1.基于深度学习的含中心资源柔性制造系统的无死锁调度方法，其特征在于，包括以下步骤：

S1、建模：建立含中心资源柔性制造系统的Petri网模型(N，M0)及其关联矩阵A，N＝(PU,T,F)，PU为库所集，T为变迁集，F为有向弧集；M0为初始标识，表示系统未开始加工，工件位于上传缓冲区，资源未被占用；

S2、生成神经网络数据集：遗传算法全局寻优获得制造系统的调度序列集合，搜索次优解的同时，为后续神经网络的训练提供数据集，具体步骤如下：S2‑1、随机生成初始种群：编码是用数字对各工件和工序进行编号，得到染色体对应的数字串，由路径序列和工序序列组成；解码是根据Petri网模型，将染色体对应的数字串转化成变迁序列；通过编码与解码，随机生成一定数量的染色体，构成初始种群；

S2‑2、检测与修复：针对含中心资源的柔性制造系统，采用两步向前看的死锁避免策略对每条染色体进行检测与修复，保证最终输出的工序序列是无死锁的；

S2‑3、输出种群最优个体：计算种群中每条染色体对应工序序列的最大完工时间Makespan及其适应度值，并输出种群中适应度值最高的染色体及其Makespan，适应度值计算公式如下：其中，Maxspan为当前种群的染色体中最大的完工时间，Minspan为当前种群的染色体中最小的完工时间，Makespan为当前染色体的最大完工时间，k为常数；

S2‑4、判断是否满足终止条件gen>Maxgen，其中gen为当前种群的迭代次数，Maxgen为最大迭代次数；若满足终止条件则输出最优个体，不满足则执行遗传操作；

S2‑5、遗传操作：对当前种群进行选择、交叉、变异这三步遗传操作，从而获得新一代的种群，执行S2‑2至S2‑4；

S2‑6、数据处理：计算每一代最优的变迁序列中每个变迁对应的标识M、标识对应的已加工时间g以及预计剩余时间h作为数据集，其中预计剩余时间h通过Makespan减去已加工时间g得到，并以8:2的比例作为训练集与测试集；

S3、获得神经网络拟合函数：搭建前向神经网络，确定网络结构，设定相关参数，通过S2遗传算法获得的数据集对前向神经网络进行训练，并测试其训练完成度，获得Petri网标识M和已加工时间g与预计完工时间h的函数关系，具体步骤如下：S3‑1、确定输入层和输出层神经元个数：使用神经网络来拟合标识M、已加工时间g与预计剩余时间h的函数关系，神经网络的输入层神经元个数为Petri网库所总数加1，输入量为Petri网各库所中托肯的数量以及已加工时间g，输出层神经元个数为1，输出量为预计剩余时间h；

S3‑2、确定隐含层层数和各层神经元个数：采用构造法，隐含层从一至八层递增，以相同的数据集对不同隐含层层数的神经网络进行训练，对比不同隐含层层数的神经网络的均方误差，选择误差最小的隐含层层数；隐含层神经元个数逐层减少，相邻两层神经元个数的差值公式为：其中，nd为相邻两层神经元个数的差值，n为前一层神经元个数，no为输出层神经元个数，α为[1，6]区间内的经验常数；

S3‑3、定义神经网络结构，在Sequential()中搭建网络结构，逐层描述输入层、隐含层以及输出层，激活函数选择ReLU函数；优化器选择Adam算法，其中权值、学习率等相关参数选择默认值，损失函数算为MSE；

S3‑4、使用训练集训练神经网络，训练次数1000次，并使用测试集对训练完的神经网络进行测试；

S4、搜索最优调度序列：得到训练好的前向神经网络后，采用改进的Dijkstra算法，迭代生成Petri网的部分可达标识，直至扩展至目标标识，找出满足目标函数的最短路径作为系统的最优调度序列；

所述S2‑2中采用两步向前看的死锁避免策略，具体步骤如下：

S2‑2‑1、设置u＝1，记录当前检测的变迁序号；

S2‑2‑2、判断u是否大于变迁序列长度，若满足条件则完成对变迁序列的修复，否则令变迁序列中第u个变迁为tα，执行S2‑2‑3；

S2‑2‑3、判断变迁tα在当前标识下是否使能，若使能则执行S2‑2‑4，反之则从tα之后随机选择一个使能变迁放在其之前，并更新tα；

S2‑2‑4、采用两步向前看的死锁避免策略，判断tα在当前标识下是否允许引发；首先在当前标识M下引发变迁tα，即M[tα>M1，判断M1是否是死锁标识；若M1是死锁标识，则tα不允许引发，从排在tα后的变迁中找一个新的使能变迁放在tα之前，并更新tα，重新执行S2‑2‑4；若M1不是死锁标识，则引发M1下任一使能变迁，得到新标识M2；若M2是死锁标识，则不允许引发tα，从排在tα后的变迁中找一个新的使能变迁放在tα之前，并更新tα，重新执行S2‑2‑4；若M2不是死锁标识，则引发tα，更新当前标识为M，令u＝u+1，重新执行S2‑2‑2至S2‑2‑4；

S4中，利用基于前向神经网络的改进Dijkstra算法进行路径规划，找出最短工序序列，具体步骤如下：S4‑1、初始化状态列表X0＝(M0，g0，h0，f0)，其中M0表示初始标识，已加工时间g0＝0，预计剩余时间h0＝+∞，预计完工时间f0＝g0+h0；

S4‑2、建立NEW表，将初始状态X0存入NEW表中；建立OLD表，用于存放已被收录的状态；建立TL表，用于存放初始状态到新状态的变迁序列；

S4‑3、对NEW表中的所有状态，计算各状态标识M和已加工时间g，通过神经网络训练各状态的预计剩余时间h，进而计算出预计完成时间f；选取表中f最小的状态记为Xk存入OLD表中，并将TL表中Xk‑1的变迁序列加上ek，存入TL表中作为初始状态X0到状态Xk的变迁序列，并清空NEW表；

S4‑4、通过两步向前看计算Xk状态下允许使能的变迁集合Ek+1＝{ek+1∈T}，并逐个引发集合Ek+1中的变迁，产生各变迁对应的新状态Xk+1，并将所有新状态存入NEW表中；

S4‑5、若NEW表中存在目标状态，则计算TL表中对应变迁序列的加工时间，该对应变迁序列即为加工时间最小的变迁序列，否则执行S4‑3。