CN112651483A - 一种面向大规模多批次任务协同的云制造服务组合优化方法 - Google Patents
一种面向大规模多批次任务协同的云制造服务组合优化方法 Download PDFInfo
- Publication number
- CN112651483A CN112651483A CN202110033906.3A CN202110033906A CN112651483A CN 112651483 A CN112651483 A CN 112651483A CN 202110033906 A CN202110033906 A CN 202110033906A CN 112651483 A CN112651483 A CN 112651483A
- Authority
- CN
- China
- Prior art keywords
- strategy
- scale multi
- bee
- batch task
- cloud
- 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
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 69
- 238000005457 optimization Methods 0.000 title claims abstract description 47
- 238000000034 method Methods 0.000 title claims abstract description 32
- 230000008569 process Effects 0.000 claims abstract description 9
- 241000257303 Hymenoptera Species 0.000 claims description 31
- 238000009826 distribution Methods 0.000 claims description 12
- 230000010355 oscillation Effects 0.000 claims description 12
- 230000003044 adaptive effect Effects 0.000 claims description 10
- 230000007547 defect Effects 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 4
- 238000011161 development Methods 0.000 claims description 4
- 230000035772 mutation Effects 0.000 claims description 4
- 238000013459 approach Methods 0.000 claims description 3
- 125000004122 cyclic group Chemical group 0.000 claims description 3
- 230000002028 premature Effects 0.000 claims description 3
- 108090000623 proteins and genes Proteins 0.000 claims description 3
- 238000012545 processing Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004904 shortening Methods 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]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Breeding Of Plants And Reproduction By Means Of Culturing (AREA)
- Feedback Control In General (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种面向大规模多批次任务协同的云制造服务组合优化方法,本发明通过基于多种改进的人工蜂群算法对大规模多批次任务协同组合模型的寻优过程进行优化,以优化后的大规模多批次任务协同组合模型来解决面向大规模多批次任务协同的云制造服务组合优化问题,本发明具有较强的鲁棒性、收敛速度快以及全局寻优能力强,提高了求解的准确性;同时以生产时间为优化目标,实现了云制造环境下,大规模多批次任务协同的服务组合优化,缩短了整个任务生产时间。
Description
技术领域
本发明涉及群智能优化技术领域,尤其涉及一种面向大规模多批次任务协同的云制造服务组合优化方法。
背景技术
云制造系统汇集了大量的制造任务需求和服务资源,制造任务和资源的规模化、分散性、异构性导致云制造服务组合的应用场景不断产生变化。相比于传统的制造任务模式,多批次协同执行的制造任务模式在缩短生产加工周期以及操作管理便捷性等方面具有更好的表现。然而,在云制造大批次任务执行过程中,需要转移的子批次总数是巨大的,因此加工时间久。为了有效地缩短生产时间,节约人力物力的消耗,争取较大的降价空间,进而为企业在紧张而激烈的市场竞争下提升自身的竞争力。在大规模多批次任务协同执行的生产制造模式背景下,以云制造中最为经典之一的生产时间为优化目标,就如何使得整个任务加工总耗时最短展开研究。
制造厂商往往需要处理大量来自客户的生产订单(例如,需要生产2000台汽车)。为了尽可能地缩短完工时间,在任务执行过程中,云平台需要将任务分解为多个子批次,每个子批次任务对应批次任务中的一组零件加工任务,这些零件在一台机器上进行加工,然后在剩余的部分完成之前转移到下一台机器上。因此,云平台需要在有限时间内处理大量的批次制造任务需求。在此类多批次任务背景下,传统的服务组合方法难以适用,必须研究面向多批次制造任务的服务组合方法加以解决。传统的服务组合方法针对每个任务需求,都将执行一次优选过程,并寻找最优的组合方案,且完全以满足当前任务需求为目标。这往往导致较优的资源被先执行的服务组合用尽,导致后续任务的执行效率和质量无法得到满足,从而很难保证多批次任务需求得到较好地处理,也难以保证有限的制造资源在多批次制造任务需求之间得到全局最优分配。基于以上分析,对上述问题进行建模,提出云制造服务组合模型(Multi-Module Subtasks Collaborative Execution for CloudManufacturing Service Composition,MMSCE-CMSC),在此基础上,提出了一种基于多种改进策略的人工蜂群算法(Multiple Improvement Strategies based Artificial BeeColony Algorithm,MISABC)。在MMSCE-CMSC中,传统的人工蜂群算法(Artificial BeeColony Algorithm,ABC)难以获得稳定的最优解。因此,本专利尝试通过引入几种改进策略来提高ABC的全局搜索能力和寻优精度,以实现面向大规模多批次任务协同的云制造服务组合优化。
发明内容
本发明为克服上述的不足之处,目的在于提供一种面向大规模多批次任务协同的云制造服务组合优化方法,本发明通过基于多种改进的人工蜂群算法对大规模多批次任务协同组合模型的寻优过程进行优化,以优化后的大规模多批次任务协同组合模型来解决面向大规模多批次任务协同的云制造服务组合优化问题,本发明具有较强的鲁棒性、收敛速度快以及全局寻优能力强,提高了求解的准确性;同时以生产时间为优化目标,实现了云制造环境下,大规模多批次任务协同的服务组合优化,缩短了整个任务生产时间。
本发明是通过以下技术方案达到上述目的:一种面向大规模多批次任务协同的云制造服务组合优化方法,包括如下步骤:
(1)首先将制造任务Task(T)划分为若干个子任务,在云平台选取多个候选云服务并组成候选云服务集,建立面向云制造服务组合的大规模多批次任务协同组合模型;
(2)采用基于多种改进策略的人工蜂群算法对大规模多批次任务协同组合模型的寻优过程进行优化;
(3)利用步骤(2)优化后的大规模多批次任务协同组合模型,解决大规模多批次任务协同服务的组合优化问题,完成云制造服务组合的优化。
作为优选,所述步骤(1)构建的面向云制造服务组合的大规模多批次任务协同组合模型中的参数设置如下:
(i)制造任务:Task(T);
(ii)子任务集:SbT={sbt1,sbt2,…sbti,…,sbtn},n为子任务数量;
(v)优化目标:以制造时间为优化目标,在多批次任务协同执行的情况下,要使得整个任务制造时间最短,只需缩短耗时最长的批次任务的完成时间即可;故目标函数设为:其中TF是对应批次的完成时间,η是子任务中的批次数量。
作为优选,所述在步骤(2)中为实现面向云制造服务组合的大规模多批次任务协同组合模型的优化问题,通过引入若干种改进策略来提高人工蜂群算法的全局搜索能力和寻优精度,包括利用差分进化策略使算法快速收敛到全局最优;利用三角因子振荡策略,促使蜂群跳出局部最优,逼近全局最优解;利用异维学习策略和高斯分布策略使得算法尽可能避免早熟收敛,避免陷入局部最优。
作为优选,所述基于多种改进策略的人工蜂群算法的步骤如下:
1)利用块编码的方式确定多种改进策略的人工蜂群算法的参数并初始化种群;并计算种群中每个个体适应度值并判断容量限定,舍弃不满足容量要求的个体;
2)雇佣蜂采用经差分进化策略、异维学习策略以及三角因子振荡策略改进后的方程进行循环搜索;观察蜂采用经高斯分布策略改进后的搜索方程进行循环搜索;
3)设定记录板记录蜜蜂的搜索状态,根据记录板的内容确定是否产生侦查蜂,并且侦查蜂采用经差分进化策略、异维学习策略改进后的搜索方程开始搜索;判断是否达到终止条件,若是则输出结果;否则,重复上述步骤继续求解。
作为优选,所述在步骤1)中,利用块编码的方式设定多种改进策略的人工蜂群算法的参数:蜂群数量NP、食物源数量NP/2、控制参数limit、最大循环数MaxCycle、D维解空间;并且在解空间随机产生初始解Xi(i=1,2,…,NP),计算其适应度值:即它表示第g代种群的第d个个体,且表示第i级的第k个基因位。
作为优选,所述步骤2)中,利用差分进化策略和异维学习策略,为雇佣蜂提供了更多的学习机会,避免了单一维度寻优的问题,从而大大提高了雇佣蜂的全局搜索能力;此外,通过引入三角因子振荡策略、全局精英解和自适应权重因子,可以进一步提高雇佣蜂的全局搜索能力;利用全局精英解,可以有效地将当前种群的搜索方向向更好的解靠近;此外,自适应权重因子可以动态调整步长;在迭代初期,权重因子被用来扩展搜索空间,而在后期,它使个体进行精细搜索并收敛到最优位置;此处雇佣蜂按如下公式搜索新解:
其中,cos(λ)为三角振荡因子,且λ是在[3.14,π]范围内的一个随机数,r,r1,r3∈{1,2,…,NP},且r≠r1≠r2,F=2,K1,K2,K3∈{1,2,…,D},且K1≠K2≠K3,ξ为自适应权重因子且ξ=(maxCycle-iter)/maxCycle,φ是在[-1,1]范围内的一个随机数,xge是全局精英解;
在观察蜂阶段,引入一种具有自适应高斯分布因子的变异策略来克服观察蜂的缺点,使得观察蜂在迭代初期获得更多的食物源,从而避免后期过度开发;并且在观察蜂阶段,使用差分进化策略和异维学习策略来寻找新的食物源;此处观察蜂按照如下公式产生新解,并计算其适应度值;
其中,γ服从均值为0,标准差为0.5的高斯分布,其余参数和雇佣蜂相同。
作为优选,所述步骤3)中,在侦查蜂阶段,引入一个记录板来记录蜜蜂的状态并将信息反馈给侦察蜂;具体地说,即设置一个控制参数ε值为10-5作为阈值,如果记录板上的适应度值在五次连续迭代中没有变化或者在小于ε的范围内变化,侦查蜂将采用公式进行搜索,各参数与上述式子相同,一旦达到算法的终止条件,输出最后的结果。
本发明的有益效果在于:(1)本发明具有较强的鲁棒性、收敛速度快以及全局寻优能力强,提高了求解的准确性;(2)本发明以生产时间为优化目标,实现了云制造环境下,大规模多批次任务协同的服务组合优化,缩短了整个任务生产时间。
附图说明
图1是本发明的方法流程示意图;
图2是本发明的基于多种改进策略的人工蜂群算法流程示意图;
图3是本发明实施例的块编码方式示意图。
具体实施方式
下面结合具体实施例对本发明进行进一步描述,但本发明的保护范围并不仅限于此:
实施例:如图1所示,一种面向大规模多批次任务协同的云制造服务组合优化方法,具体如下:
(1)首先将制造任务Task(T)划分为若干个子任务,在云平台选取多个候选云服务并组成候选云服务集,建立面向云制造服务组合的大规模多批次任务协同组合模型;其中模型中的参数设置如下:
(i)制造任务:Task(T);
(v)优化目标:以制造时间为优化目标,在多批次任务协同执行的情况下,要使得整个任务制造时间最短,只需缩短耗时最长的批次任务的完成时间即可;故目标函数设为:其中TF是对应批次的完成时间,η是子任务中的批次数量。
(2)采用基于多种改进策略的人工蜂群算法对大规模多批次任务协同组合模型的寻优过程进行优化;其中为实现面向云制造服务组合的大规模多批次任务协同组合模型的优化问题,通过引入若干种改进策略来提高人工蜂群算法的全局搜索能力和寻优精度,包括利用差分进化策略使算法快速收敛到全局最优;利用三角因子振荡策略,促使蜂群跳出局部最优,逼近全局最优解;利用异维学习策略和高斯分布策略使得算法尽可能避免早熟收敛,避免陷入局部最优。
如图2所示,基于多种改进策略的人工蜂群算法具体包括:基于MISABC算法,对8个具有代表性的标准测试函数进行寻优,求解出它们的最小值,具体步骤如下:
1)利用块编码的方式确定多种改进策略的人工蜂群算法的参数并初始化种群;然后计算种群中每个个体适应度值并判断容量限定,舍弃不满足容量要求的个体;。具体的,首先设定MISABC算法参数即设定初始化蜂群数量NP、食物源数量NP/2、控制参数limit、最大循环数MaxCycle、D维解空间,并且在解空间随机产生初始解Xi(i=1,2,…,NP),计算其适应度值,整个算法采用块编码方式,如图3所示;即它表示第g代种群的第d个个体(蜜蜂),且表示第i级的第k个基因位。
2)雇佣蜂采用经差分进化策略(DES)、异维学习策略(DDVLS)以及三角因子振荡策略改进后的方程进行循环搜索;观察蜂采用经自适应高斯分布因子的变异策略改进后的搜索方程进行循环搜索。
在雇佣蜂阶段,由于经典ABC算法中雇佣蜂的全局搜索能力不强,使得蜜蜂之间的信息交互能力差从而造成资源浪费。因此,本发明利用DES和DDVLS策略,为雇佣蜂提供了更多的学习机会,避免了单一维度寻优的问题,从而大大提高了雇佣蜂的全局搜索能力。此外,通过引入TFOS、全局精英解(种群中的最优个体)和自适应权重因子,可以进一步提高雇佣蜂的全局搜索能力。有了TFOS,它可以保证蜜蜂不会陷入局部最优。同时,利用全局精英解,可以有效地将当前种群的搜索方向向更好的解靠近。此外,自适应权重因子可以动态调整步长。在迭代初期,权重因子被用来扩展搜索空间,而在后期,它使个体进行精细搜索并收敛到最优位置。此处雇佣蜂按公式搜索新解。其中,cos(λ)为三角振荡因子,且λ是在[3.14,π]范围内的一个随机数,r,r1,r3∈{1,2,…,NP},且r≠r1≠r2,F=2,K1,K2,K3∈{1,2,…,D},且K1≠K2≠K3,ξ为自适应权重因子且ξ=(maxCycle-iter)/maxCycle,φ是在[-1,1]范围内的一个随机数,xge是全局精英解。
在观察蜂阶段,经典ABC算法中,观察蜂往往由于过度开发而无法找到更好的解,特别是在迭代后期。为了避免这种情况,在观察蜂阶段引入了一种具有自适应GDS因子的变异策略来克服观察蜂的缺点,使得观察蜂在迭代初期获得更多的食物源,从而避免后期过度开发。此外,在观察蜂阶段,本发明仍然使用DES和DDVLS来寻找新的食物源。此处观察蜂按照公式产生新解,并计算其适应度值。其中,γ服从均值为0,标准差为0.5的高斯分布,其余参数和雇佣蜂相同。
3)设定记录板记录蜜蜂的搜索状态,根据记录板的内容确定是否产生侦查蜂,并且侦查蜂采用经差分进化策略(DES)、异维学习策略(DDVLS)改进后的搜索方程开始搜索。最后判断是否达到终止条件,若是则输出结果;否则,重复上述步骤继续求解。
由于侦察蜂的随机搜索行为是提高算法全局搜索能力的关键。但是,这种搜索行为只有当食物源没有在预设范围内得到进一步改善时,它才会被激活。在某些情况下,种群在局部最优解附近高度聚集,这可能导致解空间的停滞。为了确保解是否随着迭代而改进,此处引入了一个记录板来记录蜜蜂的状态并将信息反馈给侦察蜂。具体地说,即设置一个控制参数ε值为10-5作为阈值,如果记录板上的适应度值在五次连续迭代中没有变化或者在小于ε的范围内变化,侦查蜂将采用公式进行搜索,各参数与上述式子相同。如果某只雇佣蜂在其食物源邻域搜索次数iter达到控制参数limit时,仍然没有找到适应度值更高的新解,即放弃该食物源,随机初始化该雇佣蜂的位置。
本发明的基于多种改进策略的人工蜂群算法通过引入以下四种策略:(a)差分进化策略(DES),(b)三角因子振荡策略(TFOS),(c)异维学习策略(DDVLS),(d)高斯分布策略(GDS),使得原有的人工蜂群算法全局搜索能力增强,收敛速度加快,提高了解的精度,最后求得全局最优解,从而有效克服了人工蜂群算法的缺点,达到了对经典人工蜂群算法优化的效果。
(3)利用步骤(2)优化后的大规模多批次任务协同组合模型,解决大规模多批次任务协同服务的组合优化问题,完成云制造服务组合的优化。
以上的所述乃是本发明的具体实施例及所运用的技术原理,若依本发明的构想所作的改变,其所产生的功能作用仍未超出说明书及附图所涵盖的精神时,仍应属本发明的保护范围。
Claims (7)
1.一种面向大规模多批次任务协同的云制造服务组合优化方法,其特征在于,包括如下步骤:
(1)首先将制造任务Task(T)划分为若干个子任务,在云平台选取多个候选云服务并组成候选云服务集,建立面向云制造服务组合的大规模多批次任务协同组合模型;
(2)采用基于多种改进策略的人工蜂群算法对大规模多批次任务协同组合模型的寻优过程进行优化;
(3)利用步骤(2)优化后的大规模多批次任务协同组合模型,解决大规模多批次任务协同服务的组合优化问题,完成云制造服务组合的优化。
2.根据权利要求1所述的一种面向大规模多批次任务协同的云制造服务组合优化方法,其特征在于:所述步骤(1)构建的面向云制造服务组合的大规模多批次任务协同组合模型中的参数设置如下:
(i)制造任务:Task(T);
(ii)子任务集:SbT={sbt1,sbt2,…sbti,…,sbtn},n为子任务数量;
3.根据权利要求1所述的一种面向大规模多批次任务协同的云制造服务组合优化方法,其特征在于:所述在步骤(2)中为实现面向云制造服务组合的大规模多批次任务协同组合模型的优化问题,通过引入若干种改进策略来提高人工蜂群算法的全局搜索能力和寻优精度,包括利用差分进化策略使算法快速收敛到全局最优;利用三角因子振荡策略,促使蜂群跳出局部最优,逼近全局最优解;利用异维学习策略和高斯分布策略使得算法尽可能避免早熟收敛,避免陷入局部最优。
4.根据权利要求1所述的一种面向大规模多批次任务协同的云制造服务组合优化方法,其特征在于:所述基于多种改进策略的人工蜂群算法的步骤如下:
1)利用块编码的方式确定多种改进策略的人工蜂群算法的参数并初始化种群;并计算种群中每个个体适应度值并判断容量限定,舍弃不满足容量要求的个体;
2)雇佣蜂采用经差分进化策略、异维学习策略以及三角因子振荡策略改进后的方程进行循环搜索;观察蜂采用经高斯分布策略改进后的搜索方程进行循环搜索;
3)设定记录板记录蜜蜂的搜索状态,根据记录板的内容确定是否产生侦查蜂,并且侦查蜂采用经差分进化策略、异维学习策略改进后的搜索方程开始搜索;判断是否达到终止条件,若是则输出结果;否则,重复上述步骤继续求解。
6.根据权利要求4所述的一种面向大规模多批次任务协同的云制造服务组合优化方法,其特征在于:所述步骤2)中,利用差分进化策略和异维学习策略,为雇佣蜂提供了更多的学习机会,避免了单一维度寻优的问题,从而大大提高了雇佣蜂的全局搜索能力;此外,通过引入三角因子振荡策略、全局精英解和自适应权重因子,可以进一步提高雇佣蜂的全局搜索能力;利用全局精英解,可以有效地将当前种群的搜索方向向更好的解靠近;此外,自适应权重因子可以动态调整步长;在迭代初期,权重因子被用来扩展搜索空间,而在后期,它使个体进行精细搜索并收敛到最优位置;此处雇佣蜂按如下公式搜索新解:
其中,cos(λ)为三角振荡因子,且λ是在[3.14,π]范围内的一个随机数,r,r1,r3∈{1,2,…,NP},且r≠r1≠r2,F=2,K1,K2,K3∈{1,2,…,D},且K1≠K2≠K3,ξ为自适应权重因子且ξ=(maxCycle-iter)/maxCycle,φ是在[-1,1]范围内的一个随机数,xge是全局精英解;
在观察蜂阶段,引入一种具有自适应高斯分布因子的变异策略来克服观察蜂的缺点,使得观察蜂在迭代初期获得更多的食物源,从而避免后期过度开发;并且在观察蜂阶段,使用差分进化策略和异维学习策略来寻找新的食物源;此处观察蜂按照如下公式产生新解,并计算其适应度值;
其中,γ服从均值为0,标准差为0.5的高斯分布,其余参数和雇佣蜂相同。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010047160.7A CN111291854A (zh) | 2020-01-16 | 2020-01-16 | 一种基于多种改进策略的人工蜂群算法的优化方法 |
CN2020100471607 | 2020-01-16 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112651483A true CN112651483A (zh) | 2021-04-13 |
CN112651483B CN112651483B (zh) | 2024-02-23 |
Family
ID=71022306
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010047160.7A Pending CN111291854A (zh) | 2020-01-16 | 2020-01-16 | 一种基于多种改进策略的人工蜂群算法的优化方法 |
CN202110033906.3A Active CN112651483B (zh) | 2020-01-16 | 2021-01-12 | 一种面向大规模多批次任务协同的云制造服务组合优化方法 |
Family Applications Before (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010047160.7A Pending CN111291854A (zh) | 2020-01-16 | 2020-01-16 | 一种基于多种改进策略的人工蜂群算法的优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (2) | CN111291854A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113836727A (zh) * | 2021-09-27 | 2021-12-24 | 西南交通大学 | 用于复杂产品群智协同设计过程的设计能力优化方法 |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111931990B (zh) * | 2020-07-13 | 2022-03-08 | 江西理工大学 | 基于优化最小二乘支持向量机的电力负荷预测方法 |
CN112530529B (zh) * | 2020-12-09 | 2024-01-26 | 合肥工业大学 | 一种气体浓度预测方法、系统、设备及其存储介质 |
CN115474216B (zh) * | 2022-11-02 | 2023-04-07 | 中国人民解放军国防科技大学 | 基于自适应蜂鸟算法的飞行自组网拓扑优化方法和装置 |
CN116646568B (zh) * | 2023-06-02 | 2024-02-02 | 陕西旭氢时代科技有限公司 | 一种基于元启发式的燃料电池电堆参数寻优方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN106650058A (zh) * | 2016-12-08 | 2017-05-10 | 南京航空航天大学 | 一种基于改进人工蜂群算法的协同电子干扰任务调度方法 |
CN109816243A (zh) * | 2019-01-24 | 2019-05-28 | 浙江财经大学 | 面向动态任务感知的云制造协同任务调度方法 |
-
2020
- 2020-01-16 CN CN202010047160.7A patent/CN111291854A/zh active Pending
-
2021
- 2021-01-12 CN CN202110033906.3A patent/CN112651483B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN106650058A (zh) * | 2016-12-08 | 2017-05-10 | 南京航空航天大学 | 一种基于改进人工蜂群算法的协同电子干扰任务调度方法 |
CN109816243A (zh) * | 2019-01-24 | 2019-05-28 | 浙江财经大学 | 面向动态任务感知的云制造协同任务调度方法 |
Non-Patent Citations (1)
Title |
---|
李志敏;张伟;: "基于差分进化人工蜂群算法的云计算资源调度", 计算机工程与设计, no. 11 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113836727A (zh) * | 2021-09-27 | 2021-12-24 | 西南交通大学 | 用于复杂产品群智协同设计过程的设计能力优化方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111291854A (zh) | 2020-06-16 |
CN112651483B (zh) | 2024-02-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112651483B (zh) | 一种面向大规模多批次任务协同的云制造服务组合优化方法 | |
Zhu et al. | An efficient evolutionary grey wolf optimizer for multi-objective flexible job shop scheduling problem with hierarchical job precedence constraints | |
Yiqiu et al. | Cloud computing task scheduling algorithm based on improved genetic algorithm | |
CN113191484B (zh) | 基于深度强化学习的联邦学习客户端智能选取方法及系统 | |
WO2020133952A1 (zh) | 一种基于异步贝叶斯优化的机器学习超参优化系统及方法 | |
CN114186749B (zh) | 基于强化学习及遗传算法的柔性车间调度方法及模型 | |
CN110599068A (zh) | 一种基于粒子群优化算法的云资源调度方法 | |
CN109445386B (zh) | 一种基于onba的云制造任务最短生产时间调度方法 | |
CN106371924B (zh) | 一种最小化MapReduce集群能耗的任务调度方法 | |
CN109255513A (zh) | 一种电力通信网现场运维工单调度方法 | |
CN111198550A (zh) | 基于案例推理的云端智能生产优化调度在线决策方法及系统 | |
CN113569483A (zh) | 基于人工蜂群算法求解多目标柔性作业车间调度的方法 | |
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 | |
CN113537439A (zh) | 改进的人工蜂群优化算法 | |
CN115249113A (zh) | 一种带准备时间分布式零等待流水车间调度方法与系统 | |
CN109074348A (zh) | 用于对输入数据集进行迭代聚类的设备和迭代方法 | |
CN108256623A (zh) | 基于周期交互机制和知识板协同机制的多种群微粒群算法 | |
Aydın et al. | A configurable generalized artificial bee colony algorithm with local search strategies | |
CN106970840A (zh) | 一种结合任务调度的软硬件划分方法 | |
CN115116879A (zh) | 一种面向晶圆表面缺陷检测的动态权值优化负载均衡算法 | |
CN109359313A (zh) | 一种基于试凑粒子群混合算法的服装裁剪分床方法 | |
Wang et al. | Non-dominated sorted genetic algorithm-II algorithm-based multi-objective layout optimization of solid wood panels | |
CN114089699A (zh) | 一种基于细胞型膜计算模型求解混合流水车间调度的方法 | |
CN111932021A (zh) | 一种再制造系统调度方法 | |
CN108415783B (zh) | 一种基于改进蜂群算法的异构多核任务分配方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |