CN111738619A - 任务调度方法、装置、设备及存储介质 - Google Patents
任务调度方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN111738619A CN111738619A CN202010643139.3A CN202010643139A CN111738619A CN 111738619 A CN111738619 A CN 111738619A CN 202010643139 A CN202010643139 A CN 202010643139A CN 111738619 A CN111738619 A CN 111738619A
- Authority
- CN
- China
- Prior art keywords
- task
- user
- package
- task package
- objective function
- 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
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000004806 packaging method and process Methods 0.000 claims abstract description 13
- 230000006870 function Effects 0.000 claims description 114
- 238000012545 processing Methods 0.000 claims description 29
- 238000012549 training Methods 0.000 claims description 22
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000012163 sequencing technique Methods 0.000 claims description 6
- 238000013145 classification model Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 7
- 210000000349 chromosome Anatomy 0.000 description 24
- 238000010586 diagram Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 10
- 238000004590 computer program Methods 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 8
- 108090000623 proteins and genes Proteins 0.000 description 8
- 230000035772 mutation Effects 0.000 description 7
- 238000012856 packing Methods 0.000 description 7
- 230000000670 limiting effect Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000002068 genetic effect Effects 0.000 description 4
- 230000002829 reductive effect Effects 0.000 description 4
- 230000035945 sensitivity Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000002759 chromosomal effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012858 packaging process Methods 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000000638 stimulation Effects 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
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
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
- G06Q10/0835—Relationships between shipper or supplier and carriers
- G06Q10/08355—Routing methods
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Educational Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种任务调度方法、装置、设备及存储介质,属于互联网技术领域。所述方法包括:获取任务集合和用户集合;根据任务的属性信息,对多个任务进行打包生成任务包集合;对于任务包集合中的任务包k,确定用户集合中的用户n相对于任务包k的完成率;根据用户集合中每个用户到任务包集合中每个任务包的行驶距离,以及用户集合中每个用户相对于任务包集合中每个任务包的完成率,确定任务包集合中各任务包分别派发至的目标用户。本申请实施例提供的技术方案,综合考虑用户到任务包的行驶距离与用户对任务包的完成率两方面因素后,将任务包派发给用户,提高了任务的接单率和完成率,达到符合用户喜好且全局最优的任务调度效果。
Description
技术领域
本申请涉及互联网技术领域,特别涉及一种任务调度方法、装置、设备及存储介质。
背景技术
随着互联网技术的快速发展,越来越多的互联网应用可以向用户发布任务,用户可以按照需求领取任务并执行。这些互联网应用面临的任务调度问题随之产生。
传统的任务调度方法主要通过抢单或者派单的方式完成对任务的分配处理。在抢单模式下,所有在线用户对应用系统内的待处理任务都可见,用户可以按照自己的喜好选择领取符合个人喜好的任务。在派单模式下,应用系统可以将某一待处理任务指派给某一用户去完成。在抢派单结合的模式下,多采用使某一区域内的用户对该区域内的待处理任务可见的方式,供用户在此区域内选择任务。
上述的任务调度方法中任务的接单率和完成率都较低。
发明内容
本申请实施例提供了一种任务调度方法、装置、设备及存储介质,有助于提高任务的接单率和完成率,达到符合用户喜好且全局最优的任务调度效果。
一方面,本申请实施例提供了一种任务调度方法,所述方法包括:
获取任务集合和用户集合,所述任务集合包括待处理的多个任务,所述用户集合包括多个用户;
根据所述任务的属性信息,对所述多个任务进行打包生成任务包集合,所述任务包集合中包括至少一个任务包,每个任务包中包括至少一个任务;
对于所述任务包集合中的任务包k,确定所述用户集合中的用户n相对于所述任务包k的完成率;其中,所述完成率是指在将所述任务包k派发给所述用户n的情况下,所述用户n完成所述任务包k的概率;
根据所述用户集合中每个用户到所述任务包集合中每个任务包的行驶距离,以及所述用户集合中每个用户相对于所述任务包集合中每个任务包的完成率,确定所述任务包集合中各任务包分别派发至的目标用户。
另一方面,本申请情实施例提供了一种任务调度装置,所述装置包括:
集合获取模块,用于获取任务集合和用户集合,所述任务集合包括待处理的多个任务,所述用户集合包括多个用户;
任务打包模块,用于根据所述任务的属性信息,对所述多个任务进行打包生成任务包集合,所述任务包集合中包括至少一个任务包,每个任务包中包括至少一个任务;
概率预测模块,用于对于所述任务包集合中的任务包k,确定所述用户集合中的用户n相对于所述任务包k的完成率;其中,所述完成率是指在将所述任务包k派发给所述用户n的情况下,所述用户n完成所述任务包k的概率;
任务派发模块,用于根据所述用户集合中每个用户到所述任务包集合中每个任务包的行驶距离,以及所述用户集合中每个用户相对于所述任务包集合中每个任务包的完成率,确定所述任务包集合中各任务包分别派发至的目标用户。
另一方面,本申请实施例提供了一种计算机设备,所述计算机设备包括处理器和存储器,所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现上述任务调度方法。
再一方面,本申请实施例提供了一种计算机可读存储介质,所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现上述任务调度方法。
还一方面,本申请实施例提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行上述任务调度方法。
本申请实施例提供的技术方案可以带来如下有益效果:
通过基于任务的属性信息,将任务打包至任务包内,再预估各用户能够完成各任务包的完成率,综合考虑用户到任务包的行驶距离与用户对任务包的完成率这两方面因素后,决定将任务包派发至的目标用户,这样,可以将任务包派发给预估完成率较高且行驶距离较近的用户,从而有助于提高任务调度系统中任务的接单率和完成率,达到符合用户喜好且全局最优的任务调度效果。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,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,还可以根据这些附图获得其他的附图。
图1是本申请一个实施例提供的应用程序运行环境的示意图;
图2示例性示出了一种显示任务调度界面的示意图;
图3是本申请一个实施例提供的任务调度方法的流程图;
图4是本申请另一个实施例提供的任务调度方法的流程图;
图5示例性示出了一种任务调度的示意图;
图6是本申请一个实施例提供的任务调度装置的框图;
图7是本申请另一个实施例提供的任务调度装置的框图;
图8是本申请一个实施例提供的计算机设备的结构框图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请实施方式作进一步地详细描述。
在对本申请实施例进行介绍说明之前,先结合表1,对本申请实施例中涉及的一些数学符号进行定义说明。
表1数学符号定义表
请参考图1,其示出了本申请一个实施例提供的应用程序运行环境的示意图。该应用程序运行环境可以包括:终端10和服务器20。
终端10可以是诸如手机、平板电脑、游戏主机、电子书阅读器、多媒体播放设备、可穿戴设备、PC(Personal Computer,个人计算机)等电子设备。终端10中可以安装应用程序的客户端。
在本申请实施例中,上述应用程序可以是任何能够发布任务,以供用户领取并执行的应用程序。典型地,该应用程序为道路采集应用程序。当然,除了道路采集应用程序之外,其它类型的应用程序中也可以向用户派发任务。例如,出行平台类应用程序、餐饮配送类应用程序、虚拟现实(Virtual Reality,VR)类应用程序、增强现实(Augmented Reality,AR)类应用程序、三维地图程序、社交类应用程序、互动娱乐类应用程序等,本申请实施例对此不作限定。另外,对于不同的应用程序来说,其所提供的任务类型也会有所不同,且相应的任务内容也会有所不同,这都可以根据实际情况设定,本申请实施例对此不作限定。可选地,终端10中运行有上述应用程序的客户端。
在示例性实施例中,请参考图2,其示例性示出了一种显示任务调度界面的示意图,上述道路采集应用程序的客户端在终端10上运行时,可以显示任务包领取界面210,在任务包领取界面210中可以显示地图211、任务包212、任务包简介栏213、任务包详情查看按钮214、任务包领取按钮215以及用户实时位置216。此外,在用户点击任务包详情查看按钮214后,显示任务包详情显示界面220,在任务包详情显示界面220中可以显示任务包详情信息栏221、任务完成包上传按钮222和任务完成包上传进度条223。
服务器20用于为终端10中的应用程序的客户端提供后台服务。例如,服务器20可以是上述应用程序的后台服务器。服务器20可以是一台服务器,也可以是由多台服务器组成的服务器集群,或者是一个云计算服务中心。可选地,服务器20同时为多个终端10中的应用程序提供后台服务。
可选地,如图1所示,服务器20包括任务打包模型21、完成率预测模型22和任务包调度模型23。其中,任务打包模型21用于根据任务的属性信息,对多个任务进行打包生成任务包集合。完成率预测模型22用于对于任务包集合中的任务包k,确定用户集合中的用户n相对于任务包k的完成率。任务包调度模型23用于根据用户集合中每个用户到任务包集合中每个任务包的行驶距离,以及用户集合中每个用户相对于任务包集合中每个任务包的完成率输入至任务包调度模型,确定任务包集合中各任务包分别派发至的目标用户。
可选地,终端10和服务器20之间可通过网络30进行互相通信。
请参考图3,其示出了本申请一个实施例提供的任务调度方法的流程图。该方法可应用于计算机设备中,如各步骤的执行主体可以是图1所示的应用程序运行环境中的服务器20。该方法可以包括以下几个步骤(301~304):
步骤301,获取任务集合和用户集合。
任务集合是用于收集汇总当前任务调度系统内全部任务的集合。任务集合包括待处理的多个任务。
用户集合是用于收集汇总当前任务调度系统内全部用户的集合。用户集合包括多个用户,如用户集合包括当前任务调度系统内在线的所有用户。
可选地,根据上述用户集合与任务集合构建任务网络赋权有向图(V,A),其中V是任务集合,A是任务点间弧段集合{(i,j)|i,j∈V,i≠j},其中i表示任务集合V中的任务i,j表示任务集合V中的任务j,(i,j)表示任务i的终点到任务j的起点之间的有向路径,{(i,j)|i,j∈V,i≠j}表示任务集合V中不同任务间的有向路径的集合,即任务点间弧段集合A。
步骤302,根据任务的属性信息,对多个任务进行打包生成任务包集合。
任务的属性信息是反映任务性质与关系的信息。可选地,任务的属性信息包括任务类型以及与其相对应的任务内容(也可称为任务详情)。可选地,任务类型包括道路采集任务、外卖配送任务、车辆调度任务、物流配送任务等类型,本申请实施例对此不做限定。可选地,任务内容包括任务名称、任务金额、任务ID(Identity,标识)、任务期限、任务空驶距离、任务进度、任务行驶距离等信息,本申请实施例对此不做限定。
在一个示例中,上述任务为道路采集任务,道路采集任务是指在任务规定道路上行驶以采集道路信息的任务。在本申请实施例中,主要对道路采集任务的调度方案进行介绍说明,但本申请实施例提供的任务调度方案,对于诸如外卖配送任务、车辆调度任务、物流配送任务等其他类型的任务同样适用。
在本申请实施例中,对任务进行打包是指对一个或者多个任务打包或者捆绑,进而合并为一个任务包的过程。通过对任务集合中的多个任务进行打包,可以生成任务包集合。可选地,任务包集合中包括至少一个任务包,每个任务包中包括至少一个任务。可选地,不同任务包中包含的任务数目可以相同,也可以不同,本申请实施例对此不做限定。
步骤303,对于任务包集合中的任务包k,确定用户集合中的用户n相对于任务包k的完成率。
用户n相对于任务包k的完成率,是指在将任务包k派发给用户n的情况下,用户n完成任务包k的概率。
可选地,对于任务包集合中的任务包k,通过完成率预测模型确定用户集合中的用户n相对于任务包k的完成率。可选地,上述完成率预测模型是根据历史数据训练得到的机器学习模型,有关模型训练过程将在下文实施例中进行介绍说明。
通过根据完成率预测模型确定用户集合中的用户n相对于任务包k的完成率向用户派发任务包的方式,用户可以被派发到符合用户个人喜好的任务包,能够有效提升任务包的完成率,完成率预测模型为任务包合理高效的调度提供了数据基础。
步骤304,根据用户集合中每个用户到任务包集合中每个任务包的行驶距离,以及用户集合中每个用户相对于任务包集合中每个任务包的完成率,确定任务包集合中各任务包分别派发至的目标用户。
上述目标用户是指在任务调度系统中的所有用户中,接收任务包派发的某一个用户。
用户集合中每个用户到任务包集合中每个任务包的行驶距离是指用户从用户所在位置到任务包中起始任务(也即第一个任务)起始位置所需的行驶距离,也称作接单空驶距离。空驶距离是指用户未执行任务过程中为到达任务起点所需的行驶距离,空驶距离包括节点空驶距离。可选地,空驶距离越少,用户完成任务包的效率越高。
在本申请实施例中,根据用户集合中每个用户到任务包集合中每个任务包的行驶距离的多少,确定任务包集合中各任务包分别派发至的目标用户,能够减少用户集合中每个用户到任务包集合中每个任务包的行驶距离的总和,使得用户完成任务包的效率得以提升,也有助于提升用户对任务包的接单意愿。
在本申请实施例中,根据用户集合中每个用户相对于任务包集合中每个任务包的完成率,确定任务包集合中各任务包分别派发至的目标用户,能够向用户推荐针对该用户的预估完成率高的任务包,使得任务包分配更加符合用户喜好,有效提升任务调度方案中待处理任务中能被完成的任务的比例,达到任务调度全局最优的效果。
综上所述,本申请实施例提供的技术方案,通过基于任务的属性信息,将任务打包至任务包内,再预估各用户能够完成各任务包的完成率,综合考虑用户到任务包的行驶距离与用户对任务包的完成率这两方面因素后,决定将任务包派发至的目标用户,这样,可以将任务包派发给预估完成率较高且行驶距离较近的用户,从而有助于提高任务调度系统中任务的接单率和完成率,达到符合用户喜好且全局最优的任务调度效果。
在示例性实施例中,请参考图4,步骤302可以由如下步骤302a~302b替换实现。
步骤302a,基于任务的属性信息构建用于计算总行驶距离的第一目标函数,以及第一目标函数的约束条件。
上述总行驶距离是指执行任务包集合所需的行驶距离总和。可选地,总行驶距离包括接单空驶距离、任务行驶距离以及任务包中任务间空驶距离。
接单空驶距离是指用户从用户所在位置到任务包中起始任务(也即任务包中的第1个任务)的起点之间的路径对应的行驶距离。任务行驶距离是指用户从任务的起点到任务的终点之间的路径对应的行驶距离。任务间空驶距离是指用户从上一任务的终点到下一任务的起点的路径对应的行驶距离。需要说明的是,由于针对不同的任务,用户执行任务所采用的代步方式是不一样的,有的是驾驶汽车、有的是驾驶电瓶车或自行车、有的是步行,因此本申请中所述的行驶距离可以是指用户使用诸如汽车、电瓶车等代步工具的行驶距离,也可以是用户的步行距离,本申请实施例对此不做限定。
可选地,因任务包集合中所含任务包中各任务对应的任务行驶距离的总和是固定的,第一目标函数可以通过计算执行任务包集合所需的空驶距离代替计算上述总行驶距离。上述执行任务包集合所需的空驶距离包括任务包集合中各任务包的接单空驶距离与各任务包中任务间空驶距离的总和。通过上述代替计算,能够有效减少计算量,提升计算第一目标函数的速度。
可选地,上述第一目标函数的约束条件包括以下至少一项:
1、任务集合中的每个任务都要被打包一次;
2、进入任务集合中各任务起点的用户数目,等于离开任务集合中各任务终点的用户数目;
3、任务包中各任务的价值总和小于或等于最大价值上限;
4、任务包中任务数目小于或等于最大任务数目上限;
5、任务包对应的空驶距离小于或等于最大空驶距离上限。
上述任务集合中的每个任务都要被打包一次是指1个任务有且只有在1个任务包中出现并且任务集合中每个任务都有属于自己的任务包,不能被遗漏,防止在对任务集合中各任务进行打包时发生遗漏任务的情况,避免打包后的任务包集合不能包含任务集合中全部任务。
上述进入任务集合中各任务起点的用户数目,等于离开任务集合中各任务终点的用户数目是指一个任务被完成时,进入该任务起点的用户数量等于离开该任务终点的用户数目,可作为确定任务集合中各任务均被成功完成的条件之一
。
上述任务包中各任务的价值总和小于或等于最大价值上限中任务的价值是指用户完成任务后能够得到相应的奖励的量化价值,上述奖励可以是佣金奖励,也可以是虚拟积分奖励,价值总和是指任务包中各任务的价值累加的总和。此约束条件用于限制任务包中任务的价值总和,避免发生一些任务包价值总和较高,而另一些任务包价值总和较低的情况,避免各任务包中发生不合理的任务分配。
上述任务包中任务数目小于或等于最大任务数目上限是指任务包中所含任务数量不能超过最大任务数目上限,用于限制任务包中任务的数目,避免发生一些任务包中任务的数目较多,而另一些任务包中任务数目较少的情况,避免各任务包中发生不合理的任务分配。
上述任务包对应的空驶距离小于或等于最大空驶距离上限,任务包对应的空驶距离是指用户到任务包所需的行驶距离,即接单空驶距离,用于限制任务包对应的空驶距离,避免发生一些任务包对应的空驶距离大,而另一些任务包对应的空驶距离小的情况,避免任务包中发生不合理的任务分配。
可选地,上述第一目标函数以及其约束条件可以由下面几个公式表达:
s.t.
上述公式(1a)用于表示第一目标函数,用于计算任务包集合中总接单空驶距离与总任务行驶距离之和;式中K表示任务包集合;式中k表示任务包集合中的任务包;式中dij表示任务i到任务j的任务间行驶距离;式中反映任务包k中是否包含从任务i到任务j的任务间行驶距离,是在[0,1]范围内的整数变量,若任务包k中包含从任务i到任务j的任务间行驶距离,的值为1,否则的值为0;式中z表示任务包历史平均接单空驶距离,上述历史平均接单距离可以根据求取历史数据中用户接单空驶距离的平均值来确定,上述历史数据可以是某一个城市的历史数据,相应的,上述历史平均接单空驶距离是适用于某一个城市的平均值,不同城市的任务包历史平均接单空驶距离可以不同;式中|K|表示任务包集合中的任务包数量;式中z|K|表示任务包集合中总接单空驶距离,即任务包集合中与所有任务包对应的接单空驶距离的总和;式中表示任务包的任务间行驶总距离,即任务包中任务间行驶距离的总和;式中表示任务包集合的总任务行驶距离,即任务包集合中各任务包的总行驶距离的总和;式中表示任务包集合的总接单空驶距离与总任务行驶距离之和;式中表示最小化第一目标函数的值,即使任务包集合的总接单空驶距离与总任务行驶距离之和最小。
上述公式(1b)表示上述约束条件中的任务集合中的每个任务都要被打包一次。式中表示所有进入任务i的起点的有向路径;式中表示任务包k中包含进入任务i的起点的有向路径的数量;式中反映任务包k中是否包含进入任务i的起点的有向路径,若包含,则的值为1,否则的值为0;式中表示任务包集合中各任务包中包含进入任务i的起点的有向路径的数量;式中表示任务包集合中各任务包中包含进入任务i的起点的有向路径的数量为1,说明任务i被打包一次,式中表示任务包集合中各任务包中包含进入每个任务的起点的有向路径的数量均为1,说明任务集合中的每个任务都被打包一次。
上述公式(1c)表示上述约束条件中的进入任务集合中各任务起点的用户数目,等于离开任务集合中各任务终点的用户数目。式中表示所有从任务i的终点出发的有向路径;式中表示任务包k中包含从任务i的终点出发的有向路径的数量;式中表示任务包k中包含进入任务i的起点的有向路径的数量;式中表示任务包集合中各任务包中包含进入任务i的起点的有向路径的数量等于任务包集合中各任务包中从任务i的终点出发的有向路径的数量,说明进入任务集合中各任务起点的用户数目,等于离开任务集合中各任务终点的用户数目。
上述公式(1d)表示上述约束条件中任务包中各任务的价值总和小于或等于最大价值上限。式中vj表示任务j的价值;式中表示任务包k的总价值,即任务包k中各任务的价值总和;式中q表示任务包最大价值上限;式中表示任务包k的总价值小于或者等于任务包最大价值上限;式中表示任务包集合中任一任务包的总价值都小于或者等于任务包最大价值上限。
上述公式(1e)表示上述约束条件中的任务数目小于或等于最大任务数目上限。式中r表示最大任务数目上限;式中表示任务包k中的任务数目;式中表示任务包集合中任一任务包的任务数目都小于或者等于最大任务数目上限。
步骤302b,在满足第一目标函数的约束条件的情况下,最小化第一目标函数的值,得到任务包集合。
通过在满足第一目标函数的约束条件的情况下,使任务包集合的总接单空驶距离与总任务行驶距离之和最小,即第一目标函数的值达到最小,可使任务集合中的任务被合理打包,提升用户完成任务包的效率,以任务包的形式向用户派发任务,便于对兼职用户派发任务,能够有效解决任务稀疏随机的情况下任务指派的问题。在示例性实施例中,上述步骤302b中提及的最小化第一目标函数的值的具体过程包括如下步骤。
步骤1:确定任务集合中每个任务的标识。
为任务集合中每个任务设置标识,确保任务集合中每个任务对应的标识有且只有一个且每个任务对应的标识都不相同,保证任务的标识具有唯一性。可选地,任务的标识是任务编号。可选地,通过构建染色体编码确定任务集合中每个任务的标识,以整数编号对任务集合中每个任务编码,确保每个任务编码有且只出现一次,比如编码后任务集合包括任务001、任务002、任务003……等,本申请实施例对此不做限定。
上述染色体编码是指在遗传算法中,将任务集合中的任务比作染色体中的基因并对其进行编码。可选的,上述编码方式包括二进制编码、格雷码编码、实数编码以及排列编码等方式。
遗传算法(Genetic Algorithm,GA)是模拟自然界生物进化机制的一种算法,遵循适者生存、优胜劣汰的法则。遗传算法的作用对象是种群(Population),种群中的每个个体是问题的一个解,叫做染色体(Chromosome)。染色体按照一定的编码(比如二进制编码)来表示一个解。染色体中的元素叫做基因(Gene)。遗传算法对种群施加选择(Selection)、交叉(Crossover)和变异(Mutation)等操作,使个体和种群的适应度(Fitness)不断改进,从而达到趋向最优的目的。
步骤2:生成第t代种群Rt。
设定种群参数。可选地,上述种群参数包括种群大小参数,最大迭代次数参数等相关参数。可选地,设定种群中包含的染色体数量以及种群的最大迭代次数,上述染色体数量的设定可以根据实际情况和历史经验进行设定,本申请实施例对此不做限定。
根据步骤1中确定的任务的标识,即染色体中的基因编码,按照染色体编码方案生成染色体,随之生成种群。可选地,染色体编码方案是将编码后的基因按照排序方式生成一定数量的染色体,即将标识后的任务按照排序方式生成一定数量的任务集合,此时染色体可以体现为上述任务集合。可选地,上述排序方式是随机排序方式。可选地,不同染色体中包含相同的基因,但是上述基因在染色体中的排序方式不同,即不同的任务集合中包含相同的任务,但是任务按照不同排列顺序在任务集合中排列。
按照设定顺序对各染色体中每个基因进行分组处理,得到基因组构成的染色体,即对各任务集合中每个任务进行打包处理,得到由任务包构成的任务包集合,此时染色体可以体现为上述任务包集合。
可选地,上述打包处理的实现过程如下:按照任务集合中任务的标识排列顺序对任务集合中的任务进行解码;依次将解码后的任务加入任务包中,判断当前任务加入任务包时,是否满足上述任务包对应的约束条件,比如任务包是否满足任务包中各任务的价值总和小于或等于最大价值上限、任务包中任务数目小于或等于最大任务数目上限以及任务包对应的空驶距离小于或等于最大空驶距离上限等约束条件;若当前任务加入当前任务包后,当前任务包满足所有约束条件,则确定将当前任务加入至当前任务包中,否则新增一个任务包,将当前任务加入至新增任务包中;对当前任务的下一任务执行上述同样步骤,直至此任务集合中最后一个任务;对下一任务集合执行上述步骤,直至最后一个任务集合执行完毕后停止计算,生成多个任务包集合,即多个染色体。
可选地,第t代种群Rt包括多个任务包集合,t为正整数且t的初始值为1。可选地,上述t的最大值为上述最大迭代次数。
步骤3:计算第t代种群Rt中多个任务包集合分别对应的第一目标函数的值。
对种群中所有任务包集合中各任务包进行解码处理,得到任务包的属性信息。可选地,上述任务包的属性信息包括任务包对应的总行驶距离、任务包中对应的任务间行驶总距离、任务包对应的总接单空驶距离以及任务包中包含的各任务间行驶距离等属性信息。
根据任务包属性信息,计算种群中多个任务包集合分别对应的第一目标函数的值。
步骤4:选取第一目标函数的值满足条件的目标任务包集合,对目标任务包集合进行任务替换处理,生成处理后的目标任务包集合。
可选地,第一目标函数的值满足条件是指第一目标函数的值低于第一阈值。可选地,上述第一阈值是根据实际情况和历史经验设定的,本申请对此不作限定。可选地,第一目标函数的值满足条件是指将多个第一目标函数的值升序排列后,取前L个第一目标函数的值。可选的,上述L为整数,L是根据实际情况和历史经验设定的,本申请对此不作限定。本申请对上述第一目标函数的值满足的条件不作限定,上述条件可以根据具体问题作适应性调整和改变。
对目标任务集合进行任务替换处理,生成处理后的目标任务包集合。可选地,上述任务替换处理包括染色体变异处理、染色体交叉处理等替换处理操作。可选地,上述任务替换处理是随机进行的。
上述染色体交叉处理是指将选择处理选出的作为双亲的每一对个体的部分结构加以替换重组,可选地,交叉处理的具体方式由作为双亲的每一对个体的编码方式影响,例如,当该编码方式为二进制编码或格雷码编码时,交叉处理的方式为交叉,当该编码方式为实数编码时,交叉处理的方式为重组,当该编码方式为整数或字母排列编码时,交叉处理的方式为重排列。
上述染色体变异处理是指按照一定的概率从交叉处理后的种群中选择一定数量的个体,对于选中的个体,随机选择其中某一位进行取反,可选地,概率的大小和个体的数量根据实际的应用场景具体设置,变异处理的方式包括二进制变异、实数变异和序号变异等,本公开实施例对此不作限定。
可选地,上述任务替换处理的过程如下:对目标任务包集合中任务包所含任务进行替换。可选地,上述替换包括分别位于两个任务包中的部分任务进行替换,生成新的任务包,上述生成的新的任务包满足上述第一目标函数对应的约束条件。可选地,上述替换包括在任务的标识排序中相邻的任务互换位置,生成新的任务包,上述生成的新的任务包满足上述第一目标函数对应的约束条件。
步骤5:生成第t+1代种群Rt+1,第t+1代种群Rt+1包括目标任务包集合以及处理后的目标任务包集合。
将上述步骤4确定的目标任务包集合以及处理后的生成的目标任务包集合组合,生成第t+1代种群Rt+1。
步骤6:判断是否达到最大迭代次数;在未达到最大迭代次数的条件下,令t=t+1,并再次从步骤3开始执行;在达到最大迭代次数的条件下,停止计算,从最后一次迭代生成的种群中选取第一目标函数的值最小的任务包集合。
上述最后一次迭代生成的种群中选取第一目标函数的值最小的任务包集合,即是使得第一目标函数值最小的任务包集合。
在本申请实施例中,通过构建任务打包模型的目标函数及其约束条件,通过最小化第一目标函数,即通过最小化任务包集合中总接单空驶距离与总任务行驶距离之和,最终生成优选的任务打包方案,降低用户的空驶距离,提升用户完成任务包的效率,从而提升任务调度系统中任务的接单率和完成率。
在示例性实施例中,请参考图4,步骤303可以由如下步骤303a~303b替换实现。
步骤303a,获取用户n和任务包k对应的特征数据。
特征数据包括以下至少一项:用户特征数据、任务包特征数据、任务包与用户组合特征数据、任务包组合特征数据、外部特征数据。
在对本申请实施例中步骤303a进行介绍说明之前,先结合表2,对本申请实施例中涉及的一些特征数据进行说明。
表2特征数据集合
可选地,上述用户特征数据包括以下至少一项:任务完成数、任务有效完成率、任务一次有效完成率、任务准时完成率、任务取消率、用户总收入、用户平均收入、用户平均接单空驶距离、用户空驶占比、任务包有效完成率、用户注册时间。
可选地,上述任务包特征数据包括以下至少一项:任务包期限、任务包预估价格、任务包空驶里程、任务包所在网格历史完成率。
可选地,上述任务包与用户组合特征数据包括以下至少一项:接单空驶距离、接单空驶距离与最小值的比值、接单空驶距离与平均值的比值、空驶占比、空驶占比与最小值的比值、空驶占比与平均值的比值、看到任务的时间、(任务包-用户)接单空驶距离是否小于该用户历史平均接单空驶距离、(任务包-用户)空驶占比是否小于该用户历史空驶占比、任务包是否在用户常驻区域内、任务包是否属于用户意向任务类型、任务包预估价格是否在用户平均收入之上。
可选地,上述任务包组合特征数据包括以下至少一项:任务包预估价格占该批次任务包预估价格平均值的比值、任务包空驶里程占该批次任务包空驶里程平均值的比值、任务包预估价格占该批次任务包预估价格最大值的比例、任务包空驶里程占该批次任务包空驶里程最小值的比例。
可选地,上述外部特征数据包括以下至少一项:任务包下发的星期几、任务包下发时刻。
需要说明的是,上述表2所示的特征数据仅是示例性和解释性的,在实际应用中,可以根据实际情况进行特征数据挖掘,进而增加、修改或者替换特征数据,本申请实施例对此不做限定。另外,在预估完成率时,充分考虑了用户特征数据、任务包特征数据、任务包与用户组合特征数据、任务包组合特征数据、外部特征数据等多个不同维度的特征数据,使得完成率预测模型在针对具体的任务包与用户的情况下,准确预测该用户能够完成该任务包的完成率。
步骤303b,通过完成率预测模型根据用户n和任务包k对应的特征数据,确定用户n相对于任务包k的完成率。
pkn=p(y=1|Fkn) (2)
上述公式(2)表示在现有任务包k与用户n之间的接单特征集合下,计算任务包k指派给用户n的完成率pkn,式中Fkn任务包k与用户n之间的接单特征集合。可选地,上述任务包k与用户n之间的接单特征集合包括用户n和任务包k对应的特征数据。
在示例性实施例中,上述完成率预测模型的训练过程包括以下几个步骤:
步骤1,获取历史记录数据;
历史记录数据包括任务包的历史派发数据和历史完成数据。
步骤2,基于历史记录数据生成训练样本;
上述训练样本包括样本数据和标签数据。
其中,上述样本数据包括样本用户和样本任务包对应的特征数据。
上述标签数据为正标签或负标签,正标签用于指示样本任务包被派发给样本用户且样本用户完成样本任务包,负标签用于指示样本任务包被派发给样本用户且样本用户未完成样本任务包。
上述公式(2)中y表示标签数据,y=1表示标签数据为正标签,y=0表示标签数据为负标签。
根据用户ID将上述训练样本划分为训练集和测试集,保证不出现一个用户即出现在训练集也出现在测试集的情况。
步骤3,构建完成率预测模型;
构建多个完成率预测模型。
可选地,完成率预测模型为二分类模型。
可选地,完成率预测模型采用XGBoost模型。XGBoost模型是对梯度提升(GradientBoosting)算法的改进,XGBoost模型在Gradient Boosting框架下实现机器学习算法。XGBoost模型提供梯度提升迭代决策树,(Gradient Boosting Decision Tree,GBDT),可以快速准确地解决数据科学问题。
可选地,完成率预测模型采用lightGBM模型。上述lightGBM模型是使用基于树的学习算法的梯度增强框架,lightGBM模型的训练速度更快,效率更高,能够降低内存使用率,具有更好的准确性,并且能够处理大规模数据。
完成率预测模型可以根据实际情况,从合适的数学模型中选取,本申请实施例对完成率预测模型的选取不做限定。
步骤4,采用训练样本对完成率预测模型进行训练。
采用梯度下降方法对完成率预测模型进行训练。
以接受者操作特性曲线(Receiver Operating Characteristic curve,ROC)下方与坐标轴围成的面积AUC(Area Under Curve)值作为指标,训练完成率预测模型。ROC曲线又称为感受性曲线(sensitivity curve),曲线上各点反映着相同的感受性,它们都是对同一信号刺激的反应,得到在不同的判定标准下的结果。接受者操作特性曲线就是以虚惊概率为横轴,击中概率为纵轴所组成的坐标图,和被试在特定刺激条件下由于采用不同的判断标准得出的不同结果画出的曲线。AUC被定义为ROC曲线下与坐标轴围成的面积,是衡量上述二分类模型优劣的一种性能指标,AUC可通过对ROC曲线下各部分的面积求和而得。AUC值越大的二分类模型,正确率越高。
将较大的AUC值对应的完成率预测模型选定为最终的完成率预测模型。
在本申请实施例中,通过在历史记录数据中挖掘任务包与用户之间的特征数据作为训练样本,训练准确度高的完成率预测模型,完成率预测模型根据当前任务包与用户之间的特征数据,预测用户能够完成任务包的完成概率,为任务包合理高效的调度提供了数据基础,有效提升向用户派发符合用户喜好的任务包,进而提高任务调度系统中任务的接单率和完成率。
在示例性实施例中,请参考图4,步骤304可以由如下步骤304a~304b替换实现。
步骤304a,构建用于计算任务包集合对应的总接单空驶距离的第二目标函数,以及第二目标函数的约束条件。
上述总接单空驶距离是指任务包集合中每个任务包到用户集合中各用户接单空驶距离的最大值之和。
可选地,上述第二目标函数的约束条件包括以下至少一项:
1、任务包对应的接单空驶距离小于或等于最大接单空驶距离上限;
2、任务包对应的已指派用户数目小于或等于最大可指派用户数目上限;
3、用户对应的任务包数目小于或等于最大可指派任务包数目上限;
4、任务包对应的平均指派完成率大于或等于指定概率。
上述任务包对应的接单空驶距离小于或等于最大接单空驶距离上限是指用户到任务包的接单空驶距离不能超过最大接单空驶距离上限,用于限制每个任务包的最大接单空驶距离,也即对最大指派距离进行限制,避免出现任务包派发给距该任务包的接单空驶距离过远的用户的情况。
上述任务包对应的已指派用户数目小于或等于最大可指派用户数目上限是指任务包不能指派给用户的数量不可超过最大可指派用户数目,用于限制任务包对应的指派用户数目,避免出现一个任务包派发给过多的用户的情况。
上述用户对应的任务包数目小于或等于最大可指派任务包数目上限是指用户接收的任务包的数量不可超过最大可指派任务包数目,用于限制每个用户的最大可指派任务包数目,避免出现一个用户被派发过多的任务包的情况。
上述任务包对应的平均指派完成率大于或等于指定概率是指任务包派发之后计算得到的平均指派完成率不能低于指定概率,否则不能按照此派发方案向用户派发任务包,用于限制当前任务包派发给用户的方案中对应的平均指派完成率,作为前任务包派发给用户的方案达到全局最优的条件。
可选地,上述第二目标函数以及其约束条件可以由下面几个公式表达:
s.t.
上述公式(3a)用于表示第二目标函数,使用带不满足约束条件惩罚的方式计算任务包集合的最大接单空驶距离总和,最大接单空驶距离是任务包中起始任务的起点与用户集合中各用户所在位置之间的接单空驶距离中的最大值,任务包集合的最大接单空驶距离总和指任务包集合中各任务包对应的最大接单空驶距离的总和。式中N表示用户集合;式中dkj表示任务包集合中某一个任务包k与用户集合中某一个用户j之间的接单空驶距离;式中skj是用于反映任务包k是否被指派给用户j的整数变量,skj的值为0或者1,若skj的值为1时,表示任务包k被指派给用户j,若skj的值为0时,表示任务包未被指派给用户j;式中{dkjskj:j=1,…,n}表示任务包集合中任务包k与其被指派的各用户之间的接单空驶距离的集合;式中表示任务包k与其被指派的各用户之间的接单空驶距离的集合中的最大值,即任务包k与其被指派的各用户之间的最大接单空驶距离;式中表示任务包集合中每一任务包与其被指派的各用户之间的最大接单空驶距离之和,即任务包集合的最大接单空驶距离总和;式中pkn表示任务包指派给用户的完成率;式中1-pkn表示任务包指派给用户的未完成率;式中表示任务包k对应的被指派用户均不能完成任务包k的概率;式中表示任务包k对应的被指派用户均能完成任务包k的完成率;式中 表示任务包集合中各任务包对应的被指派用户均能完成任务包的完成率的总和;式中|K|表示任务包集合中任务包的个数;式中表示任务包平均指派完成率;式中θ表示任务包平均指派成功率的指定概率;式中μ表示不满足约束条件的惩罚值基数;式中 表示不满足约束条件中任务包对应的平均指派完成率大于或等于指定概率条件对应的惩罚值,若任务包对应的平均指派完成率小于指定概率,上述惩罚值为正,以增大第二目标函数值作为惩罚效果;式中表示最小化第二目标函数的值,即在带有惩罚值的情况下,使得任务包集合中每一任务包与其被指派的各用户之间的最大接单空驶距离之和最小。
上述公式(3b)表示上述约束条件中任务包对应的接单空驶距离小于或等于最大接单空驶距离上限。式中dkn表示任务包k到用户n的接单空驶距离;式中skn反映任务包k是否指派给用户n,若任务包k指派给用户n,则skn的值为1,若任务包k未指派给用户n,则skn的值为0;式中m表示最大接单空驶距离上限;式中表示任务k属于任务集合K,用户n属于用户集合N;式中dknskn≤mskn,表示任一任务包被指派给任一用户对应接单空驶距离都小于或者等于最大接单空驶距离上限。
上述公式(3c)表示上述约束条件中任务包对应的已指派用户数目小于或等于最大可指派用户数目上限。式中α表示最大可指派用户数目上限;式中∑n∈NSkn表示任务包k对应的已指派用户数目;式中∑n∈Nskn≤α,表示任务包集合中任一任务包对应的已指派用户数目都小于或等于最大可指派用户数目上限。
上述公式(3d)表示上述约束条件中用户对应的任务包数目小于或等于最大可指派任务包数目上限。式中β表示最大可指派任务包数目上限;式中∑k∈Kskn表示用户n对应的任务包数目;∑k∈Kskn≤β,表示用户集合中任一用户对应的任务包数目均小于或等于最大可指派任务包数目上限。可选地,γ为最小可指派任务包数目下限,上述公式(3d)也可以由γ≤∑k∈Kskn≤β,替换,表示用户集合中任一用户对应的任务包数目均小于或等于最大可指派任务包数目上限且均大于或者等于最小可指派任务包数目下限。
上述公式(3e)表示上述约束条件中任务包对应的平均指派完成率大于或等于指定概率。
上述公式(3f)表示起任务包调度模型决策作用的整数变量,skn在{0,1}中取值。
步骤304b,在满足第二目标函数的约束条件的情况下,最小化第二目标函数的值,得到任务包集合对应的派发结果,派发结果包括任务包集合中各任务包分别派发至的目标用户。
最小化第二目标函数的值,即在带有惩罚值的情况下,使得任务包集合中每一任务包与其被指派的各用户之间的最大接单空驶距离之和最小。通过最小化第二目标函数可以使得当前任务调度方案中任务包集合中每一任务包与其被指派的各用户之间的最大接单空驶距离之和最小,提升用户完成任务包的效率,在最小化第二目标函数中基于预测得到的完成率生成对第二目标函数惩罚值,完成向用户推荐针对该用户完成率高的任务包,提升任务调度方案中被完成任务的比例,达到任务调度全局最优的效果。
在示例性实施例中,请参考图5,其示例性示出了一种任务调度示意图。图中包括任务包k1、k2,用户n1、n2、n3、n4,任务v1、v2、v3、v4、v5,其中,v1、v2和v3在任务包k1内,v4、v5在任务包k2内。任务调度系统将任务包k1派发给用户n1和n2,将任务包k2派发给用户n1和n2,其中dv2v1表示任务v2到任务v1的任务间空驶距离,dv3v2表示任务v3到任务v3的任务间空驶距离,dv4v5表示任务v4到任务v5的任务间空驶距离,pk1n1表示任务包k1指派给用户n1的完成率,pk1n2表示任务包k1指派给用户n2的完成率,pk2n1表示任务包k2指派给用户n1的完成率,pk2n2表示任务包k2指派给用户n2的完成率,dk1n1表示任务包k1与用户n1之间的接单空驶距离,dk1n2表示任务包k1与用户n2之间的接单空驶距离,dk2n1表示任务包k2与用户n1之间的接单空驶距离,dk2n2表示任务包k2与用户n2之间的接单空驶距离。
在示例性实施例中,上述步骤304b中提及的最小化第二目标函数的值,得到任务包集合对应的派发结果的具体计算过程包括以下几个步骤。
步骤1:获取任务包集合中的可指派任务包,可指派任务包是指已指派用户数目小于最大可指派用户数目上限的任务包。
获取任务包集合中已指派用户数目小于最大可指派用户数目上限的任务包,生成可指派任务包集合。
步骤2:对于用户集合中的目标用户,按照可指派任务包到目标用户的接单空驶距离由近到远进行排序,得到排序结果。
对于用户集合中的目标用户,对可指派任务包集合进行排序处理,按照上述可指派任务包集合中的可指派任务包到目标用户的接单空驶距离由近到远进行排序,得到与该目标用户对应的可指派任务包集合。
依次针对用户集合中每个用户,对可指派任务包集合进行上述排序处理,得到与用户集合中每个用户分别对应的多个可指派任务包集合,即排序结果。
步骤3:根据排序结果生成目标用户的任务包初始集合;其中,任务包初始集合包括接单空驶距离符合条件的可指派任务包。
对于用户集合中的目标用户,取排序结果中与目标用户对应的可指派任务包集合中前β个可指派任务包,生成目标用户的任务包初始集合。可选地,上述β的值为最大可指派任务包数目上限的值。
可选地,在取排序结果中与目标用户对应的可指派任务包集合中前β个可指派任务包,生成目标用户的任务包初始集合的过程如下:按照前β个任务包中可指派任务包的先后排列顺序,依次取其中一个任务包添加至目标用户的任务包初始集合,在将该可指派任务包添加至目标用户的任务包初始集合前,判断该可指派任务包到目标用户的接单空驶距离是否大于最大接单空驶距离上限,若该可指派任务包到目标用户的接单空驶距离大于最大接单空驶距离上限,则停止将该可指派任务包添加至目标用户的任务包初始集合,停止给目标目标用户的任务包初始集合添加新的可指派任务包,生成目标用户的任务包初始集合。
针对用户集合中每个用户,生成用户集合中各用户的任务包初始集合。
步骤4:基于用户集合中各用户的任务包初始集合,计算各用户的任务包初始集合对应的第二目标函数的值,得到初始解,初始解作为最优解。
基于用户集合中各用户的任务包初始集合,使用上述公式(3a)作为第二目标函数,计算各用户的任务包初始集合对应的第二目标函数的值,得到初始解。上述初始解与上述各用户的任务包初始集合相对应。
可选地,上述初始解作为最优解,上述最优解是使上述第二目标函数的值达到最小的解。
步骤5:基于各用户的任务包初始集合,生成各用户的任务包替换集合,计算各用户的任务包替换集合对应的第二目标函数的值,得到领域解。
对于用户集合中的目标用户,获取任务包集合中的可替换任务包,生成与目标用户对应的可替换任务包集合。可选地,可替换任务包是指未被指派给目标用户且已指派用户数目小于或等于α个的任务包。可选地,α的值为最大可指派用户数目上限的值。
依次生成用户集合中各用户对应的可替换任务包集合。
对于用户集合中的目标用户,对目标用户的任务包初始集合中所含任务包作替换处理,用目标用户对应的可替换任务包集合中的可替换任务包替换目标用户的任务包初始集合中所含任务包,生成目标用户的任务包替换集合。可选地,目标用户的任务包替换集合满足上述第二目标函数的约束条件。
依次针对用户集合中每个用户,生成各用户的任务包替换集合。
基于用户集合中各用户的任务包替换集合,使用上述公式(3a)作为第二目标函数,计算各用户的任务包替换集合对应的第二目标函数的值,得到领域解。上述领域解与上述各用户的任务包替换集合相对应。
步骤6:若领域解对应的第二目标函数的值小于最优解对应的第二目标函数的值,则将领域解确定为更新后的最优解;若领域解对应的第二目标函数的值大于或等于最优解对应的第二目标函数的值,则保持最优解不变。
判断领域解对应的第二目标函数的值是否小于上述最优解对应的第二目标函数的值。
若领域解对应的第二目标函数的值小于上述最优解对应的第二目标函数的值,则将领域解确定为更新后的最优解;若领域解对应的第二目标函数的值大于或等于上述最优解对应的第二目标函数的值,则保持最优解不变。
步骤7:基于最优解得到任务包集合对应的派发结果。
若最优解是上述初始解,则将上述初始解对应各用户的任务包初始集合作为最终的派发结果;若最优解是上述领域解,则将上述领域解对应各用户的任务包替换集合作为最终的派发结果。
在本申请实施例中,通过构建任务调度模型的目标函数及其约束条件,通过最小化第二目标函数,通过最小化任务包集合的最大接单空驶距离总和,最终生成优选的任务包派发方案,降低用户接单空驶距离,提升用户完成任务包的效率,从而提升任务调度系统中任务的接单率和完成率。
下述为本申请装置实施例,可用于执行本申请方法实施例。对于本申请装置实施例中未披露的细节,请参照本申请方法实施例。
请参考图6,其示出了本申请一个实施例提供的任务调度装置的框图。该装置具有实现上述任务调度方法的功能,所述功能可以由硬件实现,也可以由硬件执行相应的软件实现。该装置可以是计算机设备,也可以设置在计算机设备中。如图6所示,该装置600可以包括:集合获取模块601、任务打包模块602、概率预测模块603以及任务派发模块604。
集合获取模块601,用于获取任务集合和用户集合,所述任务集合包括待处理的多个任务,所述用户集合包括多个用户;
任务打包模块602,用于根据所述任务的属性信息,对所述多个任务进行打包生成任务包集合,所述任务包集合中包括至少一个任务包,每个任务包中包括至少一个任务;
概率预测模块603,用于对于所述任务包集合中的任务包k,确定所述用户集合中的用户n相对于所述任务包k的完成率;其中,所述完成率是指在将所述任务包k派发给所述用户n的情况下,所述用户n完成所述任务包k的概率;
任务派发模块604,用于根据所述用户集合中每个用户到所述任务包集合中每个任务包的行驶距离,以及所述用户集合中每个用户相对于所述任务包集合中每个任务包的完成率,确定所述任务包集合中各任务包分别派发至的目标用户。
在示例性实施例中,请参考图7,所述任务打包模块602包括:
第一函数构建单元6021,用于基于所述任务的属性信息构建用于计算总行驶距离的第一目标函数,以及所述第一目标函数的约束条件;其中,所述总行驶距离是指执行所述任务包集合所需的行驶距离总和;
第一函数最小化单元6022,用于在满足所述第一目标函数的约束条件的情况下,最小化所述第一目标函数的值,得到所述任务包集合。
在示例性实施例中,所述第一函数最小化单元6022用于执行以下步骤:
步骤1:确定所述任务集合中每个任务的标识;
步骤2:生成第t代种群Rt,所述种群Rt包括多个任务包集合,所述t为正整数且所述t的初始值为1;
步骤3:计算所述第t代种群Rt中所述多个任务包集合分别对应的所述第一目标函数的值;
步骤4:选取所述第一目标函数的值满足条件的目标任务包集合,对所述目标任务包集合进行任务替换处理,生成处理后的目标任务包集合;
步骤5:生成第t+1代种群Rt+1,所述第t+1代种群Rt+1包括所述目标任务包集合以及所述处理后的目标任务包集合;
步骤6:判断是否达到最大迭代次数;在未达到所述最大迭代次数的条件下,令t=t+1,并再次从步骤3开始执行;在达到所述最大迭代次数的条件下,停止计算,从最后一次迭代生成的种群中选取所述第一目标函数的值最小的任务包集合。
在示例性实施例中,所述第一目标函数的约束条件包括以下至少一项:
所述任务集合中的每个任务都要被打包一次;
进入所述任务集合中各任务起点的用户数目,等于离开所述任务集合中各任务终点的用户数目;
任务包中各任务的价值总和小于或等于最大价值上限;
任务包中任务数目小于或等于最大任务数目上限;
任务包对应的空驶距离小于或等于最大空驶距离上限。
在示例性实施例中,如图7所示,所述概率预测模块603包括:
特征获取单元6031,用于获取所述用户n和所述任务包k对应的特征数据,所述特征数据包括以下至少一项:用户特征数据、任务包特征数据、任务包与用户组合特征数据、任务包组合特征数据、外部特征数据;
概率确定单元6032,用于通过完成率预测模型根据所述用户n和所述任务包k对应的特征数据,确定所述用户n相对于所述任务包k的完成率。
在示例性实施例中,如图7所示,所述装置600还包括:
历史数据获取模块605,用于获取历史记录数据,所述历史记录数据包括任务包的历史派发数据和历史完成数据;
训练样本生成模块606,用于基于所述历史记录数据生成训练样本,所述训练样本包括样本数据和标签数据;其中,所述样本数据包括样本用户和样本任务包对应的特征数据,所述标签数据为正标签或负标签,所述正标签用于指示所述样本任务包被派发给所述样本用户且所述样本用户完成所述样本任务包,所述负标签用于指示所述样本任务包被派发给所述样本用户且所述样本用户未完成所述样本任务包;
模型构建模块607,用于构建所述完成率预测模型,所述完成率预测模型为二分类模型;
模型训练模块608,用于采用所述训练样本对所述完成率预测模型进行训练。
在示例性实施例中,如图7所示,所述任务派发模块604包括:
第二函数构建单元6041,用于构建用于计算所述任务包集合对应的总接单空驶距离的第二目标函数,以及所述第二目标函数的约束条件;其中,所述总接单空驶距离是指所述任务包集合中每个任务包到所述用户集合中各用户接单空驶距离的最大值之和;
第二函数最小化单元6042,用于在满足所述第二目标函数的约束条件的情况下,最小化所述第二目标函数的值,得到所述任务包集合对应的派发结果,所述派发结果包括所述任务包集合中各任务包分别派发至的所述目标用户。
在示例性实施例中,所述第二函数最小化单元6042用于执行以下步骤:
步骤1:获取所述任务包集合中的可指派任务包,所述可指派任务包是指已指派用户数目小于最大可指派用户数目上限的任务包;
步骤2:对于所述用户集合中的目标用户,按照所述可指派任务包到所述目标用户的接单空驶距离由近到远进行排序,得到排序结果;
步骤3:根据所述排序结果生成所述目标用户的任务包初始集合;其中,所述任务包初始集合包括接单空驶距离符合条件的可指派任务包;
步骤4:基于所述用户集合中各用户的任务包初始集合,计算所述各用户的任务包初始集合对应的所述第二目标函数的值,得到初始解,所述初始解作为最优解;
步骤5:基于所述各用户的任务包初始集合,生成所述各用户的任务包替换集合,计算所述各用户的任务包替换集合对应的所述第二目标函数的值,得到领域解;
步骤6:若所述领域解对应的所述第二目标函数的值小于所述最优解对应的所述第二目标函数的值,则将所述领域解确定为更新后的最优解;若所述领域解对应的所述第二目标函数的值大于或等于所述最优解对应的所述第二目标函数的值,则保持所述最优解不变;
步骤7:基于所述最优解得到所述任务包集合对应的派发结果。
在示例性实施例中,所述第二目标函数的约束条件包括以下至少一项:
任务包对应的接单空驶距离小于或等于最大接单空驶距离上限;
任务包对应的已指派用户数目小于或等于最大可指派用户数目上限;
用户对应的任务包数目小于或等于最大可指派任务包数目上限;
任务包对应的平均指派完成率大于或等于指定概率。
在示例性实施例中,所述任务为道路采集任务,所述道路采集任务是指在任务规定道路上行驶以采集道路信息的任务。
综上所述,本申请实施例提供的技术方案,通过基于任务的属性信息,将任务打包至任务包内,再预估各用户能够完成各任务包的完成率,综合考虑用户到任务包的行驶距离与用户对任务包的完成率这两方面因素后,决定将任务包派发至的目标用户,这样,可以将任务包派发给预估完成率较高且行驶距离较近的用户,从而有助于提高任务调度系统中任务的接单率和完成率,达到符合用户喜好且全局最优的任务调度效果。
请参考图8,其示出了本申请一个实施例提供的计算机设备的结构框图。该计算机设备可以是服务器,以用于执行上述任务调度方法。具体来讲:
计算机设备800包括中央处理单元(Central Processing Unit,CPU)801、包括随机存取存储器(Random Access Memory,RAM)802和只读存储器(Read Only Memory,ROM)803的系统存储器804,以及连接系统存储器804和中央处理单元801的系统总线805。计算机设备800还包括帮助计算机内的各个器件之间传输信息的基本输入/输出系统(I/O(Input/Output)系统)806,和用于存储操作系统813、应用程序814和其他程序模块815的大容量存储设备807。
基本输入/输出系统806包括有用于显示信息的显示器808和用于用户输入信息的诸如鼠标、键盘之类的输入设备809。其中显示器808和输入设备809都通过连接到系统总线805的输入输出控制器810连接到中央处理单元801。基本输入/输出系统806还可以包括输入输出控制器810以用于接收和处理来自键盘、鼠标、或电子触控笔等多个其他设备的输入。类似地,输入输出控制器810还提供输出到显示屏、打印机或其他类型的输出设备。
大容量存储设备807通过连接到系统总线805的大容量存储控制器(未示出)连接到中央处理单元801。大容量存储设备807及其相关联的计算机可读介质为计算机设备800提供非易失性存储。也就是说,大容量存储设备807可以包括诸如硬盘或者CD-ROM(CompactDisc Read-Only Memory,只读光盘)驱动器之类的计算机可读介质(未示出)。
不失一般性,计算机可读介质可以包括计算机存储介质和通信介质。计算机存储介质包括以用于存储诸如计算机可读指令、数据结构、程序模块或其他数据等信息的任何方法或技术实现的易失性和非易失性、可移动和不可移动介质。计算机存储介质包括RAM、ROM、EPROM(Erasable Programmable Read Only Memory,可擦除可编程只读存储器)、EEPROM(Electrically Erasable Programmable Read Only Memory,电可擦可编程只读存储器)、闪存或其他固态存储其技术,CD-ROM、DVD(Digital Video Disc,高密度数字视频光盘)或其他光学存储、磁带盒、磁带、磁盘存储或其他磁性存储设备。当然,本领域技术人员可知计算机存储介质不局限于上述几种。上述的系统存储器804和大容量存储设备807可以统称为存储器。
根据本申请的各种实施例,计算机设备800还可以通过诸如因特网等网络连接到网络上的远程计算机运行。也即计算机设备800可以通过连接在系统总线805上的网络接口单元811连接到网络812,或者说,也可以使用网络接口单元811来连接到其他类型的网络或远程计算机系统(未示出)。
所述存储器还包括计算机程序,该计算机程序存储于存储器中,且经配置以由一个或者一个以上处理器执行,以实现上述任务调度方法。
在示例性实施例中,还提供了一种计算机可读存储介质,所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或所述指令集在被处理器执行时以实现上述任务调度方法。
可选地,该计算机可读存储介质可以包括:ROM(Read Only Memory,只读存储器)、RAM(Random Access Memory,随机存取记忆体)、SSD(Solid State Drives,固态硬盘)或光盘等。其中,随机存取记忆体可以包括ReRAM(Resistance Random Access Memory,电阻式随机存取记忆体)和DRAM(Dynamic Random Access Memory,动态随机存取存储器)。
在示例性实施例中,还提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行上述任务调度方法。
应当理解的是,在本文中提及的“多个”是指两个或两个以上。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。另外,本文中描述的步骤编号,仅示例性示出了步骤间的一种可能的执行先后顺序,在一些其它实施例中,上述步骤也可以不按照编号顺序来执行,如两个不同编号的步骤同时执行,或者两个不同编号的步骤按照与图示相反的顺序执行,本申请实施例对此不作限定。
以上所述仅为本申请的示例性实施例,并不用以限制本申请,凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (13)
1.一种任务调度方法,其特征在于,所述方法包括:
获取任务集合和用户集合,所述任务集合包括待处理的多个任务,所述用户集合包括多个用户;
根据所述任务的属性信息,对所述多个任务进行打包生成任务包集合,所述任务包集合中包括至少一个任务包,每个任务包中包括至少一个任务;
对于所述任务包集合中的任务包k,确定所述用户集合中的用户n相对于所述任务包k的完成率;其中,所述完成率是指在将所述任务包k派发给所述用户n的情况下,所述用户n完成所述任务包k的概率;
根据所述用户集合中每个用户到所述任务包集合中每个任务包的行驶距离,以及所述用户集合中每个用户相对于所述任务包集合中每个任务包的完成率,确定所述任务包集合中各任务包分别派发至的目标用户。
2.根据权利要求1所述的方法,其特征在于,所述根据所述任务的属性信息,对所述多个任务进行打包生成任务包集合,包括:
基于所述任务的属性信息构建用于计算总行驶距离的第一目标函数,以及所述第一目标函数的约束条件;其中,所述总行驶距离是指执行所述任务包集合所需的行驶距离总和;
在满足所述第一目标函数的约束条件的情况下,最小化所述第一目标函数的值,得到所述任务包集合。
3.根据权利要求2所述的方法,其特征在于,所述在满足所述第一目标函数的约束条件的情况下,最小化所述第一目标函数的值,得到所述任务包集合,包括:
确定所述任务集合中每个任务的标识;
生成第t代种群Rt,所述种群Rt包括多个任务包集合,所述t为正整数且所述t的初始值为1;
计算所述第t代种群Rt中所述多个任务包集合分别对应的所述第一目标函数的值;
选取所述第一目标函数的值满足条件的目标任务包集合,对所述目标任务包集合进行任务替换处理,生成处理后的目标任务包集合;
生成第t+1代种群Rt+1,所述第t+1代种群Rt+1包括所述目标任务包集合以及所述处理后的目标任务包集合;
在未达到最大迭代次数的条件下,令t=t+1,并再次从所述计算所述第t代种群Rt中所述多个任务包集合分别对应的所述第一目标函数的值的步骤开始执行;在达到所述最大迭代次数的条件下,停止计算,从最后一次迭代生成的种群中选取所述第一目标函数的值最小的任务包集合。
4.根据权利要求2所述的方法,其特征在于,所述第一目标函数的约束条件包括以下至少一项:
所述任务集合中的每个任务都要被打包一次;
进入所述任务集合中各任务起点的用户数目,等于离开所述任务集合中各任务终点的用户数目;
任务包中各任务的价值总和小于或等于最大价值上限;
任务包中任务数目小于或等于最大任务数目上限;
任务包对应的空驶距离小于或等于最大空驶距离上限。
5.根据权利要求1所述的方法,其特征在于,所述对于所述任务包集合中的任务包k,确定所述用户集合中的用户n相对于所述任务包k的完成率,包括:
获取所述用户n和所述任务包k对应的特征数据,所述特征数据包括以下至少一项:用户特征数据、任务包特征数据、任务包与用户组合特征数据、任务包组合特征数据、外部特征数据;
通过完成率预测模型根据所述用户n和所述任务包k对应的特征数据,确定所述用户n相对于所述任务包k的完成率。
6.根据权利要求5所述的方法,其特征在于,所述方法还包括:
获取历史记录数据,所述历史记录数据包括任务包的历史派发数据和历史完成数据;
基于所述历史记录数据生成训练样本,所述训练样本包括样本数据和标签数据;其中,所述样本数据包括样本用户和样本任务包对应的特征数据,所述标签数据为正标签或负标签,所述正标签用于指示所述样本任务包被派发给所述样本用户且所述样本用户完成所述样本任务包,所述负标签用于指示所述样本任务包被派发给所述样本用户且所述样本用户未完成所述样本任务包;
构建所述完成率预测模型,所述完成率预测模型为二分类模型;
采用所述训练样本对所述完成率预测模型进行训练。
7.根据权利要求1所述的方法,其特征在于,所述根据所述用户集合中每个用户到所述任务包集合中每个任务包的行驶距离,以及所述用户集合中每个用户相对于所述任务包集合中每个任务包的完成率,确定所述任务包集合中各任务包分别派发至的目标用户,包括:
构建用于计算所述任务包集合对应的总接单空驶距离的第二目标函数,以及所述第二目标函数的约束条件;其中,所述总接单空驶距离是指所述任务包集合中每个任务包到所述用户集合中各用户接单空驶距离的最大值之和;
在满足所述第二目标函数的约束条件的情况下,最小化所述第二目标函数的值,得到所述任务包集合对应的派发结果,所述派发结果包括所述任务包集合中各任务包分别派发至的所述目标用户。
8.根据权利要求7所述的方法,其特征在于,所述在满足所述第二目标函数的约束条件的情况下,最小化所述第二目标函数的值,得到所述任务包集合对应的派发结果,包括:
获取所述任务包集合中的可指派任务包,所述可指派任务包是指已指派用户数目小于最大可指派用户数目上限的任务包;
对于所述用户集合中的目标用户,按照所述可指派任务包到所述目标用户的接单空驶距离由近到远进行排序,得到排序结果;
根据所述排序结果生成所述目标用户的任务包初始集合;其中,所述任务包初始集合包括接单空驶距离符合条件的可指派任务包;
基于所述用户集合中各用户的任务包初始集合,计算所述各用户的任务包初始集合对应的所述第二目标函数的值,得到初始解,所述初始解作为最优解;
基于所述各用户的任务包初始集合,生成所述各用户的任务包替换集合,计算所述各用户的任务包替换集合对应的所述第二目标函数的值,得到领域解;
若所述领域解对应的所述第二目标函数的值小于所述最优解对应的所述第二目标函数的值,则将所述领域解确定为更新后的最优解;若所述领域解对应的所述第二目标函数的值大于或等于所述最优解对应的所述第二目标函数的值,则保持所述最优解不变;
基于所述最优解得到所述任务包集合对应的派发结果。
9.根据权利要求7所述的方法,其特征在于,所述第二目标函数的约束条件包括以下至少一项:
任务包对应的接单空驶距离小于或等于最大接单空驶距离上限;
任务包对应的已指派用户数目小于或等于最大可指派用户数目上限;
用户对应的任务包数目小于或等于最大可指派任务包数目上限;
任务包对应的平均指派完成率大于或等于指定概率。
10.根据权利要求1至9任一项所述的方法,其特征在于,所述任务为道路采集任务,所述道路采集任务是指在任务规定道路上行驶以采集道路信息的任务。
11.一种任务调度装置,其特征在于,所述装置包括:
集合获取模块,用于获取任务集合和用户集合,所述任务集合包括待处理的多个任务,所述用户集合包括多个用户;
任务打包模块,用于根据所述任务的属性信息,对所述多个任务进行打包生成任务包集合,所述任务包集合中包括至少一个任务包,每个任务包中包括至少一个任务;
概率预测模块,用于对于所述任务包集合中的任务包k,确定所述用户集合中的用户n相对于所述任务包k的完成率;其中,所述完成率是指在将所述任务包k派发给所述用户n的情况下,所述用户n完成所述任务包k的概率;
任务派发模块,用于根据所述用户集合中每个用户到所述任务包集合中每个任务包的行驶距离,以及所述用户集合中每个用户相对于所述任务包集合中每个任务包的完成率,确定所述任务包集合中各任务包分别派发至的目标用户。
12.一种计算机设备,其特征在于,所述计算机设备包括处理器和存储器,所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如权利要求1至10任一项所述的任务调度方法。
13.一种计算机可读存储介质,其特征在于,所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现如权利要求1至10任一项所述的任务调度方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010643139.3A CN111738619B (zh) | 2020-07-06 | 2020-07-06 | 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 |
---|---|---|---|
CN202010643139.3A CN111738619B (zh) | 2020-07-06 | 2020-07-06 | 任务调度方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111738619A true CN111738619A (zh) | 2020-10-02 |
CN111738619B CN111738619B (zh) | 2023-11-07 |
Family
ID=72654213
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010643139.3A Active CN111738619B (zh) | 2020-07-06 | 2020-07-06 | 任务调度方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111738619B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112529506A (zh) * | 2020-12-22 | 2021-03-19 | 拉扎斯网络科技(上海)有限公司 | 信息交互方法、装置、存储介质和电子设备 |
CN112801430A (zh) * | 2021-04-13 | 2021-05-14 | 贝壳找房(北京)科技有限公司 | 任务下发方法、装置、电子设备及可读存储介质 |
CN113159592A (zh) * | 2021-04-27 | 2021-07-23 | 北京京东乾石科技有限公司 | 一种任务分配方法、装置、设备和存储介质 |
CN114925979A (zh) * | 2022-04-19 | 2022-08-19 | 北京人人云图信息技术有限公司 | 一种机场加油派工的装置 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130117757A1 (en) * | 2011-11-09 | 2013-05-09 | Electronics And Telecommunications Research Institute | Method and apparatus for scheduling application programs |
US20150058053A1 (en) * | 2013-08-20 | 2015-02-26 | Oracle International Corporation | Shifting a group of tasks along a timeline |
US20150220864A1 (en) * | 2014-02-06 | 2015-08-06 | Tata Consultancy Services Limited | System and method for providing crowd sourcing platform for task allocation |
US20160232474A1 (en) * | 2015-02-05 | 2016-08-11 | Xerox Corporation | Methods and systems for recommending crowdsourcing tasks |
CN106600147A (zh) * | 2016-12-15 | 2017-04-26 | 合肥工业大学 | 面向可分解任务的多无人机任务分配方法和装置 |
US20170116522A1 (en) * | 2015-10-05 | 2017-04-27 | Telekom Malaysia Berhad | Method For Task Scheduling And Resources Allocation And System Thereof |
CN107767206A (zh) * | 2016-08-23 | 2018-03-06 | 北京嘀嘀无限科技发展有限公司 | 订单分配方法及装置 |
CN108734559A (zh) * | 2018-05-23 | 2018-11-02 | 北京京东金融科技控股有限公司 | 一种订单处理方法和装置 |
JP2019028992A (ja) * | 2017-07-28 | 2019-02-21 | 株式会社日立製作所 | 配送車両の配送計画生成方法、装置およびシステム |
CN109598401A (zh) * | 2018-10-17 | 2019-04-09 | 顺丰科技有限公司 | 车辆调度方法、装置、设备及其存储介质 |
US20190122323A1 (en) * | 2017-10-19 | 2019-04-25 | Walmart Apollo, Llc | Systems and methods for dynamic allocation |
CN109872001A (zh) * | 2019-02-28 | 2019-06-11 | 南京邮电大学 | 基于K-means和离散粒子群算法的无人车任务分配方法 |
CN110503229A (zh) * | 2018-07-23 | 2019-11-26 | 杉数科技(北京)有限公司 | 用于车辆路径优化的方法、装置和计算设备 |
CN111275358A (zh) * | 2020-02-25 | 2020-06-12 | 北京多禾聚元科技有限公司 | 派单匹配方法、装置、设备及存储介质 |
-
2020
- 2020-07-06 CN CN202010643139.3A patent/CN111738619B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130117757A1 (en) * | 2011-11-09 | 2013-05-09 | Electronics And Telecommunications Research Institute | Method and apparatus for scheduling application programs |
US20150058053A1 (en) * | 2013-08-20 | 2015-02-26 | Oracle International Corporation | Shifting a group of tasks along a timeline |
US20150220864A1 (en) * | 2014-02-06 | 2015-08-06 | Tata Consultancy Services Limited | System and method for providing crowd sourcing platform for task allocation |
US20160232474A1 (en) * | 2015-02-05 | 2016-08-11 | Xerox Corporation | Methods and systems for recommending crowdsourcing tasks |
US20170116522A1 (en) * | 2015-10-05 | 2017-04-27 | Telekom Malaysia Berhad | Method For Task Scheduling And Resources Allocation And System Thereof |
CN107767206A (zh) * | 2016-08-23 | 2018-03-06 | 北京嘀嘀无限科技发展有限公司 | 订单分配方法及装置 |
CN106600147A (zh) * | 2016-12-15 | 2017-04-26 | 合肥工业大学 | 面向可分解任务的多无人机任务分配方法和装置 |
JP2019028992A (ja) * | 2017-07-28 | 2019-02-21 | 株式会社日立製作所 | 配送車両の配送計画生成方法、装置およびシステム |
US20190122323A1 (en) * | 2017-10-19 | 2019-04-25 | Walmart Apollo, Llc | Systems and methods for dynamic allocation |
CN108734559A (zh) * | 2018-05-23 | 2018-11-02 | 北京京东金融科技控股有限公司 | 一种订单处理方法和装置 |
CN110503229A (zh) * | 2018-07-23 | 2019-11-26 | 杉数科技(北京)有限公司 | 用于车辆路径优化的方法、装置和计算设备 |
CN109598401A (zh) * | 2018-10-17 | 2019-04-09 | 顺丰科技有限公司 | 车辆调度方法、装置、设备及其存储介质 |
CN109872001A (zh) * | 2019-02-28 | 2019-06-11 | 南京邮电大学 | 基于K-means和离散粒子群算法的无人车任务分配方法 |
CN111275358A (zh) * | 2020-02-25 | 2020-06-12 | 北京多禾聚元科技有限公司 | 派单匹配方法、装置、设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
盛小东;李强;刘昭昭;: "云环境下基于模板遗传算法的任务调度方法", 计算机应用, no. 03, pages 49 - 52 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112529506A (zh) * | 2020-12-22 | 2021-03-19 | 拉扎斯网络科技(上海)有限公司 | 信息交互方法、装置、存储介质和电子设备 |
CN112801430A (zh) * | 2021-04-13 | 2021-05-14 | 贝壳找房(北京)科技有限公司 | 任务下发方法、装置、电子设备及可读存储介质 |
CN113159592A (zh) * | 2021-04-27 | 2021-07-23 | 北京京东乾石科技有限公司 | 一种任务分配方法、装置、设备和存储介质 |
CN114925979A (zh) * | 2022-04-19 | 2022-08-19 | 北京人人云图信息技术有限公司 | 一种机场加油派工的装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111738619B (zh) | 2023-11-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111738619B (zh) | 任务调度方法、装置、设备及存储介质 | |
US11983645B2 (en) | Agent aptitude prediction | |
Moradi | The new optimization algorithm for the vehicle routing problem with time windows using multi-objective discrete learnable evolution model | |
CN108846609A (zh) | 基于订单任务的拣选方法、装置、服务器和介质 | |
CN110390415A (zh) | 一种基于用户出行大数据进行出行方式推荐的方法及系统 | |
EP2750087A1 (en) | Methods and systems for determining estimated package delivery/pick-up times | |
CN109345166B (zh) | 用于生成信息的方法和装置 | |
CN109784970A (zh) | 一种基于afc乘客乘车数据的服务推荐方法及装置 | |
CN111080206A (zh) | 补货清单的生成方法、装置、设备及存储介质 | |
CN109978619A (zh) | 机票定价策略筛选的方法、系统、设备以及介质 | |
CN110766513A (zh) | 信息排序方法、装置、电子设备及可读存储介质 | |
CN110047002A (zh) | 一种基于数据分析的期货推荐方法及系统 | |
CN115409439A (zh) | 基于改进蚁群算法的多车型供应链调度方法及电子设备 | |
CN110992123B (zh) | 一种订单派发方法及装置 | |
CN112561330A (zh) | 一种调度指令的生成方法、装置、电子设备及介质 | |
CN111861538A (zh) | 信息推送方法、装置、电子设备和存储介质 | |
CN111626864A (zh) | 信息推送方法和装置、存储介质和电子装置 | |
CN111833119A (zh) | 一种订单分配的方法、装置、电子设备及存储介质 | |
CN110942345B (zh) | 种子用户的选取方法、装置、设备及存储介质 | |
CN115951992A (zh) | 在线资源分配方法和系统 | |
CN108595669A (zh) | 一种无序分类变量处理方法及装置 | |
CN113793195A (zh) | 网约车订单处理方法、装置、计算机设备及可读存储介质 | |
CN113011672A (zh) | 物流时效预测方法、装置、电子设备及存储介质 | |
CN113705879A (zh) | 一种多车场多车型车辆路径规划方法 | |
CN111582408A (zh) | 数据处理方法、数据处理装置、存储介质和电子设备 |
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 | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40031347 Country of ref document: HK |
|
GR01 | Patent grant | ||
GR01 | Patent grant |