CN113778654B - 基于粒子群优化算法的并行任务调度方法 - Google Patents
基于粒子群优化算法的并行任务调度方法 Download PDFInfo
- Publication number
- CN113778654B CN113778654B CN202111136066.XA CN202111136066A CN113778654B CN 113778654 B CN113778654 B CN 113778654B CN 202111136066 A CN202111136066 A CN 202111136066A CN 113778654 B CN113778654 B CN 113778654B
- Authority
- CN
- China
- Prior art keywords
- task
- value
- particle
- particles
- variable
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/48—Program initiating; Program switching, e.g. by interrupt
- G06F9/4806—Task transfer initiation or dispatching
- G06F9/4843—Task transfer initiation or dispatching by program, e.g. task dispatcher, supervisor, operating system
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于粒子群优化算法的并行任务调度方法,包括获取待调度的并行任务的参数信息;初始化粒子;对粒子进行ROV编码;采用离散粒子群优化算法进行迭代求解;采用变邻域搜索算法进行优化;得到最终的离散粒子群优化算法的最优解;进行并行任务的调度。本发明利用了ROV编码和基于改进粒子群优化算法对任务调度问题进行优化,并在该模型下引入种群初始化机制和变邻域搜索算法,加强了模型的全局搜索能力,使得本发明方法能够更精准的实现智能调度任务的最优调度,可以有效防止过早收敛的问题,进一步保证模型在全局领域搜索解的质量,而且适用于大规模的复杂任务调度,可靠性高,实用性好且效率较高。
Description
技术领域
本发明属于计算机技术领域,具体涉及一种基于粒子群优化算法的并行任务调度方法。
背景技术
随着计算机系统进一步的发展,在同一台处理器上处理大量的任务,已是各大企业所面临的需求。但是如何有效利用资源,高性能的完成目标任务,就成为解决该需求的一大难题。并行处理是提高计算机性能、可用性和可靠性的重要途经,也是当今计算机技术发展的主要方向之一。并行处理能够解决许多意义重大的科学工程计算问题,例如遗传问题,天气预报,电子商务,新材料及国家安全工程等。并行处理的发展,使得大型科学与工程计算,特别是高维复杂问题的计算成为可能。任务调度是并行处理中的关键步骤,任务调度算法也是决定并行处理系统总体性能的至关重要的因素。任务调度的目的是提高并行任务间的资源利用率和减少等待时间,改善负荷的均衡性,提高实时任务的响应速度和系统效率。
在大规模并行处理已经广泛应用的今天,如何充分利用处理器的计算性能并实现性能优异的并行处理,已经成为了大家关注的焦点。因此,如何针对不同的具体任务而采取有效的调度算法,已成为影响并行处理执行性能的重大因素。调度算法所研究的是在满足各种约束条件下,采用各种不同的调度方案,使一个或者多个优化的目标能够达到最优。该问题是一类优化问题,也是NP-hard问题,其有着十分庞大的解空间,因此使用一些传统的方法很难得到高质量的解。所以,要解决该问题,研究人员面临的一个挑战就是要不断的探索更加高效的求解方法。研究者们为获得最优的任务调度方案,不断的探索,已经形成了一些具有代表性的算法:如0-1程序设计法,群聚算法,基于图论的方法,启发式算法,遗传算法,模拟退火算法和粒子群算法等等。这些方法可以很好的解决小规模的调度问题;但是随着问题的规模不断扩大,任务调度问题越来越复杂,传统的方法在这方面则越来越不能满足人们的需求。
发明内容
本发明的目的在于提供一种适用于大规模的复杂任务调度,而且可靠性高、实用性好且效率较高的基于粒子群优化算法的并行任务调度方法。
本发明提供的这种基于粒子群优化算法的并行任务调度方法,包括如下步骤:
S1.获取待调度的并行任务的参数信息;
S2.根据步骤S1获取的并行任务参数信息,初始化粒子;
S3.对步骤S2得到的初始化的粒子进行ROV编码;
S4.根据当前的粒子状态,采用离散粒子群优化算法进行迭代求解;
S5.在步骤S4的迭代求解过程中,采用变邻域搜索算法进行优化;
S6.达到设定条件,迭代求解过程结束,得到最终的离散粒子群优化算法的最优解;
S7.根据步骤S6得到的最优解,进行并行任务的调度。
步骤S2所述的初始化粒子,具体包括如下步骤:
在初始化种群时,当连续两代种群的多样性Dist低于设定的阈值时,采用正态分布进行随机初始化,以增加种群的多样性;
种群的多样性Dist的计算公式为式中Popsize为种群的大小,i为当前的代数,为当前代数的种群中心值,Xi,j为第i代第j个个体的位置;以正态分布进行随机初始化时,正态分布的均值μ为正态分布的方差σ为其中Xbest为种群全局最优位置,UB为粒子的位置的最大值,LB为粒子的位置的最小值,maxiter为最大迭代次数。
步骤S3所述的对步骤S2得到的初始化的粒子进行ROV编码,具体包括如下步骤:
对于一个粒子的位置关系,首先将值最小的分量位置赋值为ROV=1;然后将值次小的分量位置赋值为ROV=2,并以此类推,直至所有的分量位置均被赋予一个唯一的ROV值,从而得到ROV编码。
步骤S4所述的根据当前的粒子状态,采用离散粒子群优化算法进行迭代求解,具体包括如下步骤:
A.设置待调度的并行任务的总运行时间最短作为目标函数,并将该目标函数作为适应度函数;
B.采用如下算式作为目标函数的约束条件:
Mi,cpu≤Qcpu
Mi,m≤Qm
Mi,st≥Mi,est
Mi,st≤Mi,lst
Mi,st+Mi,rt≤Mi,et
Mi,st≥Mj,ret,j→i
式中Mi,cpu为任务i需要占用的CPU资源值;Qcpu为队列CPU的资源最大值;Mi,m为任务i需要占用的内存值;Qm为队列内存的最大值;Mi,st为任务i的实际开始时间;Mi,est为任务i的设定的最早开始时间;Mi,lst为任务i的设定的最晚开始时间;Mi,rt为任务i的实际运行时间;Mi,et为任务i的设定的最晚结束时间;Mj,ret为任务j的实际结束时间;j→i表示任务i依赖任务j,且i≠j;为k-i个任务并行所需要占用的总的CPU资源值;为k-i个任务并行所需要占用的总的内存值;
C.在步骤B设定的约束条件下,执行所有任务直至所有任务执行完毕;
D.计算目标函数值,并更新各个粒子的速度和位置。
步骤D所述的更新各个粒子的速度和位置,具体包括如下步骤:
a.采用如下规则更新粒子的位置移动方式:
若r<w,则粒子进行插入变异:改变任务调度的顺序;
若r<C1,则粒子对自身的极值进行交叉变异:前后两部分顺序的互换;
若r<C2,则粒子对全局最优解进行交叉变异:整个任务序列的顺序互换;
其中,r为[0,1]随机数;w为设定的惯性因子;C1为设定的粒子的个体学习因子;C2为设定的粒子的社会学习因子;
b.采用如下公式更新粒子的速度和位置:
V’id=wVid+C1random(0,1)(Pid-Xid)+C2random(0,1)(Pgd-Xid)
X’id=Xid+V’id
式中V’id为更新后的粒子的速度;w为设定的惯性因子;Vid为更新前的粒子的速度;C1为设定的粒子的个体学习因子;random(0,1)为0~1范围内的一个随机数;Pid为第i个变量的个体极值的第d维;Xid为更新前的粒子的位置;C2为设定的粒子的社会学习因子;Pgd为全局最优解的第d维;X’id为更新后的粒子的位置;
c.采用如下规则对更新后的粒子的速度和位置进行修正:
式中X”id为修正后的粒子的位置;UB为粒子的位置的最大值;LB为粒子的位置的最小值;V”id为修正后的粒子的速度;Vmax为粒子的速度的最大值;Vmin为粒子的速度的最小值。
步骤S5所述的采用变邻域搜索算法进行优化,具体包括如下步骤:
(1)确定邻域结构Ni和初始解S0,同时令全局最优解为S0;
(2)若满足收敛条件则输出最优解,算法停止;否则,进行后续步骤;
(3)对S0进行扰动:随机交换S0的两个不同任务执行顺序,求解目标函数值F;
(4)令变量k=0,k为动作类型标记;
(5)开始进行变邻域搜索:
将变量S0的值赋值给临时副本S1;
若变量k=0,则进行操作swap(S1),并将结果赋值给变量F1;
若变量k=1,则进行操作insert(S1),并将结果赋值给变量F1;
若F1<F,则将变量S1的值赋值给S0,将变量F1的值赋值给F,还将变量k的值修改为0;否则,变量k的值增加1;
(6)搜索结束;
其中,swap操作的定义为:在调度任务序列中随机选择不同的两个位置x和y,把x位置上的任务与y位置上的任务进行交换,同时判断:若交换后目标函数值更优,则结束并返回结果;否则继续进行下一次的交换,直至交换后的目标函数值更优或者所有的位置均交换完毕;insert操作的定义为:随机选择两个不同的位置x和y,把x位置上的任务插入到y位置上的任务前面。
本发明提供的这种基于粒子群优化算法的并行任务调度方法,利用了ROV编码和基于改进粒子群优化算法对任务调度问题进行优化,并在该模型下引入种群初始化机制和变邻域搜索算法,加强了模型的全局搜索能力,使得本发明方法能够更精准的实现智能调度任务的最优调度,可以有效防止过早收敛的问题,进一步保证模型在全局领域搜索解的质量,而且适用于大规模的复杂任务调度,可靠性高,实用性好且效率较高。
附图说明
图1为本发明方法的方法流程示意图。
具体实施方式
如图1所示为本发明方法的方法流程示意图:本发明提供的这种基于粒子群优化算法的并行任务调度方法,包括如下步骤:
S1.获取待调度的并行任务的参数信息;
S2.根据步骤S1获取的并行任务参数信息,初始化粒子;具体包括如下步骤:
在初始化种群时,当连续两代种群的多样性Dist低于设定的阈值时,采用正态分布进行随机初始化,以增加种群的多样性;
种群的多样性Dist的计算公式为式中Popsize为种群的大小,i为当前的代数,为当前代数的种群中心值,Xi,j为第i代第j个个体的位置;以正态分布进行随机初始化时,正态分布的均值μ为正态分布的方差σ为其中Xbest为种群全局最优位置,UB为粒子的位置的最大值,LB为粒子的位置的最小值,maxiter为最大迭代次数;
S3.对步骤S2得到的初始化的粒子进行ROV编码;具体包括如下步骤:
对于一个粒子的位置关系,首先将值最小的分量位置赋值为ROV=1;然后将值次小的分量位置赋值为ROV=2,并以此类推,直至所有的分量位置均被赋予一个唯一的ROV值,从而得到ROV编码;
由于粒子位置的各个维度有大小次序关系,而ROV正是利用这种次序关系结合随机编码,将粒子的连续位置转换成离散的排序,即任务调度序列,从而计算任务调度序列的完成时间;
为了用粒子群算法解决调度问题,调度序列一般采用位置矢量表示,每个粒子的位置矢量表示一个任务的排序,则一个粒子即是一个调度序列;
S4.根据当前的粒子状态,采用离散粒子群优化算法进行迭代求解;具体包括如下步骤:
A.设置待调度的并行任务的总运行时间最短作为目标函数,并将该目标函数作为适应度函数;
B.采用如下算式作为目标函数的约束条件:
Mi,cpu≤Qcpu
Mi,m≤Qm
Mi,st≥Mi,est
Mi,st≤Mi,lst
Mi,st+Mi,rt≤Mi,et
Mi,st≥Mj,ret,j→i
式中Mi,cpu为任务i需要占用的CPU资源值;Qcpu为队列CPU的资源最大值;Mi,m为任务i需要占用的内存值;Qm为队列内存的最大值;Mi,st为任务i的实际开始时间;Mi,est为任务i的设定的最早开始时间;Mi,lst为任务i的设定的最晚开始时间;Mi,rt为任务i的实际运行时间;Mi,et为任务i的设定的最晚结束时间;Mj,ret为任务j的实际结束时间;j→i表示任务i依赖任务j,且i≠j;为k-i个任务并行所需要占用的总的CPU资源值;为k-i个任务并行所需要占用的总的内存值;
C.在步骤B设定的约束条件下,执行所有任务直至所有任务执行完毕;
D.计算目标函数值,并更新各个粒子的速度和位置;具体包括如下步骤:
a.采用如下规则更新粒子的位置移动方式:
若r<w,则粒子进行插入变异:改变任务调度的顺序;
若r<C1,则粒子对自身的极值进行交叉变异:前后两部分顺序的互换;
若r<C2,则粒子对全局最优解进行交叉变异:整个任务序列的顺序互换;
其中,r为[0,1]随机数;w为设定的惯性因子;C1为设定的粒子的个体学习因子;C2为设定的粒子的社会学习因子;
b.采用如下公式更新粒子的速度和位置:
V’id=wVid+C1random(0,1)(Pid-Xid)+C2random(0,1)(Pgd-Xid)
X’id=Xid+V’id
式中V’id为更新后的粒子的速度;w为设定的惯性因子且为非负值,通过调整惯性因子的大小,可对全局寻优和局部寻优的能力进行调整,w较大时全局寻优能力强且局部寻优能力弱,w较小时局部寻优能力强且全局寻优能力弱;Vid为更新前的粒子的速度;C1为设定的粒子的个体学习因子,表示个体自身的学习能力;random(0,1)为0~1范围内的一个随机数;Pid为第i个变量的个体极值的第d维;Xid为更新前的粒子的位置;C2为设定的粒子的社会学习因子,表示个体对全局的学习能力;Pgd为全局最优解的第d维;X’id为更新后的粒子的位置;
c.采用如下规则对更新后的粒子的速度和位置进行修正:
式中X”id为修正后的粒子的位置;UB为粒子的位置的最大值;LB为粒子的位置的最小值;V”id为修正后的粒子的速度;Vmax为粒子的速度的最大值;Vmin为粒子的速度的最小值;
S5.在步骤S4的迭代求解过程中,采用变邻域搜索算法进行优化,从而有利于对全局搜索能力的提高和局部能力之间平衡的改善,从而提高不同领域的搜索得到的解的质量;具体包括如下步骤:
(1)确定邻域结构Ni和初始解S0,同时令全局最优解为S0;
(2)若满足收敛条件则输出最优解,算法停止;否则,进行后续步骤;
(3)对S0进行扰动:随机交换S0的两个不同任务执行顺序,求解目标函数值F;
(4)令变量k=0,k为动作类型标记;
(5)开始进行变邻域搜索:
将变量S0的值赋值给临时副本S1;临时副本S1是为了方便后续在S1上进行swap和insert操作;
若变量k=0,则进行操作swap(S1),并将结果赋值给变量F1;
若变量k=1,则进行操作insert(S1),并将结果赋值给变量F1;
若F1<F,则将变量S1的值赋值给S0,将变量F1的值赋值给F,还将变量k的值修改为0;否则,变量k的值增加1;
(6)搜索结束;
其中,swap操作的定义为:在调度任务序列中随机选择不同的两个位置x和y,把x位置上的任务与y位置上的任务进行交换,同时判断:若交换后目标函数值更优,则结束并返回结果;否则继续进行下一次的交换,直至交换后的目标函数值更优或者所有的位置均交换完毕;insert操作的定义为:随机选择两个不同的位置x和y,把x位置上的任务插入到y位置上的任务前面;
具体实施时,swap(S1)即为交换S1上的x和y的位置,且x和y的取值均为随机数;insert(S1)即为在S1上随机选择两个不同的位置x和y,把x位置上的任务插入到y位置上的任务前面;
S6.达到设定条件,迭代求解过程结束,得到最终的离散粒子群优化算法的最优解;
S7.根据步骤S6得到的最优解,进行并行任务的调度。
Claims (3)
1.一种基于粒子群优化算法的并行任务调度方法,包括如下步骤:
S1.获取待调度的并行任务的参数信息;
S2.根据步骤S1获取的并行任务参数信息,初始化粒子;
S3.对步骤S2得到的初始化的粒子进行ROV编码;
S4.根据当前的粒子状态,采用离散粒子群优化算法进行迭代求解;具体包括如下步骤:
A.设置待调度的并行任务的总运行时间最短作为目标函数,并将该目标函数作为适应度函数;
B.采用如下算式作为目标函数的约束条件:
Mi,cpu≤Qcpu
Mi,m≤Qm
Mi,st≥Mi,est
Mi,st≤Mi,lst
Mi,st+Mi,rt≤Mi,et
Mi,st≥Mj,ret,j→i
式中Mi,cpu为任务i需要占用的CPU资源值;Qcpu为队列CPU的资源最大值;Mi,m为任务i需要占用的内存值;Qm为队列内存的最大值;Mi,st为任务i的实际开始时间;Mi,est为任务i的设定的最早开始时间;Mi,lst为任务i的设定的最晚开始时间;Mi,rt为任务i的实际运行时间;Mi,et为任务i的设定的最晚结束时间;Mj,ret为任务j的实际结束时间;j→i表示任务i依赖任务j,且i≠j;为k-i个任务并行所需要占用的总的CPU资源值;为k-i个任务并行所需要占用的总的内存值;
C.在步骤B设定的约束条件下,执行所有任务直至所有任务执行完毕;
D.计算目标函数值,并更新各个粒子的速度和位置;具体包括如下步骤:
a.采用如下规则更新粒子的位置移动方式:
若r<w,则粒子进行插入变异:改变任务调度的顺序;
若r<C1,则粒子对自身的极值进行交叉变异:前后两部分顺序的互换;
若r<C2,则粒子对全局最优解进行交叉变异:整个任务序列的顺序互换;
其中,r为[0,1]随机数;w为设定的惯性因子;C1为设定的粒子的个体学习因子;C2为设定的粒子的社会学习因子;
b.采用如下公式更新粒子的速度和位置:
V′id=wVid+C1random(0,1)(Pid-Xid)+C2random(0,1)(Pgd-Xid)
X′id=Xid+V′id
式中V′id为更新后的粒子的速度;w为设定的惯性因子;Vid为更新前的粒子的速度;C1为设定的粒子的个体学习因子;random(0,1)为0~1范围内的一个随机数;Pid为第i个变量的个体极值的第d维;Xid为更新前的粒子的位置;C2为设定的粒子的社会学习因子;Pgd为全局最优解的第d维;X′id为更新后的粒子的位置;
c.采用如下规则对更新后的粒子的速度和位置进行修正:
式中X″id为修正后的粒子的位置;UB为粒子的位置的最大值;LB为粒子的位置的最小值;V″id为修正后的粒子的速度;Vmax为粒子的速度的最大值;Vmin为粒子的速度的最小值;
S5.在步骤S4的迭代求解过程中,采用变邻域搜索算法进行优化;具体包括如下步骤:
(1)确定邻域结构Ni和初始解S0,同时令全局最优解为S0;
(2)若满足收敛条件则输出最优解,算法停止;否则,进行后续步骤;
(3)对S0进行扰动:随机交换S0的两个不同任务执行顺序,求解目标函数值F;
(4)令变量k=0,k为动作类型标记;
(5)开始进行变邻域搜索:
将变量S0的值赋值给临时副本S1;
若变量k=0,则进行操作swap(S1),并将结果赋值给变量F1;
若变量k=1,则进行操作insert(S1),并将结果赋值给变量F1;
若F1<F,则将变量S1的值赋值给S0,将变量F1的值赋值给F,还将变量k的值修改为0;否则,变量k的值增加1;
(6)搜索结束;
其中,swap操作的定义为:在调度任务序列中随机选择不同的两个位置x和y,把x位置上的任务与y位置上的任务进行交换,同时判断:若交换后目标函数值更优,则结束并返回结果;否则继续进行下一次的交换,直至交换后的目标函数值更优或者所有的位置均交换完毕;insert操作的定义为:随机选择两个不同的位置x和y,把x位置上的任务插入到y位置上的任务前面;
S6.达到设定条件,迭代求解过程结束,得到最终的离散粒子群优化算法的最优解;
S7.根据步骤S6得到的最优解,进行并行任务的调度。
3.根据权利要求2所述的基于粒子群优化算法的并行任务调度方法,其特征在于步骤S3所述的对步骤S2得到的初始化的粒子进行ROV编码,具体包括如下步骤:
对于一个粒子的位置关系,首先将值最小的分量位置赋值为ROV=1;然后将值次小的分量位置赋值为ROV=2,并以此类推,直至所有的分量位置均被赋予一个唯一的ROV值,从而得到ROV编码。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111136066.XA CN113778654B (zh) | 2021-09-27 | 2021-09-27 | 基于粒子群优化算法的并行任务调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111136066.XA CN113778654B (zh) | 2021-09-27 | 2021-09-27 | 基于粒子群优化算法的并行任务调度方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113778654A CN113778654A (zh) | 2021-12-10 |
CN113778654B true CN113778654B (zh) | 2023-05-16 |
Family
ID=78853753
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111136066.XA Active CN113778654B (zh) | 2021-09-27 | 2021-09-27 | 基于粒子群优化算法的并行任务调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113778654B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116301904B (zh) * | 2023-05-18 | 2023-08-22 | 之江实验室 | 一种用于深度学习编译器的算子优化加速方法及装置 |
CN117556967B (zh) * | 2024-01-11 | 2024-05-03 | 宁波安得智联科技有限公司 | 调度方法、装置、设备及存储介质 |
CN117931413B (zh) * | 2024-03-22 | 2024-07-09 | 南京航空航天大学 | 一种测控系统实时任务调度方法、装置及电子设备 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110471274A (zh) * | 2019-08-12 | 2019-11-19 | 余姚市浙江大学机器人研究中心 | 基于改进统一粒子群算法的机械零件加工流水线调度方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105207910B (zh) * | 2015-08-17 | 2018-08-24 | 国家电网公司 | 一种基于粒子群优化的电力通信网路由优化方法 |
CN107578178B (zh) * | 2017-09-11 | 2018-08-28 | 合肥工业大学 | 基于变邻域搜索和引力搜索混合算法的调度方法及系统 |
-
2021
- 2021-09-27 CN CN202111136066.XA patent/CN113778654B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110471274A (zh) * | 2019-08-12 | 2019-11-19 | 余姚市浙江大学机器人研究中心 | 基于改进统一粒子群算法的机械零件加工流水线调度方法 |
Non-Patent Citations (1)
Title |
---|
基于混合粒子群优化算法的置换流水车间调度问题研究;刘敏;张超勇;张国军;孙艺;;中国机械工程(第17期);第36-41页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113778654A (zh) | 2021-12-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113778654B (zh) | 基于粒子群优化算法的并行任务调度方法 | |
CN113034026B (zh) | 基于Q-learning和GA的多目标柔性作业车间调度自学习方法 | |
CN110598941A (zh) | 一种基于仿生策略的粒子群优化制造系统双目标排产方法 | |
Zhao et al. | An improved particle swarm optimization with decline disturbance index (DDPSO) for multi-objective job-shop scheduling problem | |
Li et al. | Surprisingly popular-based adaptive memetic algorithm for energy-efficient distributed flexible job shop scheduling | |
CN109491761A (zh) | 基于eda-ga混合算法的云计算多目标任务调度方法 | |
CN111639793A (zh) | 一种锅炉群组调度优化方法及装置 | |
CN112132469A (zh) | 一种基于多种群协作粒子群算法的水库群调度方法和系统 | |
CN116737336A (zh) | 一种基于聚类遗传算法的多无人船任务分配方法及系统 | |
CN111596622A (zh) | Ecm规则分布估计算法的柔性作业车间调度方法 | |
CN108108251B (zh) | 一种基于MPI并行化的参考点k近邻分类方法 | |
CN117555683A (zh) | 基于深度强化学习的云集群资源调度方法 | |
CN117632488A (zh) | 基于云边端协同的多用户细粒度任务卸载调度方法及装置 | |
CN114650321A (zh) | 用于边缘计算的任务调度方法及边缘计算终端 | |
Li et al. | Research on dynamic multi-objective fjsp based on genetic algorithm | |
CN115759979A (zh) | 基于rpa和流程挖掘的流程智能处理方法和系统 | |
CN113657818B (zh) | 基于双循环嵌套优化策略的Job Shop调度问题求解方法及系统 | |
CN115496133A (zh) | 基于自适应在线学习的密度数据流聚类方法 | |
Ma et al. | Task Allocation Method of Multi-Logistics Robots Based on Autoencoder-Embedded Genetic Algorithm | |
CN118312331B (zh) | 一种云边协同的算力动态调控方法 | |
Bao et al. | Research on assembly line scheduling based on small population adaptive genetic algorithm | |
CN115185655B (zh) | 基于基因频次改进的云计算平台任务调度方法 | |
Cao et al. | Optimization Study of KNN Classification Algorithm on Large-Scale Datasets: Real-Time Optimization Strategy Based on Balanced KD Tree and Multi-threaded Parallel Computing | |
Wu et al. | An estimation of distribution algorithm to optimize the utility of task scheduling under fog computing systems | |
CN118627536A (zh) | 基于多方向采样的大规模多目标优化方法 |
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 |