CN109816243A - 面向动态任务感知的云制造协同任务调度方法 - Google Patents
面向动态任务感知的云制造协同任务调度方法 Download PDFInfo
- Publication number
- CN109816243A CN109816243A CN201910066352.XA CN201910066352A CN109816243A CN 109816243 A CN109816243 A CN 109816243A CN 201910066352 A CN201910066352 A CN 201910066352A CN 109816243 A CN109816243 A CN 109816243A
- Authority
- CN
- China
- Prior art keywords
- cotasking
- populations
- scheduling
- current
- sub
- 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
-
- 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
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种面向动态任务感知的云制造协同任务调度方法,首先根据供应链完成任务的比例,构建协同任务调度模型;然后根据原有制造任务和可选的制造服务,在新任务到来时产生初始种群作为当前种群,将当前种群划分成若干子种群进行后续迭代,并将当前种群中每个协同任务调度方案用矩阵编码表示;最后通过改进型多种群生物地理学优化算法进行求解,并融合了多种群策略、局部搜索策略以及协作机制,从而提高了算法求解任务调度问题的性能。本发明的方法在调度阶段和重调度阶段都能获得更优的调度方案。
Description
技术领域
本发明属于云制造任务调度技术领域,尤其涉及一种面向动态任务感知的云制造协同任务调度方法。
背景技术
云制造是基于云计算、物联网等先进信息技术,旨在为用户提供安全、按需、可靠、高质量的面向服务的新型制造方式。在云制造环境中,分布式制造资源和制造能力被虚拟化并封装为可以集中管理的云服务,对服务的集中管理能力表明云制造平台可以同时处理批量任务。在实际制造环境中,云制造平台往往会在同一时刻接收批量任务,其中大部分任务是复杂且多粒度的,是可以分解成多个子任务的。这些子任务需要通过不同功能服务之间的协作来完成。且随着用户需求日益个性化,云制造平台接收到的制造任务往往是异构的。因此,任务调度成为云制造环境面临的一个关键问题,其目标是同时处理一组任务,并为其分配具有不同功能的服务,从而在满足用户需求的前提下,优化服务状态和执行计划。
虽然目前已经有学者对云制造环境下的调度问题进行了一些研究,然而现有的多数方法仅考虑提供不同功能服务的制造商之间的横向协作,每个子任务都只由一个服务来完成,从而整个任务由单个供应链来实现。现有的大多数研究假设云制造环境是静态的。然而,由于实际制造环境中存在不确定性,当环境发生变化时,原始的最优调度方案可能变得不可行,例如服务质量(quality of service,简称QoS)变化、服务中断和新任务到达等,都可能会影响生产过程。而动态任务是导致云制造环境不确定性的主要来源之一。
新任务到达是不可预知且不能被云制造平台操作员预先控制的。当企业向云制造平台提交新的任务需求时,一些服务会因为之前未完成的分配任务而被占用。由于云制造中的任务调度问题涉及多个供应商和需求方,违约时存在惩罚条款,因此,采取合适的重调度策略为新到达任务分配服务以提高配置效率是十分必要的。
发明内容
本发明的目的是提供一种面向动态任务感知的云制造协同任务调度方法,综合考虑了供应链中服务供应商之间的横向协作和纵向协作,提出了一种协同任务调度模型,应对突然到达的新任务请求。
为了实现上述目的,本发明技术方案如下:
一种面向动态任务感知的云制造协同任务调度方法,包括:
根据供应链完成任务的比例,构建协同任务调度模型;
根据原有制造任务和可选的制造服务,在新任务到来时产生初始种群作为当前种群,将当前种群划分成若干子种群进行后续迭代,并将当前种群中每个协同任务调度方案用矩阵编码表示;
对当前所有子种群执行迁移操作;
对当前所有子种群执行变异操作;
对当前种群中的最优解应用局部搜索策略;
判断是否满足应用协作机制的条件,若满足条件则对当前所有子种群应用协作机制,否则判断是否满足终止条件;
判断是否满足终止条件,若满足条件则停止迭代,并输出最优协同任务调度方案,否则返回继续进行迭代。
进一步地,所述根据供应链完成任务的比例,构建协同任务调度模型,包括:
计算时间跨度CT,即先分别计算每一条供应链上所有调用的服务所花费的时间,即固定启动时间、服务完成的相应比例的执行时间和产生的运输时间,再算出所有供应链的时间跨度的最大值;
计算总成本C,即计算所有供应链上调用的服务的固定启动成本、服务完成的相应比例的执行成本和产生的运输成本;
计算可靠性R,即计算所有供应链上调用的服务所花费的固定启动时间和完成的相应比例的执行时间内的可靠性;
对调度方案的时间跨度、总成本、可靠性进行标准化,并赋权相加,从而求得最大的综合QoS。
进一步地,所述对当前种群中的最优解应用局部搜索策略,包括:
对最优解随机进行交换变异操作或逆向变异操作,当判断该变异操作为交换变异操作时,则随机选择最优解的两个位置,然后交换其对应的SIV值;否则,在最优解中随机选择两个位置,然后在所选位置之间颠倒SIV值。
进一步地,所述对当前所有子种群应用协作机制,包括:
使用如下公式的轮盘赌策略来确定用于信息交换的解方案,选择出的解方案用于替换其他子种群中最差的解方案:
其中,Pmk表示选择栖息地k用于信息交换的概率,fk表示栖息地k的HSI值,NP表示最大物种数量。
进一步地,所述对当前所有子种群执行迁移操作,所采用的迁入率根据如下公式计算:
迁出率根据如下公式计算:
其中λk和μk分别表示迁入率和迁出率,Imax和Emax分别表示最大迁入率和最大迁出率,Sk表示第k个栖息地的物种数量,NP表示最大物种数量。
进一步地,所述对当前所有子种群执行变异操作,其中:
每个栖息地的变异概率mk根据如下公式计算:
其中,Pk表示包含k个物种的栖息地的概率,由如下公式计算得到:
其中,mmax表示预先设定的最大变异概率,Pmax表示栖息地最大物种数量概率。
本发明提出的一种面向动态任务感知的云制造协同任务调度方法,基于多供应链协作模式,提出了一种协同任务调度模型,并采用改进型多种群生物地理学优化算法(improved multi-population biogeography-based optimization,简称IMPBBO)进行求解,该算法采用了矩阵编码方式,并融合了多种群策略、局部搜索策略以及协作机制,从而提高了算法求解任务调度问题的性能。避免了现有生物地理学优化算法BBO进化早期解空间搜索能力相对较弱,以及容易陷入局部最优等问题。本发明的方法在调度阶段和重调度阶段都能获得更优的调度方案。
附图说明
图1为本发明面向动态任务感知的云制造协同任务调度方法流程图;
图2为本发明实施例改进型多种群生物地理学优化算法流程图;
图3为本发明实施例编码方式示意图;
图4为本发明实验结果示意图。
具体实施方式
下面结合附图和实施例对本发明技术方案做进一步详细说明,以下实施例不构成对本发明的限定。
实际制造环境通常面临着许多突发事件,在考虑新任务到达的任务调度问题中,首先通过假设云制造系统中没有意外事件发生从而确定初始调度方案。在基于初始调度方案的任务执行过程中,云制造平台往往会接收到一些无法预见的新任务。因此需要及时触发重调度策略,为新任务分配服务,即构建出一个新的调度方案,并将其应用于云制造系统中。
如图1所示,本发明的一种实施例,一种面向动态任务感知的云制造协同任务调度方法,包括:
步骤S1、根据供应链完成任务的比例,构建协同任务调度模型;
步骤S2、根据原有制造任务和可选的制造服务,在新任务到来时产生初始种群作为当前种群,将当前种群划分成若干子种群进行后续迭代,并将当前种群中每个协同任务调度方案用矩阵编码表示;
步骤S3、对当前所有子种群执行迁移操作;
步骤S4、对当前所有子种群执行变异操作;
步骤S5、对当前种群中的最优解应用局部搜索策略;
步骤S6、判断是否满足应用协作机制的条件,若满足条件则对当前所有子种群应用协作机制,否则判断是否满足终止条件;
步骤S7、判断是否满足终止条件,若满足条件则停止迭代,并输出最优协同任务调度方案,否则返回步骤S3继续进行迭代。
本实施例中构建协同任务调度模型所设计的符号说明如下:
M 云制造平台中提供服务的企业数量;
Em 企业m,m=1,…,M;
I 同时提交至云制造平台的任务数量;
Ti 任务i,i=1,…,I;
Ji Ti的子任务数量;
STij Ti的第j个子任务,j=1,…,Ji;
Nm Em提供的服务数量;
MSmn Em提供的第n个服务,n=1,…,Nm;
l 供应链编号,l=1,…,Li,其中Li是完成Ti的供应链数量;
MSmn完成STij的固定启动时间;
MSmn独立完成STij的执行时间;
MSmn完成STij的固定启动成本;
MSmn独立完成STij的执行成本;
MSmn独立完成STij的单位时间可靠性;
第l条供应链完成Ti的比例;
TTmv 从Em到Ev的运输时间;
TCmv 从Em到Ev的运输成本;
STij在第l条供应链上的开始时间;
STij在第l条供应链上的时间跨度;
CT 调度方案的时间跨度;
C 调度方案的总成本;
R 调度方案的总可靠性;
Em和Ev之间在Ti的第l条供应链上的运输次数;
二元变量;如果供应链l上的STij由MSmn完成,那么否则,
二元变量;如果那么否则,QoS属性可用于评估非功能性服务的质量,本实施例引入了三个关键的QoS属性,即时间、成本和可靠性。每一个任务的调度方案的综合QoS值与任务分解得到的特定子任务组合结构有关,包括顺序、并行、选择和循环。由于其他三种结构的处理方法类似于顺序结构,因此本实施例提出的协同任务调度模型仅讨论顺序结构,本领域技术人员可以根据实际的情况进行变化,采用本发明的方法构建适应实际情况的协同任务调度模型。
本实施例协同任务调度模型旨在最小化时间跨度CT和总成本C,且最大化总可靠性R,以获得具有最大综合QoS值的最优调度方案,CT、C和R可分别由公式(1)–(3)计算得到。
其中
调度方案的综合QoS值可通过对不同QoS属性赋予相应的权重来计算确定,因此,调度方案的综合QoS值可由公式(4)计算得出。
其中f表示调度方案的综合QoS值,CTmax、Cmax和Rmax分别表示调度方案最大的CT、C和R值,CTmin、Cmin和Rmin分别表示调度方案最小的CT、C和R值。w1、w2和w3分别表示三个QoS属性的权重,且相加等于1。
其中,公式(1)计算时间跨度CT,即先分别计算每一条供应链上所有调用的服务所花费的时间,即固定启动时间、服务完成的相应比例的执行时间和产生的运输时间,再算出所有供应链的时间跨度的最大值;公式(2)计算总成本C,即计算所有供应链上调用的服务的固定启动成本、服务完成的相应比例的执行成本和产生的运输成本;公式(3)计算可靠性R,即计算所有供应链上调用的服务所花费的固定启动时间和完成的相应比例的执行时间内的可靠性;公式(4)对调度方案的时间跨度、总成本、可靠性进行标准化,并赋权相加,从而求得最大的综合QoS。
优化目标受到以下约束:
约束(5)确保当一个供应链上的服务执行子任务时,在完成之前不受到中断。约束(6)表示同一供应链上相同任务的两个连续子任务之间具有优先约束。约束(7)保证一个供应链上的每个子任务仅能被一个服务完成。约束(8)确保每个任务的供应链的总完成比例为1。
需要说明的,本实施例构建的协同任务调度模型仅考虑了本领域三个关键的QoS属性,即时间、成本和可靠性,在实际情况中可以根据需要考虑更多的QoS属性,这里不再赘述。
实际制造环境通常面临着许多突发事件。在考虑新任务到达的任务调度问题中,首先通过假设云制造系统中没有意外事件发生从而确定初始调度方案。在基于初始调度方案的任务执行过程中,云制造平台往往会接收到一些无法预见的新任务。因此需要及时触发重调度策略,构建出一个新的修订后的调度方案。在构建好协同任务调度模型后,本实施例采用改进型多种群生物地理学优化算法进行求解,来构建出一个新的修订后的调度方案。
如图2所示,本实施例改进型多种群生物地理学优化算法IMPBBO,首先要产生初始种群作为当前种群进行后续的迭代,即生成栖息地。
容易理解的是,原有制造任务已经在云制造系统中,也是通过本发明的方法获得了最优的制造服务调度方案。在新的制造任务到来时,需要进行重调度。当云制造系统中没有原有制造任务时,新的制造任务就是首个制造任务。
新的制造任务到来后,随机从可选的制造服务集中选择制造服务并基于矩阵编码修订成新的制造服务调度方案,作为初始种群中的一个个体。按照设定的种群规模NP,选择NP个个体作为初始种群。将初始种群作为当前操作的当前种群,将当前种群划分成若干子种群进行后续迭代。
考虑到协同任务调度模型的特点,一个解方案需包含多种信息,即服务,每个任务的供应链数量,以及供应链相应的完成比例。因此,为了使IMPBBO算法能够适应于该模型的求解,不同于现有BBO算法中大多数编码方式,本实施例在IMPBBO算法中引入了一种矩阵编码方式。
每个矩阵由i行组成,i为总任务数。考虑到多供应链协作模式的特点,矩阵每行的第一部分为供应链的任务完成比例,对于与供应链数量相等的其余Li部分,每个部分中的元素数量等于任务分解后的子任务数量,并且每个元素显示为分配给相应子任务的服务。
图3为矩阵编码方式的示例,该矩阵由两行组成,每行包含三个部分,表示有两个任务要进行调度,每个任务由两条供应链完成。T1由两条供应链协作完成,它们的完成比例分别为0.4和0.6。例如,对于矩阵的第一行。第二部分的第一个元素表示MS24完成ST11在第一条供应链上40%的工作量,而第三部分的第二个元素表示MS34完成ST12在第二条供应链上60%的工作量。
例如,云制造系统中原有制造任务为T1,新的制造任务T2到来后,随机从可选的制造服务集中选择制造服务进行编码,加入到已经编码的T1行下面,从而构成了初始种群的一个个体。以此类推,通过多次随机从可选的制造服务集中选择制造服务,并进行编码,就可以生成初始种群,以下不再赘述。
本实施例将整个种群分成若干大小相同的子种群。子种群的数量用NSP表示。每个子种群独立进化,以探索其相应搜索空间的解,从而提高解的质量以及整个种群的多样性。
对当前所有子种群执行迁移操作:
迁移是不同栖息地之间物种运动的过程。迁移操作由每个栖息地的迁入率和迁出率确定,迁入率和迁出率可分别根据公式(9)和(10)中的线性函数公式来计算。
其中λk和μk分别表示迁入率和迁出率,Imax和Emax分别表示最大迁入率和最大迁出率,Sk表示第k个栖息地的物种数量,NP表示最大物种数量。
在选择一个子种群中的迁入栖息地后,迁出栖息地则根据这一子种群的迁出率进行概率选择。每个栖息地都拥有各自的栖息地适宜指数(habitat suitability index,简称HSI)用于评估一个栖息地是否适合生存。通过同一子种群中的迁移栖息地之间共享特征,低HSI栖息地接收来自高HSI栖息地的部分新特征,从而提高了算法的解空间搜索能力。
对当前所有子种群执行变异操作:
通过模拟自然界中的突变事件,变异算子被用来随机改变解方案的特征,它根据每个栖息地的变异概率随机修改栖息地的SIV。每个栖息地的变异概率mk可以根据公式(11)计算得出。
其中,mmax表示由用户预先设定的最大变异概率,Pmax表示栖息地最大物种数量概率,Pk表示包含k个物种的栖息地的概率,可由公式(12)计算得到。
变异算子能够提高种群的多样性和解方案的质量。此外,具有最高HSI的解不发生变异,以避免最优解遭到破坏。
对当前种群中的最优解应用局部搜索策略:
基础型BBO算法有陷入局部最优的倾向性,因此可以通过局部搜索策略搜索其邻域解来提高解质量,从而进一步增强算法的解空间搜索能力。本发明采用了两种典型的变异算子,即交换变异算子和逆向变异算子,对最优解随机进行交换变异操作或逆向变异操作。每个解包含一组被称为适宜指数变量(suitability index variables,简称SIV)的特征,当判断该变异操作为交换变异操作时,则随机选择最优解的两个位置,然后交换其对应的SIV值;否则,在最优解中随机选择两个位置,然后在所选位置之间颠倒SIV值。
本发明提出的算法采用完全网的拓扑结构,即假设每个子种群与其相邻的所有子种群交换信息。
本实施例判断是否满足应用协作机制的条件,即判断连续五次迭代的最优解质量是否得到提升,若无提升,则应用协作机制。
若满足条件则对当前所有子种群应用协作机制,由于过多的信息交换可能干扰搜索过程,因此,本发明在应用协作机制时,使用公式(13)中的轮盘赌策略来确定用于信息交换的解方案,选择出的解方案用于替换其他子种群中最差的解方案。
其中,Pmk表示选择栖息地k用于信息交换的概率,fk表示栖息地k的HSI值,NP表示最大物种数量。
最后判断是否满足终止条件,若满足条件则停止迭代,并输出最优协同任务调度方案,否则返回步骤S3继续进行迭代。
以下通过实验结果进一步说明本发明方法的处理效果,实验对IMPBBO算法和其他三种对比算法的控制参数进行了如下设置:IMPBBO算法的子种群数NSP=3,最大迁入率Imax=1,最大迁出率Emax=1,最大变异概率mmax=0.2。BBO算法的最大迁入率Imax=1,最大迁出率Emax=1,最大变异概率mmax=0.2。GA算法的交叉概率pc=0.8,变异概率pm=0.1。PSO算法的惯性权重W=0.8,认知学习因子c1=2,社会学习因子c2=2。四种算法的初始种群大小以及最大迭代次数分别设置为90和400。权重系数w1、w2和w3分别设置为0.5,0.3和0.2,且供应链的最大数量为3。为了避免算法的随机性,每组实验获得的最优解取20次实验获得的最优解的平均值。
为了评估多供应链协作模式应用于面向动态任务感知的协同任务调度模型上的性能,本发明分别在调度阶段和重调度阶段基于IMPBBO算法对多供应链协作模式和传统的单供应链模式进行了比较。
现用一个包含三个制造任务的案例进行仿真实验,分别用T1、T2和T3表示。T1为轮胎制造任务,包括五个子任务,即密炼(ST11)、轮胎部件制备(ST12)、铸造(ST13)、硫化(ST14)和产品检验和测试(ST15)。T2为摩托车组件生产任务,由六个子任务组成,包括框架组件(ST21)、发动机组件(ST22)、零件组件(ST23)、车辆组件(ST24)、产品测试(ST25)和产品包装(ST26)。T3为客车生产任务,包括冲压(ST31)、焊接(ST32)、产品涂装(ST33)、产品组装(ST34)和产品测试(ST35)五个子任务。在任务执行期间,新任务在时间点50小时到达,用T4表示,新任务为汽车组件任务,包括框架组件(ST41)、发动机组件(ST42)、零件组件(ST43)和产品测试(ST44)四个子任务。另外,有六家企业各提供八种服务,服务的启动时间、启动成本、执行时间、执行成本和可靠性分别在[5,10]小时、[5,10]美元、[30,80]小时、[30,80]美元和(0.9,1)之间随机生成,运输时间和运输成本在[5,10]小时和[5,10]美元之间随机生成。
基于上述案例,可以发现在多供应链协作模式下,无论是在调度阶段还是在重调度阶段,最优调度方案的综合QoS都优于单供应链模式下最优调度方案的综合QoS。
四种算法求解协同任务调度模型的迭代曲线如图4所示。可以看出,在四种算法中,IMPBBO算法获得的调度方案的综合QoS最高。因此,该算法在求解协同任务调度模型时,不仅能够保持较好的收敛效率,同时还具有优越的解空间搜索能力。
以上实施例仅用以说明本发明的技术方案而非对其进行限制,在不背离本发明精神及其实质的情况下,熟悉本领域的技术人员当可根据本发明做出各种相应的改变和变形,但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。
Claims (6)
1.一种面向动态任务感知的云制造协同任务调度方法,其特征在于,所述面向动态任务感知的云制造协同任务调度方法,包括:
根据供应链完成任务的比例,构建协同任务调度模型;
根据原有制造任务和可选的制造服务,在新任务到来时产生初始种群作为当前种群,将当前种群划分成若干子种群进行后续迭代,并将当前种群中每个协同任务调度方案用矩阵编码表示;
对当前所有子种群执行迁移操作;
对当前所有子种群执行变异操作;
对当前种群中的最优解应用局部搜索策略;
判断是否满足应用协作机制的条件,若满足条件则对当前所有子种群应用协作机制,否则判断是否满足终止条件;
判断是否满足终止条件,若满足条件则停止迭代,并输出最优协同任务调度方案,否则返回继续进行迭代。
2.根据权利要求1所述的面向动态任务感知的云制造协同任务调度方法,其特征在于,所述根据供应链完成任务的比例,构建协同任务调度模型,包括:
计算时间跨度CT,即先分别计算每一条供应链上所有调用的服务所花费的时间,即固定启动时间、服务完成的相应比例的执行时间和产生的运输时间,再算出所有供应链的时间跨度的最大值;
计算总成本C,即计算所有供应链上调用的服务的固定启动成本、服务完成的相应比例的执行成本和产生的运输成本;
计算可靠性R,即计算所有供应链上调用的服务所花费的固定启动时间和完成的相应比例的执行时间内的可靠性;
对调度方案的时间跨度、总成本、可靠性进行标准化,并赋权相加,从而求得最大的综合QoS。
3.根据权利要求1所述的面向动态任务感知的云制造协同任务调度方法,其特征在于,所述对当前种群中的最优解应用局部搜索策略,包括:
对最优解随机进行交换变异操作或逆向变异操作,当判断该变异操作为交换变异操作时,则随机选择最优解的两个位置,然后交换其对应的SIV值;否则,在最优解中随机选择两个位置,然后在所选位置之间颠倒SIV值。
4.根据权利要求1所述的面向动态任务感知的云制造协同任务调度方法,其特征在于,所述对当前所有子种群应用协作机制,包括:
使用如下公式的轮盘赌策略来确定用于信息交换的解方案,选择出的解方案用于替换其他子种群中最差的解方案:
其中,Pmk表示选择栖息地k用于信息交换的概率,fk表示栖息地k的HSI值,NP表示最大物种数量。
5.根据权利要求1所述的面向动态任务感知的云制造协同任务调度方法,其特征在于,所述对当前所有子种群执行迁移操作,所采用的迁入率根据如下公式计算:
迁出率根据如下公式计算:
其中λk和μk分别表示迁入率和迁出率,Imax和Emax分别表示最大迁入率和最大迁出率,Sk表示第k个栖息地的物种数量,NP表示最大物种数量。
6.根据权利要求5所述的面向动态任务感知的云制造协同任务调度方法,其特征在于,所述对当前所有子种群执行变异操作,其中:
每个栖息地的变异概率mk根据如下公式计算:
其中,Pk表示包含k个物种的栖息地的概率,由如下公式计算得到:
其中,mmax表示预先设定的最大变异概率,Pmax表示栖息地最大物种数量概率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910066352.XA CN109816243A (zh) | 2019-01-24 | 2019-01-24 | 面向动态任务感知的云制造协同任务调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910066352.XA CN109816243A (zh) | 2019-01-24 | 2019-01-24 | 面向动态任务感知的云制造协同任务调度方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109816243A true CN109816243A (zh) | 2019-05-28 |
Family
ID=66604913
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910066352.XA Pending CN109816243A (zh) | 2019-01-24 | 2019-01-24 | 面向动态任务感知的云制造协同任务调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109816243A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110276488A (zh) * | 2019-06-18 | 2019-09-24 | 浙江财经大学 | 一种基于分块矩阵和模糊运输时间的车辆路径优化方法 |
CN110309921A (zh) * | 2019-06-18 | 2019-10-08 | 浙江工业大学 | 一种基于Grover量子搜索算法的云制造调度方法 |
CN110751292A (zh) * | 2019-10-12 | 2020-02-04 | 浙江财经大学 | 一种基于遗传算法的云制造多视角协同调度优化方法 |
CN110766279A (zh) * | 2019-09-20 | 2020-02-07 | 西安文理学院 | 一种基于QoS的设计制造集成方法 |
CN111047170A (zh) * | 2019-12-04 | 2020-04-21 | 北京航空航天大学 | 一种基于长短期效用的制造服务协作调度方法 |
CN112053002A (zh) * | 2020-09-11 | 2020-12-08 | 浙江财经大学 | 一种基于效用感知的云制造多任务调度方法 |
CN112073452A (zh) * | 2020-05-27 | 2020-12-11 | 河南工程学院 | 一种能源有效和资源受限的移动边缘计算任务分配方法 |
CN112651483A (zh) * | 2020-01-16 | 2021-04-13 | 浙江工业大学 | 一种面向大规模多批次任务协同的云制造服务组合优化方法 |
CN112884241A (zh) * | 2021-03-12 | 2021-06-01 | 重庆大学 | 基于智能Agent的云边协作制造任务调度方法 |
CN116911573A (zh) * | 2023-09-07 | 2023-10-20 | 南京邮电大学 | 一种面向智能制造的供应链物流商多任务协同方法 |
CN116932164A (zh) * | 2023-07-25 | 2023-10-24 | 和光舒卷(广东)数字科技有限公司 | 一种基于云平台的多任务调度方法及其系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040249492A1 (en) * | 2003-06-06 | 2004-12-09 | Visteon Global Technologies, Inc. | Method for optimizing configuration of pick-and-place machine |
US8391421B2 (en) * | 2008-06-19 | 2013-03-05 | Simon Fraser University | EDA-based detection of communication signals |
CN103955754A (zh) * | 2014-04-16 | 2014-07-30 | 江南大学 | 基于实时生产数据采集的模具车间调度方法 |
CN108536536A (zh) * | 2018-03-09 | 2018-09-14 | 三峡大学 | 一种基于量子遗传算法的云制造环境下资源整合与优化系统及方法 |
CN108681789A (zh) * | 2018-05-09 | 2018-10-19 | 浙江财经大学 | 一种云制造服务优化方法 |
CN109146160A (zh) * | 2018-08-06 | 2019-01-04 | 河海大学常州校区 | 一种云制造资源服务调度方法 |
-
2019
- 2019-01-24 CN CN201910066352.XA patent/CN109816243A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040249492A1 (en) * | 2003-06-06 | 2004-12-09 | Visteon Global Technologies, Inc. | Method for optimizing configuration of pick-and-place machine |
US8391421B2 (en) * | 2008-06-19 | 2013-03-05 | Simon Fraser University | EDA-based detection of communication signals |
CN103955754A (zh) * | 2014-04-16 | 2014-07-30 | 江南大学 | 基于实时生产数据采集的模具车间调度方法 |
CN108536536A (zh) * | 2018-03-09 | 2018-09-14 | 三峡大学 | 一种基于量子遗传算法的云制造环境下资源整合与优化系统及方法 |
CN108681789A (zh) * | 2018-05-09 | 2018-10-19 | 浙江财经大学 | 一种云制造服务优化方法 |
CN109146160A (zh) * | 2018-08-06 | 2019-01-04 | 河海大学常州校区 | 一种云制造资源服务调度方法 |
Non-Patent Citations (2)
Title |
---|
YAN WANG,ZIWEI DAI,WENYU ZHANG,ET AL.: "Urgent task-aware cloud manufacturing service composition using two-stage biogeography-based optimisation", 《INTERNATIONAL JOURNAL OF COMPUTER INTEGRATED MANUFACTURING》 * |
杨蒙蒙 等: "生物地理学优化算法与应用综述", 《南京师范大学学报(工程技术版)》 * |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110309921A (zh) * | 2019-06-18 | 2019-10-08 | 浙江工业大学 | 一种基于Grover量子搜索算法的云制造调度方法 |
CN110276488A (zh) * | 2019-06-18 | 2019-09-24 | 浙江财经大学 | 一种基于分块矩阵和模糊运输时间的车辆路径优化方法 |
CN110766279A (zh) * | 2019-09-20 | 2020-02-07 | 西安文理学院 | 一种基于QoS的设计制造集成方法 |
CN110751292A (zh) * | 2019-10-12 | 2020-02-04 | 浙江财经大学 | 一种基于遗传算法的云制造多视角协同调度优化方法 |
CN110751292B (zh) * | 2019-10-12 | 2022-05-03 | 浙江财经大学 | 一种基于遗传算法的云制造多视角协同调度优化方法 |
CN111047170B (zh) * | 2019-12-04 | 2021-09-10 | 北京航空航天大学 | 一种基于长短期效用的制造服务协作调度方法 |
CN111047170A (zh) * | 2019-12-04 | 2020-04-21 | 北京航空航天大学 | 一种基于长短期效用的制造服务协作调度方法 |
CN112651483B (zh) * | 2020-01-16 | 2024-02-23 | 浙江工业大学 | 一种面向大规模多批次任务协同的云制造服务组合优化方法 |
CN112651483A (zh) * | 2020-01-16 | 2021-04-13 | 浙江工业大学 | 一种面向大规模多批次任务协同的云制造服务组合优化方法 |
CN112073452B (zh) * | 2020-05-27 | 2021-04-27 | 河南工程学院 | 一种能源有效和资源受限的移动边缘计算任务分配方法 |
CN112073452A (zh) * | 2020-05-27 | 2020-12-11 | 河南工程学院 | 一种能源有效和资源受限的移动边缘计算任务分配方法 |
CN112053002B (zh) * | 2020-09-11 | 2023-07-07 | 浙江财经大学 | 一种基于效用感知的云制造多任务调度方法 |
CN112053002A (zh) * | 2020-09-11 | 2020-12-08 | 浙江财经大学 | 一种基于效用感知的云制造多任务调度方法 |
CN112884241A (zh) * | 2021-03-12 | 2021-06-01 | 重庆大学 | 基于智能Agent的云边协作制造任务调度方法 |
CN112884241B (zh) * | 2021-03-12 | 2023-09-01 | 重庆大学 | 基于智能Agent的云边协作制造任务调度方法 |
CN116932164A (zh) * | 2023-07-25 | 2023-10-24 | 和光舒卷(广东)数字科技有限公司 | 一种基于云平台的多任务调度方法及其系统 |
CN116932164B (zh) * | 2023-07-25 | 2024-03-29 | 和光舒卷(广东)数字科技有限公司 | 一种基于云平台的多任务调度方法及其系统 |
CN116911573A (zh) * | 2023-09-07 | 2023-10-20 | 南京邮电大学 | 一种面向智能制造的供应链物流商多任务协同方法 |
CN116911573B (zh) * | 2023-09-07 | 2023-11-14 | 南京邮电大学 | 一种面向智能制造的供应链物流商多任务协同方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109816243A (zh) | 面向动态任务感知的云制造协同任务调度方法 | |
Zhou et al. | An event-triggered dynamic scheduling method for randomly arriving tasks in cloud manufacturing | |
Jiang et al. | Distributed dynamic scheduling for cyber-physical production systems based on a multi-agent system | |
Lee et al. | Job shop scheduling with a genetic algorithm and machine learning | |
Guo et al. | Mathematical model and genetic optimization for the job shop scheduling problem in a mixed-and multi-product assembly environment: A case study based on the apparel industry | |
CN112053002B (zh) | 一种基于效用感知的云制造多任务调度方法 | |
Van Hop et al. | The scheduling problem of PCBs for multiple non-identical parallel machines | |
Chan et al. | A genetic algorithm-based scheduler for multiproduct parallel machine sheet metal job shop | |
Zhang et al. | A new manufacturing resource allocation method for supply chain optimization using extended genetic algorithm | |
CN113159383A (zh) | 一种面向多机协作加工车间的制造资源重构调度方法及系统 | |
CN105974891B (zh) | 一种基于动态看板的模具生产过程自适应控制方法 | |
Fang et al. | Flexible worker allocation in aircraft final assembly line using multiobjective evolutionary algorithms | |
Huang et al. | Genetic algorithm for rotary machine scheduling with dependent processing times | |
Azami et al. | Scheduling in aerospace composite manufacturing systems: a two-stage hybrid flow shop problem | |
Overbeck et al. | Reinforcement learning based production control of semi-automated manufacturing systems | |
Liu et al. | Reconfiguration of virtual cellular manufacturing systems via improved imperialist competitive approach | |
Jules et al. | Agent cooperation mechanism for decentralized manufacturing scheduling | |
Kinast et al. | Biased random-key genetic algorithm for cobot assignment in an assembly/disassembly job shop scheduling problem | |
Rifai et al. | Reentrant FMS scheduling in loop layout with consideration of multi loading-unloading stations and shortcuts | |
Ou-Yang et al. | The development of a hybrid hierarchical/heterarchical shop floor control system applying bidding method in job dispatching | |
Aghajani-Delavar et al. | Design of a new mathematical model for integrated dynamic cellular manufacturing systems and production planning | |
Pal et al. | A multi-agent system for integrated scheduling and maintenance planning of the flexible job shop | |
Kamali et al. | An immune-based multi-agent system for flexible job shop scheduling problem in dynamic and multi-objective environments | |
Duan et al. | Real-time production scheduler for digital-print-service providers based on a dynamic incremental evolutionary algorithm | |
Elgendy et al. | Integrated strategies to an improved genetic algorithm for allocating and scheduling multi-task in cloud manufacturing environment |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190528 |