CN105976122A - 一种多目标资源配置系统 - Google Patents
一种多目标资源配置系统 Download PDFInfo
- Publication number
- CN105976122A CN105976122A CN201610330192.1A CN201610330192A CN105976122A CN 105976122 A CN105976122 A CN 105976122A CN 201610330192 A CN201610330192 A CN 201610330192A CN 105976122 A CN105976122 A CN 105976122A
- Authority
- CN
- China
- Prior art keywords
- bird
- task
- target resource
- multiple target
- migrate
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种多目标资源配置系统,属于资源配置领域。该多目标资源配置系统包括:实时数据采集模块:实时获取各加工车间的资源加工能力和需要调度的任务;目标及约束条件生成模块:根据实时数据采集模块获得的各加工车间的资源加工能力和需要调度的任务确定资源配置的目标及约束条件;多目标资源配置方案生成模块:采用迁徙鸟群优化方法生成多目标资源配置方案;传送模块:将所述多目标资源配置方案生成模块生成的多目标资源配置方案下发到各加工车间进行调度。
Description
技术领域
本发明属于资源配置领域,具体涉及一种多目标资源配置系统。
背景技术
资源配置问题,即给定一定数量的某种资源,例如人力、资金、设备、材料等,将其投入多种活动,产生如何分配资源给各项活动,使投放资源的总效果最优的问题。目前,资源配置问题大量出现于各种生产过程中,如炼钢连铸生产中分配高炉转炉等问题。现实生产过程中,资源配置优化方案往往需要考虑多个性能指标,即多目标优化问题。近年来,随着多目标优化技术的不断进展,出现了多种多目标处理技术,如加权处理技术、Pareto解集、群体划分技术等。其中,Pareto解集在处理多目标中优势明显,在保持求解质量的同时保证了解的多样性,已成为现行多目标处理的主要技术。
目前,求解资源配置问题中呈现了多种智能优化算法,比如遗传算法、蚁群优化算法等,上述求解算法获得了一定质量的决策方案。然而,多目标资源分配问题属于NP难问题,上述算法或者由于收敛过快而陷入“早熟”,或者由于缺乏多样性而不能提供全面的解决方案。迁徙鸟群算法(Migrating BirdsOptimization,MBO)是Duman等于2012年提出的一种新的群智能算法[3],该方法模拟迁徙鸟群“V”形队列排列,在搜索过程中可以有效利用位置靠前的迁徙鸟的搜索结果,提高搜索效率。基于上述原理,本发明给出了一种求解多目标资源配置问题的迁徙鸟群优化算法。
发明内容
本发明的目的在于解决上述现有技术中存在的难题,提供一种多目标资源配置系统,提高多目标资源配置的效率。
本发明是通过以下技术方案实现的:
一种多目标资源配置系统,包括:
实时数据采集模块:实时获取各加工车间的资源加工能力和需要调度的任务;
目标及约束条件生成模块:根据实时数据采集模块获得的各加工车间的资源加工能力和需要调度的任务确定资源配置的目标及约束条件;
多目标资源配置方案生成模块:采用迁徙鸟群优化方法生成多目标资源配置方案;
传送模块:将所述多目标资源配置方案生成模块生成的多目标资源配置方案下发到各加工车间进行调度。
所述实时数据采集模块包括:
接收子模块:设置在各加工车间,用于接收各加工车间的资源加工能力和需要调度的任务;
数据传输模块:将接收子模块接收到的资源加工能力和需要调度的任务通过有线或无线方式传输给目标及约束条件生成模块。
所述实时数据采集模块实时获取的各加工车间的资源加工能力和需要调度的任务包括:加工设备或资源M台,需要加工的工件或任务N个,某个工件或任务i,i=1,2,….N,某个资源j,j=1,2,….M,分配资源j给任务i的加工成本cij,分配资源j给任务i的生产效益pij,决策变量xij=1表示资源j分配给任务i;xij=0表示资源j未分配给任务i。
所述目标及约束条件生成模块包括:
目标生成子模块:根据最大化资源分配的生产效益和最小化资源分配的生产成本获得目标;
约束条件生成子模块:生成以下约束条件:每个任务必须在唯一的一个资源上加工;分配资源的总和不能超过加工工件的数量;决策变量的取值范围,即某个资源或者加工或者不加工某个工件。
多目标资源配置方案生成模块包括:
迁徙鸟生成子模块:按照资源配置问题产生一个迁徙鸟,并加入迁徙鸟群,循环随机生成Pn个初始迁徙鸟加入迁徙鸟群;、
迁徙鸟目标值计算子模块:计算每个迁徙鸟的目标值,并对初始群体应用NSGA-II的快速排序策略,选择第一层Pareto边沿的最好的迁徙鸟作为当前群体的领头鸟;
外部帕累托解集生成子模块:根据当前迁徙鸟群的Pareto分层,产生外部帕累托解集PA;
终止条件设置子模块:设置迁徙鸟群迭代终止条件K,令i=0;设置每只领头迁徙鸟带领迁徙鸟群迭代循环终止条件w,令j=0;
数据更新子模块:更新帕累托解集PA、迁徙鸟群迭代变量;
更换领头迁徙鸟子模块:调整领头鸟到V形队列最后位置,设置V形队列中第一个迁徙鸟为领头鸟,期间保持V形队列的平衡性;
输出子模块:将多目标资源配置方案输出给传送模块。
所述传送模块通过有线或无线传输将多目标资源配置方案下发到各加工车间。
与现有技术相比,本发明的有益效果是:
(1)本发明系统结合问题特征,有效地提高了算法的搜索能力。通过引入Pareto文集,增强了算法多样性,并且大大提高了多目标资源配置的效率;
(2)与现有技术相比,本发明在求解多目标资源配置问题中,可以获得的多样的帕累托解集,验证了本发明求解该类问题的多样性。另外,其他两种技术所得到的解均被本发明所提出的迁徙鸟群优化算法所得到的解支配,有些解被本发明得到的多个解支配,进一步验证了所提算法的优越性。上述比较结果证明,本发明所提出的迁徙鸟群优化算法无论在求解质量还是在求解结果多样性方面,均表现了良好的性能。因而,采用本发明迁徙鸟群优化方法求解多目标资源配置问题取得了明显的有益效果。
附图说明
图1为本发明多目标资源配置系统的结构示意图;
图2为本发明系统中的多目标资源配置方案生成模块的工作流程图。
具体实施方式
下面结合附图对本发明作进一步详细描述:
本发明提出了一种求解多目标资源配置问题的迁徙鸟群优化算法。结合问题特征,算法采用新的编码和解码方式,并给出了一种有效的种群初始化方法。提出了改进的领头鸟策略、迁徙鸟策略和局部搜索策略,有效地提高了算法的搜索能力。通过引入Pareto文集,增强了算法多样性。通过与当前文献中的典型算法,包括遗传算法和蚁群算法的对比分析,验证了所提算法无论在求解质量还是在求解结果多样性方面,都具备良好的性能。
如图1所示,本发明方法包括:
1多目标资源配置问题描述
资源配置问题广泛存在于各种生产实际中,如人力资源配置问题、炼钢连铸资源配置问题等。不失一般性,描述资源配置如下:
假设某车间有加工设备或资源M台,需要加工的工件(或任务)有N个,i(i=1,2,….N)表示某个工件或任务,j(j=1,2,….M)表示某个资源,cij表示分配资源j给任务i的加工成本,pij表示分配加热炉j给任务i的生产效益,决策变量xij=1表示资源j分配给任务i;xij=1表示加热炉j未分配给任务i。则多目标源配置模型如下:
该模型用于检测迁徙鸟的编码是否满足所有的约束条件,对于不符合多目标配置模型中约束条件的解,采用简单的丢弃策略。
上述模型中,目标函数(1)表示最大化资源分配的生产效益;目标函数(2)表示最小化资源分配的生产成本;约束(3)表示每个任务必须在唯一的一台热炉上加工;约束(4)表示分配加热炉的总和不能超过加工工件的数量,也就是不能出现一个工件同时由两台加热炉加工的现象;约束(5)则表示决策变量的取值范围,即某个加热炉或者加工或者不加工某个工件。
2求解多目标资源配置问题的迁徙鸟群优化算法
迁徙鸟群优化(MBO)算法的基本思想如下:(1)根据候鸟迁徙过程中采用“V”型队列的飞行原理,MBO采用“V”型拓扑结构组织搜索过程中的一群个体(即问题的解)。(2)从初始种群出发,每个个体不但搜索自身的邻域,而且可以从它前面的个体那儿得到有用信息。这样,有用信息从“V”型顶点上的个体开始依次向后传递。(3)正如迁徙鸟群飞行一段时间后就要更换领头鸟一样,经过若干次搜索迭代,MBO更换排在“V”型顶点上的个体。信息从新的“V”型顶点开始向后传递。这样就保证了群体的多样性,防止MBO停滞不前,不断地向全局优解方向逼近。通过有用信息的单向传递机制,使群体中好解的信息传递给其它解,就加快了MBO的收敛速度。(4)MBO采用离散决策变量编码,利用针对离散编码的邻域搜索机制和信息传递机制产生新解,这样MBO就具有离散本质,更适合于组合优化问题的求解。Duman等的研究表明,针对二次指派问题,MBO算法得到了当前较好研究结果(请参考:Ekrem Duman,Mitat Uysal,Ali Fuat Alkaya.Migrating Birds Optimization:A new metaheuristicapproach and its performance on quadratic assignment problem[J].Information Sciences,2012(217):65-77)
2.1问题编码
资源配置问题编码采用整数编码规则,假设资源配置问题包含M个资源,N个任务,则问题编码长度为N,编码中每个整数表示对应该任务分配到的资源编号。例如,对于5个资源3个任务的简单资源配置问题,其加工成本和加工效益分别在表1和表2中给出。编码{1,3,3}表示的含义如下:第一个任务被分配到资源J1上进行加工,任务I2被分配到J3上进行加工,以此类推,最后,任务I3被分配到资源J3上进行加工。其中,资源J3加工两个任务,分别是I2和I3。则编码{1,3,3}对应的目标分别是:生产效益=38+50+30=118;生成成本=35+30+45=110,则其目标值为:{118,110}。表1是期望成本,表2是期望效益。对于不符合多目标配置模型中约束条件的解,采用简单的丢弃策略。
表1
表2
2.2局部搜索策略
局部搜索是每个迁徙鸟开展挖掘、更新状态必须完成的工作,也是整个迁徙鸟群收敛到最优的保证,因而,局部搜索的性能直接影响算法效率。依据资源配置问题特征,本发明采用的局部搜索策略有两种:
策略1:首先,随机选择解中的一个位置,记为r,之后,为位置r上的任务随机选择一个不同于当前资源的另外一种资源。
策略2:首先,随机选择解中的两个不同的位置,记为r1和r2,之后,为位置r1和r2上的任务分别随机选择不同于当前资源的另外一种资源。
上述两种策略作用不同,策略1的扰动较小,因而适合在当前解周围进行精确挖掘,策略2扰动较大,适合在算法陷入“早熟”的时候,帮助算法跳出局部最优。
2.3初始迁徙鸟群的构建
初始迁徙鸟群的构建的基本过程如下:为保证初始群体解的多样性,产生规则如下:首先,按照静态调度最好解的编码排列产生一个迁徙鸟,并加入种群,按照静态调度最好解产生的迁徙鸟具备一定的良好性能,保证初始种群解的高效性;其次,循环随机产生Pn-1个初始迁徙鸟,为保证V形排列的队列两边对称设置Pn为奇数,每个随机产生的迁徙鸟编码随机产生,保证了初始种群的多样性。上述两种方式产生的初始迁徙鸟群,选择最好解作为领头迁徙鸟,其余迁徙鸟随机按照V形排列。
2.4领头鸟策略
领头迁徙鸟每次迭代执行步骤:领头鸟执行k次局部搜索,得到k个邻域解,按照目标值升序排列,选择最好邻域解更新当前领头鸟,并选择x个未使用的邻域解,传递给V形队列左右两边第一个迁徙鸟。每产生一个邻域解,更新全局最优解。
2.5迁徙鸟策略
除了领头迁徙鸟之外,其余迁徙鸟每次迭代执行步骤如下:
步骤1对于迁徙鸟群中所有其他迁徙鸟Sr,为其产生(k-x)个邻域解,并按照目标值由好到次进行排序,存入集合Nr。每产生一个邻域解,更新全局最优解。
步骤2合并当前迁徙鸟邻域解和上层迁徙鸟传递的邻域解:记在队列中紧邻Sr之前的迁徙鸟为Sr-1,取出迁徙鸟Sr-1未使用的前x个最好邻域解,并和Sr的邻域解集Nr构成集合Nr’。
步骤3更新当前迁徙鸟状态:使用集合Nr’的解更新迁徙鸟Sr状态,并选择x个未使用的邻域解,传递给V形队列中后续迁徙鸟。
2.6多目标优化策略
针对多目标处理策略如下:首先,在迁徙鸟群初始化的时候,创建存储非支配解的帕累托解集PA。其次,每个迁徙鸟进行局部搜索的时候,用得到的邻域解更新PA,更新策略采用NSGA-II的非支配排序策略(请参考:K.Deb,A.Pratap A,S.Agarwal S,T.Meyarivan.A fast and elitist multiobjectivegenetic algorithm:NSGA-II[J].IEEE Transactions on EvolutionaryComputation 6(2)(2002)182-197.;Li J.Q,Pan Q.K,Gao K.Z.Pareto-baseddiscrete artificial bee colony algorithm for multi-objective flexiblejob shop scheduling problems[J].International Journal of AdvancedManufacturing Technology,2011,55(9-12):1159~1169.;Q.K.Pan,L.Wang,B.Qian,A novel differential evolution algorithm for bi-criteria no-waitflow shop scheduling problems,Computers&Operations Research 2009,36(8):2498-2511.;JQ Li,QK Pan,M.Tasgetiren.A discrete artificialbee colony algorithm for the multi-objective flexible job-shopscheduling problem with maintenance activities.Applied MathematicalModelling.2014,38(3):1111-1132)。
2.7算法框架
综合上述各种策略,求解多目标资源配置问题的迁徙鸟群优化算法框架如图2所示,包括:
步骤1迁徙鸟群算法参数初始化。迁徙鸟群算法的参数包括:Pn为初始群体大小;k为每个迁徙鸟更新状态时需要参考的邻域解集的大小;x为处于前面位置的迁徙鸟传递给后续迁徙鸟邻域解的数目;w为领头鸟带队迭代次数;K为迁徙鸟群迭代次数。
步骤2构建初始迁徙鸟群,计算每个迁徙鸟的目标值,并对初始群体应用NSGA-II的快速排序策略,随机选择第一层Pareto边沿的某个迁徙鸟作为当前群体的领头鸟;
步骤3根据当前迁徙鸟群的Pareto分层,产生外部帕累托解集PA。
步骤4设置迁徙鸟群迭代终止条件K:令i=0;
步骤5设置每只领头迁徙鸟带领迁徙鸟群迭代循环终止条件w:令j=0;
步骤6应用2.4节的领头鸟策略,为领头鸟产生k个邻域解,并更新帕累托解集PA。
步骤7更新迁徙鸟群迭代变量:令i=i+k。
步骤8应用2.5节的迁徙鸟策略,为普通迁徙鸟产生k-x个邻域解,并更新帕累托解集PA。
步骤9更新迁徙鸟群迭代变量:令i=i+(k-x);令j=j+1,判断j>=w是否成立,如果否,则返回步骤6,如果是,则转入步骤10;
步骤10更换领头迁徙鸟:调整领头鸟到V形队列最后位置,领头鸟紧后V形队列中第一个迁徙鸟设置为领头鸟,期间保持V形队列的平衡性。
步骤11判断i>=K是否满足,若不满足,则返回步骤6;否则,循环结束并输出最优帕累托解集,即多目标资源配置的结果。
3实验结果与分析
3.1仿真实验参数设置
本实验采用C++语言编程实现,程序运行环境为:DELL台式机I7 3.4GHz,内存为16GB。实验参数设置如下:初始群体大小Pn=51;每个迁徙鸟更新状态时需要参考的邻域解集的大小:k=7;处于前面位置的迁徙鸟传递给后续迁徙鸟邻域解的数目:x=3;领头鸟带队迭代次数:w=20;迁徙鸟群迭代次数:K=500。
3.2仿真实验结果
为验证算法的有效性,本发明采用与文献1(Chi-Ming Lin,Mitsuo Gen.Multi-objective Resource Allocation Problem by MultistageDecision-based Hybrid Genetic Algorithm[J].Applied Mathematics andComputation,2007,187:574-583)和文献2(喻江平.基于蚁群优化的多目标资源配置模型及应用[J].统计与决策,2013(14):82-85)相同的实验算例。该算例为4个任务分配10个员工。经过20次独立运行,算法获得的帕累托解集如表3所示。表4则给出了本发明所提出的迁徙鸟群优化算法与遗传算法(文献1)和蚁群优化(文献2)结果的比较。表3中,第一列给出了本发明算法求解得到的非支配解的编号;第2-5列则给出了每个非支配解的资源配置方案,例如,第一个非支配解的方案是:{3,2,6,3},表示的含义是分别分配任务1-4给员工3,2,6,3;最后两列则给出了每个解的两个目标值。表4中,第一列给出了解的编号,第2-3列则列出了遗传算法求解得到的6个解的目标值,第四列给出了本发明算法求解结果中支配遗传算法结果的解的编号,例如,本发明所得的编号为1,2,15的三个解支配遗传算法得到的第一个解;蚁群优化算法得到的四个解在第5-6列给出,最后一列则列出了本发明算法支配蚁群优化结果的情况。表4最后一行给出了遗传算法和蚁群优化算法得到的结果被本发明所提算法支配的数目。
由表3可见,本算法可以获得的帕累托解的个数明显多于其他两种算法,验证了算法求解的多样性。由表4可见,遗传算法和蚁群优化算法得到的全部解均被本发明所提出的迁徙鸟群优化算法所得到的解支配,有些解被本发明得到的多个解支配,进一步验证了所提算法的优越性。上述比较结果证明,本发明所提出的迁徙鸟群优化算法无论在求解质量还是在求解结果多样性方面,均表现了良好的性能。采用本发明迁徙鸟群优化方法求得的帕累托解集如表3所示。与遗传算法和蚁群优化算法结果比较如表4所示。
表3
表4
为求解多目标资源配置问题,本发明结合炼钢连铸生产实际,提出了一种新的基于迁徙鸟群优化的多目标求解算法,算法中设计了良好的局部搜索策略和帕累托解集更新策略,保证了算法求解的质量和多样性。与当前文献比较可见,所提算法无论在解的质量还是结果多样性方面,均明显优于遗传算法和蚁群优化算法。
上述技术方案只是本发明的一种实施方式,对于本领域内的技术人员而言,在本发明公开了应用方法和原理的基础上,很容易做出各种类型的改进或变形,而不仅限于本发明上述具体实施方式所描述的方法,因此前面描述的方式只是优选的,而并不具有限制性的意义。
Claims (6)
1.一种多目标资源配置系统,其特征在于:所述多目标资源配置系统包括:实时数据采集模块:实时获取各加工车间的资源加工能力和需要调度的任务;
目标及约束条件生成模块:根据实时数据采集模块获得的各加工车间的资源加工能力和需要调度的任务确定资源配置的目标及约束条件;
多目标资源配置方案生成模块:采用迁徙鸟群优化方法生成多目标资源配置方案;
传送模块:将所述多目标资源配置方案生成模块生成的多目标资源配置方案下发到各加工车间进行调度。
2.根据权利要求1所述的多目标资源配置系统,其特征在于:所述实时数据采集模块包括:
接收子模块:设置在各加工车间,用于接收各加工车间的资源加工能力和需要调度的任务;
数据传输模块:将接收子模块接收到的资源加工能力和需要调度的任务通过有线或无线方式传输给目标及约束条件生成模块。
3.根据权利要求2所述的多目标资源配置系统,其特征在于:所述实时数据采集模块实时获取的各加工车间的资源加工能力和需要调度的任务包括:加工设备或资源M台,需要加工的工件或任务N个,某个工件或任务i,i=1,2,….N,某个资源j,j=1,2,….M,分配资源j给任务i的加工成本cij,分配资源j给任务i的生产效益pij,决策变量xij=1表示资源j分配给任务i;xij=0表示资源j未分配给任务i。
4.根据权利要求3所述的多目标资源配置系统,其特征在于:所述目标及约束条件生成模块包括:
目标生成子模块:根据最大化资源分配的生产效益和最小化资源分配的生产成本获得目标;
约束条件生成子模块:生成以下约束条件:每个任务必须在唯一的一个资源上加工;分配资源的总和不能超过加工工件的数量;决策变量的取值范围,即某个资源或者加工或者不加工某个工件。
5.根据权利要求4所述的多目标资源配置系统,其特征在于:多目标资源配置方案生成模块包括:
迁徙鸟生成子模块:按照资源配置问题产生一个迁徙鸟,并加入迁徙鸟群,循环随机生成Pn个初始迁徙鸟加入迁徙鸟群;
迁徙鸟目标值计算子模块:计算每个迁徙鸟的目标值,并对初始群体应用NSGA-II的快速排序策略,选择第一层Pareto边沿的最好的迁徙鸟作为当前群体的领头鸟;
外部帕累托解集生成子模块:根据当前迁徙鸟群的Pareto分层,产生外部帕累托解集PA;
终止条件设置子模块:设置迁徙鸟群迭代终止条件K,令i=0;设置每只领头迁徙鸟带领迁徙鸟群迭代循环终止条件w,令j=0;
数据更新子模块:更新帕累托解集PA、迁徙鸟群迭代变量;
更换领头迁徙鸟子模块:调整领头鸟到V形队列最后位置,设置V形队列中第一个迁徙鸟为领头鸟,期间保持V形队列的平衡性;
输出子模块:将多目标资源配置方案输出给传送模块。
6.根据权利要求5所述的多目标资源配置系统,其特征在于:所述传送模块通过有线或无线传输将多目标资源配置方案下发到各加工车间。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610330192.1A CN105976122B (zh) | 2016-05-18 | 2016-05-18 | 一种多目标资源配置系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610330192.1A CN105976122B (zh) | 2016-05-18 | 2016-05-18 | 一种多目标资源配置系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105976122A true CN105976122A (zh) | 2016-09-28 |
CN105976122B CN105976122B (zh) | 2020-08-11 |
Family
ID=56956968
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610330192.1A Active CN105976122B (zh) | 2016-05-18 | 2016-05-18 | 一种多目标资源配置系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105976122B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108153268A (zh) * | 2017-12-31 | 2018-06-12 | 武汉企鹅能源数据有限公司 | 一种混合流水车间调度节能控制方法 |
CN108241898A (zh) * | 2016-12-23 | 2018-07-03 | 北京国双科技有限公司 | 一种资源分配方法和装置 |
CN109086936A (zh) * | 2018-08-07 | 2018-12-25 | 广东工业大学 | 一种智能车间的生产系统资源配置方法、装置及设备 |
US20190005435A1 (en) * | 2017-06-28 | 2019-01-03 | Hcl Technologies Limited | System and method for allocating human resources based on bio inspired models |
CN110308967A (zh) * | 2019-06-06 | 2019-10-08 | 东南大学 | 一种基于混合云的工作流成本-延迟最优化任务分配方法 |
CN113298336A (zh) * | 2020-08-21 | 2021-08-24 | 阿里巴巴集团控股有限公司 | 资源排产信息确定方法及装置 |
CN114118505A (zh) * | 2020-08-27 | 2022-03-01 | 财团法人工业技术研究院 | 学习式生产资源配置方法、系统与用户界面 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102323952A (zh) * | 2011-09-09 | 2012-01-18 | 河海大学常州校区 | 基于改进遗传算法的可重构装配线排序方法 |
CN102354337A (zh) * | 2011-10-14 | 2012-02-15 | 河海大学常州校区 | 一种可重构装配线多目标调度决策方法 |
CN102789599A (zh) * | 2012-07-06 | 2012-11-21 | 西北工业大学 | 一种基于聚类分析和多属性决策的作业车间瓶颈识别方法 |
US20130132148A1 (en) * | 2011-11-07 | 2013-05-23 | Ecole Polytechnique Federale De Lausanne (Epfl) | Method for multi-objective quality-driven service selection |
CN103676902A (zh) * | 2013-12-20 | 2014-03-26 | 东北大学 | 一种流水车间重调度方法 |
KR101462349B1 (ko) * | 2013-07-17 | 2014-11-20 | 서울대학교산학협력단 | 생산이력 히스토리 매칭의 최적화 방법 |
CN104268722A (zh) * | 2014-10-20 | 2015-01-07 | 南京信息工程大学 | 基于多目标进化算法的动态柔性作业车间调度方法 |
-
2016
- 2016-05-18 CN CN201610330192.1A patent/CN105976122B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102323952A (zh) * | 2011-09-09 | 2012-01-18 | 河海大学常州校区 | 基于改进遗传算法的可重构装配线排序方法 |
CN102354337A (zh) * | 2011-10-14 | 2012-02-15 | 河海大学常州校区 | 一种可重构装配线多目标调度决策方法 |
US20130132148A1 (en) * | 2011-11-07 | 2013-05-23 | Ecole Polytechnique Federale De Lausanne (Epfl) | Method for multi-objective quality-driven service selection |
CN102789599A (zh) * | 2012-07-06 | 2012-11-21 | 西北工业大学 | 一种基于聚类分析和多属性决策的作业车间瓶颈识别方法 |
KR101462349B1 (ko) * | 2013-07-17 | 2014-11-20 | 서울대학교산학협력단 | 생산이력 히스토리 매칭의 최적화 방법 |
CN103676902A (zh) * | 2013-12-20 | 2014-03-26 | 东北大学 | 一种流水车间重调度方法 |
CN104268722A (zh) * | 2014-10-20 | 2015-01-07 | 南京信息工程大学 | 基于多目标进化算法的动态柔性作业车间调度方法 |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108241898A (zh) * | 2016-12-23 | 2018-07-03 | 北京国双科技有限公司 | 一种资源分配方法和装置 |
US20190005435A1 (en) * | 2017-06-28 | 2019-01-03 | Hcl Technologies Limited | System and method for allocating human resources based on bio inspired models |
CN108153268A (zh) * | 2017-12-31 | 2018-06-12 | 武汉企鹅能源数据有限公司 | 一种混合流水车间调度节能控制方法 |
CN108153268B (zh) * | 2017-12-31 | 2019-11-22 | 武汉誉德节能数据服务有限公司 | 一种混合流水车间调度节能控制方法 |
CN109086936A (zh) * | 2018-08-07 | 2018-12-25 | 广东工业大学 | 一种智能车间的生产系统资源配置方法、装置及设备 |
CN109086936B (zh) * | 2018-08-07 | 2022-03-25 | 广东工业大学 | 一种智能车间的生产系统资源配置方法、装置及设备 |
CN110308967A (zh) * | 2019-06-06 | 2019-10-08 | 东南大学 | 一种基于混合云的工作流成本-延迟最优化任务分配方法 |
CN110308967B (zh) * | 2019-06-06 | 2023-05-30 | 东南大学 | 一种基于混合云的工作流成本-延迟最优化任务分配方法 |
CN113298336A (zh) * | 2020-08-21 | 2021-08-24 | 阿里巴巴集团控股有限公司 | 资源排产信息确定方法及装置 |
CN114118505A (zh) * | 2020-08-27 | 2022-03-01 | 财团法人工业技术研究院 | 学习式生产资源配置方法、系统与用户界面 |
Also Published As
Publication number | Publication date |
---|---|
CN105976122B (zh) | 2020-08-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105976122A (zh) | 一种多目标资源配置系统 | |
Li et al. | A discrete artificial bee colony algorithm for the multi-objective flexible job-shop scheduling problem with maintenance activities | |
Sivasankaran et al. | Literature review of assembly line balancing problems | |
CN106022601A (zh) | 一种多目标资源配置方法 | |
Aydoğdu et al. | Design optimization of real world steel space frames using artificial bee colony algorithm with Levy flight distribution | |
CN103676902B (zh) | 一种流水车间重调度方法 | |
Manjarres et al. | A survey on applications of the harmony search algorithm | |
Rahimi-Vahed et al. | Solving a bi-criteria permutation flow-shop problem using shuffled frog-leaping algorithm | |
Eirgash et al. | A multi-objective decision making model based on TLBO for the time-cost trade-off problems | |
CN112766813A (zh) | 一种空天协同观测复杂任务调度方法及系统 | |
CN108805349A (zh) | 一种基于改进布谷鸟算法的作物种植空间布局优化方法 | |
Thammano et al. | A hybrid artificial bee colony algorithm with local search for flexible job-shop scheduling problem | |
CN108846570A (zh) | 一种解决资源受限项目调度问题的方法 | |
CN106843997B (zh) | 一种基于Spark与优化MBBO算法的并行虚拟机聚合方法 | |
Liu et al. | A heuristic algorithm combining Pareto optimization and niche technology for multi-objective unequal area facility layout problem | |
Fan et al. | An effective modified binary particle swarm optimization (mBPSO) algorithm for multi-objective resource allocation problem (MORAP) | |
CN110543953A (zh) | 基于狼群算法的空间约束下多目标拆卸线设置方法 | |
CN110969362A (zh) | 一种云计算系统下多目标任务调度方法及系统 | |
CN103235743A (zh) | 一种基于分解和最优解跟随策略的多目标测试任务调度方法 | |
CN108989098A (zh) | 一种混合云环境面向时延优化的科学工作流数据布局方法 | |
CN114565239A (zh) | 用于产业园区的综合低碳能源调度方法及系统 | |
Shang et al. | Production scheduling optimization method based on hybrid particle swarm optimization algorithm | |
Alzaqebah et al. | Self-adaptive bee colony optimisation algorithm for the flexible job-shop scheduling problem | |
CN110362378A (zh) | 一种任务调度方法及设备 | |
Huang et al. | Multi-objective Discrete Bat Optimizer for Partial U-shaped Disassembly Line Balancing Problem |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |