CN110633784A - 一种多规则人工蜂群改进算法 - Google Patents
一种多规则人工蜂群改进算法 Download PDFInfo
- Publication number
- CN110633784A CN110633784A CN201810662514.1A CN201810662514A CN110633784A CN 110633784 A CN110633784 A CN 110633784A CN 201810662514 A CN201810662514 A CN 201810662514A CN 110633784 A CN110633784 A CN 110633784A
- Authority
- CN
- China
- Prior art keywords
- manufacturing
- task
- resources
- honey source
- honey
- 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
- 230000006872 improvement Effects 0.000 title claims abstract description 16
- 238000004519 manufacturing process Methods 0.000 claims abstract description 247
- 235000012907 honey Nutrition 0.000 claims abstract description 89
- 241000257303 Hymenoptera Species 0.000 claims abstract description 50
- 238000000034 method Methods 0.000 claims abstract description 46
- 230000008569 process Effects 0.000 claims abstract description 31
- 238000005457 optimization Methods 0.000 claims abstract description 15
- 238000010845 search algorithm Methods 0.000 claims abstract description 13
- 238000012545 processing Methods 0.000 claims description 64
- 238000011156 evaluation Methods 0.000 claims description 43
- 108090000623 proteins and genes Proteins 0.000 claims description 16
- 230000007246 mechanism Effects 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 6
- 210000000349 chromosome Anatomy 0.000 claims description 6
- 238000003780 insertion Methods 0.000 claims description 5
- 230000037431 insertion Effects 0.000 claims description 5
- 108091026890 Coding region Proteins 0.000 claims description 4
- 239000000463 material Substances 0.000 claims description 4
- 230000000694 effects Effects 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 claims description 3
- 239000002699 waste material Substances 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 2
- 241000256844 Apis mellifera Species 0.000 description 27
- 230000006870 function Effects 0.000 description 17
- 238000010586 diagram Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000012384 transportation and delivery Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 235000006679 Mentha X verticillata Nutrition 0.000 description 1
- 235000002899 Mentha suaveolens Nutrition 0.000 description 1
- 235000001636 Mentha x rotundifolia Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 101150067055 minC gene Proteins 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
Images
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]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种多规则人工蜂群改进算法，根据编码操作方法生成初始解；进行解码操作，选取制造资源，计算目标函数值；采蜜蜂使用邻域搜索算法搜索当前蜜源邻域内的可行蜜源，并对其进行解码操作，选取制造资源，计算目标函数值；计算待工蜂对每个蜜源的选择概率；蜜源的搜索次数大于有限搜索次数，则放弃当前蜜源，在解空间中随机产生新蜜源，记录当前所有蜜蜂找到的最优解，并更新迭代次数；如果迭代次数大于最大迭代次数则结束。本发明解决云制造环境下工序级多目标资源优化调度问题，从而降低云制造环境下制造资源调度多目标制优化问题的复杂度，提高优化效率及服务请求者的满意度。
Description
技术领域
本发明涉及云制造资源调度领域，具体地说是一种多规则人工蜂群改进算法。
背景技术
云制造是一种基于云计算、物联网、大数据、面向服务技术的智慧化制造新模式，它通过网络和云平台整合社会化制造资源，从而有效的提高了资源利用率、降低生产成本，为用户提供个性化服务。云制造环境下的制造资源调度问题是云制造系统的核心问题之一，由于调度算法的优劣直接影响到云制造的服务效率及服务质量，因此研究高效的云制造资源调度算法具有重要的意义。
与经典的制造系统调度问题相比，云制造系统中的任务具有个性化和大规模的特点；同时，由于云制造资源分布在不同的地理位置，因此调度需要考虑物流的时间及成本等因素。以往研究的调度粒度大都是基本的任务单元，并没有对工序级的资源调度进行深入研究。有些研究虽然考虑到了工序集的资源调度问题，但并未考虑服务请求者的个性化因素对云制造调度的影响，采用随机选择可行解的机制，当资源池中的可选制造资源数目较多时，收敛速度较慢。
发明内容
针对现有技术的不足，本发明提供一种应用于云制造资源调度领域的多规则人工蜂群改进算法，解决云制造环境下工序级多目标资源优化调度问题，从而降低云制造环境下制造资源调度多目标制优化问题的复杂度，提高优化效率及服务请求者的满意度。
本发明为实现上述目的所采用的技术方案是：
一种多规则人工蜂群改进算法，包括以下步骤：
步骤1：根据编码操作方法生成规模为N的初始解；
步骤2：对得到的初始解进行解码操作，根据解码后的初始解采用多规则机制选取制造资源，并通过解码后初始解和制造资源计算目标函数值；
步骤3：采蜜蜂使用邻域搜索算法搜索当前蜜源邻域内的可行蜜源，并对其进行解码操作，采用多规则机制选取制造资源，并通过制造资源计算目标函数值，若搜索后的蜜源优于当前蜜源，则采用贪婪算法更新当前蜜源，否则当前蜜源不变；
步骤4：使用等级制度策略计算待工蜂对每个蜜源的选择概率；
步骤5：待工蜂使用邻域搜索算法搜索当前蜜源邻域内的可行蜜源，并对其进行解码操作，采用多规则机制选取制造资源，并通过制造资源计算目标函数值，若搜索后的蜜源优于当前蜜源，则采用贪婪算法更新当前蜜源，否则当前蜜源不变；
步骤6：如果蜜源的搜索次数大于有限搜索次数，则放弃当前蜜源，当前蜜源对应的采蜜蜂变为侦查蜂，在解空间中随机产生新蜜源，执行步骤7；否则直接执行步骤7；
步骤7：记录当前所有蜜蜂找到的最优解，并更新迭代次数；
步骤8：如果迭代次数大于最大迭代次数，则结束；否则返回步骤4。
所述编码操作方法采用间接工序的编码方法，染色体的长度为
ni表示任务个数，len(Ji)表示任务Ji包含的任务单元的个数；其中染色体中的每个元素是区间[1，ni]之间的一个随机整数，该整数在序列中第几次出现表示它所代表的任务的第几个任务单元。
所述采用多规则机制选取制造资源包括以下过程：
步骤1：建立云制造资源调度多目标优化模型，包括评价指标，并对评价指标赋予权重区间；
步骤2：根据产生的随机数所在权重区间得出该权重区间对应的评价指标；
步骤3：计算出所有制造资源对应的函数指标评价值，并选取最优的制造资源。
所述评价指标包括五种，分别为加工时间、制造成本、产品质量、延期风险和服务满意度；其中，
加工时间，由制造资源完成单元任务的加工时间和任务在不同的制造资源间流转产生的运输时间两部分组成；
制造成本，由直接生产加工成本和运输成本两部分构成；
产品质量，为完成加工任务的合格率；
延期风险，为制造资源在加工任务单元时的故障率；
服务满意度，为服务请求者对所提供服务的满意度评价。
所述计算出所有制造资源对应的函数指标评价值包括：
任务i的加工时间为：T＝Tp+Tt；其中
T表示制造时间，在其它评价因素相同的情况下，T值越小表明云制造调度结果越好；Tp表示某任务中的所有任务单元在制造资源中的总加工时间，Tt表示某任务在制造过程中的总运输时间；ni为任务i的任务单元个数，为判定因子，当任务i的第j个任务单元在第k个制造资源上加工时
否则
stijk和ctijk分别表示任务i的第j个任务单元在第k个制造资源上的等待时间及实际加工时间；δwv为判定因子，当两个制造资源w与v之间存在物料流时δwv＝1，否则δwv＝0；ttwv表示制造资源w与v之间的运输时间；
任务i的制造成本为C＝Cp+Ct；其中：
C表示制造成本，在其它评价因素相同的情况下，C值越小表明云制造调度结果越好；Cp表示直接生产加工成本，Ct表示制造过程中的运输成本；pcijk表示任务i的第j个任务单元在第k个制造资源上加工的加工费率；tcwv表示制造资源w与v之间的运输成本；
任务i的产品质量为：
其中
Q表示产品质量，在其它评价因素相同的情况下，Q值越大表明云制造调度结果越好；qpkj表示任务i的j任务单元在k制造资源上加工的单元任务合格率。通常制造资源的加工合格率由历史数据计算得到，qpk表示制造资源k的历史加工合格率，nw表示k制造资源完成该类任务单元的总量，n表示k制造资源完成该类任务单元所产生的废品的数量；
任务i的延期风险为
其中
R表示延期风险，在其它评价因素相同的情况下，R值越小表明云制造调度效果越好；rfkj表示任务i的j任务单元所使用制造资源的设备故障率；rfk表示k制造资源的设备故障率，根据制造资源的历史数据计算得到；tw和tm分别表示制造资源在加工任务单元时因故障造成的停机等待时间和维修时间，tp表示制造资源的计划使用时间；
任务i的服务满意度为：
其中
S表示用户的服务满意度，在其它评价因素相同的情况下，S值越大表明云制造调度结果越好；spkj表示k制造资源在加工与任务i的j任务单元相同的任务单元的历史用户满意度；N表示制造资源k完成同类任务单元的历史总量，si和st分别表示使用制造资源k完成同类任务每次用户的评价分数和评价总分数。
所述解码操作为对编码序列的解释说明，是间接工序编码操作的逆过程，即编码序列中每个位置的具体值代表第几个任务，该值在序列中第几次出现表示它所代表的任务的第几个任务单元。
所述目标函数值为：
其中，Z是基于用户个性化需求的目标函数值，Z值越小适应度越高，得到的结果越好；r(1)、r(2)、r(3)、r(4)、r(5)分别表示加工时间、制造成本、产品质量、延期风险和服务满意度五个指标所占权重；T、C、Q、R、S分别表示任务i的加工时间、制造成本、产品质量、延期风险和服务满意度；Tmax、Cmax、Qmin、Rmax、Smin分别表示用户规定的最大加工时间、最大制造成本、最低产品质量、最大延期风险和最低服务满意度。
所述邻域搜索算法包括两点交换邻域结构和插入邻域结构；其中
两点交换邻域结构为在[1，D]区间内，随机选择两个整数，即为交换基因的位置，D为编码序列的长度；
插入邻域结构为在[1，D]区间内，随机选择两个整数，即为插入基因位置，将较大值位置对应的基因插入到较小位置的基因的前面，并将较小位置及其后的基因按顺序依次顺延到较大位置处，D为编码序列的长度。
所述等级制度策略为不关心目标值的具体值而根据蜜源的排序进行选择。
所述计算待工蜂对每个蜜源的选择概率包括以下过程：
P1＝Pc
P2＝(1-Pc)Pc
P3＝(1-Pc)2Pc
……
Pn-1＝(1-Pc)n-2Pc
Pn＝(1-Pc)n-1
其中，Pc为最优秀的蜜源吸引待工蜂的概率，Pi表示第i优秀的蜜源吸引待工蜂的概率。
本发明具有以下有益效果及优点：
1.解决了云制造环境下工序级多目标资源优化调度问题。
2.降低了云制造环境下制造资源调度多目标优化问题的时间复杂度，提高了调度效率。
3.将用户个性化需求考虑到资源优化调度中，提高了服务请求的满意度。
附图说明
图1是本发明的多规则人工蜂群改进算法流程图；
图2是本发明的剩余制造资源示意图；
图3是情况一下算法收敛图；
图4是情况二下算法收敛图。
具体实施方式
下面结合附图及实施例对本发明做进一步的详细说明。
云制造资源调度评价因素之间的关系通常是相互关联又相互冲突的。在实际应用中，云制造资源调度任务的多个最优化目标几乎无法同时达到。如表1所示，假设某任务单元在某时刻可选择在5台制造资源中的任意1台上进行加工，每个制造资源的评价因素分别列在表中。根据目标函数可知，若按最早完工时间，应选择M1；若按最小加工成本，应选择M2；若按最优加工质量，应选择M3；若按最小服务风险，应选择M4；若按最佳用户服务，应选择M5。因此不同的选择规则，会对多个目标产生不同程度的影响，同时一个目标也可能受多个制造资源选择规则混合作用的影响。
表1任务单元的制造资源选择表
实际上，在云制造的过程中，由于不同的服务请求者对服务的加工时间、总成本、加工质量、加工风险及服务满意度的侧重点和喜好不同，可以根据服务请求者的个性化需求，事先为各个性化因素制定选择概率r(i)(0≤r(i)≤1，i＝1，2，3，4，5且
使得能够更好的满足服务请求者侧重因素的制造资源以较大概率被选中，从而形成一种导向机制，推动搜索过程向请求端个性化需求的指定目标移动。传统的调度方法通常采用无规则导向的随机制造资源选择方法。由于云制造资源调度过程中，资源池中符合基本加工能力的待选制造资源通常较多，因此这种随机的制造资源选择方式使得运算的时间复杂度呈指数式增长，同时由于没有导向机制，也不易找到满足请求者需求的解。
个性化制造资源选择过程如下：(1)将5个评价因素分别对应5个制造资源选择规则，即r(1)、r(2)、r(3)、r(4)、r(5)分别对应最早完工时间规则、最小加工成本规则、最优加工质量规则、最小服务风险规则、最佳服务满意度规则。(2)根据请求者对不同评价指标的需求，对选择概率r(i)进行赋值。如表2所示，采用5个等级来表示请求端对不同评价指标的侧重程度并根据客户的需求将5种评价指标找到对应的权重(w)，然后计算选择概率：
(3)对于任务中的每个任务单元，随机产生[0，1]区间内的随机实数r，并根据r所在的区间使用不同的规则选择制造资源。以表1为例，若r∈[0，r(1)]，则按r(1)规则选择M1；若r∈(r(1)，r(2)]，则按r(2)规则选择M2，若r∈(r(2)，r(3)]，则按r(3)规则选择M3，若r∈(r(3)，r(4)]，则按r(4)规则选择M4，若r∈(r(4)，r(5)]，则按r(5)规则选择M5。
表2个性化因素权重表
人工蜂群算法(Artificial Bee Colony Algorithm，ABC)，由Karaboga在2005年提出，该算法基于蜜蜂采蜜基理得出，兼具遗传算法(Genetic Algorithm，GA)中适者生存的特性以及粒子群算法(Particle Swarm Optimization，PSO)的行为特性。且蜂群算法结合局部搜索和全局搜索使蜂群在蜜源的探索和开采两方面达到最好的平衡，在解答多目标组合优化问题时优于差分算法、蚁群算法、粒子群算法等算法。该算法引入蜜源和三种类型的蜜蜂的概念，蜜源表示解空间内的各种可行解，在云制造资源调度问题中，与目标函数值有关。三种类型的蜜蜂分别为采蜜蜂，待工蜂和侦察蜂。采蜜蜂代表它们当前正在开采的蜜源，它总能记住自己以前的最优位置，并根据记忆在邻域中搜索更好的蜜源，同时采蜜蜂还可通过摇摆舞与其他蜜蜂分享和交流信息；待工蜂通过采蜜蜂的摇摆舞所分享的信息对蜜源进行选择；侦察蜂用于随机搜索一个新的可行解。因此算法中的搜索过程包括四个步骤：(1)蜜源的位置被随机地分配给蜜蜂并测量其花蜜量，之后这些蜜蜂回到蜂巢并通过跳舞分享蜜源信息；(2)采蜜蜂根据记忆前往去过的蜜源区域，并根据邻域搜索算法寻找更好的蜜源进行替换；(3)待工蜂根据采蜜蜂分享的蜜源信息选择一个蜜源，蜜源花蜜量越大，被待工蜂选择的概率就越大，待工蜂找到蜜源后转化为采蜜蜂，并根据邻域搜索算法寻找更好的蜜源进行替换；(4)当蜜源的采集次数达到上限时，蜜源的花粉被放弃，采集该蜜源的采蜜蜂转化为侦察蜂，并随机找到新的蜜源代替放弃的蜜源。
基于多规则的人工蜂群改进算法将个性化资源分配的思想融入到人工蜂群算法中，在当前工序下选择尽量符合服务请求者需求的制造资源。同时，根据实际的调度需求，对人工蜂群算法本身进行改进，一方面，使用两点交叉和插入两种邻域结构改进原有的邻域搜索算法，保证解的有效性；另一方面，待工蜂对蜜源的选择概率P的计算公式采用梯度策略法代替轮盘赌法，提高种群的多样性，防止收敛过快而陷入局部最优。
基于以上规则，设计基于多规则的人工蜂群改进算法，如图1所示为本发明的多规则人工蜂群改进算法流程图。
步骤1：初始化参数值，包括采蜜蜂数量及待工蜂数量N，有限搜索次数limit，最大迭代次数maxCycle，标志向量trail(i)←0用于记录同一个蜜源的搜索次数；标志值Cycle←0记录当前迭代次数。
步骤2：随机生成规模为N的初始种群J。
步骤3：对初始种群进行解码操作并保留符合约束公式(11)的所有可行解，根据公式(13)计算目标函数值。
步骤4：采蜜蜂使用邻域搜索算法搜索当前解邻域内的可行解，并对其进行解码操作，计算目标函数值，若搜索后的解优于当前解，则采用贪婪算法更新当前解，并使trail(i)←0，否则当前解不变，并使trail(i)←trail(i)+1。
步骤5：计算待工蜂的选择概率P，待工蜂以P(i)的概率寻找蜜源，并转化为采蜜蜂，并执行与步骤4相同的操作。
步骤6：判断trial(i)是否大于有限搜索次数limit，若trial(i)＞limit，则第i个采蜜蜂放弃当前蜜源成为侦察蜂，随机产生可行解作为新蜜源。
步骤7：记录当前所有蜜蜂找到的最优解，即全局最优解Best。
步骤8：若未达到进化终止条件，则转至步骤4。若达到进化终止条件，转至步骤9。
步骤9：判断Best是否为空，若不为空，则接受制造订单，程序结束。否则将准备接受的制造订单任务与已接受任务的未开始的任务单元进行统一调度，并转至步骤1。
步骤10：若满足终止条件后Best仍为空，则放弃接受该订单任务。
编码操作：
本文采用间接工序的编码方法，染色体的长度为
ni表示任务个数，len(Ji)表示任务Ji包含的任务单元的个数。其中染色体中的每个元素是区间[1，ni]之间的一个随机整数，该整数在序列中第几次出现表示它所代表的任务的第几个任务单元。例如，云制造调度任务的编码序列为[1，3，3，2，1，3，1，2]，则3表示第二个要完成的任务单元是第三个任务的第一个任务单元，1表示第七个要完成的任务单元是第一个任务的第三个任务单元。
解码操作：
采用多规则引导机制与任务单元序列相结合的方式进行解码操作。当任务Ji的服务请求者的个性化因素为w(i)时，解码过程如下：
步骤1：根据公式(12)计算出r(i)，初始化最大机会参数maxChance及标识量m←1。
步骤2：找到所有可加工任务单元J[m]的制造资源，并分别根据公式(1)-(5)计算安排任务单元J[m]后的T、C、Q、R、S值，放弃不符合式(11)条件的制造资源，如果此时制造资源集为空则令maxChance←maxChance-1并转至步骤7，否则记录获取各因素最优值对应的制造资源编号。
步骤3：产生区间在[0，1]内的均匀随机数r。
步骤4：根据随机数r选取制造资源编号赋值给Mach[m]，若r∈[0，r(1)]，则选择使T值最小的制造资源；若r∈(r(1)，r(2)]，则选择使C值最小的制造资源，若r∈(r(2)，r(3)]，则选择使Q值最大的制造资源，若r∈(r(3)，r(4)]，则选择使R值最小的制造资源，若r∈(r(4)，r(5)]，则选择使S值最大的制造资源。
步骤5：记录编号为Mach[m]的制造资源对应的T、C、Q、R、S值，m←m+1。
步骤6：若m＝D，则根据(13)式计算当前制造资源序列Mach对应的目标值，并与之前计算得到的制造资源序列的目标值进行比较，使用贪婪算法保留较优解的制造资源序列，并令maxChance←maxChance-1；否则转至步骤2。
步骤7：当maxChance＝0时，若制造资源集为空则放弃接受任务Ji，若制造资源集不空则接受任务Ji，并输出资源序列；否则令m←1并转至步骤2。
问题描述：
云制造资源调度问题可被描述为：云制造系统的资源池中包含M台已标记加工能力的制造资源，目前为止已接受N个待加工或正在加工的任务，Ji表示任务i的任务单元序列；可能接受的新的任务订单表示为JN+1；其中每个任务可以分解为最小的任务单元，Oij为任务i的第j个任务单元，Oij可由M个制造资源中的一个或多个独立加工完成。云制造资源调度的目标是在满足时间约束、成本约束、质量约束、风险约束和服务约束的前提下，判断能否接受新的任务JN+1，并根据请求者的个性化需求完成制造资源调度，最优化既定的目标。云制造资源调度的假设条件如下：
(1)所有任务的工艺路线已知且固定；
(2)任务单元在可选制造资源上的加工时间、成本、质量、风险和服务均已知或可通过计算求得；
(3)同一时刻，一个制造资源只能服务一个任务单元；
(4)同一时刻，一个任务单元只能在一个制造资源上加工；
(5)不同的任务之间具有相同的优先级；
(6)不同任务之间的任务单元没有先后约束；
(7)同一任务的任务单元之间有先后约束，即任意一个任务单元的前一任务单元完成后，且对应制造资源空闲，则可立即开始下一任务单元的加工。
建立多目标优化模型：
云制造环境下的CMR评价问题属于多层次、多目标的综合评价问题，本文给出对云制造系统资源调度问题影响较大且服务请求者最为关心的因素，并给出相应的资源评价函数，建立多目标优化模型。
(1)时间
加工时间是评价云制造系统调度效率的重要指标，也是服务请求者最为关心的指标之一。加工时间是由制造资源完成单元任务的加工时间和任务在不同的制造资源间流转产生的运输时间两部分组成，因此任务i的加工时间可表示为：
T＝Tp+Tt (1)
其中：
(1)式中T表示制造时间，在其它评价因素相同的情况下，T值越小表明云制造调度结果越好。Tp表示某任务中的所有任务单元在制造资源中的总加工时间，Tt表示某任务在制造过程中的总运输时间。ni为任务i的任务单元个数，
为判定因子，当任务i的第j个任务单元在第k个制造资源上加工时
否则stijk和ctijk分别表示任务i的第j个任务单元在第k个制造资源上的等待时间及实际加工时间。δwv为判定因子，当两个制造资源w与v之间存在物料流时δwv＝1，否则δwv＝0；ttwv表示制造资源w与v之间的运输时间。
(2)成本
制造成本是服务提供者及服务请求者最为关心的问题之一，是评价云制造资源调度问题中的重要考察指标之一。制造成本由直接生产加工成本和运输成本两部分构成。直接生产加工成本包括材料费、人工费、机械使用费用等，为简化模型，统一使用直接加工成本表示；运输成本由物流运输产生，具体的成本与选择的运输方式和运输时间有关。因此任务i的制造成本可表示为：
C＝Cp+Ct (2)
其中：
(2)式中C表示制造成本，在其它评价因素相同的情况下，C值越小表明云制造调度结果越好。Cp表示直接生产加工成本，Ct表示制造过程中的运输成本。pcijk表示任务i的第j个任务单元在第k个制造资源上加工的加工费率。tcwv表示制造资源w与v之间的运输成本。
(3)质量
产品的质量主要取决于加工产品的精度及粗糙度等是否满足服务请求者的需求，虽然在调度之前已筛选出符合用户需求的制造资源，但由于制造资源有一定的概率产生废品，因此这里的质量指完成加工任务的合格率。因此任务i的质量可表示为：
其中：
(3)式中Q表示产品质量，在其它评价因素相同的情况下，Q值越大表明云制造调度结果越好。qpkj表示任务i的j任务单元在k制造资源上加工的单元任务合格率。通常制造资源的加工合格率由历史数据计算得到，qpk表示制造资源k的历史加工合格率，nw表示k制造资源完成该类任务单元的总量，n表示k制造资源完成该类任务单元所产生的废品的数量。
(4)风险
风险用于衡量服务请求者对未按期交货所能承受延迟风险的能力。在制造资源的实际加工过程中，制造资源的故障在所难免，制造资源的故障在很大程度上影响制造任务的完成，使得任务的实际交付时间晚于服务请求者的预期时间。因此这里的延期风险指制造资源在加工任务单元时的故障率。因此任务i的延期风险可表示为：
其中：
(4)式中R表示延期风险，在其它评价因素相同的情况下，R值越小表明云制造调度效果越好。rfkj表示任务i的j任务单元所使用制造资源的设备故障率。rfk表示k制造资源的设备故障率，根据制造资源的历史数据计算得到。tw和tm分别表示制造资源在加工任务单元时因故障造成的停机等待时间和维修时间，tp表示制造资源的计划使用时间。
(5)服务
服务指服务请求者对所提供服务的满意度评价。制造资源的历史用户满意度在很大程度上反映了资源所提供服务与其描述的相符程度。从而选出真正符合用户需求的制造资源，为用户提供更优质的服务。任务i的服务可表示为：
其中：
(5)式中S表示用户的服务满意度，在其它评价因素相同的情况下，S值越大表明云制造调度结果越好。spkj表示k制造资源在加工与任务i的j任务单元相同的任务单元的历史用户满意度。N表示制造资源k完成同类任务单元的历史总量，si和st分别表示使用制造资源k完成同类任务每次用户的评价分数和评价总分数。
目标函数：
由于在云制造的资源调度问题中，个性化因素包括以上5个方面，即减少制造时间、降低制造成本、提高加工质量、降低加工风险、提高服务满意度。因此，根据以上5个因素建立的多目标函数及约束条件如下。
目标函数：
Tt＝minT， (6)
Ct＝minC， (7)
Qt＝min(1-Q)， (8)
Rt＝minR， (9)
St＝min(1-S)。 (10)
约束条件：
T≤Tmax，C≤Cmax，Q＞Qmin，R≤Rmax，S＞Smin (11)
其中，(6)式表示任务加工时间最小化，(7)式表示任务加工成本最小化，(8)式表示加工质量最大化，(9)式表示加工风险最小化，(10)式表示服务满意度最大化；(11)式表示资源调度的约束条件，即调度的任务完工时间、加工成本及加工风险不能大于服务请求者规定的最大值；调度任务的质量和服务满意度不能小于服务请求者规定的最小值。
改进的邻域搜索算法：
为保证采蜜蜂在邻域搜索中所得到的解的有效性和高效性，本文根据云制造资源调度问题的特点改进原有人工蜂群算法中的邻域搜索算法，并采用以下两种常用的邻域结构：
(1)两点交换：在[1，D]区间内，随机选择两个整数，即为交换基因的位置。例如，一个编码为“123123123”的解，若随机产生的随机数为3和7，则交换两个位置上的值后得到新的解的编码为“1211233123”。
(2)插入：在[1，D]区间内，随机选择两个整数，即为插入基因位置，将较大值位置对应的基因插入到较小位置的基因的前面，并将小位置及其后的基因按顺寻依次顺延到大位置处。例如，一个编码为“213423214”，随机产生两个基因位置2和7，则执行插入操作后，得到的新的编码为“221342314”。
改进待工蜂选择概率
为提升种群的多样性，防止陷入局部最优，因此改进待工蜂对蜜源的选择概率P(i)，采用等级制度(rank space)策略而不是轮盘赌法策略，即不关心目标值的具体值而是根据蜜源的排序进行选择。最优秀的蜜源将有最大的概率吸引待工蜂，第二优秀的蜜源有第二大的概率吸引待工蜂，以此类推。因此首先对蜜源i的目标值进行排序，并通过(13)式计算待工蜂的选择概率。
(13)式中Pc为最优秀的蜜源吸引待工蜂的概率，Pi表示第i优秀的蜜源吸引待工蜂的概率。
目标值计算
本文使用经典的加权求和的方式计算目标值，目标值函数如下：
(14)式中Z是基于用户个性化需求的目标函数值，Z值越小适应度越好。
终止条件
当程序的总运行时间达到上限或种群进化的次数达到最大迭代次数maxCycle时，算法终止运行。
实施例：
为验证所提出的算法在求解云制造环境下制造资源调度问题中的有效性和效率，使用MatlabR2014a为编程环境进行了数值实验。表3为实验中制造资源加工各任务单元的工艺参数，其中包括6个制造资源和5个制造任务，每个任务有各自的任务单元。表4为制造资源之间的运输时间及运输成本。
表3制造资源工艺参数表
表4制造资源间的运输时间表(左侧)和运输成本表(右侧)
算法对比
当前，云制造的制造资源调度分两种情况，其中第一种情况是将新的订单中的加工任务安排到平台上剩余资源上，第二种情况是将新订单中的加工任务与云制造平台上已安排但还未开始加工的任务单元统一进行资源调度。本文分别进行算法对比。
针对第一种情况，本文仅采用多规则引导机制，将本文的算法与蚁群算法进行比较。剩余制造资源如图2所示。将任务号为1的加工任务安排在剩余制造资源上。此时，任务1设置如下算法参数：w1＝0.2，w2＝1，w3＝0.2，w4＝0.2，W5＝0.2；Tmax＝150，Cmax＝140，Qmin＝0.7，Rmax＝0.2，Smin＝0.95，maxChance＝100。得到本文的算法及蚁群算法的收敛图如图3所示，从图3中可以比较得出结果，蚁群算法及本文算法均可以得到问题的较优解，但本文算法能更加迅速的趋于稳定，迭代次数明显小于蚁群算法，收敛速度快。
针对第二种情况，本文采用基于多规则的人工蜂群改进算法，将算法的改进前后进行对比，表5为算法任务的参数设置，算法的其他参数maxChance＝40，Pc＝0.5，maxCycle＝200。得到本文的算法及改进前人工蜂群算法的收敛图如图4所示，从图4中可以比较得出结果，改进前的算法，收敛速度较慢，很难得到较优解，改进后的算法能更加迅速的趋于稳定，收敛速度快，且得到较好的解。
表5任务参数表
服务请求者个性化方案调度结果
根据表3、表4种的参数及图2的剩余制造资源，安排任务1到云制造系统进行调度时，改变服务请求者个性因素权重w1～w5，得到不同个性化方案的统计结果如表5所示。
表6用户个性化方案统计结果表
由表5可知，改变w1～w5的值会得到不同的结果集，若服务请求者对目标无需求偏好，则可将权重设为统一值，如方案5所示，可见，通过建立不同的规则，算法可以根据服务请求者对不同指标的倾向程度，对制造资源的调度起到一定的引导作用，从而提高了云制造资源调度的灵活性及高效性。
Claims (10)
1.一种多规则人工蜂群改进算法，其特征在于：包括以下步骤：
步骤1：根据编码操作方法生成规模为N的初始解；
步骤2：对得到的初始解进行解码操作，根据解码后的初始解采用多规则机制选取制造资源，并通过解码后初始解和制造资源计算目标函数值；
步骤3：采蜜蜂使用邻域搜索算法搜索当前蜜源邻域内的可行蜜源，并对其进行解码操作，采用多规则机制选取制造资源，并通过制造资源计算目标函数值，若搜索后的蜜源优于当前蜜源，则采用贪婪算法更新当前蜜源，否则当前蜜源不变；
步骤4：使用等级制度策略计算待工蜂对每个蜜源的选择概率；
步骤5：待工蜂使用邻域搜索算法搜索当前蜜源邻域内的可行蜜源，并对其进行解码操作，采用多规则机制选取制造资源，并通过制造资源计算目标函数值，若搜索后的蜜源优于当前蜜源，则采用贪婪算法更新当前蜜源，否则当前蜜源不变；
步骤6：如果蜜源的搜索次数大于有限搜索次数，则放弃当前蜜源，当前蜜源对应的采蜜蜂变为侦查蜂，在解空间中随机产生新蜜源，执行步骤7；否则直接执行步骤7；
步骤7：记录当前所有蜜蜂找到的最优解，并更新迭代次数；
步骤8：如果迭代次数大于最大迭代次数，则结束；否则返回步骤4。
2.根据权利要求1所述的多规则人工蜂群改进算法，其特征在于：所述编码操作方法采用间接工序的编码方法，染色体的长度为
ni表示任务个数，len(Ji)表示任务Ji包含的任务单元的个数；其中染色体中的每个元素是区间[1，ni]之间的一个随机整数，该整数在序列中第几次出现表示它所代表的任务的第几个任务单元。
3.根据权利要求1所述的多规则人工蜂群改进算法，其特征在于：所述采用多规则机制选取制造资源包括以下过程：
步骤1：建立云制造资源调度多目标优化模型，包括评价指标，并对评价指标赋予权重区间；
步骤2：根据产生的随机数所在权重区间得出该权重区间对应的评价指标；
步骤3：计算出所有制造资源对应的函数指标评价值，并选取最优的制造资源。
4.根据权利要求3所述的多规则人工蜂群改进算法，其特征在于：所述评价指标包括五种，分别为加工时间、制造成本、产品质量、延期风险和服务满意度；其中，
加工时间，由制造资源完成单元任务的加工时间和任务在不同的制造资源间流转产生的运输时间两部分组成；
制造成本，由直接生产加工成本和运输成本两部分构成；
产品质量，为完成加工任务的合格率；
延期风险，为制造资源在加工任务单元时的故障率；
服务满意度，为服务请求者对所提供服务的满意度评价。
5.根据权利要求4所述的多规则人工蜂群改进算法，其特征在于：所述计算出所有制造资源对应的函数指标评价值包括：
任务i的加工时间为：T＝Tp+Tt；其中
T表示制造时间，在其它评价因素相同的情况下，T值越小表明云制造调度结果越好；Tp表示某任务中的所有任务单元在制造资源中的总加工时间，Tt表示某任务在制造过程中的总运输时间；ni为任务i的任务单元个数，
为判定因子，当任务i的第j个任务单元在第k个制造资源上加工时
否则stijk和ctijk分别表示任务i的第j个任务单元在第k个制造资源上的等待时间及实际加工时间；δwv为判定因子，当两个制造资源w与v之间存在物料流时δwv＝1，否则δwv＝0；ttwv表示制造资源w与v之间的运输时间；
任务i的制造成本为C＝Cp+Ct；其中：
C表示制造成本，在其它评价因素相同的情况下，C值越小表明云制造调度结果越好；Cp表示直接生产加工成本，Ct表示制造过程中的运输成本；pcijk表示任务i的第j个任务单元在第k个制造资源上加工的加工费率；tcwv表示制造资源w与v之间的运输成本；
任务i的产品质量为：其中
Q表示产品质量，在其它评价因素相同的情况下，Q值越大表明云制造调度结果越好；qpkj表示任务i的j任务单元在k制造资源上加工的单元任务合格率。通常制造资源的加工合格率由历史数据计算得到，qpk表示制造资源k的历史加工合格率，nw表示k制造资源完成该类任务单元的总量，n表示k制造资源完成该类任务单元所产生的废品的数量；
任务i的延期风险为
其中
R表示延期风险，在其它评价因素相同的情况下，R值越小表明云制造调度效果越好；rfkj表示任务i的j任务单元所使用制造资源的设备故障率；rfk表示k制造资源的设备故障率，根据制造资源的历史数据计算得到；tw和tm分别表示制造资源在加工任务单元时因故障造成的停机等待时间和维修时间，tp表示制造资源的计划使用时间；
任务i的服务满意度为：
其中
S表示用户的服务满意度，在其它评价因素相同的情况下，S值越大表明云制造调度结果越好；spkj表示k制造资源在加工与任务i的j任务单元相同的任务单元的历史用户满意度；N表示制造资源k完成同类任务单元的历史总量，si和st分别表示使用制造资源k完成同类任务每次用户的评价分数和评价总分数。
6.根据权利要求1所述的多规则人工蜂群改进算法，其特征在于：所述解码操作为对编码序列的解释说明，是间接工序编码操作的逆过程，即编码序列中每个位置的具体值代表第几个任务，该值在序列中第几次出现表示它所代表的任务的第几个任务单元。
7.根据权利要求1所述的多规则人工蜂群改进算法，其特征在于：所述目标函数值为：
其中，Z是基于用户个性化需求的目标函数值，Z值越小适应度越高，得到的结果越好；r(1)、r(2)、r(3)、r(4)、r(5)分别表示加工时间、制造成本、产品质量、延期风险和服务满意度五个指标所占权重；T、C、Q、R、S分别表示任务i的加工时间、制造成本、产品质量、延期风险和服务满意度；Tmax、Cmax、Qmin、Rmax、Smin分别表示用户规定的最大加工时间、最大制造成本、最低产品质量、最大延期风险和最低服务满意度。
8.根据权利要求1所述的多规则人工蜂群改进算法，其特征在于：所述邻域搜索算法包括两点交换邻域结构和插入邻域结构；其中
两点交换邻域结构为在[1，D]区间内，随机选择两个整数，即为交换基因的位置，D为编码序列的长度；
插入邻域结构为在[1，D]区间内，随机选择两个整数，即为插入基因位置，将较大值位置对应的基因插入到较小位置的基因的前面，并将较小位置及其后的基因按顺序依次顺延到较大位置处，D为编码序列的长度。
9.根据权利要求1所述的多规则人工蜂群改进算法，其特征在于：所述等级制度策略为不关心目标值的具体值而根据蜜源的排序进行选择。
10.根据权利要求1所述的多规则人工蜂群改进算法，其特征在于：所述计算待工蜂对每个蜜源的选择概率包括以下过程：
P1＝Pc
P2＝(1-Pc)Pc
P3＝(1-Pc)2Pc
……
Pn-1＝(1-Pc)n-2Pc
Pn＝(1-Pc)n-1
其中，Pc为最优秀的蜜源吸引待工蜂的概率，Pi表示第i优秀的蜜源吸引待工蜂的概率。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810662514.1A CN110633784B (zh) | 2018-06-25 | 2018-06-25 | 一种多规则人工蜂群改进算法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810662514.1A CN110633784B (zh) | 2018-06-25 | 2018-06-25 | 一种多规则人工蜂群改进算法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110633784A true CN110633784A (zh) | 2019-12-31 |
| CN110633784B CN110633784B (zh) | 2022-07-22 |
Family
ID=68968085
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810662514.1A Active CN110633784B (zh) | 2018-06-25 | 2018-06-25 | 一种多规则人工蜂群改进算法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110633784B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116843735A (zh) * | 2023-08-17 | 2023-10-03 | 长春工业大学 | 一种基于机器学习的三维点云精确配准方法 |
| CN117035703A (zh) * | 2023-10-08 | 2023-11-10 | 北京建筑大学 | 一种面向云制造的企业间协同调度优化方法、系统及设备 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101344781A (zh) * | 2008-06-30 | 2009-01-14 | 东北大学 | 一种冷轧热镀锌机组板卷自动调度方法及系统 |
| US20130051632A1 (en) * | 2011-08-25 | 2013-02-28 | King Saud University | Passive continuous authentication method |
| CN102982008A (zh) * | 2012-11-01 | 2013-03-20 | 山东大学 | 基于计算机机群的并行人工蜂群算法求解复杂函数最值的方法 |
| CN103544547A (zh) * | 2013-11-02 | 2014-01-29 | 南京航空航天大学 | 一种基于离散化全局分布搜索的可信服务组合方法 |
| CN106230827A (zh) * | 2016-08-02 | 2016-12-14 | 南京工程学院 | 一种基于成本效益优化的多目标服务组合方法 |
| CN106251009A (zh) * | 2016-07-27 | 2016-12-21 | 清华大学 | 一种求解有时间窗的车辆路径问题的优化算法 |
| KR20170082744A (ko) * | 2016-01-07 | 2017-07-17 | 강원대학교산학협력단 | 클러스터 헤드를 이용한 인공벌군집 데이터 클러스터링 방법 |
| CN107317699A (zh) * | 2017-05-25 | 2017-11-03 | 南京邮电大学 | 一种云制造服务组合的动态蚁群快速优选方法 |
| CN108053119A (zh) * | 2017-12-15 | 2018-05-18 | 兰州理工大学 | 一种求解零等待流水车间调度问题的改进粒子群优化算法 |
| CN108076143A (zh) * | 2017-12-01 | 2018-05-25 | 河南理工大学 | 一种物流Web服务动态优化组合方法 |
-
2018
- 2018-06-25 CN CN201810662514.1A patent/CN110633784B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101344781A (zh) * | 2008-06-30 | 2009-01-14 | 东北大学 | 一种冷轧热镀锌机组板卷自动调度方法及系统 |
| US20130051632A1 (en) * | 2011-08-25 | 2013-02-28 | King Saud University | Passive continuous authentication method |
| CN102982008A (zh) * | 2012-11-01 | 2013-03-20 | 山东大学 | 基于计算机机群的并行人工蜂群算法求解复杂函数最值的方法 |
| CN103544547A (zh) * | 2013-11-02 | 2014-01-29 | 南京航空航天大学 | 一种基于离散化全局分布搜索的可信服务组合方法 |
| KR20170082744A (ko) * | 2016-01-07 | 2017-07-17 | 강원대학교산학협력단 | 클러스터 헤드를 이용한 인공벌군집 데이터 클러스터링 방법 |
| CN106251009A (zh) * | 2016-07-27 | 2016-12-21 | 清华大学 | 一种求解有时间窗的车辆路径问题的优化算法 |
| CN106230827A (zh) * | 2016-08-02 | 2016-12-14 | 南京工程学院 | 一种基于成本效益优化的多目标服务组合方法 |
| CN107317699A (zh) * | 2017-05-25 | 2017-11-03 | 南京邮电大学 | 一种云制造服务组合的动态蚁群快速优选方法 |
| CN108076143A (zh) * | 2017-12-01 | 2018-05-25 | 河南理工大学 | 一种物流Web服务动态优化组合方法 |
| CN108053119A (zh) * | 2017-12-15 | 2018-05-18 | 兰州理工大学 | 一种求解零等待流水车间调度问题的改进粒子群优化算法 |
Non-Patent Citations (6)
| Title |
|---|
| JIAJUN ZHOU 等: "A hybrid approach combining modified artificial bee colony and cuckoo search algorithms for multi-objective cloud manufacturing service composition", 《INTERNATIONAL JOURNAL OF PRODUCTION RESEARCH》 * |
| JORICK LARTIGAU 等: "Artificial Bee Colony Optimized Scheduling Framework based on resource service availability in Cloud Manufacturing", 《2014 INTERNATIONAL CONFERENCE ON SERVICE SCIENCES》 * |
| 崔喆: "基于群智能优化算法的流水车间调度问题若干研究", 《中国博士学位论文全文数据库工程科技Ⅱ辑》 * |
| 常瑞云: "基于智能优化算法的云制造服务组合研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
| 张腾飞 等: "基于遗传算法的多目标车间调度问题的研究", 《组合机床与自动化加工技术》 * |
| 李强: "基于多目标多约束的跨企业制造单元构建与调度风险控制应用研究", 《中国优秀硕士学位论文全文数据库经济与管理科学辑》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116843735A (zh) * | 2023-08-17 | 2023-10-03 | 长春工业大学 | 一种基于机器学习的三维点云精确配准方法 |
| CN116843735B (zh) * | 2023-08-17 | 2023-12-29 | 长春工业大学 | 一种基于机器学习的三维点云精确配准方法 |
| CN117035703A (zh) * | 2023-10-08 | 2023-11-10 | 北京建筑大学 | 一种面向云制造的企业间协同调度优化方法、系统及设备 |
| CN117035703B (zh) * | 2023-10-08 | 2024-02-02 | 北京建筑大学 | 一种面向云制造的企业间协同调度优化方法、系统及设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110633784B (zh) | 2022-07-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110457589B (zh) | 一种车辆推荐方法、装置、设备及存储介质 | |
| CN107168267B (zh) | 基于改进粒子群与启发式策略的生产排产方法及系统 | |
| Shen et al. | Mathematical modeling and multi-objective evolutionary algorithms applied to dynamic flexible job shop scheduling problems | |
| Hyun et al. | A genetic algorithm for multiple objective sequencing problems in mixed model assembly lines | |
| Ni et al. | A multi-graph attributed reinforcement learning based optimization algorithm for large-scale hybrid flow shop scheduling problem | |
| CN111222665B (zh) | 基于偏好nsga-ⅲ算法的云制造服务组合优化选择方法 | |
| CN110751293B (zh) | 一种基于博弈论的云制造多任务调度优化方法 | |
| CN109165808A (zh) | 一种电力通信网现场运维工单派发方法 | |
| CN112685138B (zh) | 云环境下基于多种群混合智能优化的多工作流调度方法 | |
| Durgadevi et al. | Resource allocation in cloud computing using SFLA and cuckoo search hybridization | |
| Shao et al. | Estimation of distribution algorithm with path relinking for the blocking flow-shop scheduling problem | |
| CN110390491B (zh) | 一种公路工程多目标施工计划确定方法 | |
| CN110008023B (zh) | 基于遗传算法的云计算系统预算约束随机任务调度方法 | |
| 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 | |
| CN110633784B (zh) | 一种多规则人工蜂群改进算法 | |
| CN118261376A (zh) | 基于改进模拟退火算法的服装生产线动态调度方法及系统 | |
| CN112465371B (zh) | 一种资源数据分配方法、装置及设备 | |
| CN111861060A (zh) | 一种面向日化行业个性化生产模式的生产优化调度方法 | |
| Chen et al. | An improved algorithm for solving scheduling problems by combining generative adversarial network with evolutionary algorithms | |
| CN114862065B (zh) | 社工任务规划方法、装置、电子设备及存储介质 | |
| CN116307204A (zh) | 一种自动配棉方法、装置、设备及计算机可读存储介质 | |
| CN110689320A (zh) | 一种基于协同进化算法的大规模多目标项目调度方法 | |
| CN109919219A (zh) | 一种基于粒计算ML-kNN的Xgboost多视角画像构建方法 | |
| CN114371915A (zh) | 一种基于分解策略的制造企业数据空间系统任务调度方法 | |
| CN111027709B (zh) | 信息推荐方法、装置、服务器及存储介质 |
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 | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Address after: Nanping Road in Dongling District of Shenyang city of Liaoning Province, No. 16 110168 Applicant after: Shenyang Zhongke CNC Technology Co.,Ltd. Address before: Nanping Road in Dongling District of Shenyang city of Liaoning Province, No. 16 110168 Applicant before: Shenyang Golding Nc Intelligence Tech.co.,ltd. |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |