CN117522071B - 基于llm引导alns算法的生产调度与资源分配协同系统 - Google Patents
基于llm引导alns算法的生产调度与资源分配协同系统 Download PDFInfo
- Publication number
- CN117522071B CN117522071B CN202311629705.5A CN202311629705A CN117522071B CN 117522071 B CN117522071 B CN 117522071B CN 202311629705 A CN202311629705 A CN 202311629705A CN 117522071 B CN117522071 B CN 117522071B
- Authority
- CN
- China
- Prior art keywords
- neighborhood
- resource allocation
- algorithm
- search
- strategy
- 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
- 238000013468 resource allocation Methods 0.000 title claims abstract description 163
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 90
- 238000007726 management method Methods 0.000 title claims description 5
- 238000005457 optimization Methods 0.000 claims abstract description 43
- 238000010845 search algorithm Methods 0.000 claims abstract description 27
- 238000004458 analytical method Methods 0.000 claims abstract description 13
- 230000002452 interceptive effect Effects 0.000 claims abstract description 10
- 230000006870 function Effects 0.000 claims description 58
- 238000000034 method Methods 0.000 claims description 27
- 230000006872 improvement Effects 0.000 claims description 13
- 238000011156 evaluation Methods 0.000 claims description 11
- 230000008439 repair process Effects 0.000 claims description 11
- 230000009466 transformation Effects 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 9
- 230000000295 complement effect Effects 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 7
- 230000006378 damage Effects 0.000 claims description 7
- 238000013486 operation strategy Methods 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 claims description 3
- 230000035945 sensitivity Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000012804 iterative process Methods 0.000 claims 1
- 239000011159 matrix material Substances 0.000 claims 1
- 238000011161 development Methods 0.000 description 8
- 230000004927 fusion Effects 0.000 description 5
- 230000006978 adaptation Effects 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000001276 controlling effect Effects 0.000 description 2
- 230000001066 destructive effect Effects 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000002079 cooperative effect Effects 0.000 description 1
- 230000000875 corresponding effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
- 230000003245 working effect Effects 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
- G06Q10/06—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
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- 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
- G06Q10/06313—Resource 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
基于LLM引导ALNS算法的生产调度与资源分配协同系统，包括数据接口模块、问题建模模块、搜索策略优化模块、资源分配分析模块、用户界面模块，数据接口模块用于与实际生产系统的数据进行交互，问题建模模块用于将实际的生产调度与资源分配问题进行数学建模，搜索策略优化模块用于求解邻域内的资源分配搜索策略并动态调整搜索策略，资源分配分析模块用于评估资源分配优化策略并提供最佳调度的决策支持，用户界面模块用于提供允许用户与系统之间的交互式界面。本发明提出基于LLM的改进大邻域搜索算法对邻域内的资源分配搜索策略进行求解，提出改进ALNS算法对资源分配搜索策略进行动态调整，为基于LLM引导ALNS算法的生产调度与资源分配协同系统提供更优的方案。
Description
技术领域
本发明创造涉及资源分配和搜索策略优化领域，具体涉及基于LLM引导ALNS算法的生产调度与资源分配协同系统。
背景技术
资源分配技术是是一种利用ALNS算法引导的生产调度系统，结合LLM技术来实现资源的有效分配，在制造和生产调度中，资源分配是一个关键的问题，涉及到如何有效地将人力、机器和原材料这些可用资源分配给各个生产任务，以最大化生产效率和满足生产需求，优化计算资源的使用，通过协同决策机制，使得不同的决策点能够协同工作，提高整体效能，使用各种优化算法，如遗传算法、模拟退火算法和大邻域搜索算法，以找到最优的资源分配方案。
搜索策略优化技术是通过算法和优化方法来寻找最优或次优的生产调度方案，以实现资源的有效利用、降低成本和提高效率的目标，自适应算法能根据问题的特性和搜索的进展来自动调整搜索策略，这种方法能增加算法的灵活性，使其更适应不同类型的问题，深度学习在近年来在优化问题上取得了一些成功，能使用神经网络来学习生产调度问题中的复杂模式，并基于学到的模式进行决策，将生产调度与资源分配问题看作一个整体进行优化，考虑资源之间的协同作用，能通过协同优化算法来实现，确保系统中的各个组成部分协同工作以达到全局最优。
发明内容
针对上述问题，本发明旨在提供基于LLM引导ALNS算法的生产调度与资源分配协同系统。
本发明创造的目的通过以下技术方案实现：
基于LLM引导ALNS算法的生产调度与资源分配协同系统，包括数据接口模块、问题建模模块、搜索策略优化模块、资源分配分析模块和用户界面模块，数据接口模块用于与实际生产系统的数据进行交互，问题建模模块包括大语言模型建模单元和协同建模单元，大语言模型建模单元用于将实际的生产调度与资源分配问题进行自然语言建模，协同建模单元用于将自然语言建模的问题与算法能够理解的问题进行对接，搜索策略优化模块包括邻域搜索单元和策略自适应单元，邻域搜索单元提出基于LLM的改进大邻域搜索算法对邻域内的资源分配搜索策略进行求解，策略自适应单元提出改进ALNS算法对资源分配的搜索策略进行动态调整，资源分配分析模块包括优化结果评估单元和决策支持单元，优化结果评估单元用于评估资源分配优化策略，决策支持单元用于提供最佳调度的决策支持，用户界面模块用于提供允许用户与系统之间的交互式界面。
进一步的，数据接口模块用于与实际生产系统进行数据交互，获取来自生产环境的数据、允许用户配置算法的参数、将算法和生产系统之间存在数据格式的差异进行数据格式转换、将算法生成的调度方案和资源分配结果传递回生产系统。
进一步的，大语言模型建模单元用于将生产调度与资源分配问题进行自然语言建模，负责理解用户提供的问题描述，生成问题的约束和目标，将问题的描述翻译为机器可理解的形式。
进一步的，协同建模单元用于将LLM生成的问题模型转换为改进ALNS算法能处理的形式，以描述系统的性能度量，将实际的生产场景抽象成一个可供算法求解的数学问题。
进一步的，邻域搜索单元提出基于LLM的改进大邻域搜索算法求解邻域内的资源分配搜索策略，同时生成关于资源分配、生产调度和运营策略的建议，帮助管理层做出更明智的决策。
进一步的，在大语言模型LLM下，基于LLM的改进大邻域搜索算法具体如下：假设资源分配的有序邻域为，其中，/>为有序邻域集合，/>为有序邻域/>中的第1个邻域，/>为有序邻域/>中的第2个邻域，/>为有序邻域/>中的最大索引邻域，基于LLM的改进大邻域搜索算法探索有序邻域/>的局部最优解，从第1个邻域/>开始依次获取当前邻域的局部最优解，一旦在某一个邻域中找到更优的资源分配方案，立即切换到第1个邻域/>重新开始寻找局部最优解，直至资源分配的搜索策略从第1个邻域/>到达最大索引邻域/>来找到最优的资源分配搜索策略，基于LLM的改进大邻域搜索算法提出三个互补邻域以改进算法搜索性能，即2-2交换邻域/>、3-1交换邻域/>和邻域联合/>，2-2交换邻域/>对于当前解中的两个任务位置，允许它们进行位置交换以形成新的解，即，其中，/>为给定的初始解，/>为/>在2−2交换邻域内的元素集合，/>为在/>的基础上进行两个元素的交换，/>为元素交换运算，/>为初始解中的第/>个元素，/>为初始解中的第/>个元素，且2-2交换邻域/>能划分为多个不相交的邻域块/>，即/>，其中，/>为划分的多个不相交的邻域块，/>为对生成的所有解进行去重操作，3-1交换邻域/>对于当前解中的三个任务位置，允许它们进行位置交换以形成新的解，即，其中，/>为3-1交换邻域，/>为在/>的基础上进行三个元素的交换，/>为元素交换运算，/>为初始解中的第/>个元素，/>为初始解中的第/>个元素，/>为初始解中的第/>个元素，邻域联合/>将多个不同类型的邻域组合在一起形成更大的邻域，以提高搜索的广度和深度，即/>，其中，/>为邻域联合，/>为有序邻域/>中的第/>个邻域；
然后提出二次Lyapunov函数来提高资源分配搜索策略的稳定性，二次Lyapunov函数为，其中，/>为二次Lyapunov函数，/>为邻域状态，/>为邻域搜索时间，/>为第1个邻域分量，/>为第2个邻域分量，/>为第/>个邻域分量，资源分配吞吐量的下限为，其中，/>为资源分配吞吐量的下限，/>为在邻域搜索时间/>时的邻域分量，/>为二次Lyapunov函数下资源分配方案的最优控制变量，/>二次Lyapunov函数下资源分配方案的次优控制变量，/>为资源分配方案，将次优吞吐量的下限进一步优化为，资源分配吞吐量的上限为，其中，/>为资源分配吞吐量的上限，/>为数学期望，同时提出二进制相关变换策略进一步改善资源分配搜索策略以引入新的解，增加搜索空间的多样性，二进制相关性转换策略将每个邻域分量视为单独的二进制变换问题，二进制相关性转换策略将每个邻域分量转换为/>个独立的二进制分量，即，其中，/>为转换后的二进制分量集合，为/>中的第1个二进制分量，/>为/>中的第2个二进制分量，/>为/>中的第3个二进制分量，/>为/>中的第/>个二进制分量，决策函数如下式：，其中，为提高算法的准确性，将决策函数/>改进为，其中，/>为改进后的决策函数，/>为约束条件，基于LLM的改进大邻域搜索算法通过提出三个互补邻域以改进算法搜索性能，然后提出二次Lyapunov函数来提高资源分配搜索策略的稳定性，最后提出改进邻域分量的二进制决策函数提高算法性能，以此来求解邻域内的资源分配最优搜索策略得到最优资源分配方案，并通过对生产调度与资源分配协同系统和实际生产系统数据进行分析，以生成关于资源分配、生产调度和运营策略的建议。
进一步的，策略自适应单元提出改进ALNS算法动态调整资源分配的搜索策略。
进一步的，在上述基于LLM的改进大邻域搜索算法的引导下，改进ALNS具体如下：假设破坏算子为，其中，/>为破坏算子集合，/>为/>中的第/>个破坏算子，/>为破坏算子集合的大小，修复算子为，其中，/>为修复算子集合，/>为/>中的第/>个修复算子，为修复算子集合的大小，每次破坏算子修复算子生成新的解时通过以下条件来调整资源分配搜索策略，若在邻域/>中资源分配方案时目前最优的解决方案，则/>，其中，为给定的初始解，/>为改变当前目前最优资源分配方案的增量，若在邻域/>中新的解决方案改进了当前的解决方案，则/>，其中，/>为改变当前改进的资源分配方案的增量，若在邻域/>中新的解决方案没有改进当前的解决方案，但仍然选择此新方案，则，其中，/>为改变当前已选择的新资源分配方案的增量，然后计算初始解/>的权重，即/>，其中，/>为初始解/>的权重，/>为一个介于/>到1之间的常数，/>为一个控制权重的参数，改进ALNS算法迭代过程中的候选邻域为，其中，/>为候选邻域集合，/>为邻域/>和邻域/>之间的距离，/>为第/>个邻域，/>为第/>个邻域，/>为邻域间半径；
然后提出近似极值点方法在搜索过程中对目标函数的极值进行估计，以指导搜索方向并调整搜索策略，假设有一邻域为，则邻域/>的极点/>被定义为凸包多边形的稳定点，/>的每个邻域分量/>由极点/>表示，即/>，其中，，/>，/>为极值点索引，/>为凸组合权重，但极端点不能适用于所有情况，因此提出极点与核空间相结合的方法，定义近似极点值集/>为：，其中，/>为近似极点值集，/>为求并集运算，/>为/>的第/>个子集，/>为/>的第/>个子集，/>为空集，/>的任何子集/>定义为：，其中，/>为衡量/>和/>中极值点之间线性组合的距离的函数，/>为第/>个极点值，/>为权重参数，/>为/>中的一个极值点，对于，能找到一个集合/>，且/>，有下式：/>，其中，/>为/>的近似极值子集，因此，目标函数的极值估计为/>，其中，/>为目标函数的极值估计值，/>为函数/>的近似误差，以在搜索过程中实现对目标函数的极值估计；
为提高算法的自适应性，通过计算实际生产系统数据间的距离自适应的判断邻域间半径，根据邻域半径/>，得到数据空间样本的密度，最后通过最小化目标函数值动态调整邻域搜索策略，邻域间半径/>根据下式自适应的确定，即：/>，其中，/>为最小化目标，/>为第/>个搜索方向的密度，/>为第/>个搜索方向的密度，是/>和/>之间的欧氏距离，同时将权重参数/>改进为/>以使邻域搜索策略具有更好的自适应性，即/>，其中，/>为改进后的权重参数，/>为衰减因子，/>为指数运算，/>为邻域搜索方向，同时加入/>因子控制权重参数的变化幅度，即/>，其中，/>为加入/>因子后的权重参数，改进ALNS算法通过提出近似极值点方法在搜索过程中对目标函数的极值进行估计，以指导搜索方向并调整搜索策略，然后提出计算实际生产系统数据间的距离和改进权重参数以使邻域搜索策略具有更好的自适应性，实现对资源分配搜索策略的动态调整。
进一步的，优化结果评估单元用于评估资源分配优化策略，收集和计算算法的性能统计指标，以评估算法的效率，将优化后的结果与其他算法产生的结果进行比较，以评估改进的程度和算法的竞争力，同时分析解决方案对问题参数的敏感性，以评估算法的稳定性和鲁棒性。
进一步的，决策支持单元通过监控系统的运行状态、资源利用情况和生产进度信息，对生产调度与资源分配的当前状态进行分析，并提供系统状态的分析、优化建议和决策方案，为决策者提供最佳调度的决策支持，同时提供对不同方案的评估，帮助决策者更全面的了解各种高效的决策方案。
进一步的，用户界面模块用于提供允许用户与系统之间的交互式界面，为用户提供友好的交互界面，使用户能够轻松理解系统的运作、配置算法参数以及进行必要的操作，用户通过界面与系统进行沟通，输入相关信息，观察算法运行结果，并向用户展示最终的优化结果，极大的增强系统的可用性。
本发明创造的有益效果：本发明的创新点在于，提出了基于LLM引导ALNS算法的生产调度与资源分配协同系统，用于解决生产调度与资源分配的协同优化问题，通过数据接口模块、问题建模模块、搜索策略优化模块、资源分配分析模块和用户界面模块的融合，为生产调度与资源分配提供一种协同系统，提出基于LLM的改进大邻域搜索算法求解邻域内的资源分配搜索策略，本发明的创新之处在于，基于LLM的改进大邻域搜索算法通过提出三个互补邻域以改进算法搜索性能，然后提出二次Lyapunov函数来提高资源分配搜索策略的稳定性，最后提出改进邻域分量的二进制决策函数提高算法性能，以此来求解邻域内的资源分配最优搜索策略得到最优资源分配方案，提出改进ALNS算法动态调整资源分配的搜索策略，本发明的创新之处在于，改进ALNS算法通过提出近似极值点方法在搜索过程中对目标函数的极值进行估计，以指导搜索方向并调整搜索策略，然后提出计算实际生产系统数据间的距离和改进权重参数以使邻域搜索策略具有更好的自适应性，实现对资源分配搜索策略的动态调整，有效提高基于LLM引导ALNS算法的生产调度与资源分配协同系统的工作效果，为基于LLM引导ALNS算法的生产调度与资源分配协同系统提供更为全面、准确地技术支撑，为安全、科学、高效的基于LLM引导ALNS算法的生产调度与资源分配协同系统提供更好的决策支持，同时，本发明涉及邻域搜索算法和搜索策略优化算法，为人们提供方便且高效的生产调度与资源分配协同系统，也能为其他应用领域的发展巩固基础，在资源分配与搜索策略优化鼎盛发展的时代，资源分配与搜索策略优化的融合为多领域融合的发展打下了坚实的基础，且能应用于市场中的多个行业及领域，为资源分配与搜索策略优化的融合提供了新的发展方向，为资源分配技术领域贡献了重要应用价值。
附图说明
利用附图对发明创造作进一步说明，但附图中的实施例不构成对本发明创造的任何限制，对于本领域的普通技术人员，在不付出创造性劳动的前提下，还可以根据以下附图获得其它的附图。
图1是本发明结构示意图。
具体实施方式
结合以下实施例对本发明作进一步描述。
基于LLM引导ALNS算法的生产调度与资源分配协同系统，其特征在于，包括数据接口模块、问题建模模块、搜索策略优化模块、资源分配分析模块和用户界面模块，数据接口模块用于与实际生产系统的数据进行交互，问题建模模块包括大语言模型建模单元和协同建模单元，大语言模型建模单元用于将实际的生产调度与资源分配问题进行自然语言建模，协同建模单元用于将自然语言建模的问题与算法能够理解的问题进行对接，搜索策略优化模块包括邻域搜索单元和策略自适应单元，邻域搜索单元提出基于LLM的改进大邻域搜索算法对邻域内的资源分配搜索策略进行求解，策略自适应单元提出改进ALNS算法对资源分配的搜索策略进行动态调整，资源分配分析模块包括优化结果评估单元和决策支持单元，优化结果评估单元用于评估资源分配优化策略，决策支持单元用于提供最佳调度的决策支持，用户界面模块用于提供允许用户与系统之间的交互式界面。
优选的，数据接口模块用于与实际生产系统进行数据交互，获取来自生产环境的数据（包括生产任务信息、资源状态和生产订单优先级）、允许用户配置算法的参数、将算法和生产系统之间存在数据格式的差异进行数据格式转换、将算法生成的调度方案和资源分配结果传递回生产系统，确保数据的准确性和安全性。
优选的，大语言模型建模单元用于将生产调度与资源分配问题进行自然语言建模，负责理解用户提供的问题描述，生成问题的约束和目标，将问题的描述翻译为机器可理解的形式。
优选的，协同建模单元用于将LLM生成的问题模型转换为改进ALNS算法能处理的形式，以描述系统的性能度量，将实际的生产场景抽象成一个可供算法求解的数学问题。
优选的，邻域搜索单元提出基于LLM的改进大邻域搜索算法求解邻域内的资源分配搜索策略，同时生成关于资源分配、生产调度和运营策略的建议，帮助管理层做出更明智的决策。
具体的，在大语言模型LLM下，基于LLM的改进大邻域搜索算法具体如下：假设资源分配的有序邻域为，其中，/>为有序邻域集合，/>为有序邻域/>中的第1个邻域，/>为有序邻域/>中的第2个邻域，/>为有序邻域/>中的最大索引邻域，基于LLM的改进大邻域搜索算法探索有序邻域/>的局部最优解，从第1个邻域/>开始依次获取当前邻域的局部最优解，一旦在某一个邻域中找到更优的资源分配方案，立即切换到第1个邻域/>重新开始寻找局部最优解，直至资源分配的搜索策略从第1个邻域/>到达最大索引邻域/>来找到最优的资源分配搜索策略，基于LLM的改进大邻域搜索算法提出三个互补邻域以改进算法搜索性能，即2-2交换邻域/>、3-1交换邻域/>和邻域联合/>，2-2交换邻域/>对于当前解中的两个任务位置，允许它们进行位置交换以形成新的解，即，其中，/>为给定的初始解，/>为/>在2−2交换邻域内的元素集合，/>为在/>的基础上进行两个元素的交换，/>为元素交换运算，/>为初始解中的第/>个元素，/>为初始解中的第/>个元素，且2-2交换邻域/>能划分为多个不相交的邻域块/>，即/>，其中，/>为划分的多个不相交的邻域块，/>为对生成的所有解进行去重操作，确保集合中的序列是互不相同的，没有重复的序列，3-1交换邻域/>对于当前解中的三个任务位置，允许它们进行位置交换以形成新的解，即/>，其中，/>为3-1交换邻域，/>为在/>的基础上进行三个元素的交换，/>为元素交换运算，/>为初始解中的第/>个元素，/>为初始解中的第/>个元素，/>为初始解中的第/>个元素，邻域联合/>将多个不同类型的邻域组合在一起形成更大的邻域，以提高搜索的广度和深度，即，其中，/>为邻域联合，/>为有序邻域/>中的第/>个邻域；
然后提出二次Lyapunov函数来提高资源分配搜索策略的稳定性，二次Lyapunov函数为，其中，/>为二次Lyapunov函数，/>为邻域状态，/>为邻域搜索时间，/>为第1个邻域分量，/>为第2个邻域分量，/>为第/>个邻域分量，资源分配吞吐量的下限为，其中，/>为资源分配吞吐量的下限，/>为在邻域搜索时间/>时的邻域分量，/>为二次Lyapunov函数下资源分配方案的最优控制变量，/>二次Lyapunov函数下资源分配方案的次优控制变量，/>为资源分配方案，将次优吞吐量的下限进一步优化为，资源分配吞吐量的上限为，其中，/>为资源分配吞吐量的上限，/>为数学期望，同时提出二进制相关变换策略进一步改善资源分配搜索策略以引入新的解，增加搜索空间的多样性，二进制相关性转换策略将每个邻域分量视为单独的二进制变换问题，二进制相关性转换策略将每个邻域分量转换为/>个独立的二进制分量，即，其中，/>为转换后的二进制分量集合，为/>中的第1个二进制分量，/>为/>中的第2个二进制分量，/>为/>中的第3个二进制分量，/>为/>中的第/>个二进制分量，决策函数如下式：，其中，为提高算法的准确性，将决策函数/>改进为，其中，/>为改进后的决策函数，/>为约束条件，基于LLM的改进大邻域搜索算法通过提出三个互补邻域以改进算法搜索性能，然后提出二次Lyapunov函数来提高资源分配搜索策略的稳定性，最后提出改进邻域分量的二进制决策函数提高算法性能，以此来求解邻域内的资源分配最优搜索策略得到最优资源分配方案，并通过对生产调度与资源分配协同系统和实际生产系统数据进行分析，以生成关于资源分配、生产调度和运营策略的建议。
优选的，策略自适应单元提出改进ALNS算法动态调整资源分配的搜索策略。
具体的，在上述基于LLM的改进大邻域搜索算法的引导下，改进ALNS具体如下：假设破坏算子为，其中，/>为破坏算子集合，/>为/>中的第/>个破坏算子，/>为破坏算子集合的大小，修复算子为/>，其中，/>为修复算子集合，/>为/>中的第/>个修复算子，/>为修复算子集合的大小，每次破坏算子修复算子生成新的解时通过以下条件来调整资源分配搜索策略，若在邻域/>中资源分配方案时目前最优的解决方案，则/>，其中，/>为给定的初始解，/>为改变当前目前最优资源分配方案的增量，若在邻域/>中新的解决方案改进了当前的解决方案，则/>，其中，/>为改变当前改进的资源分配方案的增量，若在邻域/>中新的解决方案没有改进当前的解决方案，但仍然选择此新方案，则/>，其中，/>为改变当前已选择的新资源分配方案的增量，然后计算初始解/>的权重，即，其中，/>为初始解/>的权重，/>为一个介于/>到1之间的常数，/>为一个控制权重的参数，改进ALNS算法迭代过程中的候选邻域为，其中，/>为候选邻域集合，/>为邻域/>和邻域/>之间的距离，/>为第/>个邻域，/>为第/>个邻域，/>为邻域间半径；
然后提出近似极值点方法在搜索过程中对目标函数的极值进行估计，以指导搜索方向并调整搜索策略，假设有一邻域为，则邻域/>的极点/>被定义为凸包多边形的稳定点，/>的每个邻域分量/>由极点/>表示，即/>，其中，，/>，/>为极值点索引，/>为凸组合权重，但极端点不能适用于所有情况，因此提出极点与核空间相结合的方法，定义近似极点值集/>为：，其中，/>为近似极点值集，/>为求并集运算，/>为/>的第/>个子集，/>为/>的第/>个子集，/>为空集，/>的任何子集/>定义为：，其中，/>为衡量/>和/>中极值点之间线性组合的距离的函数，/>为第/>个极点值，/>为权重参数，/>为/>中的一个极值点，对于，能找到一个集合/>，且/>，有下式：/>，其中，/>为/>的近似极值子集，因此，目标函数的极值估计为/>，其中，/>为目标函数的极值估计值，/>为函数/>的近似误差，以在搜索过程中实现对目标函数的极值估计；
为提高算法的自适应性，通过计算实际生产系统数据间的距离自适应的判断邻域间半径，根据邻域半径/>，得到数据空间样本的密度，最后通过最小化目标函数值动态调整邻域搜索策略，邻域间半径/>根据下式自适应的确定，即：/>，其中，/>为最小化目标，/>为第/>个搜索方向的密度，/>为第/>个搜索方向的密度，是/>和/>之间的欧氏距离，同时将权重参数/>改进为/>以使邻域搜索策略具有更好的自适应性，即/>，其中，/>为改进后的权重参数，/>为衰减因子，/>为指数运算，/>为邻域搜索方向，同时加入/>因子控制权重参数的变化幅度，即/>，其中，/>为加入/>因子后的权重参数，改进ALNS算法通过提出近似极值点方法在搜索过程中对目标函数的极值进行估计，以指导搜索方向并调整搜索策略，然后提出计算实际生产系统数据间的距离和改进权重参数以使邻域搜索策略具有更好的自适应性，实现对资源分配搜索策略的动态调整。
优选的，优化结果评估单元用于评估资源分配优化策略，收集和计算算法的性能统计指标，如执行时间、迭代次数、收敛速度等，以评估算法的效率，将优化后的结果与其他算法产生的结果进行比较，以评估改进的程度和算法的竞争力，同时分析解决方案对问题参数的敏感性，以评估算法的稳定性和鲁棒性。
优选的，决策支持单元通过监控系统的运行状态、资源利用情况和生产进度信息，对生产调度与资源分配的当前状态进行分析，并提供系统状态的分析、优化建议和决策方案，为决策者提供最佳调度的决策支持，同时提供对不同方案的评估，包括方案的优劣势、风险分析、成本效益等信息，帮助决策者更全面的了解各种高效的决策方案。
优选的，用户界面模块用于提供允许用户与系统之间的交互式界面，为用户提供友好的交互界面，使用户能够轻松理解系统的运作、配置算法参数以及进行必要的操作，用户通过界面与系统进行沟通，输入相关信息，观察算法运行结果，并向用户展示最终的优化结果，包括最优解、相应的目标函数值、资源分配方案等，极大的增强系统的可用性。
提出了基于LLM引导ALNS算法的生产调度与资源分配协同系统，用于解决生产调度与资源分配的协同优化问题，通过数据接口模块、问题建模模块、搜索策略优化模块、资源分配分析模块和用户界面模块的融合，为生产调度与资源分配提供一种协同系统，提出基于LLM的改进大邻域搜索算法求解邻域内的资源分配搜索策略，本发明的创新之处在于，基于LLM的改进大邻域搜索算法通过提出三个互补邻域以改进算法搜索性能，然后提出二次Lyapunov函数来提高资源分配搜索策略的稳定性，最后提出改进邻域分量的二进制决策函数提高算法性能，以此来求解邻域内的资源分配最优搜索策略得到最优资源分配方案，提出改进ALNS算法动态调整资源分配的搜索策略，本发明的创新之处在于，改进ALNS算法通过提出近似极值点方法在搜索过程中对目标函数的极值进行估计，以指导搜索方向并调整搜索策略，然后提出计算实际生产系统数据间的距离和改进权重参数以使邻域搜索策略具有更好的自适应性，实现对资源分配搜索策略的动态调整，有效提高基于LLM引导ALNS算法的生产调度与资源分配协同系统的工作效果，为基于LLM引导ALNS算法的生产调度与资源分配协同系统提供更为全面、准确地技术支撑，为安全、科学、高效的基于LLM引导ALNS算法的生产调度与资源分配协同系统提供更好的决策支持，同时，本发明涉及邻域搜索算法和搜索策略优化算法，为人们提供方便且高效的生产调度与资源分配协同系统，也能为其他应用领域的发展巩固基础，在资源分配与搜索策略优化鼎盛发展的时代，资源分配与搜索策略优化的融合为多领域融合的发展打下了坚实的基础，且能应用于市场中的多个行业及领域，为资源分配与搜索策略优化的融合提供了新的发展方向，为资源分配技术领域贡献了重要应用价值。
最后应当说明的是，以上实施例仅用以说明本发明的技术方案，而非对本发明保护范围的限制，尽管参照较佳实施例对本发明作了详细地说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改，而不脱离本发明技术方案的实质和范围。
Claims (7)
1.基于LLM引导ALNS算法的生产调度与资源分配协同系统，其特征在于，包括数据接口模块、问题建模模块、搜索策略优化模块、资源分配分析模块和用户界面模块，数据接口模块用于与实际生产系统的数据进行交互，问题建模模块包括大语言模型建模单元和协同建模单元，大语言模型建模单元用于将实际的生产调度与资源分配问题进行自然语言建模，协同建模单元用于将自然语言建模的问题与算法能够理解的问题进行对接，搜索策略优化模块包括邻域搜索单元和策略自适应单元，邻域搜索单元提出基于LLM的改进大邻域搜索算法对邻域内的资源分配搜索策略进行求解，策略自适应单元提出改进ALNS算法对资源分配的搜索策略进行动态调整，资源分配分析模块包括优化结果评估单元和决策支持单元，优化结果评估单元用于评估资源分配优化策略，决策支持单元用于提供最佳调度的决策支持，用户界面模块用于提供允许用户与系统之间的交互式界面；
邻域搜索单元提出基于LLM的改进大邻域搜索算法求解邻域内的资源分配搜索策略，同时生成关于资源分配、生产调度和运营策略的建议，帮助管理层做出更明智的决策；
基于LLM的改进大邻域搜索算法具体如下：在大语言模型LLM下，假设资源分配的有序邻域为γ＝{γ1,γ2,…,γmax}，其中，γ为有序邻域集合，γ1为有序邻域γ中的第1个邻域，γ2为有序邻域γ中的第2个邻域，γmax为有序邻域γ中的最大索引邻域，基于LLM的改进大邻域搜索算法探索有序邻域γ的局部最优解，从第1个邻域γ1开始依次获取当前邻域的局部最优解，一旦在某一个邻域中找到更优的资源分配方案，立即切换到第1个邻域γ1重新开始寻找局部最优解，直至资源分配的搜索策略从第1个邻域γ1到达最大索引邻域γmax来找到最优的资源分配搜索策略，基于LLM的改进大邻域搜索算法提出三个互补邻域以改进算法搜索性能，即2-2交换邻域γ22、3-1交换邻域γ31和邻域联合γu，2-2交换邻域γ22对于当前解中的两个任务位置，允许它们进行位置交换以形成新的解，即γ22(s)＝{s'∣s'＝swap(s,i,j)}，其中，s为给定的初始解，γ22(s)为s在2-2交换邻域内的元素集合，s'为在s的基础上进行两个元素的交换，swap(·)为元素交换运算，i为初始解中的第i个元素，j为初始解中的第j个元素，且2-2交换邻域γ22能划分为多个不相交的邻域块B(s)，即其中，B(s)为划分的多个不相交的邻域块，distinct(·)为对生成的所有解进行去重操作，3-1交换邻域γ31对于当前解中的三个任务位置，允许它们进行位置交换以形成新的解，即γ31(s)＝{s”∣s”＝swap(s,i,j,k)}，其中，γ31(s)为3-1交换邻域，s”为在s的基础上进行三个元素的交换，swap(·)为元素交换运算，i为初始解中的第i个元素，j为初始解中的第j个元素，k为初始解中的第k个元素，邻域联合γu将多个不同类型的邻域组合在一起形成更大的邻域，以提高搜索的广度和深度，即其中，γunion(s)为邻域联合，γl(s)为有序邻域γ中的第l个邻域；
然后提出二次Lyapunov函数来提高资源分配搜索策略的稳定性，二次Lyap unov函数为其中，/>为二次Lyapunov函数，/>为邻域状态，t为邻域搜索时间，/>为第1个邻域分量，/>为第2个邻域分量，/>为第N个邻域分量，资源分配吞吐量的下限为其中，Xlow为资源分配吞吐量的下限，/>为在邻域搜索时间(t+1)时的邻域分量，/>为二次Lyapunov函数下资源分配方案的最优控制变量，/>二次Lyapunov函数下资源分配方案的次优控制变量，π为资源分配方案，将次优吞吐量的下限进一步优化为资源分配吞吐量的上限为其中，Xup为资源分配吞吐量的上限，E(·)为数学期望，同时提出二进制相关变换策略进一步改善资源分配搜索策略以引入新的解，增加搜索空间的多样性，二进制相关性转换策略将每个邻域分量视为单独的二进制变换问题，二进制相关性转换策略将每个邻域分量转换为m个独立的二进制分量，即Dγ＝{(x1,y1),(x2,y2),(x3,y3),…,(xM,yM)}，其中，Dγ为转换后的二进制分量集合，(x1,y1)为Dγ中的第1个二进制分量，(x2,y2)为Dγ中的第2个二进制分量，(x3,y3)为Dγ中的第3个二进制分量，(xM,yM)为Dγ中的第M个二进制分量，决策函数如下式：Y＝{γ,s.t.fγ(x)≥0}，其中，为提高算法的准确性，将决策函数Y改进为Y'＝{γ,s.y.maxfγ(x),fγ(x)<0}，其中，Y'为改进后的决策函数，s.t.为约束条件，基于LLM的改进大邻域搜索算法通过提出三个互补邻域以改进算法搜索性能，然后提出二次Lyapunov函数来提高资源分配搜索策略的稳定性，最后提出改进邻域分量的二进制决策函数提高算法性能，以此来求解邻域内的资源分配最优搜索策略得到最优资源分配方案，并通过对生产调度与资源分配协同系统和实际生产系统数据进行分析，以生成关于资源分配、生产调度和运营策略的建议；
策略自适应单元提出改进ALNS算法动态调整资源分配的搜索策略；
在上述基于LLM的改进大邻域搜索算法的引导下，改进ALNS具体如下：假设破坏算子为DO＝{DOd|d＝1,2,3,…,|DO|}，其中，DO为破坏算子集合，DOd为DO中的第d个破坏算子，|DO|为破坏算子集合的大小，修复算子为RO＝{ROr|r＝1,2,3,…,|RO|}，其中，RO为修复算子集合，ROr为RO中的第r个修复算子，|RO|为修复算子集合的大小，每次破坏算子修复算子生成新的解时通过以下条件来调整资源分配搜索策略，若在邻域γ中资源分配方案时目前最优的解决方案，则s＝s+δ1，其中，s为给定的初始解，δ1为改变当前目前最优资源分配方案的增量，若在邻域γ中新的解决方案改进了当前的解决方案，则s＝s+δ2，其中，δ2为改变当前改进的资源分配方案的增量，若在邻域γ中新的解决方案没有改进当前的解决方案，但仍然选择此新方案，则s＝s+δ3，其中，δ3为改变当前已选择的新资源分配方案的增量，然后计算初始解s的权重，即 其中，w为初始解s的权重，ε为一个介于0到1之间的常数，τ为一个控制权重的参数，改进ALNS算法迭代过程中的候选邻域为CN＝{γb|distance(γa,γb)≤rr}，其中，CN为候选邻域集合，distance(·)为邻域γa和邻域γb之间的距离，γa为第a个邻域，γb为第b个邻域，rr为邻域间半径；
然后提出近似极值点方法在搜索过程中对目标函数的极值进行估计，以指导搜索方向并调整搜索策略，假设有一邻域为X，则邻域X的极点EP(X)被定义为凸包多边形的稳定点，X的每个邻域分量xp由极点EP(X)表示，即 其中，0≤πp,t≤1，t为极值点索引，πp,t为凸组合权重，但极端点不能适用于所有情况，因此提出极点与核空间相结合的方法，定义近似极点值集Z为：其中，Z为近似极点值集，∪l为求并集运算，Zl为Z的第l个子集，Zm为Z的第m个子集，/>为空集，Zl的任何子集/>定义为：其中，/>为衡量zp和/>中极值点之间线性组合的距离的函数，zp为第p个极点值，μp,t为权重参数，Zt为/>中的一个极值点，对于能找到一个集合Zl，且zp∈Zl，有下式：/>其中，/>为Zl的近似极值子集，因此，目标函数的极值估计为/>其中，z'p为目标函数的极值估计值，τp为函数/>的近似误差，以在搜索过程中实现对目标函数的极值估计；
为提高算法的自适应性，通过计算实际生产系统数据间的距离自适应的判断邻域间半径rr，根据邻域半径rr，得到数据空间样本的密度，最后通过最小化目标函数值动态调整邻域搜索策略，邻域间半径rr根据下式自适应的确定，即： 其中，O为最小化目标，kpu为第u个搜索方向的密度，kpv为第v个搜索方向的密度，d(kpu,kpv)是kpu和kpv之间的欧氏距离，同时将权重参数μp,t改进为μ'p,t以使邻域搜索策略具有更好的自适应性，即μ'p,t＝μp,t·e-A·direction，其中，μ'p,t为改进后的权重参数，A为衰减因子，e(·)为指数运算，direction为邻域搜索方向，同时加入factor因子控制权重参数的变化幅度，即μ″p,t＝μ'p,t·factor，其中，μ″p,t为加入factor因子后的权重参数，改进ALNS算法通过提出近似极值点方法在搜索过程中对目标函数的极值进行估计，以指导搜索方向并调整搜索策略，然后提出计算实际生产系统数据间的距离和改进权重参数以使邻域搜索策略具有更好的自适应性，实现对资源分配搜索策略的动态调整。
2.根据权利要求1所述的基于LLM引导ALNS算法的生产调度与资源分配协同系统，其特征在于，数据接口模块用于与实际生产系统进行数据交互，获取来自生产环境的数据、允许用户配置算法的参数、将算法和生产系统之间存在数据格式的差异进行数据格式转换、将算法生成的调度方案和资源分配结果传递回生产系统。
3.根据权利要求1所述的基于LLM引导ALNS算法的生产调度与资源分配协同系统，其特征在于，大语言模型建模单元用于将生产调度与资源分配问题进行自然语言建模，负责理解用户提供的问题描述，生成问题的约束和目标，将问题的描述翻译为机器可理解的形式。
4.根据权利要求1所述的基于LLM引导ALNS算法的生产调度与资源分配协同系统，其特征在于，协同建模单元用于将LLM生成的问题模型转换为改进ALNS算法能处理的形式，以描述系统的性能度量，将实际的生产场景抽象成一个可供算法求解的数学问题。
5.根据权利要求1所述的基于LLM引导ALNS算法的生产调度与资源分配协同系统，其特征在于，优化结果评估单元用于评估资源分配优化策略，收集和计算算法的性能统计指标，以评估算法的效率，将优化后的结果与其他算法产生的结果进行比较，以评估改进的程度和算法的竞争力，同时分析解决方案对问题参数的敏感性，以评估算法的稳定性和鲁棒性。
6.根据权利要求1所述的基于LLM引导ALNS算法的生产调度与资源分配协同系统，其特征在于，决策支持单元通过监控系统的运行状态、资源利用情况和生产进度信息，对生产调度与资源分配的当前状态进行分析，并提供系统状态的分析、优化建议和决策方案，为决策者提供最佳调度的决策支持，同时提供对不同方案的评估，帮助决策者更全面的了解各种高效的决策方案。
7.根据权利要求1所述的基于LLM引导ALNS算法的生产调度与资源分配协同系统，其特征在于，用户界面模块用于提供允许用户与系统之间的交互式界面，为用户提供友好的交互界面，使用户能够轻松理解系统的运作、配置算法参数以及进行必要的操作，用户通过界面与系统进行沟通，输入相关信息，观察算法运行结果，并向用户展示最终的优化结果，极大的增强系统的可用性。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311629705.5A CN117522071B (zh) | 2023-12-01 | 2023-12-01 | 基于llm引导alns算法的生产调度与资源分配协同系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311629705.5A CN117522071B (zh) | 2023-12-01 | 2023-12-01 | 基于llm引导alns算法的生产调度与资源分配协同系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117522071A CN117522071A (zh) | 2024-02-06 |
| CN117522071B true CN117522071B (zh) | 2024-04-26 |
Family
ID=89745438
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311629705.5A Active CN117522071B (zh) | 2023-12-01 | 2023-12-01 | 基于llm引导alns算法的生产调度与资源分配协同系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117522071B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109102128A (zh) * | 2018-08-31 | 2018-12-28 | 武汉轻工大学 | 基于人工鱼群算法的车辆路径设置方法、装置及终端 |
| CN113111572A (zh) * | 2021-03-23 | 2021-07-13 | 合肥工业大学 | 航空发动机剩余寿命预测方法及系统 |
| CN114461368A (zh) * | 2022-03-16 | 2022-05-10 | 南京航空航天大学 | 一种基于协同果蝇算法的多目标云工作流调度方法 |
| CN115879657A (zh) * | 2022-09-30 | 2023-03-31 | 浙江财经大学 | 考虑多站点容量设计的电动车换电站选址路径优化方法 |
| CN116700176A (zh) * | 2023-06-19 | 2023-09-05 | 兰州理工大学 | 一种基于强化学习的分布式阻塞流水车间调度优化系统 |
| CN116933939A (zh) * | 2023-07-27 | 2023-10-24 | 山东省计算中心（国家超级计算济南中心） | 基于改进浣熊优化算法的柔性车间协同生产方法及系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP4317898B2 (ja) * | 2003-02-24 | 2009-08-19 | 独立行政法人電子航法研究所 | カオス論的指標値計算システム |
-
2023
- 2023-12-01 CN CN202311629705.5A patent/CN117522071B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109102128A (zh) * | 2018-08-31 | 2018-12-28 | 武汉轻工大学 | 基于人工鱼群算法的车辆路径设置方法、装置及终端 |
| CN113111572A (zh) * | 2021-03-23 | 2021-07-13 | 合肥工业大学 | 航空发动机剩余寿命预测方法及系统 |
| CN114461368A (zh) * | 2022-03-16 | 2022-05-10 | 南京航空航天大学 | 一种基于协同果蝇算法的多目标云工作流调度方法 |
| CN115879657A (zh) * | 2022-09-30 | 2023-03-31 | 浙江财经大学 | 考虑多站点容量设计的电动车换电站选址路径优化方法 |
| CN116700176A (zh) * | 2023-06-19 | 2023-09-05 | 兰州理工大学 | 一种基于强化学习的分布式阻塞流水车间调度优化系统 |
| CN116933939A (zh) * | 2023-07-27 | 2023-10-24 | 山东省计算中心（国家超级计算济南中心） | 基于改进浣熊优化算法的柔性车间协同生产方法及系统 |
Non-Patent Citations (6)
| Title |
|---|
| 2D Vector field approximation using linear neighborhoods;Stefan Koch等;《The Visual Computer》;20150723;全文 * |
| 多项目模式下船体分段制造资源协调优化配置研究;张兆泽;《中国硕士论文 工程科技Ⅱ辑》;20160215;全文 * |
| 水火电系统短期节能发电调度研究与应用;李刚;《中国优秀博论文 工程科技Ⅱ辑》;20080515;全文 * |
| 物联网边缘计算资源分配模糊建模与优化研究;郭荣佐;邓涵文;陈芳莹;黄君;;小型微型计算机系统;20200904(09);全文 * |
| 针对FJSP的新型邻域搜索算法及其应用;赵良辉;邓飞其;;系统工程与电子技术;20100815(08);全文 * |
| 面向大规模噪声数据的软性核凸包支持向量机;顾晓清;倪彤光;姜志彬;王士同;;电子学报;20180215(02);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117522071A (zh) | 2024-02-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Nguyen et al. | A new binary particle swarm optimization approach: Momentum and dynamic balance between exploration and exploitation | |
| CN113191484A (zh) | 基于深度强化学习的联邦学习客户端智能选取方法及系统 | |
| Huang et al. | A lightweight collaborative deep neural network for the mobile web in edge cloud | |
| CN107197006B (zh) | 基于全局QoS分解的多约束服务选取方法及其装置 | |
| CN112052071B (zh) | 强化学习和机器学习相结合的云软件服务资源分配方法 | |
| Jaszkiewicz et al. | Interactive multiobjective evolutionary algorithms | |
| Shen et al. | Transfer learning for mixed-integer resource allocation problems in wireless networks | |
| Gong et al. | Set-based many-objective optimization guided by a preferred region | |
| Tran et al. | Using Fuzzy Clustering Chaotic-based Differential Evolution to solve multiple resources leveling in the multiple projects scheduling problem | |
| Yang et al. | Adaptive sample-level graph combination for partial multiview clustering | |
| Hu et al. | An improved memetic algorithm using ring neighborhood topology for constrained optimization | |
| Hu et al. | A two-stage multi-objective task scheduling framework based on invasive tumor growth optimization algorithm for cloud computing | |
| CN117522071B (zh) | 基于llm引导alns算法的生产调度与资源分配协同系统 | |
| Ouyang et al. | Amended harmony search algorithm with perturbation strategy for large-scale system reliability problems | |
| Aliniya et al. | A novel combinational response mechanism for dynamic multi-objective optimization | |
| CN116149855A (zh) | 一种微服务架构下中性能资源成本优化方法及系统 | |
| Vaezipour et al. | Enterprise decision management with the aid of advanced business intelligence and interactive visualization tools | |
| Huang et al. | Study on the Application of Fuzzy TOPSIS to the Multi-objective Decision Making | |
| CN114980216B (zh) | 基于移动边缘计算的依赖型任务卸载系统及方法 | |
| Boulogeorgos et al. | Artificial Intelligence Empowered Multiple Access for Ultra Reliable and Low Latency THz Wireless Networks | |
| Liu et al. | Experience-based optimization: A coevolutionary approach | |
| Lee et al. | Learning multi-objective network optimizations | |
| Mahanipour et al. | FMLFS: A federated multi-label feature selection based on information theory in IoT environment | |
| Ni et al. | Efficient Cluster Selection for Personalized Federated Learning: A Multi-Armed Bandit Approach | |
| CN118195157B (zh) | 基于集成风光储能的多元数据管理方法及系统 |
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 |