNN模糊神经网络时序、回归预测2.12 RF随机森林时序、回归预测和分类2.13 BLS宽度学习时序、回归预测和分类2.14 PNN脉冲神经网络分类2.15 模糊小波神经网络预测和分类2.16 时序、回归预测和分类2.17 时序、回归预测预测和分类2.18 XGBOOST集成学习时序、回归预测预测和分类2.19 Transform各类组合时序、回归预测预测和分类方向涵盖风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、用电量预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断图像处理方面图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知 路径规划方面旅行商问题TSP、车辆路径问题VRP、MVRP、CVRP、VRPTW等、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、 充电车辆路径规划EVRP、 双层车辆路径规划2E-VRP、 油电混合车辆路径规划、 船舶航迹规划、 全路径规划规划、 仓储巡逻 无人机应用方面无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配、无人机安全通信轨迹在线优化、车辆协同无人机路径规划 通信方面传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化、水声通信、通信上传下载分配 信号处理方面信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化、心电信号、DOA估计、编码译码、变分模态分解、管道泄漏、滤波器、数字信号处理传输分析去噪、数字信号调制、误码率、信号估计、DTMF、信号检测电力系统方面微电网优化、无功优化、配电网重构、储能配置、有序充电、MPPT优化、家庭用电 元胞自动机方面交通流 人群疏散 病毒扩散 晶体生长 金属腐蚀 雷达方面卡尔曼滤波跟踪、航迹关联、航迹融合、SOC估计、阵列优化、NLOS识别 车间调度零等待流水车间调度问题NWFSP、置换流水车间调度问题PFSP、混合流水车间调度问题HFSP、零空闲流水车间调度问题NIFSP、分布式置换流水车间调度问题 DPFSP、阻塞流水车间调度问题BFSP
