CN111652373B - 一种云机器人的任务调度方法、装置、设备及存储介质 - Google Patents
一种云机器人的任务调度方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN111652373B CN111652373B CN202010479032.XA CN202010479032A CN111652373B CN 111652373 B CN111652373 B CN 111652373B CN 202010479032 A CN202010479032 A CN 202010479032A CN 111652373 B CN111652373 B CN 111652373B
- Authority
- CN
- China
- Prior art keywords
- target
- feature
- codes
- code
- feature code
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 33
- 230000002068 genetic effect Effects 0.000 claims abstract description 29
- 230000006870 function Effects 0.000 claims description 72
- 230000035772 mutation Effects 0.000 claims description 22
- 238000012216 screening Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 11
- 230000008859 change Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000009286 beneficial effect Effects 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 4
- 238000013459 approach Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 108090000623 proteins and genes Proteins 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 230000008303 genetic mechanism Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000001131 transforming effect Effects 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
- G06N3/12—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
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Development Economics (AREA)
- Molecular Biology (AREA)
- Educational Administration (AREA)
- Genetics & Genomics (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)
- Manipulator (AREA)
Abstract
本申请公开了一种云机器人的任务调度方法,首先调用预设的随机编码函数对与目标调度任务对应的云机器人的目标特征属性进行随机编码,得出多个不同的初始特征编码;然后调用预先设置的遗传算法,根据初始特征编码确定出与目标调度任务适应度最高的目标特征编码;再根据目标特征编码确定出对应的目标特征属性信息,并根据目标特征属性信息调度对应的目标机器人。本方法不仅降低了对人力资源的消耗,提高任务调度的效率,而且可以有效地避免工作人员个人主观因素影响,提高制定的云机器人的任务调度方案的优化性。本申请还公开了一种云机器人的任务调度装置、设备及计算机可读存储介质,均具有上述有益效果。
Description
技术领域
本发明涉及云机器人领域,特别涉及一种云机器人的任务调度方法、装置、设备及计算机可读存储介质。
背景技术
随着云技术的逐渐成熟,集群化的云机器人也逐渐在工业、民用领域崭露头角。由于云机器人的云化特性,可以通过管理平台对其统一进行任务调度。当若干云机器人协作完成一项任务时,由于位置、机器人属性等因素的影响,可以有不同的调度方案。现有技术中,一般是工作人员通过个人直观经验创建出任务调度方案。但是,由于任务对应的现实情况复杂,现有技术的方法不仅需要消耗大量的人力资源,任务调度的效率低,而且任务调度方案极易受到个人主观因素的影响导致任务调度方案存在错误或者任务调度方案不够优化。
因此,如何在对云机器人进行任务调度时,不仅能降低所需消耗的人力资源,提高任务调度的效率,而且能提高任务调度的优化性,是本领域技术人员目前需要解决的技术问题。
发明内容
有鉴于此,本发明的目的在于提供一种云机器人的任务调度方法,能够在对云机器人进行任务调度时,不仅能降低所需消耗的人力资源,提高任务调度的效率,而且能提高任务调度的优化性;本发明的另一目的是提供一种云机器人的任务调度装置、设备及计算机可读存储介质,均具有上述有益效果。
为解决上述技术问题,本发明提供一种云机器人的任务调度方法,包括:
调用预设的随机编码函数对与目标调度任务对应的云机器人的目标特征属性进行随机编码,得出多个不同的初始特征编码;
调用预先设置的遗传算法,根据所述初始特征编码确定出与所述目标调度任务适应度最高的目标特征编码;
根据所述目标特征编码确定出对应的目标特征属性信息,并根据所述目标特征属性信息调度对应的目标机器人。
优选地,所述调用预设的随机编码函数对与目标调度任务对应的云机器人的目标特征属性进行随机编码,得出多个不同的初始特征编码的过程,具体包括:
确定出与所述目标调度任务对应的云机器人的所述目标特征属性;
根据各所述目标特征属性的权重设置对应的随机编码位数;
调用预设的所述随机编码函数依据所述随机编码位数对各所述目标特征属性进行随机编码,得出多个不同的所述初始特征编码。
优选地,所述调用预先设置的遗传算法,根据所述初始特征编码确定出与所述目标调度任务适应度最高的目标特征编码的过程,具体包括:
将所述初始特征编码输入至第一适应度函数中,利用所述第一适应度函数筛选出适应度满足预设条件的第一中间特征编码;
对各所述第一中间特征编码进行交叉操作和变异操作,得出第二中间特征编码;
在所述第二中间特征编码对应的第一迭代机器人种群达到收敛状态的情况下,通过第二适应度函数从所述第二中间特征编码中筛选出与所述目标调度任务适应度最高的目标特征编码。
优选地,所述对各所述第一中间特征编码进行交叉操作和变异操作,得出第二中间特征编码的过程,具体包括:
对各所述第一中间特征编码进行交叉操作,得出交叉特征编码,并根据所述交叉特征编码确定出第二迭代机器人种群;
判断所述第二迭代机器人种群是否达到收敛状态;
若是,则根据所述交叉特征编码和所述第一中间特征编码确定出所述第二中间特征编码;
若否,则调用预设的随机改变算法对所述第一中间特征编码和/或所述交叉特征编码中的目标特征属性进行随机更改,得出变异特征编码,并根据所述变异特征编码、所述交叉特征编码和所述第一中间特征编码确定出所述第二中间特征编码。
优选地,所述对各所述第一中间特征编码进行交叉操作和变异操作,得出第二中间特征编码的过程,具体包括:
基于交叉概率和变异概率对各所述第一中间特征编码进行交叉操作和变异操作,得出所述第二中间特征编码。
优选地,所述第一适应度函数和/或所述第二适应度函数具体为基于顺序的适应度函数。
优选地,所述随机编码函数具体为实数编码函数。
为解决上述技术问题,本发明还提供一种云机器人的任务调度装置,包括:
编码模块,用于调用预设的随机编码函数对与目标调度任务对应的云机器人的目标特征属性进行随机编码,得出多个不同的初始特征编码;
计算模块,用于调用预先设置的遗传算法,根据所述初始特征编码确定出与所述目标调度任务适应度最高的目标特征编码;
确定模块,用于根据所述目标特征编码确定出对应的目标特征属性信息,并根据所述目标特征属性信息调度对应的目标机器人。
为解决上述技术问题,本发明还提供一种云机器人的任务调度设备,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现上述任一种云机器人的任务调度方法的步骤。
为解决上述技术问题,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现上述任一种云机器人的任务调度方法的步骤。
本发明提供的一种云机器人的任务调度方法,首先调用预设的随机编码函数对与目标调度任务对应的云机器人的目标特征属性进行随机编码,得出多个不同的初始特征编码;然后调用预先设置的遗传算法,根据初始特征编码确定出与目标调度任务适应度最高的目标特征编码;再根据目标特征编码确定出对应的目标特征属性信息,并根据目标特征属性信息调度对应的目标机器人。可见,本方法是在初始特征编码的基础上,通过遗传算法进行全局搜索和优化,得出与目标调度任务适应度最高的目标特征编码,代替了现有技术中通过工作人员个人直观经验创建出任务调度方案的方法,不仅降低了对人力资源的消耗,提高任务调度的效率,而且遗传算法是基于与目标特征属性对应的初始特征编码进行计算的,可以有效地避免工作人员个人主观因素影响,提高制定的云机器人的任务调度方案的优化性。
为解决上述技术问题,本发明还提供了一种云机器人的任务调度装置、设备及计算机可读存储介质,均具有上述有益效果。
附图说明
为了更清楚地说明本发明实施例或现有技术的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本发明实施例提供的一种云机器人的任务调度方法的流程图;
图2为本发明实施例提供的一种云机器人的任务调度装置的结构图;
图3为本发明实施例提供的一种云机器人的任务调度设备的结构图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明实施例的核心是提供一种云机器人的任务调度方法,能够在对云机器人进行任务调度时,不仅能降低所需消耗的人力资源,提高任务调度的效率,而且能提高任务调度的优化性;本发明的另一核心是提供一种云机器人的任务调度装置、设备及计算机可读存储介质,均具有上述有益效果。
为了使本领域技术人员更好地理解本发明方案,下面结合附图和具体实施方式对本发明作进一步的详细说明。
图1为本发明实施例提供的一种云机器人的任务调度方法的流程图。如图1所示,一种云机器人的任务调度方法包括:
S10:调用预设的随机编码函数对与目标调度任务对应的云机器人的目标特征属性进行随机编码,得出多个不同的初始特征编码。
具体的,在本实施例中,首先需要根据目标调度任务确定出需要参考的因素,即确定出与目标调度任务对应的云机器人目标特征属性。其中,特征属性可以是机器人挂载的机械臂类型、速度、实时续航等,目标特征属性为与目标调度任务相关的特征属性。
然后,调用预设的随机编码函数对目标特征属性进行随机编码,即利用随机编码函数为目标特征属性设置不同的编码数据来表示不同属性值的云机器人。例如,对于速度这一目标属性特征,编码数据1123和编码数据1124对应表示不同的属性值,即表示不同的云机器人。其中,随机编码函数可以是实数编码函数或者二进制编码函数等,本实施例对此不做限定。在实际操作中,一般需要根据目标调度任务确定出多个不同类型的目标特征属性,通过对各目标特征属性进行随机编码,将得出多个不同的初始特征编码。也就是说,一个初始特征编码中包括多个不同类型的目标特征属性对应的编码数据,一个初始特征编码表示一种类型的云机器人,该云机器人具有与初始特征编码对应的特征属性;多个不同的初始特征编码表示初始机器人种群。
S20:调用预先设置的遗传算法,根据初始特征编码确定出与目标调度任务适应度最高的目标特征编码;
S30:根据目标特征编码确定出对应的目标特征属性信息,并根据目标特征属性信息调度对应的目标机器人。
具体的,预先设置遗传算法,在得出初始特征编码之后,则调用预先设置的遗传算法,并利用遗传算法根据初始特征编码进行计算,确定出与目标调度任务适应度最高的目标特征编码。需要说明的是,遗传算法(Genetic Algorithm)是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型,是一种通过模拟自然进化过程搜索最优解的方法,本实施例利用遗传算法来确定出与目标调度任务适应度最高的目标特征编码。
具体的,在确定出目标特征编码之后,则按照之前的编码格式对目标特征编码进行解码,解码后的结果即为目标特征属性信息。也就是说,对于目标调度任务而言,最优化的调度方案是调度具有目标特征编码的目标云机器人,因此根据目标特征编码确定出对应的目标特征属性信息,并根据目标特征属性信息调度对应的目标机器人。
本发明实施例提供的一种云机器人的任务调度方法,首先调用预设的随机编码函数对与目标调度任务对应的云机器人的目标特征属性进行随机编码,得出多个不同的初始特征编码;然后调用预先设置的遗传算法,根据初始特征编码确定出与目标调度任务适应度最高的目标特征编码;再根据目标特征编码确定出对应的目标特征属性信息,并根据目标特征属性信息调度对应的目标机器人。可见,本方法是在初始特征编码的基础上,通过遗传算法进行全局搜索和优化,得出与目标调度任务适应度最高的目标特征编码,代替了现有技术中通过工作人员个人直观经验创建出任务调度方案的方法,不仅降低了对人力资源的消耗,提高任务调度的效率,而且遗传算法是基于与目标特征属性对应的初始特征编码进行计算的,可以有效地避免工作人员个人主观因素影响,提高制定的云机器人的任务调度方案的优化性。
在上述实施例的基础上,本实施例对技术方案作了进一步的说明和优化,具体的,在本实施例中,调用预设的随机编码函数对与目标调度任务对应的云机器人的目标特征属性进行随机编码,得出多个不同的初始特征编码的过程,具体包括:
确定出与目标调度任务对应的云机器人的目标特征属性;
根据各目标特征属性的权重设置对应的随机编码位数;
调用预设的随机编码函数依据随机编码位数对各目标特征属性进行随机编码,得出多个不同的初始特征编码。
具体的,在本实施例中,在确定出与目标调度任务对应的云机器人的目标特征属性之后,进一步根据各目标特征属性的权重设置对应的随机编码位数;一般的,目标特征属性对目标调度任务的权重越大,则使用更多位数的随机数来表示该目标特征属性。在确定出与目标特征属性对应的随机编码位数之后,再调用预设的随机编码函数依据随机编码位数对各目标特征属性进行随机编码,得出多个不同的初始特征编码。
作为优选的实施方式,在本实施例中,随机编码函数具体为实数编码函数。
实数编码指的是对云机器人的每个目标特征属性分别用某一范围内的一个浮点数来表示,云机器人的初始特征编码的长度与其目标特征属性的个数有关。
可以理解的是,由于二进制编码需要频繁地编码和解码,计算量大,而且只能产生有限的离散点阵,还可能产生额外的最优点,且存在汉明悬崖问题;而实数编码能够规避这些缺点,因此本实施例中优选地使用实数编码函数对目标特征属性进行随机编码,得出初始特征编码。相对来说,实数编码比二进制编码具有精度高、搜索范围大、表达自然直观等优点,并能够克服二进制编码自身特点所带来的不易求解高精度问题、不便于反应所求问题的特定知识等缺陷。
可见,本实施例通过进一步根据各目标特征属性的权重设置对应的随机编码位数;并通过实数编码函数依据随机编码位数对各目标特征属性进行随机编码,得出多个不同的初始特征编码,能够降低计算量,并能够提高后续根据初始特征编码确定出目标特征编码的准确度,进而提高任务调度方案的优化性。
在上述实施例的基础上,本实施例对技术方案作了进一步的说明和优化,具体的,在本实施例中,调用预先设置的遗传算法,根据初始特征编码确定出与目标调度任务适应度最高的目标特征编码的过程,具体包括:
将初始特征编码输入至第一适应度函数中,利用第一适应度函数筛选出适应度满足预设条件的第一中间特征编码;
对各第一中间特征编码进行交叉操作和变异操作,得出第二中间特征编码;
在第二中间特征编码对应的第一迭代机器人种群达到收敛状态的情况下,通过第二适应度函数从第二中间特征编码中筛选出与目标调度任务适应度最高的目标特征编码。
具体的,遗传算法包括选择操作、交叉操作和变异操作。在本实施例中,在确定出初始特征编码之后,首先将初始特征编码输入至第一适应度函数,得到与每个初始特征编码对应的第一适应度值,各第一适应度值也就是各初始特征编码对应的云机器人对目标调度任务的适应度;然后,按照预设的第一筛选方法根据各第一适应度值筛选出适应度满足预设条件的适应度值,并根据筛选结果确定出对应的第一中间特征编码。
需要说明的是,预设的第一筛选方法可以是将各第一适应度值按照从大到小的顺序排列,选择TOP-N的第一适应度值对应的初始特征编码,即得出第一中间特征编码;或者可以是预先设置第一适应度阈值,将第一适应度值超过该第一适应度阈值的初始特征编码设置为第一中间特征编码。当然,在实际操作中还可以是其他的筛选方法确定出第一中间特征编码,本实施例对此不做限定。
具体的,在确定出第一中间特征编码之后,对各第一中间特征编码进行交叉操作和变异操作,得出第二中间特征编码。可以理解的是,在本实施例中,进行交叉操作一般对应的是云机器人的基因片段,即一个或多个目标特征属性对应的编码数据;变异操作一般对应的是云机器人的单个遗传因子,即一个目标特征属性对应的编码数据。
具体的,在得出第二中间特征编码之后,第二中间特征编码对应的第一迭代机器人种群是否达到遗传算法的结束条件,具体是判断第一迭代机器人种群是否达到收敛状态,若是,则表示当前第一迭代机器人种群收敛到稳定状态,则将第二中间特征编码输入至第二适应度函数中,得出与各第二中间特征编码对应的第二适应度值,再按照预设的第二筛选方法根据各第二适应度值筛选出与目标调度任务适应度最高的目标适应度值,并根据筛选出的目标适应度值确定出对应的目标特征编码。具体的,此处判断第一迭代机器人种群是否达到遗传算法的结束条件具体指的是判断第一迭代机器人种群中最大适应度值是否趋近于一个定值。
需要说明的是,适应度函数是一个对与初始特征编码对应的云机器人/第二中间特征编码对应的云机器人对目标调度任务的适应度评价的函数。本实施例对适应度函数的具体类型不做限定,可以根据具体的情况选择、更改。具体的,适应度函数大致可以分为两类:线性拉伸适应度函数、动态调整非线性适应度函数。
作为优选的实施方式,第一适应度函数和/或第二适应度函数具体为基于顺序的适应度函数。
具体的,在本实施例中,优选地使用线性拉伸适应度函数中的基于顺序的适应度函数作为第一适应度函数和/或第二适应度函数。也就是说,第一适应度函数和第二适应度函数可以均使用基于顺序的适应度函数。需要说明的是,基于顺序的适应度函数最大的优点是云机器人被选择的概率与目标函数的具体值无关,仅与顺序有关。基于顺序的适应度函数的构造方法是:
先将当前种群中所有云机器人按目标函数值的好坏进行排序,设参数β∈(0,1),基于顺序的适应度函数为:
eval(X′i)=β*(1-β)i-1i=1,2,3,...,m;
其中,X′i表示当前种群的第i个云机器人;eval(X′i)表示当前种群的第i个云机器人的顺序适应度;β表示顺序适应度参数。
作为优选的实施方式,对各第一中间特征编码进行交叉操作和变异操作,得出第二中间特征编码的过程,具体包括:
基于交叉概率和变异概率对各第一中间特征编码进行交叉操作和变异操作,得出第二中间特征编码。
对于交叉操作和变异操作,在演化初期,机器人种群中较优的云机器人几乎是处于一种不发生变化的状态,而此时的优良个体(云机器人)却不一定是全局优的,这很容易导致演化趋向局部优解。因此本实施例对自适应遗传算法进行改进,使机器人种群中具有大适应度值的云机器人的交叉概率和变异概率不为零。其中,改进后的交叉概率的计算公式为:
改进后的变异概率的计算公式为:
其中,fmax表示当前种群中最大的适应度值;fave为当前种群的平均适应度值;f'为待交叉的两个云机器人中较大的适应度值;f为待变异云机器人的适应度值;Pc1为最大交叉概率;Pm1为最大变异概率。
这样,经过改进交叉概率和变异概率后,就相应地提高了机器人种群中性能优良个体的交叉概率和变异概率,使它们不会处于一种停滞不前的状态,从而使得遗传算法能够从局部优解中跳出来获得全局优解,也就是能进一步提高确定出任务调度方案的优化性。
作为优选的实施方式,对各第一中间特征编码进行交叉操作和变异操作,得出第二中间特征编码的过程,具体包括:
对各第一中间特征编码进行交叉操作,得出交叉特征编码,并根据交叉特征编码确定出第二迭代机器人种群;
判断第二迭代机器人种群是否达到收敛状态;
若是,则根据交叉特征编码和第一中间特征编码确定出第二中间特征编码;
若否,则调用预设的随机改变算法对第一中间特征编码和/或交叉特征编码中的目标特征属性进行随机更改,得出变异特征编码,并根据变异特征编码、交叉特征编码和第一中间特征编码确定出第二中间特征编码。
具体的,在本实施例中,是在得出第一中间特征编码之后,对各第一中间特征编码进行交叉操作,得出交叉特征编码;具体可以是对一个或多个目标特征属性对应的编码数据进行交叉操作;对目标特征属性进行组合,没有产生新的目标特征属性的编码数据。各交叉特征编码以及第一中间特征编码即为第二迭代机器人种群;然后判断第二迭代机器人种群是否达到收敛状态。需要说明的是,此处判断第二迭代机器人种群是否达到收敛状态具体是判断第二迭代机器人种群中各对应的交叉特征编码和第一中间特征编码所对应的平均适应度值是否趋近于一个定值,适应度趋近于收敛时称为进入收敛期,即达到收敛状态。具体可以通过第二迭代机器人种群的适应度环比增长率来判断。
若第二迭代机器人种群达到收敛状态,则表示当前第二迭代机器人种群收敛到稳定状态,因此将交叉特征编码和第一中间特征编码对应的云机器人作为第一迭代机器人种群,该种群中的各云机器人的编码称为第二中间特征编码;若第二迭代机器人种群未达到收敛状态,则需要对第一迭代机器人种群中的云机器人的单个遗传因子(单个目标特征属性)的编码数据进行随机更改,具体是通过调用预设的随机改变算法进行改变。例如,假设对云机器人速度这一目标特征属性定义为8位数据编码,某个云机器人的速度的编码数据为:73618191,通过随机更改这一编码数据的若干位,如将73618191变换为73638161,这就产生了一个新的基因,即产生了变异特征编码,然后根据变异特征编码、交叉特征编码和第一中间特征编码对应的与机器人作为第一迭代机器人种群,该种群中的各云机器人的编码称为第二中间特征编码。
可见,按照本实施例的遗传算法确定出目标调度任务适应度最高的目标特征编码,操作方式便捷,并且能准确地确定出目标特征编码。
上文对于本发明提供的一种云机器人的任务调度方法的实施例进行了详细的描述,本发明还提供了一种与该方法对应的云机器人的任务调度装置、设备及计算机可读存储介质,由于装置、设备及计算机可读存储介质部分的实施例与方法部分的实施例相互照应,因此装置、设备及计算机可读存储介质部分的实施例请参见方法部分的实施例的描述,这里暂不赘述。
图2为本发明实施例提供的一种云机器人的任务调度装置的结构图,如图2所示,一种云机器人的任务调度装置包括:
编码模块21,用于调用预设的随机编码函数对与目标调度任务对应的云机器人的目标特征属性进行随机编码,得出多个不同的初始特征编码;
计算模块22,用于调用预先设置的遗传算法,根据初始特征编码确定出与目标调度任务适应度最高的目标特征编码;
确定模块23,用于根据目标特征编码确定出对应的目标特征属性信息,并根据目标特征属性信息调度对应的目标机器人。
本发明实施例提供的云机器人的任务调度装置,具有上述云机器人的任务调度方法的有益效果。
作为优选的实施方式,编码模块具体包括:
确定单元,用于确定出与目标调度任务对应的云机器人的目标特征属性;
设置单元,用于根据各目标特征属性的权重设置对应的随机编码位数;
编码单元,用于调用预设的随机编码函数依据随机编码位数对各目标特征属性进行随机编码,得出多个不同的初始特征编码。
作为优选的实施方式,计算模块具体包括:
第一输入单元,用于将初始特征编码输入至第一适应度函数中,利用第一适应度函数筛选出适应度满足预设条件的第一中间特征编码;
操作单元,用于对各第一中间特征编码进行交叉操作和变异操作,得出第二中间特征编码;
筛选单元,用于在第二中间特征编码对应的第一迭代机器人种群达到收敛状态的情况下,通过第二适应度函数从第二中间特征编码中筛选出与目标调度任务适应度最高的目标特征编码。
作为优选的实施方式,操作单元具体包括:
第一操作子单元,用于对各第一中间特征编码进行交叉操作,得出交叉特征编码,并根据交叉特征编码确定出第二迭代机器人种群;
判断子单元,用于判断第二迭代机器人种群是否达到收敛状态;若是,则调用第一执行子单元,若否,则调用第二执行子单元,
第一执行子单元,用于根据交叉特征编码和第一中间特征编码确定出第二中间特征编码;
第二执行子单元,用于调用预设的随机改变算法对第一中间特征编码和/或交叉特征编码中的目标特征属性进行随机更改,得出变异特征编码,并根据变异特征编码、交叉特征编码和第一中间特征编码确定出第二中间特征编码。
图3为本发明实施例提供的一种云机器人的任务调度设备的结构图,如图3所示,一种云机器人的任务调度设备包括:
存储器31,用于存储计算机程序;
处理器32,用于执行计算机程序时实现如上述云机器人的任务调度方法的步骤。
本发明实施例提供的云机器人的任务调度设备,具有上述云机器人的任务调度方法的有益效果。
为解决上述技术问题,本发明还提供一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,计算机程序被处理器执行时实现如上述云机器人的任务调度方法的步骤。
本发明实施例提供的计算机可读存储介质,具有上述云机器人的任务调度方法的有益效果。
以上对本发明所提供的云机器人的任务调度方法、装置、设备及计算机可读存储介质进行了详细介绍。本文中应用了具体实施例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以对本发明进行若干改进和修饰,这些改进和修饰也落入本发明权利要求的保护范围内。
说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
Claims (9)
1.一种云机器人的任务调度方法,其特征在于,包括:
调用预设的随机编码函数对与目标调度任务对应的云机器人的目标特征属性进行随机编码,得出多个不同的初始特征编码;
调用预先设置的遗传算法,根据所述初始特征编码确定出与所述目标调度任务适应度最高的目标特征编码,具体包括:将所述初始特征编码输入至第一适应度函数中,利用所述第一适应度函数筛选出适应度满足预设条件的第一中间特征编码;对各所述第一中间特征编码进行交叉操作和变异操作,得出第二中间特征编码;在所述第二中间特征编码对应的第一迭代机器人种群达到收敛状态的情况下,通过第二适应度函数从所述第二中间特征编码中筛选出与所述目标调度任务适应度最高的目标特征编码;
根据所述目标特征编码确定出对应的目标特征属性信息,并根据所述目标特征属性信息调度对应的目标机器人。
2.根据权利要求1所述的方法,其特征在于,所述调用预设的随机编码函数对与目标调度任务对应的云机器人的目标特征属性进行随机编码,得出多个不同的初始特征编码的过程,具体包括:
确定出与所述目标调度任务对应的云机器人的所述目标特征属性;
根据各所述目标特征属性的权重设置对应的随机编码位数;
调用预设的所述随机编码函数依据所述随机编码位数对各所述目标特征属性进行随机编码,得出多个不同的所述初始特征编码。
3.根据权利要求1所述的方法,其特征在于,所述对各所述第一中间特征编码进行交叉操作和变异操作,得出第二中间特征编码的过程,具体包括:
对各所述第一中间特征编码进行交叉操作,得出交叉特征编码,并根据所述交叉特征编码确定出第二迭代机器人种群;
判断所述第二迭代机器人种群是否达到收敛状态;
若是,则根据所述交叉特征编码和所述第一中间特征编码确定出所述第二中间特征编码;
若否,则调用预设的随机改变算法对所述第一中间特征编码和/或所述交叉特征编码中的目标特征属性进行随机更改,得出变异特征编码,并根据所述变异特征编码、所述交叉特征编码和所述第一中间特征编码确定出所述第二中间特征编码。
4.根据权利要求1所述的方法,其特征在于,所述对各所述第一中间特征编码进行交叉操作和变异操作,得出第二中间特征编码的过程,具体包括:
基于交叉概率和变异概率对各所述第一中间特征编码进行交叉操作和变异操作,得出所述第二中间特征编码。
5.根据权利要求1所述的方法,其特征在于,所述第一适应度函数和/或所述第二适应度函数具体为基于顺序的适应度函数。
6.根据权利要求1至5任一项所述的方法,其特征在于,所述随机编码函数具体为实数编码函数。
7.一种云机器人的任务调度装置,其特征在于,包括:
编码模块,用于调用预设的随机编码函数对与目标调度任务对应的云机器人的目标特征属性进行随机编码,得出多个不同的初始特征编码;
计算模块,用于调用预先设置的遗传算法,根据所述初始特征编码确定出与所述目标调度任务适应度最高的目标特征编码;所述计算模块具体包括:第一输入单元,用于将初始特征编码输入至第一适应度函数中,利用第一适应度函数筛选出适应度满足预设条件的第一中间特征编码;操作单元,用于对各第一中间特征编码进行交叉操作和变异操作,得出第二中间特征编码;筛选单元,用于在第二中间特征编码对应的第一迭代机器人种群达到收敛状态的情况下,通过第二适应度函数从第二中间特征编码中筛选出与目标调度任务适应度最高的目标特征编码;
确定模块,用于根据所述目标特征编码确定出对应的目标特征属性信息,并根据所述目标特征属性信息调度对应的目标机器人。
8.一种云机器人的任务调度设备,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如权利要求1至6任一项所述的云机器人的任务调度方法的步骤。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至6任一项所述的云机器人的任务调度方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010479032.XA CN111652373B (zh) | 2020-05-29 | 2020-05-29 | 一种云机器人的任务调度方法、装置、设备及存储介质 |
PCT/CN2020/112506 WO2021237970A1 (zh) | 2020-05-29 | 2020-08-31 | 一种云机器人的任务调度方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010479032.XA CN111652373B (zh) | 2020-05-29 | 2020-05-29 | 一种云机器人的任务调度方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111652373A CN111652373A (zh) | 2020-09-11 |
CN111652373B true CN111652373B (zh) | 2023-10-31 |
Family
ID=72346985
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010479032.XA Active CN111652373B (zh) | 2020-05-29 | 2020-05-29 | 一种云机器人的任务调度方法、装置、设备及存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN111652373B (zh) |
WO (1) | WO2021237970A1 (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114237182B (zh) * | 2021-12-17 | 2023-05-23 | 中国电信股份有限公司 | 机器人调度方法及系统 |
CN115800298B (zh) * | 2023-02-03 | 2023-05-09 | 南方电网数字电网研究院有限公司 | 考虑分布式资源主动支撑和线损最小的边侧电压控制方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016165392A1 (zh) * | 2015-04-17 | 2016-10-20 | 华南理工大学 | 一种基于遗传算法的云计算资源调度方法 |
CN107977740A (zh) * | 2017-11-23 | 2018-05-01 | 海南电网有限责任公司 | 一种现场运维智能调度方法 |
CN110070235A (zh) * | 2019-05-01 | 2019-07-30 | 湖南大学 | 一种多移动机器人的柔性调度方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103024048B (zh) * | 2012-12-17 | 2015-08-05 | 南京邮电大学 | 一种云环境下的资源调度方法 |
US11107024B2 (en) * | 2018-01-15 | 2021-08-31 | Nmetric, Llc | Genetic smartjobs scheduling engine |
CN109472362B (zh) * | 2018-10-29 | 2020-08-07 | 武汉理工大学 | 一种基于可变任务窗的agv动态调度方法及装置 |
-
2020
- 2020-05-29 CN CN202010479032.XA patent/CN111652373B/zh active Active
- 2020-08-31 WO PCT/CN2020/112506 patent/WO2021237970A1/zh active Application Filing
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016165392A1 (zh) * | 2015-04-17 | 2016-10-20 | 华南理工大学 | 一种基于遗传算法的云计算资源调度方法 |
CN107977740A (zh) * | 2017-11-23 | 2018-05-01 | 海南电网有限责任公司 | 一种现场运维智能调度方法 |
CN110070235A (zh) * | 2019-05-01 | 2019-07-30 | 湖南大学 | 一种多移动机器人的柔性调度方法 |
Non-Patent Citations (1)
Title |
---|
夏世洪 ; 石宇强 ; 吴双 ; 陈柏志 ; .云制造环境下面向多目标优化的虚拟资源调度研究.计算机应用研究.2018,(05),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN111652373A (zh) | 2020-09-11 |
WO2021237970A1 (zh) | 2021-12-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108596335B (zh) | 一种基于深度强化学习的自适应众包方法 | |
CN111652373B (zh) | 一种云机器人的任务调度方法、装置、设备及存储介质 | |
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 | |
JP2001236337A (ja) | ニューラルネットワークによる予測装置 | |
CN106610867B (zh) | 一种片上网络任务调度方法及装置 | |
CN113011612B (zh) | 基于改进灰狼算法的生产与维修调度方法及系统 | |
CN112817940B (zh) | 基于梯度压缩的联邦学习数据处理系统 | |
CN109978268A (zh) | 一种短期负荷预测方法、系统及相关装置 | |
CN112149990B (zh) | 一种基于预测的模糊供需匹配方法 | |
CN114580678A (zh) | 一种产品维修资源调度方法和系统 | |
CN111832817A (zh) | 基于mcp罚函数的小世界回声状态网络时间序列预测方法 | |
CN117315331A (zh) | 一种基于gnn和lstm的动态图异常检测方法及系统 | |
CN114841611A (zh) | 一种基于改进海洋捕食者算法求解作业车间调度的方法 | |
CN115271130A (zh) | 面向船舶主动力设备维修订单的动态调度方法及系统 | |
CN110222816B (zh) | 深度学习模型的建立方法、图像处理方法及装置 | |
CN111242210A (zh) | 基于改进Shapley值模型的短期负荷预测方法 | |
CN117573307B (zh) | 云环境下多任务的统筹管理方法及系统 | |
CN114648232A (zh) | 基于改进黑猩猩优化算法的云端化资源柔性作业调度方法 | |
CN114297934A (zh) | 一种基于代理模型的模型参数并行仿真优化方法及装置 | |
CN107871157B (zh) | 基于bp和pso的数据预测方法、系统及相关装置 | |
CN110971683B (zh) | 基于强化学习的服务组合方法 | |
CN113627533A (zh) | 一种基于强化学习的电力设备检修决策生成方法 | |
JP2009175925A (ja) | 照合パラメータ最適化装置、最適化方法および最適化制御プログラム | |
CN116305939A (zh) | 陆地生态系统碳水通量高精度反演方法、系统及电子设备 | |
CN117348837A (zh) | 浮点精度模型的量化方法、装置、电子设备以及存储介质 |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20230922 Address after: 250098 building S02, No. 1036, Gaoxin Inspur Road, Jinan, Shandong Applicant after: Shandong Inspur Scientific Research Institute Co.,Ltd. Address before: 250104 1st floor, R & D building, 2877 Kehang Road, Suncun Town, high tech Zone, Jinan City, Shandong Province Applicant before: JINAN INSPUR HIGH-TECH TECHNOLOGY DEVELOPMENT Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |