CN106406082B - 一种系统控制方法、装置，控制器及控制系统 - Google Patents

一种系统控制方法、装置，控制器及控制系统 Download PDF

Info

Publication number
CN106406082B
CN106406082B CN201510447521.6A CN201510447521A CN106406082B CN 106406082 B CN106406082 B CN 106406082B CN 201510447521 A CN201510447521 A CN 201510447521A CN 106406082 B CN106406082 B CN 106406082B
Authority
CN
China
Prior art keywords
control
lumped
module
chromosome
strategies
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.)
Active
Application number
CN201510447521.6A
Other languages
English (en)
Other versions
CN106406082A (zh
Inventor
陈志堂
张宝峰
耿彦辉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Huawei Technologies Co Ltd
Original Assignee
Huawei Technologies Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Huawei Technologies Co Ltd filed Critical Huawei Technologies Co Ltd
Priority to CN201510447521.6A priority Critical patent/CN106406082B/zh
Priority to EP16829783.6A priority patent/EP3318934B1/en
Priority to PCT/CN2016/090520 priority patent/WO2017016417A1/zh
Publication of CN106406082A publication Critical patent/CN106406082A/zh
Priority to US15/880,696 priority patent/US11385602B2/en
Application granted granted Critical
Publication of CN106406082B publication Critical patent/CN106406082B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/048—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators using a predictor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Automation & Control Theory (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Feedback Control In General (AREA)

Abstract

一种系统控制方法包括接收控制任务；根据控制任务从进化池中随机选择一条染色体，解码染色体得到N+1个集总策略；该染色体包含N+1个基因片段，其中每个基因片段唯一对应一个集总策略，每个集总策略唯一对应一个预设功能，一个所述集总策略用于对与其唯一对应的预设功能进行权重分配，进化池维护两条或两条以上染色体；N为大于或等于1的正整数；根据N+1个集总策略分配的权重进行集总运算得到集总控制输出；根据集总控制输出生成控制信号，所述控制信号用于进行系统控制。本发明实施例通过进化池维护多条染色体进行控制策略的维护与管理，为现实中复杂的控制环境提供动态的控制方法，提高控制系统的自适应性从而提高控制效率。

Description

一种系统控制方法、装置，控制器及控制系统
技术领域
本发明实施例涉及电学领域，并且更具体地，涉及一种系统控制方法、装置、系统及应用该控制方法的控制器。
背景技术
控制理论被成功应用于很多工业生产过程，航空领域，城市交通管理，甚至是企业绩效管理。一个完整的控制系统包括控制输入，控制器，被控对象或者被控过程。控制输入是我们期望被控对象可以达到的某种状态，被控对象就是被控制的设备或者过程，而控制器则是接受控制输入，通过某种算法或者策略，产生控制信号并施加于被控对象或者过程的设备。控制系统可以分为开环控制系统(open-loop control system)和闭环控制系统(closed-loop control system)。如图1所示，开环控制系统的输出端和输入端之间不存在反馈，其具有简单，经济的优点；然而开环控制系统同时具有响应时间长，抗干扰能力弱等缺点。通过引入反馈，闭环控制系统有效克服开环控制系统的缺陷。如图2所示，闭环控制系统通过比较系统行为即系统输出与期望行为即输入之间的偏差，产生相应的控制信号，消除偏差以达到控制目的。较之于开环控制系统，闭环控制器具有响应快，抗干扰，对原件特性不敏感等优点。从闭环控制的反馈原理上看，闭环控制系统具有自我调节的能力，因而具有一定的自适应性。然而，在闭环控制系统中，控制器的设计往往依赖于对被控对象准确的系统辨识。被控对象的系统辨识(system identification)指的是对系统的行为进行参数化或者非参数化的描述。在现有技术中，人们往往通过某种方法估计/辨识被控对象的模型参数，然后根据由这些模型参数构成的模型设计相应的控制器。通过该方法得到的控制器，往往只有在被控对象能够被准确辨识的基础上，才能获得好的控制性能；同时也只有在被控对象的模型参数落在某个区间内，才具有优越的控制效果。然而，被控对象的模型参数估计/辨识本身是具有很大挑战性的问题。现有的系统辨识方法往往需要针对模型特性，提出某种假设，以便于模型参数的估计。比如线性ARMA(Auto Regressive-Moving Average)模型假设系统的输入与输出满足如下的关系：
Figure BDA0000768287370000011
这里，p,q,αi,βj为系统的模型参数，它们均需要通过某种方法估计得到。该模型假设线性的关系，同时假设模型参数是固定的，不会随着时间的推进而改变。然而这些假设在现实复杂的控制过程中，往往很难成立。另外，即使模型假设成立，在有限数据集的参数估计下，往往估计值会偏离真实值。并且，由于被控对象往往还受到来自外界的扰动的影响，系统的模型参数也会受到影响。因此，基于被控对象的系统辨识得到的模型而设计出来的控制器，往往只能在某种场景下取得良好的控制效果，而无法自适应的调整控制策略。
发明内容
本发明实施例提供一种系统控制方法、装置、系统及控制器，能够为现实中复杂的控制环境提供完善且动态的控制系统、装置、方法，提高控制系统的自适应性从而提高控制效率。
第一方面，本发明实施例提供一种控制系统，包括：接收器、遗传进化模块、控制决策集总模块、N个功能模块、控制器以及被控对象，：
所述接收器，用于接收控制任务；
所述遗传进化模块，用于根据所述控制任务从进化池中随机选择一条染色体，解码所述染色体得到N+1个集总策略；所述染色体包含N+1个基因片段，所述N+1个基因片段分别包含与所述控制决策集总模块以及所述N个功能模块一一对应的集总策略，所述进化池维护两条或两条以上染色体；N为大于或等于1的正整数；
所述N个功能模块，用于分别根据与其一一对应的集总策略进行集总运算得到N个运算输出；
所述控制决策集总模块，用于根据所述N个运算输出以及与所述控制决策集总模块一一对应的集总策略进行集总运算得到集总控制输出；
所述控制器，用于根据所述集总控制输出生成控制信号，并通过所述控制信号对所述被控对象进行控制。
结合第一方面，在第一方面的第一种可能的实现方式中，所述N个功能模块中，第n个功能模块包含Mn个算法，其中，Mn为大于或等于2的正整数，1≤n≤N；所述Mn个算法用于分别独立实现该功能模块的具体功能，所述第n个功能模块为所述N个功能模块中的任意一个功能模块；
对应地，所述N个功能模块，用于分别根据与其一一对应的集总策略进行集总运算得到N个运算输出包括：
所述第n个功能模块，用于根据与其一一对应的集总策略对所述Mn个算法进行集总运算得到一个运算输出。
结合第一方面的第一种可能的实现方式，在第一方面的第二种可能的实现方式中，在所述N+1个集总策略中，与所述第n个功能模块一一对应的第n个集总策略包含Mn个集总运算权重系数；所述Mn个集总运算权重系数用于对所述第n个功能模块所包含的Mn个算法分别进行权重分配。
结合第一方面的第二种可能的实现方式，在第一方面的第三种可能的实现方式中，所述N个功能模块中的第n个功能模块具体用于：
根据所述第n个功能模块中所包含的Mn个算法分别进行运算，得到Mn个运算结果，根据所述第n个集总策略中包含的Mn个集总运算权重系数对所述Mn个运算结果进行加权集总运算得到一个运算输出。
结合第一方面的第一种可能的实现方式至第一方面的第三中可能的实现方式中任意一种可能的实现方式，在第一方面的第四种可能的实现方式中，若所述N＝1，n＝1，则所述N个功能模块为：被控对象状态估计/预测集总模块；
所述被控对象状态估计/预测集总模块包含：M1个第一算法；其中，所述M1个第一算法用于分别独立实现对所述被控对象状态估计/预测的功能。
结合第一方面的第一种可能的实现方式至第一方面的第三中可能的实现方式中任意一种可能的实现方式，在第一方面的第五种可能的实现方式中，若所述N＝2，n＝1或2，则所述N个功能模块分别为：被控对象状态估计/预测集总模块、外部事件或干扰预测/分类集总模块；
所述被控对象状态估计/预测集总模块包含：M1个第一算法；其中，所述M1个第一算法用于分别独立实现对所述被控对象状态估计/预测的功能；
所述外部事件或干扰预测/分类集总模块包含：M2个第二算法；其中，所述M2个第二算法用于分别独立实现对所述外部事件或干扰的预测或分类的功能。
结合第一方面、第一方面的第一种可能的实现方式至第一方面的第五中可能的实现方式中任意一种可能的实现方式，在第一方面的第六种可能的实现方式中，所述控制决策集总模块包含H个算法；其中，所述H个算法用于分别独立实现所述控制决策集总模块的功能，其中H为大于或等于2的正整数。
结合第一方面的第六种可能的实现方式，在第一方面的第七种可能的实现方式中，在所述N+1个集总策略中，与所述控制决策集总模块一一对应的集总策略包含H个集总运算权重系数；所述H个集总运算权重系数分别用于对所述控制决策集总模块中所包含的H个算法进行权重分配。
结合第一方面的第七种可能的实现方式，在第一方面的第八种可能的实现方式中，所述控制决策集总模块具体用于：
分别根据所述控制决策集总模块包含的H个算法对所述N个运算输出进行运算得到H个控制输出；并根据与所述控制决策集总模块一一对应的集总策略所包含的所述H个集总运算权重系数对所述H个控制输出进行加权集总运算得到集总控制输出。
结合第一方面、第一方面的第一种可能的实现方式至第一方面的第八中可能的实现方式中任意一种可能的实现方式，在第一方面的第九种可能的实现方式中，所述控制器还用于，当控制任务结束时：
收集根据所述控制信号控制得到的控制效果，所述控制效果由所述控制系统的预期控制结果与实际控制结果之间的偏差进行度量；
将所述控制效果转换成所述染色体的适应度，所述适应度用于表示所述染色体进行进化操作的概率；
将所述适应度发送给所述遗传进化模块，用于所述遗传进化模块根据所述适应度对所述染色体进行进化操作，所述进化操作包括：基因繁殖或基因重组。
第二方面，本发明实施例提供，一种系统控制方法，其特征在于，所述方法包括：
接收控制任务；
根据所述控制任务从进化池中随机选择一条染色体，解码所述染色体得到N+1个集总策略；所述染色体包含N+1个基因片段，其中每个基因片段唯一对应一个集总策略，每个集总策略唯一对应一个预设功能，一个所述集总策略用于对与其唯一对应的预设功能进行权重分配，所述进化池维护两条或两条以上染色体；N为大于或等于1的正整数；
根据所述N+1个集总策略分配的权重进行集总运算得到集总控制输出；
根据所述集总控制输出生成控制信号，所述控制信号用于进行系统控制。
结合第二方面，在第二方面的第一种可能的实现方式中，所述根据所述N+1个集总策略分配的权重进行集总运算得到集总控制输出包括：
根据所述N+1中的N个集总策略分配的权重分别进行计算得到N个运算输出；
根据所述N个运算输出，以及所述N+1个集总策略中除所述N个之外的一个集总策略进行集总运算得到集总控制输出。
结合第二方面的第一种可能的实现方式，在第二方面的第二种可能的实现方式中，所述每个基因片段唯一对应一个集总策略，每个集总策略唯一对应一个预设功能，一个所述集总策略用于对与其唯一对应的预设功能进行权重分配包括：
所述进行权重分配的对象为Mn个算法，所述Mn个算法分别用于独立实现与所述集总策略唯一对应的预设功能；
每一个所述集总策略中包含Mn个集总运算权重系数，所述Mn个集总运算权重系数用于对所述Mn个算法分别进行权重分配，其中，Mn为大于或等于2的正整数，1≤n≤N，其中n用于指示不同所述集总策略的编号。
结合第二方面的第二种可能的实现方式，在第二方面的第三种可能的实现方式中，所述根据所述N+1中的N个集总策略分配的权重分别进行计算得到N个运算输出包括：
对所述N个集总策略中的第n个集总策略执行如下步骤：根据所述Mn个集总运算权重系数对所述Mn个算法进行加权集总运算得到一个运算输出；其中，所述一个运算输出用于指示所述第n个集总策略唯一对应的预设功能的输出，所述第n个集总策略为所述N个集总策略中的任意一个集总策略。
结合第二方面、第二方面的第一种可能的实现方式至第二方面的第三种可能的实现方式中的任意一种可能的实现方式，在第二方面的第四种可能的实现方式中，所述根据所述集总控制输出生成控制信号之后，所述方法还包括：
收集根据所述控制信号控制得到的控制效果，所述控制效果由所述控制系统的预期控制结果与实际控制结果之间的偏差进行度量；
将所述控制效果转换成所述染色体的适应度，所述适应度用于表示所述染色体进行进化操作的概率，所述进化操作包括：基因繁殖或基因重组。
第三方面，本发明实施例提供一种系统控制方法，应用于所述第一方面至第一方面的第九种可能的实现方式中的任一一种可能的实现方式，所述方法包括：
接收控制任务；
根据所述控制任务从进化池中随机选择一条染色体，解码所述染色体得到N+1个集总策略；所述染色体包含N+1个基因片段，所述N+1个基因片段分别包含与所述控制系统中的控制决策集总模块以及N个功能模块一一对应的集总策略，所述进化池维护两条或两条以上染色体；N为大于或等于1的正整数；
分别根据与所述控制系统中的N个功能模块一一对应的集总策略进行集总运算得到N个运算输出；
根据所述N个运算输出以及与所述控制系统中的控制决策集总模块一一对应的集总策略进行集总运算得到集总控制输出；
根据所述集总控制输出生成控制信号，并通过所述控制信号对所述被控对象进行控制。
第四方面，本发明实施例提供一种系统控制方法，所述方法包括：
根据接收的控制任务从进化池中随机选择一条染色体；
解码所述染色体得到N+1个集总策略；所述染色体包含N+1个基因片段，其中每个基因片段唯一对应一个集总策略，每个集总策略唯一对应一个预设功能，一个所述集总策略用于对与其唯一对应的预设功能进行权重分配，所述进化池维护两条或两条以上染色体；N为大于或等于1的正整数；
发送所述N+1个集总策略。
结合第四方面，在第四方面的第一种可能的实现方式中，所述每个基因片段唯一对应一个集总策略，每个集总策略唯一对应一个预设功能，一个所述集总策略用于对与其唯一对应的预设功能进行权重分配包括：
所述进行权重分配的对象为Mn个算法，所述Mn个算法分别用于独立实现与所述集总策略唯一对应的预设功能；
每一个所述集总策略中包含Mn个集总运算权重系数，所述Mn个集总运算权重系数用于对所述Mn个算法分别进行权重分配，其中，Mn为大于或等于2的正整数，1≤n≤N，其中n用于指示不同所述集总策略的编号。
结合第四方面或第四方面的第一种可能的实现方式，在第四方面的第二种可能的实现方式中，所述方法还包括：
接收适应度，所述适应度由控制效果转换得到，所述控制效果由所述控制系统的预期控制结果与实际控制结果之间的偏差进行度量；所述适应度用于表示所述染色体进行进化操作的概率，所述进化操作包括：基因繁殖或基因重组。
第五方面，本发明实施例提供，一种系统控制方法，应用于所述第一方面至第一方面的第九种可能的实现方式中的任一一种可能的实现方式，所述方法包括：
根据接收的控制任务从进化池中随机选择一条染色体；
解码所述染色体得到N+1个集总策略；所述染色体包含N+1个基因片段，所述N+1个基因片段分别包含与所述控制系统中的控制决策集总模块以及N个功能模块一一对应的集总策略，所述进化池维护两条或两条以上染色体；N为大于或等于1的正整数；
发送所述N+1个集总策略，用于使所述控制系统根据所述N+1个集总策略进行集总控制。
第六方面，本发明实施例提供一种系统控制方法，所述方法包括：
接收集总策略，所述集总策略包含H个集总运算权重系数，其中H为大于或等于2的正整数；
接收N个运算输出，所述N个运算输出是与N个预设功能分别一一对应的N个运算结果输出；
根据所述N个运算输出以及所述集总策略进行集总运算得到集总控制输出；
发送所述集总控制输出，所述集总控制输用于出生成控制信号，所述控制信号用于进行系统控制。
结合第六方面，在第六方面的第一种可能的实现方式中，所述H个集总运算权重系数具体用于：分别对H个算法进行权重分配，其中，所述H个算法用于分别独立进行计算得到所述集总控制输出；
所述根据所述N个运算输出以及所述集总策略进行集总运算得到集总控制输出包括：
分别根据所述H个算法对所述N个运算输出进行运算得到H个控制输出；
并根据与所述集总策略所包含的所述H个集总运算权重系数对所述H个控制输出进行加权集总运算得到集总控制输出。
结合第六方面或第六方面的第一种可能的实现方式，在第六方面的第二种可能的实现方式中，所述方法还包括：
反馈根据所述控制信号控制得到的控制效果；所述控制效果由所述控制系统的预期控制结果与实际控制结果之间的偏差进行度量，所述控制效果用于转换成所述染色体的适应度，所述适应度用于表示所述染色体进行进化操作的概率，所述进化操作包括：基因繁殖或基因重组。
第七方面，本发明实施例提供，一种系统控制方法，应用于所述第一方面至第一方面的第九种可能的实现方式中的任一一种可能的实现方式，所述方法包括：
控制决策集总模块接收与所述控制决策集总模块一一对应的集总策略；
控制决策集总模块接收所述控制系统中N个功能模块发送的N个运算输出；
根据所述N个运算输出以及与所述控制决策集总模块一一对应的集总策略进行集总运算得到集总控制输出；
发送所述集总控制输出，用于使所述控制系统中的控制器根据所述集总控制输出生成控制信号，所述控制信号用于对所述控制系统中的被控对象进行控制。
第八方面，本发明实施例提供，一种系统控制方法，所述方法包括：
接收集总控制输出，所述集总控制输出是根据H个集总运算权重系数对H个算法进行权重分配并进行加权集总运算得到，所述H个算法用于分别独立进行计算得到所述集总控制输出，H为大于或等于2的正整数；
根据所述集总控制输出生成控制信号；
通过所述控制信号进行系统控制。
结合第八方面，在第八方面的第一种可能的实现方式中，所述方法还包括：
收集根据所述控制信号控制得到的控制效果，所述控制效果由所述控制系统的预期控制结果与实际控制结果之间的偏差进行度量；
将所述控制效果转换成所述染色体的适应度，所述适应度用于表示所述染色体进行进化操作的概率，所述进化操作包括：基因繁殖或基因重组。
发送所述适应度。
第九方面，本发明实施例提供，一种系统控制方法，应用于所述第一方面至第一方面的第九种可能的实现方式中的任一一种可能的实现方式，所述方法包括：
接收控制决策集总模块发送的集总控制输出；
根据所述集总控制输出生成控制信号；
通过所述控制信号对所述控制系统中的被控对象进行控制。
第十方面，本发明实施例提供，一种控制装置，所述控制装置包括遗传进化模块，所述遗传进化模块，用于：
根据接收的控制任务从进化池中随机选择一条染色体；
解码所述染色体得到N+1个集总策略；所述染色体包含N+1个基因片段，其中每个基因片段唯一对应一个集总策略，每个集总策略唯一对应一个预设功能，一个所述集总策略用于对与其唯一对应的预设功能进行权重分配，所述进化池维护两条或两条以上染色体；N为大于或等于1的正整数；
发送所述N+1个集总策略。
结合第十方面，在第十方面的第一种可能的实现方式中，所述每个基因片段唯一对应一个集总策略，每个集总策略唯一对应一个预设功能，一个所述集总策略用于对与其唯一对应的预设功能进行权重分配包括：
所述进行权重分配的对象为Mn个算法，所述Mn个算法分别用于独立实现与所述集总策略唯一对应的预设功能；
每一个所述集总策略中包含Mn个集总运算权重系数，所述Mn个集总运算权重系数用于对所述Mn个算法分别进行权重分配，其中，Mn为大于或等于2的正整数，1≤n≤N，其中n用于指示不同所述集总策略的编号。
结合第十方面或第十方面的第一种可能的实现方式，在第十方面的第二种可能的实现方式中，所述遗传进化模块，还用于：
接收适应度，所述适应度由控制效果转换得到，所述控制效果由所述控制系统的预期控制结果与实际控制结果之间的偏差进行度量；所述适应度用于表示所述染色体进行进化操作的概率，所述进化操作包括：基因繁殖或基因重组。
第十一方面，本发明实施例提供，一种系统控制装置，所述装置包括控制决策集总模块，所述控制决策集总模块用于：
接收集总策略，所述集总策略包含H个集总运算权重系数，其中H为大于或等于2的正整数；
接收N个运算输出，所述N个运算输出是与N个预设功能分别一一对应的N个运算结果输出；
根据所述N个运算输出以及所述集总策略进行集总运算得到集总控制输出；
发送所述集总控制输出，所述集总控制输用于出生成控制信号，所述控制信号用于进行系统控制。
结合第十一方面，在第十一方面的第一种可能的实现方式中，所述控制决策集总模块具体用于：
根据所述H个集总运算权重系数分别对H个算法进行权重分配，其中，所述H个算法用于分别独立进行计算得到所述集总控制输出；
分别根据所述H个算法对所述N个运算输出进行运算得到H个控制输出；
并根据与所述集总策略所包含的所述H个集总运算权重系数对所述H个控制输出进行加权集总运算得到集总控制输出。
结合第十一方面或第十一方面的第一种可能的实现方式，在第十一方面的第二种可能的实现方式中，所述控制决策集总模块还用于：
反馈根据所述控制信号控制得到的控制效果；所述控制效果由所述控制系统的预期控制结果与实际控制结果之间的偏差进行度量，所述控制效果用于转换成所述染色体的适应度，所述适应度用于表示所述染色体进行进化操作的概率，所述进化操作包括：基因繁殖或基因重组。
第十二方面，本发明实施例提供一种控制器，所述控制器用于：
接收集总控制输出，所述集总控制输出是根据H个集总运算权重系数对H个算法进行权重分配并进行加权集总运算得到，所述H个算法用于分别独立进行计算得到所述集总控制输出，H为大于或等于2的正整数；
根据所述集总控制输出生成控制信号；
通过所述控制信号进行系统控制。
结合第十二方面，在第十二方面的第一种可能的实现方式中，所述控制器还用于：
收集根据所述控制信号控制得到的控制效果，所述控制效果由所述控制系统的预期控制结果与实际控制结果之间的偏差进行度量；
将所述控制效果转换成所述染色体的适应度，所述适应度用于表示所述染色体进行进化操作的概率，所述进化操作包括：基因繁殖或基因重组。
发送所述适应度。
第十三方面，本发明实施例提供一种多控制器协同控制系统，包括R个所述权1至权10任一项所述的控制系统中的控制器，所述多控制器协同控制系统还包括：
协同控制模块，用于接收所述R个控制系统的精英染色体，得到R条精英染色体，所述精英染色体包括：所述R个控制系统中每一个控制系统的进化池中维护的适应度最高的染色体；并根据所述R条精英染色体的相似性对所述R条精英染色体进行排序，得到精英染色体排序链表；当所述协同控制模块超过第一预设期限未接收到所述R个控制系统中任意一个控制系统的精英染色体，则启动容错策略，所述容错策略包括：根据所述精英染色体排序链表对所述超过第一预设期限未接收到精英染色体的控制系统进行容错处理，其中R为大于或等于2的正整数。
结合第十三方面，在第十三方面的第一种可能的实现方式中，在当所述协同控制模块超过第一预设期限未接收到所述R个控制系统中任意一个控制系统的精英染色体之后，还包括：
协同控制模块向所述超过第一预设期限未接收到精英染色体的控制系统发送警告，若从警告发送时刻起超过第二预设期限仍未收到所述控制系统的精英染色体，则启动容错策略。
结合第十三方面或第十三方面的第一种可能的实现方式，在第十三方面的第二种可能的实现方式中，所述启动容错策略之前，所述协同控制模块还用于：
确定所述超过第一预设期限或第二预设期限未接收到精英染色体的控制系统中的控制器故障；
判断所述控制器故障原因，所述控制器故障原因包括软件错误或硬件错误。
结合第十三方面的第二种可能的实现方式，在第十三方面的第三种可能的实现方式中，若所述控制器故障原因为软件错误，则所述协同控制模块启动容错策略具体包括：
根据所述精英染色体排序链表获取与所述故障控制器唯一对应的精英染色体，并将所述与所述故障控制器唯一对应的精英染色体发送给所述故障控制器，用于回复所述故障控制器的系统操作。
结合第十三方面的第二种可能的实现方式，在第十三方面的第四种可能的实现方式中，若所述控制器故障原因为硬件错误，则所述协同控制模块启动容错策略具体包括：
根据所述精英染色体排序链表进行K近邻搜索获取与所述故障控制器具有相似控制策略的K个控制器；
将所述故障控制器的任务由所述具有相似控制策略的K个控制器接管。
本发明实施例提供的控制系统，通过进化池维护两条或两条以上染色体，当接到控制任务时从该进化池中随机选择一条染色体解码得到N+1个集总策略，并根据与N个功能模块一一对应的集总策略对该N个功能模块内的算法进行集总运算得到N个运算输出，从而进一步根据N个运算输出以及与控制决策集总模块一一对应的集总策略进行集总运算得到集总控制输出，根据该集总控制输出生成控制信号对被控对象进行控制操作。本发明实施例利用遗传进化理论提出由进化池维护多条染色体，不同的染色体可以解码出不同的集总策略，根据集总策略得到控制信号完成控制任务，从而为现实中复杂的控制环境提供完善且动态的控制系统，提高控制系统的自适应性从而提高控制效率。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例或现有技术中所需要使用的附图作简单地介绍，显而易见地，下面所描述的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是现有技术中的开环控制系统示意图；
图2是现有技术中的闭环控制系统示意图；
图3部署本发明实施例提供的系统控制方法的网络架构图；
图4是本发明实施例提供的控制系统的结构框图；
图5是本发明实施例提供的控制系统中权重分配逻辑过程示意图；
图6是本发明实施例提供的控制系统中集总运算逻辑过程示意图；
图7是本发明实施例提供的控制系统中基因片段与染色体构造关系示意图；
图8是本发明实施例提供的控制系统的另一结构框图；
图9是本发明实施例提供的控制系统的又一结构框图；
图10是本发明实施例提供的系统控制方法的流程示意图；
图11是本发明实施例提供的系统控制方法的进一步流程示意图；
图12是本发明实施例提供的系统控制方法的综合展示示意图；
图13是本发明实施例提供的系统控制方法中遗传进化的基因繁殖过程示意图；
图14是本发明实施例提供的系统控制方法中遗传进化的基因变异过程示意图；
图15是本发明实施例提供的系统控制方法中遗传进化的基因重组过程示意图；
图16是本发明实施例提供的系统控制方法的另一流程示意图；
图17是本发明实施例提供的系统控制方法的又一流程示意图；
图18是本发明实施例提供的系统控制方法的又一流程示意图；
图19是本发明实施例提供的多控制器协同控制系统结构框图；
图20是本发明实施例提供的多控制器协同控制系统工作过程示意图；
图21是本发明实施例提供的多控制器协同控制系统发生软件错误处理过程示意图；
图22是本发明实施例提供的多控制器协同控制系统发生硬件错误处理过程示意图；
图23是本发明实施例提供的多控制器协同控制系统精英染色体链表维护图；
图24是本发明实施例提供的多控制器协同控制系统定位K近邻精英染色体示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都应属于本发明保护的范围。
当本发明提供的系统控制方法应用在网络控制中时，本发明所提供的系统控制方法可以在如图3所述的数据传输网络100中部署和实施。所述数据传输网络100包括有中央控制服务器110，源服务器120，网络交换机130，传输网络140，客户端设备150，预测服务器160，及训练服务器170。
所述中央控制服务器110为所述传输网络100的核心处理设备，其分别与网络交换机130，传输网络140，客户端设备150，预测服务器160及训练服务器170相互连接，用于与网络交换机130，传输网络140，训练服务器170及预测服务器160进行信息交流，指令传递及网络数据传输。同时，源服务器120，网络交换机130，传输网络140，客户端设备150，训练服务器170及预测服务器160之间可以根据不同的业务需求及功能需求相互连接，进行信息及指令的交互。以下，将详细介绍各个设备的功能及组成。
中央控制服务器110主要由处理器、存储器及数据接口等主要部件组成，处理器主要通过调用存储在存储设备中的处理程序以完成相应处理功能，而数据接口则主要负责中央服务器110内部的各个器件之间以及中央处理服务器110与外部组件之间的数据收发。所述的处理器，可以是通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(FieldProgrammable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明以下实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法中的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存取存储器(Random AccessMemory，RAM)、闪存、只读存储器(Read-Only Memory，ROM)、可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。
所述中央控制服务器110通过数据接口接受网络交互机130上报的路由请求，该路由请求中包括了将要路由的当前数据流信息，并将所述路由请求中的当前数据流信息通过数据接口发送至预测服务器160。预测服务器160根据当前数据流的信息，将当前数据流的长度预测信息发送给中央控制服务器110，中央控制服务器110的中央处理器将调用存储器中预存的处理程序，根据预测服务器160返回的当前数据流的长度预测信息确定当前数据流的类型，并计算与当前数据流的类型匹配的最优的传输路径，随后，中央控制服务器110将根据所述最优的传输路配置针对当前数据流的路由，并将配置好的路由发送给网络交换机130。此外，所述中央控制服务器110还用于通过其数据接口收集由所述网络交换机130上报的已经完成路由的历史数据流信息，并将所述历史数据流信息发送至所述的训练服务器170。
源服务器120主要由处理器、存储器及数据接口等主要部件组成，处理器主要用于通过数据接口将存储在存储器内的数据经过网络交换机130及传输网络140发送给客户端设备150。
网络交换机130，其主要任务是对新进入网络的数据流，即当前数据流，提取数据流第一个数据包的报头，并上报给中央控制服务器110，等待并根据中央控制服务器110计算和配置的路由对当前数据流的数据包进行转发。同时，网络交换机130还将收集已完成路由的历史数据流信息的收集，并上报给中央控制服务器110。其中，所述历史数据流信息包括历史数据流的模式向量以及对应的数据长度。
传输网络140，其由传输线缆和多个网络节点构成，主要用于根据网络交换机130的指令进行数据传输。
客户端设备150，由处理器、存储器及数据接口等主要部件组成，处理器主要用于将客户的数据请求通过数据接口及网络交换机130发送至源服务器120，并将源服务器120通过网络交换机130及传输网络140发送的数据内容存储在存储器中。
预测服务器160，可以是独立的处理设备，例如由独立的处理器，存储器，数据接口组成，所述处理器主要用于调用存储在所述存储器中的处理程序对通过数据接口接收到的当前数据流的信息进行处理，以对当前数据流的长度进行预测，并经长度预测信息通过数据接口发送至中央控制服务器110。其中，所述当前数据流的信息来自于中央控制服务器110。此外，预测服务器160，也可以是依附于中央控制服务器110的一个工作单元，即与中央控制服务器110共用相同存储器，数据接口，但采用不同的处理器，此时，预测服务器160与所述中央控制服务器110之间的数据传输主要通过中央控制服务器110内部的数据总线完成。此外，所述预测服务器160也可以和中央控制服务器110共用相同的处理器，所述共用的方式可以是通过利用处理器中不同的处理资源进行同步(并行处理)或者异步(分时处理)数据处理，或者是利用处理器中相同的处理资源进行异步(分时处理)处理。此外，所述预测服务器160也可以通过虚拟机来实现，即由中央控制服务器110利用自身的处理器，存储器，数据接口，通过调用存储在存储器中的程序模拟出具有完整的硬件系统功能的、运行在一个完全隔离环境中的完整计算机系统，该计算机系统可以独立完成所有预测服务器160所需完成的工作而不影响中央控制服务器110自身的运行。可以理解，所述预测服务器160可以进一步简化为存储在中央控制服务器110的存储器中的一个软件程序，该软件程序由中央控制服务器110在适合的时机调用，以实现数据长度预测功能。
训练服务器170，可以是独立的处理设备，由处理器、存储器及数据接口等主要部件组成，所述处理器主要用于调用存储与所述存储器中的训练程序对历史数据流信息进行处理以得到优化的数据长度预测参数，并将所述优化后的数据长度预测参数发送给预测服务器160，预测服务器160将根据优化的数据长度预测参数来进行数据长度的预测，此外，该训练服务器170还根据新获得的历史数据信息来更新数据长度预测参数从而保证预测服务器160能够根据网络数据流的变化情况，实时的调整预测的结果。与预测服务器160相同，所述训练服务器170也可以是依附于中央控制服务器110的一个工作单元，即与中央控制服务器110共用相同存储器，数据接口，但采用不同的处理器，此时，训练服务器170与中央控制服务器110之间的数据传输主要通过中央控制服务器110内部的数据总线完成。此外，训练服务器170也可以和中央控制服务器110共用相同的处理器，所述共用的方式可以是通过利用处理器的不同的处理资源进行同步(并行处理)或者异步(分时处理)的数据处理，或者是利用处理器中相同的处理资源进行异步(分时处理)数据处理。此外，训练服务器170也可以通过虚拟机来实现，即由中央控制服务器110利用自身的处理器，存储器，数据接口，通过调用存储在所述存储器中的程序模拟出具有完整的硬件系统功能的、运行在一个完全隔离环境中的完整计算机系统，该计算机系统可以独立完成所有训练服务器170所需完成的工作。可以理解，训练服务器170可以进一步简化为存储在中央控制服务器110的存储器中的一个软件程序，该软件程序由所述中央控制服务器110在适合的时机调用，以实现上述的数据长度预测参数的优化及实时更新。
以上为实现本发明网络数据流类型检测的硬件环境，但需要注意的是，上述硬件环境并不是执行本发明的唯一方式，其可以根据硬件资源，以及业务需求，即数据传输需求动态的调整，例如将央控制服务器110，网络交换机130，预测服务器160及训练服务器170集中在一个数据控制中心，以提高处理效率。
即，本发明的方法可以基于上述的应用环境来进行部署及实施。以下将结合附图来介绍本发明提供的控制系统、系统控制方法以及系统控制装置及控制器。
实施例一，图4是本发明实施例提供的控制系统300的结构框图。如图4所示的控制系统300可以设置在图3所示的应用物理环境中来实现。
所述控制系统300包括接收器301、遗传进化模块303、控制决策集总模块305、N个功能模块、控制器307以及被控对象309。
接收器301，用于接收控制任务；
遗传进化模块303，用于根据所述控制任务从进化池中随机选择一条染色体，解码所述染色体得到N+1个集总策略；所述染色体包含N+1个基因片段，所述N+1个基因片段分别包含与所述控制决策集总模块以及所述N个功能模块一一对应的集总策略，所述进化池维护两条或两条以上染色体；N为大于或等于1的正整数；
N个功能模块，用于分别根据与其一一对应的集总策略进行集总运算得到N个运算输出；
控制决策集总模块305，用于根据所述N个运算输出以及与所述控制决策集总模块一一对应的集总策略进行集总运算得到集总控制输出；
控制器307，用于根据所述集总控制输出生成控制信号，并通过所述控制信号对所述被控对象309进行控制。
本发明实施例提供的控制系统300，通过进化池维护两条或两条以上染色体，当接到控制任务时从该进化池中随机选择一条染色体解码得到N+1个集总策略，并根据与N个功能模块一一对应的集总策略对该N个功能模块内的算法进行集总运算得到N个运算输出，从而进一步根据N个运算输出以及与控制决策集总模块一一对应的集总策略进行集总运算得到集总控制输出，根据该集总控制输出生成控制信号对被控对象进行控制操作。本发明实施例利用遗传进化理论提出由进化池维护多条染色体，不同的染色体可以解码出不同的集总策略，根据集总策略得到控制信号完成控制任务，从而为现实中复杂的控制环境提供完善且动态的控制系统。
在实施例一的基础上，可选的，在本发明实施例中：所述N个功能模块中，第n个功能模块包含Mn个算法，其中，Mn为大于或等于2的正整数，1≤n≤N；所述Mn个算法用于分别独立实现该功能模块的具体功能，所述第n个功能模块为所述N个功能模块中的任意一个功能模块；
对应地，所述N个功能模块，用于分别根据与其一一对应的集总策略进行集总运算得到N个运算输出包括：
所述第n个功能模块，用于根据与其一一对应的集总策略对所述Mn个算法进行集总运算得到一个运算输出。
举例来说，当本发明提供的实施例被应用在SDN网络控制上时，我们可以将SDN网络控制系统按照功能划分为新数据流长度预测模块，网络状态估计、预测模块等，这些为实现SDN控制系统功能而划分出的多个模块即为本发明实施例中所谓的N个功能模块。通常情况下，针对某一功能模块，我们通过功能模块中的算法或模型的运算来实现该功能模块的功能，在现有技术中通常利用某一种算法或某一种模型实现一个功能模块的功能，然而现实的被控对象是十分复杂的，任何数学模型都存在一定的模型假设和模型简化，不可能完全准确的描述一个复杂的物理系统，因此本发明实施例为每个功能模块设置了Mn个算法，此处的算法也可以是运算模型，由于其实现该功能模块的本质是一样的因此在本发明实施例中统称为算法，不再赘述。由Mn个算法分别独立进行运算以实现该功能模块的功能，从而避免了单一算法不能准确描述复杂物理系统中的功能模块的弊端，即当一种算法不准确时可以由其余算法来为其备份，并根据与该功能模块一一对应的集总策略对该Mn个算法进行集总运算从而得到该功能模块的运算输出。值得说明的是，本发明实施例所述的“所述第n个功能模块为所述N个功能模块中的任意一个功能模块”中的“任意一个”包含两种含义：
1、此处“任意一个”表示N个功能模块中的每一个，即在N个功能模块中每一个功能模块均包含Mn个算法，这里M的下标n用来表示不同的功能模块的编号，由于功能模块和其集总策略是一一对应的关系，因此n也用来表示不同的集总策略的编号，在现实的物理环境中该编号可以是携带的标识也可以是其他任何可以以示区分的形式，此处不做限制。
2、此处“任意一个”表示N个功能模块中只要有一个功能模块包含Mn个算法即在本发明实施例保护范围之内。例如5个功能模块中有1个功能模块包含Mn个算法，其余4个功能模块只分别包含唯一一种算法；或，5个功能模块中有2个、3个或者4个功能模块包含Mn个算法，而剩余的3个、2个或者1个功能分别只包含唯一一种算法，相对于第一种方案，第二种方案的效果或不是最佳，但其为本发明实施例提出的保护方案所揭示，在本发明实施例所保护的范围内。
在上述实施例的基础上，具体的，在所述N+1个集总策略中，与所述第n个功能模块一一对应的第n个集总策略包含Mn个集总运算权重系数；所述Mn个集总运算权重系数用于对所述第n个功能模块所包含的Mn个算法分别进行权重分配。
其中，所述N个功能模块中的第n个功能模块具体用于：根据所述第n个功能模块中所包含的Mn个算法分别进行运算，得到Mn个运算结果，根据所述第n个集总策略中包含的Mn个集总运算权重系数对所述Mn个运算结果进行加权集总运算得到一个运算输出。
举例来说，如图5所示，假设左边框中的功能模块为N个功能模块中的第1个功能模块，该功能模块中包含Mn个算法，每一个算法对应一个集总运算权重系数，如图中的权重w1、w2……wMn，其中右下角的基因片段中w1,Mn中的下标1表示该基因片段对应的功能模块的编号。结合图5和图6所示，通过这些集总运算权重系数对该功能模块中各个算法的运算结果进行权重分配，从而根据公式
Figure BDA0000768287370000171
进行集总运算得到最终的输出y，值得说明的是，此处的运算公式仅为举例，并不对本发明实施例具有限定作用。值得说明的是，不同的n对应的Mn的值不同，如功能模块1具有M1个算法，对应地集总策略中包含M1个集总运算权重系数；功能模块2具有M2个算法，对应地集总策略中包含M2个集总运算权重系数，以此类推，不再赘述。如图4所示，右下角的w0,1到w0,n用于表示与该功能模块对应的基因片段，这个基因片段中包含该功能模块的集总策略，而该集总策略包含Mn个集总运算权重系数。
如图7所示，一条染色体包含N+1个基因片段，其中N个基因片段对应N个功能模块，对应关系为一一对应；剩下的一个基因片段对应控制决策集总模块305。其中，图中下面一排用于表示这条染色体，上面不同的短条用于表示不同的基因片段，即多个基因片段构成一条染色体的结构。
在上述实施例的基础上，可选的，如图8所示，若所述N＝1，n＝1，则所述N个功能模块为：被控对象状态估计/预测集总模块；所述被控对象状态估计/预测集总模块包含：M1个第一算法；其中，所述M1个第一算法用于分别独立实现对所述被控对象状态估计/预测的功能。
可选的，如图9所示，若所述N＝2，n＝1或2，则所述N个功能模块分别为：被控对象状态估计/预测集总模块、外部事件或干扰预测/分类集总模块；所述被控对象状态估计/预测集总模块包含：M1个第一算法；其中，所述M1个第一算法用于分别独立实现对所述被控对象状态估计/预测的功能；所述外部事件或干扰预测/分类集总模块包含：M2个第二算法；其中，所述M2个第二算法用于分别独立实现对所述外部事件或干扰的预测或分类的功能。
在上述所有实施例的基础上，本发明实施例中：控制决策集总模块包含H个算法；其中，所述H个算法用于分别独立实现所述控制决策集总模块的功能，其中H为大于或等于2的正整数。
在所述N+1个集总策略中，与所述控制决策集总模块一一对应的集总策略包含H个集总运算权重系数；所述H个集总运算权重系数分别用于对所述控制决策集总模块中所包含的H个算法进行权重分配。
所述控制决策集总模块具体用于：分别根据所述控制决策集总模块包含的H个算法对所述N个运算输出进行运算得到H个控制输出；并根据与所述控制决策集总模块一一对应的集总策略所包含的所述H个集总运算权重系数对所述H个控制输出进行加权集总运算得到集总控制输出。
为了便于理解，举例来说，当本发明提供的实施例被应用在SDN网络控制上时，控制决策集总模块具体可以是路由决策模块，该路由决策模块可以由H个不同的算法根据N个功能模块输出的N个运算输出，分别运算完成其路由决策功能，以此避免单一算法不能准确描述该路由决策模块。对应地，与该路由决策模块一一对应的集总策略则包含H个集总运算权重系数，用于对H个不同算法根据N个功能模块输出的N个运算输出分别独立运算得到的H个控制输出进行权重分配，从而进一步根据各个控制输出与其分配到的权重进行加权集总运算得到路由决策结果，该路由决策结果即是本发明实施例所说的集总控制输出。
在实施例一以及上述所有可选实施例的基础上，在本发明实施例中：所述控制器还用于，当控制任务结束时：收集根据所述控制信号控制得到的控制效果，所述控制效果由所述控制系统的预期控制结果与实际控制结果之间的偏差进行度量；将所述控制效果转换成所述染色体的适应度，所述适应度用于表示所述染色体进行进化操作的概率；将所述适应度发送给所述遗传进化模块，用于所述遗传进化模块根据所述适应度对所述染色体进行进化操作，所述进化操作包括：基因繁殖或基因重组。
实施例二、如图10所示为本发明实施例提供的系统控制方法900示意性流程图。
S901、接收控制任务。
S903、根据所述控制任务从进化池中随机选择一条染色体，解码所述染色体得到N+1个集总策略。
所述染色体包含N+1个基因片段，其中每个基因片段唯一对应一个集总策略，每个集总策略唯一对应一个预设功能，一个所述集总策略用于对与其唯一对应的预设功能进行权重分配，所述进化池维护两条或两条以上染色体；N为大于或等于1的正整数。
S905、根据所述N+1个集总策略分配的权重进行集总运算得到集总控制输出。
S907、根据所述集总控制输出生成控制信号，所述控制信号用于进行系统控制。
本发明实施例提供的系统控制方法900，根据所述控制任务从进化池中随机选择一条染色体，解码所述染色体得到N+1个集总策略，并根据N+1个集总策略分配的权重进行集总运算得到集总控制输出，进而根据所述集总控制输出生成控制信号对被控对象进行控制。本发明实施例利用遗传进化理论提出由进化池维护多条染色体，不同的染色体可以解码出不同的集总策略，根据集总策略得到控制信号完成控制任务，从而为现实中复杂的控制环境提供完善且动态的系统控制方法。
具体的，如图11所示，其中，S905、根据所述N+1个集总策略分配的权重进行集总运算得到集总控制输出包括：
S9051、根据所述N+1中的N个集总策略分配的权重分别进行计算得到N个运算输出。
S9052、根据所述N个运算输出，以及所述N+1个集总策略中除所述N个之外的一个集总策略进行集总运算得到集总控制输出。
在实施例二及其具体方案的基础上，在本发明实施例中，具体的，每个基因片段唯一对应一个集总策略，每个集总策略唯一对应一个预设功能，一个所述集总策略用于对与其唯一对应的预设功能进行权重分配包括：所述进行权重分配的对象为Mn个算法，所述Mn个算法分别用于独立实现与所述集总策略唯一对应的预设功能；每一个所述集总策略中包含Mn个集总运算权重系数，所述Mn个集总运算权重系数用于对所述Mn个算法分别进行权重分配，其中，Mn为大于或等于2的正整数，1≤n≤N，其中n用于指示不同所述集总策略的编号。
本发明实施例为一个预设功能的实现采取了Mn个算法，从而避免了单一算法不能准确实现复杂物理系统中的预设功能的实现，即当一种算法不准确时可以由其余算法来为其备份。并根据一个集总策略中包含的Mn个集总运算权重系数对该Mn个算法进行权重分配进而进行集总运算从而得到该功能模块的运算输出。
可选的，所述根据所述N+1中的N个集总策略分配的权重分别进行计算得到N个运算输出包括：对所述N个集总策略中的第n个集总策略执行如下步骤：根据所述Mn个集总运算权重系数对所述Mn个算法进行加权集总运算得到一个运算输出；其中，所述一个运算输出用于指示所述第n个集总策略唯一对应的预设功能的输出，所述第n个集总策略为所述N个集总策略中的任意一个集总策略。
进一步可选的，所述根据所述集总控制输出生成控制信号之后，所述方法还包括：收集根据所述控制信号控制得到的控制效果，所述控制效果由所述控制系统的预期控制结果与实际控制结果之间的偏差进行度量；将所述控制效果转换成所述染色体的适应度，所述适应度用于表示所述染色体进行进化操作的概率，所述进化操作包括：基因繁殖或基因重组。
图10、图11所示的方法900能够在前述的实施例所示的控制系统300上实现，为避免重复，此处不再赘述。
如图12所示，结合实施例一以及依附于实施例一的所有实施例、实施例二以及依附于实施例二的所有实施例，以示意图进行综合展示：
①、触发控制相当于上文所述的控制任务；
②、由触发任务触发，从进化池中随机挑选一条染色体；
③、根据染色体解码得到的集总策略形成控制结果输出，即上文所述的集总控制输出；
④、通过控制结果输出生成的控制信号进行系统控制，将控制效果转换成该染色体的适应度返回到进化池。
下一次接到触发控制仍按上述流程运行，逐渐使得进化池中的各个染色体都有了自己最新的适应度，不再赘述。当一条染色体有了自己最新的适应度之后，遗传进化操作就可以根据该适应度的大小进行展开了，具体操作方法将在下文举例进行说明。
在这之前，需要先解释是什么是遗传进化。
遗传算法(Genetic Algorithm)是在达尔文生物进化论的自然选择和遗传学启发下，由美国J.Holland教授于1975年首次提出的一种搜索最优解的计算模型。其原理是从待解决问题的潜在解集开始，一个种群有一定数目的个体组成。每一个个体是由多个基因片段组成的染色体。初代种群产生后，根据适者生存和优胜劣汰原理，种群通过进化，产生越来越好的个体。进化的过程主要包括选择(selection),繁殖(reproduction),变异(mutation)和基因重组(crossover)。通过上述过程产生了新的问题的解集种群。而发生上述操作的概率都基于该染色体的适应度(fitness)。适应度代表了某一个染色体所代表的解在所要解决的问题的优越性。适应度越高，说明该解越接近最优解。基于适应度函数的遗传操作体现了自然界的优胜劣汰和自然选择原理。接下来，我们详细介绍不同的遗传操作。
选择(selection)：
根据自然选择原理，越强壮的个体在环境中生存下来的几率就越大。为了实现自然选择，我们为每一个染色体初始化了生命周期(life cycle)。
T0(s)＝ctf(s)
这里，s表示一个染色体，T(s)表示该染色体的生命周期，f(s)是该染色体的适应度，ct＞0为控制生命周期的非负常数。
在进化池第k次迭代(generation)中,
Tk(s)＝Tk-1(s)-1
表示该染色体的生命周期缩短了一个迭代周期。当Tk(s)＝0时，该染色体将从系统中被移除。
繁殖(reproduction)：
在每一个迭代周期中，每一个染色体都有一定的概率进行繁殖。繁殖就是复制出和母体一模一样的新的染色体个体。根据优胜劣汰的原理，适应度高的个体有更大的概率进行繁殖。我们定义了染色体进行繁殖的概率为：
pr(s)＝crf(s)
这里，cr＞0为控制繁殖概率的非负常数。如果一个个体的适应度越高，则该个体在种群中所占的比重越来越大。繁殖的过程如图13所示。
变异(mutation)：
为了提高算法在参数空间的探索性，遗传算法提供了一种通过变异产生新的解的方法。变异的基本思想就是在进化的过程中，每一个染色体都有一定的概率发生基因突变。基因突变可以是基因中的某一位或者多位发生改变。如图14所示，该图展示了发生变异的一个示例。
变异发生的位置可以是随机的。染色体的每一个位都有可能发生变异。
为了提高种群的多样性，我们赋予所有染色体相同的变异概率，如下所示：
pm(s)＝cm,0＜cm＜1
重组(crossover)：
基因重组也是提高算法的探索性，实现优胜劣汰的有效方法。一方面，通过重组，有利于创造新的染色体个体，新的染色体个体的适应度有可能比其母体更加优越。另外一方面，基因重组也有利于具有良好性质的基因片段能够遗传给下一代。基因重组的过程是两个染色体互相交换某一段基因。具体过程可以如图15所示。
我们为不同的染色体定义不同的基因重组概率。适应度越高的染色体，与其他染色体发生基因重组的概率越大。通过这样的定义，有利于好的基因遗传给下一代。
px(s)＝cxf(s)
这里，cx＞0控制了染色体发生基因重组的概率大小。
接下来需要解释什么是适应度，怎么得到适应度。
如上文所说，控制效果由控制系统的预期控制结果与实际控制结果之间的偏差进行度量，而适应度由控制效果转换而来。
假设控制系统的预期控制结果为u(t)，而通过一条染色体解码进而完成系统控制得到的实际控制结果为y(t)，我们定义偏差为：
e(t)＝u(t)-y(t)
则控制效果的度量可以定义为：
Figure BDA0000768287370000221
或者是
Figure BDA0000768287370000222
或者是
Figure BDA0000768287370000223
或者是其他与系统状态相关的度量。
具体的操作方式可以为：
第一步：当系统初始化时，我们赋予每一个染色体相同的适应度函数。因此，每一个染色体均有相同的机会进行繁殖，变异，重组。
第二步：当我们在进化池中选取某一个染色体作为控制策略(通过解码得到集总策略进而得到控制信号)，由控制信号对被控对象进行控制。当控制任务结束时，我们可以得到该控制策略的实际控制效果，即该控制过程的ISE，IAE，ITAE等。基于控制效果度量，相应地修改了该染色体的适应度值。
第三步：当染色体通过繁殖得到新的染色体个体，则赋予新的染色体个体相同的适应度值。
第四步：当染色体通过变异或者重组得到新的染色体个体，则赋予新的染色体个体适应度初始值。
本发明实施例中，有序的进化操作主要包括基因繁殖和基因重组，其根据每一条染色体的适应度决定对进化池中的各个染色体进行基因繁殖或基因重组的进化操作，而基因变异属于进化池中无序的运动，是随机发生的，并不受适应度的影响。
综上，本发明实施例提供了一种控制系统及系统控制方法，通过集总学习，在同一个功能模块或者为实现同一个预设功能，采用多个算法(模型)实现，有利于提高系统的容错能力及抗干扰能力；通过染色体对集总学习的权重系数进行编码，并通过遗传算法进行控制策略的探索和深耕，提高了系统的自适应性；通过在进化池中维护一定数量(大于或等于2)的染色体条数有利于保证控制策略的多样性。基于这样的自适应调整过程，不同的染色体通过其不断更新的适应性从而进行进化操作，逐渐使进化池中越优的染色体(适应度越大越优)越多，越差的染色体越被淘汰，从而逐渐维护一个精英进化池，进而实现系统控制的效果最优。
为了便于理解上述控制系统及系统控制方法，我们将该控制系统应用到具体场景中进行展开说明：
例一、
例如该应用场景为SDN网络控制：
本发明可以应用在SDN网络控制上。
SDN控制可以认为是一种事件触发控制。事件即是新的数据流路由请求。被控对象则是整个网络。由于新数据流进入网络会对网络造成一定的负荷压力，因此可以看做是外部扰动。我们可以通过某种方法预测数据流的大小，预测其对网络带来的负荷有多大。相对应的控制则是对新的数据流选择最佳路径，并对其进行路由转发。具体实施方法如下：
将SDN网络控制系统按照功能分为新数据流长度预测模块，网络状态估计、预测模块；对应的，控制决策集总模块具体为：路由决策模块。
在上述的每一个模块中，使用不同的算法或者模型实现其对应功能。比如，在数据流长度预测模块，我们可以用人工神经网络，高斯过程回归等方法实现；在网络状态估计、预测模块，我们可以使用多种自回归模型，对链路的使用率进行预测；在路由决策模块，可以使用Q-learning,增强学习等方法进行决策。
当有新的数据流请求时，在进化池中挑选一个染色体，通过解码染色体得到多个集总策略，针对不同的集总策略对不同的模块中的多个算法进行集总运算，得到相应的集总控制输出，根据该集总控制输出生成的控制信号对新的数据流进行路由转发。
系统中维持一个进化池，染色体从该进化池中随机选取，通过遗传算子对种群进行遗传操作。
当数据流完成路由时，获得所需时间，反馈并修改染色体的适应度。
周期性地备份进化池的精英染色体。
例二、
例如该应用场景为企业业务绩效控制系统：
本发明也可以应用在企业业务绩效控制上。企业业务绩效控制可以是一种事件触发控制也可以是一种周期性的控制。事件可以外部社会经济事件。被控对象则是企业业务。而控制的手段是调整企业在不同地区的商品或者服务的供应数量来实现业务指标。具体实施方法如下：
企业业务绩效管理系统按照功能分为外部事件影响预测模块，地区业务预测模块等功能模块，对应的，控制决策集总模块具体为：业务控制模块。
在每一个模块中，使用不同的算法或者模型实现其对应功能。比如，在外部事件影响预测模块，我们可以用人工神经网络，高斯过程回归等方法实现；在地区业务估计、预测模块，我们可以使用多种自回归模型，对下一季度不同地区业务进行预测；在业务控制模块，比如分配多少资源到某个地区业务上，可以使用Q-learning,增强学习等方法进行决策。
当有外部事件触发控制或者当一个控制周期来临时，在进化池中挑选一个染色体，通过解码得到相应的控制策略，针对不同的集总策略对不同的模块中的多个算法进行集总运算，得到相应的集总控制输出，根据该集总控制输出生成的控制信号对新的数据流进行路由转发。
系统中维持一个进化池，染色体从该进化池中随机选取，通过遗传算子对种群进行遗传操作。
当控制周期结束，可以得到该周期的业务绩效，反馈并修改染色体的适应度。
周期性地备份进化池的精英染色体。
实施例三、本发明实施例提供一种用于实施例一所述的控制系统上的控制方法，包括：接收控制任务；根据所述控制任务从进化池中随机选择一条染色体，解码所述染色体得到N+1个集总策略；所述染色体包含N+1个基因片段，所述N+1个基因片段分别包含与所述控制系统中的控制决策集总模块以及N个功能模块一一对应的集总策略，所述进化池维护两条或两条以上染色体；N为大于或等于1的正整数；分别根据与所述控制系统中的N个功能模块一一对应的集总策略进行集总运算得到N个运算输出；根据所述N个运算输出以及与所述控制系统中的控制决策集总模块一一对应的集总策略进行集总运算得到集总控制输出；根据所述集总控制输出生成控制信号，并通过所述控制信号对所述被控对象进行控制。
本发明实施例提供的系统控制方法通过进化池维护两条或两条以上染色体，当接到控制任务时从该进化池中随机选择一条染色体解码得到N+1个集总策略，并根据与N个功能模块一一对应的集总策略对该N个功能模块内的算法进行集总运算得到N个运算输出，从而进一步根据N个运算输出以及与控制决策集总模块一一对应的集总策略进行集总运算得到集总控制输出，根据该集总控制输出生成控制信号对被控对象进行控制操作。本发明实施例利用遗传进化理论提出由进化池维护多条染色体，不同的染色体可以解码出不同的集总策略，根据集总策略得到控制信号完成控制任务，从而为现实中复杂的控制环境提供完善且动态的控制系统。
实施例四、如图16所示为本发明实施例提供的系统控制方法1000示意性流程图。
S1001、根据接收的控制任务从进化池中随机选择一条染色体。
S1003、解码所述染色体得到N+1个集总策略。
所述染色体包含N+1个基因片段，其中每个基因片段唯一对应一个集总策略，每个集总策略唯一对应一个预设功能，一个所述集总策略用于对与其唯一对应的预设功能进行权重分配，所述进化池维护两条或两条以上染色体；N为大于或等于1的正整数；
S1005、发送所述N+1个集总策略。
可选的，所述每个基因片段唯一对应一个集总策略，每个集总策略唯一对应一个预设功能，一个所述集总策略用于对与其唯一对应的预设功能进行权重分配包括：
所述进行权重分配的对象为Mn个算法，所述Mn个算法分别用于独立实现与所述集总策略唯一对应的预设功能；
每一个所述集总策略中包含Mn个集总运算权重系数，所述Mn个集总运算权重系数用于对所述Mn个算法分别进行权重分配，其中，Mn为大于或等于2的正整数，1≤n≤N，其中n用于指示不同所述集总策略的编号。
进一步可选的，所述方法还包括：接收适应度，所述适应度由控制效果转换得到，所述控制效果由所述控制系统的预期控制结果与实际控制结果之间的偏差进行度量；所述适应度用于表示所述染色体进行进化操作的概率，所述进化操作包括：基因繁殖或基因重组。
本发明实施例提供的系统控制方法1000，根据所述控制任务从进化池中随机选择一条染色体，解码所述染色体得到N+1个集总策略，并根据N+1个集总策略分配的权重进行集总运算得到集总控制输出，进而根据所述集总控制输出生成控制信号对被控对象进行控制。本发明实施例利用遗传进化理论提出由进化池维护多条染色体，不同的染色体可以解码出不同的集总策略，根据集总策略得到控制信号完成控制任务，从而为现实中复杂的控制环境提供完善且动态的系统控制方法。
实施例五、如图17所示为本发明实施例提供的系统控制方法1100示意性流程图。
S1101、接收集总策略，所述集总策略包含H个集总运算权重系数，其中H为大于或等于2的正整数；
S1103、接收N个运算输出，所述N个运算输出是与N个预设功能分别一一对应的N个运算结果输出；
S1105、根据所述N个运算输出以及所述集总策略进行集总运算得到集总控制输出；
S1107、发送所述集总控制输出，所述集总控制输用于出生成控制信号，所述控制信号用于进行系统控制。
可选的，所述H个集总运算权重系数具体用于：分别对H个算法进行权重分配，其中，所述H个算法用于分别独立进行计算得到所述集总控制输出；所述根据所述N个运算输出以及所述集总策略进行集总运算得到集总控制输出包括：分别根据所述H个算法对所述N个运算输出进行运算得到H个控制输出；并根据与所述集总策略所包含的所述H个集总运算权重系数对所述H个控制输出进行加权集总运算得到集总控制输出。
进一步可选的，所述方法还包括：反馈根据所述控制信号控制得到的控制效果；所述控制效果由所述控制系统的预期控制结果与实际控制结果之间的偏差进行度量，所述控制效果用于转换成所述染色体的适应度，所述适应度用于表示所述染色体进行进化操作的概率，所述进化操作包括：基因繁殖或基因重组。
本发明实施例提供的系统控制方法1100，根据接收集总策略和N个运算输出，并根据集总策略分配的权重进行集总运算得到集总控制输出，进而根据所述集总控制输出生成控制信号对被控对象进行控制。本发明实施例利用遗传进化理论提出由进化池维护多条染色体，不同的染色体可以解码出不同的集总策略，根据集总策略得到控制信号完成控制任务，从而为现实中复杂的控制环境提供完善且动态的系统控制方法。
实施例六、如图18所示为本发明实施例提供的系统控制方法1200示意性流程图。
S1201、接收集总控制输出。
所述集总控制输出是根据H个集总运算权重系数对H个算法进行权重分配并进行加权集总运算得到，所述H个算法用于分别独立进行计算得到所述集总控制输出，H为大于或等于2的正整数。
S1203、根据所述集总控制输出生成控制信号。
S1205、通过所述控制信号进行系统控制。
可选的，所述方法还包括：收集根据所述控制信号控制得到的控制效果，所述控制效果由所述控制系统的预期控制结果与实际控制结果之间的偏差进行度量；将所述控制效果转换成所述染色体的适应度，所述适应度用于表示所述染色体进行进化操作的概率，所述进化操作包括：基因繁殖或基因重组。发送所述适应度。
本发明实施例提供的系统控制方法1200，接收集总控制输出，进而根据所述集总控制输出生成控制信号对被控对象进行控制。本发明实施例利用遗传进化理论提出由进化池维护多条染色体，不同的染色体可以解码出不同的集总策略，根据集总策略得到控制信号完成控制任务，从而为现实中复杂的控制环境提供完善且动态的系统控制方法。
图16、17、18所示的方法1000、1100、1200能够在前述的实施例所示的控制系统300上实现，为避免重复，此处不再赘述。
实施例七、本发明实施例提供一种用于实施例一所述的控制系统上的控制方法，包括：
根据接收的控制任务从进化池中随机选择一条染色体；
解码所述染色体得到N+1个集总策略；所述染色体包含N+1个基因片段，所述N+1个基因片段分别包含与所述控制系统中的控制决策集总模块以及N个功能模块一一对应的集总策略，所述进化池维护两条或两条以上染色体；N为大于或等于1的正整数；
发送所述N+1个集总策略，用于使所述控制系统根据所述N+1个集总策略进行集总控制。
本发明实施例提供的系统控制方法通过进化池维护两条或两条以上染色体，当接到控制任务时从该进化池中随机选择一条染色体解码得到N+1个集总策略，并发送所述N+1个集总策略用于使所述控制系统根据所述N+1个集总策略进行集总控制。本发明实施例利用遗传进化理论提出由进化池维护多条染色体，不同的染色体可以解码出不同的集总策略，根据集总策略得到控制信号完成控制任务，从而为现实中复杂的控制环境提供完善且动态的控制系统。
实施例八、本发明实施例提供一种用于实施例一所述的控制系统上的控制方法，包括：
控制决策集总模块接收与所述控制决策集总模块一一对应的集总策略；
控制决策集总模块接收所述控制系统中N个功能模块发送的N个运算输出；
根据所述N个运算输出以及与所述控制决策集总模块一一对应的集总策略进行集总运算得到集总控制输出；
发送所述集总控制输出，用于使所述控制系统中的控制器根据所述集总控制输出生成控制信号，所述控制信号用于对所述控制系统中的被控对象进行控制。
本发明实施例提供的系统控制方法通过接收N+1个集总策略和N个运算输出，从而进一步根据N个运算输出以及与控制决策集总模块一一对应的集总策略进行集总运算得到集总控制输出，根据该集总控制输出生成控制信号对被控对象进行控制操作。本发明实施例利用遗传进化理论提出由进化池维护多条染色体，不同的染色体可以解码出不同的集总策略，根据集总策略得到控制信号完成控制任务，从而为现实中复杂的控制环境提供完善且动态的控制系统。
实施例九、本发明实施例提供一种用于实施例一所述的控制系统上的控制方法，包括：
接收控制决策集总模块发送的集总控制输出；
根据所述集总控制输出生成控制信号；
通过所述控制信号对所述控制系统中的被控对象进行控制。
本发明实施例提供的系统控制方法通过接收集总控制输出，并根据该集总控制输出生成控制信号对被控对象进行控制操作。本发明实施例利用遗传进化理论提出由进化池维护多条染色体，不同的染色体可以解码出不同的集总策略，根据集总策略得到控制信号完成控制任务，从而为现实中复杂的控制环境提供完善且动态的控制系统。
实施例十、本发明实施例提供一种控制装置，该装置包括遗传进化模块。
遗传进化模块用于：根据接收的控制任务从进化池中随机选择一条染色体；解码所述染色体得到N+1个集总策略；所述染色体包含N+1个基因片段，其中每个基因片段唯一对应一个集总策略，每个集总策略唯一对应一个预设功能，一个所述集总策略用于对与其唯一对应的预设功能进行权重分配，所述进化池维护两条或两条以上染色体；N为大于或等于1的正整数；发送所述N+1个集总策略。
具体的，所述每个基因片段唯一对应一个集总策略，每个集总策略唯一对应一个预设功能，一个所述集总策略用于对与其唯一对应的预设功能进行权重分配包括：所述进行权重分配的对象为Mn个算法，所述Mn个算法分别用于独立实现与所述集总策略唯一对应的预设功能；每一个所述集总策略中包含Mn个集总运算权重系数，所述Mn个集总运算权重系数用于对所述Mn个算法分别进行权重分配，其中，Mn为大于或等于2的正整数，1≤n≤N，其中n用于指示不同所述集总策略的编号。
所述遗传进化模块，还可以用于：接收适应度，所述适应度由控制效果转换得到，所述控制效果由所述控制系统的预期控制结果与实际控制结果之间的偏差进行度量；所述适应度用于表示所述染色体进行进化操作的概率，所述进化操作包括：基因繁殖或基因重组。
本发明实施例提供的控制装置，根据所述控制任务从进化池中随机选择一条染色体，解码所述染色体得到N+1个集总策略，并根据N+1个集总策略分配的权重进行集总运算得到集总控制输出，进而根据所述集总控制输出生成控制信号对被控对象进行控制。本发明实施例利用遗传进化理论提出由进化池维护多条染色体，不同的染色体可以解码出不同的集总策略，根据集总策略得到控制信号完成控制任务，从而为现实中复杂的控制环境提供完善且动态的系统控制装置。
实施例十一、本发明实施例提供一种控制装置，该装置包括控制决策集总模块。
该控制决策集总模块用于：
接收集总策略，所述集总策略包含H个集总运算权重系数，其中H为大于或等于2的正整数；接收N个运算输出，所述N个运算输出是与N个预设功能分别一一对应的N个运算结果输出；根据所述N个运算输出以及所述集总策略进行集总运算得到集总控制输出；发送所述集总控制输出，所述集总控制输用于出生成控制信号，所述控制信号用于进行系统控制。
进一步的，控制决策集总模块具体用于：根据所述H个集总运算权重系数分别对H个算法进行权重分配，其中，所述H个算法用于分别独立进行计算得到所述集总控制输出；分别根据所述H个算法对所述N个运算输出进行运算得到H个控制输出；并根据与所述集总策略所包含的所述H个集总运算权重系数对所述H个控制输出进行加权集总运算得到集总控制输出。
具体的，所述控制决策集总模块还用于：反馈根据所述控制信号控制得到的控制效果；所述控制效果由所述控制系统的预期控制结果与实际控制结果之间的偏差进行度量，所述控制效果用于转换成所述染色体的适应度，所述适应度用于表示所述染色体进行进化操作的概率，所述进化操作包括：基因繁殖或基因重组。
本发明实施例提供的控制装置，根据接收集总策略和N个运算输出，并根据集总策略分配的权重进行集总运算得到集总控制输出，进而根据所述集总控制输出生成控制信号对被控对象进行控制。本发明实施例利用遗传进化理论提出由进化池维护多条染色体，不同的染色体可以解码出不同的集总策略，根据集总策略得到控制信号完成控制任务，从而为现实中复杂的控制环境提供完善且动态的系统控制装置。
实施例十二、本发明实施例提供一种控制器。
该控制器用于：接收集总控制输出，所述集总控制输出是根据H个集总运算权重系数对H个算法进行权重分配并进行加权集总运算得到，所述H个算法用于分别独立进行计算得到所述集总控制输出，H为大于或等于2的正整数；根据所述集总控制输出生成控制信号；通过所述控制信号进行系统控制。
进一步的，所述控制器还可以用于：
收集根据所述控制信号控制得到的控制效果，所述控制效果由所述控制系统的预期控制结果与实际控制结果之间的偏差进行度量；将所述控制效果转换成所述染色体的适应度，所述适应度用于表示所述染色体进行进化操作的概率，所述进化操作包括：基因繁殖或基因重组。发送所述适应度。
本发明实施例提供的控制器，接收集总控制输出，进而根据所述集总控制输出生成控制信号对被控对象进行控制。本发明实施例利用遗传进化理论提出由进化池维护多条染色体，不同的染色体可以解码出不同的集总策略，根据集总策略得到控制信号完成控制任务，从而为现实中复杂的控制环境提供完善且动态的系统控制方法。
实施例十、十一、十二所述的控制装置可以包含在前述的实施例所示的控制系统300中，为避免重复，此处不再赘述。
实施例十、十一、十二所述的控制装置可以采用前述的实施例所示的系统控制方法900、1000、1100、1200，为避免重复，此处不再赘述。
实施例十三、如图19所示，为本发明实施例提供的一种多控制器协同控制系统2000。
该协同控制系统2000包括R个所述权1至权10任一项所述的控制系统中的控制器，所述多控制器协同控制系统还包括：
如图20所示，协同控制模块2001，用于接收所述R个(图中示例为3个)控制系统的精英染色体，得到R条精英染色体，所述精英染色体包括：所述R个控制系统中每一个控制系统的进化池中维护的适应度最高的染色体；并根据所述R条精英染色体的相似性对所述R条精英染色体进行排序，得到精英染色体排序链表；当所述协同控制模块超过第一预设期限未接收到所述R个控制系统中任意一个控制系统的精英染色体，则启动容错策略，所述容错策略包括：根据所述精英染色体排序链表对所述超过第一预设期限未接收到精英染色体的控制系统进行容错处理，其中R为大于或等于2的正整数。
可选的，在当所述协同控制模块超过第一预设期限未接收到所述R个控制系统中任意一个控制系统的精英染色体之后，协同控制模块2001可以先向所述超过第一预设期限未接收到精英染色体的控制系统发送警告，若从警告发送时刻起超过第二预设期限仍未收到所述控制系统的精英染色体，则启动容错策略。
在上述方案基础上进一步可选的，所述启动容错策略之前，所述协同控制模块2001还用于：确定所述超过第一预设期限或第二预设期限未接收到精英染色体的控制系统中的控制器故障；判断所述控制器故障原因，所述控制器故障原因包括软件错误或硬件错误。
如图21所示，若所述控制器故障原因为软件错误，则所述协同控制模块启动容错策略具体包括：
根据所述精英染色体排序链表获取与所述故障控制器唯一对应的精英染色体，并将所述与所述故障控制器唯一对应的精英染色体发送给所述故障控制器，用于回复所述故障控制器的系统操作。
如图22所示，若所述控制器故障原因为硬件错误，则所述协同控制模块启动容错策略具体包括：
根据所述精英染色体排序链表进行K近邻搜索获取与所述故障控制器具有相似控制策略的K个控制器；
将所述故障控制器的任务由所述具有相似控制策略的K个控制器接管。
由于在控制系统庞大的情况下，如果由单一控制器处理，将会带来巨大的工作负荷和时间延迟。同时，如果单一的控制器出现错误，整个控制系统将陷入瘫痪状态。因此，本发明提出一种将整个控制系统(即多控制器协同控制系统2000)分为多个子控制系统(例如：控制系统300)。为每一个子控制系统分配一个控制器。不同的控制器通过控制器协同者(controller coordinator)(即上文所述协同控制模块2001)进行协调。各个子控制系统中的控制器周期性地向控制器协同者发送被被控对象的相关信息和精英染色体(elitepolicy)进行数据备份。控制器协同者根据精英染色体的相似性，利用链表的形式(linkedlist)对精英染色体进行排序并维护。如果控制器协同者在超过一定时间没有收到某一个控制器的数据备份，则对该控制器发送警告(warning)，超过一定时间仍然没有收到数据备份，则判定该控制器不可达(not reachable)。系统启动容错策略。
控制器出错一般有两种可能。一种是软件错误或者进程错误。另外一种是硬件错误。针对这两种不同的错误，本发明方案提出不同的系统恢复操作。当某一个子控制系统的控制器出现软件或者进程错误时，控制器协同者只需要在精英染色体链表中获得该子控制系统精英染色体和备份的被控对象状态信息，重新下发到出现故障的子控制器中，有精英染色体在进化池中重新生成一个种群，即可重启子控制系统。
具体的，维持精英染色体链表的目的是为了在快速找出K个具有相似控制策略的控制器。如图23所示，在创建精英染色体链表时，初始节点为集总权重均为1的染色体，而当有一个新的精英染色体加入链表时，则计算新的精英染色体与初始节点的相似度，相似度越高，则新加入的精英染色体距离初始节点的距离就越近。因此，所有的精英染色体根据与初始节点的相似度进行排序。
当某一个子控制系统出现控制器硬件错误时，则首先锁定该子控制系统的精英染色体的位置，接着找出该精英染色体的K个近邻。这K个近邻精英染色体所对应的控制器将接管出现故障的子控制系统的控制任务。
在建立精英染色体链表时，我们需要按照相似度进行排序。由于每一个精英染色体均为一个权重向量，因此可以定义精英染色体之间的相似度为两个向量之间的余弦相似度。
假设初始节点所代表的集总权重向量为P0,而需要插入的新的精英染色体的集总权重向量为Pi,则两者之间的相似度定义为：
Figure BDA0000768287370000321
当子控制系统的控制器出现硬件错误时，我们需要选择备份控制器接管该控制子系统的控制任务。如上文所述，如图24所示、我们通过定位该控制子系统的精英染色体，之后通过寻找该精英染色体的K个近邻(K nearest neighbours)选择备份控制器。通过这些备份控制器接管控制任务。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内，因此本发明的保护范围应以权利要求的保护范围为准。

Claims (22)

1.一种控制系统，其特征在于，所述控制系统包括接收器、遗传进化模块、控制决策集总模块、N个功能模块、控制器以及被控对象：
所述接收器，用于接收控制任务；
所述遗传进化模块，用于根据所述控制任务从进化池中随机选择一条染色体，解码所述染色体得到N+1个集总策略；所述染色体包含N+1个基因片段，所述N+1个基因片段分别包含与所述控制决策集总模块以及所述N个功能模块一一对应的集总策略，所述进化池维护两条以上染色体；N为大于或等于1的正整数；
所述N个功能模块，用于分别根据与其一一对应的集总策略进行集总运算得到N个运算输出；
所述控制决策集总模块，用于根据所述N个运算输出以及与所述控制决策集总模块对应的集总策略进行集总运算得到集总控制输出；
所述控制器，用于根据所述集总控制输出生成控制信号，并通过所述控制信号对所述被控对象进行控制。
2.根据权利要求1所述的系统，其特征在于，所述N个功能模块中，第n个功能模块包含Mn个算法，其中，Mn为大于或等于2的正整数，1≤n≤N；所述Mn个算法用于分别独立实现该功能模块的具体功能，所述第n个功能模块为所述N个功能模块中的任意一个功能模块；
对应地，所述N个功能模块，用于分别根据与其一一对应的集总策略进行集总运算得到N个运算输出包括：
所述第n个功能模块，用于根据与其一一对应的集总策略对所述Mn个算法进行集总运算得到一个运算输出。
3.根据权利要求2所述的系统，其特征在于，在所述N+1个集总策略中，与所述第n个功能模块一一对应的第n个集总策略包含Mn个集总运算权重系数；所述Mn个集总运算权重系数用于对所述第n个功能模块所包含的Mn个算法分别进行权重分配。
4.根据权利要求3所述的系统，其特征在于，所述N个功能模块中的第n个功能模块具体用于：
根据所述第n个功能模块中所包含的Mn个算法分别进行运算，得到Mn个运算结果，根据所述第n个集总策略中包含的Mn个集总运算权重系数对所述Mn个运算结果进行加权集总运算得到一个运算输出。
5.根据权利要求2至4任一项所述的系统，其特征在于，若所述N＝1，n＝1，则所述N个功能模块为：被控对象状态估计/预测集总模块；
所述被控对象状态估计/预测集总模块包含：M1个第一算法；其中，所述M1个第一算法用于分别独立实现对所述被控对象状态估计/预测的功能。
6.根据权利要求2至4任一项所述的系统，其特征在于，若所述N＝2，n＝1或2，则所述N个功能模块分别为：被控对象状态估计/预测集总模块、外部事件或干扰预测/分类集总模块；
所述被控对象状态估计/预测集总模块包含：M1个第一算法；其中，所述M1个第一算法用于分别独立实现对所述被控对象状态估计/预测的功能；
所述外部事件或干扰预测/分类集总模块包含：M2个第二算法；其中，所述M2个第二算法用于分别独立实现对所述外部事件或干扰的预测或分类的功能。
7.根据权利要求1所述的系统，其特征在于，所述控制决策集总模块包含H个算法；其中，所述H个算法用于分别独立实现所述控制决策集总模块的功能，其中H为大于或等于2的正整数。
8.根据权利要求7所述的系统，其特征在于，在所述N+1个集总策略中，与所述控制决策集总模块对应的集总策略包含H个集总运算权重系数；所述H个集总运算权重系数分别用于对所述控制决策集总模块中所包含的H个算法进行权重分配。
9.根据权利要求8所述的系统，其特征在于，所述控制决策集总模块具体用于：
分别根据所述控制决策集总模块包含的H个算法对所述N个运算输出进行运算得到H个控制输出；并根据与所述控制决策集总模块对应的集总策略所包含的所述H个集总运算权重系数对所述H个控制输出进行加权集总运算得到集总控制输出。
10.根据权利要求1所述的系统，其特征在于，所述控制器还用于，当控制任务结束时：
收集根据所述控制信号控制得到的控制效果，所述控制效果由所述控制系统的预期控制结果与实际控制结果之间的偏差进行度量；
将所述控制效果转换成所述染色体的适应度，所述适应度用于表示所述染色体进行进化操作的概率；
将所述适应度发送给所述遗传进化模块，用于所述遗传进化模块根据所述适应度对所述染色体进行进化操作，所述进化操作包括：基因繁殖或基因重组。
11.一种系统控制方法，其特征在于，所述方法包括：
接收控制任务；
根据所述控制任务从进化池中随机选择一条染色体，解码所述染色体得到N+1个集总策略；所述染色体包含N+1个基因片段，其中每个基因片段唯一对应一个集总策略，每个集总策略唯一对应一个预设功能，一个所述集总策略用于对与其唯一对应的预设功能进行权重分配，所述进化池维护两条以上染色体；N为大于或等于1的正整数；
根据所述N+1中的N个集总策略分配的权重分别对与其唯一对应的预设功能进行计算得到N个运算输出；
根据所述N个运算输出，以及所述N+1个集总策略中除所述N个之外的一个集总策略进行集总运算得到集总控制输出；根据所述集总控制输出生成控制信号，所述控制信号用于进行系统控制。
12.根据权利要求11所述的方法，其特征在于，所述每个基因片段唯一对应一个集总策略，每个集总策略唯一对应一个预设功能，一个所述集总策略用于对与其唯一对应的预设功能进行权重分配包括：
所述进行权重分配的对象为Mn个算法，所述Mn个算法分别用于独立实现与所述集总策略唯一对应的预设功能；
每一个所述集总策略中包含Mn个集总运算权重系数，所述Mn个集总运算权重系数用于对所述Mn个算法分别进行权重分配，其中，Mn为大于或等于2的正整数，1≤n≤N，其中n用于指示不同所述集总策略的编号。
13.根据权利要求12所述的方法，其特征在于，所述根据所述N+1中的N个集总策略分配的权重分别进行计算得到N个运算输出包括：
对所述N个集总策略中的第n个集总策略执行如下步骤：根据所述Mn个集总运算权重系数对所述Mn个算法进行加权集总运算得到一个运算输出；其中，所述一个运算输出用于指示所述第n个集总策略唯一对应的预设功能的输出，所述第n个集总策略为所述N个集总策略中的任意一个集总策略。
14.根据权利要求11至13任一项所述的方法，其特征在于，所述根据所述集总控制输出生成控制信号之后，所述方法还包括：
收集根据所述控制信号控制得到的控制效果，所述控制效果由控制系统的预期控制结果与实际控制结果之间的偏差进行度量；
将所述控制效果转换成所述染色体的适应度，所述适应度用于表示所述染色体进行进化操作的概率，所述进化操作包括：基因繁殖或基因重组。
15.一种系统控制方法，其特征在于，所述方法包括：
根据接收的控制任务从进化池中随机选择一条染色体；
解码所述染色体得到N+1个集总策略；所述染色体包含N+1个基因片段，所述N+1个基因片段分别包含与控制系统中的控制决策集总模块以及N个功能模块一一对应的集总策略，所述进化池维护两条以上染色体；N为大于或等于1的正整数；
发送所述N+1个集总策略，用于使所述控制系统根据所述N+1个集总策略进行集总控制。
16.一种系统控制方法，其特征在于，应用于所述权利要求1至权利要求10任一项所述的控制系统，所述方法包括：
控制决策集总模块接收与所述控制决策集总模块对应的集总策略；
控制决策集总模块接收所述控制系统中N个功能模块发送的N个运算输出；
根据所述N个运算输出以及与所述控制决策集总模块一一对应的集总策略进行集总运算得到集总控制输出；
发送所述集总控制输出，用于使所述控制系统中的控制器根据所述集总控制输出生成控制信号，所述控制信号用于对所述控制系统中的被控对象进行控制。
17.一种系统控制方法，其特征在于，应用于所述权利要求1至权利要求10任一项所述的控制系统，所述方法包括：
接收控制决策集总模块发送的集总控制输出；
根据所述集总控制输出生成控制信号；
通过所述控制信号对所述控制系统中的被控对象进行控制。
18.一种多控制器协同控制系统，其特征在于，包括R个所述权利要求1至权利要求10任一项所述的控制系统所包括的控制器，所述多控制器协同控制系统还包括：
协同控制模块，用于接收所述R个控制系统的精英染色体，得到R条精英染色体，所述精英染色体包括：所述R个控制系统中每一个控制系统的进化池中维护的适应度最高的染色体；并根据所述R条精英染色体的相似性对所述R条精英染色体进行排序，得到精英染色体排序链表；当所述协同控制模块超过第一预设期限未接收到所述R个控制系统中任意一个控制系统的精英染色体，则启动容错策略，所述容错策略包括：根据所述精英染色体排序链表对所述超过第一预设期限未接收到精英染色体的控制系统进行容错处理，其中R为大于或等于2的正整数。
19.根据权利要求18所述的多控制器协同控制系统，其特征在于，在当所述协同控制模块超过第一预设期限未接收到所述R个控制系统中任意一个控制系统的精英染色体之后，还包括：
协同控制模块向所述超过第一预设期限未接收到精英染色体的控制系统发送警告，若从警告发送时刻起超过第二预设期限仍未收到所述控制系统的精英染色体，则启动容错策略。
20.根据权利要求18或19所述的多控制器协同控制系统，其特征在于，所述启动容错策略之前，所述协同控制模块还用于：
确定所述超过第一预设期限或第二预设期限未接收到精英染色体的控制系统中的控制器故障；
判断所述控制器故障原因，所述控制器故障原因包括软件错误或硬件错误。
21.根据权利要求20所述的多控制器协同控制系统，其特征在于，若所述控制器故障原因为软件错误，则所述协同控制模块启动容错策略具体包括：
根据所述精英染色体排序链表获取与故障控制器唯一对应的精英染色体，并将所述与所述故障控制器唯一对应的精英染色体发送给所述故障控制器，用于回复所述故障控制器的系统操作。
22.根据权利要求20所述的多控制器协同控制系统，其特征在于，若所述控制器故障原因为硬件错误，则所述协同控制模块启动容错策略具体包括：
根据所述精英染色体排序链表进行K近邻搜索获取与故障控制器具有相似控制策略的K个控制器；
将所述故障控制器的任务由所述具有相似控制策略的K个控制器接管。
CN201510447521.6A 2015-07-27 2015-07-27 一种系统控制方法、装置，控制器及控制系统 Active CN106406082B (zh)

Priority Applications (4)

Application Number Priority Date Filing Date Title
CN201510447521.6A CN106406082B (zh) 2015-07-27 2015-07-27 一种系统控制方法、装置，控制器及控制系统
EP16829783.6A EP3318934B1 (en) 2015-07-27 2016-07-19 System control method and device, controller and control system
PCT/CN2016/090520 WO2017016417A1 (zh) 2015-07-27 2016-07-19 一种系统控制方法、装置，控制器及控制系统
US15/880,696 US11385602B2 (en) 2015-07-27 2018-01-26 System control method and apparatus, controller, and control system

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510447521.6A CN106406082B (zh) 2015-07-27 2015-07-27 一种系统控制方法、装置，控制器及控制系统

Publications (2)

Publication Number Publication Date
CN106406082A CN106406082A (zh) 2017-02-15
CN106406082B true CN106406082B (zh) 2021-02-12

Family

ID=57884106

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510447521.6A Active CN106406082B (zh) 2015-07-27 2015-07-27 一种系统控制方法、装置，控制器及控制系统

Country Status (4)

Country Link
US (1) US11385602B2 (zh)
EP (1) EP3318934B1 (zh)
CN (1) CN106406082B (zh)
WO (1) WO2017016417A1 (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107861417B (zh) * 2017-10-23 2020-08-04 天津市英贝特航天科技有限公司 一种轨道交通输出信号控制系统
CN107831668B (zh) * 2017-11-15 2020-11-17 机械工业仪器仪表综合技术经济研究所 一种适用于随动控制自适应检测的方法及系统
US11720802B2 (en) * 2020-02-26 2023-08-08 International Business Machines Corporation Genetic fuzzing for customization of security operations center rules per organization

Family Cites Families (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU4950899A (en) * 1998-07-31 2000-02-21 Cet Technologies Pte Ltd Automatic freeway incident detection system using artificial neural networks andgenetic algorithms
US7033781B1 (en) * 1999-09-29 2006-04-25 Diversa Corporation Whole cell engineering by mutagenizing a substantial portion of a starting genome, combining mutations, and optionally repeating
EP2631856A3 (en) * 2000-11-10 2013-10-30 Affinnova, Inc. Method and apparatus for for dynamic, real-time market segmentation
US7254273B2 (en) * 2000-12-28 2007-08-07 Evolvable Systems Research Institute, Inc. Data coding method and device, and data coding program
JP2002312755A (ja) * 2001-04-18 2002-10-25 Fuji Heavy Ind Ltd 遺伝的アルゴリズムを用いた最適化システム、制御装置、最適化方法、プログラムおよび記録媒体
US6950712B2 (en) * 2002-07-30 2005-09-27 Yamaha Hatsudoki Kabushiki Kaisha System and method for nonlinear dynamic control based on soft computing with discrete constraints
US7542932B2 (en) * 2004-02-20 2009-06-02 General Electric Company Systems and methods for multi-objective portfolio optimization
CN101604409B (zh) * 2009-07-15 2011-11-09 北京化工大学 应用于多重入复杂制造系统的调度方法
CN102540879A (zh) * 2011-12-28 2012-07-04 北京工业大学 基于群决策检索策略的多目标评价优化方法
US20130173510A1 (en) * 2012-01-03 2013-07-04 James Joseph Schmid, JR. Methods and systems for use in reducing solution convergence time using genetic algorithms
US9235808B2 (en) * 2013-03-14 2016-01-12 International Business Machines Corporation Evaluation of predictions in the absence of a known ground truth
US10385394B2 (en) * 2013-03-15 2019-08-20 The Translational Genomics Research Institute Processes of identifying and characterizing X-linked disorders
CN103346904B (zh) 2013-06-21 2016-03-30 西安交通大学 一种容错的OpenFlow多控制器系统及其控制方法
CN103596652B (zh) 2013-07-30 2015-12-30 华为技术有限公司 一种网络控制方法及装置
CN104460514A (zh) * 2013-09-24 2015-03-25 山东理工大学 机床体积误差的信息融合预测方法
CN104573857A (zh) * 2014-12-26 2015-04-29 国家电网公司 一种基于智能算法优化组合的电网负荷率预测方法
CN104616062B (zh) * 2015-02-15 2017-03-29 河海大学 一种基于多目标遗传规划的非线性系统辨识方法

Also Published As

Publication number Publication date
US11385602B2 (en) 2022-07-12
US20180150035A1 (en) 2018-05-31
EP3318934A4 (en) 2018-07-11
EP3318934A1 (en) 2018-05-09
WO2017016417A1 (zh) 2017-02-02
CN106406082A (zh) 2017-02-15
EP3318934B1 (en) 2020-09-02

Similar Documents

Publication Publication Date Title
Ghobaei-Arani et al. A cost-efficient IoT service placement approach using whale optimization algorithm in fog computing environment
Ridwan et al. Applications of machine learning in networking: a survey of current issues and future challenges
CN106603293A (zh) 虚拟网络环境下一种基于深度学习的网络故障诊断方法
US20220248237A1 (en) Neural network circuit remote electrical tilt antenna infrastructure management based on probability of actions
Panayiotou et al. Survey on machine learning for traffic-driven service provisioning in optical networks
JP6863091B2 (ja) 管理装置、管理方法及び管理プログラム
CN113341712B (zh) 无人机自主控制系统智能分层递阶控制选择方法
US20220230062A1 (en) Dynamic network configuration
Jiang et al. Event-driven semi-Markov switching state-space control processes
CN106406082B (zh) 一种系统控制方法、装置，控制器及控制系统
US11558262B2 (en) Method and an apparatus for fault prediction in network management
WO2021250445A1 (en) Network performance assessment
Sabbeh et al. Performance prediction of software defined network using an artificial neural network
Bhanja et al. An evolutionary programming algorithm for survivable routing and wavelength assignment in transparent optical networks
Callegaro et al. SeReMAS: Self-resilient mobile autonomous systems through predictive edge computing
Violos et al. Intelligent horizontal autoscaling in edge computing using a double tower neural network
Ponmalar et al. Machine Learning Based Network Traffic Predictive Analysis
Huang et al. Effective scheduling function design in SDN through deep reinforcement learning
CN112073983A (zh) 基于流量预测的无线数据中心网络拓扑优化方法及系统
Mingshi et al. Failure prediction based vnf migration mechanism for multimedia services in power grid substation monitoring
Gunavathie et al. Traffic-aware optimal routing in software defined networks by predicting traffic using neural network
Modi et al. Enhanced routing using recurrent neural networks in software defined‐data center network
KR101617074B1 (ko) 스마트 워터 그리드에서의 수자원 분배를 위한 컨텍스트 인지 추천방법 및 장치
Sharma et al. Optimizing QoS parameters using computational intelligence in MANETS
CN115913991B (zh) 业务数据预测方法、装置、电子设备及存储介质

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