CN108830408A - 一种面向任务资源匹配的装备保障任务多目标规划方法 - Google Patents
一种面向任务资源匹配的装备保障任务多目标规划方法 Download PDFInfo
- Publication number
- CN108830408A CN108830408A CN201810543699.4A CN201810543699A CN108830408A CN 108830408 A CN108830408 A CN 108830408A CN 201810543699 A CN201810543699 A CN 201810543699A CN 108830408 A CN108830408 A CN 108830408A
- Authority
- CN
- China
- Prior art keywords
- particle
- target
- weight
- resource
- subtask
- 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.)
- Pending
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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Abstract
本发明公开了一种面向任务资源匹配的装备保障任务多目标规划方法,包括粒子编码、求解近似理想点、生成初始目标权重、适应度函数构造方法、生成初始粒子种群、粒子速度的更新、位置的更新及修正和解空间规划、粒子群优化计算寻优、目标满意度评价及权重调整等步骤,该方法能够较好地解决装备保障任务规划问题,能够实现装备保障的精确化和高效化,在信息化条件下装备保障辅助决策及方案生成中具有重要的参考价值,有利于推进装备保障的信息化建设。
Description
技术领域
本发明属于装备保障领域,具体涉及一种面向任务资源匹配的装备保障任务多目标规划方法。
背景技术
对于任务规划问题的解决总结为两类方法:
第一类方法是致力于寻找最优解的精确求解方法,通常包括整数规划、分支定界法以及枚举法,这类方法求解中占用大量计算机内存,并且求解时间较长,不适用于问题规模较大、约束复杂、实时性强的任务规划问题。
第二类方法是启发式方法,包括各类规划表算法以及蚁群算法、遗传算法等。启发式方法基于直观以及经验构造,在可以接受的时间与空间开销范围内求解出约束之下问题的可行解。
装备保障任务规划是一个典型的多约束离散优化问题,其保障任务之间、保障资源之间、保障任务与保障资源之间通常存在着复杂的约束关系,如任务的逻辑顺序、任务与资源匹配限制、保障任务完成时间约束等。面向任务资源匹配的装备保障任务规划主要解决保障任务与保障资源在时间上的合理匹配问题,主要包括单目标规划和多目标规划两个方面。
目前关于任务规划方法虽然已经在多个领域进行了研究及应用,但在装备保障方面的应用研究则较少,尤其对于保障任务与保障资源匹配受限、约束关系复杂、任务多而复杂以及目标较多的装备保障任务规划问题,还没有较好的解决方法。
发明内容
针对现有技术以上缺陷或改进需求中的至少一种,本发明提供了一种面向任务资源匹配的装备保障任务多目标规划方法,该方法能够较好地解决装备保障任务规划问题,能够实现装备保障的精确化和高效化,在信息化条件下装备保障辅助决策及方案生成中具有重要的参考价值,有利于推进装备保障的信息化建设。
为实现上述目的,按照本发明的一个方面,提供了一种面向任务资源匹配的装备保障任务多目标规划方法,包括如下步骤:
步骤(1)粒子编码:
每个粒子表示任务与资源匹配的一个解,用矩阵各列的行标作为粒子的各个维,粒子各维表示的意义为:各个子任务所占用资源的序号;粒子i的位置和速度数学分别表示为:
Xi(t)=(xi1(t),xi2(t),…,xij(t),…,xiV(t)) (1)
Vi(t)=(vi1(t),vi2(t),…,vij(t),…,viV(t)) (2)
其中,xij(t)∈[1,2,…,V],表示t时刻第i个粒子第j个子任务在资源序列中的位置,V为子任务数量;
步骤(2)求解近似理想点:
针对所有单个目标求最优,在不考虑其他目标情况下得到每个目标的最优值;对于问题规模较大时,使用粒子群优化算法求解目标近似理想点:以各目标的目标函数为适应度函数,分别进行优化求解;假设共有m个目标,理想点表示为:
L=(fl1,fl2,…fli…flm) (3)
其中,fli表示目标i的最优值;
步骤(3)生成初始目标权重:
对于有m个目标的优化问题,其权重表示为:
Wp=(wp1,wp2,…,wpk,…,wpm) (4)
Wp表示进行第p次优化的所使用的目标权重向量,wpk表示第p次优化目标k对应的权值;第一次即p=1时,优化所用的权重向量通过系统生成的方式获取:根据目标的重要性,生成有大小顺序的权重向量,其中重要性越高的目标其权值越大;以后优化即p≥2时的权重向量由评价结果经过修改计算来获取;
步骤(4)适应度函数构造方法:
粒子群优化算法在度量粒子对目标优化程度的同时,还要考虑粒子的全局搜索能力;因此适应度函数兼顾粒子目标值与理想点的距离、粒子间距离两个方面;
某代种群第i个粒子的目标值表示为:
f(xi)=(f1(xi),f2(xi),…,fm(xi)) (5)
使用线性处理的方法进行无量纲化处理:
其中θk(xi)越接近1,表明目标j越接近理想值;
粒子实际目标值与目标理想点的距离计算方法如下:
粒子间距离计算方法如下:
粒子离散度计算方法如下:
N为粒子的数量;与理想点的距离越近,粒子间距离越小,表明粒子的适应度越高,粒子优化效果越好;因此,适应度函数定义如下:
优化目标为minF(i),即F(i)越小粒子适应度越高,粒子越优;
步骤(5)生成初始粒子种群:
初始规模为N,迭代次数为E,初始化粒子位置、速度和算法各项参数;计算初始种群各粒子的目标值,根据适应度函数求得适应度最高的粒子,初始化为全局历史最优gBest;各粒子当前位置作为初始个体历史最优pBest;
步骤(6)粒子速度的更新、位置的更新及修正和解空间规划;重复步骤(5)至步骤(6),直至达到迭代次数;
步骤(7)粒子群优化计算寻优:
第一次优化根据随机生成的目标权重构造适应度函数来计算得到最优解,以后的计算将根据交互评价的最优结果及修改后的权重构造新的种群;通过一定的迭代次数E控制结束,获取全局最优位置gBest;
步骤(8)目标满意度评价及权重调整:
对满意程度设定9个等级,用1-9数字表示:Φ=(1,2,3,4,5,6,7,8,9);规定数字越大满意度越高,其中:评价等级Φk≤3表示不满意;4≤Φk≤6表示对满意程度为一般;Φk≥7表示满意;决策者根据方案的目标逐个进行评价,标出对各目标优化结果的满意等级;评价结果表示为:
表示对第k个目标的满意程度;设定某个阈值σ,对所有目标(k=1,2…m):如果满意程度则表明该优化结果达到了决策者的期望,输出最优结果;如果则说明所有的目标均不能满足决策者的要求,需要返回步骤(4)重新构造适应度函数;对于其他情况,则需要调整权重,做进一步优化,直至对所有目标均满足为止,输出最优解,算法结束;
权重调整公式如下:
Wp+1=(wp+11,wp+12,…,wp+1k,…,wp+1m) (12)
wpk为进行第p次优化时目标k的权重。
优选地,所述步骤(6)中还包括如下步骤:
步骤(6.1)粒子移动:
移动速度的调整根据如下公式:
Vi(t+1)=ω·Vi(t)+c1·r1·(pBesti(t)-Xi(t))+c2·r2·(gBesti(t)-Xi(t)) (14)
式中:ω是惯量权值,c1和c2为加速因子,r1和r2为[0,1]区间上的随机数;通过向量的计算对粒子速度的每个维进行改变,为防止粒子过快地从搜索空间的一个区域飞向另一个区域,将粒子每一维速度限制在[-vmax,vmax]范围之内,即:
其中,vmax小于粒子活动范围,这里活动范围指可用子资源的个数。
优选地,所述步骤(6)中还包括如下步骤:
步骤(6.2)位置的更新与越界修正:
Xi(t+1)=Xi(t)+Vi(t+1) (16)
式中:对粒子的位置坐标值进行四舍五入取整处理,对于越界的粒子,其越界的维取靠近的边界值。
优选地,所述步骤(6)中还包括如下步骤:
步骤(6.3)解空间异步处理:
为了计算和表示方便,子任务的优先排序需要根据子任务的逻辑顺序进行调整,使其优先顺序与逻辑顺序相一致;调整后得到的优先排序表为:
P=(p1,p2,…,pn) (17)
按照子任务的优先排序表依次对各子任务进行时间分配,每次分配后相应资源被占用的时间段将会被标记,后续的任务将不能在该时间段内占用此资源;为了减少资源处于空闲状态的时间,对于资源占用冲突的子任务Ti和Tj,其中Ti优于Tj,做如下处理:
对于带有逻辑顺序的子任务时间分配,首先按照以上方法处理,然后判断其是否满足逻辑关系;如果不满足,对带有逻辑顺序的子任务Ti→Tj按照式(18)进行处理,如果处理后发生资源占用冲突,则将该子任务向后排至该资源当前未被占用的最靠前可用时间段,使其强制满足时序要求并避免资源占用冲突。
总体而言,通过本发明所构思的以上技术方案与现有技术相比,具有以下有益效果:
1、该方法能够较好地解决装备保障任务规划问题,能够实现装备保障的精确化和高效化,在信息化条件下装备保障辅助决策及方案生成中具有重要的参考价值,有利于推进装备保障的信息化建设。
2、通过建立目标权重调整模型,实现了根据评价结果调整目标权重的交互过程,解决了目标权重无法精确获取的问题;通过调整后的目标权重构造适应度函数获取一个相对最优解,从而避免了因过多非劣解而导致决策困难的问题。
附图说明
图1是本发明实施例的流程示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。下面结合具体实施方式对本发明进一步详细说明。
实际装备保障任务规划一般是多条件约束下的多目标优化及决策问题,即保障任务、保障资源和保障时间三者之间在多条件约束下多目标寻优的匹配问题,其最终匹配结果为某个保障任务由某个保障资源在某个时间区间内完成。
作为本发明的一种较佳实施方式,本发明提供一种面向任务资源匹配的装备保障任务多目标规划方法,具体算法流程如图1所示,具体实施方式如下:
步骤(1)粒子编码
每个粒子表示任务与资源匹配的一个解:用矩阵各列的行标作为粒子的各个维,粒子各维表示的意义为:各个子任务所占用资源的序号。粒子i的位置和速度数学表示为:
Xi(t)=(xi1(t),xi2(t),…,xij(t),…,xiV(t)) (1)
Vi(t)=(vi1(t),vi2(t),…,vij(t),…,viV(t)) (2)
其中,xij(t)∈[1,2,…,V],表示t时刻第i个粒子第j个子任务在资源序列中的位置,V为子任务数量。
步骤(2)求解近似理想点:
针对所有单个目标求最优,在不考虑其他目标情况下得到每个目标的最优值。对于问题规模较大时,使用粒子群优化算法求解目标近似理想点:以各目标的目标函数为适应度函数,分别进行优化求解。理想点表示为(假设共有m个目标):
L=(fl1,fl2,…fli…flm) (3)
其中,fli表示目标i的最优值。理想点作为粒子适应度评价的参考点,一般是不存在的。在进行多目标优化时,目标与理想点越近表明整体优化效果越好。
步骤(3)生成初始目标权重:
对于有m个目标的优化问题,其权重表示为:
Wp=(wp1,wp2,…,wpk,…,wpm) (4)
Wp表示进行第p次优化的所使用的目标权重向量,wpk表示第p次优化目标k对应的权值。第一次(p=1时)优化所用的权重向量通过系统生成的方式获取:根据目标的重要性,生成有大小顺序的权重向量,其中重要性越高的目标其权值越大。以后优化(p≥2时)的权重向量由评价结果经过修改计算来获取。
步骤(4)适应度函数构造方法:
粒子群优化算法在度量粒子对目标优化程度的同时,还要考虑粒子的全局搜索能力。因此适应度函数兼顾粒子目标值与理想点的距离、粒子间距离两个方面。
某代种群第i个粒子的目标值表示为:
f(xi)=(f1(xi),f2(xi),…,fm(xi)) (5)
使用线性处理的方法进行无量纲化处理:
其中θk(xi)越接近1,表明目标j越接近理想值。
粒子实际目标值与目标理想点的距离计算方法如下:
粒子间距离计算方法如下:
粒子离散度计算方法如下:
N为粒子的数量。与理想点的距离越近,粒子间距离越小,表明粒子的适应度越高,粒子优化效果越好。因此,适应度函数定义如下:
优化目标为minF(i),即F(i)越小粒子适应度越高,粒子越优。
步骤(5)生成初始粒子种群:
初始规模为N,迭代次数为E,初始化粒子位置、速度和算法各项参数。计算初始种群各粒子的目标值,根据适应度函数求得适应度最高的粒子,初始化为全局历史最优gBest。各粒子当前位置作为初始个体历史最优pBest。
步骤(6)粒子速度的更新、位置的更新及修正和解空间规划;重复步骤(5)至步骤(6),直至达到迭代次数;
步骤(7)粒子群优化计算寻优:
第一次优化根据随机生成的目标权重构造适应度函数来计算得到最优解,以后的计算将根据交互评价的最优结果及修改后的权重构造新的种群。通过一定的迭代次数E控制结束,获取全局最优位置gBest。
步骤(8)目标满意度评价及权重调整:
对满意程度设定9个等级,用1-9数字表示:Φ=(1,2,3,4,5,6,7,8,9)。规定数字越大满意度越高,其中:评价等级Φk≤3表示不满意;4≤Φk≤6表示对满意程度为一般;Φk≥7表示满意。决策者根据方案的目标逐个进行评价,标出对各目标优化结果的满意等级。评价结果表示为:
表示对第k个目标的满意程度。设定某个阈值σ,对所有目标(k=1,2…m):如果满意程度则表明该优化结果达到了决策者的期望,输出最优结果;如果则说明所有的目标均不能满足决策者的要求,需要返回步骤(4)重新构造适应度函数;对于其他情况,则需要调整权重,做进一步优化,直至对所有目标均满足为止。
权重调整公式如下:
Wp+1=(wp+11,wp+12,…,wp+1k,…,wp+1m) (12)
wpk为进行第p次优化时目标k的权重。
所述步骤(6)中还包括如下步骤:
步骤(6.1)粒子移动:
移动速度的调整根据如下公式:
Vi(t+1)=ω·Vi(t)+c1·r1·(pBesti(t)-Xi(t))+c2·r2·(gBesti(t)-Xi(t)) (14)
式中:ω是惯量权值,c1和c2为加速因子,r1和r2为[0,1]区间上的随机数;通过向量的计算对粒子速度的每个维进行改变,为防止粒子过快地从搜索空间的一个区域飞向另一个区域,将粒子每一维速度限制在[-vmax,vmax]范围之内,即:
其中,vmax小于粒子活动范围,这里活动范围指可用子资源的个数。
步骤(6.2)位置的更新与越界修正:
Xi(t+1)=Xi(t)+Vi(t+1) (16)
式中:对粒子的位置坐标值进行四舍五入取整处理,对于越界的粒子,其越界的维取靠近的边界值。
步骤(6.3)解空间异步处理:
为了计算和表示方便,子任务的优先排序需要根据子任务的逻辑顺序进行调整,使其优先顺序与逻辑顺序相一致。调整后得到的优先排序表为:
P=(p1,p2,…,pn) (17)
按照子任务的优先排序表依次对各子任务进行时间分配,每次分配后相应资源被占用的时间段将会被标记,后续的任务将不能在该时间段内占用此资源;为了减少资源处于空闲状态的时间,对于资源占用冲突的子任务Ti和Tj,其中Ti优于Tj,做如下处理:
对于带有逻辑顺序的子任务时间分配,首先按照以上方法处理,然后判断其是否满足逻辑关系;如果不满足,对带有逻辑顺序的子任务Ti→Tj按照式(18)进行处理,如果处理后发生资源占用冲突,则将该子任务向后排至该资源当前未被占用的最靠前可用时间段,使其强制满足时序要求并避免资源占用冲突。
本发明提出的面向任务资源匹配的装备保障任务多目标规划方法,通过建立目标权重调整模型,实现了根据评价结果调整目标权重的交互过程,解决了目标权重无法精确获取的问题;通过调整后的目标权重构造适应度函数获取一个相对最优解,从而避免了因过多非劣解而导致决策困难的问题。
该方法能够较好地解决装备保障任务规划问题,能够实现装备保障的精确化和高效化,在信息化条件下装备保障辅助决策及方案生成中具有重要的参考价值,有利于推进装备保障的信息化建设。
本领域的技术人员容易理解,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 (4)
1.一种面向任务资源匹配的装备保障任务多目标规划方法,其特征在于,包括如下步骤:
步骤(1)粒子编码:
每个粒子表示任务与资源匹配的一个解,用矩阵各列的行标作为粒子的各个维,粒子各维表示的意义为:各个子任务所占用资源的序号;粒子i的位置和速度数学分别表示为:
Xi(t)=(xi1(t),xi2(t),…,xij(t),…,xiV(t)) (1)
Vi(t)=(vi1(t),vi2(t),…,vij(t),…,viV(t)) (2)
其中,xij(t)∈[1,2,…,V],表示t时刻第i个粒子第j个子任务在资源序列中的位置,V为子任务数量;
步骤(2)求解近似理想点:
针对所有单个目标求最优,在不考虑其他目标情况下得到每个目标的最优值;对于问题规模较大时,使用粒子群优化算法求解目标近似理想点:以各目标的目标函数为适应度函数,分别进行优化求解;假设共有m个目标,理想点表示为:
L=(fl1,fl2,…fli…flm) (3)
其中,fli表示目标i的最优值;
步骤(3)生成初始目标权重:
对于有m个目标的优化问题,其权重表示为:
Wp=(wp1,wp2,…,wpk,…,wpm) (4)
Wp表示进行第p次优化的所使用的目标权重向量,wpk表示第p次优化目标k对应的权值;第一次即p=1时,优化所用的权重向量通过系统生成的方式获取:根据目标的重要性,生成有大小顺序的权重向量,其中重要性越高的目标其权值越大;以后优化即p≥2时的权重向量由评价结果经过修改计算来获取;
步骤(4)适应度函数构造方法:
粒子群优化算法在度量粒子对目标优化程度的同时,还要考虑粒子的全局搜索能力;因此适应度函数兼顾粒子目标值与理想点的距离、粒子间距离两个方面;
某代种群第i个粒子的目标值表示为:
f(xi)=(f1(xi),f2(xi),…,fm(xi)) (5)
使用线性处理的方法进行无量纲化处理:
其中θk(xi)越接近1,表明目标j越接近理想值;
粒子实际目标值与目标理想点的距离计算方法如下:
粒子间距离计算方法如下:
粒子离散度计算方法如下:
N为粒子的数量;与理想点的距离越近,粒子间距离越小,表明粒子的适应度越高,粒子优化效果越好;因此,适应度函数定义如下:
优化目标为minF(i),即F(i)越小粒子适应度越高,粒子越优;
步骤(5)生成初始粒子种群:
初始规模为N,迭代次数为E,初始化粒子位置、速度和算法各项参数;计算初始种群各粒子的目标值,根据适应度函数求得适应度最高的粒子,初始化为全局历史最优gBest;各粒子当前位置作为初始个体历史最优pBest;
步骤(6)粒子速度的更新、位置的更新及修正和解空间规划;重复步骤(5)至步骤(6),直至达到迭代次数;
步骤(7)粒子群优化计算寻优:
第一次优化根据随机生成的目标权重构造适应度函数来计算得到最优解,以后的计算将根据交互评价的最优结果及修改后的权重构造新的种群;通过一定的迭代次数E控制结束,获取全局最优位置gBest;
步骤(8)目标满意度评价及权重调整:
对满意程度设定9个等级,用1-9数字表示:Φ=(1,2,3,4,5,6,7,8,9);规定数字越大满意度越高,其中:评价等级Φk≤3表示不满意;4≤Φk≤6表示对满意程度为一般;Φk≥7表示满意;决策者根据方案的目标逐个进行评价,标出对各目标优化结果的满意等级;评价结果表示为:
表示对第k个目标的满意程度;设定某个阈值σ,对所有目标(k=1,2…m):如果满意程度则表明该优化结果达到了决策者的期望,输出最优结果;如果则说明所有的目标均不能满足决策者的要求,需要返回步骤(4)重新构造适应度函数;对于其他情况,则需要调整权重,做进一步优化,直至对所有目标均满足为止,输出最优解,算法结束;
权重调整公式如下:
Wp+1=(wp+11,wp+12,…,wp+1k,…,wp+1m) (12)
wpk为进行第p次优化时目标k的权重。
2.如权利要求1所述的面向任务资源匹配的装备保障任务多目标规划方法,其特征在于,所述步骤(6)中还包括如下步骤:
步骤(6.1)粒子移动:
移动速度的调整根据如下公式:
Vi(t+1)=ω·Vi(t)+c1·r1·(pBesti(t)-Xi(t))+c2·r2·(gBesti(t)-Xi(t)) (14)
式中:ω是惯量权值,c1和c2为加速因子,r1和r2为[0,1]区间上的随机数;通过向量的计算对粒子速度的每个维进行改变,为防止粒子过快地从搜索空间的一个区域飞向另一个区域,将粒子每一维速度限制在[-vmax,vmax]范围之内,即:
其中,vmax小于粒子活动范围,这里活动范围指可用子资源的个数。
3.如权利要求2所述的面向任务资源匹配的装备保障任务多目标规划方法,其特征在于,所述步骤(6)中还包括如下步骤:
步骤(6.2)位置的更新与越界修正:
Xi(t+1)=Xi(t)+Vi(t+1) (16)
式中:对粒子的位置坐标值进行四舍五入取整处理,对于越界的粒子,其越界的维取靠近的边界值。
4.如权利要求3所述的面向任务资源匹配的装备保障任务多目标规划方法,其特征在于,所述步骤(6)中还包括如下步骤:
步骤(6.3)解空间异步处理:
为了计算和表示方便,子任务的优先排序需要根据子任务的逻辑顺序进行调整,使其优先顺序与逻辑顺序相一致;调整后得到的优先排序表为:
P=(p1,p2,…,pn) (17)
按照子任务的优先排序表依次对各子任务进行时间分配,每次分配后相应资源被占用的时间段将会被标记,后续的任务将不能在该时间段内占用此资源;为了减少资源处于空闲状态的时间,对于资源占用冲突的子任务Ti和Tj,其中Ti优于Tj,做如下处理:
对于带有逻辑顺序的子任务时间分配,首先按照以上方法处理,然后判断其是否满足逻辑关系;如果不满足,对带有逻辑顺序的子任务Ti→Tj按照式(18)进行处理,如果处理后发生资源占用冲突,则将该子任务向后排至该资源当前未被占用的最靠前可用时间段,使其强制满足时序要求并避免资源占用冲突。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810543699.4A CN108830408A (zh) | 2018-05-31 | 2018-05-31 | 一种面向任务资源匹配的装备保障任务多目标规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810543699.4A CN108830408A (zh) | 2018-05-31 | 2018-05-31 | 一种面向任务资源匹配的装备保障任务多目标规划方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108830408A true CN108830408A (zh) | 2018-11-16 |
Family
ID=64145522
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810543699.4A Pending CN108830408A (zh) | 2018-05-31 | 2018-05-31 | 一种面向任务资源匹配的装备保障任务多目标规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108830408A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110705788A (zh) * | 2019-09-30 | 2020-01-17 | 中国人民解放军空军工程大学航空机务士官学校 | 一种航空dy保障设备优选方法 |
CN112348369A (zh) * | 2020-11-11 | 2021-02-09 | 博康智能信息技术有限公司 | 重大活动安保多目标多资源动态调度方法 |
CN112465451A (zh) * | 2020-11-19 | 2021-03-09 | 北京航空航天大学 | 一种支持项目并行及多资源方案的优化方法 |
CN112734278A (zh) * | 2021-01-20 | 2021-04-30 | 中国人民解放军国防科技大学 | 一种面向时敏目标打击的c2组织资源动态调度方法 |
CN113516370A (zh) * | 2021-06-15 | 2021-10-19 | 中国人民解放军海军工程大学 | 基于定期与视情相结合的舰艇编队等级修理计划编制方法 |
CN114172963A (zh) * | 2021-10-15 | 2022-03-11 | 合肥工业大学 | 基于资源利用率的多粒度的任务与服务匹配方法和系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107203412A (zh) * | 2017-05-04 | 2017-09-26 | 电子科技大学 | 一种基于膜系统改进粒子群算法的云资源调度优化方法 |
-
2018
- 2018-05-31 CN CN201810543699.4A patent/CN108830408A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107203412A (zh) * | 2017-05-04 | 2017-09-26 | 电子科技大学 | 一种基于膜系统改进粒子群算法的云资源调度优化方法 |
Non-Patent Citations (1)
Title |
---|
彭鹏菲等: "基于改进粒子群优化的多目标装备保障任务规划方法", 《系统工程与电子技术》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110705788A (zh) * | 2019-09-30 | 2020-01-17 | 中国人民解放军空军工程大学航空机务士官学校 | 一种航空dy保障设备优选方法 |
CN112348369A (zh) * | 2020-11-11 | 2021-02-09 | 博康智能信息技术有限公司 | 重大活动安保多目标多资源动态调度方法 |
CN112348369B (zh) * | 2020-11-11 | 2024-03-22 | 博康智能信息技术有限公司 | 重大活动安保多目标多资源动态调度方法 |
CN112465451A (zh) * | 2020-11-19 | 2021-03-09 | 北京航空航天大学 | 一种支持项目并行及多资源方案的优化方法 |
CN112465451B (zh) * | 2020-11-19 | 2022-06-24 | 北京航空航天大学 | 一种支持项目并行及多资源方案的优化方法 |
CN112734278A (zh) * | 2021-01-20 | 2021-04-30 | 中国人民解放军国防科技大学 | 一种面向时敏目标打击的c2组织资源动态调度方法 |
CN112734278B (zh) * | 2021-01-20 | 2023-11-07 | 中国人民解放军国防科技大学 | 一种面向时敏目标打击的c2组织资源动态调度方法 |
CN113516370A (zh) * | 2021-06-15 | 2021-10-19 | 中国人民解放军海军工程大学 | 基于定期与视情相结合的舰艇编队等级修理计划编制方法 |
CN113516370B (zh) * | 2021-06-15 | 2022-08-26 | 中国人民解放军海军工程大学 | 基于定期与视情相结合的舰艇编队等级修理计划编制方法 |
CN114172963A (zh) * | 2021-10-15 | 2022-03-11 | 合肥工业大学 | 基于资源利用率的多粒度的任务与服务匹配方法和系统 |
CN114172963B (zh) * | 2021-10-15 | 2023-07-28 | 合肥工业大学 | 基于资源利用率的多粒度的任务与服务匹配方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108830408A (zh) | 一种面向任务资源匹配的装备保障任务多目标规划方法 | |
CN107579518B (zh) | 基于mhba的电力系统环境经济调度方法和装置 | |
Rathnayaka et al. | Framework to manage multiple goals in community-based energy sharing network in smart grid | |
Lin et al. | AI-driven collaborative resource allocation for task execution in 6G-enabled massive IoT | |
Chen et al. | An improved NSGA-III algorithm for reservoir flood control operation | |
CN110739696B (zh) | 智能配网环境中需求侧资源与可再生能源的集成调度方法 | |
CN103093288A (zh) | 基于气象信息的分区电网母线负荷预测系统 | |
Jiang et al. | Data-driven coordinated charging for electric vehicles with continuous charging rates: A deep policy gradient approach | |
Shang et al. | Production scheduling optimization method based on hybrid particle swarm optimization algorithm | |
Yan et al. | Application of whale optimization algorithm in optimal allocation of water resources | |
Seo et al. | Resource-efficient federated learning with non-iid data: An auction theoretic approach | |
CN106228235B (zh) | 一种顾及格局与过程耦合效应的土地利用空间优化配置方法 | |
Wang et al. | Joint service caching, resource allocation and computation offloading in three-tier cooperative mobile edge computing system | |
Qiao et al. | A framework for multi-prototype based federated learning: Towards the edge intelligence | |
Duan et al. | Adaptive Handover Decision Inspired By Biological Mechanism in Vehicle Ad-hoc Networks. | |
Xing et al. | Partiele Swarm Optimization Algorithm Based on Different Inertia Weights for Solving the P-Hub Allocation Problem | |
Kim | A new triple bargaining game-based energy management scheme for hierarchical smart grids | |
CN114466023B (zh) | 面向大规模边缘计算系统的计算服务动态定价方法及系统 | |
CN116321189A (zh) | 一种面向边缘计算中基于深度强化学习的服务器部署方法 | |
CN106295117B (zh) | 一种被动相控阵雷达资源动态排队管控方法 | |
CN105868435B (zh) | 一种基于线性相关性分析实现光网络建设的高效控制方法 | |
Lu-ping et al. | Particle swarm optimization model of distributed network planning | |
Jiang et al. | A task offloading method with edge for 5G-envisioned cyber-physical-social systems | |
CN105959960B (zh) | 一种基于进化多目标优化匹配的频谱决策方法 | |
Zhan et al. | A hybrid GA-TS algorithm for optimizing networked manufacturing resources configuration |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181116 |
|
RJ01 | Rejection of invention patent application after publication |