CN112862134A - 电力营销业务中台的业务调度方法及装置 - Google Patents
电力营销业务中台的业务调度方法及装置 Download PDFInfo
- Publication number
- CN112862134A CN112862134A CN201911098686.1A CN201911098686A CN112862134A CN 112862134 A CN112862134 A CN 112862134A CN 201911098686 A CN201911098686 A CN 201911098686A CN 112862134 A CN112862134 A CN 112862134A
- Authority
- CN
- China
- Prior art keywords
- service
- distribution path
- optimal distribution
- genetic algorithm
- scheduling
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 55
- 230000002068 genetic effect Effects 0.000 claims abstract description 65
- 239000003016 pheromone Substances 0.000 claims description 37
- 230000000694 effects Effects 0.000 claims description 12
- 230000035772 mutation Effects 0.000 claims description 7
- 230000008569 process Effects 0.000 abstract description 14
- 230000008901 benefit Effects 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 8
- 241000257303 Hymenoptera Species 0.000 description 6
- 230000009471 action Effects 0.000 description 4
- 230000005611 electricity Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000008303 genetic mechanism Effects 0.000 description 1
- 238000012804 iterative process 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
- 230000000750 progressive effect Effects 0.000 description 1
- 230000026676 system process Effects 0.000 description 1
- 230000007704 transition Effects 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Quality & Reliability (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种电力营销业务中台的业务调度方法及装置,包括:获取业务请求;基于所述业务请求需要调用的业务数据,采用蚁群算法确定所述业务请求的分配路径数据,所述分配路径数据包括一个或多个最优的分配路径,将所述最优的分配路径作为遗传算法的初始种群,进行遗传算法的迭代进化,确定全局最优分配路径;依据全局最优分配路径执行所述业务请求对应的调度工作。所述电力营销业务中台的业务调度方法及装置,使用蚁群算法融合遗传算法来调度业务,应用遗传算法全局最优收敛的优点,将遗传算法融入到蚁群算法的迭代过程中,能够在每次迭代中产生前端用户对后端业务系统匹配的最优解,加快调度的实时性和合理性,提升用户的被服务体验。
Description
技术领域
本发明涉及数据处理技术,更具体的说,是涉及一种电力营销业务中台的业务调度方法及装置。
背景技术
随着国家“互联网+”战略的不断深入,电力系统的许多业务办理工作也能够在电力系统平台上自助办理,极大的方便了用户。目前的电力系统平台上提供的服务包括办电、查询、缴费、发票、充值卡、账单、活动、广告、在线服务、光伏服务、充电服务、充电桩服务、综合能源服务、增值服务、电气化服务、理财服务等多项业务。
由于电力系统平台提供的服务种类繁多,电力系统后台的处理节点也包括多个,这就涉及到业务处理的分配问题,即业务调度。通过合理的业务分调度,能够保证用户发起的相关业务请求能够被及时高效的处理,提升用户的使用满意度。然而,现有技术中,尚不存在效果较优的业务调度方法。
发明内容
有鉴于此,本发明提供了一种电力营销业务中台的业务调度方法及装置,以实现电力营销业务中台中较优的业务调度。
为实现上述目的,本发明提供如下技术方案:
一种电力营销业务中台的业务调度方法,包括:
获取业务请求;
基于所述业务请求需要调用的业务数据,采用蚁群算法确定所述业务请求的分配路径数据,所述分配路径数据包括一个或多个最优的分配路径,其中,业务处理时间越短的分配路径为效果越优的分配路径;
将所述最优的分配路径作为遗传算法的初始种群,进行遗传算法的迭代进化,确定全局最优分配路径;
依据所述全局最优分配路径执行所述业务请求对应的调度工作。
可选的,所述基于所述业务请求需要调用的业务数据,采用蚁群算法确定所述业务请求的分配路径数据,包括:
基于所述业务请求需要调用的业务数据,通过控制更新信息素控制业务处理节点周游次数,确定所述业务请求的分配路径数据,其中所述信息素包括业务处理时间。
可选的,所述将所述最优的分配路径作为遗传算法的初始种群,进行遗传算法的迭代进化,确定全局最优分配路径包括:
将所述最优的分配路径作为遗传算法的初始种群,应用交叉算子和变异算子,进行遗传算法的迭代进化,得到全局最优分配路径。
可选的,在所述将所述最优的分配路径作为遗传算法的初始种群,进行遗传算法的迭代进化,确定全局最优分配路径后,还包括:
确定所述最优分配路径是否满足收敛条件;
若满足,则执行所述依据所述全局最优分配路径执行所述业务请求对应的调度工作的内容。
可选的,所述确定所述最优分配路径是否满足收敛条件,包括:
基于所述最优分配路径局部且全局更新每条分配路径的数据量,并对全局的信息素进行更新,其中所述信息素包括业务处理时间;
基于更新后的数据确定所述最优分配路径是否满足收敛条件。
一种电力营销业务中台的业务调度装置,包括:
业务获取模块,用于获取业务请求;
第一确定模块,用于基于所述业务请求需要调用的业务数据,采用蚁群算法确定所述业务请求的分配路径数据,所述分配路径数据包括一个或多个最优的分配路径,其中,业务处理时间越短的分配路径为效果越优的分配路径;
第二确定模块,用于将所述最优的分配路径作为遗传算法的初始种群,进行遗传算法的迭代进化,确定全局最优分配路径;
调度控制模块,用于依据所述全局最优分配路径执行所述业务请求对应的调度工作。
可选的,所述第一确定模块具体用于:基于所述业务请求需要调用的业务数据,通过控制更新信息素控制业务处理节点周游次数,确定所述业务请求的分配路径数据,其中所述信息素包括业务处理时间。
可选的,所述第二确定模块具体用于:将所述最优的分配路径作为遗传算法的初始种群,应用交叉算子和变异算子,进行遗传算法的迭代进化,得到全局最优分配路径。
可选的,还包括:
收敛判断模块,用于确定所述最优分配路径是否满足收敛条件;
则所述调度控制模块用于在所述收敛判断模块判断满足收敛条件的情况下,依据所述全局最优分配路径执行所述业务请求对应的调度工作。
可选的,所述收敛判断模块包括:
数据更新模块,用于基于所述最优分配路径局部且全局更新每条分配路径的数据量,并对全局的信息素进行更新,其中所述信息素包括业务处理时间;
收敛判断子模块,用于基于更新后的数据确定所述最优分配路径是否满足收敛条件。
经由上述的技术方案可知,与现有技术相比,本发明实施例公开了一种电力营销业务中台的业务调度方法及装置,包括:获取业务请求;基于所述业务请求需要调用的业务数据,采用蚁群算法确定所述业务请求的分配路径数据,所述分配路径数据包括一个或多个最优的分配路径,其中,业务处理时间越短的分配路径为效果越优的分配路径;将所述最优的分配路径作为遗传算法的初始种群,进行遗传算法的迭代进化,确定全局最优分配路径;依据所述全局最优分配路径执行所述业务请求对应的调度工作。所述电力营销业务中台的业务调度方法及装置,使用蚁群算法融合遗传算法来调度业务,应用遗传算法全局最优收敛的优点,将遗传算法融入到蚁群算法的每一次迭代过程中,使之具有很强的全局最优能力,能够在每次迭代中产生前端用户对后端业务系统匹配的最优解,以加快调度的实时性和合理性,提升用户的被服务体验。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,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地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,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为本发明实施例公开的一种电力营销业务中台的业务调度方法流程图;
图2为本发明实施例公开的蚁群算法和遗传算法在优化过程的整体态势速度-时间图;
图3为本发明实施例公开的另一种电力营销业务中台的业务调度方法流程图;
图4为本发明实施例公开的确定最优分配路径是否满足收敛条件的流程图;
图5为本发明实施例公开的一种电力营销业务中台的业务调度装置的结构示意图;
图6为本发明实施例公开的另一种电力营销业务中台的业务调度装置的结构示意图;
图7为本发明实施例公开的收敛判断模块的结构示意图。
具体实施方式
为了引用和清楚起见,下文中使用的技术名词的说明、简写或缩写总结如下:
业务中台:业务中台就是:通过制定标准和机制,把不确定的业务规则和流程通过工业化和市场化的手段确定下来,以减少人与人之间的沟通成本,同时还能最大程度地提升协作。
蚁群算法:模拟蚂蚁觅食,用蚂蚁的行走路径表示待优化问题的可行解,整个蚂蚁群体的所有路径构成待优化问题的解空间。路径较短的蚂蚁释放的信息素量较多,随着时间的推进,较短的路径上累积的信息素浓度逐渐增高,选择该路径的蚂蚁个数也愈来愈多。最终,整个蚂蚁会在正反馈的作用下集中到最佳的路径上,此时对应的便是待优化问题的最优解。
遗传算法: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。
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。
图1为本发明实施例公开的一种电力营销业务中台的业务调度方法流程图,参见图1所示,电力营销业务中台的业务调度方法可以包括:
步骤101:获取业务请求。
本实施例所述电力营销业务中台的业务调度方法目的是通过寻求一种最优的分配策略,将前端用户的多种业务诉求按照最优的分配策略给后端业务处理节点进行处理,根据后端业务处理节点处理业务时间长短的不同,通过最优的分配策略使所有用户的业务诉求都能够得到满足并且完成时间最短。在具体实现中,首先需要获取前端的业务请求。
步骤102:基于所述业务请求需要调用的业务数据,采用蚁群算法确定所述业务请求的分配路径数据,所述分配路径数据包括一个或多个最优的分配路径。
其中,业务处理时间越短的分配路径为效果越优的分配路径。
在具体实现中,可以将业务诉求划分到一个业务集合中用T来表示,将后端业务处理节点中每种业务处理时间划到一个业务处理时间集合中用P来表示。业务集合T={T1,T2,...Tn},n代表处理业务总数;业务处理时间集合P={P1,P2,...Pm},m代表处理业务处理时间总数,即每个业务被不同的业务处理节点处理具有不同的处理时间,共m个处理时间。
在一个示意性的示例中,所述基于所述业务请求需要调用的业务数据,采用蚁群算法确定所述业务请求的分配路径数据,可以包括:基于所述业务请求需要调用的业务数据,通过控制更新信息素控制业务处理节点周游次数,确定所述业务请求的分配路径数据,其中所述信息素包括业务处理时间。
将业务中台接收的业务组成并行程序的一组业务任务构建一组相关的作业,然后采用蚁群算法,先通过限制和选择更新信息素,也就就是更新是否调度该业务的权重,控制业务处理系统节点周游次数,即遍历一遍业务系统集合需要的总时间,找出较优的可行解。
步骤103:将所述最优的分配路径作为遗传算法的初始种群,进行遗传算法的迭代进化,确定全局最优分配路径。
所述将所述最优的分配路径作为遗传算法的初始种群,进行遗传算法的迭代进化,确定全局最优分配路径,可以包括:将所述最优的分配路径作为遗传算法的初始种群,应用交叉算子和变异算子,进行遗传算法的迭代进化,得到全局最优分配路径。
用此组解作为遗传算法的初始种群,生成最优解,引导蚂蚁选择最优业务处理节点。
步骤104:依据所述全局最优分配路径执行所述业务请求对应的调度工作。
最优分配路径中包括哪个业务或业务中的哪部分分配到哪个业务处理节点进行处理。在确定了最优分配路径后,按照最优分配路径中业务对应的分配关系,将业务请求按照其对应的分配关系分配至一个或多个业务处理节点进行处理。
本实施例中,针对业务中台中的多类业务,根据后台业务处理节点处理业务的时长不同,实现业务的合理分配使得前端互联网客户发起的多类诉求业务得到及时的响应和反馈。遗传算法具有很强的全局搜索能力,尤其是当交叉概率较大时,可以产生大量的新个体,提高了全局搜索范围。蚁群算法用信息正反馈原理并加入启发式的搜索思想,具有了局部搜索能力强和收敛速度块等优点。
通过发现蚁群算法和遗传算法在优化过程的整体态势速度-时间图如图2所示。结合图2所示,蚁群算法和遗传算法的混合算法的核心思想是:前一阶段在最佳点(a点)之前用遗传算法的整体性、全局性、随机性、快速搜索的优势产生随机解,并将其转化为蚁群算法所需的初始信息素分布;后一阶段用蚁群算法的正反馈性,高效收敛的优势求取最优解。
图3为本发明实施例公开的另一种电力营销业务中台的业务调度方法流程图,如图3所示,电力营销业务中台的业务调度方法可以包括:
步骤301:获取业务请求。
步骤302:基于所述业务请求需要调用的业务数据,采用蚁群算法确定所述业务请求的分配路径数据,所述分配路径数据包括一个或多个最优的分配路径。
其中,业务处理时间越短的分配路径为效果越优的分配路径。
步骤303:将所述最优的分配路径作为遗传算法的初始种群,进行遗传算法的迭代进化,确定全局最优分配路径。
步骤304:确定所述最优分配路径是否满足收敛条件,若满足,进入步骤305。
最优分配路径只有在满足收敛条件的情况下,才能够保证一定的准确度。
步骤305:依据所述全局最优分配路径执行所述业务请求对应的调度工作。
本实施例中,在确定最优分配路径后,进一步确定其是否满足收敛条件,从而保证最优分配路径的准确度,以最终确定执行时间更快的分配路径,为用户提供更优的服务体验。
上述实施例中,确定最优分配路径是否满足收敛条件的流程图可以参见图4,如图4所示,可以包括:
步骤401:基于所述最优分配路径局部且全局更新每条分配路径的数据量,并对全局的信息素进行更新,其中所述信息素包括业务处理时间。
步骤402:基于更新后的数据确定所述最优分配路径是否满足收敛条件。
在确定最优分配路径后,进行信息素的全局更新,并且对预分配的业务处理系统进行信息素的局部更新,应用蚁群算法结合遗传算法,增强了寻找全局最优解的能力,能够使业务合理的得到业务处理节点的处理,然后进行业务的执行。
在一个具体实现中,电力营销业务中台的业务调度方法可以包括如下步骤:
1、互联网前端用户发送业务请求到电力营销业务中台,这些业务包括办电、查询、缴费、发票、充值卡、账单、活动、广告、在线服务、光伏服务、充电服务、充电桩服务、综合能源服务、增值服务、电气化服务、理财服务等;
2、电力营销业务中台统一接收互联网前端发送过来的业务请求。业务中台针对这些业务构建了多个统一的服务中心。
3、业务中台接收的业务请求,通过业务智能调度系统进行智能调度,在该调度系统中,根据后端业务处理系统处理业务的时长、前端业务请求类型和数量采用蚁群调度算法实现业务的合理调用。具体流程描述如下:
1)设置蚁群算法及遗传算法的有关参数,并初始化信息素浓度(业务处理时间对应指标,业务处理时间越短,对应的信息素浓度越高)即业务i分配给业务处理节点j的信息素浓度;
2)蚁群算法迭代数nc=nc+1;如果满足迭代结束条件即达到最大迭代次数,则算法结束,否则转到步骤3;
3)蚁群的禁忌表索引标识k=1,禁忌表用来存储调度系统是否对业务进行调度,k=1代表初始化状态,随机选择初始调度的业务;
4)将蚁群也就是选择的总的调度策略(分配路径的方式)个数随机置于业务系统上,蚂蚁根据状态转移计算的概率如公式1选择下一节点j并前进;
其中dij表示前端用户业务请求i完成处理到业务请求j处理完成所用时间。ρ为控制参数。
5)修改禁忌表指针,将本次处理的业务标记为已处理,将本次调度移动到新的请求业务上,并把新的请求业务的禁忌表状态进行更改;
6)计算出本次循环中的最优路径和次优路径解,将其作为遗传算法的初始种群;
7)应用交叉算子和变异算子,完成遗传算法的迭代进化;
8)应用遗传算法的迭代过程中得到的最优解,局部、全局更新每条路径上的信息量;后面进行全局信息素的更新;
9)检查是否满足收敛条件,如果满足,则算法结束;否则,返回流程2);
4、后台业务处理系统根据业务智能调度系统分配的业务进行处理。
对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明并不受所描述的动作顺序的限制,因为依据本发明,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本发明所必须的。
上述本发明公开的实施例中详细描述了方法,对于本发明的方法可采用多种形式的装置实现,因此本发明还公开了一种装置,下面给出具体的实施例进行详细说明。
图5为本发明实施例公开的一种电力营销业务中台的业务调度装置的结构示意图,如图5所示,电力营销业务中台的业务调度装置50可以包括:
业务获取模块501,用于获取业务请求。
本实施例所述电力营销业务中台的业务调度方法目的是通过寻求一种最优的分配策略,将前端用户的多种业务诉求按照最优的分配策略给后端业务处理节点进行处理,根据后端业务处理节点处理业务时间长短的不同,通过最优的分配策略使所有用户的业务诉求都能够得到满足并且完成时间最短。在具体实现中,首先需要获取前端的业务请求。
第一确定模块502,用于基于所述业务请求需要调用的业务数据,采用蚁群算法确定所述业务请求的分配路径数据,所述分配路径数据包括一个或多个最优的分配路径。
其中,业务处理时间越短的分配路径为效果越优的分配路径。
在一个示意性的示例中,所述第一确定模块502具体可用于:基于所述业务请求需要调用的业务数据,通过控制更新信息素控制业务处理节点周游次数,确定所述业务请求的分配路径数据,其中所述信息素包括业务处理时间。
将业务中台接收的业务组成并行程序的一组业务任务构建一组相关的作业,然后采用蚁群算法,先通过限制和选择更新信息素,也就就是更新是否调度该业务的权重,控制业务处理系统节点周游次数,即遍历一遍业务系统集合需要的总时间,找出较优的可行解。
第二确定模块503,用于将所述最优的分配路径作为遗传算法的初始种群,进行遗传算法的迭代进化,确定全局最优分配路径。
所述第二确定模块503具体可用于:将所述最优的分配路径作为遗传算法的初始种群,应用交叉算子和变异算子,进行遗传算法的迭代进化,得到全局最优分配路径。
用此组解作为遗传算法的初始种群,生成最优解,引导蚂蚁选择最优业务处理节点。
调度控制模块504,用于依据所述全局最优分配路径执行所述业务请求对应的调度工作。
最优分配路径中包括哪个业务或业务中的哪部分分配到哪个业务处理节点进行处理。在确定了最优分配路径后,按照最优分配路径中业务对应的分配关系,将业务请求按照其对应的分配关系分配至一个或多个业务处理节点进行处理。
本实施例中,针对业务中台中的多类业务,根据后台业务处理节点处理业务的时长不同,实现业务的合理分配使得前端互联网客户发起的多类诉求业务得到及时的响应和反馈。遗传算法具有很强的全局搜索能力,尤其是当交叉概率较大时,可以产生大量的新个体,提高了全局搜索范围。蚁群算法用信息正反馈原理并加入启发式的搜索思想,具有了局部搜索能力强和收敛速度块等优点。
图6为本发明实施例公开的另一种电力营销业务中台的业务调度装置的结构示意图,如图6所示,电力营销业务中台的业务调度装置60可以包括:
业务获取模块501,用于获取业务请求。
第一确定模块502,用于基于所述业务请求需要调用的业务数据,采用蚁群算法确定所述业务请求的分配路径数据,所述分配路径数据包括一个或多个最优的分配路径。
其中,业务处理时间越短的分配路径为效果越优的分配路径。
第二确定模块503,用于将所述最优的分配路径作为遗传算法的初始种群,进行遗传算法的迭代进化,确定全局最优分配路径。
收敛判断模块601,用于确定所述最优分配路径是否满足收敛条件.
最优分配路径只有在满足收敛条件的情况下,才能够保证一定的准确度。
调度控制模块504,用于在所述收敛判断模块判断满足收敛条件的情况下,依据所述全局最优分配路径执行所述业务请求对应的调度工作。
本实施例中,在确定最优分配路径后,进一步确定其是否满足收敛条件,从而保证最优分配路径的准确度,以最终确定执行时间更快的分配路径,为用户提供更优的服务体验。
图7为本发明实施例公开的收敛判断模块的结构示意图,如图7所示,所述收敛判断模块601可以包括:
数据更新模块701,用于基于所述最优分配路径局部且全局更新每条分配路径的数据量,并对全局的信息素进行更新,其中所述信息素包括业务处理时间。
收敛判断子模块702,用于基于更新后的数据确定所述最优分配路径是否满足收敛条件。
在确定最优分配路径后,进行信息素的全局更新,并且对预分配的业务处理系统进行信息素的局部更新,应用蚁群算法结合遗传算法,增强了寻找全局最优解的能力,能够使业务合理的得到业务处理节点的处理,然后进行业务的执行。
本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。
还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种电力营销业务中台的业务调度方法,其特征在于,包括:
获取业务请求;
基于所述业务请求需要调用的业务数据,采用蚁群算法确定所述业务请求的分配路径数据,所述分配路径数据包括一个或多个最优的分配路径,其中,业务处理时间越短的分配路径为效果越优的分配路径;
将所述最优的分配路径作为遗传算法的初始种群,进行遗传算法的迭代进化,确定全局最优分配路径;
依据所述全局最优分配路径执行所述业务请求对应的调度工作。
2.根据权利要求1所述的电力营销业务中台的业务调度方法,其特征在于,所述基于所述业务请求需要调用的业务数据,采用蚁群算法确定所述业务请求的分配路径数据,包括:
基于所述业务请求需要调用的业务数据,通过控制更新信息素控制业务处理节点周游次数,确定所述业务请求的分配路径数据,其中所述信息素包括业务处理时间。
3.根据权利要求1所述的电力营销业务中台的业务调度方法,其特征在于,所述将所述最优的分配路径作为遗传算法的初始种群,进行遗传算法的迭代进化,确定全局最优分配路径包括:
将所述最优的分配路径作为遗传算法的初始种群,应用交叉算子和变异算子,进行遗传算法的迭代进化,得到全局最优分配路径。
4.根据权利要求1所述的电力营销业务中台的业务调度方法,其特征在于,在所述将所述最优的分配路径作为遗传算法的初始种群,进行遗传算法的迭代进化,确定全局最优分配路径后,还包括:
确定所述最优分配路径是否满足收敛条件;
若满足,则执行所述依据所述全局最优分配路径执行所述业务请求对应的调度工作的内容。
5.根据权利要求4所述的电力营销业务中台的业务调度方法,其特征在于,所述确定所述最优分配路径是否满足收敛条件,包括:
基于所述最优分配路径局部且全局更新每条分配路径的数据量,并对全局的信息素进行更新,其中所述信息素包括业务处理时间;
基于更新后的数据确定所述最优分配路径是否满足收敛条件。
6.一种电力营销业务中台的业务调度装置,其特征在于,包括:
业务获取模块,用于获取业务请求;
第一确定模块,用于基于所述业务请求需要调用的业务数据,采用蚁群算法确定所述业务请求的分配路径数据,所述分配路径数据包括一个或多个最优的分配路径,其中,业务处理时间越短的分配路径为效果越优的分配路径;
第二确定模块,用于将所述最优的分配路径作为遗传算法的初始种群,进行遗传算法的迭代进化,确定全局最优分配路径;
调度控制模块,用于依据所述全局最优分配路径执行所述业务请求对应的调度工作。
7.根据权利要求6所述的电力营销业务中台的业务调度装置,其特征在于,所述第一确定模块具体用于:基于所述业务请求需要调用的业务数据,通过控制更新信息素控制业务处理节点周游次数,确定所述业务请求的分配路径数据,其中所述信息素包括业务处理时间。
8.根据权利要求6所述的电力营销业务中台的业务调度装置,其特征在于,所述第二确定模块具体用于:将所述最优的分配路径作为遗传算法的初始种群,应用交叉算子和变异算子,进行遗传算法的迭代进化,得到全局最优分配路径。
9.根据权利要求6所述的电力营销业务中台的业务调度装置,其特征在于,还包括:
收敛判断模块,用于确定所述最优分配路径是否满足收敛条件;
则所述调度控制模块用于在所述收敛判断模块判断满足收敛条件的情况下,依据所述全局最优分配路径执行所述业务请求对应的调度工作。
10.根据权利要求9所述的电力营销业务中台的业务调度装置,其特征在于,所述收敛判断模块包括:
数据更新模块,用于基于所述最优分配路径局部且全局更新每条分配路径的数据量,并对全局的信息素进行更新,其中所述信息素包括业务处理时间;
收敛判断子模块,用于基于更新后的数据确定所述最优分配路径是否满足收敛条件。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911098686.1A CN112862134A (zh) | 2019-11-12 | 2019-11-12 | 电力营销业务中台的业务调度方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911098686.1A CN112862134A (zh) | 2019-11-12 | 2019-11-12 | 电力营销业务中台的业务调度方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112862134A true CN112862134A (zh) | 2021-05-28 |
Family
ID=75984270
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911098686.1A Pending CN112862134A (zh) | 2019-11-12 | 2019-11-12 | 电力营销业务中台的业务调度方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112862134A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114067483A (zh) * | 2021-11-23 | 2022-02-18 | 中国工商银行股份有限公司 | 智能排队叫号方法、装置、电子设备及介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103281245A (zh) * | 2013-04-26 | 2013-09-04 | 广东电网公司电力调度控制中心 | 确定业务路由路径的方法及装置 |
CN103345657A (zh) * | 2013-04-02 | 2013-10-09 | 江苏大学 | 云计算环境下基于遗传和蚁群的任务调度方法 |
CN105527965A (zh) * | 2016-01-04 | 2016-04-27 | 江苏理工学院 | 基于遗传蚁群算法的路径规划方法及系统 |
CN107463702A (zh) * | 2017-08-16 | 2017-12-12 | 中科院成都信息技术股份有限公司 | 一种基于进化算法的数据库多连接查询优化方法 |
CN108776612A (zh) * | 2018-04-11 | 2018-11-09 | 深圳大学 | 一种云计算任务分配方法、装置、设备及存储介质 |
CN110298589A (zh) * | 2019-07-01 | 2019-10-01 | 河海大学常州校区 | 基于遗传-蚁群融合算法的动态服务资源调度方法 |
-
2019
- 2019-11-12 CN CN201911098686.1A patent/CN112862134A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103345657A (zh) * | 2013-04-02 | 2013-10-09 | 江苏大学 | 云计算环境下基于遗传和蚁群的任务调度方法 |
CN103281245A (zh) * | 2013-04-26 | 2013-09-04 | 广东电网公司电力调度控制中心 | 确定业务路由路径的方法及装置 |
CN105527965A (zh) * | 2016-01-04 | 2016-04-27 | 江苏理工学院 | 基于遗传蚁群算法的路径规划方法及系统 |
CN107463702A (zh) * | 2017-08-16 | 2017-12-12 | 中科院成都信息技术股份有限公司 | 一种基于进化算法的数据库多连接查询优化方法 |
CN108776612A (zh) * | 2018-04-11 | 2018-11-09 | 深圳大学 | 一种云计算任务分配方法、装置、设备及存储介质 |
CN110298589A (zh) * | 2019-07-01 | 2019-10-01 | 河海大学常州校区 | 基于遗传-蚁群融合算法的动态服务资源调度方法 |
Non-Patent Citations (1)
Title |
---|
王刚;钟志水;黄永青;: "基于蚁群遗传算法的网格资源调度研究", 计算机仿真, no. 04, 15 April 2009 (2009-04-15), pages 240 - 243 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114067483A (zh) * | 2021-11-23 | 2022-02-18 | 中国工商银行股份有限公司 | 智能排队叫号方法、装置、电子设备及介质 |
CN114067483B (zh) * | 2021-11-23 | 2024-05-31 | 中国工商银行股份有限公司 | 智能排队叫号方法、装置、电子设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106781663B (zh) | 用于处理停车位预约信息的系统和方法 | |
US10474504B2 (en) | Distributed node intra-group task scheduling method and system | |
CN109165808B (zh) | 一种电力通信网现场运维工单派发方法 | |
CN114721833B (zh) | 一种基于平台业务类型的智能云端协调方法和装置 | |
Gao et al. | A contract-based approach for ancillary services in V2G networks: Optimality and learning | |
CN103218737B (zh) | 一种基于双边市场的移动云计算环境中多维资源定价方法 | |
Shi et al. | Memory-based ant colony system approach for multi-source data associated dynamic electric vehicle dispatch optimization | |
CN114997631B (zh) | 一种电动汽车充电调度方法、装置、设备及介质 | |
CN108182524A (zh) | 一种订单分配方法及装置、电子设备 | |
CN109818809A (zh) | 交互式语音应答系统及其数据处理方法和电话客服系统 | |
CN110321217A (zh) | 一种多目标的云资源调度方法、装置、设备及存储介质 | |
CN112332404A (zh) | 采暖服务智能管理系统及方法 | |
CN110992123B (zh) | 一种订单派发方法及装置 | |
CN112465615A (zh) | 账单数据的处理方法、装置及系统 | |
Tsaousoglou et al. | A stochastic approximation method for price-based assignment of electric vehicles to charging stations | |
Lee et al. | Genetic algorithm-based charging task scheduler for electric vehicles in smart transportation | |
Sun et al. | A graphical game approach to electrical vehicle charging scheduling: Correlated equilibrium and latency minimization | |
CN109840625B (zh) | 一种快递员群路径导航的方法 | |
CN109800911B (zh) | 一种为多名快递员派件路径统一导航的方法 | |
CN112862134A (zh) | 电力营销业务中台的业务调度方法及装置 | |
CN105592160B (zh) | 一种云计算环境下面向服务消费者的资源配置方法 | |
CN104796467A (zh) | 一种计算具有QoS关联关系的QoS最优组合服务限定范围的方法 | |
CN116989819B (zh) | 一种基于模型解的路径确定方法及装置 | |
CN109474902A (zh) | 消息计费装置、方法、终端及系统 | |
CN108664318A (zh) | 计算迁移方法及用于计算迁移的服务端、边界服务端 |
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 |