CN113657844B - 任务处理流程的确定方法及装置 - Google Patents
任务处理流程的确定方法及装置 Download PDFInfo
- Publication number
- CN113657844B CN113657844B CN202110663410.4A CN202110663410A CN113657844B CN 113657844 B CN113657844 B CN 113657844B CN 202110663410 A CN202110663410 A CN 202110663410A CN 113657844 B CN113657844 B CN 113657844B
- Authority
- CN
- China
- Prior art keywords
- task
- processing flow
- determining
- preset state
- attendant
- 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
- 238000012545 processing Methods 0.000 title claims abstract description 203
- 238000000034 method Methods 0.000 title claims abstract description 83
- 230000009471 action Effects 0.000 claims description 143
- 239000012634 fragment Substances 0.000 claims description 45
- 230000008569 process Effects 0.000 claims description 34
- 238000003860 storage Methods 0.000 claims description 15
- 239000013598 vector Substances 0.000 claims description 14
- 230000011218 segmentation Effects 0.000 claims description 7
- 230000001186 cumulative effect Effects 0.000 claims description 5
- 230000002354 daily effect Effects 0.000 description 30
- 230000006870 function Effects 0.000 description 13
- 238000004590 computer program Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 238000007726 management method Methods 0.000 description 7
- 230000008859 change Effects 0.000 description 5
- 238000009826 distribution Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000007774 longterm Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- RZVHIXYEVGDQDX-UHFFFAOYSA-N 9,10-anthraquinone Chemical compound C1=CC=C2C(=O)C3=CC=CC=C3C(=O)C2=C1 RZVHIXYEVGDQDX-UHFFFAOYSA-N 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
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
- G06Q10/10—Office automation; Time management
- G06Q10/103—Workflow collaboration or project management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Tourism & Hospitality (AREA)
- Medical Informatics (AREA)
- Economics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种任务处理流程的确定方法及装置。该发明包括：建立每日任务请求并发布每日任务请求；分析每日任务请求中包含的任务对应的任务特征；通过任务特征，确定历史任务数据库中是否存在与任务特征匹配的处理流程；如果存在与任务匹配的处理流程，将匹配的处理流程确定为目标处理流程，其中，按照目标处理流程处理任务；如果不存在与任务匹配的处理流程，通过Q‑Learning学习算法确定任务对应的目标处理流程。通过本发明，解决了相关技术中航天任务的增加改变多，工作量大，导致工作任务无法有效协同，任务处理效率低下的技术问题。
Description
技术领域
本发明涉及任务分配领域，具体而言，涉及一种任务处理流程的确定方法及装置。
背景技术
根据航天发展规划，空间站任务已经蓄势待发，载人登月及月球空间站计划已经提上日程，当前航天迎来跨越式发展。届时，飞行控制纳入长期管理的航天器有近地轨道航天器、月球轨道航天器、深空探测航天器。
相关技术中，由于各类航天器平台结构、控制模式、数据类型、载荷设备等都存在非常大的差异，多航天器并行管理问题日益突出，航天器每天将会产程大量的控制信息、平台遥测、科学探测数据等信息。因此，目前串行的指挥调度模式和基于计划工作模式的任务规划方法与未来多类型、多目标、多模态的航天器长期管理运控任务需求不相适应，多目标并行管理自主化、自动化运控技术研究与采用高效的任务处理方式迫在眉睫。
目前，值班岗位配置计算机性能更新速度，已经赶不上任务的增加改变，任务工作多，工作量大，无法有效协同工作，任务处置效率低下等问题。
针对相关技术中存在的上述问题，目前尚未提出有效的解决方案。
发明内容
本发明的主要目的在于提供一种任务处理流程的确定方法及装置，以解决相关技术中航天任务的增加改变多，工作量大，导致工作任务无法有效协同，任务处理效率低下的技术问题。
为了实现上述目的，根据本发明的一个方面，提供了一种任务处理流程的确定方法。该发明包括：建立每日任务请求并发布每日任务请求，其中，任务请求中包含至少一组任务集，任务集中包括至少一个任务，任务对应一个二元组，二元组用于表示任务的任务类型和任务片段以及任务的最迟完成时间；分析每日任务请求中包含的任务对应的任务特征；通过任务特征，确定历史任务数据库中是否存在与任务特征匹配的处理流程；如果存在与任务匹配的处理流程，将匹配的处理流程确定为目标处理流程，其中，按照目标处理流程处理任务；如果不存在与任务匹配的处理流程，通过Q-Learning学习算法确定任务对应的目标处理流程。
进一步地，在不存在与任务匹配的处理流程的情况下，通过Q-Learning学习算法确定任务对应的目标处理流程之前，该方法还包括：对任务进行分段处理以获得多个任务片段；通过多个任务片段，建立与任务对应的动作集，其中，动作集中包含多个动作，动作和任务片段一一对应。
进一步地，在不存在与任务匹配的处理流程的情况下，通过Q-Learning学习算法确定任务对应的目标处理流程之前，该方法还包括：建立值班人员对应的预设状态集，其中，预设状态集中至少包含单个值班员的状态集以及系统中记录的所有值班人员，单个值班员的状态集包括单个值班员的多个状态，值班员的状态至少包括值班员处理的任务片段、值班员从接受任务片段到完成任务片段所花费的时间以及值班员完成任务片段的质量。
进一步地，如果不存在与任务匹配的处理流程，通过Q-Learning学习算法确定任务对应的目标处理流程包括：步骤101：获取值班人员对应的预设状态集；步骤102：通过预设状态集，确定单个值班员的第一预设状态，其中，第一预设状态为多个状态中的一个状态；步骤103：将任务对应的动作集确定为第一预设状态下的候选动作集；步骤104：通过第一预设状态和候选动作集，确定第二预设状态并获得一个立即回报值，其中，第二预设状态为在第一预设状态下执行候选动作集中的任意一个候选动作而达到的状态，从一个状态执行一个候选动作到另一个状态时获取一个立即回报值；步骤105：在第二预设状态下，依次执行候选动作集中除已经执行过的候选动作以外的其他任意一个候选动作直至执行完候选动作集中的最后一个候选动作，以获得一个累计回报值，多个立即回报值构成一个累计回报值，累计回报值用于衡量任务的完成质量；步骤106：重新确定第一预设状态并重复执行步骤102-步骤106以获得多个累计回报值；步骤107：对多个累计回报值进行排序并确定多个累计回报值中的最高值；步骤108：将最高值对应的第一预设状态以及执行候选动作集中候选动作的顺序确定为目标处理流程。
进一步地，如果存在与任务匹配的处理流程，将匹配的处理流程确定为目标处理流程包括：计算任务对应的特征矢量；计算特征矢量与历史数据库中包含的多个历史任务对应的多个拟合值；确定多个拟合值中是否存在大于阈值拟合值的目标拟合值；如果存在目标拟合值，则将目标拟合值对应的处理流程确定为目标处理流程。
为了实现上述目的，根据本发明的另一方面，提供了一种任务处理流程的确定装置。该装置包括：任务请求单元，用于建立每日任务请求并发布每日任务请求，其中，任务请求中包含至少一组任务集，任务集中包括至少一个任务，任务对应一个二元组，二元组用于表示任务的任务类型和任务片段以及任务的最迟完成时间；数据库单元，用于分析每日任务请求中包含的任务对应的任务特征；数据库单元，还用于通过任务特征，确定历史任务数据库中是否存在与任务特征匹配的处理流程；任务分配单元，用于在存在与任务匹配的处理流程的情况下，将匹配的处理流程确定为目标处理流程，其中，按照目标处理流程处理任务；任务分配单元，用于不存在与任务匹配的处理流程的情况下，通过Q-Learning学习算法确定任务对应的目标处理流程。
通过本发明，采用以下步骤：建立每日任务请求并发布每日任务请求，其中，任务请求中包含至少一组任务集，任务集中包括至少一个任务，任务对应一个二元组，二元组用于表示任务的任务类型和任务片段以及任务的最迟完成时间；分析每日任务请求中包含的任务对应的任务特征；通过任务特征，确定历史任务数据库中是否存在与任务特征匹配的处理流程；如果存在与任务匹配的处理流程，将匹配的处理流程确定为目标处理流程，其中，按照目标处理流程处理任务；如果不存在与任务匹配的处理流程，通过Q-Learning学习算法确定任务对应的目标处理流程，解决了相关技术中航天任务的增加改变多，工作量大，导致工作任务无法有效协同，任务处理效率低下的技术问题，达到了提高任务处理效率的技术效果。
附图说明
构成本发明的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是根据本发明实施例提供的一种任务处理流程的确定方法的流程图；
图2是根据本发明实施例提供的Q-table的任务结构示意图；以及
图3是根据本发明实施例的一种任务处理流程的确定装置的示意图。
具体实施方式
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。
为了使本技术领域的人员更好地理解本发明方案，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的实施例，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，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
根据本发明的实施例，提供了一种任务处理流程的确定方法。
图1是根据本发明实施例提供的一种任务处理流程的确定方法的流程图。如图1所示，该发明包括以下步骤：
步骤S10，建立每日任务请求并发布每日任务请求，其中，任务请求中包含至少一组任务集，任务集中包括至少一个任务，任务对应一个二元组，二元组用于表示任务的任务类型和任务片段以及任务的最迟完成时间；
步骤S20，分析每日任务请求中包含的任务对应的任务特征；
步骤S30，通过任务特征，确定历史任务数据库中是否存在与任务特征匹配的处理流程；
步骤S40，如果存在与任务匹配的处理流程，将匹配的处理流程确定为目标处理流程，其中，按照目标处理流程处理任务；
步骤S50，如果不存在与任务匹配的处理流程，通过Q-Learning学习算法确定任务对应的目标处理流程。
上述地，本发明基于云平台的分布式计算，将Q-Learning学习算法应用在航天器长期管理中的任务分配过程。本申请提供的任务处理系统包括：身份验证单元、任务处理单元(各值班岗位)、专家组单元、任务请求单元、数据库单元、任务分配单元。其中，数据库单元采集值班员状态数据，形成数据集并存储，任务分配单元利用历史数据集进行训练，是进行智能学习分配任务的关键。
具体地，针对航天任务中每日建立并发布的任务请求，分析任务请求中各个任务对应的任务特征，通过数据库中的历史流程来匹配任务对应的处理流程，如果数据库中没有对应的历史处理流程，则将Q-Learning学习算法的学习算法应用在任务分配中以确定与任务对应的处理流程。
具体地，在该方法中可以根据各个岗位人员每天的排班情况建立对应的每日任务请求，同时建立了任务请求之后，向数据库发起任务请求，具体如下：
p时刻任务请求单元发布一组任务集Ms＝{m1,m2,…,mn}，任务分成各任务类型与任务片段，每个任务mi(i＝1,2,…,n)可以使用一个二元组<La,Ded>表示，其中La表示任务类型与任务片段，Ded为任务发布者设置的任务最迟完成时间。任务结构如下表1所示，任务Ms＝{<L(m1，a1)，L(m1，a2)，D1>，<L(m2，b1)，D2>，<L(m3，c1)，D3>，…，<L(mn，N1)，Dn>}，具体任务结构示意图如图2所示。
进一步地，数据请求单元接收每日任务请求，分析任务请求中包含的任务的任务特征，建立特征矢量，并计算任务请求的特征值与历史任务数据库中任务的拟合值，分析该任务是否有历史流程匹配，若有匹配，按照原有流程，将任务传递给任务分配单元；若无匹配，拟合值较差，将任务请求提交给专家组单元，进行进一步分析,并进行分类；数据库单元为云平台所有用户提供文件管理与共享服务。
可选地，在不存在与任务匹配的处理流程的情况下，通过Q-Learning学习算法确定任务对应的目标处理流程之前，该方法还包括：对任务进行分段处理以获得多个任务片段；通过多个任务片段，建立与任务对应的动作集，其中，动作集中包含多个动作，动作和任务片段一一对应。
如果任务在数据库中没有匹配到对应的任务流程，则需将确定与之对应的处理流程的任务进行分段处理以分出多个任务片段，建立与多个任务片段对应的动作集。
具体地，在本发明提供的实施例中，系统还包括专家组单元，专家组单元用于对数据库单元提交的无匹配处理流程的任务进行裁决，人工设计，对任务流程进行分段设计，并提交到数据库单元。
可选地，在不存在与任务匹配的处理流程的情况下，通过Q-Learning学习算法确定任务对应的目标处理流程之前，该方法还包括：建立值班人员对应的预设状态集，其中，预设状态集中至少包含单个值班员的状态集以及系统中记录的所有值班人员，单个值班员的状态集包括单个值班员的多个状态，值班员的状态至少包括值班员处理的任务片段、值班员从接受任务片段到完成任务片段所花费的时间以及值班员完成任务片段的质量。
具体地，建立值班人员的状态机S，系统中共有v个值班员，在p时刻使用Sp＝{s1,s2,…,sv}表示为一组值班员状态集，单个值班员的状态集sj＝{M,T,Wt}。M＝{m1,m2,…,mn}，表示当前正在处理具体任务片段列表。T＝{tij}(i＝1,2,…,n；j＝1,2…,m)，表示接受任务片段到完成任务片段的时间；Wij＝{wij,wij,…,wij}，其中i代表任务类型，j代表第j个任务片段，wij表示值班员完成每个任务片段的质量，对值班员未接触过的任务评分为0，质量评价由之前统计完成各任务片段的正确率决定。
可选地，如果不存在与任务匹配的处理流程，通过Q-Learning学习算法确定任务对应的目标处理流程包括：
步骤101：获取值班人员对应的预设状态集；
步骤102：通过预设状态集，确定单个值班员的第一预设状态，其中，第一预设状态为多个状态中的一个状态；
步骤103：将任务对应的动作集确定为第一预设状态下的候选动作集；
步骤104：通过第一预设状态和候选动作集，确定第二预设状态并获得一个立即回报值，其中，第二预设状态为在第一预设状态下执行候选动作集中的任意一个候选动作而达到的状态，从一个状态执行一个候选动作到另一个状态时获取一个立即回报值；
步骤105：在第二预设状态下，依次执行候选动作集中除已经执行过的候选动作以外的其他任意一个候选动作直至执行完候选动作集中的最后一个候选动作，以获得一个累计回报值，多个立即回报值构成一个累计回报值，累计回报值用于衡量任务的完成质量；
步骤106：重新确定第一预设状态并重复执行步骤102-步骤106以获得多个累计回报值；
步骤107：对多个累计回报值进行排序并确定多个累计回报值中的最高值；
步骤108：将最高值对应的第一预设状态以及执行候选动作集中候选动作的顺序确定为目标处理流程。
上述地，通过Q-Learning学习算法确定任务对应的目标处理流的最大问题在于择合适的值班员来执行任务段。
问题的三个主要影响因素为：值班员任务列表排队等候时间、值班员接受任务片段到完成任务片段的时间、值班员完成任务的正确率。
任务分配单元采用Q-Learning算法，找到最优的任务分配方法，具体如下：
1)将值班人员群体作为学习的对象，在一个确定时刻，值班人员群体一定有一个确定的状态(State)，但是再分配任务后，其状态就会发生改变，因此，必须对其活动结果(下一个状态)有一个估算，并借此形成下一步的决策。
一般而言，学习者是通过采取动作(Action)来适应环境的。就是说，需要通过不断地尝试某状态下可能动作的效果，来认知值班人员情况并采取恰当的动作来分配任务。
在强化学习过程中，在某个状态采取什么样的动作到下一个状态是由策略控制的，策略就是从状态到动作的映射不断地探索来改变状态，达到寻优目的。因此，一个状态s的立即回报值是在不断地探索中加以完善的。
进一步地，每一次执行候选动作就意味着“值班人员”状态发生改变，但是这种改变需要持续进行评价，每个分配动作引发的“值班人员”状态更新都需要进行评价并累计到之前的状态回报中。
具体地，定义符号，S是“值班人员”的状态集，s是“值班人员”一个状态，A是“任务分配单元”的动作集，a是任务分配一个动作，A(s)是s状态下所有候选动作集，s(a)是s状态下采用a动作得到的下状态，R(s)是s状态下“值班人员”的回报值，Q(s,a)是s状态下采用a动作生成的Q值。
给定t时刻的当前状态，动作a∈A(s)是s状态下可以执行的一个候选动作，则策略下的关于状态s和动作a的回报可以用动作值函数来估计。对应的表达公式：
其中：R(st)和γ分别是t时刻的立即回报和折扣因子；A(*)是状态*可能采取的下动作集合，整个的后面一项就是t时刻的未来Q值的累计估计，Q值是衡量任务质量的重要指标，其中，从某个状态选取动作A，走到最终状态很多很多次，最终获得奖励总和的平均值，就是Q值。
进一步地，使用公式Q(s,a)←Q(s,a)+α×(R(s')+γ×maxa'∈A(s'){Q(s',a')-Q(s,a)})来更新Q值。其中：s和s’分别是当前状态和下个状态，a则是使s到s’的有效动作，而A(s')则是下状态s'可能采取的候选动作；a∈[0,1]被称为为学习率，用于调节学习过程中的可能误差；γ为折扣因子。
训练Q函数，最终实现Q-Learning算法用于任务分配，最终达到了以较少步骤确定最优任务分配人选。
当探索了一个当前时刻的状态si和所有可能动作A(si)后，就可以根据环境的反馈回报信息选取一个最优动作进入下一次状态si+1；如此反复直到终点，确定最优任务分配人选为终止，也就是说通过执行不同路线得到多个Q值，将最高Q值对应的执行路线确定为任务的目标处理流程。
可选地，如果存在与任务匹配的处理流程，将匹配的处理流程确定为目标处理流程包括：计算任务对应的特征矢量；计算特征矢量与历史数据库中包含的多个历史任务对应的多个拟合值；确定多个拟合值中是否存在大于阈值拟合值的目标拟合值；如果存在目标拟合值，则将目标拟合值对应的处理流程确定为目标处理流程。
上述地，本发明提供的任务处理流程的确定方法对应的装置包括的数据库单元接收任务请求单元发起的任务请求，分析任务特征，建立特征矢量，并计算任务请求的特征值与历史任务数据库中任务的拟合值，通过拟合值分析该任务是否有历史流程匹配，若有匹配，按照原有流程，将任务传递给任务分配单元；若无匹配，拟合值较差，将任务请求提交给专家组单元，进行进一步分析，并进行分类；数据库单元为云平台所有用户提供文件管理与共享服务。
本发明实施例提供的一种任务处理流程的确定方法，通过建立每日任务请求并发布每日任务请求，其中，任务请求中包含至少一组任务集，任务集中包括至少一个任务，任务对应一个二元组，二元组用于表示任务的任务类型和任务片段以及任务的最迟完成时间；分析每日任务请求中包含的任务对应的任务特征；通过任务特征，确定历史任务数据库中是否存在与任务特征匹配的处理流程；如果存在与任务匹配的处理流程，将匹配的处理流程确定为目标处理流程，其中，按照目标处理流程处理任务；如果不存在与任务匹配的处理流程，通过Q-Learning学习算法确定任务对应的目标处理流程，解决了相关技术中航天任务的增加改变多，工作量大，导致工作任务无法有效协同，任务处理效率低下的技术问题，达到了提高任务处理效率的技术效果。
需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
本发明实施例还提供了一种任务处理流程的确定装置，需要说明的是，本发明实施例的一种任务处理流程的确定装置可以用于执行本发明实施例所提供的用于一种任务处理流程的确定方法。以下对本发明实施例提供的一种任务处理流程的确定装置进行介绍。
图3是根据本发明实施例的一种任务处理流程的确定装置的示意图。如图3所示，该装置包括：任务请求单元301，用于建立每日任务请求并发布每日任务请求，其中，任务请求中包含至少一组任务集，任务集中包括至少一个任务，任务对应一个二元组，二元组用于表示任务的任务类型和任务片段以及任务的最迟完成时间；数据库单元302，用于分析每日任务请求中包含的任务对应的任务特征；数据库单元302，还用于通过任务特征，确定历史任务数据库中是否存在与任务特征匹配的处理流程；任务分配单元303，用于在存在与任务匹配的处理流程的情况下，将匹配的处理流程确定为目标处理流程，其中，按照目标处理流程处理任务；任务分配单元303，用于不存在与任务匹配的处理流程的情况下，通过Q-Learning学习算法确定任务对应的目标处理流程。
可选地，该装置还包括：处理单元，用于在不存在与任务匹配的处理流程的情况下，通过Q-Learning学习算法确定任务对应的目标处理流程之前，对任务进行分段处理以获得多个任务片段；第一创建单元，用于通过多个任务片段，建立与任务对应的动作集，其中，动作集中包含多个动作，动作和任务片段一一对应。
可选地，该装置还包括：第二创建单元，用于在不存在与任务匹配的处理流程的情况下，通过Q-Learning学习算法确定任务对应的目标处理流程之前，建立值班人员对应的预设状态集，其中，预设状态集中至少包含单个值班员的状态集以及系统中记录的所有值班人员，单个值班员的状态集包括单个值班员的多个状态，值班员的状态至少包括值班员处理的任务片段、值班员从接受任务片段到完成任务片段所花费的时间以及值班员完成任务片段的质量。
可选地，任务分配单元303包括：第一获取子单元，用于获取值班人员对应的预设状态集；第一确定子单元，用于通过预设状态集，确定单个值班员的第一预设状态，其中，第一预设状态为多个状态中的一个状态；第二确定子单元，用于将任务对应的动作集确定为第一预设状态下的候选动作集；第三确定子单元，用于通过第一预设状态和候选动作集，确定第二预设状态并获得一个立即回报值，其中，第二预设状态为在第一预设状态下执行候选动作集中的任意一个候选动作而达到的状态，从一个状态执行一个候选动作到另一个状态时获取一个立即回报值；执行子单元，用于在第二预设状态下，依次执行候选动作集中除已经执行过的候选动作以外的其他任意一个候选动作直至执行完候选动作集中的最后一个候选动作，以获得一个累计回报值，多个立即回报值构成一个累计回报值，累计回报值用于衡量任务的完成质量；第四确定子单元，用于重新确定第一预设状态并重复执行步骤102-步骤106以获得多个累计回报值；第五确定子单元，用于对多个累计回报值进行排序并确定多个累计回报值中的最高值；第六确定子单元，用于将最高值对应的第一预设状态以及执行候选动作集中候选动作的顺序确定为目标处理流程。
可选地，任务分配单元303还包括：第一计算子单元，用于计算任务对应的特征矢量；第二计算子单元，用于计算特征矢量与历史数据库中包含的多个历史任务对应的多个拟合值；第七确定子单元，用于确定多个拟合值中是否存在大于阈值拟合值的目标拟合值；第八确定子单元，用于在存在目标拟合值的情况下，将目标拟合值对应的处理流程确定为目标处理流程。
具体地，本实施例中提出的任务请求单元需明确各岗位不同值班员的处理权限和功能，避免不同的岗位人员相互干扰。将值班员定位相关岗位，明确各岗位负载任务类型，设计相关任务处理权限和操作功能。任务处理单元的值班人员完成主要工作有实际操作与任务处理，任务岗位处理完毕本岗位职责后，将完成的该任务片段返回到任务分配单元303，任务分配单元303按照流程对任务片段进行整合，进行下一步的分配处理，直到该任务结束。
任务处理单元最终完成对航天器的操控，对测控资源的申请，应急故障处置，以及向专家组单元提交协助请求等工作。
需要说明的是，该装置还包括身份验证单元，用于验证值班员的身份信息，确保整个平台的安全性，避免非本岗位人员的误操作，每个值班员设立独立账号，采集每个账号的操作信息，在数据库单元302中建立值班员记录档案。根据任务及岗位需要，及时更换、加入、减少系统中的各级用户，提升或减少值班员的权限与功能。
同时还包括专家组单元，专家组单元有以下功能：
1、对于数据库单元302中无合适范例、拟合度较差任务，由专家组单元进行裁决，人工设计，建立分配方法，对任务流程进行分段设计，并提交到数据库单元302；
2、对于故障处置和应急情况，专家组成员设计处置流程与处理方法，并标明任务为紧急处理级别，提交任务请求，并要求任务请求单元发布紧急处置请求；
3、对于任务处理单元提交的协助请求进行支援；
4、对于需要更改的历史流程，在数据库中设置优化。
同时，任务处理单元还用于明确各岗位不同值班员的处理权限和功能，避免不同的岗位人员相互干扰。将值班员定位相关岗位，明确各岗位负责任务类型，设计相关任务处理权限和操作功能；任务处理单元的值班人员完成主要工作有航天器操作控制、任务处理、测控资源的申请协调、规划计划等工作，任务岗位处理完毕本岗位职责后，将完成的该任务片段返回到任务分配单元303。出现故障处置，值班员向专家组单元提交协助请求。
本发明实施例提供的一种任务处理流程的确定装置，通过任务请求单元，用于建立每日任务请求并发布每日任务请求，其中，任务请求中包含至少一组任务集，任务集中包括至少一个任务，任务对应一个二元组，二元组用于表示任务的任务类型和任务片段以及任务的最迟完成时间；数据库单元302，用于分析每日任务请求中包含的任务对应的任务特征；数据库单元302，还用于通过任务特征，确定历史任务数据库中是否存在与任务特征匹配的处理流程；任务分配单元303，用于在存在与任务匹配的处理流程的情况下，将匹配的处理流程确定为目标处理流程，其中，按照目标处理流程处理任务；任务分配单元303，用于不存在与任务匹配的处理流程的情况下，通过Q-Learning学习算法确定任务对应的目标处理流程，解决了相关技术中航天任务的增加改变多，工作量大，导致工作任务无法有效协同，任务处理效率低下的技术问题，达到了提高任务处理效率的技术效果。
一种任务处理流程的确定装置包括处理器和存储器，上述任务请求单元等均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数来解决相关技术中航天任务的增加改变多，工作量大，导致工作任务无法有效协同，任务处理效率低下的技术问题。
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)，存储器包括至少一个存储芯片。
本发明实施例提供了一种计算机存储介质，其上存储有程序，该程序被处理器执行时实现一种任务处理流程的确定方法。
本发明实施例提供了一种处理器，处理器用于运行程序，其中，程序运行时执行一种任务处理流程的确定方法。
本发明实施例提供了一种设备，设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序，处理器执行程序时实现以下步骤：建立每日任务请求并发布每日任务请求，其中，任务请求中包含至少一组任务集，任务集中包括至少一个任务，任务对应一个二元组，二元组用于表示任务的任务类型和任务片段以及任务的最迟完成时间；分析每日任务请求中包含的任务对应的任务特征；通过任务特征，确定历史任务数据库中是否存在与任务特征匹配的处理流程；如果存在与任务匹配的处理流程，将匹配的处理流程确定为目标处理流程，其中，按照目标处理流程处理任务；如果不存在与任务匹配的处理流程，通过Q-Learning学习算法确定任务对应的目标处理流程。
可选地，在不存在与任务匹配的处理流程的情况下，通过Q-Learning学习算法确定任务对应的目标处理流程之前，该方法还包括：对任务进行分段处理以获得多个任务片段；通过多个任务片段，建立与任务对应的动作集，其中，动作集中包含多个动作，动作和任务片段一一对应。
可选地，在不存在与任务匹配的处理流程的情况下，通过Q-Learning学习算法确定任务对应的目标处理流程之前，该方法还包括：建立值班人员对应的预设状态集，其中，预设状态集中至少包含单个值班员的状态集以及系统中记录的所有值班人员，单个值班员的状态集包括单个值班员的多个状态，值班员的状态至少包括值班员处理的任务片段、值班员从接受任务片段到完成任务片段所花费的时间以及值班员完成任务片段的质量。
可选地，如果不存在与任务匹配的处理流程，通过Q-Learning学习算法确定任务对应的目标处理流程包括：步骤101：获取值班人员对应的预设状态集；步骤102：通过预设状态集，确定单个值班员的第一预设状态，其中，第一预设状态为多个状态中的一个状态；步骤103：将任务对应的动作集确定为第一预设状态下的候选动作集；步骤104：通过第一预设状态和候选动作集，确定第二预设状态并获得一个立即回报值，其中，第二预设状态为在第一预设状态下执行候选动作集中的任意一个候选动作而达到的状态，从一个状态执行一个候选动作到另一个状态时获取一个立即回报值；步骤105：在第二预设状态下，依次执行候选动作集中除已经执行过的候选动作以外的其他任意一个候选动作直至执行完候选动作集中的最后一个候选动作，以获得一个累计回报值，多个立即回报值构成一个累计回报值，累计回报值用于衡量任务的完成质量；步骤106：重新确定第一预设状态并重复执行步骤102-步骤106以获得多个累计回报值；步骤107：对多个累计回报值进行排序并确定多个累计回报值中的最高值；步骤108：将最高值对应的第一预设状态以及执行候选动作集中候选动作的顺序确定为目标处理流程。
可选地，如果存在与任务匹配的处理流程，将匹配的处理流程确定为目标处理流程包括：计算任务对应的特征矢量；计算特征矢量与历史数据库中包含的多个历史任务对应的多个拟合值；确定多个拟合值中是否存在大于阈值拟合值的目标拟合值；如果存在目标拟合值，则将目标拟合值对应的处理流程确定为目标处理流程。本文中的设备可以是服务器、PC、PAD、手机等。
本发明还提供了一种计算机程序产品，当在数据处理设备上执行时，适于执行初始化有如下方法步骤的程序：建立每日任务请求并发布每日任务请求，其中，任务请求中包含至少一组任务集，任务集中包括至少一个任务，任务对应一个二元组，二元组用于表示任务的任务类型和任务片段以及任务的最迟完成时间；分析每日任务请求中包含的任务对应的任务特征；通过任务特征，确定历史任务数据库中是否存在与任务特征匹配的处理流程；如果存在与任务匹配的处理流程，将匹配的处理流程确定为目标处理流程，其中，按照目标处理流程处理任务；如果不存在与任务匹配的处理流程，通过Q-Learning学习算法确定任务对应的目标处理流程。
可选地，在不存在与任务匹配的处理流程的情况下，通过Q-Learning学习算法确定任务对应的目标处理流程之前，该方法还包括：对任务进行分段处理以获得多个任务片段；通过多个任务片段，建立与任务对应的动作集，其中，动作集中包含多个动作，动作和任务片段一一对应。
可选地，在不存在与任务匹配的处理流程的情况下，通过Q-Learning学习算法确定任务对应的目标处理流程之前，该方法还包括：建立值班人员对应的预设状态集，其中，预设状态集中至少包含单个值班员的状态集以及系统中记录的所有值班人员，单个值班员的状态集包括单个值班员的多个状态，值班员的状态至少包括值班员处理的任务片段、值班员从接受任务片段到完成任务片段所花费的时间以及值班员完成任务片段的质量。
可选地，如果不存在与任务匹配的处理流程，通过Q-Learning学习算法确定任务对应的目标处理流程包括：步骤101：获取值班人员对应的预设状态集；步骤102：通过预设状态集，确定单个值班员的第一预设状态，其中，第一预设状态为多个状态中的一个状态；步骤103：将任务对应的动作集确定为第一预设状态下的候选动作集；步骤104：通过第一预设状态和候选动作集，确定第二预设状态并获得一个立即回报值，其中，第二预设状态为在第一预设状态下执行候选动作集中的任意一个候选动作而达到的状态，从一个状态执行一个候选动作到另一个状态时获取一个立即回报值；步骤105：在第二预设状态下，依次执行候选动作集中除已经执行过的候选动作以外的其他任意一个候选动作直至执行完候选动作集中的最后一个候选动作，以获得一个累计回报值，多个立即回报值构成一个累计回报值，累计回报值用于衡量任务的完成质量；步骤106：重新确定第一预设状态并重复执行步骤102-步骤106以获得多个累计回报值；步骤107：对多个累计回报值进行排序并确定多个累计回报值中的最高值；步骤108：将最高值对应的第一预设状态以及执行候选动作集中候选动作的顺序确定为目标处理流程。
可选地，如果存在与任务匹配的处理流程，将匹配的处理流程确定为目标处理流程包括：计算任务对应的特征矢量；计算特征矢量与历史数据库中包含的多个历史任务对应的多个拟合值；确定多个拟合值中是否存在大于阈值拟合值的目标拟合值；如果存在目标拟合值，则将目标拟合值对应的处理流程确定为目标处理流程。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，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、商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、商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，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本发明的实施例可提供为方法、系统或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
以上仅为本发明的实施例而已，并不用于限制本发明。对于本领域技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本发明的权利要求范围之内。
Claims (5)
1.一种任务处理流程的确定方法，其特征在于，包括：
建立每日任务请求并发布所述每日任务请求，其中，所述任务请求中包含至少一组任务集，所述任务集中包括至少一个任务，所述任务对应一个二元组，所述二元组用于表示所述任务的任务类型和任务片段以及所述任务的最迟完成时间；
分析所述每日任务请求中包含的任务对应的任务特征；
通过所述任务特征，确定历史任务数据库中是否存在与所述任务特征匹配的处理流程；
如果存在与所述任务匹配的所述处理流程，将匹配的所述处理流程确定为目标处理流程，其中，按照所述目标处理流程处理所述任务；
如果不存在与所述任务匹配的所述处理流程，通过Q-Learning学习算法确定所述任务对应的所述目标处理流程；
在不存在与所述任务匹配的所述处理流程的情况下，通过Q-Learning学习算法确定所述任务对应的目标处理流程之前，所述方法还包括：
对所述任务进行分段处理以获得多个任务片段；
通过多个所述任务片段，建立与所述任务对应的动作集，其中，所述动作集中包含多个动作，所述动作和所述任务片段一一对应；
在不存在与所述任务匹配的所述处理流程的情况下，通过Q-Learning学习算法确定所述任务对应的目标处理流程之前，所述方法还包括：
建立值班人员对应的预设状态集，其中，所述预设状态集中至少包含单个值班员的状态集以及系统中记录的所有值班人员，所述单个值班员的状态集包括所述单个值班员的多个状态，所述值班员的所述状态至少包括所述值班员处理的任务片段、所述值班员从接受所述任务片段到完成所述任务片段所花费的时间以及所述值班员完成所述任务片段的质量；
如果不存在与所述任务匹配的所述处理流程，通过Q-Learning学习算法确定所述任务对应的目标处理流程包括：
步骤101：获取所述值班人员对应的所述预设状态集；
步骤102：通过所述预设状态集，确定所述单个值班员的第一预设状态，其中，所述第一预设状态为多个所述状态中的一个状态；
步骤103：将所述任务对应的所述动作集确定为所述第一预设状态下的候选动作集；
步骤104：通过所述第一预设状态和所述候选动作集，确定第二预设状态并获得一个立即回报值，其中，所述第二预设状态为在所述第一预设状态下执行所述候选动作集中的任意一个候选动作而达到的状态，从一个状态执行一个所述候选动作到另一个所述状态时获取一个立即回报值；
步骤105：在所述第二预设状态下，依次执行所述候选动作集中除已经执行过的所述候选动作以外的其他任意一个所述候选动作直至执行完所述候选动作集中的最后一个所述候选动作，以获得一个累计回报值，多个所述立即回报值构成一个所述累计回报值，所述累计回报值用于衡量任务的完成质量；
步骤106：重新确定所述第一预设状态并重复执行步骤102-步骤106以获得多个所述累计回报值；
步骤107：对多个所述累计回报值进行排序并确定多个所述累计回报值中的最高值；
步骤108：将所述最高值对应的所述第一预设状态以及执行所述候选动作集中所述候选动作的顺序确定为所述目标处理流程。
2.根据权利要求1所述的方法，其特征在于，如果存在与所述任务匹配的所述处理流程，将匹配的所述处理流程确定为目标处理流程包括：
计算所述任务对应的特征矢量；
计算所述特征矢量与历史数据库中包含的多个历史任务对应的多个拟合值；
确定多个所述拟合值中是否存在大于阈值拟合值的目标拟合值；
如果存在所述目标拟合值，则将所述目标拟合值对应的所述处理流程确定为所述目标处理流程。
3.一种任务处理流程的确定装置，其特征在于，包括：
任务请求单元，用于建立每日任务请求并发布所述每日任务请求，其中，所述任务请求中包含至少一组任务集，所述任务集中包括至少一个任务，所述任务对应一个二元组，所述二元组用于表示所述任务的任务类型和任务片段以及所述任务的最迟完成时间；
数据库单元，用于分析所述每日任务请求中包含的任务对应的任务特征；
所述数据库单元，还用于通过所述任务特征，确定历史任务数据库中是否存在与所述任务特征匹配的处理流程；
任务分配单元，用于在存在与所述任务匹配的所述处理流程的情况下，将匹配的所述处理流程确定为目标处理流程，其中，按照所述目标处理流程处理所述任务；
所述任务分配单元，用于不存在与所述任务匹配的所述处理流程的情况下，通过Q-Learning学习算法确定所述任务对应的所述目标处理流程；
所述装置还包括：处理单元，用于在不存在与所述任务匹配的所述处理流程的情况下，通过Q-Learning学习算法确定所述任务对应的目标处理流程之前，
对所述任务进行分段处理以获得多个任务片段；
第一创建单元，用于通过多个所述任务片段，建立与所述任务对应的动作集，其中，所述动作集中包含多个动作，所述动作和所述任务片段一一对应；
所述装置还包括：第二创建单元，用于在不存在与所述任务匹配的所述处理流程的情况下，通过Q-Learning学习算法确定所述任务对应的目标处理流程之前，
建立值班人员对应的预设状态集，其中，所述预设状态集中至少包含单个值班员的状态集以及系统中记录的所有值班人员，所述单个值班员的状态集包括所述单个值班员的多个状态，所述值班员的所述状态至少包括所述值班员处理的任务片段、所述值班员从接受所述任务片段到完成所述任务片段所花费的时间以及所述值班员完成所述任务片段的质量；
所述任务分配单元包括：
第一获取子单元，用于执行步骤101：获取所述值班人员对应的所述预设状态集；
第一确定子单元，用于执行步骤102：通过所述预设状态集，确定所述单个值班员的第一预设状态，其中，所述第一预设状态为多个所述状态中的一个状态；
第二确定子单元，用于执行步骤103：将所述任务对应的所述动作集确定为所述第一预设状态下的候选动作集；
第三确定子单元，用于执行步骤104：通过所述第一预设状态和所述候选动作集，确定第二预设状态并获得一个立即回报值，其中，所述第二预设状态为在所述第一预设状态下执行所述候选动作集中的任意一个候选动作而达到的状态，从一个状态执行一个所述候选动作到另一个所述状态时获取一个立即回报值；
执行子单元，用于执行步骤105：在所述第二预设状态下，依次执行所述候选动作集中除已经执行过的所述候选动作以外的其他任意一个所述候选动作直至执行完所述候选动作集中的最后一个所述候选动作，以获得一个累计回报值，多个所述立即回报值构成一个所述累计回报值，所述累计回报值用于衡量任务的完成质量；
第四确定子单元，用于执行步骤106：重新确定所述第一预设状态并重复执行所述步骤102-所述步骤106以获得多个所述累计回报值；
第五确定子单元，用于执行步骤107：对多个所述累计回报值进行排序并确定多个所述累计回报值中的最高值；
第六确定子单元，用于执行步骤108：将所述最高值对应的所述第一预设状态以及执行所述候选动作集中所述候选动作的顺序确定为所述目标处理流程。
4.一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包括存储的程序，其中，在所述程序运行时控制所述计算机可读存储介质所在设备执行权利要求1至2中任意一项所述的一种任务处理流程的确定方法。
5.一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序运行时执行权利要求1至2中任意一项所述的一种任务处理流程的确定方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110663410.4A CN113657844B (zh) | 2021-06-15 | 2021-06-15 | 任务处理流程的确定方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110663410.4A CN113657844B (zh) | 2021-06-15 | 2021-06-15 | 任务处理流程的确定方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113657844A CN113657844A (zh) | 2021-11-16 |
| CN113657844B true CN113657844B (zh) | 2024-04-05 |
Family
ID=78488985
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110663410.4A Active CN113657844B (zh) | 2021-06-15 | 2021-06-15 | 任务处理流程的确定方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113657844B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109725988A (zh) * | 2017-10-30 | 2019-05-07 | 北京京东尚科信息技术有限公司 | 一种任务调度方法和装置 |
| CN110119399A (zh) * | 2019-05-21 | 2019-08-13 | 成都派沃特科技股份有限公司 | 基于机器学习的业务流程优化方法 |
| CN110458429A (zh) * | 2019-07-29 | 2019-11-15 | 暨南大学 | 一种针对地理网点的智能任务分配和人员调度方法、系统 |
| CN111861159A (zh) * | 2020-07-03 | 2020-10-30 | 武汉实为信息技术股份有限公司 | 一种基于强化学习的任务分配方法 |
| CN112069151A (zh) * | 2020-09-04 | 2020-12-11 | 之江实验室 | 任务管理方案生成方法、系统及计算机可读存储介质、电子设备 |
| WO2021042510A1 (zh) * | 2019-09-02 | 2021-03-11 | 平安科技（深圳）有限公司 | 一种任务分配方法、装置、可读存储介质及终端设备 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8793381B2 (en) * | 2012-06-26 | 2014-07-29 | International Business Machines Corporation | Workload adaptive cloud computing resource allocation |
| US20160260024A1 (en) * | 2015-03-04 | 2016-09-08 | Qualcomm Incorporated | System of distributed planning |
-
2021
- 2021-06-15 CN CN202110663410.4A patent/CN113657844B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109725988A (zh) * | 2017-10-30 | 2019-05-07 | 北京京东尚科信息技术有限公司 | 一种任务调度方法和装置 |
| CN110119399A (zh) * | 2019-05-21 | 2019-08-13 | 成都派沃特科技股份有限公司 | 基于机器学习的业务流程优化方法 |
| CN110458429A (zh) * | 2019-07-29 | 2019-11-15 | 暨南大学 | 一种针对地理网点的智能任务分配和人员调度方法、系统 |
| WO2021042510A1 (zh) * | 2019-09-02 | 2021-03-11 | 平安科技（深圳）有限公司 | 一种任务分配方法、装置、可读存储介质及终端设备 |
| CN111861159A (zh) * | 2020-07-03 | 2020-10-30 | 武汉实为信息技术股份有限公司 | 一种基于强化学习的任务分配方法 |
| CN112069151A (zh) * | 2020-09-04 | 2020-12-11 | 之江实验室 | 任务管理方案生成方法、系统及计算机可读存储介质、电子设备 |
Non-Patent Citations (4)
| Title |
|---|
| Q-Learning Algorithm: A Comprehensive Classification and Applications;Beakcheol Jang et al.;IEEE Access;第7卷;133653-133667 * |
| 基于博弈的业务流程动态任务分配方法;叶岩明;赵治稳;管力明;张海平;周梦熊;;计算机集成制造系统;20170515(05);90-96 * |
| 基于社会关系的工作流任务分派策略研究;余阳 等;软件学报;20150331;第26卷(第3期);562-573 * |
| 基于神经网络增强学习算法的工艺任务分配方法;苏莹莹;王宛山;王建荣;唐亮;;东北大学学报(自然科学版)(02);129-132 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113657844A (zh) | 2021-11-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| DE112021006130T5 (de) | Automatisierte orchestrierung von containern durch bewerten von mikrodiensten | |
| CN109144724A (zh) | 一种微服务资源调度系统及方法 | |
| US11017339B2 (en) | Cognitive labor forecasting | |
| CN114943421B (zh) | 多类卫星协同任务筹划方法、装置、电子设备及存储介质 | |
| US11645594B2 (en) | Real-time optimization of aircraft manufacturing task management | |
| CN111611085B (zh) | 基于云边协同的人机混合增强智能系统、方法、装置 | |
| CN115543577B (zh) | 基于协变量的Kubernetes资源调度优化方法、存储介质及设备 | |
| KR20200068534A (ko) | 기계 학습 및 전이 학습을 이용한 공정 관리 방법, 장치 및 시스템 | |
| Jain et al. | Towards smart manufacturing with virtual factory and data analytics | |
| Ariza et al. | Provisioning computational resources for cloud-based e-learning platforms using deep learning techniques | |
| CN113568747B (zh) | 基于任务分类与时序预测的云机器人资源调度方法及系统 | |
| Fracca et al. | Estimating activity start timestamps in the presence of waiting times via process simulation | |
| CN113657844B (zh) | 任务处理流程的确定方法及装置 | |
| CN112514352A (zh) | 更新调度规则的方法、设备、系统、存储介质和终端 | |
| US20230036747A1 (en) | Cloud infrastructure planning assistant via multi-agent ai | |
| CN110858355A (zh) | 项目预算结余预测方法及装置 | |
| CN108596359A (zh) | 康复医嘱任务分派优化方法、装置和设备 | |
| CN110377769A (zh) | 基于图数据结构的建模平台系统、方法、服务器及介质 | |
| CN111950753A (zh) | 一种景区客流预测的方法及装置 | |
| CN114581220A (zh) | 数据处理方法、设备及分布式计算系统 | |
| Eremeev et al. | Methods and program tools based on prediction and reinforcement learning for the intelligent decision support systems of real-time | |
| Eremeev et al. | About the integration of learning and decision-making models in intelligent systems of real-time | |
| Zouhaier et al. | Multi-agent based truck scheduling using ant colony intelligence in a cross-docking platform | |
| Sun et al. | A real-time production scheduling method for RFID-enabled semiconductor back-end shopfloor environment in industry 4.0 | |
| Kosenko et al. | Evaluation of control and management system performance for the complex objects under uncertainty |
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 |