CN107219824B - 基于滚动窗口调度技术的软件机器人集成控制调度方法 - Google Patents
基于滚动窗口调度技术的软件机器人集成控制调度方法 Download PDFInfo
- Publication number
- CN107219824B CN107219824B CN201710085567.7A CN201710085567A CN107219824B CN 107219824 B CN107219824 B CN 107219824B CN 201710085567 A CN201710085567 A CN 201710085567A CN 107219824 B CN107219824 B CN 107219824B
- Authority
- CN
- China
- Prior art keywords
- software
- selection
- scheduling
- rescheduling
- task
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000005516 engineering process Methods 0.000 title claims abstract description 8
- 238000005096 rolling process Methods 0.000 title claims abstract description 8
- 238000005457 optimization Methods 0.000 claims abstract description 12
- 238000012545 processing Methods 0.000 claims abstract description 10
- 210000000349 chromosome Anatomy 0.000 claims description 38
- 238000013461 design Methods 0.000 claims description 18
- 230000007246 mechanism Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000014759 maintenance of location Effects 0.000 claims description 7
- 230000035772 mutation Effects 0.000 claims description 7
- 230000002068 genetic effect Effects 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 4
- 238000009826 distribution Methods 0.000 claims description 4
- 238000012423 maintenance Methods 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 claims description 2
- 230000000737 periodic effect Effects 0.000 claims description 2
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 230000003044 adaptive effect Effects 0.000 claims 1
- 238000010187 selection method Methods 0.000 claims 1
- 230000008569 process Effects 0.000 abstract description 12
- 238000006243 chemical reaction Methods 0.000 abstract description 4
- 230000008859 change Effects 0.000 abstract description 3
- 108090000623 proteins and genes Proteins 0.000 description 13
- 239000003124 biologic agent Substances 0.000 description 3
- 230000002759 chromosomal effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 206010064571 Gene mutation Diseases 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000004083 survival effect Effects 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000004962 physiological condition Effects 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
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
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41865—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by job scheduling, process planning, material flow
-
- 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
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32252—Scheduling production, machining, job shop
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- General Factory Administration (AREA)
- Numerical Control (AREA)
Abstract
本发明公开一种基于滚动窗口调度技术的软件机器人集成控制调度方法,包括重调度时机的选择、重调度岗位的选取与任务序列的生成三类模块。其中,重调度时机选择模块采用介于周期驱动与事件驱动的混合策略,在保证知识产品转化过程连续的同时,也使调度方法能够应对作业环境的变化;重调度岗位选取模块在保证各类软件岗位额定作业数量的基础上,采用基于优先级的选取策略,优先处理紧急任务又兼顾各类软件岗位选取的公平;任务序列生成模块充分考虑不同计算机设备执行各类软件岗位的性能差异,在可接受的算法复杂度范围内,寻求软件岗位的处理时间与计算机负载平衡的最优化。三类模块组成的集成控制调度方法,实现了待作业软件岗位任务序列的自动生成,在释放人工的同时,提升了计算机设备的利用效率与软件岗位的处理效率。
Description
技术领域
本发明属于动态调度优化算法设计领域,涉及到一种基于滚动窗口调度技术的调度优化算法设计,尤其涉及到基于滚动窗口调度技术的软件机器人集成控制调度方法。
背景技术
论文、图书、年鉴、报纸等知识产品在由纸质格式转化为设定数字格式的过程中,需要经过若干不同的人工岗位与软件岗位的处理。软件机器人承载软件岗位的执行,分布在不同的计算机设备中。
现有的软件机器人集成控制调度主要采用人工调度与协调的方式,受生理条件与计算能力的制约,其难以适应数据库中软件岗位类型数量的迅捷变化,导致各计算机设备所配置的软件机器人类型单一、设备承载忙闲不均与利用效率低下,手动配置的任务序列也难以充分考虑不同计算机设备执行各类软件岗位的性能差异,在引起计算机设备购置成本激增的同时,又面临计算资源浪费的窘境。
为此,需要设计软件机器人集成控制的自动调度方法,在释放人工的同时,提升计算机设备的利用效率与软件岗位的执行效率。
发明内容
本发明所要解决的技术问题是基于滚动窗口调度技术的软件机器人集成控制调度方法,解决了软件岗位任务序列的自动生成与软件机器人在计算机设备中的自动配置问题。
本发明采用如下技术方案实现:基于滚动窗口调度技术的软件机器人集成控制调度方法,其包括三个模块:
1重调度时机的选择模块
此模块用于判断调度方法的启动时机。
1.1配置信息的设定
从数据库中获取人工设定的调度方法配置参数。
1.2周期驱动调度方法
采用固定的检测周期,启动调度方法的判断机制。
1.3事件驱动调度方法
采用处于工作状态的机器人比率与任务序列剩余作业时间,综合判断调度方法的启动时机。
2重调度岗位的选择模块
此模块用于从数据库中选取参与调度的软件岗位的类型与数量。
2.1调度信息的设定
从数据库中获取当前调度信息,设定调度信息的存储格式。
2.2依据额定作业数量的软件岗位选取
依据额定作业数量,选取各类软件岗位参与调度的岗位数量。
2.3依据任务优先级的软件岗位选取
依据岗位优先级,选取紧急任务中参与调度的岗位类型与数量。
3任务序列的生成模块
此模块用于生成单一任务序列,对数据库中的任务序列进行更新。
3.1染色体编码与解码机制的设计
建立调度信息与染色体之间的转化关系,为多目标遗传算法设计奠定基础。
3.2染色体种群的生成
依据选取的软件岗位与软件机器人数量,自适应设定种群规模,采用基于软件岗位的编码,以随机化方式生成染色体种群。
3.3交叉算子的设计
模拟生物代际的遗传方式,延续父代染色体的优良性状。
3.4变异算子的设计
模拟生物代际的基因突变,对父代染色体产生扰动以改善种群多样性并以一定概率逃逸局域最优。
3.5选择算子的设计
模拟生物代际的自然选择,对生成的染色体进行适者生存的检验。
3.6单一序列的生成
多目标调度的计算结果通常为任务序列集合,需要将多目标转化为单目标以便于从中选取单一任务序列,更新数据库中的任务序列。
提供本发明内容是为了以精简的形式介绍。具体实施方式中进一步描述一些概念。本发明内容并不旨在标识出所要求保护的主题的关键特征或必要特征,也不旨在用于帮助确定所要求保护的主题的范围。
附图说明
图1调度方法配置信息。
图2任务信息的读取。
图3快速排序法所划分的各非支配群体的支配关系。
图4精英保留策略的设计。
图5任务序列的生成模块流程图。
图6所选取的单一任务序列。
图7本发明三类模块示意图。
具体实施方式
本发明所采用的技术方案各步骤实施方式如下:
1重调度时机的选择模块
此模块用于判断调度方法的启动时机,在软件机器人的日常管理中,需要考虑几类影响计算机设备利用效率与软件岗位执行效率的影响因素,包括:
(1)与任务相关,包括任务的紧急释放、任务优先级的变化、任务的取消、以及任务序列中剩余软件岗位的执行时间;
(2)与软件机器人相关,包括处于工作状态的机器人数量、软件机器人或计算机设备的故障;
(3)与软件岗位相关,包括岗位作业的延误、岗位作业的否决。
采用归并同类项自然消解、将影响因素转化为调度信息与任务信息的方式,在调度方法功能的划分中,重调度时机的选择模块只以任务序列中剩余软件岗位的执行时间、处于工作状态的软件机器人数量作为判断依据。
1.1配置信息的设定
从数据库中获取人工设定的调度方法配置参数,如图1所示。
1.2周期驱动重调度
周期驱动重调度采用固定的检测周期启动调度方法的判断机制,实现调度过程的连续性,检测周期读取配置参数。
1.3事件驱动重调度
事件驱动重调度采用任务序列剩余作业时间与处于工作状态的机器人比率,综合判断调度方法的启动时机。
(1)任务序列中剩余软件岗位的作业时间。为简化计算复杂度,不考虑不同软件岗位对计算机设备的竞争,只分别计算分配至各软件机器人的软件岗位的剩余作业时间,取大值形成实际剩余时间。设定的触发剩余时间从配置信息中读取,若实际剩余时间小于触发剩余时间,触发重调度。
(2)处于工作状态的机器人比率。归并软件机器人或计算机设备故障同类项,在数据库中以状态1表示工作,状态0表示空闲或故障。设定的触发机器人比率从配置信息中读取,若实际比率小于触发比率,触发重调度。
2重调度岗位的选择模块
此模块用于从数据库中选取参与调度的软件岗位的类型与数量。
2.1调度信息的设定
调度信息的读取,在获取当前软件岗位处理过程信息的同时,也要采用合适的存储格式,以便于参与调度软件岗位的选取与任务序列的生成。存储格式主要涉及如下五类。
(1)软件岗位信息
软件岗位信息采用结构体positionInformation定义,成员变量包括:
int workSequenceR;//工作线编号
int positionSequenceR;//岗位编号
CString positionName;//岗位名称
int positionParallel;//岗位在设备中的并行数量上限
long taskParallel;//岗位在调度中的选取数量下限
int exclusiveSequence;//岗位需要的专属设备序号
软件岗位信息采用二维数组vector<vector<positionInformation>>的形式存储,命名为positionVector。其中,positionVector[wS]代表工作线wS,positionVector[wS][pS]代表工作线wS的岗位pS。
(2)计算机设备信息
计算机设备信息采用结构体deviceInformation定义,成员变量包括:
int deviceSequenceR;//设备编号
int robotParallel;//机器人在设备中的并行数量
int exclusiveSequence;//设备的专属序号
计算机设备信息采用一维数组vector<deviceInformation>的形式存储,命名为deviceVector。其中,deviceVector[dS]代表设备dS。
(3)调度信息
调度信息采用结构体scheduleInformation定义,成员变量包括:
long processTime;//岗位在设备中的作业时间
调度信息采用三维数组vector<vector<vector<scheduleInformation>>>的形式存储,命名为scheduleVector。其中,scheduleVector[wS]代表工作线wS,scheduleVector[wS][pS]代表工作线wS的岗位pS,scheduleVector[wS][pS][dS]代表工作线wS的岗位pS在设备dS中的作业信息。
成员变量processTime创建默认为-1,默认对应岗位不能在此设备中作业。若对应软件岗位可以在此设备中作业,采用历史信息依据同类设备、同类岗位与配置信息的优先次序对其赋值,用以解决岗位在设备中的启动问题。软件岗位在同类设备与同类岗位中的作业时间随作业历史记录动态变化。
(4)任务信息
任务信息采用结构体taskInformation定义,成员变量包括:
int workSequenceR;//工作线编号
CString positionName;//岗位名称
int positionPriority;//任务优先级
long positionNumber;//岗位数量
任务信息采用一维数组vector<taskInformation>的形式存储,命名为taskVector。其中,taskVector[tS]代表任务tS。
从数据库中获取taskVector[tS],需要从配置信息中读取tS对应工作线优先级的调整系数重新计算此任务的positionPriority。在获取各工作线的任务之后,对taskVector中的任务依照优先级从高到低进行排序。
(5)选择信息
选择信息采用结构体selectInformation定义,成员变量包括:
int workSequenceV;//工作线编号
int positionSequenceV;//岗位编号
int deviceSequenceV;//设备编号
int robotSequence;//机器人编号
long processTime;//作业处理时间
选择信息采用一维数组vector<selectInformation>的形式存储,命名为selectorVector。其中,selectorVector[sS]代表选择的任务sS。选择信息selectInformation中,工作线编号workSequenceV、岗位编号positionSequenceV对应positionVector[wS][pS]中的wS、pS,设备编号deviceSequenceV对应deviceVector[dS]中的dS,以避免软件岗位与计算机设备信息的频繁匹配所导致的额外计算。
2.2依据额定作业数量的软件岗位选取
知识产品的转化遵循严格的生产周期,配置信息中存储各软件岗位一小时的额定作业数量,乘以调度时长可以得到此次调度的额定作业数量。
额定作业数量软件岗位的选取用以保证各软件岗位选取的公平,避免调度方法只依据任务优先级选取少量种类的软件岗位,导致与未选取软件岗位相关的人工岗位无任务处理的情况,造成人工资源的浪费。
任务信息taskVector的读取如图2所示。
依次对taskVector中的任务tS进行计算,设定一维数组vector<taskInformation>存储超越对应岗位额定配额而未选择的任务,命名为releaseVector:
(1)positionVector[wS][pS].taskParallel>=taskVector[tS].positionNumber>0的情况,positionVector[wS][pS].taskParallel-=taskVector[tS].positionNumber,将positionNumber数量的tS放入selectorVector,删除taskVector[tS];
(2)taskVector[tS].positionNumber>positionVector[wS][pS].taskParallel>0的情况,taskVector[tS].positionNumber-=positionVector[wS][pS].taskParallel,将taskParallel数量的tS放入selectorVector,positionNumber-taskParallel数量的tS放入releaseVector,令positionVector[wS][pS].taskParallel=0,删除taskVector[tS];
(3)positionVector[wS][pS].taskParallel=0的情况,将positionNumber数量的tS放入releaseVector,删除taskVector[tS]。
2.3依据任务优先级的软件岗位选取
在选取额定作业数量的岗位之后,若计算机设备尚有剩余负载,需要依据不同任务的优先级从releaseVector中选取紧急任务,提升紧急任务的处理速率。
计算机设备剩余负载的计算,以调度时长为标准,不考虑不同软件岗位对计算机设备的竞争,依次对选取的任务selectVector[sS]进行分配,依据sS在不同设备中的作业处理时间,将sS分配至处理时间最短且尚有剩余负载的软件机器人中。
紧急任务软件岗位的选取同样不考虑不同软件岗位对计算机设备的竞争,依次对未选择的任务releaseVector[rS]进行分配,依据rS在不同设备中的作业处理时间,将rS分配至处理时间最短且尚有剩余负载的软件机器人中,并放入selectVector尾部,直至所有机器人均没有剩余负载。
3任务序列的生成模块
此模块用于生成单一任务序列,对数据库中的任务序列进行更新。
3.1染色体编码机制的设计
染色体编码与解码机制建立调度信息与染色体之间的转化关系,为多目标遗传算法设计奠定基础。
采用基于软件岗位的编码机制,染色体由selectVector.size()数量的基因组成,序号为sS的基因selectVector[sS]所代表的工作线(workSequenceV)与软件岗位(positionSequenceV)固定不变,设备编号(deviceSequenceV)、软件机器人编号(robotSequence)与作业处理时间(processTime)在选择作业集合中选取。
3.2染色体种群的生成
依据选取的软件岗位数量与软件机器人数量,自适应设定种群规模,简化计算复杂度。
为保证种群多样性,以随机化方式生成初始染色体种群,设定规模为m的软件机器人负载数组processM,processM[k]代表编号为k的软件机器人的累积作业时间,令processM[k]=0。
(1)依次对基因selectVector[sS]的作业情况进行赋值,以1/(processM[k]+processTime)为选择概率,采用轮盘赌方式随机选择。其中,不同计算机设备与软件机器人的processTime一般不同。
(2)基因selectVector[sS]选定作业的软件机器人k之后,对应processM[k]+=processTime。
(3)循环执行步骤(1)(2),直至形成完整的染色体。
3.3交叉算子的设计
交叉算子模拟生物代际的遗传方式,延续父代染色体的优良性状,针对相同基因进行设计,采用均匀交叉操作。
(1)在区间[0,selectVector.size()]中,随机生成整数N,并随机选择N位基因。
(2)在父代染色体parent(T)1与parent(T)2中,将选定的N位基因的赋值,分别复制到对方子代染色体child(T)2与child(T)1对应的基因中。
(3)在父代染色体parent(T)1与parent(T)2中,将未经复制的selectVector.size()-N位基因的赋值,分别复制到各自子代染色体child(T)1与child(T)2对应的基因中。
3.4变异算子的设计
变异算子模拟生物代际的基因突变,对父代染色体产生扰动以改善种群多样性并以一定概率逃逸局域最优。
(1)在区间[0,selectVector.size()]中,随机生成整数N,并随机选择N位基因。
(2)依次对选定的基因selectVector[sS]进行变异操作,以1/processTime为选择概率对基因sS的作业机器人进行选择。其中,不同计算机设备与软件机器人的processTime一般不同。
3.5染色体解码机制的设计
为简化计算复杂度,染色体解码机制不考虑不同软件岗位对计算机设备的竞争,采用软件机器人平均负载与最大负载作为调度目标。
3.6选择算子的设计
选择算子模拟生物代际的自然选择,对生成的染色体进行适者生存的检验,采用适应度分配策略、多样性分配策略、精英保留策略进行设计。
3.6.1适应度分配策略
选择算子的设计需要以染色体之间的优劣评价为基础,多目标优化中染色体之间不能通过单一性能指标进行排序,需要基于Pareto支配关系形成染色体之间的层级划分。设N为调度目标数量,Z为种群。
为简化计算复杂度,采用郑金华提出的快速排序法,生成各非支配层级群体Z[k],各群体的支配关系如图3所示。
3.6.2多样性保持策略
在适应度分配策略将种群划分为非支配层级群体之后,需要对处于同一层级的染色体进行区分,以避免算法收敛于单一任务序列,并使任务序列集合均匀分布在非支配决策边界中。
基于显性策略优于隐性策略的证明,依据调度目标定义拥挤距离Hr表征优化方向的密集程度,Hr计算公式为最大负载与平均负载的比值,取小对处于同一非支配层级群体的任务序列进行排序。
3.6.3精英保留策略
多目标调度优化算法中,调度目标之间的矛盾冲突,导致在寻优过程中产生数量众多的非支配任务序列。作为寻优过程中十分重要的搜索信息,非支配任务序列可以指引算法搜索方向,并且有利于多样性搜索的设计。为此,引入记忆库,用以存储搜索进程中产生的非支配任务序列。
为提升算法收敛效率,记忆库中的染色体需要参与染色体的选择过程,并且在寻优进程中实时更新。父代染色体parent(T)经过交叉、变异操作之后产生子代染色体child(T),混合parent(T)、child(T)与记忆库染色体,依照快速排序法划分非支配层级群体Z[k]。
为避免调度优化算法的提前收敛与非支配任务序列的均匀分布,parent(T)需要在各非支配层级群体中分别选取,从Z[k]中选取的染色体数量依据进行,其中,n代表非支配层级数量、k代表非支配层级序号、|Z|代表种群规模、[]表示整数部分,优先选取Hr较小的染色体,避免重复调度方案,直至满足选取的数量要求。
精英保留策略如图4所示。
3.7单一序列的生成
多目标调度的计算结果通常为任务序列集合,需要将多目标转化为单目标以便于从中选取单一任务序列,更新数据库中的任务序列。
单一序列的生成,采用简单加权求和方式,调度目标fmaxL、fmeanL的权重为wmaxL、wmeanL,染色体r对应任务序列的单目标适应度的计算公式为fr=wmaxLfmaxL+wmeanLfmeanL权重从配置信息中读取。依据fr对任务序列集合进行排序,选取适应度最优的任务序列为单一序列。
任务序列的生成模块流程图如图5所示,所选取的单一任务序列如图6所示,本发明三类模块示意图如图7所示。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (1)
1.基于滚动窗口调度技术的软件机器人集成控制调度方法,其特征在于,所述方法包括步骤:
A、重调度时机的选择,提出综合周期驱动与事件驱动的重调度启动时机判断方法,其步骤主要包括:
A.1周期驱动采用固定的检测周期,启动重调度的事件驱动判断机制;
A.2事件驱动依据处于工作状态的机器人比率、任务序列剩余作业时间综合判断调度方法的启动时机;
B、重调度岗位的选取,设计参与调度的软件岗位与数量的选取方法,其步骤主要包括:
B.1依据额定作业数量的选取,保证各类软件岗位选取的兼顾;
B.2依据任务优先级的选取,在计算机设备尚有剩余负载的情况下,依据不同任务的优先级优先选取紧急任务的软件岗位,提升紧急任务的处理速率;
C、任务序列的生成,设计适用于知识产品生产的多目标遗传算法,配置需要作业的软件岗位类型与数量,其步骤主要包括:
C.1设计自适应方式设定种群规模,以随机化方式生成初始种群;
C.2设计交叉算子与变异算子,尽可能扩展种群多样性;
C.3设计由适应度分配策略、多样性保持策略、精英保留策略构成的选择算子,满足多目标优化需要,其主要步骤包括:
C.3.1适应度分配策略,采用郑金华提出的快速排序法,生成各非支配层级群体Z[k],Z代表染色体种群;
C.3.2多样性保持策略,依据调度目标定义拥挤距离Hr表征优化方向的密集程度,Hr计算公式为最大负载与平均负载的比值,取小对处于同一非支配层级群体的任务序列进行排序;
C.3.3精英保留策略,混合父代染色体parent(T)及其经过交叉、变异操作之后产生的子代染色体child(T)与记忆库染色体,依照快速排序法划分非支配层级群体Z[k],从Z[k]中选取的染色体数量依据进行,其中,n代表非支配层级数量、k代表非支配层级序号、|Z|代表种群规模、[]表示整数部分,优先选取Hr较小的染色体,避免重复调度方案,直至满足选取的数量要求;
C.4采用人工设定调度方法配置参数,调节方法的算法复杂度;采用人工设定调度目标的权重,从多目标遗传算法产生的任务序列集合中选取单一任务序列。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710085567.7A CN107219824B (zh) | 2017-02-17 | 2017-02-17 | 基于滚动窗口调度技术的软件机器人集成控制调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710085567.7A CN107219824B (zh) | 2017-02-17 | 2017-02-17 | 基于滚动窗口调度技术的软件机器人集成控制调度方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107219824A CN107219824A (zh) | 2017-09-29 |
CN107219824B true CN107219824B (zh) | 2020-07-21 |
Family
ID=59928170
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710085567.7A Active CN107219824B (zh) | 2017-02-17 | 2017-02-17 | 基于滚动窗口调度技术的软件机器人集成控制调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107219824B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109598427B (zh) * | 2018-11-23 | 2022-03-01 | 泰康保险集团股份有限公司 | 机器人的管理方法、装置及电子设备 |
CN113341896B (zh) * | 2021-06-07 | 2022-08-05 | 电子科技大学 | 面向离散制造的动态集成车间调度与装配序列规划方法 |
CN115423393B (zh) * | 2022-08-12 | 2023-04-18 | 北京邮电大学 | 一种基于lstm的动态自适应调度周期的订单调度方法及装置 |
CN117234786B (zh) * | 2023-11-10 | 2024-02-20 | 江西师范大学 | 基于大数据的计算机性能控制分析系统及方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000330966A (ja) * | 1999-05-18 | 2000-11-30 | Japan Tobacco Inc | スケジューリング装置及びその方法とこのスケジューリングプログラムを格納する記録媒体 |
CN101303597A (zh) * | 2008-05-30 | 2008-11-12 | 合肥工业大学 | 基于实时工况的变权式随机调度方法 |
CN101609334A (zh) * | 2009-07-13 | 2009-12-23 | 浙江工业大学 | 基于两级差分进化算法的作业车间多工艺路线批量动态再调度方法 |
-
2017
- 2017-02-17 CN CN201710085567.7A patent/CN107219824B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000330966A (ja) * | 1999-05-18 | 2000-11-30 | Japan Tobacco Inc | スケジューリング装置及びその方法とこのスケジューリングプログラムを格納する記録媒体 |
CN101303597A (zh) * | 2008-05-30 | 2008-11-12 | 合肥工业大学 | 基于实时工况的变权式随机调度方法 |
CN101609334A (zh) * | 2009-07-13 | 2009-12-23 | 浙江工业大学 | 基于两级差分进化算法的作业车间多工艺路线批量动态再调度方法 |
Non-Patent Citations (2)
Title |
---|
基于滚动窗口的多目标动态调度优化研究;张超勇等;《中国机械工程》;20090930;第20卷(第18期);第2190-2197页 * |
多目标柔性作业车间调度方法研究;王晓娟;《中国博士学位论文数据库(电子期刊)信息科技辑》;20111015(第10期);第I140-12页正文第14-82页 * |
Also Published As
Publication number | Publication date |
---|---|
CN107219824A (zh) | 2017-09-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107219824B (zh) | 基于滚动窗口调度技术的软件机器人集成控制调度方法 | |
Shen et al. | Mathematical modeling and multi-objective evolutionary algorithms applied to dynamic flexible job shop scheduling problems | |
CN107977740A (zh) | 一种现场运维智能调度方法 | |
Hassanzadeh et al. | Two new meta-heuristics for a bi-objective supply chain scheduling problem in flow-shop environment | |
Lin et al. | Network model and effective evolutionary approach for AGV dispatching in manufacturing system | |
CN104035816A (zh) | 一种基于改进nsga-ii的云计算任务调度方法 | |
CN104572297B (zh) | 一种基于遗传算法的Hadoop作业调度方法 | |
CN108573326A (zh) | 基于遗传蚁群混合算法的视频服务器选址方法 | |
CN115271130B (zh) | 面向船舶主动力设备维修订单的动态调度方法及系统 | |
CN114897379A (zh) | 一种基于信息反馈的动态生产计划排程系统及方法 | |
CN104899100A (zh) | 一种用于云系统的资源调度方法 | |
Guo et al. | Genetic optimization of order scheduling with multiple uncertainties | |
Lin et al. | A hybrid EA for reactive flexible job-shop scheduling | |
CN114565239A (zh) | 用于产业园区的综合低碳能源调度方法及系统 | |
CN105550825B (zh) | 云计算环境下的基于MapReduce并行化的柔性工厂作业调度方法 | |
Karimi et al. | A high performing metaheuristic for multi-objective flowshop scheduling problem | |
Zhou et al. | A game-theory approach for job scheduling in networked manufacturing | |
Pan et al. | Fuzzy project scheduling | |
CN112148446A (zh) | 一种用于多技能资源受限项目调度的进化策略算法 | |
Baek et al. | Co-evolutionary genetic algorithm for multi-machine scheduling: coping with high performance variability | |
CN110427234A (zh) | 页面的展示方法及装置 | |
Yan et al. | A job shop scheduling approach based on simulation optimization | |
CN114154827A (zh) | 一种设备排配方法及相关装置 | |
Wang et al. | A competitive genetic algorithm for resource-constrained project scheduling problem | |
CN114545884B (zh) | 基于增强拓扑神经进化的等效并行机动态智能调度方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |