CN110298589A - 基于遗传-蚁群融合算法的动态服务资源调度方法 - Google Patents
基于遗传-蚁群融合算法的动态服务资源调度方法 Download PDFInfo
- Publication number
- CN110298589A CN110298589A CN201910583524.0A CN201910583524A CN110298589A CN 110298589 A CN110298589 A CN 110298589A CN 201910583524 A CN201910583524 A CN 201910583524A CN 110298589 A CN110298589 A CN 110298589A
- Authority
- CN
- China
- Prior art keywords
- operator
- node
- dynamic service
- service resource
- ant colony
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000002156 mixing Methods 0.000 title abstract 3
- 230000001105 regulatory effect Effects 0.000 title abstract 2
- 230000002068 genetic effect Effects 0.000 claims abstract description 34
- 230000008901 benefit Effects 0.000 claims abstract description 8
- 230000007704 transition Effects 0.000 claims abstract description 4
- 239000003016 pheromone Substances 0.000 claims description 35
- 210000000349 chromosome Anatomy 0.000 claims description 27
- 108090000623 proteins and genes Proteins 0.000 claims description 16
- 241000257303 Hymenoptera Species 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 13
- 238000009826 distribution Methods 0.000 claims description 10
- 230000002457 bidirectional effect Effects 0.000 claims description 6
- 230000004927 fusion Effects 0.000 claims description 6
- 230000035772 mutation Effects 0.000 claims description 5
- 230000009471 action Effects 0.000 claims description 2
- 230000001186 cumulative effect Effects 0.000 claims description 2
- 230000000694 effects Effects 0.000 claims description 2
- 238000012545 processing Methods 0.000 claims description 2
- 238000009401 outcrossing Methods 0.000 claims 1
- 230000002787 reinforcement Effects 0.000 claims 1
- 238000004519 manufacturing process Methods 0.000 abstract description 21
- 238000005457 optimization Methods 0.000 abstract description 7
- 238000013468 resource allocation Methods 0.000 description 5
- 238000011160 research Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 241000284708 Sarcophaga alpha Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
Classifications
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
- G06Q10/06315—Needs-based resource requirements planning or analysis
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Strategic Management (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Entrepreneurship & Innovation (AREA)
- Genetics & Genomics (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Physiology (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
本发明公开了一种基于遗传‑蚁群融合算法的动态服务资源调度方法，包括以下步骤：S1:建立服务任务，确定动态服务资源集；S2:选择遗传算子，基于遗传算子求解获得适应度值高的优化解；S3:选择蚁群算子，并将遗传算子和蚁群算子的过渡，将遗传算子求出的优化解转化成蚁群算子的初始信息素分布；S4:基于初始信息素分布，获取动态服务资源的调度方案。本发明将蚁群算法与遗传算法相融合后应用于动态服务资源的调度问题上，提高了动态服务资源的使用率，降低资源使用的时间、成本等，提高生产的效率。本发明具有较强的寻优求解能力，迭代收敛性也比其他算法好，趋于稳定性较快。可提高资源的使用率，增加企业的经济效益。
Description
技术领域
本发明涉及一种动态服务资源调度方法，尤其涉及一种云制造动态服务资源调度方法，属于工业软件运营技术领域。
背景技术
由于受到生产制造、商业交易和科学技术等因素的限制，我国的制造业正面临着利用率低下的问题，在部分高精企业及研究所出现了“高、精、尖”资源的闲置，而小型企业存在资源短缺的现象，因此我国的制造资源亟需整合共享。云制造以“分散资源集中共享，集中服务分散使用”为理念，将服务资源需求者、服务资源提供者以及云制造服务平台运营者联系在一起，为用户提供即用即合，用完即散的服务资源。
云制造环境下动态服务资源的优化调度问题具有比车间资源调度更为复杂的特性，如动态性、模糊性、自组织性等，因此，云制造环境下的资源调度问题将存在更多的局限与约束，其优化调度模型及求解算法的优劣将直接影响资源的配置。针对云制造资源调度问题，国内外学者已经获得了比较系统的云制造资源服务调度理论体系，并且不断有新的研究成果出现，很多研究只是将单一目标值作为优化方案进行调度讨论，且研究所建立的模型与实际还存在着很大的差距，很多时候也未考虑到动态服务资源的地域特征，即物流时间、物流成本等因素经常被忽略和简化，因此值得对多目标模型下的调度问题进行实际的探索。例如汽车企业在生产过程中需要从多种汽车零部件厂商那里选择符合产品要求/任务的零部件，并选取出最优的组合。原有的工业软件仅利用了遗传算法来进行，这种筛选方式筛选出来的资源不能完全保证满足任务要求，且搜索效率有待进一步改善。因此急需设计一种新的动态服务资源调度方法，来满足快速寻优的个性化任务要求。
发明内容
本发明的目的在于克服现有技术中未考虑地域特征、多目标模型下的调度问题以及搜索效率不高的不足，提供一种基于遗传-蚁群融合算法的动态服务资源调度方法，技术方案如下：
基于遗传-蚁群融合算法的动态服务资源调度方法，包括以下步骤：
S1:建立服务任务，确定动态服务资源集；
S2:选择遗传算子，基于所述遗传算子求解获得适应度值高的优化解；
S3:选择蚁群算子，并将所述遗传算子和所述蚁群算子的过渡，将遗传算子求出的所述优化解转化成所述蚁群算子的初始信息素分布；
S4:基于所述初始信息素分布，获取动态服务资源的调度方案。
与现有技术相比，本发明所达到的有益效果：
本发明将蚁群算法与遗传算法相融合后应用于动态服务资源的调度问题上，提高了动态服务资源的使用率，降低资源使用的时间、成本等，提高生产的效率。本发明具有较强的寻优求解能力，迭代收敛性也比其他算法好，趋于稳定性较快。将求解的最优解应用到企业的实际的资源分配中去，提高资源的使用率，增加企业的经济效益。
附图说明
图1是本发明的实施例的调度方法的流程示意图；
图2是利用本发明的方法进行服务资源调度获得的结果图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
如图1所示，基于遗传-蚁群融合算法的动态服务资源调度方法，包括以下步骤：
S1:建立服务任务，确定动态服务资源集；即对应的各个方案。动态服务资源集即各工序可供选择的动态服务资源，其分布在不同的企业，根据任务需求将有若干种资源选择方案，各个方案有不同的指标特征，根据用户任务需求选择不同的资源，得到对应解的各个方案。
S2:选择遗传算子，基于遗传算子求解获得适应度值高的优化解；遗传算子选择的具体过程包括：采用基于服务任务和基于动态服务资源分配的遗传编码方法，基因段代表子任务编号，基因位代表工序编号，基因值代表动态服务资源编号。例如：313-254-113-522-431-324-123-261-232表示该染色体表示第3个服务子任务的第1道工序选择3号动态服务资源完成，然后执行的下一个任务为第2个服务子任务的第5道工序选择4号动态服务资源完成，以此类推完成这5个服务子任务。
S3:选择蚁群算子，并将遗传算子和蚁群算子的过渡，将遗传算子求出的优化解转化成蚁群算子的初始信息素分布；基于最大最小蚁群系统(Max-Min Ant System，MMAS)算法，其优越性包括：如果蚂蚁找到最优解或者发现已知最优解，则对信息素更新；设置了信息素区间[τmin,τmax]，当信息素浓度不在该区间范围时，将采取强制手段进行调整，防止出现极端情况；根据遗传算子得到的结果给出初始信息素分布。MMAS算法将给定信息素区间的最大值τmax初始信息素分布，由于遗传算法已经通过遗传算子求出了部分优化解，所以设定蚁群算法中每条路线的初始信息素值为τ(0)＝τmin+τG，其中，最大值τmax，最小值τmin，τG表示由遗传算子求得的优化解经过转换而得到的信息素值。
S4:基于初始信息素分布，获取动态服务资源的调度方案。运用算法进行求解，得到动态服务资源的调度方案。
具体地，步骤S1中的遗传算子的选择包括以下步骤：
S11：基于遗传算子对服务任务和动态服务资源进行遗传编码，将服务任务分解为多个子任务，基因段代表子任务编号，基因位代表工序编号，基因值代表动态服务资源编号；通过选择、交叉、变异不断生成新个体。
S12：随机生成初始种群M，子群个数为A，每个子群产生p个新个体，通过对子任务设定约束条件，约束条件为时间T、成本C、质量Q、能力L四个目标函数，约束条件为时间T、成本C、质量Q、能力L四个目标函数，即T≤Tmax、C≤Cmax、Q≥Qmin、L≥Lmin；判断新个体的四个目标函数值即初始解是否满足约束条件，若满足，则选定，否则删除，不断迭代此过程，直到初始解空间的数量达到预定要求；
S13：约束条件根据效益型指标Tij的公式(1)：
其中，为指标的最大值；
为指标的最小值；
mij为指标i的值。
以及成本型指标的公式(2)：
计算，并对时间T、成本C、质量Q和能力L四个目标函数进行无量纲化处理，然后根据公式(3)计算适应度函数minF：
minF＝ω1T+ω2C-ω3Q-ω4L (3)
其中，T为时间、C为成本、Q为质量、L为能力；ω1、ω2、ω3、ω4分别为时间T、成本C、质量Q和能力L的权重；
S14：采用轮盘赌法进行选择操作，利用公式(4)计算第i个染色体被选择的概率P(i)：
其中M为种群规模，F(i)为第i个染色体的适应度，通过公式(5)得出第i个染色体被选择的累积概率Q(i)为：
随机生成[0,1]的随机数R(1)，若R(1)≤Q(1)，则选择第1个染色体，否则选择满足Q(i-1)≤R(1)≤Q(i)的第i个染色体，重复生成随机数的过程，直到选择了M个个体为止，这样便使那些适应度较好的染色体得到很大程度的保留。
S15：采用顺序交叉方法进行交叉操作，首先随机选择两条父串，然后在染色体长度内随机生成两个整数rand1和rand2，最后将rand1和rand2之间的基因进行交换，形成新的子代染色体；交叉概率的范围优选为[0.2,0.9]，举例如下：
S16：采用逆转变异方法进行变异操作，包括以下步骤：
(1)随机选择一条染色体；
(2)在染色体长度内随机生成两个整数rand1和rand2；
(3)将rand1和rand2之间的基因进行逆转交换，形成一条新的染色体。
采用逆转变异方法进行变异操作，首先随机选择一条染色体，然后在染色体长度内随机生成两个整数rand1和rand2，最后将rand1和rand2之间的基因进行逆转交换，形成一条新的染色体。变异概率的范围一般为[0.001,0.1]，以小概率对染色体进行变异，增加染色体的多样性，避免算法早熟而错过更优解。举例为：
本实施例中作为优选的方式，步骤S3中蚁群算子的选择是基于最大最小蚁群系统(Max-Min Ant System，MMAS)算法进行的。
本实施例中作为优选的方式，优选采用最大最小蚁群系统算法给出初始信息素分布的区间的最大值τmax，最小值τmin，设定蚁群算子中每条路线的初始信息素值为τ(0)＝τmin+τG，其中，τG表示由遗传算子求得的优化解经过转换而得到的初始信息素值。
本实施例中作为优选的方式，步骤S3中蚁群算子的选择引用双向收敛策略，编号为k的蚂蚁在t时刻通过概率函数来选择下一个节点，具体概率函数Pij k(t)为公式(6)：
其中τij(t)指t时刻节点i和节点j之间的残留信息素；ηij指从节点i移动到节点j的期望程度，取dij是节点i和节点j之间的距离；τis(t)指t时刻节点i和节点s之间的残留信息素；ηis是指从节点i移动到节点s的期望程度，取dis是节点i和节点s之间的距离。α指信息启发因子，表示轨迹的相对重要性；β指期望启发因子，反映蚂蚁在运动过程中路径长度对其的影响程度；Allowedk指编号为k的蚂蚁可以选择的资源节点的集合；若蚂蚁选择了较优的路线，则根据公式(7)和公式(8)对其采取强化措施；如果蚂蚁选择了较差的路线，则根据公式(9)采取惩罚措施，
τij(t)＝σ×τij(t) (9)
其中，指时间(t,t+1)内编号为k的蚂蚁在节点i和节点j上的信息素量；m指蚂蚁的数量；τij(t+1)是指t+1时刻节点i和节点j之间的残留信息素，ρ指信息素轨迹的衰减系数；Q指调整系数；lk指编号为k的蚂蚁解的目标函数值；σ指惩罚因子，用来降低较差路线的信息素浓度，σ∈(0,1]，当σ＝1时，对较差路线不产生影响，当σ→0时，较差路线的信息素浓度将迅速降低最终归零，以达到双向收敛的效果，双向收敛法以提高算法的搜索能力。最大最小蚁群系统算法，双向收敛策略不断更新信息素浓度，以提高所述最大最小蚁群系统算法的搜索速度。
实施例1：
以某汽车零部件企业为例，其制造过程的环节可以分解成5个生产子任务，各个子任务还可以细分成若干个工序，每道工序可以由至少一个候选资源完成，候选资源在不同的企业，因此产生了物流时间和物流成本，在此背景下，讨论云制造环境下动态服务资源的调度问题。该企业的5个生产子任务相关约束信息见表1，在云制造服务平台中初步搜索到能够完成这5个子任务的候选资源信息见表2。
表1生产子任务约束信息
表2候选资源的部分数据信息
根据表2的数据对其进行处理后，即将5个子任务所需的各个候选资源的时间、成本、质量、能力四大目标值进行总和计算，得到表3所示的5个子任务的四大目标值，与表1列出的约束条件相比较，可以发现5个子任务的目标函数值都满足要求。
表3子任务的目标函数值
参数设定：种群规模为50，最大迭代次数为50，初始交叉概率为0.8，初始变异概率为0.05，α＝1，β＝7，ρ＝0.1，四个指标时间T、成本C、质量Q和能力L的权重值预估为：{ω1,ω2,ω3,ω4}＝{0.32,0.15,0.17,0.36}。利用遗传——蚁群融合算法对该调度问题进行寻优，得到的服务资源调配方案如表4所示，其寻优结果如图2所示。将该模型及方法运用到市场中，可以提供企业资源的利用率，为企业带来可观的收益。
表4服务资源调配表
本发明将蚁群算法与遗传算法相融合后应用于动态服务资源的调度问题上，提高了动态服务资源的使用率，降低资源使用的时间、成本等，提高生产的效率。本发明具有较强的寻优求解能力，迭代收敛性也比其他算法好，趋于稳定性较快。若将求解的最优解应用到企业的实际的资源分配中去，提高资源的使用率，增加企业的经济效益。能够有效地避免了数据局部最优的缺点，具有更强的寻优能力，提高了资源的使用率。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。
Claims (6)
1.基于遗传-蚁群融合算法的动态服务资源调度方法，其特征在于，包括以下步骤：
S1:建立服务任务，确定动态服务资源集；
S2:选择遗传算子，基于所述遗传算子求解获得适应度值高的优化解；
S3:选择蚁群算子，并将所述遗传算子和所述蚁群算子的过渡，将遗传算子求出的所述优化解转化成所述蚁群算子的初始信息素分布；
S4:基于所述初始信息素分布，获取动态服务资源的调度方案。
2.根据权利要求1所述的动态服务资源调度方法，其特征在于，步骤S1中的所述遗传算子的选择包括以下步骤：
S11：基于所述遗传算子对所述服务任务和所述动态服务资源进行遗传编码，将所述服务任务分解为多个子任务，基因段代表子任务编号，基因位代表工序编号，基因值代表动态服务资源编号；通过选择、交叉、变异不断生成新个体；
S12：随机生成初始种群M，子群个数为A，每个子群产生p个新个体，通过对子任务设定约束条件，约束条件为时间T、成本C、质量Q、能力L四个目标函数，即T≤Tmax、C≤Cmax、Q≥Qmin、L≥Lmin；判断所述新个体的四个目标函数值即初始解是否满足约束条件，若满足，则选定，否则删除，不断迭代此过程，直到初始解空间的数量达到完成子任务所需的资源的数量要求；
S13：所述约束条件根据效益型指标Tij的公式(1)：
其中，为指标的最大值；
为指标的最小值；
mij为指标i的值；
以及成本型指标的公式(2)：
计算，并对时间T、成本C、质量Q和能力L四个目标函数进行无量纲化处理，然后根据公式(3)计算适应度函数minF：
minF＝ω1T+ω2C-ω3Q-ω4L (3)
其中，T为时间、C为成本、Q为质量、L为能力；ω1、ω2、ω3、ω4分别为时间T、成本C、质量Q和能力L的权重；
S14：采用轮盘赌法进行选择操作，利用公式(4)计算第i个染色体被选择的概率P(i)：
其中M为种群规模，F(i)为第i个染色体的适应度，通过公式(5)得出第i个染色体被选择的累积概率Q(i)为：
随机生成[0,1]的随机数R(1)，若R(1)≤Q(1)，则选择第1个染色体，否则选择满足Q(i-1)≤R(1)≤Q(i)的第i个染色体，重复生成随机数的过程，直到选择了M个个体为止，这样便使那些适应度较好的染色体得到很大程度的保留；
S15：采用顺序交叉方法进行交叉操作，首先随机选择两条父串，然后在染色体长度内随机生成两个整数rand1和rand2，最后将rand1和rand2之间的基因进行交换，形成新的子代染色体；
S16：采用逆转变异方法进行变异操作，包括以下步骤：
(1)随机选择一条染色体；
(2)在染色体长度内随机生成两个整数rand1和rand2；
(3)将rand1和rand2之间的基因进行逆转交换，形成一条新的染色体。
3.根据权利要求2所述的动态服务资源调度方法，其特征在于，所述顺序交叉方法的交叉概率的范围为[0.2,0.9]；所述逆转变异方法中以[0.001,0.1]为变异概率范围对染色体进行变异。
4.根据权利要求1所述的动态服务资源调度方法，其特征在于，步骤S3中所述蚁群算子的选择是基于最大最小蚁群系统(Max-Min Ant System，MMAS)算法进行的。
5.根据权利要求4所述的动态服务资源调度方法，其特征在于，采用所述最大最小蚁群系统算法给出初始信息素分布的区间的最大值τmax，最小值τmin，设定所述蚁群算子中每条路线的初始信息素值为τ(0)＝τmin+τG，其中，τG表示由遗传算子求得的优化解经过转换而得到的初始信息素值。
6.根据权利要求1所述的动态服务资源调度方法，其特征在于，步骤S3中所述蚁群算子的选择引用双向收敛策略，编号为k的蚂蚁在t时刻通过概率函数来选择下一个节点，具体概率函数为公式(6)：
其中τij(t)指t时刻节点i和节点j之间的残留信息素；ηij指从节点i移动到节点j的期望程度，取dij是节点i和节点j之间的距离；α指信息启发因子，表示轨迹的相对重要性；β指期望启发因子，反映蚂蚁在运动过程中路径长度对其的影响程度；Allowedk指编号为k的蚂蚁可以选择的资源节点的集合；若蚂蚁选择了较优的路线路线，τis(t)指t时刻节点i和节点s之间的残留信息素；ηis是指从节点i移动到节点s的期望程度，取dis是节点i和节点s之间的距离；则根据公式(7)和公式(8)对其采取强化措施；如果蚂蚁选择了较差的路线，则根据公式(9)采取惩罚措施，
τij(t)＝σ×τij(t) (9)
其中，指时间(t,t+1)内编号为k的蚂蚁在节点i和节点j上的信息素量；m指蚂蚁的数量；τij(t+1)是指t+1时刻节点i和节点j之间的残留信息素，ρ指信息素轨迹的衰减系数；Q指调整系数；lk指编号为k的蚂蚁解的目标函数值；σ指惩罚因子，用来降低较差路线的信息素浓度，σ∈(0,1]，当σ＝1时，对较差路线不产生影响，当σ→0时，较差路线的信息素浓度将迅速降低最终归零，以达到双向收敛的效果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910583524.0A CN110298589A (zh) | 2019-07-01 | 2019-07-01 | 基于遗传-蚁群融合算法的动态服务资源调度方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910583524.0A CN110298589A (zh) | 2019-07-01 | 2019-07-01 | 基于遗传-蚁群融合算法的动态服务资源调度方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110298589A true CN110298589A (zh) | 2019-10-01 |
Family
ID=68029593
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910583524.0A Withdrawn CN110298589A (zh) | 2019-07-01 | 2019-07-01 | 基于遗传-蚁群融合算法的动态服务资源调度方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110298589A (zh) |
Cited By (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN110784366A (zh) * | 2019-11-11 | 2020-02-11 | 重庆邮电大学 | Sdn中基于immac算法的交换机迁移方法 |
| CN111144724A (zh) * | 2019-12-18 | 2020-05-12 | 支付宝(杭州)信息技术有限公司 | 一种基于遗传算法的任务处理方法、装置及电子设备 |
| CN111240796A (zh) * | 2019-12-30 | 2020-06-05 | 浙江工业大学 | 一种基于改进mmas的负载均衡调度方法 |
| CN111309582A (zh) * | 2020-03-27 | 2020-06-19 | 上海海事大学 | 一种复杂冗余系统可靠性评估的优化方法 |
| CN111812982A (zh) * | 2020-07-13 | 2020-10-23 | 中国电子科技集团公司信息科学研究院 | 面向智能制造的云制造资源的动态共享与智能分配方法 |
| CN111913800A (zh) * | 2020-07-15 | 2020-11-10 | 东北大学秦皇岛分校 | 基于l-aco的云中微服务成本优化的资源分配方法 |
| CN112256422A (zh) * | 2020-11-17 | 2021-01-22 | 中国人民解放军战略支援部队信息工程大学 | 基于q学习的异构平台任务调度方法及系统 |
| CN112561200A (zh) * | 2020-12-22 | 2021-03-26 | 国网甘肃省电力公司电力科学研究院 | 基于完备集合经验模态分解和改进蚁群优化的长短期记忆网络的风电站出力混合预测技术 |
| CN112613761A (zh) * | 2020-12-27 | 2021-04-06 | 北京工业大学 | 一种基于动态博弈和自适应蚁群算法的服务调度方法 |
| CN112711473A (zh) * | 2021-01-09 | 2021-04-27 | 哈尔滨航天恒星数据系统科技有限公司 | 基于混合计算模式的云计算QoS保障调度优化方法 |
| CN112862134A (zh) * | 2019-11-12 | 2021-05-28 | 北京中电普华信息技术有限公司 | 电力营销业务中台的业务调度方法及装置 |
| CN113313286A (zh) * | 2021-04-23 | 2021-08-27 | 北京国信云服科技有限公司 | 基于遗传算法的末端物流网点布局方法、装置、设备及介质 |
| CN113326990A (zh) * | 2021-06-22 | 2021-08-31 | 安徽农业大学 | 基于动态遗传算法串行融合的直升机调度航线规划方法 |
| CN113469505A (zh) * | 2021-06-10 | 2021-10-01 | 哈尔滨工业大学 | 一种面向快件非标准服务的多主体协同运输资源调度方法 |
| CN113743646A (zh) * | 2021-07-19 | 2021-12-03 | 北京工业大学 | 一种基于加工制造粒度的企业生产资源合理配置云平台调度方法 |
| CN113886045A (zh) * | 2021-09-30 | 2022-01-04 | 中国船舶重工集团公司第七二四研究所 | 一种基于改良蚁群算法的自适应资源调度方法 |
| CN114840326A (zh) * | 2022-06-01 | 2022-08-02 | 中国电信股份有限公司 | 资源调度方法、装置、电子设备及存储介质 |
| CN115617510A (zh) * | 2022-09-28 | 2023-01-17 | 湖北公众信息产业有限责任公司 | 一种基于信息素遗传蚁群算法的服务器动态均衡方法及系统 |
-
2019
- 2019-07-01 CN CN201910583524.0A patent/CN110298589A/zh not_active Withdrawn
Cited By (28)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| 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 |
| CN110784366A (zh) * | 2019-11-11 | 2020-02-11 | 重庆邮电大学 | Sdn中基于immac算法的交换机迁移方法 |
| CN110784366B (zh) * | 2019-11-11 | 2022-08-16 | 重庆邮电大学 | Sdn中基于immac算法的交换机迁移方法 |
| CN112862134A (zh) * | 2019-11-12 | 2021-05-28 | 北京中电普华信息技术有限公司 | 电力营销业务中台的业务调度方法及装置 |
| CN111144724B (zh) * | 2019-12-18 | 2022-04-22 | 支付宝(杭州)信息技术有限公司 | 一种基于遗传算法的任务处理方法、装置及电子设备 |
| CN111144724A (zh) * | 2019-12-18 | 2020-05-12 | 支付宝(杭州)信息技术有限公司 | 一种基于遗传算法的任务处理方法、装置及电子设备 |
| CN111240796A (zh) * | 2019-12-30 | 2020-06-05 | 浙江工业大学 | 一种基于改进mmas的负载均衡调度方法 |
| CN111240796B (zh) * | 2019-12-30 | 2023-04-18 | 浙江工业大学 | 一种基于改进mmas的负载均衡调度方法 |
| CN111309582B (zh) * | 2020-03-27 | 2023-04-07 | 上海海事大学 | 一种复杂冗余系统可靠性评估的优化方法 |
| CN111309582A (zh) * | 2020-03-27 | 2020-06-19 | 上海海事大学 | 一种复杂冗余系统可靠性评估的优化方法 |
| CN111812982A (zh) * | 2020-07-13 | 2020-10-23 | 中国电子科技集团公司信息科学研究院 | 面向智能制造的云制造资源的动态共享与智能分配方法 |
| CN111913800A (zh) * | 2020-07-15 | 2020-11-10 | 东北大学秦皇岛分校 | 基于l-aco的云中微服务成本优化的资源分配方法 |
| CN111913800B (zh) * | 2020-07-15 | 2022-07-19 | 东北大学秦皇岛分校 | 基于l-aco的云中微服务成本优化的资源分配方法 |
| CN112256422A (zh) * | 2020-11-17 | 2021-01-22 | 中国人民解放军战略支援部队信息工程大学 | 基于q学习的异构平台任务调度方法及系统 |
| CN112561200A (zh) * | 2020-12-22 | 2021-03-26 | 国网甘肃省电力公司电力科学研究院 | 基于完备集合经验模态分解和改进蚁群优化的长短期记忆网络的风电站出力混合预测技术 |
| CN112613761A (zh) * | 2020-12-27 | 2021-04-06 | 北京工业大学 | 一种基于动态博弈和自适应蚁群算法的服务调度方法 |
| CN112613761B (zh) * | 2020-12-27 | 2024-03-12 | 北京工业大学 | 一种基于动态博弈和自适应蚁群算法的服务调度方法 |
| CN112711473A (zh) * | 2021-01-09 | 2021-04-27 | 哈尔滨航天恒星数据系统科技有限公司 | 基于混合计算模式的云计算QoS保障调度优化方法 |
| CN113313286A (zh) * | 2021-04-23 | 2021-08-27 | 北京国信云服科技有限公司 | 基于遗传算法的末端物流网点布局方法、装置、设备及介质 |
| CN113469505B (zh) * | 2021-06-10 | 2022-09-27 | 哈尔滨工业大学 | 一种面向快件非标准服务的多主体协同运输资源调度方法 |
| CN113469505A (zh) * | 2021-06-10 | 2021-10-01 | 哈尔滨工业大学 | 一种面向快件非标准服务的多主体协同运输资源调度方法 |
| CN113326990A (zh) * | 2021-06-22 | 2021-08-31 | 安徽农业大学 | 基于动态遗传算法串行融合的直升机调度航线规划方法 |
| CN113743646A (zh) * | 2021-07-19 | 2021-12-03 | 北京工业大学 | 一种基于加工制造粒度的企业生产资源合理配置云平台调度方法 |
| CN113886045A (zh) * | 2021-09-30 | 2022-01-04 | 中国船舶重工集团公司第七二四研究所 | 一种基于改良蚁群算法的自适应资源调度方法 |
| CN114840326A (zh) * | 2022-06-01 | 2022-08-02 | 中国电信股份有限公司 | 资源调度方法、装置、电子设备及存储介质 |
| CN114840326B (zh) * | 2022-06-01 | 2024-05-17 | 中国电信股份有限公司 | 资源调度方法、装置、电子设备及存储介质 |
| CN115617510A (zh) * | 2022-09-28 | 2023-01-17 | 湖北公众信息产业有限责任公司 | 一种基于信息素遗传蚁群算法的服务器动态均衡方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110298589A (zh) | 基于遗传-蚁群融合算法的动态服务资源调度方法 | |
| WO2021036658A1 (zh) | 用于铸造并行车间主生产计划的多目标优化方法及系统 | |
| CN110084512B (zh) | 一种面向智能仓储系统的多机器人任务分配方法 | |
| CN108989098B (zh) | 一种混合云环境面向时延优化的科学工作流数据布局方法 | |
| CN115600774B (zh) | 一种装配式建筑构件产线的多目标生产调度优化方法 | |
| CN86101057A (zh) | 用于有效地分配资源的方法和设备 | |
| CN114565247B (zh) | 一种基于深度强化学习的车间调度方法、装置和系统 | |
| CN117557078A (zh) | 一种基于时间节点的智能生产计划管理方法及系统 | |
| CN104077634B (zh) | 基于多目标优化的主动‑反应式动态项目调度方法 | |
| CN113112143B (zh) | 云制造环境下多级别制造商协同生产任务分配方法及系统 | |
| CN102385364A (zh) | 一种柔性路径下跨作业单元调度方法 | |
| CN103942609B (zh) | 产品服务供应链优化设计方法 | |
| CN115421885B (zh) | 一种分布式多目标云任务的调度方法、装置及云服务系统 | |
| CN107862404A (zh) | 基于服务相关性的制造服务供应链优化方法 | |
| Overbeck et al. | Reinforcement learning based production control of semi-automated manufacturing systems | |
| CN112348323A (zh) | 一种多目标的能源供应与作业柔性排程方法 | |
| Lim et al. | A dispatching method for automated guided vehicles by using a bidding concept | |
| CN117726119A (zh) | 一种解决分布式混合流水车间组调度的图仿生学习方法 | |
| CN109214695A (zh) | 基于改进eda的高端装备研发制造协同调度方法及系统 | |
| CN110648037A (zh) | 一种整车生产评价方法及装置 | |
| CN113033100A (zh) | 一种基于混合教学优化算法的云制造服务组合方法 | |
| CN117557016A (zh) | 一种基于深度强化学习的整车制造冲压资源调度方法 | |
| CN116128247A (zh) | 一种排产前生产设备资源配置优化方法及系统 | |
| Cervellera et al. | Policy optimization for berth allocation problems | |
| CN113139774A (zh) | 一种面向多仓库运输的车辆路径优化方法 |
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 | ||
| WW01 | Invention patent application withdrawn after publication | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20191001 |