CN109359807A - 一种基于动态变异微粒群算法的多任务资源调度冲突的描述与消解方法 - Google Patents
一种基于动态变异微粒群算法的多任务资源调度冲突的描述与消解方法 Download PDFInfo
- Publication number
- CN109359807A CN109359807A CN201811006945.9A CN201811006945A CN109359807A CN 109359807 A CN109359807 A CN 109359807A CN 201811006945 A CN201811006945 A CN 201811006945A CN 109359807 A CN109359807 A CN 109359807A
- Authority
- CN
- China
- Prior art keywords
- resource
- scheduling
- particle
- dynamic variation
- value
- 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
- 239000002245 particle Substances 0.000 title claims abstract description 53
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000005457 optimization Methods 0.000 title claims abstract description 22
- 230000029087 digestion Effects 0.000 title claims abstract description 14
- 230000035772 mutation Effects 0.000 claims abstract description 16
- 230000003044 adaptive effect Effects 0.000 claims description 19
- 150000001875 compounds Chemical class 0.000 claims description 10
- 230000001133 acceleration Effects 0.000 claims description 4
- 230000006978 adaptation Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 abstract description 26
- 238000013461 design Methods 0.000 abstract description 12
- 230000008569 process Effects 0.000 abstract description 6
- 238000012356 Product development Methods 0.000 abstract description 4
- 230000008859 change Effects 0.000 abstract description 4
- 238000009795 derivation Methods 0.000 abstract 1
- 230000005540 biological transmission Effects 0.000 description 6
- ACERFIHBIWMFOR-UHFFFAOYSA-N 2-hydroxy-3-[(1-hydroxy-2-methylpropan-2-yl)azaniumyl]propane-1-sulfonate Chemical compound OCC(C)(C)NCC(O)CS(O)(=O)=O ACERFIHBIWMFOR-UHFFFAOYSA-N 0.000 description 3
- 244000299461 Theobroma cacao Species 0.000 description 2
- 235000009470 Theobroma cacao Nutrition 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 238000007620 mathematical function Methods 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004080 punching Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06316—Sequencing of tasks or work
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Development Economics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Educational Administration (AREA)
- Life Sciences & Earth Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于自动协商算法优化领域，涉及一种多任务资源调度冲突的描述与消解方法。首先，基于可拓物元理论将调度任务及相应的服务目标量值结合起来描述多任务资源调度的变化过程，采用模糊物元优化思想将多任务资源调度冲突消解问题转化为单目标优化问题；然后，在微粒群寻优过程中引入变异机制，根据异概率对惰性微粒进行突变操作，设计了该冲突消解模型的动态变异微粒群求解算法。解决了产品开发过程中协商算法收敛速度难以适应设计参数频繁动态变化的问题，并且加快了算法的收敛速度并增强了其全局搜索能力。
Description
技术领域
本发明属于自动协商算法优化领域，涉及一种基于动态变异微粒群算法的多任务资源调度冲突的描述与消解方法。
背景技术
随着科学技术的发展，复杂产品的创新设计越来越朝着协同化发展，协同创新设计的最大特点就是不同领域、不同风格的设计人员进行有效的分工与协作，来耦合不同主体的开发任务。同时，协同设计是多功能主体共同参与完成一个产品开发项目的过程，各主体之间存在着大量的相互制约、相互影响关系，并且他们在产品开发的考虑角度、设计目标、评判标准及相关领域知识方面存在差异，必然会导致大量冲突的产生。目前有些解决方法为首先对冲突问题进行数学描述，然后根据求解多目标决策问题的优化算法提出了方案层次上进行冲突消解算法，但是这种冲突消解算法的数学模型具有一定的局限性，忽略了实际应用中存在的模糊定性化信息，无法运用形式化工具从定性和定量两个角度解决冲突问题，并且其算法收敛速度难以适应产品开发进程中设计参数的频繁动态变化。本发明提供了一种多任务资源调度冲突的描述与消解方法，有效提高了算法的求解速度和准确性。
发明内容
本发明的目的是提供一种多任务资源调度冲突的描述与消解方法，解决了现有技术中存在的冲突描述不准确、冲突消解算法求解速度慢和准确性低的问题。
本发明所采用的技术方案是：一种基于动态变异微粒群算法的多任务资源调度冲突的描述与消解方法，包括对多任务资源调度冲突问题进行数学描述，以及构建多任务资源调度冲突的物元模型，并针对该物元模型提出一种基于动态变异微粒群算法的多任务资源调度冲突消解方法。
一种基于动态变异微粒群算法的多任务资源调度冲突的描述与消解方法，包括如下步骤：
Step1初始化种群：在多任务资源调度任务空间产生n个初始微粒，n为资源调度任务的数量，组成初始微粒群体，设置最大进化代数Tmax，当前进化代数 t＝1；设定加速度常数c1,c2；随机产生各微粒初始位置和速度；
Step2建立复合模糊物元模型：首先对该多任务资源调度进行冲突描述，然后建立对应的复合模糊物元模型；
Step3将调度任务的添加约束的的关联度L作为适应值函数，即：
ga*(X)＝La(X)·pun(X)a＝1,2,…n
其中，La(X)为资源任务的权重，pun(X)为惩罚函数，当X在可行域内， pun(X)＝1；当X在可行域外，pun(X)<1。
Step4动态变异操作：计算各微粒在寻优空间的适应值，并求得其动态变异概率，对惰性微粒进行突变操作，用变异后的新的位置来更新其自身历史最好位置；
Step5比较所有微粒的个体极大值与微粒群当前的全局极大值，选取最大值作为新的全局极大值；
Step6更新各微粒的位置和速度；
Step7终止条件判断，即判断求解精度是否达到要求或者达到设定的迭代代数，若不满足终止条件，再转到Step 4，如满足则输出优化结果。
进一步的，所述Step2冲突描述具体如下：设某项资源服务需求由n个资源调度任务共同参与完成，任意资源调度任务Φa，1≤a≤n都有一个δ维资源需求变量的向量空间Ωa，Ωa∈Rδ，同时调度任务Φa又有一个k维的服务目标向量空间Ga，Ga∈Rk，且任意调度任务的服务目标ga，ga∈Ga，ga不仅取决于该调度任务自身需要满足的资源需求变量X而且还受制于其他调度任务的资源需求变量则其中r表示服务目标 ga的维数，也就是服务分目标的个数，X∈Ωa，每个调度任务都希望自己的各服务目标ga最优，即对于任意资源调度任务Φa，有
将多任务资源调度的各服务分目标名称作为模糊物元特征，各分目标函数的优属度作为物元的模糊量值，建立其复合模糊物元模型为
其中，Zb表示第b个服务分目标的名称；表示第a个调度任务Φa的第b个服务分目标Zb相应量值的从优隶属度。
如果是常规的数学函数表达式，用下式描述其优度隶属函数：
其中gamin为第a个服务目标的理想最小值，gamax为第a个服务目标的理想最大值；
如果是定性的模糊评语集合，将这些评语用属于[0，1]区间的数值进行量化。
进一步的，所述Step3中：
其中La(X)表示第a资源调度任务Φa的关联度，1≤b≤r，λb表示资源调度任务Φa的第b个服务分目标的权重。
则多任务资源调度冲突问题可可转化为单目标优化问题，即权利要求2中公式转化为：其中t为进化代数。
进一步的，所述Step4中根据变异概率对惰性微粒进行动态突变操作，来保持群体多样性，提高算法性能。所述惰性微粒的定义为在种群进化过程中，如果某微粒与全局最优微粒间的距离小于给定阈值且该微粒当前适应值小于种群平均适应值的次数达到一定值，则此微粒定义为惰性微粒。针对种群中的惰性微粒，给出如下突变公式所示的动态变异概率对该微粒进行突变操作，并将该微粒当前的位置更新为变异后的位置，其中，动态变异概率依赖gmax-gavg变化。
动态变异概率计算如下：
式中τ1，τ2，τ3是小于0.5的常数，用来调整动态变异概率在0.0-0.5范围取值；ε为给定阈值；α，β为给定次数；gmax为全局最优适应值；ga*是要进行变异的惰性微粒的适应值；gavg是种群平均适应值；Pn为动态变异概率。
根据所求的动态变异概率，对惰性微粒进行突变操作，用变异后的新的位置来更新其自身历史最好位置，即
本发明的有益效果是：
1、提供一种多任务资源调度冲突的描述与消解方法；
2、构建了多任务资源冲突的模糊物元模型，可准确描述多任务资源调度冲突问题；
3、构建了基于动态变异微粒群算法的多任务资源调度冲突的消解方法，可有效提高算法的求解速度和准确性。
附图说明
图1为基于动态变异微粒群算法的多任务资源调度冲突消解方法流程图；
图2为各算法最大适应值变化曲线性能比较图。
具体实施方式
下面结合附图和实施例，对本发明作进一步说明，但本发明的内容并不限于所述范围。
实施例1：如图1所示，一种基于动态变异微粒群算法的多任务资源调度冲突的描述与消解方法，包括如下步骤：
Step1初始化种群：在多任务资源调度任务空间产生n个初始微粒，n为资源调度任务的数量，组成初始微粒群体，设置最大进化代数Tmax，当前进化代数 t＝1；设定加速度常数c1,c2；随机产生各微粒初始位置和速度；
Step2建立复合模糊物元模型：首先对该多任务资源调度进行冲突描述，然后建立对应的复合模糊物元模型；
Step3将调度任务的添加约束的的关联度L作为适应值函数，即：
ga*(X)＝La(X)·pun(X)a＝1,2,…n
其中，La(X)为资源任务的权重，pun(X)为惩罚函数，当X在可行域内， pun(X)＝1；当X在可行域外，pun(X)<1。
Step4动态变异操作：计算各微粒在寻优空间的适应值，并求得其动态变异概率，对惰性微粒进行突变操作，用变异后的新的位置来更新其自身历史最好位置；
Step5比较所有微粒的个体极大值与微粒群当前的全局极大值，选取最大值作为新的全局极大值；
Step6更新各微粒的位置和速度；
Step7终止条件判断，即判断求解精度是否达到要求或者达到设定的迭代代数，若不满足终止条件，再转到Step 4，如满足则输出优化结果。
进一步的，所述Step2冲突描述具体如下：设某项资源服务需求由n个资源调度任务共同参与完成，任意资源调度任务Φa，1≤a≤n都有一个δ维资源需求变量的向量空间Ωa，Ωa∈Rδ，同时调度任务Φa又有一个k维的服务目标向量空间Ga，Ga∈Rk，且任意调度任务的服务目标ga，ga∈Ga，ga不仅取决于该调度任务自身需要满足的资源需求变量X而且还受制于其他调度任务的资源需求变量则其中r表示服务目标 ga的维数，也就是服务分目标的个数，X∈Ωa，每个调度任务都希望自己的各服务目标ga最优，即对于任意资源调度任务Φa，有
将多任务资源调度的各服务分目标名称作为模糊物元特征，各分目标函数的优属度作为物元的模糊量值，建立其复合模糊物元模型为
其中，Zb表示第b个服务分目标的名称；表示第a个调度任务Φa的第b个服务分目标Zb相应量值的从优隶属度。
如果是常规的数学函数表达式，用下式描述其优度隶属函数：
其中gamin为第a个服务目标的理想最小值，gamax为第a个服务目标的理想最大值；
如果是定性的模糊评语集合，将这些评语用属于[0，1]区间的数值进行量化。
进一步的，所述Step3中：
其中La(X)表示第a资源调度任务Φa的关联度，1≤b≤r，λb表示资源调度任务Φa的第b个服务分目标的权重。
则多任务资源调度冲突问题可可转化为单目标优化问题，即权利要求2中公式转化为：其中t为进化代数。
5、根据权利要求1所述的基于动态变异微粒群算法的多任务资源调度冲突的描述与消解方法，其特征在于：所述Step4中根据变异概率对惰性微粒进行动态突变操作，来保持群体多样性，提高算法性能。所述惰性微粒的定义为在种群进化过程中，如果某微粒与全局最优微粒间的距离小于给定阈值且该微粒当前适应值小于种群平均适应值的次数达到一定值，则此微粒定义为惰性微粒。针对种群中的惰性微粒，给出如下突变公式所示的动态变异概率对该微粒进行突变操作，并将该微粒当前的位置更新为变异后的位置，其中，动态变异概率依赖 gmax-gavg变化。
动态变异概率计算如下：
式中τ1，τ2，τ3是小于0.5的常数，用来调整动态变异概率在0.0-0.5范围取值；ε为给定阈值；α，β为给定次数；gmax为全局最优适应值；ga*是要进行变异的惰性微粒的适应值；gavg是种群平均适应值；Pn为动态变异概率。α，β，ε的值可根据算法性能需求进行适当调节。
根据所求的动态变异概率，对惰性微粒进行突变操作，用变异后的新的位置来更新其自身历史最好位置，即
实施例2：本实施例中以某型号轿车的汽车传动系参数优化设计过程为例来说明此方法。对于五档变速器、DA458QLI型号发动机，下表1给出了该轿车整车主要技术参数：
表1轿车整车主要技术参数表
优化设计变量为：
X＝[x1,x2,…,x6]T＝[ig1,ig2,…,ig5,i0,]T
其中igk是变速器各档传动比，i0是主速比。
设计目标(即服务目标)：动力性好、燃油经济性高、传动效率高、舒适安全、环保性能高。
根据实际设计要求和主要技术参数，利用层次分析法确定各设计者协作方案的复合权重物元：
在汽车传动系统设计方案空间产生初始设计方案种群，其复合模糊物元形式表示如下：
适应值函数根据下式计算：
式中，L为关联度，vμ为最高车速模糊约束量，vα最高爬坡度模糊约束量，为一档最大动力因子模糊约束量，vη传动系统传动效率约束量，vgt行驶工矿约束量，vq为相邻档位速比约束量，vQ为尾气排放约束量。
算法的种群规模(设计方案)设置为20，维数为5，进化代数300。其余参数设置如下：惯性权重ω初始化为0.9并随迭代次数增加线性递减至0.4，加速度常数c1＝c2＝2。按照实施例2的步骤计算可得如下表2所示的结果：
表2优化结果表
并将采用本方法(AMPSO)及遗传算法(GA)、线性递减惯性权重算法(PSO) 所得的结果绘制成性能比较图，如图2所示，由图2可直观的看出：本方法(AMPSO)较其它两种算法具有明显优势，该算法只在第42代就得到最优位置，而线性递减惯性权重算法(PSO)经过104次，遗传算法(GA)经过160次收敛才找到最优位置。可见，本方法(AMPSO算法)收敛速度远快于PSO算法和 GA算法，而且其最优适应值也都要高于其它两种算法。
以上所述的仅是本发明的一些实施方式。对于本领域的普通技术人员来说，在不脱离本发明创造构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。
Claims (6)
1.一种基于动态变异微粒群算法的多任务资源调度冲突的描述与消解方法，其特征在于：包括如下步骤：
Step1初始化种群：在多任务资源调度任务空间产生n个初始微粒，n为资源调度任务的数量，组成初始微粒群体，设置最大进化代数Tmax，当前进化代数t＝1；设定加速度常数c1,c2；随机产生各微粒初始位置和速度；
Step2建立复合模糊物元模型：首先对该多任务资源调度进行冲突描述，然后建立对应的复合模糊物元模型；
Step3将调度任务添加约束的关联度L作为适应值函数，即：
ga*(X)＝La(X)·pun(X)a＝1,2,…n
其中，La(X)为资源任务的权重，pun(X)为惩罚函数，当X在可行域内，pun(X)＝1；当X在可行域外，pun(X)<1；
Step4动态变异操作：计算各微粒在寻优空间的适应值，并求得其动态变异概率，对惰性微粒进行突变操作，用变异后的新的位置来更新其自身历史最好位置；
Step5比较所有微粒的个体极大值与微粒群当前的全局极大值，选取最大值作为新的全局极大值；
Step6更新各微粒的位置和速度；
Step7终止条件判断，即判断求解精度是否达到要求或者达到设定的迭代代数，若不满足终止条件，再转到Step 4，如满足则输出优化结果。
2.根据权利要求1所述的基于动态变异微粒群算法的多任务资源调度冲突的描述与消解方法，其特征在于：所述Step2冲突描述具体如下：设某项资源服务需求由n个资源调度任务共同参与完成，任意资源调度任务Φa，1≤a≤n都有一个δ维资源需求变量的向量空间Ωa，Ωa∈Rδ，同时调度任务Φa又有一个k维的服务目标向量空间Ga，Ga∈Rk，且任意调度任务的服务目标ga，ga∈Ga，ga不仅取决于该调度任务自身需要满足的资源需求变量X而且还受制于其他调度任务的资源需求变量则其中r表示服务目标ga的维数，也就是服务分目标的个数，X∈Ωa，每个调度任务都希望自己的各服务目标ga最优，即对于任意资源调度任务Φa，有
将多任务资源调度的各服务分目标名称作为模糊物元特征，各分目标函数的优属度作为物元的模糊量值，建立其复合模糊物元模型为
其中，Zb表示第b个服务分目标的名称；表示第a个调度任务Φa的第b个服务分目标Zb相应量值的从优隶属度。
3.根据权利要求2所述的基于动态变异微粒群算法的多任务资源调度冲突的描述与消解方法，其特征在于：所述的从优隶属度计算如下：如果是常规的数学函数表达式，用下式描述其优度隶属函数：
其中gamin为第a个服务目标的理想最小值，gamax为第a个服务目标的理想最大值；
如果是定性的模糊评语集合，将这些评语用属于[0，1]区间的数值进行量化。
4.根据权利要求1所述的基于动态变异微粒群算法的多任务资源调度冲突的描述与消解方法，其特征在于：所述Step3中：
其中La(X)表示第a个资源调度任务Φa的关联度，1≤b≤r，λb表示资源调度任务Φa的第b个服务分目标的权重。
5.根据权利要求1所述的基于动态变异微粒群算法的多任务资源调度冲突的描述与消解方法，其特征在于：所述Step4中动态变异概率计算如下：
式中τ1，τ2，τ3是小于0.5的常数，用来调整动态变异概率在0.0-0.5范围取值；ε为给定阈值；α，β为给定次数；gmax为全局最优适应值；ga*是要进行变异的惰性微粒的适应值；gavg是种群平均适应值；Pn为动态变异概率。
6.根据权利要求1所述的基于动态变异微粒群算法的多任务资源调度冲突的描述与消解方法，其特征在于：所述Step4中惰性微粒为在种群进化过程中，如果某微粒与全局最优微粒间的距离小于给定阈值且该微粒当前适应值小于种群平均适应值的次数达到一定值，则此微粒定义为惰性微粒。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811006945.9A CN109359807A (zh) | 2018-08-31 | 2018-08-31 | 一种基于动态变异微粒群算法的多任务资源调度冲突的描述与消解方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811006945.9A CN109359807A (zh) | 2018-08-31 | 2018-08-31 | 一种基于动态变异微粒群算法的多任务资源调度冲突的描述与消解方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109359807A true CN109359807A (zh) | 2019-02-19 |
Family
ID=65350337
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811006945.9A Pending CN109359807A (zh) | 2018-08-31 | 2018-08-31 | 一种基于动态变异微粒群算法的多任务资源调度冲突的描述与消解方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109359807A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113555111A (zh) * | 2021-07-19 | 2021-10-26 | 厦门理工学院 | 医患共同决策多议题协商方法、系统及可读存储介质 |
| CN113867414A (zh) * | 2021-11-19 | 2021-12-31 | 西安交通大学 | 多无人机多耦合任务系统的分布式无等待任务分配方法 |
| WO2022037102A1 (zh) * | 2020-08-18 | 2022-02-24 | 哈尔滨工业大学 | 面向多方协作的利益相关者服务价值冲突发现和消解方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100088054A1 (en) * | 2001-05-24 | 2010-04-08 | Emilio Miguelanez | Methods and apparatus for data analysis |
| CN105160196A (zh) * | 2015-09-22 | 2015-12-16 | 浙江工业大学 | 一种基于动态变异策略的群体全局优化方法 |
-
2018
- 2018-08-31 CN CN201811006945.9A patent/CN109359807A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100088054A1 (en) * | 2001-05-24 | 2010-04-08 | Emilio Miguelanez | Methods and apparatus for data analysis |
| CN105160196A (zh) * | 2015-09-22 | 2015-12-16 | 浙江工业大学 | 一种基于动态变异策略的群体全局优化方法 |
Non-Patent Citations (1)
| Title |
|---|
| 阴艳超 等: "基于群集智能的多主体创新设计自动协商算法", 《系统仿真学报》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2022037102A1 (zh) * | 2020-08-18 | 2022-02-24 | 哈尔滨工业大学 | 面向多方协作的利益相关者服务价值冲突发现和消解方法 |
| CN113555111A (zh) * | 2021-07-19 | 2021-10-26 | 厦门理工学院 | 医患共同决策多议题协商方法、系统及可读存储介质 |
| CN113555111B (zh) * | 2021-07-19 | 2023-09-26 | 厦门理工学院 | 医患共同决策多议题协商方法、系统及可读存储介质 |
| CN113867414A (zh) * | 2021-11-19 | 2021-12-31 | 西安交通大学 | 多无人机多耦合任务系统的分布式无等待任务分配方法 |
| CN113867414B (zh) * | 2021-11-19 | 2024-05-31 | 西安交通大学 | 多无人机多耦合任务系统的分布式无等待任务分配方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Hu et al. | Reinforcement learning for hybrid and plug-in hybrid electric vehicle energy management: Recent advances and prospects | |
| CN109359807A (zh) | 一种基于动态变异微粒群算法的多任务资源调度冲突的描述与消解方法 | |
| Li et al. | Data-driven based eco-driving control for plug-in hybrid electric vehicles | |
| Sundstrom et al. | A generic dynamic programming Matlab function | |
| Peng et al. | Research on flexible job-shop scheduling problem in green sustainable manufacturing based on learning effect | |
| CN103390195A (zh) | 一种基于强化学习的机械车间任务调度节能优化系统 | |
| CN107139923A (zh) | 一种acc决策方法及系统 | |
| Yuan et al. | Predictive energy management strategy for connected 48V hybrid electric vehicles | |
| CN105974891B (zh) | 一种基于动态看板的模具生产过程自适应控制方法 | |
| CN103489337B (zh) | 一种基于改进的局部搜索策略的空中交通流量调控方法 | |
| Gautam et al. | Hybrid sources powered electric vehicle configuration and integrated optimal power management strategy | |
| CN102034359A (zh) | 一种网络化分层递阶公交优先信号协调控制方法 | |
| Xu et al. | Formulation and comparison of two real-time predictive gear shift algorithms for connected/automated heavy-duty vehicles | |
| Xu et al. | A dynamic programming-based real-time predictive optimal gear shift strategy for conventional heavy-duty vehicles | |
| Zhu et al. | A comprehensive review of energy management strategies for hybrid electric vehicles | |
| Wei et al. | Priority-driven multi-objective model predictive control for integrated motion control and energy management of hybrid electric vehicles | |
| CN107464059A (zh) | 一种基于历史信息的公交公司自动化排班控制方法 | |
| Pakniyat et al. | The gear selection problem for electric vehicles: An optimal control formulation | |
| CN109301817A (zh) | 一种考虑需求响应的多时间尺度源网荷协调调度方法 | |
| Wang et al. | Research on economical shifting strategy for multi-gear and multi-mode parallel plug-in HEV based on DIRECT algorithm | |
| Zhipeng et al. | Small‐World Optimization Algorithm and Its Application in a Sequencing Problem of Painted Body Storage in a Car Company | |
| Xu et al. | Flexible job-shop scheduling method based on interval grey processing time | |
| Karbowski et al. | Fuel saving potential of optimal route-based control for plug-in hybrid electric vehicle | |
| Gong et al. | A Benchmark Study for Real-Time Optimal Control of Connected HEVs: Design, Integration and Evaluation | |
| Chen et al. | Regional public transportation scheduling model based on welfare economics and DEA |
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: 20190219 |
|
| RJ01 | Rejection of invention patent application after publication |