CN115689194B - 一种基于遗传算法的全自动酶免工作站多项目实验调度方法 - Google Patents
一种基于遗传算法的全自动酶免工作站多项目实验调度方法 Download PDFInfo
- Publication number
- CN115689194B CN115689194B CN202211336186.9A CN202211336186A CN115689194B CN 115689194 B CN115689194 B CN 115689194B CN 202211336186 A CN202211336186 A CN 202211336186A CN 115689194 B CN115689194 B CN 115689194B
- Authority
- CN
- China
- Prior art keywords
- project
- time
- optimal
- sequence
- equipment
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于遗传算法的全自动酶免工作站多项目实验调度方法，包括原项目最优序列获取部分和随时新增项目最优序列获取部分，其中，随时新增项目最优序列获取部分包括以下步骤：整合原项目剩余步骤和时间；初始化随时新增项目参数数据；合并原项目参数信息和随时新增项目数据并编码；通过使用活动化解码算法进行解码，根据当前插入时间和原项目正在执行的步骤，处理完成冲突后，根据计算出的各项目步骤起始时间组等数据进行判断和排序；最后根据个体适应度值对种群进行选择交叉变异从而获得最终调度序列。本发明，可在原项目实验的任意时间点处新增项目，并确保实验的正常执行，有效提高全自动酶免工作站的运行效率，同时减少等待时间。
Description
技术领域
本发明涉及全自动酶免工作站设备工作流程调度领域，特别涉及一种基于遗传算法的全自动酶免工作站多项目实验调度方法。
背景技术
目前有关遗传调度算法在医疗设备上应用较少，主要是应用在作业型生产车间等其他领域。当前大多数全自动酶免工作站若想要在正在执行的原项目实验中加入新的项目实验，只能等待当前已经排序完成的原项目执行完成后才能进行新的项目录入。但是，由于每个酶联免疫项目实验都需要很长的测试时间，从而导致出现系统资源的浪费问题；另外，需要等待很长的时间，也极大的增加了患者等待实验结果的时间。因此开发一种可在原项目实验运行过程中的任意时间点插入单个或多个新的项目，同时保证原正在执行的项目还可以正常执行不受影响的一种基于遗传算法的全自动酶免工作站多项目实验调度方法变得尤为重要。
发明内容
本发明要解决的技术问题是克服现有技术的上述缺陷，提供一种基于遗传算法的全自动酶免工作站多项目实验调度方法。本方法通过在传统的遗传调度算法的基础上进行了改进，可实现在确定还有设备资源的情况下，可以在已经正在执行的原项目实验的任意时间点处新增单个或多个项目实验，并确保实验的正常执行，有效提高全自动酶免工作站的运行效率，同时减少等待时间，也极大的减少了患者等待实验结果的时间。
本发明是通过以下技术方案实现的：
一种基于遗传算法的全自动酶免工作站多项目实验调度方法，包括原项目最优序列获取部分和随时新增项目最优序列获取部分，其中，原项目最优序列获取部分包括以下步骤：
步骤1、初始化参数：分析全自动酶免工作站多项目实验调度问题，获取多个酶免项目的多个实验步骤和对应的时间值，并生成相应的实验步骤时间表；获取多个酶免项目实验的每个步骤所需要使用的设备，并生成相应的加工工序和对应设备使用列表；
步骤2、随机生成初始种群：根据多个酶免项目的实验步骤时间表和设备使用列表，确定使用矩阵，在n＝0时刻，随机生成规模为N的初始种群；
步骤3、选择操作并计算初始种群适应值：从初始种群中选取2个具有最优的染色体的个体作为临时个体，得到2个临时排序方案，作为初级父代；
步骤4、输出最优结果：若当前2个临时排序方案中有一个排序方案通过解码操作能够实现最优排序，即总时间为最优周期范围内，那么结束当前算法，得到最优序列；
步骤5、交叉变异操作：对2个临时排序方案进行染色体循环交叉变换和变异选择，进行小概率的互换操作，产生2个新的子代；
步骤6、选择操作并计算新种群适应值：对步骤3中的初级父代和步骤5中的子代共4种排序方案进行选择，从中选出最佳的2种排序方案，作为下一代的父代；
步骤7、新种群替换初始种群：令n＝n+1，重复执行步骤3操作；
步骤8、记录最优结果：若在执行完M次后仍未得到目标最优序列，那么将目前的最优解作为遗传调度算法的最优结果，即为整个原项目的最优序列；
随时新增项目最优序列获取部分包括以下步骤：
步骤9、整合原项目剩余步骤和时间：整合原项目剩余实验步骤时间和设备使用情况，得到原项目剩余实验步骤时间表和设备使用情况列表；
步骤10、初始化随时新增项目参数数据：将随时新增的项目根据新录入项目的各个实验步骤的时间和各步骤所需要的设备，按照项目步骤次序生成相应的矩阵，得到随时新增的酶免项目实验步骤时间表和设备使用列表；
步骤11、合并原项目参数信息和随时新增项目数据并编码：根据随时新增的酶免项目实验步骤时间表和设备使用列表与原项目剩余实验步骤时间表和设备使用情况列表进行合并，确定使用矩阵，将正在进行的原项目的下一步骤的开始时间记录并组成矩阵，一并录入遗传调度算法中，随机产生各项目的步骤调度操作优先顺序，进行编码；
步骤12：采用活动化解码算法，对各项目起始时间计算赋值，并进行选择：通过使用活动化解码算法进行解码，根据当前插入时间和原项目正在执行的步骤，处理完成冲突后，根据计算出的各项目步骤起始时间组数据进行判断和排序；
步骤13、随机生成初始种群、选择操作并计算初始种群适应值：随机产生N个个体构成初始种群，从初始种群中通过编码选取2个具有最优的染色体的个体作为临时个体，得到2个临时排序方案，作为初级父代；
步骤14、输出最优结果：若当前2个临时排序方案中有一个排序方案通过解码操作能够实现最优排序，那么结束当前算法，得到最优序列；
步骤15、交叉变异操作：对2个临时排序方案进行染色体循环交叉变换和变异选择，进行小概率的互换操作，产生2个新的子代；
步骤16、选择操作并计算新种群适应值：对步骤13中的初级父代和步骤15中的子代共4种排序方案进行选择，从中选出最佳的2种排序方案，作为下一代的父代；
步骤17、新种群替换初始种群：重复执行步骤13操作；
步骤18、记录最优结果：若在执行完M次后仍未得到目标最优序列，将最优步骤次序与原已执行的步骤合并，取其局部最优解作为最优解答案，最终得到新增项目随机插入后的最优序列。
作为优化，包括持续新增项目最优序列获取部分，步骤如下：
步骤19、整合原项目和随时新增项目剩余步骤和时间：整合原项目和随时新增项目剩余实验步骤时间和设备使用情况，得到原项目和随时新增项目剩余实验步骤时间表和设备使用情况列表；
步骤20、初始化持续新增项目参数数据：将持续新增的项目根据新录入项目的各个实验步骤的时间和各步骤所需要的设备，按照项目步骤次序生成相应的矩阵，得到持续新增的酶免项目实验步骤时间表和设备使用列表；
步骤21、合并原项目参数信息、随时新增项目数据以及持续新增项目参数数据并编码：根据持续新增的酶免项目实验步骤时间表和设备使用列表、随时新增的酶免项目实验步骤时间表和设备使用列表与原项目剩余实验步骤时间表和设备使用情况列表进行合并，确定使用矩阵，将正在进行的原项目和随时新增项目的下一步骤的开始时间记录并组成矩阵，一并录入遗传调度算法中，随机产生各项目的步骤调度操作优先顺序，进行编码；
步骤22：采用活动化解码算法，对各项目起始时间计算赋值，并进行选择：通过使用活动化解码算法进行解码，根据当前插入时间和原项目正在执行的步骤，处理完成冲突后，根据计算出的各项目步骤起始时间组数据进行判断和排序；
步骤23、随机生成初始种群、选择操作并计算初始种群适应值：随机产生N个个体构成初始种群，从初始种群中通过编码选取2个具有最优的染色体的个体作为临时个体，得到2个临时排序方案，作为初级父代；
步骤24、输出最优结果：若当前2个临时排序方案中有一个排序方案通过解码操作能够实现最优排序，那么结束当前算法，得到最优序列；
步骤25、交叉变异操作：对2个临时排序方案进行染色体循环交叉变换和变异选择，进行小概率的互换操作，产生2个新的子代；
步骤26、选择操作并计算新种群适应值：对步骤13中的初级父代和步骤15中的子代共4种排序方案进行选择，从中选出最佳的2种排序方案，作为下一代的父代；
步骤27、新种群替换初始种群：重复执行步骤13操作；
步骤28、记录最优结果：若在执行完M次后仍未得到目标最优序列，将最优步骤次序与原已执行的步骤合并，取其局部最优解作为最优解答案，最终得到持续新增项目随机插入后的最优序列。其特征在于：N＝30；M＝5000。
作为优化，步骤1中具体步骤为：针对全自动酶免工作站多个模块执行的调度进行开发设计，确保在进行实验调度的过程中可以正常的进行加样臂、夹爪臂、多块洗板机、酶标仪以及多块孵育振荡位可以高效且交叉的进行工作；同时还需要确保在原项目执行开始后，还可以继续在后续的时间段生成新的调度，且起始时间不同；计算得出在设备资源充足的情况下最优的时间区间段Td。
作为优化，步骤12中采用活动化解码算法进行解码；其中，解码时，通过采用各个实验步骤使用的设备矩阵和各个实验步骤所使用的时间矩阵作为基础参数，并根据生成的编码顺序进行依次解码，其中编码次序为随机生成，设备矩阵和时间矩阵都是以项目次序为行、步骤次序为列生成的；
在编码过程中已知临时的项目编码顺序为jobs，通过现有参数进行解码操作；首先通过计算可以得出每个项目步骤的开始和结束时间，具体计算公式如下：
某项目某步骤的开始时间：
StaT(s,t)＝Max(Te(n),Tp(s))；其中Te为设备时间，Tp为项目时间，s为项目编号，t为项目步骤编号，n为设备编号；
某项目某步骤的结束时间：
EndT(s,t)＝Max(Te(n),tp(s))+T(jobs(i),step(s))；其中Te为设备时间，tp为项目时间，jobs为项目编码顺序，step为项目步骤记录，s为项目编号，t为项目步骤编号，n为设备编号,i为执行步骤次序；
另外，解码过程中，通过编码生成的序列依次获取设备矩阵和时间矩阵中对应的步骤，以步骤使用设备和步骤时间进行延后计算，以此避免步骤在使用设备之间冲突，保证步骤在相应时间段都会有设备资源且不会出现冲突，还会确保实验项目不会出现同项目中前一步骤未完成而下一步骤(同项目)开始的情况。具体计算公式如下：
遗传算法的编码和解码过程在宏观上可以对应生物的基因型和表现型，微观上可以对应基因的转录和翻译。Td为最后获得的该编码排序当前阶段最终结束实验的完成时间，具体公式如下：
Td＝Max(EndT(s,t))，Max(EndT(s，t))为在项目步骤的结束时间矩阵中获取最大的数值。
本发明的有益效果是：
本发明涉及一种基于遗传算法的全自动酶免工作站多项目实验调度方法，包括原项目最优序列获取部分和随时新增项目最优序列获取部分，其中，随时新增项目最优序列获取部分包括以下步骤：整合原项目剩余步骤和时间；初始化随时新增项目参数数据；合并原项目参数信息和随时新增项目数据并编码；通过使用活动化解码算法进行解码，根据当前插入时间和原项目正在执行的步骤，处理完成冲突后，根据计算出的各项目步骤起始时间组数据进行判断和排序；最后根据个体适应度值对种群进行选择交叉变异从而获得最终调度序列。本发明通过在传统的遗传调度算法的基础上进行了改进，可实现在确定还有设备资源的情况下，可以在已经正在执行的原项目实验的任意时间点处新增单个或多个项目实验，并确保实验的正常执行，有效提高全自动酶免工作站的运行效率，同时减少等待时间，也极大的减少了患者等待实验结果的时间。
附图说明
下面结合附图对一种基于遗传算法的全自动酶免工作站多项目实验调度方法作进一步说明：
图1是一种基于遗传算法的全自动酶免工作站多项目实验调度方法的原项目最优序列获取部分流程示意图；
图2是一种基于遗传算法的全自动酶免工作站多项目实验调度方法的原项目最优序列获得的甘特图；
图3是一种基于遗传算法的全自动酶免工作站多项目实验调度方法在原项目基础上随时新增项目最优序列获取部分流程示意图；
图4是一种基于遗传算法的全自动酶免工作站多项目实验调度方法在原项目和随时新增项目基础上持续新增项目最优序列获取部分流程示意图。
具体实施方式
以下用具体实施例对本发明技术方案做进一步描述，但本发明的保护范围不限制于下列实施例。
首次需要进行实验的项目例如乙肝五项，具体项目所使用的步骤和每个步骤对应的时间，如下表1：
表1乙肝五项各步骤对应的时间表
当实验按照下文如图1所示的原项目最优序列获取部分流程示意图进行遗传算法调度排序并已开始运行后，此时又需要随时新增项目也进行实验运行，例如术前八项中的HCV、TP项目，具体项目所使用的步骤和每个步骤对应的时间如下表2：
表2HCV、TP项目各步骤对应时间表
常规的全自动酶免工作站只能等待原项目乙肝五项执行完成之后方可执行，但是，由于每个酶联免疫项目实验都需要很长的测试时间，从而导致出现系统资源的浪费问题，比如浪费剩余孵育振荡板位等资源的使用，极为不便；另外，需要等待很长的时间，也极大的增加了患者等待实验结果的时间。但若要在原项目实验运行过程中的任意时间点插入新的项目，需保证原正在执行的项目还可以正常执行不受影响。
因此，为解决上述问题和不足，本发明具体实施例提供一种基于遗传算法的全自动酶免工作站多项目实验的调度方法，可在原项目实验运行过程中的任意时间点插入单个或多个新的项目，同时保证原正在执行的项目还可以正常执行不受影响。
本发明主要实现方式是构造一种基于遗传算法的全自动酶免工作站多项目同时开始或在原有项目中任意时间段插入新项目，都可以确保每个项目可以正常执行，并确保实验结果的稳定性，具体包括原项目最优序列获取部分、随时新增项目最优序列获取部分和持续新增项目最优序列获取部分。
参考图1，原项目最优序列获取部分包括以下步骤：
步骤1：
分析全自动酶免工作站多项目实验调度问题。针对全自动酶免工作站多个模块执行的调度进行开发设计，可以确保在进行实验调度的过程中可以正常的进行加样臂、夹爪臂、2块洗板机、酶标仪以及12块孵育振荡位可以高效且交叉的进行工作。同时还需要确保在项目执行开始后，还可以继续在后续的时间段生成新的调度，且起始时间不同。计算得出在设备资源充足的情况下最优的时间区间段T。
步骤2：
获取多个酶免项目的多个实验步骤和对应的时间值，并生成相应的实验步骤时间表。例如乙肝核心抗体(HBcAb)酶联免疫项目实验就存在添加样本、添加HBcAb酶、孵育振荡、移板、洗板、添加显色剂、添加终止液、酶标仪读数等步骤，而需要同时进行乙肝五项的项目实验同时开始进行，但每个项目的步骤和时间均有差异。
步骤3：
获取多个酶联免疫项目实验的每个步骤所需要使用的全自动酶免工作站内对应的设备，并生成相应的加工工序和对应设备使用列表。例如添加样本、添加试剂需要使用的为加样臂设备，进行读数需要用到酶标仪等。
步骤4：
根据多个酶联免疫项目实验步骤时间表和设备使用列表，确定使用矩阵，在开始的0时刻，随机生成规模为N的初始种群,其中N＝30。
步骤5：
从初始种群中选取2个具有最优的染色体的个体作为临时个体，得到2个临时排序方案，作为初级父代。
步骤6：
若当前2个排序方案中有一个排序方案通过解码操作能够实现最优排序，即总时间为最优周期范围内，那么结束当前算法，得到最优序列。
步骤7：
对2个临时排序方案进行一定情况的交叉变异，即对两种排序方式进行染色体循环交叉变换和变异选择，进行小概率的互换操作，产生2个新的子代。
步骤8：
对初级父代和子代共4种排序方案进行选择，从中选出最佳的2种排序方案，作为下一代的父代。
步骤9：
新种群替换初始种群：令n＝n+1，重复执行步骤5操作。
步骤10：
若在执行完M次后仍未得到答案T，那么将目前的最优解作为遗传调度算法的最优结果，即为整个原项目的最优序列，其中M＝5000。
本次所得到的实验步骤和相应的时间如下表3：
表3乙肝五项最优序列步骤起始时间表
具体生成的甘特图如图2所示。
当已经生成最优序列且全自动酶免工作站已经开始执行项目实验后，再次需要进行新的项目实验，且不可与原有正在执行的项目冲突，此时对于后续项目来说，起始时间已经不在是初始时间，而是当前正在介入新项目时间，例如当原有的乙肝五项酶联免疫项目实验经过排序已经开始实验，但需要在加入丙型肝炎(HCV)和梅毒(TP)等项目进行实验，但现在全自动酶免工作站设备已经根据原排序方式正在执行，需要将新增项目和原有项目在现有资源的基础上进行调度分配，做到原有实验正常执行，且时间依旧最优。
参考图3，随时新增丙型肝炎(HCV)和梅毒(TP)项目最优序列获取部分包括以下步骤：
步骤11：
整合原项目乙肝五项剩余实验步骤时间和设备使用情况，得到原项目乙肝五项剩余实验步骤时间表和设备使用情况列表。
步骤12：
将新增的项目实验丙型肝炎(HCV)和梅毒(TP)项目，同样根据新录入项目的各个步骤的时间和各步骤所需要的设备，按照项目步骤次序生成相应的矩阵。
步骤13：
根据新增的丙型肝炎(HCV)和梅毒(TP)酶联免疫项目实验步骤的时间表和设备使用表与原实验项目乙肝五项剩余步骤的时间表和设备使用情况进行合并，确定使用矩阵，将正在进行原项目乙肝五项的下一步骤的开始时间记录并组成矩阵，一并录入遗传调度算法中，随机产生项目的步骤调度操作优先顺序，进行编码。
步骤14：
通过采用活动化解码算法，对各项目起始时间计算赋值，并进行选择：通过使用活动化解码算法进行解码，根据当前插入时间和原项目正在执行的步骤，处理完成冲突后，根据计算出的各项目步骤起始时间组数据进行判断和排序；其中，解码时，通过采用各个实验步骤使用的设备矩阵和各个实验步骤所使用的时间矩阵作为基础参数，并根据生成的编码顺序进行依次解码，其中编码次序为随机生成，设备矩阵和时间矩阵都是以项目次序为行、步骤次序为列生成的；
在编码过程中已知临时的项目编码顺序为jobs，通过现有参数进行解码操作；首先通过计算可以得出每个项目步骤的开始和结束时间，具体计算公式如下：
某项目某步骤的开始时间：
StaT(s,t)＝Max(Te(n),Tp(s))；其中Te为设备时间，Tp为项目时间，s为项目编号，t为项目步骤编号，n为设备编号；
某项目某步骤的结束时间：
EndT(s,t)＝Max(Te(n),tp(s))+T(jobs(i),step(s))；其中Te为设备时间，tp为项目时间，jobs为项目编码顺序，step为项目步骤记录，s为项目编号，t为项目步骤编号，n为设备编号,i为执行步骤次序；
另外，解码过程中，通过编码生成的序列依次获取设备矩阵和时间矩阵中对应的步骤，以步骤使用设备和步骤时间进行延后计算，以此避免步骤在使用设备之间冲突，保证步骤在相应时间段都会有设备资源且不会出现冲突，还会确保实验项目不会出现同项目中前一步骤未完成而下一步骤(同项目)开始的情况。具体计算公式如下：
遗传算法的编码和解码过程在宏观上可以对应生物的基因型和表现型，微观上可以对应基因的转录和翻译。Td为最后获得的该编码排序当前阶段最终结束实验的完成时间，具体公式如下：
Td＝Max(EndT(s,t))，Max(EndT(s，t))为在项目步骤的结束时间矩阵中获取最大的数值。
步骤15：
随机产生N个个体构成初始种群，从初始种群中通过编码选取2个具有最优的染色体的个体作为临时个体，得到2个临时排序方案，作为初级父代，N＝30。
步骤16：
若当前2个临时排序方案中有一个排序方案通过解码操作能够实现最优排序，那么结束当前算法，得到最优序列；
步骤17：
对2个临时排序方案进行染色体循环交叉变换和变异选择，进行小概率的互换操作，产生2个新的子代；
步骤18：
对初级父代和子代共4种排序方案进行选择，从中选出最佳的2种排序方案，作为下一代的父代；
步骤19：
新种群替换初始种群：重复执行步骤15操作；
步骤20：
若在执行完M次后仍未得到目标最优序列，将最优步骤次序与原已执行的步骤合并，取其局部最优解作为最优解答案，最终得到新增项目随机插入后的最优序列，并将最优步骤次序与原已执行的步骤合并，并继续实验。
本次排序在原有基础上所得到的实验步骤和相应的时间如下表4：
表4新增HCV、TP项目最优序列步骤起始时间表
由此可见，采用本发明的方法进行到8488个时间单位的时候，以上7个项目就可以正常执行并完成实验。
但若是传统的实验步骤需要等待原项目乙肝五项实验完成后再进行HCV和TP项目实验，将会等待很久如下表5所示为进行HCV和TP项目实验的步骤所需时间为8331个时间单位，再加上原乙肝五项的8040个共计16371个时间单位。可见，采用本发明的方法相比于传统方法足足减少了7883个时间单位。因此，本发明方法可以有效解决资源浪费和缩短时间的问题，可保证在全自动酶免工作站正在工作时依旧可以随时新增项目，不但保证原项目不受影响且可以极大的缩短项目时间。
进行HCV和TP项目实验的步骤所需时间如下表5：
表5单独进行HCV、TP项目步骤起始时间表
参考图4，持续新增项目最优序列获取部分步骤如下：
步骤21：
整合原项目乙肝五项和随机新增项目丙型肝炎(HCV)和梅毒(TP)剩余实验步骤时间和设备使用情况，得到原项目乙肝五项和随机新增项目丙型肝炎(HCV)和梅毒(TP)剩余实验步骤时间表和设备使用情况列表。
步骤22：
将持续新增项目艾滋病(HIV)项目，同样根据新录入项目的各个步骤的时间和各步骤所需要的设备，按照项目步骤次序生成相应的矩阵。在已经添加两个新项目丙型肝炎(HCV)和梅毒(TP)和还有剩余的孵育振荡板位的情况下，再次持续插入新项目艾滋病(HIV)项目，HIV项目的步骤以及所需时间如下表6：
表6HIV项目各步骤所需时间表
表7HIV单独执行各步骤起始时间表
步骤23：
根据持续新增项目艾滋病(HIV)项目实验步骤的时间表和设备使用表与原实验项目乙肝五项以及随时新增项目丙型肝炎(HCV)和梅毒(TP)剩余步骤的时间表和设备使用情况进行合并，确定使用矩阵，将正在进行原项目乙肝五项以及随时新增项目丙型肝炎(HCV)和梅毒(TP)的下一步骤的开始时间记录并组成矩阵，一并录入遗传调度算法中，随机产生项目的步骤调度操作优先顺序，进行编码。
步骤24：
通过采用活动化解码算法，对各项目起始时间计算赋值，并进行选择：通过使用活动化解码算法进行解码，根据当前插入时间和原项目、随机新增项目正在执行的步骤，处理完成冲突后，根据计算出的各项目步骤起始时间组数据进行判断和排序；其中，解码时，通过采用各个实验步骤使用的设备矩阵和各个实验步骤所使用的时间矩阵作为基础参数，并根据生成的编码顺序进行依次解码，其中编码次序为随机生成，设备矩阵和时间矩阵都是以项目次序为行、步骤次序为列生成的；
在编码过程中已知临时的项目编码顺序为jobs，通过现有参数进行解码操作；首先通过计算可以得出每个项目步骤的开始和结束时间，具体计算公式如下：
某项目某步骤的开始时间：
StaT(s,t)＝Max(Te(n),Tp(s))；其中Te为设备时间，Tp为项目时间，s为项目编号，t为项目步骤编号，n为设备编号；
某项目某步骤的结束时间：
EndT(s,t)＝Max(Te(n),tp(s))+T(jobs(i),step(s))；其中Te为设备时间，tp为项目时间，jobs为项目编码顺序，step为项目步骤记录，s为项目编号，t为项目步骤编号，n为设备编号,i为执行步骤次序；
另外，解码过程中，通过编码生成的序列依次获取设备矩阵和时间矩阵中对应的步骤，以步骤使用设备和步骤时间进行延后计算，以此避免步骤在使用设备之间冲突，保证步骤在相应时间段都会有设备资源且不会出现冲突，还会确保实验项目不会出现同项目中前一步骤未完成而下一步骤(同项目)开始的情况。具体计算公式如下：
遗传算法的编码和解码过程在宏观上可以对应生物的基因型和表现型，微观上可以对应基因的转录和翻译。Td为最后获得的该编码排序当前阶段最终结束实验的完成时间，具体公式如下：
Td＝Max(EndT(s,t))，Max(EndT(s，t))为在项目步骤的结束时间矩阵中获取最大的数值。
步骤25：
随机产生N个个体构成初始种群，从初始种群中通过编码选取2个具有最优的染色体的个体作为临时个体，得到2个临时排序方案，作为初级父代，N＝30。
步骤26：
若当前2个临时排序方案中有一个排序方案通过解码操作能够实现最优排序，那么结束当前算法，得到最优序列；
步骤27：
对2个临时排序方案进行染色体循环交叉变换和变异选择，进行小概率的互换操作，产生2个新的子代；
步骤28：
对初级父代和子代共4种排序方案进行选择，从中选出最佳的2种排序方案，作为下一代的父代；
步骤29：
新种群替换初始种群：重复执行步骤25操作；
步骤30：
若在执行完M次后仍未得到目标最优序列，将最优步骤次序与原已执行的步骤合并，取其局部最优解作为最优解答案，最终得到持续新增项目随机插入后的最优序列，并将最优步骤次序与原已执行的步骤合并，并继续实验，其中M＝5000。
由此可见，采用本发明调度方法还可以在原项目和随时新增项目执行的任意时间段进行持续新增项目的插入，且在保证资源空闲的情况下都可以进行持续新增项目的插入，在HCV和TP项目都已经插入的情况下，再次持续插入HIV项目，进行实验，可得到以下数据表8，即可在9041个时间单位完成整体实验。
表8在随时插入HCV、TP项目后再次持续新增HIV项目所得最优序列的实验步骤时间表
但若是传统的实验步骤需要等待原项目乙肝五项实验完成后，再进行HCV和TP项目实验完成后，再进行HIV项目实验，将会等待很久如上表6所示为等待乙肝五项、HCV和TP项目实验结束后再进行HIV项目实验的步骤所需时间为8152个时间单位，再加上原乙肝五项的8040个时间单位以及HCV和TP项目的8331个时间单位共计24523个时间单位。可见，采用本发明的方法相比于传统方法足足减少了16371个时间单位。因此，本发明方法可以有效解决资源浪费和缩短时间的问题，可保证在全自动酶免工作站正在工作时依旧可以持续新增项目，不但保证原项目和随时新增项目不受影响且可以极大的缩短项目时间。
上述具体实施方式通过在传统的遗传调度算法的基础上进行改进，可实现在确定还有设备资源的情况下，可以在已经正在执行的原项目实验的任意时间点处新增单个或多个项目实验，且还可持续新增项目，并确保实验的正常执行，并有效提高全自动酶免工作站的运行效率，同时减少等待时间，也极大的减少了患者等待实验结果的时间。
以上描述显示了本发明的主要特征、基本原理，以及本发明的优点。对于本领域技术人员而言，显然本发明不限于上述示范性实施方式或者实施例的细节，且在不背离本发明的精神或者基本特征的情况下，能够以其他的具体形式实现本发明。因此应将上述实施方式或者实施例看作示范性的，且非限制性的。本发明的范围由所附权利要求而非上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。凡是未脱离本发明技术原理的前提下，依据本发明的技术实质对以上实施方式所作的任何简单修改、等同变化与改型，皆应落入本发明的专利保护范围。
Claims (5)
1.一种基于遗传算法的全自动酶免工作站多项目实验调度方法，其特征在于：包括原项目最优序列获取部分和随时新增项目最优序列获取部分，其中，原项目最优序列获取部分包括以下步骤：
步骤1、初始化参数：分析全自动酶免工作站多项目实验调度问题，获取多个酶免项目的多个实验步骤和对应的时间值，并生成相应的实验步骤时间表；获取多个酶免项目实验的每个步骤所需要使用的设备，并生成相应的加工工序和对应设备使用列表；
步骤2、随机生成初始种群：根据多个酶免项目的实验步骤时间表和设备使用列表，确定使用矩阵，在n＝0时刻，随机生成规模为N的初始种群；
步骤3、选择操作并计算初始种群适应值：从初始种群中选取2个具有最优的染色体的个体作为临时个体，得到2个临时排序方案，作为初级父代；
步骤4、输出最优结果：若当前2个临时排序方案中有一个排序方案通过解码操作能够实现最优排序，即总时间为最优周期范围内，那么结束当前算法，得到最优序列；
步骤5、交叉变异操作：对2个临时排序方案进行染色体循环交叉变换和变异选择，进行小概率的互换操作，产生2个新的子代；
步骤6、选择操作并计算新种群适应值：对步骤3中的初级父代和步骤5中的子代共4种排序方案进行选择，从中选出最佳的2种排序方案，作为下一代的父代；
步骤7、新种群替换初始种群：令n＝n+1，重复执行步骤3操作；
步骤8、记录最优结果：若在执行完M次后仍未得到目标最优序列，那么将目前的最优解作为遗传调度算法的最优结果，即为整个原项目的最优序列；
随时新增项目最优序列获取部分包括以下步骤：
步骤9、整合原项目剩余步骤和时间：整合原项目剩余实验步骤时间和设备使用情况，得到原项目剩余实验步骤时间表和设备使用情况列表；
步骤10、初始化随时新增项目参数数据：将随时新增的项目根据新录入项目的各个实验步骤的时间和各步骤所需要的设备，按照项目步骤次序生成相应的矩阵，得到随时新增的酶免项目实验步骤时间表和设备使用列表；
步骤11、合并原项目参数信息和随时新增项目数据并编码：根据随时新增的酶免项目实验步骤时间表和设备使用列表与原项目剩余实验步骤时间表和设备使用情况列表进行合并，确定使用矩阵，将正在进行的原项目的下一步骤的开始时间记录并组成矩阵，一并录入遗传调度算法中，随机产生各项目的步骤调度操作优先顺序，进行编码；
步骤12：采用活动化解码算法，对各项目起始时间计算赋值，并进行选择：通过使用活动化解码算法进行解码，根据当前插入时间和原项目正在执行的步骤，处理完成冲突后，根据计算出的各项目步骤起始时间组数据进行判断和排序；
步骤13、随机生成初始种群、选择操作并计算初始种群适应值：随机产生N个个体构成初始种群，从初始种群中通过编码选取2个具有最优的染色体的个体作为临时个体，得到2个临时排序方案，作为初级父代；
步骤14、输出最优结果：若当前2个临时排序方案中有一个排序方案通过解码操作能够实现最优排序，那么结束当前算法，得到最优序列；
步骤15、交叉变异操作：对2个临时排序方案进行染色体循环交叉变换和变异选择，进行小概率的互换操作，产生2个新的子代；
步骤16、选择操作并计算新种群适应值：对步骤13中的初级父代和步骤15中的子代共4种排序方案进行选择，从中选出最佳的2种排序方案，作为下一代的父代；
步骤17、新种群替换初始种群：重复执行步骤13操作；
步骤18、记录最优结果：若在执行完M次后仍未得到目标最优序列，将最优步骤次序与原已执行的步骤合并，取其局部最优解作为最优解答案，最终得到新增项目随机插入后的最优序列。
2.如权利要求1所述的一种基于遗传算法的全自动酶免工作站多项目实验调度方法，其特征在于，包括持续新增项目最优序列获取部分，步骤如下：
步骤19、整合原项目和随时新增项目剩余步骤和时间：整合原项目和随时新增项目剩余实验步骤时间和设备使用情况，得到原项目和随时新增项目剩余实验步骤时间表和设备使用情况列表；
步骤20、初始化持续新增项目参数数据：将持续新增的项目根据新录入项目的各个实验步骤的时间和各步骤所需要的设备，按照项目步骤次序生成相应的矩阵，得到持续新增的酶免项目实验步骤时间表和设备使用列表；
步骤21、合并原项目参数信息、随时新增项目数据以及持续新增项目参数数据并编码：根据持续新增的酶免项目实验步骤时间表和设备使用列表、随时新增的酶免项目实验步骤时间表和设备使用列表与原项目剩余实验步骤时间表和设备使用情况列表进行合并，确定使用矩阵，将正在进行的原项目和随时新增项目的下一步骤的开始时间记录并组成矩阵，一并录入遗传调度算法中，随机产生各项目的步骤调度操作优先顺序，进行编码；
步骤22：采用活动化解码算法，对各项目起始时间计算赋值，并进行选择：通过使用活动化解码算法进行解码，根据当前插入时间和原项目正在执行的步骤，处理完成冲突后，根据计算出的各项目步骤起始时间组数据进行判断和排序；
步骤23、随机生成初始种群、选择操作并计算初始种群适应值：随机产生N个个体构成初始种群，从初始种群中通过编码选取2个具有最优的染色体的个体作为临时个体，得到2个临时排序方案，作为初级父代；
步骤24、输出最优结果：若当前2个临时排序方案中有一个排序方案通过解码操作能够实现最优排序，那么结束当前算法，得到最优序列；
步骤25、交叉变异操作：对2个临时排序方案进行染色体循环交叉变换和变异选择，进行小概率的互换操作，产生2个新的子代；
步骤26、选择操作并计算新种群适应值：对步骤13中的初级父代和步骤15中的子代共4种排序方案进行选择，从中选出最佳的2种排序方案，作为下一代的父代；
步骤27、新种群替换初始种群：重复执行步骤13操作；
步骤28、记录最优结果：若在执行完M次后仍未得到目标最优序列，将最优步骤次序与原已执行的步骤合并，取其局部最优解作为最优解答案，最终得到持续新增项目随机插入后的最优序列。
3.如权利要求1所述的一种基于遗传算法的全自动酶免工作站多项目实验调度方法，其特征在于：所述步骤1中具体步骤为：针对全自动酶免工作站多个模块执行的调度进行开发设计，确保在进行实验调度的过程中可以正常的进行加样臂、夹爪臂、多块洗板机、酶标仪以及多块孵育振荡位可以高效且交叉的进行工作；同时还需要确保在原项目执行开始后，还可以继续在后续的时间段生成新的调度，且起始时间不同；计算得出在设备资源充足的情况下最优的时间区间段T。
4.如权利要求1所述的一种基于遗传算法的全自动酶免工作站多项目实验调度方法，其特征在于：所述步骤12中采用活动化解码算法进行解码；其中，解码时，通过采用各个实验步骤使用的设备矩阵和各个实验步骤所使用的时间矩阵作为基础参数，并根据生成的编码顺序进行依次解码，其中编码次序为随机生成，设备矩阵和时间矩阵都是以项目次序为行、步骤次序为列生成的；
在编码过程中已知临时的项目编码顺序为jobs，通过现有参数进行解码操作；首先通过计算可以得出每个项目步骤的开始和结束时间，具体计算公式如下：
某项目某步骤的开始时间：
StaT(s,t)＝Max(Te(n),Tp(s))；其中Te为设备时间，Tp为项目时间，s为项目编号，t为项目步骤编号，n为设备编号；
某项目某步骤的结束时间：
EndT(s,t)＝Max(Te(n),tp(s))+T(jobs(i),step(s))其中Te为设备时间，tp为项目时间，jobs为项目编码顺序，step为项目步骤记录，s为项目编号，t为项目步骤编号，n为设备编号,i为执行步骤次序；
另外，解码过程中，通过编码生成的序列依次获取设备矩阵和时间矩阵中对应的步骤，以步骤使用设备和步骤时间进行延后计算，具体计算公式如下：
5.如权利要求1至4任一所述的一种基于遗传算法的全自动酶免工作站多项目实验调度方法，其特征在于：N＝30；M＝5000。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211336186.9A CN115689194B (zh) | 2022-10-28 | 2022-10-28 | 一种基于遗传算法的全自动酶免工作站多项目实验调度方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211336186.9A CN115689194B (zh) | 2022-10-28 | 2022-10-28 | 一种基于遗传算法的全自动酶免工作站多项目实验调度方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115689194A CN115689194A (zh) | 2023-02-03 |
| CN115689194B true CN115689194B (zh) | 2023-04-28 |
Family
ID=85046631
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211336186.9A Active CN115689194B (zh) | 2022-10-28 | 2022-10-28 | 一种基于遗传算法的全自动酶免工作站多项目实验调度方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115689194B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103870647A (zh) * | 2014-03-14 | 2014-06-18 | 西安工业大学 | 一种基于遗传算法的作业车间调度建模的方法 |
| CN103886366A (zh) * | 2014-02-21 | 2014-06-25 | 华南理工大学 | 基于粒子群算法的全自动酶免疫仪工序调度方法 |
| CN113379268A (zh) * | 2021-06-21 | 2021-09-10 | 中国地质大学（武汉） | 基于Christofides解算遗传算法初始种群的农机调度方法 |
| CN113935610A (zh) * | 2021-10-09 | 2022-01-14 | 北京理工大学 | 一种柔性制造系统的多机器人联合调度方法 |
-
2022
- 2022-10-28 CN CN202211336186.9A patent/CN115689194B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103886366A (zh) * | 2014-02-21 | 2014-06-25 | 华南理工大学 | 基于粒子群算法的全自动酶免疫仪工序调度方法 |
| CN103870647A (zh) * | 2014-03-14 | 2014-06-18 | 西安工业大学 | 一种基于遗传算法的作业车间调度建模的方法 |
| CN113379268A (zh) * | 2021-06-21 | 2021-09-10 | 中国地质大学（武汉） | 基于Christofides解算遗传算法初始种群的农机调度方法 |
| CN113935610A (zh) * | 2021-10-09 | 2022-01-14 | 北京理工大学 | 一种柔性制造系统的多机器人联合调度方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115689194A (zh) | 2023-02-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Norman et al. | A genetic algorithm methodology for complex scheduling problems | |
| Liu et al. | Solving resource-constrained project scheduling problem via genetic algorithm | |
| Li et al. | Solving the large-scale hybrid flow shop scheduling problem with limited buffers by a hybrid artificial bee colony algorithm | |
| Engin et al. | An efficient genetic algorithm for hybrid flow shop scheduling with multiprocessor task problems | |
| JP4218766B2 (ja) | シナリオをテストする方法、装置、及びプログラム | |
| Jia et al. | Multi-objective energy-aware batch scheduling using ant colony optimization algorithm | |
| CN108549607B (zh) | 消息传递并行程序多路径覆盖测试数据协同进化生成方法 | |
| CN1554042A (zh) | 机器人系统控制 | |
| Costa et al. | A novel genetic algorithm for the hybrid flow shop scheduling with parallel batching and eligibility constraints | |
| CN115689194B (zh) | 一种基于遗传算法的全自动酶免工作站多项目实验调度方法 | |
| CN109214695B (zh) | 基于改进eda的高端装备研发制造协同调度方法及系统 | |
| US20030004612A1 (en) | Methods and computer program products for automated experimental design | |
| Sarper | Minimizing the sum of absolute deviations about a common due date for the two-machine flow shop problem | |
| CN106897199B (zh) | 一种基于大数据处理框架的批作业执行时间预测方法 | |
| CN115619200B (zh) | 一种分割式Seru的排产与多能工调度组合优化方法和装置 | |
| Zheng et al. | A co-evolutionary teaching-learning-based optimization algorithm for stochastic RCPSP | |
| Liu et al. | Optimal scheduling method for a bell-type batch annealing shop and its application | |
| CN107122849B (zh) | 基于SparkR的产品检测总完工时间极小化方法 | |
| Labudde et al. | Prediction algorithm for amino acid types with their secondary structure in proteins (PLATON) using chemical shifts | |
| Norman et al. | Random keys genetic algorithm for scheduling: unabridged version | |
| Ghaffari et al. | A two-stage hybrid flowshop scheduling problem with serial batching | |
| CN111400050B (zh) | 一种分配资源执行任务的方法及装置 | |
| de Araújo Pessoa et al. | Automatic generation of optimization algorithms for production lot-sizing problems | |
| Safaei et al. | Scheduling of Unrelated Parallel Machines using Two Multi Objective Genetic Algorithms with Sequence-Dependent Setup Times and Precedent Constraints | |
| Rui et al. | Optimizing the multi-UUT parallel test task scheduling based on multi-objective GASA |
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 |