CN117522176B - 基于多智能体系统的多项目资源调度评估系统 - Google Patents

基于多智能体系统的多项目资源调度评估系统 Download PDF

Info

Publication number
CN117522176B
CN117522176B CN202410022772.9A CN202410022772A CN117522176B CN 117522176 B CN117522176 B CN 117522176B CN 202410022772 A CN202410022772 A CN 202410022772A CN 117522176 B CN117522176 B CN 117522176B
Authority
CN
China
Prior art keywords
resource
transportation
project
data
energy consumption
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
Application number
CN202410022772.9A
Other languages
English (en)
Other versions
CN117522176A (zh
Inventor
苏琳
梅岩
高硕�
王济乾
李京丽
邓頔
姜阳
周伟康
常亮
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.)
CETC 15 Research Institute
Original Assignee
CETC 15 Research Institute
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 CETC 15 Research Institute filed Critical CETC 15 Research Institute
Priority to CN202410022772.9A priority Critical patent/CN117522176B/zh
Publication of CN117522176A publication Critical patent/CN117522176A/zh
Application granted granted Critical
Publication of CN117522176B publication Critical patent/CN117522176B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
    • 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

Landscapes

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

Abstract

本发明公开了基于多智能体系统的多项目资源调度评估系统，属于专门适用于监督的数据处理系统领域，本发明根据调度的能耗数据综合项目资源数据和智能体数据分析结果进行若干个适配的预选资源项目的调度评估，根据若干个适配的调度方案的调度评估结果选择最优调度资源项目方案，控制智能体数据采集模块、调度数据分析模块、调度方案适配模块、调度方案评估模块和调度方案发布模块的运行，根据最优调度资源项目方案向资源项目发布调度命令，以选择最合适的项目资源进行智能体的调度，在优化了调度资源的同时，节约了调度成本。

Description

基于多智能体系统的多项目资源调度评估系统
技术领域
本发明属于专门适用于监督的数据处理系统域技术领域，具体的说是基于多智能体系统的多项目资源调度评估系统。
背景技术
现有的多智能体武器在进行调度的过程中，通常只是选择最近的项目资源进行调度，无法根据多智能体武器的特性和调度环境来选择合适的项目资源，同时无法对调度资源的能耗进行准确计算，导致调度成本较高，现有技术中均存在上述问题；
例如在申请公开号为CN112742028A的中国专利中公开对抗博弈的编队决策方法、系统、介质及设备，此方法包括：对全局坐标系下获得的情报依据位置关系进行栅格化处理、对敏感事件进行监测、依据编队的任务范围分发对应其坐标系下的情报信息，并且根据态势图及特殊事件触发因素决策各编队移动的航线及相应任务；接收分发的情报信息，判断是否受领任务；受领任务则判断任务类型是否变更，任务类型变更则调整任务状态及执行方式，并下发任务指令，如果任务类型没有变更，只是更新了本次任务目标，则调整任务目标，并下发任务指令；编队各成员根据任务指令行动，如果没有具体行动则保持在编队中所处位置。该发明具有采用模块化多编队指挥控制、有效降低问题域维度、高效简洁等优点；
例如在现有技术申请公开号为CN113065816A的中国专利中公开了一种自动生成运输任务的无人调度运输控制方法及系统，属于调度作业技术领域，包括：车联网服务器生成零件看板数据发送给卡车联网服务器；通过所述零件看板数据和卡车数据确定卡车模拟装满后生成装车完成任务并将其发送给车联网服务器；装车作业完成后生成确认发车任务并将其发送给卡车联网服务器；当相应卡车进入相应卸货位时生成卸货任务并将其发送所述给叉车联网服务器；当卸货完成时生成卸货任务完成并将其发送给所述卡车联网服务器；所述卡车联网服务器接收到卸货任务完成后根据所述卡车路线回到装载区位置。该发明利用智能物流技术取代现有物流装车物流作业，提升装卸效率。
以上专利均存在本背景技术提出的问题现有的多智能体武器在进行调度的过程中，通常只是选择最近的项目资源进行调度，无法根据多智能体武器的特性和调度环境来选择合适的项目资源，同时无法对调度资源的能耗进行准确计算，导致调度成本较高，为了解决这些问题，本申请设计了基于多智能体系统的多项目资源调度评估系统。
发明内容
针对现有技术的不足，本发明提出了基于多智能体系统的多项目资源调度评估系统，本发明通过数据采集终端采集各智能体基础数据，同时采集各项目资源的基础数据，根据项目资源数据和智能体数据进行资源调度的分析，根据项目资源数据和智能体数据分析结果进行若干个预选资源项目的适配，根据调度的能耗数据综合项目资源数据和智能体数据分析结果进行若干个适配的预选资源项目的调度评估，根据若干个适配的调度方案的调度评估结果选择最优调度资源项目方案，控制智能体数据采集模块、调度数据分析模块、调度方案适配模块、调度方案评估模块和调度方案发布模块的运行，根据最优调度资源项目方案向资源项目发布调度命令，以选择最合适的项目资源进行智能体的调度，在优化了调度资源的同时，节约了调度成本。
为实现上述目的，本发明提供如下技术方案：
基于多智能体系统的多项目资源调度评估系统，包括智能体数据采集模块、项目资源采集模块、调度数据分析模块、调度方案适配模块、调度方案评估模块、控制模块和调度方案发布模块，其中，所述智能体数据采集模块用于通过数据采集终端采集各智能体基础数据，所述项目资源采集模块用于采集各项目资源的基础数据，所述调度数据分析模块用于根据项目资源数据和智能体数据进行资源调度的分析，所述调度方案适配模块用于根据项目资源数据和智能体数据分析结果进行若干个预选资源项目的适配，所述调度方案评估模块用于根据调度的能耗数据综合项目资源数据和智能体数据分析结果进行若干个适配的预选资源项目的调度评估，所述调度方案适配模块还用于根据若干个适配的调度方案的调度评估结果选择最优调度资源项目方案，所述控制模块用于控制智能体数据采集模块、调度数据分析模块、调度方案适配模块、调度方案评估模块和调度方案发布模块的运行，所述调度方案发布模块用于根据最优调度资源项目方案向资源项目发布调度命令。
具体的，所述智能体数据采集模块包括智能体运输质量采集单元、智能体运输占空采集单元和智能体运输环境采集单元，所述智能体运输质量采集单元用于采集各智能体的质量数据，所述智能体运输占空采集单元用于采集各智能体的占空体积数据，所述智能体运输环境采集单元用于采集各智能体的运输环境数据，这里的运输环境数据包括一些精密智能体的适宜运输环境和普通智能体的运输环境数据，这里的适宜运输环境包括运输的温度、湿度等运输条件。
具体的，所述项目资源采集模块包括项目资源位置采集单元、项目资源运输质量采集单元、项目资源运输体积提取采集单元和项目资源运输环境采集单元，所述项目资源位置采集单元用于采集各项目资源距离智能体和目标点的相对位置距离数据，所述项目资源运输质量采集单元用于采集各项目资源运输质量数据，所述项目资源运输体积提取采集单元用于采集各项目资源运输体积数据，所述项目资源运输环境采集单元用于采集各项目资源的运输环境数据。
具体的，所述调度数据分析模块中运行调度数据分析策略，所述调度数据分析策略包括以下具体步骤：
S11、提取智能体数据采集模块采集的各智能体的质量数据、各智能体的占空体积数据、各智能体的运输环境数据，同时提取项目资源采集模块采集的各项目资源运输质量数据、各项目资源运输体积数据和各项目资源的运输环境数据，提取各智能体的运输环境数据和各项目资源的运输环境数据，判断各项目资源的运输环境数据是否符合各智能体的运输环境数据，若项目资源的运输环境数据符合各智能体的运输环境数据，则进行S12步骤，若项目资源的运输环境数据不符合各智能体的运输环境数据，则不调度该项目资源；
S12、提取项目资源的运输环境数据符合各智能体的运输环境数据的对应项目资源，提取对应项目资源的运输环境以及对应项目资源的运输环境的运输质量和运输体积数据，运输质量和运输体积数据分别设为：和/>，其中，/>为第i项对应项目资源的运输环境的运输质量，/>为第i项对应项目资源的运输环境的运输体积，n1为对应项目资源的运输环境的总项数，i属于1-n1中任一项，计算第i项运输环境对应的项目资源运输对应的各智能体的趟次/>，趟次计算公式为：，其中max（）为括号内集合中的元素的最大值，/>为括号内的数取整，/>为第i项运输环境对应的第j个智能体的质量，/>为第i项运输环境对应的第j个智能体的体积，n2为第i项运输环境对应智能体的数量，j属于1-n2中任一项。
具体的，所述调度数据分析策略还包括以下具体步骤：
S13、获取项目资源与智能体运输点相对距离数据，同时获取智能体运输点与运输终点运输相对距离数据/>，同时提取项目资源的运输平均速度v和运输环境对应的项目资源运输各智能体的趟次的最大值/>，计算各项目资源将智能体运输至运输终点需要的总时间/>，计算公式为：/>，其中/>为运输的货物装卸和准备时间，提取设定的时间阈值，与计算得到的各项目资源将智能体运输至运输终点需要的总时间与时间阈值对比，选择其中将智能体运输至运输终点需要的总时间小于等于时间阈值的项目资源设为预选项目资源。
具体的，所述调度方案适配模块中包括调度方案适配策略，所述调度方案适配策略包括以下具体步骤：
S21、获取预选项目资源的已有任务，提取二者任务的任务等级，进行任务等级的比较，若已有任务的任务等级大于预选资源项目的任务等级，则将该项目资源从预选资源项目中去除，若已有任务的任务等级小于等于预选资源项目的任务等级，则将该项目资源从预选资源项目中保留，这里的任务等级通过任务的战备等级划分；
S22、选择保留的预选资源项目，提取保留的预选资源项目的历史运输单位能耗和历史运输环境数据，这里的历史运输环境为运输道路的坡度、弯度和不平整度。
具体的，所述调度方案评估模块包括单位能耗预估单元和预选资源项目能耗计算单元，所述单位能耗预估单元用于根据保留的预选资源项目的历史运输能耗和历史运输环境数据代入神经网络计算模型中计算各项目资源单位距离的能耗，所述预选资源项目能耗计算单元用于将各项目资源单位距离的能耗导入预选资源项目能耗计算策略中计算预选资源项目能耗。
具体的，所述神经网络计算模型包括以下具体内容：
获取至少500组预选资源项目的历史运输道路的坡度pd、弯度wd、不平整度zd和历史运输单位能耗W构建参数模型方程，将这些数据分为作为70%的单位能耗系数训练集和30%的单位能耗系数测试集；对参数模型方程进行参数训练构建回归模型网络，将70%的单位能耗系数训练集输入回归模型网络进行训练，以得到初始回归模型；利用30%的单位能耗系数测试集对初始回归模型进行测试，输出满足预设历史运输单位能耗准确度的最优初始回归模型作为回归预测模型，其中参数模型方程为：，其中/>为第i项运输环境对应的项目资源的能耗标准值，/>为坡度单位能耗系数，/>为弯度单位能耗系数，/>为不平整度单位能耗系数，/>为坡度标准值，/>为弯度标准值，/>为不平整度标准值，将运输道路的坡度pd、弯度wd、不平整度zd代入参数模型方程导出各项目资源单位距离的能耗，/>为得到的能耗准确值。
具体的，所述预选资源项目能耗计算策略包括以下具体步骤：
S31、提取各运输环境对应的项目资源的需要运输的趟次、获取项目资源与智能体运输点相对距离数据，同时获取智能体运输点与运输终点运输相对距离数据/>，代入距离计算公式中计算第i项运输环境对应的项目资源的运输距离/>，运输距离计算公式为:；
S32、提取计算得到的各运输环境对应的项目资源的运输距离和各运输环境对应的项目资源的单位能耗/>，代入预选资源项目能耗计算公式中计算预选资源项目能耗，预选资源项目能耗计算公式为：/>。
具体的，所述调度方案适配模块包括预选资源项目能耗对比单元和调度方案提取单元，所述预选资源项目能耗对比单元用于对计算得到的预选资源项目能耗进行升序排列得到预选资源项目能耗排列表，所述调度方案提取单元用于提取预选资源项目能耗排列表中能耗最小的预选资源项目作为最优调度资源项目方案。
与现有技术相比，本发明的有益效果是：
1、本发明通过数据采集终端采集各智能体基础数据，同时采集各项目资源的基础数据，根据项目资源数据和智能体数据进行资源调度的分析，根据项目资源数据和智能体数据分析结果进行若干个预选资源项目的适配，根据调度的能耗数据综合项目资源数据和智能体数据分析结果进行若干个适配的预选资源项目的调度评估，根据若干个适配的调度方案的调度评估结果选择最优调度资源项目方案，控制智能体数据采集模块、调度数据分析模块、调度方案适配模块、调度方案评估模块和调度方案发布模块的运行，根据最优调度资源项目方案向资源项目发布调度命令，以选择最合适的项目资源进行智能体的调度，在优化了调度资源的同时，节约了调度成本。
2、本发明通过根据智能体的调度环境来选择合适的项目资源，进一步提高了调度的合理性，同时进一步优化了调度资源。
3、本发明通过根据保留的预选资源项目的历史运输能耗和历史运输环境数据代入神经网络计算模型中计算各项目资源单位距离的能耗，将各项目资源单位距离的能耗导入预选资源项目能耗计算策略中计算预选资源项目能耗，提高了计算预选资源项目能耗的准确性。
附图说明
图1为本发明基于多智能体系统的多项目资源调度评估系统组成示意图；
图2为本发明基于多智能体系统的多项目资源调度评估系统的智能体数据采集模块示意图；
图3为本发明基于多智能体系统的多项目资源调度评估系统的项目资源采集模块示意图；
图4为本发明基于多智能体系统的多项目资源调度评估系统的调度方案评估模块构架示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。
实施例1
请参阅图1-图4，本发明提供的实施例：基于多智能体系统的多项目资源调度评估系统，包括智能体数据采集模块、项目资源采集模块、调度数据分析模块、调度方案适配模块、调度方案评估模块、控制模块和调度方案发布模块，其中，智能体数据采集模块用于通过数据采集终端采集各智能体基础数据，项目资源采集模块用于采集各项目资源的基础数据，调度数据分析模块用于根据项目资源数据和智能体数据进行资源调度的分析，调度方案适配模块用于根据项目资源数据和智能体数据分析结果进行若干个预选资源项目的适配，调度方案评估模块用于根据调度的能耗数据综合项目资源数据和智能体数据分析结果进行若干个适配的预选资源项目的调度评估，调度方案适配模块还用于根据若干个适配的调度方案的调度评估结果选择最优调度资源项目方案，控制模块用于控制智能体数据采集模块、调度数据分析模块、调度方案适配模块、调度方案评估模块和调度方案发布模块的运行，调度方案发布模块用于根据最优调度资源项目方案向资源项目发布调度命令。
在本实施例中，智能体数据采集模块包括智能体运输质量采集单元、智能体运输占空采集单元和智能体运输环境采集单元，智能体运输质量采集单元用于采集各智能体的质量数据，智能体运输占空采集单元用于采集各智能体的占空体积数据，智能体运输环境采集单元用于采集各智能体的运输环境数据，这里的运输环境数据包括一些精密智能体的适宜运输环境和普通智能体的运输环境数据，这里的适宜运输环境包括运输的温度、湿度等运输条件。
在本实施例中，项目资源采集模块包括项目资源位置采集单元、项目资源运输质量采集单元、项目资源运输体积提取采集单元和项目资源运输环境采集单元，项目资源位置采集单元用于采集各项目资源距离智能体和目标点的相对位置距离数据，项目资源运输质量采集单元用于采集各项目资源运输质量数据，项目资源运输体积提取采集单元用于采集各项目资源运输体积数据，项目资源运输环境采集单元用于采集各项目资源的运输环境数据。
在本实施例中，调度数据分析模块中运行调度数据分析策略，调度数据分析策略包括以下具体步骤：
S11、提取智能体数据采集模块采集的各智能体的质量数据、各智能体的占空体积数据、各智能体的运输环境数据，同时提取项目资源采集模块采集的各项目资源运输质量数据、各项目资源运输体积数据和各项目资源的运输环境数据，提取各智能体的运输环境数据和各项目资源的运输环境数据，判断各项目资源的运输环境数据是否符合各智能体的运输环境数据，若项目资源的运输环境数据符合各智能体的运输环境数据，则进行S12步骤，若项目资源的运输环境数据不符合各智能体的运输环境数据，则不调度该项目资源；
S12、提取项目资源的运输环境数据符合各智能体的运输环境数据的对应项目资源，提取对应项目资源的运输环境以及对应项目资源的运输环境的运输质量和运输体积数据，运输质量和运输体积数据分别设为：和/>，其中，/>为第i项对应项目资源的运输环境的运输质量，/>为第i项对应项目资源的运输环境的运输体积，n1为对应项目资源的运输环境的总项数，i属于1-n1中任一项，计算第i项运输环境对应的项目资源运输对应的各智能体的趟次/>，趟次计算公式为：，其中max（）为括号内集合中的元素的最大值，/>为括号内的数取整，/>为第i项运输环境对应的第j个智能体的质量，/>为第i项运输环境对应的第j个智能体的体积，n2为第i项运输环境对应智能体的数量，j属于1-n2中任一项。
在本实施例中，调度数据分析策略还包括以下具体步骤：
S13、获取项目资源与智能体运输点相对距离数据，同时获取智能体运输点与运输终点运输相对距离数据/>，同时提取项目资源的运输平均速度v和运输环境对应的项目资源运输各智能体的趟次的最大值/>，计算各项目资源将智能体运输至运输终点需要的总时间/>，计算公式为：/>，其中/>为运输的货物装卸和准备时间，提取设定的时间阈值，与计算得到的各项目资源将智能体运输至运输终点需要的总时间与时间阈值对比，选择其中将智能体运输至运输终点需要的总时间小于等于时间阈值的项目资源设为预选项目资源。
在本实施例中，调度方案适配模块中包括调度方案适配策略，调度方案适配策略包括以下具体步骤：
S21、获取预选项目资源的已有任务，提取二者任务的任务等级，进行任务等级的比较，若已有任务的任务等级大于预选资源项目的任务等级，则将该项目资源从预选资源项目中去除，若已有任务的任务等级小于等于预选资源项目的任务等级，则将该项目资源从预选资源项目中保留，这里的任务等级通过任务的战备等级划分；
S22、选择保留的预选资源项目，提取保留的预选资源项目的历史运输单位能耗和历史运输环境数据，这里的历史运输环境为运输道路的坡度、弯度和不平整度，在此需要说明的是，路况好坏，比如是否拥堵，路面的坡度、弯度、不平整度等都会影响油耗。
在本实施例中，调度方案评估模块包括单位能耗预估单元和预选资源项目能耗计算单元，单位能耗预估单元用于根据保留的预选资源项目的历史运输能耗和历史运输环境数据代入神经网络计算模型中计算各项目资源单位距离的能耗，预选资源项目能耗计算单元用于将各项目资源单位距离的能耗导入预选资源项目能耗计算策略中计算预选资源项目能耗。
在本实施例中，神经网络计算模型包括以下具体内容：
获取至少500组预选资源项目的历史运输道路的坡度pd、弯度wd、不平整度zd和历史运输单位能耗W构建参数模型方程，将这些数据分为作为70%的单位能耗系数训练集和30%的单位能耗系数测试集；对参数模型方程进行参数训练构建回归模型网络，将70%的单位能耗系数训练集输入回归模型网络进行训练，以得到初始回归模型；利用30%的单位能耗系数测试集对初始回归模型进行测试，输出满足预设历史运输单位能耗准确度的最优初始回归模型作为回归预测模型，其中参数模型方程为：，其中/>为第i项运输环境对应的项目资源的能耗标准值，/>为坡度单位能耗系数，/>为弯度单位能耗系数，/>为不平整度单位能耗系数，/>为坡度标准值，/>为弯度标准值，/>为不平整度标准值，将运输道路的坡度pd、弯度wd、不平整度zd代入参数模型方程导出各项目资源单位距离的能耗，在此需要说明的是，通过根据保留的预选资源项目的历史运输能耗和历史运输环境数据代入神经网络计算模型中计算各项目资源单位距离的能耗，将各项目资源单位距离的能耗导入预选资源项目能耗计算策略中计算预选资源项目能耗，提高了计算预选资源项目能耗的准确性，/>为得到的能耗准确值。
以下是一个简单的使用C语言编写的神经网络模型的代码，该模型的输入包括历史运输道路的坡度pd、弯度wd和不平整度zd，输出为历史运输单位能耗W。
#include<stdio.h>
#include<stdlib.h>
#include<math.h>
// 定义神经网络的参数
#define INPUT_LAYER_SIZE 3
#define HIDDEN_LAYER_SIZE 5
#define OUTPUT_LAYER_SIZE 1
// 定义激活函数
double sigmoid(double x) {
return 1 / (1 + exp(-x));
}
// 定义神经网络前向传播函数
void forwardPropagation(double *input, double *weights_hidden, double*weights_output, double *hidden_output, double *predicted_output) {
// 计算隐藏层的输出
for (int i = 0; i<HIDDEN_LAYER_SIZE; i++) {
hidden_output[i] = 0;
for (int j = 0; j<INPUT_LAYER_SIZE; j++) {
hidden_output[i] += input[j]* weights_hidden[j * HIDDEN_LAYER_SIZE + i];
}
hidden_output[i] = sigmoid(hidden_output[i]);
}
// 计算输出层的输出
for (int i = 0; i<OUTPUT_LAYER_SIZE; i++) {
predicted_output[i] = 0;
for (int j = 0; j<HIDDEN_LAYER_SIZE; j++) {
predicted_output[i] += hidden_output[j]* weights_output[j* OUTPUT_LAYER_SIZE + i];
}
predicted_output[i] = sigmoid(predicted_output[i]);
}
}
int main() {
// 初始化神经网络的参数
double weights_hidden[INPUT_LAYER_SIZE * HIDDEN_LAYER_SIZE] = {
0.2, 0.3, 0.4, 0.5, 0.6,
0.3, 0.4, 0.5, 0.6, 0.7,
0.4, 0.5, 0.6, 0.7, 0.8
};
double weights_output[HIDDEN_LAYER_SIZE * OUTPUT_LAYER_SIZE] = {
0.2,
0.3,
0.4,
0.5,
0.6
};
double input[INPUT_LAYER_SIZE] = {0.1, 0.2, 0.3};
double hidden_output[HIDDEN_LAYER_SIZE];
double predicted_output[OUTPUT_LAYER_SIZE];
// 进行前向传播
forwardPropagation(input, weights_hidden, weights_output, hidden_output, predicted_output);
// 打印预测结果
printf("Predicted Output: %.4lf
", predicted_output[0]);
return 0;
}
这只是一个简单的示例，实际上需要根据数据和需求调整代码来构建一个有效的神经网络模型。
在本实施例中，预选资源项目能耗计算策略包括以下具体步骤：
S31、提取各运输环境对应的项目资源的需要运输的趟次、获取项目资源与智能体运输点相对距离数据，同时获取智能体运输点与运输终点运输相对距离数据/>，代入距离计算公式中计算第i项运输环境对应的项目资源的运输距离/>，运输距离计算公式为:；
S32、提取计算得到的各运输环境对应的项目资源的运输距离和各运输环境对应的项目资源的单位能耗/>，代入预选资源项目能耗计算公式中计算预选资源项目能耗，预选资源项目能耗计算公式为：/>。
在本实施例中，调度方案适配模块包括预选资源项目能耗对比单元和调度方案提取单元，预选资源项目能耗对比单元用于对计算得到的预选资源项目能耗进行升序排列得到预选资源项目能耗排列表，调度方案提取单元用于提取预选资源项目能耗排列表中能耗最小的预选资源项目作为最优调度资源项目方案。
通过本实施例能够实现：通过数据采集终端采集各智能体基础数据，同时采集各项目资源的基础数据，根据项目资源数据和智能体数据进行资源调度的分析，根据项目资源数据和智能体数据分析结果进行若干个预选资源项目的适配，根据调度的能耗数据综合项目资源数据和智能体数据分析结果进行若干个适配的预选资源项目的调度评估，根据若干个适配的调度方案的调度评估结果选择最优调度资源项目方案，控制智能体数据采集模块、调度数据分析模块、调度方案适配模块、调度方案评估模块和调度方案发布模块的运行，根据最优调度资源项目方案向资源项目发布调度命令，以选择最合适的项目资源进行智能体的调度，在优化了调度资源的同时，节约了调度成本。
实施例2
本实施例提供电子设备，包括：处理器和存储器，其中，存储器中存储有可供处理器调用的计算机程序；
处理器通过调用存储器中存储的计算机程序，执行上述的调度数据分析策略、调度方案适配策略、神经网络计算模型和预选资源项目能耗计算策略。
该电子设备可因配置或性能不同而产生比较大的差异，能够包括一个或一个以上的处理器（Central Processing Units，CPU）和一个或一个以上的存储器，其中，该存储器中存储有至少一条计算机程序，该计算机程序由该处理器加载并执行以实现上述方法实施例提供的调度数据分析策略、调度方案适配策略、神经网络计算模型和预选资源项目能耗计算策略。该电子设备还能够包括其他用于实现设备功能的部件，例如，该电子设备还能够具有有线或无线网络接口以及输入输出接口等部件，以便进行数据的输入输出。本实施例在此不做赘述。
实施例3
本实施例提出计算机可读存储介质，其上存储有可擦写的计算机程序；
当计算机程序在计算机设备上运行时，使得计算机设备执行上述的调度数据分析策略、调度方案适配策略、神经网络计算模型和预选资源项目能耗计算策略。
例如，计算机可读存储介质能够是只读存储器（Read-Only Memory，简称：ROM）、随机存取存储器（Random Access Memory，简称：RAM）、只读光盘（Compact Disc Read-OnlyMemory，简称：CD-ROM）、磁带、软盘和光数据存储设备等。
应理解，在本申请的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
应理解，根据A确定B并不意味着仅仅根据A确定B，还能够根据A和/或其它信息确定B。
上述实施例，可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时，上述实施例可以全部或部分地以计算机程序产品的形式实现。计算机程序产品包括一个或多个计算机指令或计算机程序。在计算机上加载或执行计算机指令或计算机程序时，全部或部分地产生按照本发明实施例的流程或功能。计算机可以为通用计算机、专用计算机、计算机网络、或者其他可编程装置。计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线网络或/和无线网络方式向另一个网站站点、计算机、服务器或数据中心进行传输。计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集合的服务器、数据中心等数据存储设备。可用介质可以是磁性介质（例如，软盘、硬盘、磁带）、光介质（例如，DVD）、或者半导体介质。半导体介质可以是固态硬盘。
本领域普通技术人员可以意识到，结合本发明中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本发明所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一 种，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为的具体实施方式。显然，根据本说明书的内容，可做很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。

Claims (7)

1.基于多智能体系统的多项目资源调度评估系统，其特征在于，包括智能体数据采集模块、项目资源采集模块、调度数据分析模块、调度方案适配模块、调度方案评估模块、控制模块和调度方案发布模块，其中，所述智能体数据采集模块用于通过数据采集终端采集各智能体基础数据，所述项目资源采集模块用于采集各项目资源的基础数据，所述调度数据分析模块用于根据项目资源数据和智能体数据进行资源调度的分析，所述调度方案适配模块用于根据项目资源数据和智能体数据分析结果进行若干个预选资源项目的适配，所述调度方案评估模块用于根据调度的能耗数据综合项目资源数据和智能体数据分析结果进行若干个适配的预选资源项目的调度评估，所述调度方案适配模块还用于根据若干个适配的调度方案的调度评估结果选择最优调度资源项目方案，所述控制模块用于控制智能体数据采集模块、调度数据分析模块、调度方案适配模块、调度方案评估模块和调度方案发布模块的运行，所述调度方案发布模块用于根据最优调度资源项目方案向资源项目发布调度命令；所述智能体数据采集模块包括智能体运输质量采集单元、智能体运输占空采集单元和智能体运输环境采集单元，所述智能体运输质量采集单元用于采集各智能体的质量数据，所述智能体运输占空采集单元用于采集各智能体的占空体积数据，所述智能体运输环境采集单元用于采集各智能体的运输环境数据；所述项目资源采集模块包括项目资源位置采集单元、项目资源运输质量采集单元、项目资源运输体积提取采集单元和项目资源运输环境采集单元，所述项目资源位置采集单元用于采集各项目资源距离智能体和目标点的相对位置距离数据，所述项目资源运输质量采集单元用于采集各项目资源运输质量数据，所述项目资源运输体积提取采集单元用于采集各项目资源运输体积数据，所述项目资源运输环境采集单元用于采集各项目资源的运输环境数据；所述调度数据分析模块中运行调度数据分析策略，所述调度数据分析策略包括以下具体步骤：
S11、提取智能体数据采集模块采集的各智能体的质量数据、各智能体的占空体积数据、各智能体的运输环境数据，同时提取项目资源采集模块采集的各项目资源运输质量数据、各项目资源运输体积数据和各项目资源的运输环境数据，提取各智能体的运输环境数据和各项目资源的运输环境数据，判断各项目资源的运输环境数据是否符合各智能体的运输环境数据，若项目资源的运输环境数据符合各智能体的运输环境数据，则进行S12步骤，若项目资源的运输环境数据不符合各智能体的运输环境数据，则不调度该项目资源；
S12、提取项目资源的运输环境数据符合各智能体的运输环境数据的对应项目资源，提取对应项目资源的运输环境以及对应项目资源的运输环境的运输质量和运输体积数据，运输质量和运输体积数据分别设为：和/>，其中，/>为第i项对应项目资源的运输环境的运输质量，/>为第i项对应项目资源的运输环境的运输体积，n1为对应项目资源的运输环境的总项数，i属于1-n1中任一项，计算第i项运输环境对应的项目资源运输对应的各智能体的趟次/>，趟次计算公式为：，其中max（）为括号内集合中的元素的最大值，/>为括号内的数取整，/>为第i项运输环境对应的第j个智能体的质量，/>为第i项运输环境对应的第j个智能体的体积，n2为第i项运输环境对应智能体的数量，j属于1-n2中任一项。
2.如权利要求1所述的基于多智能体系统的多项目资源调度评估系统，其特征在于，所述调度数据分析策略还包括以下具体步骤：
S13、获取项目资源与智能体运输点相对距离数据，同时获取智能体运输点与运输终点运输相对距离数据/>，同时提取项目资源的运输平均速度v和运输环境对应的项目资源运输各智能体的趟次的最大值/>，计算各项目资源将智能体运输至运输终点需要的总时间/>，计算公式为：/>，其中/>为运输的货物装卸和准备时间，提取设定的时间阈值，与计算得到的各项目资源将智能体运输至运输终点需要的总时间与时间阈值对比，选择其中将智能体运输至运输终点需要的总时间小于等于时间阈值的项目资源设为预选项目资源。
3.如权利要求2所述的基于多智能体系统的多项目资源调度评估系统，其特征在于，所述调度方案适配模块中包括调度方案适配策略，所述调度方案适配策略包括以下具体步骤：
S21、获取预选项目资源的已有任务，提取二者任务的任务等级，进行任务等级的比较，若已有任务的任务等级大于预选资源项目的任务等级，则将该项目资源从预选资源项目中去除，若已有任务的任务等级小于等于预选资源项目的任务等级，则将该项目资源从预选资源项目中保留；
S22、选择保留的预选资源项目，提取保留的预选资源项目的历史运输单位能耗和历史运输环境数据。
4.如权利要求3所述的基于多智能体系统的多项目资源调度评估系统，其特征在于，所述调度方案评估模块包括单位能耗预估单元和预选资源项目能耗计算单元，所述单位能耗预估单元用于根据保留的预选资源项目的历史运输能耗和历史运输环境数据代入神经网络计算模型中计算各项目资源单位距离的能耗，所述预选资源项目能耗计算单元用于将各项目资源单位距离的能耗导入预选资源项目能耗计算策略中计算预选资源项目能耗。
5.如权利要求4所述的基于多智能体系统的多项目资源调度评估系统，其特征在于，所述神经网络计算模型包括以下具体内容：
获取至少500组预选资源项目的历史运输道路的坡度pd、弯度wd、不平整度zd和历史运输单位能耗W构建参数模型方程，将这些数据分为作为70%的单位能耗系数训练集和30%的单位能耗系数测试集；对参数模型方程进行参数训练构建回归模型网络，将70%的单位能耗系数训练集输入回归模型网络进行训练，以得到初始回归模型；利用30%的单位能耗系数测试集对初始回归模型进行测试，输出满足预设历史运输单位能耗准确度的最优初始回归模型作为回归预测模型，其中参数模型方程为：，其中为第i项运输环境对应的项目资源的能耗标准值，/>为坡度单位能耗系数，/>为弯度单位能耗系数，/>为不平整度单位能耗系数，/>为坡度标准值，/>为弯度标准值，/>为不平整度标准值，将运输道路的坡度pd、弯度wd、不平整度zd代入参数模型方程导出各项目资源单位距离的能耗，/>为得到的能耗准确值。
6.如权利要求5所述的基于多智能体系统的多项目资源调度评估系统，其特征在于，所述预选资源项目能耗计算策略包括以下具体步骤：
S31、提取各运输环境对应的项目资源的需要运输的趟次、获取项目资源与智能体运输点相对距离数据，同时获取智能体运输点与运输终点运输相对距离数据/>，代入距离计算公式中计算第i项运输环境对应的项目资源的运输距离/>，运输距离计算公式为:；
S32、提取计算得到的各运输环境对应的项目资源的运输距离和各运输环境对应的项目资源的单位能耗/>，代入预选资源项目能耗计算公式中计算预选资源项目能耗，预选资源项目能耗计算公式为：/>。
7.如权利要求6中所述的基于多智能体系统的多项目资源调度评估系统，其特征在于，所述调度方案适配模块包括预选资源项目能耗对比单元和调度方案提取单元，所述预选资源项目能耗对比单元用于对计算得到的预选资源项目能耗进行升序排列得到预选资源项目能耗排列表，所述调度方案提取单元用于提取预选资源项目能耗排列表中能耗最小的预选资源项目作为最优调度资源项目方案。
CN202410022772.9A 2024-01-08 2024-01-08 基于多智能体系统的多项目资源调度评估系统 Active CN117522176B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410022772.9A CN117522176B (zh) 2024-01-08 2024-01-08 基于多智能体系统的多项目资源调度评估系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410022772.9A CN117522176B (zh) 2024-01-08 2024-01-08 基于多智能体系统的多项目资源调度评估系统

Publications (2)

Publication Number Publication Date
CN117522176A CN117522176A (zh) 2024-02-06
CN117522176B true CN117522176B (zh) 2024-04-12

Family

ID=89749850

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410022772.9A Active CN117522176B (zh) 2024-01-08 2024-01-08 基于多智能体系统的多项目资源调度评估系统

Country Status (1)

Country Link
CN (1) CN117522176B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108665091A (zh) * 2018-04-07 2018-10-16 深圳供电局有限公司 一种基于机器学习的物资智能调度方法
CN113238847A (zh) * 2021-05-20 2021-08-10 西安电子科技大学 基于分散式网络环境下可分任务的分发和调度方法
WO2022099596A1 (zh) * 2020-11-13 2022-05-19 浙江大学 一种面向工业个性化定制生产的自适应学习智能调度统一计算框架及系统
CN114638167A (zh) * 2022-03-22 2022-06-17 北京航空航天大学 基于多智能体强化学习的高性能集群资源公平分配方法
CN116739323A (zh) * 2023-08-16 2023-09-12 北京航天晨信科技有限责任公司 一种面向应急资源调度的智能评估方法和系统
CN116934046A (zh) * 2023-08-01 2023-10-24 海南众澄科技有限公司 一种基于机器学习与运筹优化的智能调度方法
CN116955304A (zh) * 2023-07-24 2023-10-27 安徽中车浦镇城轨交通运维科技有限公司 一种基于云平台的轨道交通资源共享调用系统
CN117035576A (zh) * 2023-05-19 2023-11-10 南通河海大学海洋与近海工程研究院 一种基于马尔可夫决策的网络货运智能调度方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109412829B (zh) * 2018-08-30 2020-11-17 华为技术有限公司 一种资源配置的预测方法及设备

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108665091A (zh) * 2018-04-07 2018-10-16 深圳供电局有限公司 一种基于机器学习的物资智能调度方法
WO2022099596A1 (zh) * 2020-11-13 2022-05-19 浙江大学 一种面向工业个性化定制生产的自适应学习智能调度统一计算框架及系统
CN113238847A (zh) * 2021-05-20 2021-08-10 西安电子科技大学 基于分散式网络环境下可分任务的分发和调度方法
CN114638167A (zh) * 2022-03-22 2022-06-17 北京航空航天大学 基于多智能体强化学习的高性能集群资源公平分配方法
CN117035576A (zh) * 2023-05-19 2023-11-10 南通河海大学海洋与近海工程研究院 一种基于马尔可夫决策的网络货运智能调度方法
CN116955304A (zh) * 2023-07-24 2023-10-27 安徽中车浦镇城轨交通运维科技有限公司 一种基于云平台的轨道交通资源共享调用系统
CN116934046A (zh) * 2023-08-01 2023-10-24 海南众澄科技有限公司 一种基于机器学习与运筹优化的智能调度方法
CN116739323A (zh) * 2023-08-16 2023-09-12 北京航天晨信科技有限责任公司 一种面向应急资源调度的智能评估方法和系统

Also Published As

Publication number Publication date
CN117522176A (zh) 2024-02-06

Similar Documents

Publication Publication Date Title
Kallestad et al. A general deep reinforcement learning hyperheuristic framework for solving combinatorial optimization problems
CN113824489B (zh) 基于深度学习的卫星网络资源动态分配方法、系统及装置
CN110543978A (zh) 基于小波神经网络的交通流数据预测方法和装置
CN115330095A (zh) 矿车调度模型训练方法、装置、芯片、终端、设备及介质
CN115168027A (zh) 一种基于深度强化学习的算力资源度量方法
CN111680382A (zh) 等级预测模型训练方法、等级预测方法、装置及电子设备
CN110879595A (zh) 一种基于深度强化学习的无人矿卡循迹控制系统及方法
CN115545608A (zh) 基于不确定需求下的绿色物流车辆路径优化方法及应用
WO2018182442A1 (en) Machine learning system and method for generating a decision stream and automonously operating device using the decision stream
CN117522176B (zh) 基于多智能体系统的多项目资源调度评估系统
CN113110359B (zh) 约束型智能汽车自主决策系统在线训练方法及装置
CN112418475A (zh) 物流路径规划方法、装置、电子设备及存储介质
CN109801021A (zh) 模型生成方法及装置、信息获取方法及装置
CN111967720B (zh) 一种网约车的调度方法和系统
CN113128929A (zh) 车辆载重状态的识别方法、装置、计算机设备和介质
CN111461395A (zh) 临时配送中心的选址方法和系统
CN116523270A (zh) 一种物流运输任务自动调度方法、设备、服务器及介质
Wang et al. Edge-computing based soft sensors with local finite impulse response models for vehicle wheel center loads estimation under multiple working conditions
CN115017466B (zh) 碳载量确定方法、装置、电子设备及存储介质
CN115865914A (zh) 车辆边缘计算中基于联邦深度强化学习的任务卸载方法
CN115563020A (zh) 危险测试场景的生成方法及系统、电子设备、存储介质
CN113095126B (zh) 道路交通态势识别方法、系统和存储介质
CN114996660A (zh) 碳载量预测方法、装置、电子设备及存储介质
CN114742644A (zh) 训练多场景风控系统、预测业务对象风险的方法和装置
CN113112061A (zh) 一种预测车辆油耗的方法与装置

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