CN114912654A - 对象调度方法、装置、设备及存储介质 - Google Patents

对象调度方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN114912654A
CN114912654A CN202210334430.1A CN202210334430A CN114912654A CN 114912654 A CN114912654 A CN 114912654A CN 202210334430 A CN202210334430 A CN 202210334430A CN 114912654 A CN114912654 A CN 114912654A
Authority
CN
China
Prior art keywords
optimization function
task
solution
target
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
Application number
CN202210334430.1A
Other languages
English (en)
Inventor
刘颖
解鑫
徐进
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN202210334430.1A priority Critical patent/CN114912654A/zh
Publication of CN114912654A publication Critical patent/CN114912654A/zh
Pending legal-status Critical Current

Links

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"
    • 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
    • G06Q10/063112—Skill-based matching of a person or a group to a task
    • 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
    • G06Q10/063114—Status monitoring or status determination for a person or group
    • 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
    • G06Q10/063118—Staff planning in a project environment
    • 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
    • G06Q50/40—Business processes related to the transportation industry

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Game Theory and Decision Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本公开提供的对象调度方法、装置、设备及存储介质，涉及人工智能技术领域，尤其涉及云计算、自然语言处理、物联网、大数据、计算机视觉、智能搜索、信息流、深度学习技术领域。具体实现方案为：获取目标任务场景中的对象状态数据，利用对象状态数据，生成目标优化函数和目标优化函数的约束条件，再基于该约束条件，利用预设搜索算法对目标优化函数进行求解，得到目标优化函数的至少一个可行解，最后基于该至少一个可行解，利用混合整数规划模型对目标优化函数进行求解，得到目标任务场景的对象调度结果，可以在大规模问题中更快的达到最优解，提高了对象调度的效率。

Description

对象调度方法、装置、设备及存储介质
技术领域
本公开涉及人工智能中的云计算、自然语言处理、物联网、大数据、计算机视觉、智能搜索、信息流、深度学习技术领域，尤其涉及一种对象调度方法、装置、设备及存储介质。
背景技术
随着人工智能技术的迅速发展，高效、快速、便捷的排班方案可以提高相关人员的责任心和工作效率，优化劳动力效率，提高员工满意度。
其中，机场是人们生活经常涉及的一种场景，机场排班是一种比较常见的人员调度场景，机场任务分配是一种比较常见的任务调度场景，机场作为航空运输过程的重要组成部分，它是人类在地面上操作的最复杂系统之一，机场地面服务是指地勤工作人员为航班进行服务，机场地面服务的工作在保证飞机安全着陆和正常操作方面起着重要作用，如何解决地勤工作人员的人员调度问题或者机场任务的任务调度问题是关键。
发明内容
本公开提供了一种对象调度方法、装置、设备及存储介质。
根据本公开的第一方面，提供了一种对象调度方法，包括：
获取目标任务场景中的对象状态数据；
利用所述对象状态数据，生成目标优化函数和所述目标优化函数的约束条件；
基于所述约束条件，利用预设搜索算法对所述目标优化函数进行求解，得到所述目标优化函数的至少一个可行解；
基于所述至少一个可行解，利用混合整数规划模型对所述目标优化函数进行求解，得到所述目标任务场景的对象调度结果。
根据本公开的第二方面，提供了一种对象调度装置，包括：
获取单元，用于获取目标任务场景中的对象状态数据；
生成单元，用于利用所述对象状态数据，生成目标优化函数和所述目标优化函数的约束条件；
第一迭代单元，用于基于所述约束条件，利用预设搜索算法对所述目标优化函数进行求解，得到所述目标优化函数的至少一个可行解；
第二迭代单元，用于基于所述至少一个可行解，利用混合整数规划模型对所述目标优化函数进行求解，得到所述目标任务场景的对象调度结果。
根据本公开的第三方面，提供了一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行第一方面所述的方法。
根据本公开的第四方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行第一方面所述的方法。
根据本公开的第五方面，提供了一种计算机程序产品，所述计算机程序产品包括：计算机程序，所述计算机程序存储在可读存储介质中，电子设备的至少一个处理器可以从所述可读存储介质读取所述计算机程序，所述至少一个处理器执行所述计算机程序使得电子设备执行第一方面所述的方法。
根据本公开的技术方案，可以在大规模问题中更快的找到最优解，提高了对象调度的效率。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案，不构成对本公开的限定。其中：
图1是本公开实施例所适用的一种应用场景示意图；
图2是本公开第一实施例提供的对象调度方法的流程示意图；
图3是本公开第二实施例提供的对象调度方法的流程示意图；
图4是本公开第三实施例提供的对象调度方法的流程示意图；
图5是预设搜索算法对应预设网络的结构示意图；
图6是本公开第四实施例提供的对象调度方法的流程示意图；
图7是本公开的实施例中强化学习算法与混合整数规划模型共同求解最终解的流程示意图；
图8是本公开第五实施例提供的对象调度方法的流程示意图；
图9是本公开实施例提供的一种对象调度装置的结构示意图；
图10是用来实施本公开的实施例的示例电子设备的示意性框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
人工智能(Artificial Intelligence，简称AI)是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门技术科学。目前，AI技术具有自动化程度高、精确度高、成本低的优点，得到了广泛的应用。
随着人工智能技术的迅速发展，高效、快速、便捷的排班方案或任务分配方案可以提高相关人员的责任心和工作效率，优化劳动力效率，提高员工满意度。从而，衍生出了一种比较场景的优化问题，即，对象调度问题。
可选的，该对象调度问题可以包括人员排班问题(或人员调度问题)、任务分配问题，其是一类重要的、常见的、复杂的优化问题，其在机场、高铁站、地铁站、汽车站等各种服务场景中比较常见。
可理解，在各种行业的仓储管理场景或者上述服务场景中，针对由机器执行的任务场景，通常需要同时考虑需要机器执行的任务时长、任务类型，这时，需要基于机器的能力信息、待机时长信息、检修维护时间等多种信息，确定出机器的调度方案，从而能够最大限度的提高调度效率。
下述以机场排班的场景对本公开技术方案的背景以及具体实现进行解释说明。
机场地服资源的自动排班与智能调度算法的主要是利用算法模型，根据航班计划对应的地面保障任务分布情况，完成机场地面保障相关人员的自动排班，以智能化手段实现资源的优化配置，能够提升机场整体运行效率。
相关技术中，机场人员的智能排班通常采用运筹学混合整数规划模型来实现，主要是将人员排班问题抽象建模为目标函数和约束条件，使用求解器求解，而且，一旦最终求出解，可以保证是可行解。但这种方法在大规模问题中较难应用，例如，待分派任务数量较多或者人员的数量较大时，会因计算时间过长导致方法在多项式时间内不可解，从而存在无法使用的问题。因而，亟需一种既能使得运筹学混合整数规划模型求出最优解，又能提高求解速度的方案。
针对上述问题，本公开技术方案的技术构思过程如下：通过对运筹学中的优化方案进行分析发现，启发式搜索算法，例如，遗传算法、变邻域搜索算法，其通常可以在短时间内求出优化问题的近似解，但存在搜索效率低、近似解效果差的问题，基于此，本方案提出的对象调度方法，针对确定的目标优化函数，采用双线程并行的方法对强化学习中的搜索迭代算法和混合整数规划模型中的分支定界技术进行处理，每隔一段时间，将强化学习得到的相对最优解传送给混合整数规划模型，良好的可行解可以加速分支定界的速度，使分支定界更快的剪支，从而在大规模问题中更快的达到最优解。
基于上述技术构思过程，本公开实施例提供了一种对象调度方法，通过获取目标任务场景中的对象状态数据，利用该对象状态数据，生成目标优化函数和目标优化函数的约束条件，再基于该约束条件，利用预设搜索算法对目标优化函数进行求解，得到目标优化函数的至少一个可行解，最后基于该至少一个可行解，利用混合整数规划模型对目标优化函数进行求解，得到目标任务场景的对象调度结果。该技术方案，可以在大规模问题中更快的达到最优解，提高了对象调度的效率。
可选的，本公开的实施例适用的业务场景是实现地面保障相关岗位 (本次范围内)的任务智能预分派，例如，针对人员调度或任务调度的问题，在给定的业务约束条件下，如考虑人员休假、人员用餐、连续工作时长等条件下，针对给定的业务目标(覆盖率，工时，均衡性等)，输出优化的任务分派结果。例如，针对机器调度的问题，需要在给定的业务约束条件下，如机器性能、机器待机时长、机器检修、机器维护等条件下，针对给定的业务目标，输出优化的机器调度结果。
可理解，本公开的具体实施例以应用于机场地服人员排班的场景进行解释说明，例如，配载外场监装监卸、国内登机、国内客机装卸、摆渡车，传送车等业务环节相关岗位的人员排班。
本公开提供一种对象调度方法、装置、设备及存储介质，应用于人工智能中的云计算、自然语言处理、物联网、大数据、计算机视觉、智能搜索、信息流、深度学习技术领域，以在大规模的对象调度问题中快速的找到最优解，提高了对象调度的效率。
需要说明的是，本实施例中的目标优化函数和约束条件并不是针对某一特定场景的目标优化函数和约束条件，并不能反映出某一特定场景中的基础信息，其可以根据实际应用场景确定，而且，本实施例中的对象状态数据来自于公开数据集。
本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。
示例性的，图1是本公开实施例所适用的一种应用场景示意图。如图 1所示，该应用场景示意图可以包括：终端设备11和处理设备12。
可选的，用户可以通过终端设备11向处理设备12发送对象调度指示和目标任务场景中的对象状态数据。相应的，处理设备12可以基于接收到的对象状态数据和对象调度指示执行本公开实施例的技术方案。
可选的，用户还可以通过终端设备11向处理设备12发送对象调度指示，相应的，处理设备12可以基于接收到的对象调度指示从其他的设备 (例如，数据存储设备)获取目标任务场景中的对象状态数据，再执行本公开实施例的技术方案。
可理解，本公开的实施例并不限定处理设备12获取对象状态数据的具体方式，其可以根据实际场景确定，此处不作赘述。
在本实施例中，处理设备12可以基于获取到的对象状态数据，执行本公开提供的对象调度方法的程序代码，以得到目标任务场景的对象调度结果。
可选的，图1所示的应用场景还可以包括数据存储设备13，该数据存储设备13可以与处理设备12连接，用于存储目标任务场景中的对象状态数据和/或处理设备12输出的中间结果和对象调度结果。
需要说明的是，附图1仅是本公开实施例提供的一种应用场景的示意图，本公开实施例不对图1中包括的设备进行限定，也不对图1中设备之间的位置关系进行限定，例如，在图1中，数据存储设备13相对处理设备12可以是外部存储器，在其它情况下，也可以将数据存储设备13置于处理设备12中，本申请实施例并不对其进行限定。
还需要说明的是，本公开实施例中处理设备12可以是终端设备，也可以是服务器或者虚拟机等，还可以是一个或多个服务器和/或计算机等组成的分布式计算机系统等。其中，该终端设备包括但不限于：智能手机、笔记本电脑、台式电脑、平台电脑、车载设备、智能穿戴设备等，本公开实施例不作限定。服务器可以为普通服务器或者云服务器，云服务器又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品。服务器也可以为分布式系统的服务器，或者是结合了区块链的服务器。
值得说明的是，本公开的产品实现形态是包含在平台软件中，并部署在处理设备(也可以是计算云或移动终端等具有计算能力的硬件)上的程序代码。在图1所示的系统结构图中，本公开的程序代码可以存储在图像处理设备内部。运行时，程序代码运行于处理设备的主机内存和/或GPU 内存。
本公开实施例中，“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。
下面，结合上述图1所示的应用场景，通过具体实施例对本公开的技术方案进行详细说明。需要说明的是，下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。
示例性的，图2是本公开第一实施例提供的对象调度方法的流程示意图。该方法以图1中的处理设备作为执行主体进行解释说明。如图2所示，该对象调度方法可以包括如下步骤：
S201、获取目标任务场景中的对象状态数据。
在本实施例中，处理设备可以从其他设备接收目标任务场景中的对象状态数据，例如，基于获取到的链接或网址从云服务器获取对象状态数据，从关联的数据平台获取对象状态数据等，也可以从自身的数据库中读取对象状态数据(此时，处理设备中部署有数据库)。本公开的实施例并不对对象状态数据的获取过程进行限定，其可以根据实际场景确定。
可选的，对象状态数据可以包括任务信息、对象信息、场景信息等。
其中，任务信息可以包括任务类型、任务时长。
对象信息可以包括对象类型、对象能力、对象维护信息等。例如，对象类型为人员时，对象信息可以包括人员资质、人员作息等；对象类型为机器时，对象信息可以包括机器能力、待机时长信息、检修维护时间等。
场景信息可以包括日程信息、距离信息等。距离信息可以理解为两个任务的距离信息等。本实施例并不对对象状态数据的具体形式以及包括的具体内容进行限定，可以根据实际场景确定。
可理解，在本公开的实施例中，处理设备获取到的待处理数据可以是未经处理的数据，也可以是经过预处理的数据，此处不对其进行限定。
S202、利用上述对象状态数据，生成目标优化函数和目标优化函数的约束条件。
可选的，在获取到目标任务场景的对象状态数据时，例如，以目标任务场景为配载外场稽核岗位，监装、监卸等职责的机场人员调度的场景进行解释说明。此时，本场景的约束条件可以包括：人员的上下班时间约束、人员资质约束、人员休假情况约束、吃饭时间约束、飞机的航班计划时刻表约束、双机排班规则约束、远机位排班规则约束、路程时间约束等。其中，双机排班可以理解为连续执行两个任务，远机位排班可以理解为两个任务的地点距离较远。
相应的，本场景的优化目标可以包括：最大化任务总体覆盖率、最小化人员之间的工时利用率差异、最小化不同人的进出港执行次数和最小化双机任务组数等。
S203、基于上述约束条件，利用预设搜索算法对目标优化函数进行求解，得到目标优化函数的至少一个可行解。
示例性的，可以使用预设搜索算法与运筹学中的混合整数线性规划模型相结合求解。其中，预设搜索算法可以是邻域搜索的算法，因此，该步骤的思路为以邻域搜索为基础，使用强化学习优化邻域搜索的算子选择。
可选的，在本实施例中，可以首先以一定的规则，生成一个初始调度方案，即将指定的任务分给指定的对象，然后以初始调度方案为目标优化函数的初始解，进行解的迭代搜索，以寻找更好的解，执行多次，从而可以得到目标优化函数的至少一个可行解。
S204、基于上述至少一个可行解，利用混合整数规划模型对目标优化函数进行求解，得到目标任务场景的对象调度结果。
在本实施例中，处理设备可以通过并行线程执行求解对象调度的方案，即，一方面通过步骤S203中的预设搜索算法对目标优化函数进行求解，另一方面利用混合整数规划模型对目标优化函数进行求解。
可理解，在本实施例中，预设搜索算法比混合整数规划模型的求解速度快，但预设搜索算法的求解准确率低于混合整数规划模型的求解准确率。因而，在利用预设搜索算法确定出目标优化函数的每个可行解后，可以将其作为混合整数规划模型的一个参考解，因而，混合整数规划模型可以在该参考解的基础上继续进行迭代搜索，最终确定出目标任务场景的对象调度结果。
在本公开的实施例中，通过获取目标任务场景中的对象状态数据，利用对象状态数据，生成目标优化函数和目标优化函数的约束条件，再基于该约束条件，利用预设搜索算法对目标优化函数进行求解，得到目标优化函数的至少一个可行解，最后基于该至少一个可行解，利用混合整数规划模型对目标优化函数进行求解，得到目标任务场景的对象调度结果。该技术方案，可以在大规模问题中更快的达到最优解，提高了对象调度的效率。
为使读者更深刻地理解本公开的实现原理，现结合图3至图8对图2所示的实施例进行进一步细化。
示例性的，图3是本公开第二实施例提供的对象调度方法的流程示意图。如图3所示，在实施例中，上述S203可以通过如下步骤实现：
S301、获取用户指示的初始调度策略。
可选的，在本实施例中，用户可以基于以往经验给出一个初始调度策略，即，将指定的任务分给指定的对象，例如，将任务a分配给对象A，任务b分配给对象B等，从而可以使得处理设备可以获取到该初始调度策略。
S302、根据该初始调度策略，确定目标优化函数的初始解。
可选的，将该初始调度策略进行参数化处理，可以确定出目标优化函数的初始输入参数，例如，在机场场景中，目标优化函数的初始输入参数可以包括每个任务分配给的人员序号、当前任务总体覆盖率、任务所在人员的工时利用率、当前不同人执行进出港次数、当前双机任务组数，基于该初始输入参数可以求出目标优化函数的初始解。
可理解，在实际应用中，上述初始输入参数作为预设搜索算法对应预设网络的输入，会影响预设网络的收敛。
S303、基于该初始解和上述约束条件，利用预设搜索算法对目标优化函数进行解的迭代搜索，得到目标优化函数的至少一个可行解。
在实际应用中，预设搜索算法可以是以邻域搜索为基础的一种算法，其可以通过迭代搜索的策略，快速输出一个可行解。
相应的，在本实施例中，在确定出目标优化函数的初始解后，预设搜索算法可以以该初始解为基础，依次执行解的迭代搜索，以寻找更好的解，并在执行预设迭代次数后，输出目标优化函数的一个可行解，循环执行多次，可以得到目标优化函数的多个可行解。
在本实施例中，通过获取用户指示的初始调度策略，然后根据该初始调度策略，确定目标优化函数的初始解，最后基于该初始解和上述约束条件，利用预设搜索算法对目标优化函数进行解的迭代搜索，得到目标优化函数的至少一个可行解。该技术方案中，预设搜索算法基于确定的初始解可以快速确定目标优化函数的可行解，为后续对象调度的大规模问题中快速得到准确的对象调度结果奠定了基础。
示例性的，在上述图3所示实施例的基础上，图4是本公开第三实施例提供的对象调度方法的流程示意图。如图4所述，在本公开的实施例中，上述S303可以通过如下步骤实现：
S401、基于初始解和预设搜索算法对应的预设网络，确定预设搜索算法中的任务交换策略。
可选的，预设搜索算法的迭代搜索策略为：将不同对象的两个任务进行交换，判断目标优化函数的优化结果是否有提升，如果有提升，则保留更好的解，否则继续迭代，直到本次的迭代次数达到预设迭代次数为止。
相应的，在本实施例中，在确定出目标优化函数的初始解后，利用预设搜索算法求解目标优化函数可行解的关键是如何确定预设搜索算法中的任务交换策略。其中，该任务交换策略就是在两个任务交换时如何确定交换的任务，交换任务的选择能够直接决定预设搜索算法确定出每个可行解的效率。
示例性的，在本公开实施例的一种可能设计中，该预设搜索算法对应的预设网络可以包括第一子网络和第二子网络；此时，该步骤S401可以通过如下步骤实现：
A1、将上述初始解输入第一子网络，输出该初始调度策略中的第一任务；
A2、将第一任务和该初始解输入第二子网络，输出第二任务；
A3、确定预设搜索算法中的任务交换策略为利用第二任务替换初始调度策略中的第一任务。
示例性的，图5是预设搜索算法对应预设网络的结构示意图。如图5 所示，该预设网络可以第一子网络和第二子网络。
可选的，在本实施例中，该预设搜索算法采用近端策略优化(proximal policyoptimization algorithms，PPO)算法，相应的，预设网络中的第一子网络可以是critic网络，第二子网络可以是actor网络。
示例性的，在图5所示的示意图中，将上述初始解输入到第一子网络 (critic网络)时，第一子网络可以在初始调度策略对应的任务序列中，选择对哪一个任务进行更换指派。可选的，在本实施例中，假设选择出的任务为a，记该选择动作为a1，也即，第一任务为a。
继续参照图5所示，第二子网络的输入可以包括第一子网络的输出和上述初始解，因而，根据第一子网络(critic网络)和第二子网络(actor 网络)的输出，能够在a附近固定窗口内选择出可交换的任务b，即第二任务。其中，该固定窗口可以理解为以a为中心，前后预设数量的任务组成的任务窗口。
相应的，在本实施例中，任务交换策略即将第一任务和第二任务的排班进行交换，从而完成了一次排班方案的更新，也可以理解为：对象调度方案的更新。
S402、基于上述预设搜索算法中的任务交换策略和约束条件，确定该目标优化函数的更新解。
在本实施例中，由S401可知，任务交换策略就是将第一任务和第二任务的排班进行交换，因而，利用第二任务更新初始调度策略中的第二任务，可以得到更新的调度策略，将更新的调度策略对应的输入参数输入到预设搜索算法对应的预设网络进行目标优化函数求解，可以得到目标优化函数的更新解。
S403、基于上述更新解和初始解，对目标优化函数进行解的迭代搜索，确定目标优化函数的至少一个可行解。
在实际应用中，在对象调度策略更新后，预设搜索算法便会给出一个回报(Reward)。例如，在t时刻，预设搜索算法的初始调度策略为st，从初始调度策略中选择的第一任务为a1，t，确定的用于与第一任务进行交换的第二任务为a2，t，第一任务和第二任务交换后，预设搜索算法给出的回报为rt，此时，执行一次迭代搜索的结果为(st,a1，t,a2，t,rt)。同理，基于预设搜索算法执行预设迭代次数后，会输出目标优化函数的一个可行解。
在本公开的实施例中，基于初始解和预设搜索算法对应的预设网络，可以确定预设搜索算法中的任务交换策略，再基于上述预设搜索算法中的任务交换策略和约束条件，确定该目标优化函数的更新解，最后基于上述更新解和初始解，对目标优化函数进行解的迭代搜索，确定目标优化函数的至少一个可行解。该技术方案实现了调度策略中任务的互换，从而可以快速确定出目标优化函数的至少一个可行解，为后续加快混合整数规划模型的收敛奠定了基础。
示例性的，图6是本公开第四实施例提供的对象调度方法的流程示意图。在本实施例中，目标优化函数包括
如图6所述，在本公开的实施例中，上述S204可以通过如下步骤实现：
S601、基于上述至少一个可行解，确定目标优化函数中各个变量的取值。
可选的，在本实施例中，在获取到目标优化函数的每个可行解后，便可以基于该可行解确定可行的对象调度策略，进而基于该可行的对象调度策略，确定出目标优化函数中各个变量的取值。
S602、基于该约束条件和目标优化函数中各个变量的取值，利用混合整数规划模型对目标优化函数进行求解，得到目标任务场景的对象调度结果。
在本实施例中，处理设备在保证目标优化函数的各约束条件成立的前提下，在混合整数规划模型中，可以将目标优化函数中各个变量的取值作为目标优化函数的参考解，进而基于该参考解在混合整数规划模型中对目标优化函数进行解的迭代搜索，以寻找更好的解，最终得到目标任务场景的对象调度结果。
示例性的，假设预设搜索算法为强化学习算法，混合整数规划模型为数序模型，强化学习算法使用搜索迭代的方法不断寻找最优解，混合整数规划模型使用分支定界技术求解。
可选的，强化学习搜索的思路是：将一个初始解输入强化学习网络，然后通过迭代当前解的方式确定出一个相对最优解。
其中，分支定界法是一种搜索与迭代的方法，可以选择不同的分支变量和子问题进行分支。在本实施例中，分枝定界法的主要思路是：把全部的对象调度策略反复地分割为越来越小的子集，称为分支；并且对每个子集内的解集计算一个目标下界(对于最小值问题)，这称为定界，在每次分枝后，凡是界限超出已知可行解集目标值的那些子集不再进一步分枝，这样，许多子集可不予考虑，这称剪枝，继续执行上述方案，直到确定出最终的目标值，即目标任务场景的对象调度结果。
可选的，图7是本公开的实施例中强化学习算法与混合整数规划模型共同求解最终解的流程示意图。如图7所示，将基于对象状态数据生成的目标优化函数和目标优化函数的约束条件分别输入到强化学习算法与混合整数规划模型中，进而确定出最终的对象调度结果。
可选的，在大规模问题中，强化学习算法与混合整数规划模型可以采用双线程并行的方式执行，每隔一段时间，将强化学习搜索得到的相对最优解传送给混合整数规划模型，若相对最优解是良好的可行解，则可以加速混合整数规划模型中分支定界的速度，使分支定界更快的剪支，从而在大规模问题中更快的达到最优，并输出最终解。
可选的，如图7所示，处理设备的最终输出结果可以包括强化学习算法确定的相对最优解和混合整数规划模型输出的最终解。
在本公开的实施例中，基于上述至少一个可行解，确定目标优化函数中各个变量的取值，然后基于该约束条件和目标优化函数中各个变量的取值，利用混合整数规划模型对目标优化函数进行求解，得到目标任务场景的对象调度结果。该技术方案中，基于预设搜索算法和混合整数规划模型在大规模问题共同执行目标优化函数的求解，能够更快确定最优解，提高了对象调度的效率。
示例性的，图8是本公开第五实施例提供的对象调度方法的流程示意图。如图8所述，在本公开的实施例中，上述S202可以通过如下步骤实现：
S801、根据对象状态数据，配置目标任务场景的参数信息和对象调度规则。
示例性的，基于获取到的任务信息、对象信息、场景信息等对象状态数据，可以首先配置目标任务场景的参数信息和对象调度规则。
例如，以目标任务场景为机场排班场景进行解释说明，此时，对象为人员，相应的，目标任务场景的参数信息可以包括如下至少一项：
xki：第k个人员执行第i个任务；
ykt表示第k个人员执行第t个任务组合集合；
Figure BDA0003576088490000141
上式中staffTCBWi[k][i+1]表示第k个人员有资质完成以i开头的任务组合集合，对应的staffTCEWi[k][k+1]表示第k个人员有资质完成以j 结尾的任务组合集合，+1是因为该任务组合中以0表示起始虚拟任务，以 I+1表示结束虚拟任务；
Zk，i：第k个人员在执行完第i个任务后去吃午饭；
Gk，i：第k个人员在执行完第i个任务后去吃晚饭；
absQk：第k个人员工时利用率的绝对值(连续值)。
可选的，在该机场排班场景中，对象调度规则可以包括如下至少一条：一个任务只能由一个人完成、一个人只能完成对应资质的任务、不能连续执行超过一定数量的任务等。
可选的，在对象机器时，为对象调度规则可以包括如下至少一条：一个任务只能由一台机器完成、机器只能完成对应能力的任务、基于待机时长不能连续执行超过一定数量的任务等。
可理解，本实施例并不对对象调度规则的具体内容进行限定，其可以根据实际应用场景确定，此处不作赘述。
示例性的，在机场中的配载外场稽核岗位，监装、监卸业务场景中，对象调度规则可以包括如下至少一条：
1、两项任务可由同一个人执行不同的人，尽量由同一个人执行，这是软约束条件；
2、始发航班出港稽核任务的开始时间为计划起飞时间前50分钟，任务结束时间为计划起飞时间，这是硬约束条件；
3、短时过站航班，进港稽核任务开始时间为进港航班计划降落时间前15分钟，时长按40分钟记；出港稽核任务开始时间为计划起飞时间前50分钟，结束时间为出港航班计划起飞时间，这是硬约束条件；
可选的，对于短时过站航班，原则上进出港任务由一个人执行，这是软约束条件；
4、长时间(例如，110分钟以上)过站航班，进港稽核任务开始时间为进港航班计划降落时间前15分钟，时长按40分钟记；出港稽核任务开始时间为计划起飞时间前50分钟，结束时间为出港航班计划起飞时间，这是硬约束条件；
可选的，对于长时间过站航班，进出港任务可换人员执行，这是软约束条件。
5、若进出港任务不换人员执行，则出港航班计划任务路程时间按0 记，这是硬约束条件；
6、航后航班进港稽核任务开始时间为航班计划降落时间前15分钟，时长按40分钟记；
7、调度需根据航班保证任务之间的相对位置满足路程时间要求。
可理解，本实施例并不限定上述调度规则，其可以根据实际场景需求确定，此处不作赘述。
S802、基于上述对象调度规则，确定目标任务场景的优化目标集合。
可选的，在本实施例中，基于上述对象调度规则可以确定出目标任务场景中的优化目标集合。
可选的，以机场中的配载外场稽核岗位，监装、监卸业务场景为例，该优化目标集合可以包括如下至少一项：
最大化任务总体覆盖率，即最小化未覆盖任务数；
最小化人员之间的工时利用率差异；
最大化进出港航班由相同人员执行，即最小化进出港航班由不同人员执行的惩罚，最小化进出港不同人执行次数；
最小化双机作业罚分。
相应的，目标优化函数的最小化优化目标集合的取值，目标优化集合表示为：未分配任务数+工时利用率方差+双机作业罚分+进出港不同人执行次数。
S803、基于目标任务场景的参数信息和优化目标集合，构建目标优化函数。
可选的，以机场中的配载外场稽核岗位，监装、监卸业务场景为例，基于S801中确定的参数信息和上述优化目标集合中各优化目标可以得到参数化后的子目标函数，分别如下所示：
1、未覆盖任务数：
obj1＝TotalTaskNum-∑k∈K，i∈Ixki(Mi+1)
其中，TotalTaskNum表示任务总数；K为人员集合，k为人员集合K 中的第k个人员；I为任务集合，i为任务集合I中的第i个任务；Mi表示第i个任务的合并标记，若第i个任务为双机合并任务，则Mi为1，否则Mi为 0。
2、人员之间的工时利用率差异，即每个人员的工时利用率与平均工时利用率差值的绝对值之和(与计算工时利用率方差近似)：
obj2＝∑k∈K|etak-meanWorkTime|。
其中，meanWorkTime表示平均工时利用率，可以通过∑etak/K计算也可当作独立变量使用，etak表示第k个人员的工时利用率，通过ykt进行计算得到，ykt表示第k个人员执行第t个任务对。
3、双机作业罚分：
obj3＝∑k∈K，t∈DoubleFlightDFLkxkt
其中，DoubleFlight表示合并双机任务的集合，DFLk表示第k个人员的双机资质惩罚值；xkt表示第k个人员执行第t个任务。
4、进出港航班由相同人员执行：
obj4＝∑k∈K，t∈StaffTCList[k]STF[t0，t1]ykt
其中，StaffTCList[k]表示任务组合列表，STF[t0，t1]指示任务组合列表中的任务组合t的两个任务t0和t1是否为进出港航班，若是，STF[t0，t1] 为1，若否，STF[t0，t1]为0。
基于上述多个子目标函数可以确定出目标优化函数，即实际优化目标为上述多个子目标函数的加权和，即，最终的目标优化函数为：
min obj＝p1×obj1+p2×obj2+p3×obj3-p4×obj4
可理解，在不同的业务场景中，目标优化函数包括的子目标函数的数量不同，而且，各子目标函数的数量级也通常不同，其需要根据实际场景确定，此处不作赘述。相应的，在不同子目标函数的数量级不同的情况下，各子目标函数的权重值也需要根据实际业务情况确定，即各子目标函数的权重值之和可能不等于1。
示例性的，在上述机场稽核场景中，以目标优化函数包括上述四个子目标函数，且各子目标函数的数量级不同进行举例说明，此时，上述四个子目标函数的权重值可以分别为p1＝2，p2＝10，p3＝0.05，p4＝0.1。
可选的，在某一指定的场景中，若目标优化函数包括的子目标函数的数量级相同，此时，各个子目标函数的权重值之和需要等于1。
S804、基于参数信息的取值约束和对象调度规则，构建目标优化函数的约束条件。
可选的，在本实施例中，目标优化函数的约束条件包括如下至少一项：
1、每个人员必须执行一个开始任务和结束任务：
Figure BDA0003576088490000171
Figure BDA0003576088490000172
2、每个任务只能由一个人完成：
Figure BDA0003576088490000173
3、午饭&晚饭约束
Figure BDA0003576088490000174
Figure BDA0003576088490000175
其中，StaffPL[k]表示第k个人员可以在两个任务之间吃午饭的任务组合集合，对应的，StaffPD[k]表示第k个人员可以在两个任务之间吃晚饭的任务组合集合。
needLunch表示该集合中的第k个人员需要吃午饭，needDinner表示该集合中的第k个人员需要吃晚饭；
4、双机任务与单机任务的互斥约束：
Figure BDA0003576088490000176
其中，
Figure BDA0003576088490000177
双机任务的互斥约束：
∑k∈Kxk，DoubleDoubleMutex[q][0]+∑k∈Kxk，DoubleDoubleMutex[q][1]≤1
Figure BDA0003576088490000181
其中，DoubleMutex表示单机任务与双机任务的互斥，结构为(单机任务1，单机任务2，组合的双机任务)；DoubleDoubleMutex表示双机任务与双机任务的互斥，即两个双机任务中有相同的单机任务，结构为(双机任务1，双机任务2)。
5、由同一人完成的双机任务执行间隔大于预设时长T，例如，T＝150 分钟：
xk，Staff2Double150Mutex[k][r][0]+xk，Staff2Double150Mutex[k][r][1]≤1
Figure BDA0003576088490000182
其中，Staff2Double150Mutex[k][r]表示第k个人员有资质完成第r个 150分钟以内的两个双机任务互斥对，结构为(双机任务1，双机任务2)；
6、禁止连续执行N个远机位任务，例如，N＝3或4，此处可以根据实际场景确定，此处以N＝3进行解释说明：
Figure BDA0003576088490000183
其中，StaffTCEWiWOBE[k][p+1]表示表示第k个人员有资质完成以 p开头的任务组合集合，该任务组合集合不包含虚拟头任务0和虚拟结尾任务I+1，对应的StaffTCEWiWOBE[k][p+1]表示表示k人员有资质完成以p结尾的任务组合集合，该任务组合集合不包含虚拟头任务0和虚拟结尾任务I+1；
Ωp用于指示任务p是否为远机位任务，由于任务组合引入了头虚拟任务0，所以，在实际使用中，任务组合集合的远机位判断时需要减1，即Ωt[x]-1。
7、双机任务+短时过站任务修正约束
xk，staff2Double150Mutex3[k][p][0]+xk，Staff2Double150Mutex3[k][p][1]+xk，Staff2Double150Mutex3[k][p][2]≤2，
Figure BDA0003576088490000184
xk，Staff2Double150Mutex4[k][q][0]+xk，Staff2Double150Mutex4[k][q][1]+ xk，Staff2Double150Mutex4[k][q][2]+xk，Staff2Double150Mutex4[k][q][3]≤3
Figure BDA0003576088490000191
其中，Staff2Double150Mutex3[k]和Staff2Double150Mutex4[k]分别为k人员有资质完成的两个双机任务+1/2个双机任务对应的短时过站任务的3元/4元互斥组，为保证双机任务和短时过站任务不出现时间冲突，该互斥组中最多只能由同一名人员完成2/3个任务。
可理解，不同的任务场景中的对象调度规则可能不同，从而生成的目标优化函数和目标优化函数的约束条件也不同，其需要根据实际场景确定，此处不作赘述。
在本公开的实施例中，首先根据对象状态数据，配置目标任务场景的参数信息和对象调度规则，其次基于上述对象调度规则，确定目标任务场景的优化目标集合，再次基于目标任务场景的参数信息和优化目标集合，构建目标优化函数，最后基于参数信息的取值约束和对象调度规则，构建目标优化函数的约束条件。该技术方案，创建了目标任务场景中适用的目标优化函数并确定了该目标优化函数的约束条件，为后续基于统筹学确定出对象调度结果提供了实现前提。
图9是本公开实施例提供的一种对象调度装置的结构示意图。本实施例提供的对象调度装置可以为上述处理设备或者为处理设备中的装置。如图9 所示，本公开实施例提供的对象调度装置900可以包括：
获取单元901，用于获取目标任务场景中的对象状态数据；
生成单元902，用于利用所述对象状态数据，生成目标优化函数和所述目标优化函数的约束条件；
第一迭代单元903，用于基于所述约束条件，利用预设搜索算法对所述目标优化函数进行求解，得到所述目标优化函数的至少一个可行解；
第二迭代单元904，用于基于所述至少一个可行解，利用混合整数规划模型对所述目标优化函数进行求解，得到所述目标任务场景的对象调度结果。
在本公开实施例的一种可能实现中，所述第一迭代单元903，包括：
获取模块，用于获取用户指示的初始调度策略；
初始解确定模块，用于根据所述初始调度策略，确定所述目标优化函数的初始解；
第一迭代模块，用于基于所述初始解和所述约束条件，利用所述预设搜索算法对所述目标优化函数进行解的迭代搜索，得到所述目标优化函数的至少一个可行解。
其中，所述第一迭代模块，包括：
确定子模块，用于基于所述初始解和所述预设搜索算法对应的预设网络，确定所述预设搜索算法中的任务交换策略；
更新子模块，用于基于所述任务交换策略和所述约束条件，确定所述目标优化函数的更新解；
迭代子模块，用于基于所述更新解和所述初始解，对所述目标优化函数进行解的迭代搜索，确定所述目标优化函数的至少一个可行解。
可选的，所述预设网络包括第一子网络和第二子网络；
所述确定子模块，具体用于：
将所述初始解输入所述第一子网络，输出所述初始调度策略中的第一任务；
将所述第一任务和所述初始解输入所述第二子网络，输出第二任务；
确定所述预设搜索算法中的任务交换策略为利用所述第二任务替换所述初始调度策略中的所述第一任务。
在本公开实施例的一种可能实现中，所述第二迭代单元904，包括：
取值确定模块，用于基于所述至少一个可行解，确定所述目标优化函数中各个变量的取值；
第二迭代模块，用于基于所述约束条件和所述目标优化函数中各个变量的取值，利用混合整数规划模型对所述目标优化函数进行求解，得到所述目标任务场景的对象调度结果。
在本公开实施例的一种可能实现中，所述生成单元902，包括：
配置模块，用于根据所述对象状态数据，配置所述目标任务场景的参数信息和对象调度规则；
集合确定模块，用于基于所述对象调度规则，确定所述目标任务场景的优化目标集合；
函数生成模块，用于基于所述目标任务场景的参数信息和所述优化目标集合，生成目标优化函数；
条件生成模块，用于基于所述参数信息的取值约束和所述对象调度规则，生成所述目标优化函数的约束条件。
本实施例提供的对象调度装置，可用于执行上述任意方法实施例中的对象调度方法，其实现原理和技术效果类似，此处不做作赘述。
根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
根据本公开的实施例，本公开还提供了一种计算机程序产品，计算机程序产品包括：计算机程序，计算机程序存储在可读存储介质中，电子设备的至少一个处理器可以从可读存储介质读取计算机程序，至少一个处理器执行计算机程序使得电子设备执行上述任一实施例提供的方案。
可选的，该电子设备可以为上述实施例中的处理设备。
图10是用来实施本公开的实施例的示例电子设备的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图10所示，设备1000包括计算单元1001，其可以根据存储在只读存储器(ROM)1002中的计算机程序或者从存储单元1008加载到随机访问存储器(RAM)1003中的计算机程序，来执行各种适当的动作和处理。在RAM 1003中，还可存储设备1000操作所需的各种程序和数据。计算单元1001、ROM 1002以及RAM 1003通过总线1004彼此相连。输入/输出(I/O)接口1005也连接至总线1004。
设备1000中的多个部件连接至I/O接口1005，包括：输入单元1006，例如键盘、鼠标等；输出单元1007，例如各种类型的显示器、扬声器等；存储单元1008，例如磁盘、光盘等；以及通信单元1009，例如网卡、调制解调器、无线通信收发机等。通信单元1009允许设备1000通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元1001可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元1001的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元1001执行上文所描述的各个方法和处理，例如，对象调度方法。例如，在一些实施例中，对象调度方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元1008。在一些实施例中，计算机程序的部分或者全部可以经由ROM 1002和/或通信单元1009而被载入和/或安装到设备1000上。当计算机程序加载到RAM 1003并由计算单元1001执行时，可以执行上文描述的对象调度方法的一个或多个步骤。备选地，在其他实施例中，计算单元1001 可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行对象调度方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、复杂可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/ 或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入) 来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务("Virtual Private Server"，或简称"VPS")中，存在的管理难度大，业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器，或者是结合了区块链的服务器。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (15)

1.一种对象调度方法，包括：
获取目标任务场景中的对象状态数据；
利用所述对象状态数据，生成目标优化函数和所述目标优化函数的约束条件；
基于所述约束条件，利用预设搜索算法对所述目标优化函数进行求解，得到所述目标优化函数的至少一个可行解；
基于所述至少一个可行解，利用混合整数规划模型对所述目标优化函数进行求解，得到所述目标任务场景的对象调度结果。
2.根据权利要求1所述的方法，其中，所述基于所述约束条件，利用预设搜索算法对所述目标优化函数进行求解，得到所述目标优化函数的至少一个可行解，包括：
获取用户指示的初始调度策略；
根据所述初始调度策略，确定所述目标优化函数的初始解；
基于所述初始解和所述约束条件，利用所述预设搜索算法对所述目标优化函数进行解的迭代搜索，得到所述目标优化函数的至少一个可行解。
3.根据权利要求2所述的方法，其中，所述基于所述初始解和所述约束条件，利用所述预设搜索算法对所述目标优化函数进行解的迭代搜索，得到所述目标优化函数的至少一个可行解，包括：
基于所述初始解和所述预设搜索算法对应的预设网络，确定所述预设搜索算法中的任务交换策略；
基于所述任务交换策略和所述约束条件，确定所述目标优化函数的更新解；
基于所述更新解和所述初始解，对所述目标优化函数进行解的迭代搜索，确定所述目标优化函数的至少一个可行解。
4.根据权利要求3所述的方法，所述预设网络包括第一子网络和第二子网络；
所述基于所述初始解和所述预设搜索算法对应的预设网络，确定所述预设搜索算法中的任务交换策略，包括：
将所述初始解输入所述第一子网络，输出所述初始调度策略中的第一任务；
将所述第一任务和所述初始解输入所述第二子网络，输出第二任务；
确定所述预设搜索算法中的任务交换策略为利用所述第二任务替换所述初始调度策略中的所述第一任务。
5.根据权利要求1至4任一项所述的方法，其中，所述基于所述至少一个可行解，利用混合整数规划模型对所述目标优化函数进行求解，得到所述目标任务场景的对象调度结果，包括：
基于所述至少一个可行解，确定所述目标优化函数中各个变量的取值；
基于所述约束条件和所述目标优化函数中各个变量的取值，利用混合整数规划模型对所述目标优化函数进行求解，得到所述目标任务场景的对象调度结果。
6.根据权利要求1至5任一项所述的方法，其中，所述利用所述对象状态数据，生成目标优化函数和所述目标优化函数的约束条件，包括：
根据所述对象状态数据，配置所述目标任务场景的参数信息和对象调度规则；
基于所述对象调度规则，确定所述目标任务场景的优化目标集合；
基于所述目标任务场景的参数信息和所述优化目标集合，生成目标优化函数；
基于所述参数信息的取值约束和所述对象调度规则，生成所述目标优化函数的约束条件。
7.一种对象调度装置，包括：
获取单元，用于获取目标任务场景中的对象状态数据；
生成单元，用于利用所述对象状态数据，生成目标优化函数和所述目标优化函数的约束条件；
第一迭代单元，用于基于所述约束条件，利用预设搜索算法对所述目标优化函数进行求解，得到所述目标优化函数的至少一个可行解；
第二迭代单元，用于基于所述至少一个可行解，利用混合整数规划模型对所述目标优化函数进行求解，得到所述目标任务场景的对象调度结果。
8.根据权利要求7所述的装置，其中，所述第一迭代单元，包括：
获取模块，用于获取用户指示的初始调度策略；
初始解确定模块，用于根据所述初始调度策略，确定所述目标优化函数的初始解；
第一迭代模块，用于基于所述初始解和所述约束条件，利用所述预设搜索算法对所述目标优化函数进行解的迭代搜索，得到所述目标优化函数的至少一个可行解。
9.根据权利要求8所述的装置，其中，所述第一迭代模块，包括：
确定子模块，用于基于所述初始解和所述预设搜索算法对应的预设网络，确定所述预设搜索算法中的任务交换策略；
更新子模块，用于基于所述任务交换策略和所述约束条件，确定所述目标优化函数的更新解；
迭代子模块，用于基于所述更新解和所述初始解，对所述目标优化函数进行解的迭代搜索，确定所述目标优化函数的至少一个可行解。
10.根据权利要求9所述的装置，所述预设网络包括第一子网络和第二子网络；
所述确定子模块，具体用于：
将所述初始解输入所述第一子网络，输出所述初始调度策略中的第一任务；
将所述第一任务和所述初始解输入所述第二子网络，输出第二任务；
确定所述预设搜索算法中的任务交换策略为利用所述第二任务替换所述初始调度策略中的所述第一任务。
11.根据权利要求7至10任一项所述的装置，其中，所述第二迭代单元，包括：
取值确定模块，用于基于所述至少一个可行解，确定所述目标优化函数中各个变量的取值；
第二迭代模块，用于基于所述约束条件和所述目标优化函数中各个变量的取值，利用混合整数规划模型对所述目标优化函数进行求解，得到所述目标任务场景的对象调度结果。
12.根据权利要求7至11任一项所述的装置，其中，所述生成单元，包括：
配置模块，用于根据所述对象状态数据，配置所述目标任务场景的参数信息和对象调度规则；
集合确定模块，用于基于所述对象调度规则，确定所述目标任务场景的优化目标集合；
函数生成模块，用于基于所述目标任务场景的参数信息和所述优化目标集合，生成目标优化函数；
条件生成模块，用于基于所述参数信息的取值约束和所述对象调度规则，生成所述目标优化函数的约束条件。
13.一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1至6中任一项所述的方法。
14.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1至6中任一项所述的方法。
15.一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现权利要求1至6中任一项所述方法的步骤。
CN202210334430.1A 2022-03-31 2022-03-31 对象调度方法、装置、设备及存储介质 Pending CN114912654A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210334430.1A CN114912654A (zh) 2022-03-31 2022-03-31 对象调度方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210334430.1A CN114912654A (zh) 2022-03-31 2022-03-31 对象调度方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN114912654A true CN114912654A (zh) 2022-08-16

Family

ID=82762963

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210334430.1A Pending CN114912654A (zh) 2022-03-31 2022-03-31 对象调度方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN114912654A (zh)

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070214031A1 (en) * 2006-02-07 2007-09-13 Masami Amano System and method for fuel procurement planning
CN108565902A (zh) * 2018-04-27 2018-09-21 武汉大学 一种基于光储协调优化的户用型能量调度方法
CN109685683A (zh) * 2018-12-11 2019-04-26 新奥数能科技有限公司 用于泛能站的能源调度模型优化方法、装置、介质及设备
EP3792844A1 (en) * 2019-09-13 2021-03-17 Kabushiki Kaisha Toshiba Task schedule creation apparatus, task schedule creation method, and computer program
CN112580851A (zh) * 2020-11-17 2021-03-30 西安中控天地科技开发有限公司 丛式井场抽油机井群错峰开井间抽运行调度方法
CN113434267A (zh) * 2021-05-25 2021-09-24 深圳大学 云计算工作流动态调度方法、装置、设备及存储介质
CN113592203A (zh) * 2021-09-28 2021-11-02 武汉飞恩微电子有限公司 一种压力传感器生产作业调度的智能优化方法及系统
CN113627781A (zh) * 2021-08-09 2021-11-09 北京百度网讯科技有限公司 任务信息生成方法、装置、设备、存储介质和程序产品
CN113743761A (zh) * 2021-08-26 2021-12-03 山东师范大学 基于随机邻域搜索算法的实习生轮换排班方法及系统
CN114004541A (zh) * 2021-11-25 2022-02-01 杭州优迈科思信息科技有限责任公司 一种智能飞行机组排班的方法及设备
US20220400312A1 (en) * 2019-11-18 2022-12-15 Nec Corporation Optimization device, optimization method, and recording medium

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070214031A1 (en) * 2006-02-07 2007-09-13 Masami Amano System and method for fuel procurement planning
CN108565902A (zh) * 2018-04-27 2018-09-21 武汉大学 一种基于光储协调优化的户用型能量调度方法
CN109685683A (zh) * 2018-12-11 2019-04-26 新奥数能科技有限公司 用于泛能站的能源调度模型优化方法、装置、介质及设备
EP3792844A1 (en) * 2019-09-13 2021-03-17 Kabushiki Kaisha Toshiba Task schedule creation apparatus, task schedule creation method, and computer program
US20220400312A1 (en) * 2019-11-18 2022-12-15 Nec Corporation Optimization device, optimization method, and recording medium
CN112580851A (zh) * 2020-11-17 2021-03-30 西安中控天地科技开发有限公司 丛式井场抽油机井群错峰开井间抽运行调度方法
CN113434267A (zh) * 2021-05-25 2021-09-24 深圳大学 云计算工作流动态调度方法、装置、设备及存储介质
CN113627781A (zh) * 2021-08-09 2021-11-09 北京百度网讯科技有限公司 任务信息生成方法、装置、设备、存储介质和程序产品
CN113743761A (zh) * 2021-08-26 2021-12-03 山东师范大学 基于随机邻域搜索算法的实习生轮换排班方法及系统
CN113592203A (zh) * 2021-09-28 2021-11-02 武汉飞恩微电子有限公司 一种压力传感器生产作业调度的智能优化方法及系统
CN114004541A (zh) * 2021-11-25 2022-02-01 杭州优迈科思信息科技有限责任公司 一种智能飞行机组排班的方法及设备

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
吕常亮;曹瑾鑫;: "集装箱码头的堆场管理优化问题", 内蒙古大学学报(自然科学版), no. 03, 15 May 2016 (2016-05-15) *
孙云霞;刘兆刚;董灵波;: "基于模拟退火算法逆转搜索的森林空间经营规划", 林业科学, no. 11, 15 November 2019 (2019-11-15) *

Similar Documents

Publication Publication Date Title
CN109523187A (zh) 任务调度方法、装置和设备
CN107977268A (zh) 人工智能的异构硬件的任务调度方法、装置及可读介质
CN113627792B (zh) 无人车的调度管理方法、装置、设备、存储介质及程序
Cai et al. A bi-objective constrained robust gate assignment problem: Formulation, instances and algorithm
CN114862209A (zh) 运力调度方法、装置、电子设备及存储介质
CN117993580B (zh) 一种基于多智能体协作的停机位分配方法、设备及介质
CN114924862A (zh) 利用整数规划求解器实现的任务处理方法、设备和介质
CN111984877B (zh) 机场陆侧旅客出行链构建方法、系统、存储介质及终端
CN113011839A (zh) 一种航班保障任务的触发方法及相关设备
CN114912654A (zh) 对象调度方法、装置、设备及存储介质
CN112070580A (zh) 基于航班实况的信息展示方法、系统、电子设备及介质
WO2018100716A1 (ja) 移動計画装置、移動計画方法、およびプログラムを記憶した記憶媒体
CN113627781B (zh) 任务信息生成方法、装置、设备、存储介质和程序产品
CN115759625A (zh) 空勤人员的排班方法、装置、电子设备及存储介质
US20220342399A1 (en) Distributed production planning and instruction apparatus and distributed production planning and instruction system
CN109978486A (zh) 用于流程控制的方法、装置、系统及介质
Schröder et al. Efficient implementation and evaluation of parallel radio wave propagation
CN114036250A (zh) 高精地图任务处理方法、装置、电子设备和介质
CN112651672A (zh) 一种人力资源的派工规划方法及相关设备
CN113554062A (zh) 多分类模型的训练方法、设备和存储介质
CN113379077A (zh) 维修路径规划方法、系统、设备以及介质
Liu et al. Interfleet and intrafleet models for crew recovery problems
CN110162368A (zh) 一种机场航班信息表的显示控制方法及相关产品
CN117135050B (zh) 应用部署方法和装置
EP4435755A1 (en) Aircraft fleet assignment with slot constraints

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