CN108924196A - 工业互联网绿色能源管理系统 - Google Patents
工业互联网绿色能源管理系统 Download PDFInfo
- Publication number
- CN108924196A CN108924196A CN201810642565.8A CN201810642565A CN108924196A CN 108924196 A CN108924196 A CN 108924196A CN 201810642565 A CN201810642565 A CN 201810642565A CN 108924196 A CN108924196 A CN 108924196A
- Authority
- CN
- China
- Prior art keywords
- dragonfly yan
- service
- yan
- dragonfly
- service request
- 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
- 239000000203 mixture Substances 0.000 claims abstract description 88
- 238000005265 energy consumption Methods 0.000 claims abstract description 64
- 241000238633 Odonata Species 0.000 claims description 202
- 230000006870 function Effects 0.000 claims description 61
- 230000006399 behavior Effects 0.000 claims description 31
- 230000004044 response Effects 0.000 claims description 21
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000000926 separation method Methods 0.000 claims description 7
- 239000006185 dispersion Substances 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 238000010801 machine learning Methods 0.000 claims description 5
- 230000000717 retained effect Effects 0.000 claims description 5
- 238000013442 quality metrics Methods 0.000 claims description 4
- 238000003860 storage Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 2
- 238000012911 target assessment Methods 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 12
- 238000000034 method Methods 0.000 description 10
- 238000003672 processing method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
-
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Water Supply & Treatment (AREA)
- Strategic Management (AREA)
- Computer Networks & Wireless Communication (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Computing Systems (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Signal Processing (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)
- Feedback Control In General (AREA)
Abstract
一种工业互联网绿色能源管理系统,包括:获取单元,适于获取用户的服务请求;组合确定单元,适于从预设的服务组合案例库中获取具有所述服务请求的服务组合案例,并将所述服务组合案例的服务组合作为执行所述服务请求的最佳服务组合;当从所述执行案例库中获取不到具有所述服务请求的执行案例时,基于所述服务请求的服务质量属性和能源消耗属性,确定执行所述服务请求的最佳服务组合;执行单元,适于采用所确定的最佳服务组合执行所述服务请求。上述的方案,可以在满足服务质量的同时,降低工业物联网业务处理的能源消耗。
Description
技术领域
本发明涉及物联网技术领域,具体地涉及一种工业互联网管理系统。
背景技术
在“中国制造2025”的战略背景下,工业互联网作为全球工业系统与高级计算、分析、感应技术以及互联网连接融合的产物,日益成为新工业革命的关键支撑和深化“互联网+先进制造业”的重要基石。
面对互联互通、动态多变的工业互联网环境,如何实现服务的动态组合以达到绿色能源供需匹配管理成为该领域亟需解决的一大问题。针对上述挑战,国内外众多学者对工业互联网环境下面向服务组合质量的能源管理问题已经展开研究。
但是,现有的关于工业互联网环境下服务组合的动态配置过程片面追求QoS最优化,并没有考虑服务组合的能源消耗所带来的影响。
发明内容
本发明解决的技术问题是如何在满足服务质量的同时,降低工业物联网业务处理的能源消耗。
为解决上述技术问题,本发明实施例提供了一种工业互联网绿色能源管理系统,所述系统包括:
获取单元,适于获取用户的服务请求;
组合确定单元,适于从预设的服务组合案例库中获取具有所述服务请求的服务组合案例,并将所述服务组合案例的服务组合作为执行所述服务请求的最佳服务组合;当从所述执行案例库中获取不到具有所述服务请求的执行案例时,基于所述服务请求的服务质量属性和能源消耗属性,确定执行所述服务请求的最佳服务组合;
执行单元,适于采用所确定的最佳服务组合执行所述服务请求。
可选地,所述组合确定单元,适于基于单位能耗所获得的服务质量,构建最经济控制目标函数;以响应时间、成本和可靠性作为指标,构建所述服务请求的服务质量目标函数;以能源成本、能源利用率和污染成本作为指标,构建与所述服务请求的总体能耗量目标函数;将所构建的所述服务请求的服务质量目标函数和总体能耗量目标函数代入所述最经济控制目标函数,得到多目标评估函数;采用多目标蜻蜒算法对所述多目标评估函数执行迭代计算,得到对应的最优解,作为执行所述服务请求的最佳服务组合。
可选地,所述组合确定单元基于单位能耗所获得的服务质量构建的最经济控制目标函数为:
其中,Ge表示所述服务请求的服务质量,QoS表示所述服务请求的服务质量,EC表示表示所述服务请求的能耗属性。
可选地,所述组合确定单元以响应时间、成本和可靠性作为指标构建的所述业务的服务质量目标函数为:
且其约束条件为:
其中,n表示所述服务请求分解得到的子服务请求的数量,Ti、Ci和Ri分别表示第i个子服务请求的响应时间、成本和可靠性,Tmax、Cmax和Rmin分别表示所述服务请求所能接受的最大响应时间、最高成本和最小可靠性。
可选地,所述组合确定单元以能源成本、能源利用率和污染成本作为指标所构建的所述业务的总体能耗量目标函数为:
其中,ECi表示第i个子服务请求的能耗,CTi、URi、PLi分别表示第i个子服务请求的能源成本、能源利用率和污染成本,w1i、w2i和w3i分别表示第i个子服务请求的能源成本、能源利用率和污染成本的权重,且w1i+w2i+w3i=1。
可选地,所述组合确定单元,适于初始化蜻蜒种群Xi(i=1,2,...,n)、步骤矢量ΔXi(i=1,2,...,n),并设置档案大小;其中,蜻蜒个体为服务组合对应的服务质量指标所组成的矢量,一种蜻蜒位置对应一种服务组合,档案大小代表最终储存的服务组合的个数;从所述初始化蜻蜒种群开始,对当前蜻蜒种群执行一次迭代,包括:对当前蜻蜒种群中的蜻蜒个体进行遍历,获取遍历到的当前蜻蜒个体,将遍历到的当前蜻蜒个体的位置作为当前蜻蜒位置;对当前蜻蜒位置对应的服务组合中每个子服务的能源成本权重系数、能源利用率权重系数和污染成本权重系数进行训练,获取当前蜻蜒位置对应的服务组合中每个子服务的能源成本权重系数、能源利用率权重系数和污染成本权重系数的实际配置;将所述当前蜻蜒位置对应的服务组合中每个子服务的能源成本权重系数、能源利用率权重系数和污染成本权重系数的实际配置代入所述多目标评估函数,计算得到当前蜻蜒位置对应的适应度值;获取当前蜻蜒种群中的下一蜻蜒个体对应的蜻蜒位置,作为下一蜻蜒位置,直至当前蜻蜒种群中的所有蜻蜒个体的蜻蜒位置全部遍历完成,得到当前蜻蜒种群的所有蜻蜒位置及对应的适应度值;对得到的所有蜻蜒位置和对应的适应度值执行帕累托有效能耗评估,判断存入档案的每个非劣解对应的蜻蜒位置及其适应度值是否满足所述约束条件;当确定满足所述约束条件时,将对应的蜻蜒位置及其适应度值保留在所述档案中;反之,则将对应的蜻蜒位置及其适应度值从所述档案中删除;从档案中选择食物来源和敌人,并通过蜻蜒的分离、对齐、凝聚力、向外分散敌人和对食物来源的吸引力五种行为对初始化得到的步骤向量和蜻蜒位置进行更新,得到下一蜻蜒种群;对所述下一蜻蜒种群执行下一次迭代,直至迭代次数达到预设的次数阈值,得到所述档案中存放的最终解集;将档案中存储的最终解集中的非劣解对应的多个服务组合输出供用户选择,并将用户所选取的一个服务组合作为所述最佳服务组合。
可选地,所述组合确定单元,适于采用机器学习中的BP神经网络对当前蜻蜒位置对应的服务组合中每个子服务的能源成本权重系数、能源利用率权重系数和污染成本权重系数进行训练。
可选地,,所述组合确定单元,适于采用如下的公式对步骤向量和蜻蜒位置进行更新:
且:
ΔXt+1=(sSi+aAi+cCi+fFi+eEi)+wΔXt;
Ei=X-+X;
Fi=X++X;
其中,T(Δx)表示步骤向量,Xt+1表示t+1时刻的位置向量,Xt表示t时刻的位置向量,r为更新前后蜻蜒间的欧式距离,Si表示蜻蜒的分离行为,Ai表示蜻蜒的对齐行为,Ci表示蜻蜒的凝聚力行为,Ei表示蜻蜒的向外分散敌人行为,Fi表示蜻蜒对食物来源的吸引力行为,s、a、c、f、e分别表示蜻蜒的分离、对齐、凝聚力、向外分散敌人、对食物来源的吸引力五种行为的学习系数,w表示对t时刻的蜻蜒位置的学习系数,X表示当前蜻蜒个体的位置,Xj表示当前蜻蜒个体的第j个邻居蜻蜒个体,X+表示从档案中选取的食物来源,X-表示从档案中选取的敌人,Vj表示当前蜻蜒个体的第j个邻居蜻蜒个体的速度。
与现有技术相比,本发明实施例的技术方案具有以下有益效果:
上述的方案,在从所述执行案例库中获取不到具有所述服务请求的执行案例时,基于所述服务请求的服务质量属性和能源消耗属性,确定执行所述服务请求的最佳服务组合,将服务质量属性和能源消耗属性作为确定执行所述服务请求的服务组合的,而非单纯地追求服务质量属性,故可以在满足服务质量属性的同时,降低能源消耗,绿色、经济、环保。
附图说明
图1是本发明实施例中的一种工业互联网智能服务处理方法的流程图;
图2是本发明实施例中确定处理服务请求的最佳服务组合的方法的流程图;
图3是本发明实施例中的一种工业互联网绿色能源管理系统的结构示意图。
具体实施方式
本发明实施例中的技术方案通过在从所述执行案例库中获取不到具有所述服务请求的执行案例时,基于所述服务请求的服务质量属性和能源消耗属性,确定执行所述服务请求的最佳服务组合,将服务质量属性和能源消耗属性作为确定执行所述服务请求的服务组合的,而非单纯地追求服务质量属性,故可以在满足服务质量属性的同时,降低能源消耗,绿色、经济、环保。为使本发明的上述目的、特征和有益效果能够更为明显易懂,下面结合附图对本发明的具体实施例做详细的说明。
图1是本发明实施例的一种工业互联网智能服务处理方法的流程示意图。参考图1,一种工业互联网智能服务处理方法,适于对工业互联网业务请求进行处理,具体可以包括如下的步骤:
步骤S101:获取用户的服务请求。
在具体实施中,所述用户为工业互联网环境中的设备;所述服务请求为所述用户的业务处理请求。随着物联网范围不断的发展扩大,网络中的设备及基于网络中的设备所开发的业务数量也在不断的增加。当需要处理业务时,用户(即网络中的设备)可以发送对应的服务请求。当接收到所述服务请求时,通过对所述服务请求进行解析可以获取对应的待处理业务的信息。
当需要执行相应的业务时,用户可以发送对应的服务请求,以使得对应的业务得以处理。在本文中,所谓处理服务请求是指响应该服务请求,处理对应的待处理的业务的操作。
步骤S102:判断从预设的服务组合案例库中是否能够获取具有所述服务请求的服务组合案例;当判断结果为是时,可以执行步骤S103;反之,则可以执行步骤S104。
在具体实施中,所述服务组合案例库中包括由多个服务组合案例。其中,所述服务组合案例库中的每个服务组合案例包括对应的服务请求和处理该服务请求的服务组合的信息,通过将已经处理过的业务和处理该业务的服务组合进行收集整理得到。其中,所述处理该已经处理过的业务所采用的服务组合,为根据服务质量属性和能源消耗属性所确定的最佳服务组合,与后文步骤中的基于服务质量属性和能源消耗属性所确定的最佳服务组合所采用的过程相同,请参见后文中的相应介绍。
在具体实施中,判断从预设的服务组合案例库中是否能够获取具有所述服务请求的服务组合案例,换言之,也就是判断所述服务组合案例库中是否存在记录有该业务及处理该业务的最佳服务组合的信息的服务组合案例。
步骤S103:将所获取的服务组合案例的服务组合作为执行所述服务请求的最佳服务组合。
在具体实施中,当从所述服务组合案例库中检索出具有与当前待处理的服务请求相同的服务请求的服务组合案例时,可以直接将检索出的服务组合案例中的服务组合作为处理所述服务请求的最佳服务组合。
通过上述描述可知,采用每次将处理过的服务请求和响应该服务请求的最佳服务组合进行整理形成对应的服务组合案例并存储在服务组合案例库中,可以在后续需要处理同样的服务请求时,直接通过检索所述服务组合案例库获取对应的最佳服务组合,故可以提高服务请求的处理速度和效率。
步骤S104:基于所述服务请求的服务质量属性和能源消耗属性,确定执行所述服务请求的最佳服务组合。
在具体实施中,当从所述服务组合案例库中未检索出具有与当前待处理的服务请求相同的服务请求的服务组合案例时,表明所述述服务组合案例库中未记录有当前待处理的服务请求及其对应的最佳服务组合的服务组合案例,故需要为当前待处理的服务请求确定对应的最佳服务组合。
在具体实施中,基于所述服务请求的服务质量属性和能源消耗属性,确定执行所述服务请求的最佳服务组合,也即是在保证服务请求的服务质量的前提下,获取能耗最低的服务组合来处理所述服务请求,以降低服务请求的能源消耗。在本发明一实施例中,将单位能耗所获得的服务质量作为最经济控制目标函数,利用多目标蜻蜒算法计算得到处理服务请求的最佳服务组合,以在满足用户服务质量需求下实现工业互联网环境下的绿色能源配置与管理,具体而言,可以包括如下的操作:
执行步骤S201,基于单位能耗所获得的服务质量,构建最经济控制目标函数。
所述基于单位能耗所获得的服务质量,构建最经济控制目标函数,指在不影响用户满意度的情况下,满足降低服务组合能耗及治污成本的要求,将单位能耗所获得的服务质量作为最经济控制目标函数的最优化问题。其中,面向服务组合质量的绿色能源管理的目的在于满足用户对服务组合中服务质量需求的同时实现能源消耗最低的需求,分为服务质量和能源消耗两部分,即:
F=(EC,Qos) (1)
故最经济控制目标函数可以表示为:
其中,QoS表示服务请求的服务质量,EC表示服务请求的能耗。
执行步骤S202,以响应时间、成本和可靠性作为指标,构建所述服务请求的服务质量目标函数。
在具体实施中,服务质量QoS是可从时间、成本、可靠性、满意度,可用性、信誉度、可维护度等几个方面来描述。在本发明一实施例中,从服务组合的服务特点及服务质量参数的重要程度和可度量的角度出发,选取响应时间(Time,T)、成本(Cost,C)和可靠性(Reliability,R)作为服务组合的QoS指标,即以响应时间、成本和可靠性作为指标所构建的服务请求的服务质量目标函数如下:
其中,n表示作为所述服务请求的总服务分解得到的子服务的数量,Ti、Ci和Ri分别表示第i个子服务的响应时间、成本和可靠性。
假设一个总服务所能接受的最大的响应时间为Tmax,所能接受的最高成本为Cmax,所能允许的最小可靠性为Rmin,于是可以建立以下约束条件:
其中,,Tmax、Cmax和Rmin分别表示所述服务请求所能接受的最大响应时间、最高成本和最小可靠性。
然后,可以执行步骤S203,以能源成本、能源利用率和污染成本作为指标,构建与所述服务请求的总体能耗量目标函数。
在具体实施中,传统的统计能耗方式只是单一的评估在提供某种服务时的所耗资源,能耗指标不仅是为了追求能耗的较低化,更是为了实现绿色低耗,这不可避免的涉及能源成本,能源的可利用率,污染等多个指标,他们的融合统计才能体现绿色低耗。
在本发明一实施例中,选取包括能源成本CT、能源利用率UR以及污染成本PL在内的三大指标来对总体能耗量EC进行衡量,即以能源成本、能源利用率和污染成本作为指标所构建与所述服务请求的总体能耗量目标函数为:
EC=min(w1CT+w2UR+w3PL),∑wi=1 (5)
其中,CT为能源成本,UR为能源利用率,PL为污染成本。
在具体实施中,将服务请求作为总服务(General Service,GS),所述总服务可以划分成对应的多个子服务(Sub-Service,SS),选取处理所述服务请求的服务组合,也即从不同类型服务提供者中选出每个子服务的服务进行组合,每个子服务对应的能耗量目标函数采用公式(5)进行表示,则总服务的总体能耗量目标函数可以表示为:
其中,对于每个子服务的公式(5),对应的权重系数w1、w2和w3之和为1。在本发明一实施例中,针对总服务中的每个子服务,采用机器学习中的BP神经网络对多参数权重进行训练,以获得最符合要求的权重系数w1、w2和w3的配置。
之后,可以步骤S204,将所构建的所述服务请求的服务质量目标函数和总体能耗量目标函数代入所述最经济控制目标函数,得到多目标评估函数。
在具体实施中,将通过步骤S202和S203得到的服务请求的服务质量目标函数和总体能耗量目标函数代入所述最经济控制目标函数,便可以得到所述多目标评估函数。
最后,可以执行步骤S205,采用多目标蜻蜒算法对所述多目标评估函数执行迭代计算,得到对应的最优解,作为执行所述服务请求的最佳服务组合。
在具体实施中,在所述多目标评估函数中,所述服务请求对应的每个子服务请求的响应时间、成本和可靠性,以及能源成本、能源利用率和污染成本为未知数。通过采用多目标蜻蜒算法对所述多目标评估函数执行迭代计算,可以得到每个子服务的响应时间、成本和可靠性,以及能源成本、能源利用率和污染成本,使得最终得到服务组合可以满足服务质量需求且能耗最低。
其中,采用多目标蜻蜒算法对所述多目标评估函数执行迭代计算包括如下的步骤:
首先,初始化蜻蜒种群Xi(i=1,2,...,n),步骤矢量ΔXi(i=1,2,...,n),并设置档案大小,记为Nbp。其中,蜻蜒个体为服务组合对应的服务质量指标所组成的矢量,一种蜻蜒位置对应一种服务组合,档案大小Nbp代表最终输出的供用户选择的服务组合的个数。
接着,从初始化得到的蜻蜒种群开始,对当前蜻蜒种群执行一次迭代,包括:
(1)对当前蜻蜒种群中的蜻蜒个体进行遍历,获取遍历到的当前蜻蜒个体,并将当前蜻蜒个体对应的对应位置,作为遍历到的当前蜻蜒位置。
(2)对遍历到的当前蜻蜒位置对应的服务组合中每个子服务的能耗量目标函数(5)中的权重参数分别采用机器学习中的BP神经网络进行训练得到每个子服务的能耗量目标函数(5)中的权重参数w1、w2和w3的实际配置。
(3)在对遍历到的当前蜻蜒位置对应的服务组合中每个子服务能耗量目标函数(5)中的权重参数w1、w2和w3的实际配置之后,计算遍历到当前蜻蜒位置对应的当前服务组合的适应度值,即采用公式(2)计算得到多目标评估函数对应的目标值。
(4)判断当前蜻蜒种群中的所有蜻蜒个体是否遍历完成;当判断结果为是时,可以执行步骤(6);反之,则可以执行步骤(5)。
(5)获取当前蜻蜒种群的下一蜻蜒个体对应的蜻蜒位置,作为当前蜻蜒位置,并从步骤(2)开始执行。
(6)在当前蜻蜒种群中的所有蜻蜒个体全部遍历完成时,得到当前蜻蜒种群对应的所有蜻蜒位置及对应的适应度值。
(7)当前蜻蜒种群对应的所有蜻蜒位置及其适应度值执行帕累托有效能耗评估,以得到存入档案中的当前蜻蜒种群中的蜻蜒位置及适应度值。具体而言,可以包括以下两个步骤:
其一,Pareto存档。每次迭代均会产生一个最新的解,即服务组合方案,用Pareto存档来存放新解中的Pareto解。因初始化时设置的存档的档案大小为Nbp,当存入的Pareto解个数超过Nbp时,则根据拥挤距离进行裁剪。
其二,Pareto解集存储空间更新。新的服务组合方案支配档案中的一个或多个服务组合方案。在这种情况下,剔除档案中被支配的服务组合方案,新的服务组合方案将能够进入档案库;当新的服务组合方案和存档成员都不支配,则应将新服务组合方案添加到存档中;如果所述档案存档已满时,采用欧氏距离计算各支配方案之间的相似度,找到相似度最高的两个或多个方案,省略其中一个解决方案。
(8)判断存入档案的每个非劣解对应的蜻蜒位置及其适应度值是否满足所述约束条件;当确定满足所述约束条件时,执行步骤(9);反之,则可以执行步骤(10)。
(9)将对应的蜻蜒位置及其适应度值保留在所述档案中。
(10)则将对应的蜻蜒位置及其适应度值从所述档案中删除。
(11)从档案中选择食物来源:X+=SelectFood(存档),从存档中选择一个敌人:X-=SelectFood(存档),并通过以下五个行为对步骤矢量和蜻蜒位置进行更新,得到下一蜻蜒种群,具体步骤如下:
蜻蜒的五种行为包括分离、对齐、凝聚力、向外分散敌人行为和对食物来源的吸引力,其中:
①蜻蜒的分离行为Si指的是蜻蜒与邻居之间避免碰撞,计算公式如下:
其中,X是当前蜻蜒个体的位置,Xj表示当前蜻蜒个体的第j个邻居蜻蜒个体的位置,N是当前蜻蜒个体的邻居蜻蜒个体的数量,其代表对应的两个服务组合之间保留的差距。
②蜻蜒的对齐行为Ai,表示蜻蜒个体与邻居中蜻蜒个体之间的速度匹配,其计算公式如下:
其中,Vj表示表示当前蜻蜒个体的第j个邻居蜻蜒个体的速度,其表示与相邻服务组合之间保持相近的速度。
③凝聚力Ci指蜻蜒个体倾向于居群体的中心,其计算公式如下:
其中,X是当前个体的位置,N是邻域的数量,并且Xj表示出第j个邻居个体的位置,其指导个体不断靠近最优服务组合。
④蜻蜒向外分散敌人行为Ei,其计算公式如下:
Ei=X-+X (10)
⑤蜻蜒对食物来源的吸引力行为Fi,且计算公式如下:
Fi=X++X (11)
综上①②③④⑤五种蜻蜒行为,可以得出:
ΔXt+1=(sSi+aAi+cCi+fFi+eEi)+wΔXt (12)
其中,ΔXt+1表示t+1时刻位置的增量,t表示时刻或称为迭代次数,ΔXt表示t时刻位置的增量,w表示对t时刻的位置增量的学习系数,s、a、c、f、e分别表示五个行为的学习系数。
最后,分别采用如下的公式分别更新步骤向量T(Δx)和位置向量Xt+1:
其中,r为更新前后蜻蜒间的欧式距离。
在通过蜻蜒的上述五种行为得到对应的步骤矢量和更新后的蜻蜒位置Xt+1时,完成一次迭代,可以得到下一蜻蜒种群。
接着,可以将下一蜻蜒种群作为当前蜻蜒种群,并从步骤(1)开始执行下一迭代操作,直至迭代次数达到预设的次数阈值时,得到档案中最终存入的蜻蜒位置及其适应度值。
最后,输出此时的Patero前沿,即为个数为档案大小Nbp的最优的服务组合配置,供用户进行选择其中之一的最优服务组合,作为所述最佳服务组合。
在具体实施中,用户可以根据实际的需要从Nbp个最优服务组合中选取一个服务组合作为所述最佳服务组合。
步骤S105:采用所确定的最佳服务组合执行所述服务请求。
在具体实施中,当确定最佳服务组合时,采用所确定的最佳服务组合执行所述服务请求即可。
上述的方案,在从所述执行案例库中获取不到具有所述服务请求的执行案例时,基于所述服务请求的服务质量属性和能源消耗属性,确定执行所述服务请求的最佳服务组合,将服务质量属性和能源消耗属性作为确定执行所述服务请求的服务组合的,而非单纯地追求服务质量属性,故可以在满足服务质量属性的同时,降低能源消耗,绿色、经济、环保。
上述对本发明实施例中的方法进行了详细的描述,下面将对上述的方法对应的装置进行介绍。
图3示出了本发明实施例中的一种工业互联网绿色能源管理系统的结构示意图。参见图3,一种工业互联网绿色能源管理系统30可以包括获取单元301、组合确定单元302和执行单元303,其中:
所述获取单元301,适于获取用户的服务请求;
所述组合确定单元302,适于从预设的服务组合案例库中获取具有所述服务请求的服务组合案例,并将所述服务组合案例的服务组合作为执行所述服务请求的最佳服务组合;当从所述执行案例库中获取不到具有所述服务请求的执行案例时,基于所述服务请求的服务质量属性和能源消耗属性,确定执行所述服务请求的最佳服务组合;
所述执行单元303,适于采用所确定的最佳服务组合执行所述服务请求。
在具体实施中,所述组合确定单元302,适于基于单位能耗所获得的服务质量,构建最经济控制目标函数;以响应时间、成本和可靠性作为指标,构建所述服务请求的服务质量目标函数;以能源成本、能源利用率和污染成本作为指标,构建与所述服务请求的总体能耗量目标函数;将所构建的所述服务请求的服务质量目标函数和总体能耗量目标函数代入所述最经济控制目标函数,得到多目标评估函数;采用多目标蜻蜒算法对所述多目标评估函数执行迭代计算,得到对应的最优解,作为执行所述服务请求的最佳服务组合。
在本发明一实施例中,所述组合确定单元302基于单位能耗所获得的服务质量构建的最经济控制目标函数为:
其中,Ge表示所述服务请求的服务质量,QoS表示所述服务请求的服务质量,EC表示表示所述服务请求的能耗属性。
在本发明一实施例中,所述组合确定单元302以响应时间、成本和可靠性作为指标构建的所述业务的服务质量目标函数为:
且其约束条件为:
其中,n表示所述服务请求分解得到的子服务请求的数量,Ti、Ci和Ri分别表示第i个子服务请求的响应时间、成本和可靠性,Tmax、Cmax和Rmin分别表示所述服务请求所能接受的最大响应时间、最高成本和最小可靠性。
在本发明一实施例中,所述组合确定单元302以能源成本、能源利用率和污染成本作为指标所构建的所述业务的总体能耗量目标函数为:
其中,ECi表示第i个子服务请求的能耗,CTi、URi、PLi分别表示第i个子服务请求的能源成本、能源利用率和污染成本,w1i、w2i和w3i分别表示第i个子服务请求的能源成本、能源利用率和污染成本的权重,且w1i+w2i+w3i=1。
可选地,所述组合确定单元,适于初始化蜻蜒种群Xi(i=1,2,...,n)、步骤矢量ΔXi(i=1,2,...,n),并设置档案大小;其中,蜻蜒个体为服务组合对应的服务质量指标所组成的矢量,一种蜻蜒位置对应一种服务组合,档案大小代表最终储存的服务组合的个数;从所述初始化蜻蜒种群开始,对当前蜻蜒种群执行一次迭代,包括:对当前蜻蜒种群中的蜻蜒个体进行遍历,获取遍历到的当前蜻蜒个体,将遍历到的当前蜻蜒个体的位置作为当前蜻蜒位置;对当前蜻蜒位置对应的服务组合中每个子服务的能源成本权重系数、能源利用率权重系数和污染成本权重系数进行训练,获取当前蜻蜒位置对应的服务组合中每个子服务的能源成本权重系数、能源利用率权重系数和污染成本权重系数的实际配置;将所述当前蜻蜒位置对应的服务组合中每个子服务的能源成本权重系数、能源利用率权重系数和污染成本权重系数的实际配置代入所述多目标评估函数,计算得到当前蜻蜒位置对应的适应度值;获取当前蜻蜒种群中的下一蜻蜒个体对应的蜻蜒位置,作为下一蜻蜒位置,直至当前蜻蜒种群中的所有蜻蜒个体的蜻蜒位置全部遍历完成,得到当前蜻蜒种群的所有蜻蜒位置及对应的适应度值;对得到的所有蜻蜒位置和对应的适应度值执行帕累托有效能耗评估,得到存入所述档案中的蜻蜒位置及其适应度值;判断存入档案的每个非劣解对应的蜻蜒位置及其适应度值是否满足所述约束条件;当确定满足所述约束条件时,将对应的蜻蜒位置及其适应度值保留在所述档案中;反之,则将对应的蜻蜒位置及其适应度值从所述档案中删除;从档案中选择食物来源和敌人,并通过蜻蜒的分离、对齐、凝聚力、向外分散敌人和对食物来源的吸引力五种行为对初始化得到的步骤向量和蜻蜒位置进行更新,得到下一蜻蜒种群;对所述下一蜻蜒种群执行下一次迭代,直至迭代次数达到预设的次数阈值,得到所述档案中存放的最终解集;将档案中存储的最终解集中的非劣解对应的多个服务组合输出供用户选择,并将用户所选取的一个服务组合作为所述最佳服务组合。
在本发明一实施例中,所述组合确定单元302,适于采用机器学习中的BP神经网络对当前蜻蜒位置对应的服务组合中每个子服务的能源成本权重系数、能源利用率权重系数和污染成本权重系数进行训练。
在本发明一实施例中,所述组合确定单元302,适于采用如下的公式对步骤向量和蜻蜒位置进行更新:
且:
ΔXt+1=(sSi+aAi+cCi+fFi+eEi)+wΔXt;
Ei=X-+X;
Fi=X++X;
其中,T(Δx)表示步骤向量,Xt+1表示t+1时刻的位置向量,Xt表示t时刻的位置向量,r为更新前后蜻蜒间的欧式距离,Si表示蜻蜒的分离行为,Ai表示蜻蜒的对齐行为,Ci表示蜻蜒的凝聚力行为,Ei表示蜻蜒的向外分散敌人行为,Fi表示蜻蜒对食物来源的吸引力行为,s、a、c、f、e分别表示蜻蜒的分离、对齐、凝聚力、向外分散敌人、对食物来源的吸引力五种行为的学习系数,w表示对t时刻的蜻蜒位置的学习系数,X表示当前蜻蜒个体的位置,Xj表示当前蜻蜒个体的第j个邻居蜻蜒个体,X+表示从档案中选取的食物来源,X-表示从档案中选取的敌人,Vj表示当前蜻蜒个体的第j个邻居蜻蜒个体的速度。
本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机指令,所述计算机指令运行时执行所述的工业互联网业务处理方法的步骤。其中,所述的工业互联网业务处理方法请参见前述部分的介绍,不再赘述。
本发明实施例还提供了一种终端,包括存储器和处理器,所述存储器上储存有能够在所述处理器上运行的计算机指令,所述处理器运行所述计算机指令时执行所述的工业互联网业务处理方法的步骤。其中,所述的工业互联网业务处理方法请参见前述部分的介绍,不再赘述。
采用本发明实施例的上述方案,在从所述执行案例库中获取不到具有所述服务请求的执行案例时,基于所述服务请求的服务质量属性和能源消耗属性,确定执行所述服务请求的最佳服务组合,将服务质量属性和能源消耗属性作为确定执行所述服务请求的服务组合的,而非单纯地追求服务质量属性,故可以在满足服务质量属性的同时,降低能源消耗,绿色、经济、环保。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序可以存储于计算机可读存储介质中,存储介质可以包括:ROM、RAM、磁盘或光盘等。
虽然本发明披露如上,但本发明并非限定于此。任何本领域技术人员,在不脱离本发明的精神和范围内,均可作各种更动与修改,因此本发明的保护范围应当以权利要求所限定的范围为准。
Claims (8)
1.一种工业互联网绿色能源管理系统,其特征在于,包括:
获取单元,适于获取用户的服务请求;
组合确定单元,适于从预设的服务组合案例库中获取具有所述服务请求的服务组合案例,并将所述服务组合案例的服务组合作为执行所述服务请求的最佳服务组合;当从所述执行案例库中获取不到具有所述服务请求的执行案例时,基于所述服务请求的服务质量属性和能源消耗属性,确定执行所述服务请求的最佳服务组合;
执行单元,适于采用所确定的最佳服务组合执行所述服务请求。
2.根据权利要求1所述的工业互联网绿色能源管理系统,其特征在于,所述组合确定单元,适于基于单位能耗所获得的服务质量,构建最经济控制目标函数;以响应时间、成本和可靠性作为指标,构建所述服务请求的服务质量目标函数;以能源成本、能源利用率和污染成本作为指标,构建与所述服务请求的总体能耗量目标函数;将所构建的所述服务请求的服务质量目标函数和总体能耗量目标函数代入所述最经济控制目标函数,得到多目标评估函数;采用多目标蜻蜒算法对所述多目标评估函数执行迭代计算,得到对应的最优解,作为执行所述服务请求的最佳服务组合。
3.根据权利要求2所述的工业互联网绿色能源管理系统,其特征在于,所述组合确定单元基于单位能耗所获得的服务质量构建的最经济控制目标函数为:
其中,Ge表示所述服务请求的服务质量,QoS表示所述服务请求的服务质量,EC表示表示所述服务请求的能耗属性。
4.根据权利要求3所述的工业互联网绿色能源管理系统,其特征在于,所述组合确定单元以响应时间、成本和可靠性作为指标构建的所述业务的服务质量目标函数为:
且其约束条件为:
其中,n表示所述服务请求分解得到的子服务请求的数量,Ti、Ci和Ri分别表示第i个子服务请求的响应时间、成本和可靠性,Tmax、Cmax和Rmin分别表示所述服务请求所能接受的最大响应时间、最高成本和最小可靠性。
5.根据权利要求4所述的工业互联网绿色能源管理系统,其特征在于,所述组合确定单元以能源成本、能源利用率和污染成本作为指标所构建的所述业务的总体能耗量目标函数为:
其中,ECi表示第i个子服务请求的能耗,CTi、URi、PLi分别表示第i个子服务请求的能源成本、能源利用率和污染成本,w1i、w2i和w3i分别表示第i个子服务请求的能源成本、能源利用率和污染成本的权重,且w1i+w2i+w3i=1。
6.根据权利要求5所述的工业互联网绿色能源管理系统,其特征在于,所述组合确定单元,适于初始化蜻蜒种群Xi(i=1,2,...,n)、步骤矢量ΔXi(i=1,2,...,n),并设置档案大小;其中,蜻蜒个体为服务组合对应的服务质量指标所组成的矢量,一种蜻蜒位置对应一种服务组合,档案大小代表最终储存的服务组合的个数;从所述初始化蜻蜒种群开始,对当前蜻蜒种群执行一次迭代,包括:对当前蜻蜒种群中的蜻蜒个体进行遍历,获取遍历到的当前蜻蜒个体,将遍历到的当前蜻蜒个体的位置作为当前蜻蜒位置;对当前蜻蜒位置对应的服务组合中每个子服务的能源成本权重系数、能源利用率权重系数和污染成本权重系数进行训练,获取当前蜻蜒位置对应的服务组合中每个子服务的能源成本权重系数、能源利用率权重系数和污染成本权重系数的实际配置;将所述当前蜻蜒位置对应的服务组合中每个子服务的能源成本权重系数、能源利用率权重系数和污染成本权重系数的实际配置代入所述多目标评估函数,计算得到当前蜻蜒位置对应的适应度值;获取当前蜻蜒种群中的下一蜻蜒个体对应的蜻蜒位置,作为下一蜻蜒位置,直至当前蜻蜒种群中的所有蜻蜒个体的蜻蜒位置全部遍历完成,得到当前蜻蜒种群的所有蜻蜒位置及对应的适应度值;对得到的所有蜻蜒位置和对应的适应度值执行帕累托有效能耗评估,得到存入所述档案中的蜻蜒位置及其适应度值;判断存入档案的每个非劣解对应的蜻蜒位置及其适应度值是否满足所述约束条件;当确定满足所述约束条件时,将对应的蜻蜒位置及其适应度值保留在所述档案中;反之,则将对应的蜻蜒位置及其适应度值从所述档案中删除;从档案中选择食物来源和敌人,并通过蜻蜒的分离、对齐、凝聚力、向外分散敌人和对食物来源的吸引力五种行为对初始化得到的步骤向量和蜻蜒位置进行更新,得到下一蜻蜒种群;对所述下一蜻蜒种群执行下一次迭代,直至迭代次数达到预设的次数阈值,得到所述档案中存放的最终解集;将档案中存储的最终解集中的非劣解对应的多个服务组合输出供用户选择,并将用户所选取的一个服务组合作为所述最佳服务组合。
7.根据权利要求6所述的工业互联网绿色能源管理系统,其特征在于,所述组合确定单元,适于采用机器学习中的BP神经网络对当前蜻蜒位置对应的服务组合中每个子服务的能源成本权重系数、能源利用率权重系数和污染成本权重系数进行训练。
8.根据权利要求6或7所述的工业互联网绿色能源管理系统,其特征在于,所述组合确定单元,适于采用如下的公式对步骤向量和蜻蜒位置进行更新:
且:
ΔXt+1=(sSi+aAi+cCi+fFi+eEi)+wΔXt;
Ei=X-+X;
Fi=X++X;
其中,T(Δx)表示步骤向量,Xt+1表示t+1时刻的位置向量,Xt表示t时刻的位置向量,r为更新前后蜻蜒间的欧式距离,Si表示蜻蜒的分离行为,Ai表示蜻蜒的对齐行为,Ci表示蜻蜒的凝聚力行为,Ei表示蜻蜒的向外分散敌人行为,Fi表示蜻蜒对食物来源的吸引力行为,s、a、c、f、e分别表示蜻蜒的分离、对齐、凝聚力、向外分散敌人、对食物来源的吸引力五种行为的学习系数,w表示对t时刻的蜻蜒位置的学习系数,X表示当前蜻蜒个体的位置,Xi表示当前蜻蜒个体的第j个邻居蜻蜒个体,X+表示从档案中选取的食物来源,X-表示从档案中选取的敌人,Vj表示当前蜻蜒个体的第j个邻居蜻蜒个体的速度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810642565.8A CN108924196B (zh) | 2018-06-20 | 2018-06-20 | 工业互联网绿色能源管理系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810642565.8A CN108924196B (zh) | 2018-06-20 | 2018-06-20 | 工业互联网绿色能源管理系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108924196A true CN108924196A (zh) | 2018-11-30 |
CN108924196B CN108924196B (zh) | 2021-01-19 |
Family
ID=64420350
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810642565.8A Active CN108924196B (zh) | 2018-06-20 | 2018-06-20 | 工业互联网绿色能源管理系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108924196B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112235131A (zh) * | 2020-09-25 | 2021-01-15 | 重庆邮电大学 | 一种基于清洁能源时间窗口的数据中心网络业务配置方法 |
CN115983434A (zh) * | 2022-12-07 | 2023-04-18 | 广州番禺职业技术学院 | 一种基于神经网络的短期风场风速预测方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104901989A (zh) * | 2014-03-07 | 2015-09-09 | 中国科学院声学研究所 | 一种现场服务提供系统及方法 |
US9246994B2 (en) * | 2011-06-23 | 2016-01-26 | Telefonaktiebolaget L M Ericsson (Publ) | Method and system for distributing a network application among a plurality of network sites on a shared network |
CN106357823A (zh) * | 2016-11-14 | 2017-01-25 | 阿坝师范学院 | 一种节能控制的云资源优化分配方法 |
US20180139094A1 (en) * | 2015-03-13 | 2018-05-17 | International Business Machines Corporation | Managing servers with quality of service assurances |
-
2018
- 2018-06-20 CN CN201810642565.8A patent/CN108924196B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9246994B2 (en) * | 2011-06-23 | 2016-01-26 | Telefonaktiebolaget L M Ericsson (Publ) | Method and system for distributing a network application among a plurality of network sites on a shared network |
CN104901989A (zh) * | 2014-03-07 | 2015-09-09 | 中国科学院声学研究所 | 一种现场服务提供系统及方法 |
US20180139094A1 (en) * | 2015-03-13 | 2018-05-17 | International Business Machines Corporation | Managing servers with quality of service assurances |
CN106357823A (zh) * | 2016-11-14 | 2017-01-25 | 阿坝师范学院 | 一种节能控制的云资源优化分配方法 |
Non-Patent Citations (1)
Title |
---|
郭冲 闫文卿 许斌: ""面向服务组合质量的物联网绿色能源管理"", 《电信科学》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112235131A (zh) * | 2020-09-25 | 2021-01-15 | 重庆邮电大学 | 一种基于清洁能源时间窗口的数据中心网络业务配置方法 |
CN115983434A (zh) * | 2022-12-07 | 2023-04-18 | 广州番禺职业技术学院 | 一种基于神经网络的短期风场风速预测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN108924196B (zh) | 2021-01-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109478045A (zh) | 使用预测来控制目标系统 | |
CN104408106B (zh) | 一种用于分布式文件系统中大数据查询的调度方法 | |
CN110118566B (zh) | 机器人运行路径生成方法及装置 | |
US20210312295A1 (en) | Information processing method, information processing device, and information processing program | |
WO2021219080A1 (zh) | 基于联邦学习模型的视图显示方法、装置、设备及介质 | |
CN106713015A (zh) | 一种方案测试的方法及服务器 | |
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 | |
CN102624865A (zh) | 集群负载预测方法及分布式集群管理系统 | |
CN111581516A (zh) | 投资产品的推荐方法及相关装置 | |
CN108924196A (zh) | 工业互联网绿色能源管理系统 | |
CN107169594B (zh) | 一种车辆路径问题的优化方法及装置 | |
CN112598473A (zh) | 基于深度确定性策略梯度算法的发电商智能体及报价方法 | |
CN109039698A (zh) | 工业互联网智能服务处理方法、可读存储介质、终端 | |
CN112162966A (zh) | 分布式存储系统参数调节方法、装置及电子设备和介质 | |
CN117641542B (zh) | 一种物联网终端功耗策略在线优化的方法 | |
Chang et al. | Characterizing rural household differentiation from the perspective of farmland transfer in eastern China using an agent based model | |
CN107679107A (zh) | 一种基于图数据库的电网设备可达性查询方法及系统 | |
CN116014764B (zh) | 一种分布式储能优化处理方法及装置 | |
CN109447231B (zh) | 蚁群算法求解共享经济背景下多属性双边匹配问题的方法 | |
Kamgarpour et al. | A Bayesian mean field game approach to supply demand analysis of the smart grid | |
Li et al. | A novel method for aggregating interval multiplicative comparison matrices and its application in ranking alternatives | |
Jovanovic et al. | Comparison of different topologies for island-based multi-colony ant algorithms for the minimum weight vertex cover problem | |
Aydın et al. | A configurable generalized artificial bee colony algorithm with local search strategies | |
CN113034297A (zh) | 基于节点吸引力的复杂网络关键节点识别方法及系统 | |
CN106970840A (zh) | 一种结合任务调度的软硬件划分方法 |
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 |