CN101840200A - 一种优化调度控制中动态数据的自适应处理方法 - Google Patents

Abstract

本发明一种优化调度控制中动态数据的自适应处理方法，是通过小波分析，将预处理后的数据输出到主控中心中，通过控制器选择不同的自适应调度算法及建立嵌入模糊规则的遗传算法进行优化运算，并将生成的结果和仿真器中的结果进行比较，选择符合要求的调度方案作为***输出；若生成的结果和仿真器中的结果偏差较大，则通过辨识器进行修正，同时进入主控中心的控制器训练，并对算法进行调整，直至主控中心输出的结果与仿真器中的结果的偏差符合要求；本发明在对实际数据进行预处理后，通过引用自适应控制机制，可适应对象特性的缓慢变化，能对调度控制的现实需求进行预处理和未来需求预测有一定的先进性，同时有助于闭环供应链优化的整体实现。

Description

一种优化调度控制中动态数据的自适应处理方法

技术领域

本发明涉及一种优化调度控制中动态数据的自适应处理方法。

背景技术

优化调度问题普遍存在于各个研究领域，人们对优化技术的研究逐步深入，常用的解决最优化问题的方法有精确算法和智能优化算法。

优化方法的数学表达式minf(X)，X∈Eⁿ并且满足一定的约束条件：

h(X)＝0，g(X)≥0.X∈Eⁿ  X表示为欧式空间中的一个点(向量)。

根据函数f(X)的连续性可以将优化问题分为两大类：连续函数的最优化与离散函数的最优化。后者也可以称为组合优化问题。有许多组合优化问题从理论上是可行的，但是事实上却不可行，因此，这类问题称为NP-Hard难题。通常运用传统的运筹学方法只能解决静态数据的优化控制调度问题。而对于实际生产中的动态数据的处理一直是困扰的一个难题。

发明内容

本发明提出一种优化调度控制中动态数据的自适应处理方法，其动态数据的运算及数据之间的匹配相对准确，运行数据的速度较快，对在不确定环境下的动态数据的调度和基于模糊规则的遗传算法来实现优化，该方法简单方便。

本发明一种优化调度控制中动态数据的自适应处理方法，主要是通过滤波器对输入的原始数据进行小波分析，经过滤波及信噪分离后，将预处理后的数据输出到主控中心中按照动态、静态、业务集进行分级处理；该主控中心接收到静态和动态的数据后，通过其中的控制器选择不同的自适应调度算法及建立嵌入模糊规则的遗传算法对数据进行优化运算，并将生成的数据结果和仿真器中的模型及数据进行比较，若符合预期目标，则选择符合要求的调度方案作为***输出；若生成的数据结果和仿真器中的结果偏差较大，不符合预期目标，则通过***模型修正辨识器对数据结果进行修正，同时进入主控中心的控制器训练，并对该控制器中的算法进行调整，直至主控中心输出的数据结果与仿真器中的结果之间的偏差符合预期目标为止。

所述的自适应调度算法选择了基于量化模糊规则的模糊逻辑算法，将问题分为关键路径和非关键路径，其具体步骤如下：

步骤1：计算模糊因素的隶属关系

k＝1，2，3，以及整数值Vac，Vmc，Vmnc；

所述的Vac是指增加关键路径的数量，Vmc是指可减少的客户数量，Vmnc是指可减少的非关键路径的数量；

将关键路径集和非关键路径集分别定义为V_c和V_nc，则自适应网络调度算法如下：

步骤(1)：从节点i＝1，…，n，分别标定初始时间T_s与结束时间T_e；

步骤(2)：计算引入综合评价系数θ，

$\mathrm{\θ}=\mathrm{\γ}\·\underset{i=1}{\overset{N}{\mathrm{\Σ}}}(\mathrm{Te}-\mathrm{Ts})+\mathrm{\δ}\·\underset{i=1}{\overset{N}{\mathrm{\Σ}}}r+\mathrm{\σ}\·\frac{Q}{\mathrm{\ΣQ}}$

式中

R——节点半径；Q——需求量

步骤(3)：从节点i＝1至n，确定节点是否在关键路径集V_c和非关键路径集V_nc；

步骤(4)：计算目标函数值f(x)

$f\left(x\right)=\mathrm{\β}(T_{\mathrm{ij}}-{\mathrm{MT}}_{\mathrm{ij}})+\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{d}_{\mathrm{ij}}$

步骤2：计算模糊决策规则的隶属度

k＝1，2，3，4；具体算法如下：

设

为模糊决策D_k的隶属度，k＝1，2，3，4，考虑三个模糊因素对该决策的影响，利用决策专家的知识和经验可以得到：

${\mathrm{\μ}}_{D_1}={\mathrm{\μ}}_{{\tilde{F}}_1}^c\⊗{\mathrm{\μ}}_{{\tilde{F}}_2}$

${\mathrm{\μ}}_{D_2}={\mathrm{\μ}}_{F_1}\⊗{\mathrm{\μ}}_{F_3}$

${\mathrm{\μ}}_{D_3}={\mathrm{\μ}}_{{\tilde{F}}_1}\⊗{\mathrm{\μ}}_{F_2}^c\⊗{\mathrm{\μ}}_{F_3}^c$

${\mathrm{\μ}}_{D_4}={\mathrm{\μ}}_{F_1}^c\⊗{\mathrm{\μ}}_{F_2}^c\⊗{\mathrm{\μ}}_{F_3}^c$

其中，μ^c＝1-μ，符号是一个算子

${\mathrm{\μ}}_1\⊗{\mathrm{\μ}}_2=\frac{{\mathrm{\μ}}_1{\mathrm{\μ}}_2}{\mathrm{\δ}+(1-\mathrm{\δ})({\mathrm{\μ}}_1+{\mathrm{\μ}}_2-{\mathrm{\μ}}_1{\mathrm{\μ}}_2)}$

步骤3：计算所选择的决策k

从得到

则决策可以由下式得出，

$k=\arg \max ({\mathrm{\μ}}_{D_1},{\mathrm{\μ}}_{D_2},{\mathrm{\μ}}_{D_3},{\mathrm{\μ}}_{D_4})$

步骤4：对选择的决策和选择的路径分别进行加、减操作，若决策为关键路径则为加操作，非关键路径则为减操作，并且调用步骤1中的自适应网络调度算法，重新进行调度计算目标函数值；

步骤5：计算目标函数值：f(x)，具体计算为：

步骤6：返回f(x)及选择结果X＝[X1，X2，...，Xi，...，Xn]给步骤5；

所述的建立嵌入模糊规则的遗传算法及具体实现步骤包括：

步骤1、确定基因编码方式，适值函数，遗传算子、选择算略和停止准则

(1)基因编码方式：是针对客户的自然数编码；

(2)适值函数

f(l)＝Fmax-F(1)+a，1＝1，2…，NP              (1)

所述的NP是种群数，Fmax＝max{F(1)，l＝1，2，…，NP}，a是一个小正数；

(3)遗传算子：采用两点交叉法，即取两个染色体对应的中间部分进行对应的交换，变异操作是随机挑选染色体的一部分进行值的改变；

(4)选择算略：采用回转轮法和精英选择策略，精英选择策略是指在新一代种群中任意选择一个基因，用上一代中最好的基因代替，在新一代中第三条基因的选择概率为：

$P_k\left(i\right)=\frac{f_k-f_k\left(i\right)}{\underset{i=1}{\overset{\mathrm{NP}}{\mathrm{\Σ}}}\{f_k-f_k\left(i\right)\}}$ f_k＝max{f_k(i)，i＝1，2，…，NP}

                                          (2)

(5)停止准则：采用最大迭代数作为算法的停止准则；

步骤2、基于嵌入模糊规则的遗传算法的求解步骤

(1)设定参数：种群规模NP，最大迭代代数NG，交叉概率Pc，变异概率Pm；

(2)调用自适应网络调度算法，计算综合评价系数θ，并且确定关键路径和非关键路径；

(3)随机产生NP个染色体的初始种群如下：

Z＝[X1，X2，…Xi，…，X(N)]，Xj(i)≠Xk(i)，任何j，k，i＝1，2，…，NP

其中Xj(i)是一个不大于Ni的自然数，设事实上种群的迭代数为k＝0，初始可行解为X*＝X(1)，目标函数F*＝Q，Q为一个大的整数；

(4)判断是否满足终止条件如果满足转(9)，否则转(5)；

(5)对于染色体X(i)，i＝1，2，…，NP，进行如下：

操作1：调用自适应网络调度算法，计算得出综合评价系数θ；

操作2：调用模糊决策规则，返回目标函数值f(i)并记忆选择X(i)；

操作3：记录最大、最小的目标函数值

fmax＝max{f(Xi)，i＝1，2，...，NP}

fmin＝min{f(Xi)，i＝1，2，...，NP}

令i^*＝arg{f(Xi)＝fmin}，X(i^*)是最小目标函数值的染色体

(6)IF f^*≥fmin，then f^*＝fmin，X^*＝X(i^*)；

(7)计算适值函数及每条基因的适值，根据基因的适应值计算其选择概率，并选择概率的大小随机选取基因进行复制；

(8)进行交叉和变异运算，产生新的一代种群，并用上一代中最好的基因随机替代一个新基因，转(4)；

(9)输出结果，记录f*和X*作为最优解，结束。

所述的通过嵌入的模糊规则的遗传算法优化生成的结果和实际问题要求的控制方案中的结果相比较，通常采用最小二乘方法对***模型中的数据进行修正，从而对主控中心中的算法进行调整，调整后输出优化结果作为主控中心的参数，通过作为参数的交叉因子和变异因子来实现对主控中心中算法的训练和调整。

由于本发明通过过滤器对原始数据进行小波分析，过滤实现信噪分离，有利于调度控制实际问题中的大量数据的处理，可以提高优化调度算法的动态数据处理的准确性；通过设计主控中心，选择不同的自适应算法，对处理后的数据进行优化随机搜索算法，求得运算结果；对调度控制的现实需求进行预处理和未来需求预测有一定的先进性，同时有助于闭环供应链优化的整体实现；对已经生成的结果建立数学模型，从而建立仿真器，做相关数据的检验；通过对主控中心设计计算的运行结果和仿真器中的调度数据相比较，从而对***模型中的数据进行修正，形成动态优化调度的结果。

本发明在静态调度***的运行机制基础上，提出基于智能算法的自适应辨识型的多目标优化调度***，既保证调度方案的最优选择，又可获得根据实际问题的调度方案，确定实际***的特性，如配送送货时间、运输成本，提供给仿真器实现准确模拟实际***，通过引入辨识器，作为自校正控制机制，适应对象特性的动态数据的缓慢变化；另外，本发明在***输入原始数据阶段，经过过滤器实现对实际数据的预处理，通过引用自适应控制机制，可适应对象特性的缓慢变化。

附图说明

图1为本发明的工作流程图；

图2为本发明的主控中心的工作原理图；

图3为本发明应用于城市物流配送***中路径优化调度的工作流程图；

图4为本发明应用于城市物流配送***中路径优化调度的功能框图；

图5为本发明应用于城市物流配送***中路径优化调度的操作流程图。

以下结合具体实施方式对本发明作进一步详述。

具体实施方式

如图1、2所示，本发明一种优化调度控制中动态数据的自适应处理方法，主要是通过滤波器对输入的原始数据进行小波分析，经过滤波及信噪分离后，将预处理后的数据输出到主控中心中按照动态、静态、业务集进行分级处理；该主控中心接收到静态和动态的数据后，通过其中的控制器选择不同的自适应调度算法及建立嵌入模糊规则的遗传算法对数据进行优化运算，并将生成的数据结果和仿真器中的模型及数据进行比较，若符合预期目标，则选择符合要求的调度方案作为***输出；若生成的数据结果和仿真器中的结果偏差较大，不符合预期目标，则通过***模型修正辨识器对数据结果进行修正，同时进入主控中心的控制器训练，并对该控制器中的算法进行调整，直至主控中心输出的数据结果与仿真器中的结果之间的偏差符合预期目标为止。

下面的算法步骤是为建立的模糊规则的调度算法设计的，即在主控中心的控制器中设计的调度规则，此算法有助于解决在不确定因素条件下的动态数据的调度处理，建立的调度规则和机制有助于实际问题的解决。这里选择了基于量化模糊规则的模糊逻辑算法，将问题分为关键路径和非关键路径，从而建立的自适应网络调度算法。其具体步骤如下：

步骤1：计算模糊因素的隶属关系

k＝1，2，3，以及整数值Vac，Vmc，Vmnc；

所述的Vac是指增加关键路径的数量，Vmc是指可减少的客户数量，Vmnc是指可减少的非关键路径的数量；

将关键路径集和非关键路径集分别定义为V_c和V_nc，自适应网络调度算法如下：

步骤(1)：从节点i＝1，…，n，分别标定初始时间T_s与结束时间T_e；

步骤(2)：计算引入综合评价系数θ，

$\mathrm{\θ}=\mathrm{\γ}\·\underset{i=1}{\overset{N}{\mathrm{\Σ}}}(\mathrm{Te}-\mathrm{Ts})+\mathrm{\δ}\·\underset{i=1}{\overset{N}{\mathrm{\Σ}}}r+\mathrm{\σ}\·\frac{Q}{\mathrm{\ΣQ}}$

式中

R——节点半径；Q——需求量。

步骤(3)：从节点i＝1至n，确定节点是否在关键路径集V_c和非关键路径集V_nc；

步骤(4)：计算目标函数值f(x)

$f\left(x\right)=\mathrm{\β}(T_{\mathrm{ij}}-{\mathrm{MT}}_{\mathrm{ij}})+\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{d}_{\mathrm{ij}}$

步骤2：计算模糊决策规则的隶属度

k＝1，2，3，4；具体算法如下：

设

为模糊决策D_k的隶属度，k＝1，2，3，4。考虑三个模糊因素对决策的影响，利用决策专家的知识和经验可以得到：

${\mathrm{\μ}}_{D_1}={\mathrm{\μ}}_{{\tilde{F}}_1}^c\⊗{\mathrm{\μ}}_{{\tilde{F}}_2}$

${\mathrm{\μ}}_{D_2}={\mathrm{\μ}}_{F_1}\⊗{\mathrm{\μ}}_{F_3}$

${\mathrm{\μ}}_{D_3}={\mathrm{\μ}}_{{\tilde{F}}_1}\⊗{\mathrm{\μ}}_{F_2}^c\⊗{\mathrm{\μ}}_{F_3}^c$

${\mathrm{\μ}}_{D_4}={\mathrm{\μ}}_{F_1}^c\⊗{\mathrm{\μ}}_{F_2}^c\⊗{\mathrm{\μ}}_{F_3}^c$

其中，μ^c＝1-μ，

符号是一个算子

${\mathrm{\μ}}_1\⊗{\mathrm{\μ}}_2=\frac{{\mathrm{\μ}}_1{\mathrm{\μ}}_2}{\mathrm{\δ}+(1-\mathrm{\δ})({\mathrm{\μ}}_1+{\mathrm{\μ}}_2-{\mathrm{\μ}}_1{\mathrm{\μ}}_2)}$

步骤3：计算所选择的决策k。

从得到

则决策可以由下式得出，

$k=\arg \max ({\mathrm{\μ}}_{D_1},{\mathrm{\μ}}_{D_2},{\mathrm{\μ}}_{D_3},{\mathrm{\μ}}_{D_4})$

步骤4：对选择的决策和选择的路径分别进行加、减操作，若决策为关键路径则为加操作，非关键路径则为减操作，并且调用步骤1中的自适应网络调度算法，重新进行调度计算目标函数值。

步骤5：计算目标函数值：f(x)，具体计算为：

步骤6：返回f(x)及选择结果X＝[X1，X2，...，Xi，...，Xn]给步骤5。

下述算法描述出在主控中心的控制器建立的自适应调度算法的实现步骤，即选择建立基于模糊规则的遗传算法选择较优解的过程。上述第一段算法选择的模糊调度规则是嵌入第二段遗传算法的实现步骤，为准备算法，二者为承接关系。

所述的建立嵌入模糊规则的遗传算法及具体实现步骤包括：

步骤1、确定基因编码方式，适值函数，遗传算子、选择算略和停止准则

(1)基因编码方式：是针对客户的自然数编码；

(2)适值函数

f(l)＝Fmax-F(l)+a，l＝1，2...，NP                     (1)

所述的NP是种群数，Fmax＝max{F(l)，l＝1，2，...，NP}，a是一个小正数。

(3)遗传算子：采用两点交叉法，即取两个染色体对应的中间部分进行对应的交换，变异操作是随机挑选染色体的一部分进行值的改变。

(4)选择算略：采用回转轮法和精英选择策略，精英选择策略是指在新一代种群中任意选择一个基因，用上一代中最好的基因代替，在新一代中第三条基因的选择概率为：

$P_k\left(i\right)=\frac{f_k-f_k\left(i\right)}{\underset{i=1}{\overset{\mathrm{NP}}{\mathrm{\Σ}}}\{f_k-f_k\left(i\right)\}}$ f_k＝max{f_k(i)，i＝1，2，…，NP}

                                      (2)

(5)停止准则：采用最大迭代数作为算法的停止准则。

步骤2、基于嵌入模糊规则的遗传算法的求解步骤

(1)设定参数：种群规模NP，最大迭代代数NG，交叉概率Pc，变异概率Pm；

(2)调用自适应网络调度算法，计算综合评价系数θ，并且确定关键路径和非关键路径；

(3)随机产生NP个染色体的初始种群如下：

Z＝[X1，X2，...Xi，...，X(N)]，Xj(i)≠Xk(i)，任何j，k，i＝1，2，...，NP

其中Xj(i)是一个不大于Ni的自然数，设事实上种群的迭代数为k＝0，初始可行解为X*＝X(1)，目标函数F*＝Q，Q为一个大的整数；

(4)判断是否满足终止条件如果满足转(9)，否则转(5)；

(5)对于染色体X(i)，i＝1，2，...，NP，进行如下：

操作1：调用自适应网络调度算法得出综合评价系数θ；

操作2：调用模糊决策规则，返回目标函数值f(i)并记忆选择X(i)；

操作3：记录最大、最小的目标函数值

fmax＝max{f(Xi)，i＝1，2，...，NP}

fmin＝min{f(Xi)，i＝1，2，...，NP}

令i^*＝arg{f(Xi)＝fmin}，X(i^*)是最小目标函数值的染色体。

(6)IF f^*≥fmin，thenf^*＝fmin，X^*＝X(i^*)；

(7)计算适值函数及每条基因的适值，根据基因的适应值计算其选择概率，并选择概率的大小随机选取基因进行复制；

(8)进行交叉和变异运算，产生新的一代种群，并用上一代中最好的基因随机替代一个新基因，转(4)；

(9)输出结果，记录f*和X*作为最优解，结束。

所述的采用嵌入模糊规则的遗传算法是混合遗传算法的一种，其目的是在重组选择循环中嵌入附加的局部优化模块，使之移动到最后的局部最优解。该算法分三个阶段实现：第一阶段利用遗传算法进行配送优化路径选择；第二阶段利用自适应网络调度算法计算其相应的指标；第三阶段利用嵌入的模糊规则进行染色体的调整。

所述的仿真器中是通过设计算法建立的***模型。将通过主控中心设计计算的运行结果(主控中心中运算的动态数据)和仿真器中的调度数据(即静态数据集中的数据)进行比较，如果不符合预期目标，则通过仿真器进行***辨识型修正，直到生成数据符合实际数据***的输出为止。

图1中的仿真结果和预期目标指的分别是指通过嵌入的模糊规则的遗传算法优化生成的结果和实际问题要求的控制方案中的结果相比较，通常采用最小二乘方法对***模型中的数据进行修正，从而对图1中模型优化算法进行调整。调整后输出优化结果(满足目标函数最优值f(x)，均值，最大值，达优率)作为主控中心的参数，通过交叉因子和变异因子等参数来实现对主控中心中算法的训练和调整。所述的嵌入模糊规则优化方法的选择和设计本身体现了自适应的处理过程。

下面结合城市物流配送***详述本发明的具体应用，即配送路径优化调度中动态数据自适应处理控制的信息流程主要包括如下几个核心环节。下面设计算法的信息流程为***的关键部分。

如图3至图4所示，所述的城市物流配送***的设计核心是LRP的动态优化调度问题的解决。在城市物流配送***的动态数据信息***中其核心的调度程序要完成的工作有：依照控制程序调入的数据选择发货的配送中心、选取车辆、配载车辆、安排发车时间和选择行车路线。如果把所有的配送中心看作潜在的设施，而把实际的道路虚拟成行车路线，这个调度程序实质上就是一个带有时间限制的LRP的优化过程。城市物流配送***的具体实现方案是千差万别的，这主要是由配送业务自身的定位决定的，比如服务的客户是企业还是普通居民，配送的货物是品种相对单一的大批量货物还是品种繁多的小批量货物等等，这些都将影响其信息***的具体实现方案。但是作为其核心的LRP优化方法是不变的，它具有很大的稳定性。每个物流配送***都要涉及到选址、安排路线等决策过程。通过本发明提出的方法在满足准时配货的前提下，不但控制了物流配送的成本，同时已也满足了客户的需求，因此本发明提出的自适应处理方法是有效的，该方法可以推广应用到优化调度的其它领域的生产实际中。

合理的城市物流配送调度应满足如下三个目标：①准时运输，即货物按要求的时间段运到客户手中；②总成本(包括运输路线成本，建立和运营仓库的固定成本，获得运输工具成本等)最小；③车辆运输总路径最短。

为了解决城市物流配送的这些问题，本发明在前人研究的LRP抽象的单目标LRP模型基础上，建立符合物流配送多目标优化模型，并采用启发式算法和遗传算法，从多层次解决城市物流配送优化调度设计问题。它主要是针对物流活动中的设施定位、行车路线安排的问题提出的。

如图2和图5所示，该物流配送***输入客户订单信息至客户信息处理模块(图中未示)，并通过过滤器进行小波分析，完成对客户订单原始输入数据的预处理，并将预处理后的数据以统一的格式存入动态数据集，便于以后操作。该动态数据集中包括的数据有：客户接货时间、地点，货物品种、数量等，这些数据是随着每次客户订单而存入的，所有这些动态数据亦作为历史资料保存在业务资料数据集中。

然后将动态数据集中规整好的数据调入主控中心，同时该主控中心还接受来自静态数据集的数据。该静态数据集中存储的是不常变更的数据，如配送中心的位置、每个配送中心的车辆数目、类型、装载能力，运输道路的数字表示、客户位置等信息，这些信息不是永远不变的，而相对于动态数据其变动的频率要小得多。该主控中心接收到静态和动态的数据后，开始启动配送路径优化调度算法，并通过控制器中的基于模糊规则的遗传算法的配送网络的处理规则建立模型库，同时将仿真器中的先验模型做比较，若符合预期目标则输出计算结果；若不符合则通过***模型修正辨识器进一步修正模型，从而实现对配送送货时间、运输成本等约束条件的调度。所述的计算结果是有关货物配送的决策信息，该决策信息主要包括在哪个或哪几个配送中心安排运货、每个配送中心哪几辆车运货、每辆车装载哪些客户的货物、装多少、什么时候发车、每辆车的行车路线等。

该主控中心把这些决策信息发给相应的配送中心，指导配送中心安排货物配送业务。同时，主控中心把部分数据如订单确认、车辆到达时间、装货情况等信息传给客户信息处理模块，由此模块把这些信息转换成友好的形式传给客户。另外还要把这些决策信息发往业务资料数据集，作为历史资料保存下来。

本发明在静态调度***的运行机制基础上，提出基于智能算法的自适应辨识型的多目标优化调度***，既保证调度方案的最优选择，又可获得根据实际问题的调度方案，确定实际***的特性，如配送送货时间、运输成本，提供给仿真器实现准确模拟实际***，通过引入辨识器，作为自校正控制机制，适应对象特性的动态数据的缓慢变化；另外，本发明在***输入原始数据阶段，经过过滤器实现对实际数据的预处理，通过引用自适应控制机制，可适应对象特性的缓慢变化。

Claims (3)

1.一种优化调度控制中动态数据的自适应处理方法，其特征在于：主要是通过滤波器对输入的原始数据进行小波分析，经过滤波及信噪分离后，将预处理后的数据输出到主控中心中按照动态、静态、业务集进行分级处理；该主控中心接收到静态和动态的数据后，通过其中的控制器选择不同的自适应调度算法及建立嵌入模糊规则的遗传算法对数据进行优化运算，并将生成的数据结果和仿真器中的模型及数据进行比较，若符合预期目标，则选择符合要求的调度方案作为***输出；若生成的数据结果和仿真器中的结果偏差较大，不符合预期目标，则通过***模型修正辨识器对数据结果进行修正，同时进入主控中心的控制器训练，并对该控制器中的算法进行调整，直至主控中心输出的数据结果与仿真器中的结果之间的偏差符合预期目标为止。

2.根据权利要求1所述的一种优化调度控制中动态数据的自适应处理方法，其特征在于：所述的自适应调度算法选择了基于量化模糊规则的模糊逻辑算法，将问题分为关键路径和非关键路径，其具体步骤如下：

步骤1：计算模糊因素的隶属关系

k＝1，2，3，以及整数值Vac，Vmc，Vmnc；

所述的Vac是指增加关键路径的数量，Vmc是指可减少的客户数量，Vmnc是指可减少的非关键路径的数量；

将关键路径集和非关键路径集分别定义为V_c和V_nc，则自适应网络调度算法如下：

步骤(1)：从节点i＝1，…，n，分别标定初始时间T_s与结束时间T_e；

步骤(2)：计算引入综合评价系数θ，

$\mathrm{\θ}=\mathrm{\γ}\·\underset{i=1}{\overset{N}{\mathrm{\Σ}}}(\mathrm{Te}-\mathrm{Ts})+\mathrm{\δ}\·\underset{i=1}{\overset{N}{\mathrm{\Σ}}}r+\mathrm{\σ}\·\frac{Q}{\mathrm{\ΣQ}}$

式中

R——节点半径；Q——需求量

步骤(3)：从节点i＝1至n，确定节点是否在关键路径集V_c和非关键路径集V_nc；

步骤(4)：计算目标函数值f(x)

$f\left(x\right)=\mathrm{\β}(T_{\mathrm{ij}}-{\mathrm{MT}}_{\mathrm{ij}})+\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{d}_{\mathrm{ij}}$

步骤2：计算模糊决策规则的隶属度k＝1，2，3，4；具体算法如下：

设

为模糊决策D_k的隶属度，k＝1，2，3，4，考虑三个模糊因素对该决策的影响，利用决策专家的知识和经验可以得到：

${\mathrm{\μ}}_{D_1}={\mathrm{\μ}}_{{\tilde{F}}_1}^c\⊗{\mathrm{\μ}}_{{\tilde{F}}_2}$

${\mathrm{\μ}}_{D_2}={\mathrm{\μ}}_{F_1}\⊗{\mathrm{\μ}}_{F_3}$

${\mathrm{\μ}}_{D_3}={\mathrm{\μ}}_{{\tilde{F}}_1}\⊗{\mathrm{\μ}}_{F_2}^c\⊗{\mathrm{\μ}}_{F_3}^c$

${\mathrm{\μ}}_{D_4}={\mathrm{\μ}}_{F_1}^c\⊗{\mathrm{\μ}}_{F_2}^c\⊗{\mathrm{\μ}}_{F_3}^c$

其中，μ^c＝1-μ，

符号是一个算子

${\mathrm{\μ}}_1\⊗{\mathrm{\μ}}_2=\frac{{\mathrm{\μ}}_1{\mathrm{\μ}}_2}{\mathrm{\δ}+(1-\mathrm{\δ})({\mathrm{\μ}}_1+{\mathrm{\μ}}_2-{\mathrm{\μ}}_1{\mathrm{\μ}}_2)}$

步骤3：计算所选择的决策k

从得到

则决策可以由下式得出，

$k=\arg \max ({\mathrm{\μ}}_{D_1},{\mathrm{\μ}}_{D_3},{\mathrm{\μ}}_{D_3},{\mathrm{\μ}}_{D_4})$

步骤4：对选择的决策和选择的路径分别进行加、减操作，若决策为关键路径则为加操作，非关键路径则为减操作，并且调用步骤1中的自适应网络调度算法，重新进行调度计算目标函数值；

步骤5：计算目标函数值：f(x)，具体计算为：

步骤6：返回f(x)及选择结果X＝[X1，X2，…，Xi，…，Xn]给步骤5；

所述的建立嵌入模糊规则的遗传算法及具体实现步骤包括：

步骤1、确定基因编码方式，适值函数，遗传算子、选择算略和停止准则

(1)基因编码方式：是针对客户的自然数编码；

(2)适值函数

f(l)＝Fmax-F(l)+a，1＝1，2…，NP    (1)

所述的NP是种群数，Fmax＝max{F(l)，l＝1，2，…，NP}，a是一个小正数；

(3)遗传算子：采用两点交叉法，即取两个染色体对应的中间部分进行对应的交换，变异操作是随机挑选染色体的一部分进行值的改变；

(4)选择算略：采用回转轮法和精英选择策略，精英选择策略是指在新一代种群中任意选择一个基因，用上一代中最好的基因代替，在新一代中第三条基因的选择概率为：

$P_k\left(i\right)=\frac{f_k-f_k\left(i\right)}{\underset{i=1}{\overset{\mathrm{NP}}{\mathrm{\Σ}}}\{f_k-f_k\left(i\right)\}}$ f_k＝max{f_k(i)，i＝1，2，…，NP}

(2)

(5)停止准则：采用最大迭代数作为算法的停止准则；

步骤2、基于嵌入模糊规则的遗传算法的求解步骤

(1)设定参数：种群规模NP，最大迭代代数NG，交叉概率Pc，变异概率Pm；

(2)调用自适应网络调度算法，计算综合评价系数θ，并且确定关键路径和非关键路径；

(3)随机产生NP个染色体的初始种群如下：

Z＝[X1，X2，…Xi，…，X(N)]，Xj(i)≠Xk(i)，任何j，k，i＝1，2，…，NP

其中Xj(i)是一个不大于Ni的自然数，设事实上种群的迭代数为k＝0，初始可行解为X*＝X(l)，目标函数F*＝Q，Q为一个大的整数；

(4)判断是否满足终止条件如果满足转(9)，否则转(5)；

(5)对于染色体X(i)，i＝1，2，…，NP，进行如下：

操作1：调用自适应网络调度算法，计算得出综合评价系数θ；

操作2：调用模糊决策规则，返回目标函数值f(i)并记忆选择X(i)；

操作3：记录最大、最小的目标函数值

fmax＝max{f(Xi)，i＝1，2，…，NP}

fmin＝min{f(Xi)，i＝1，2，…，NP}

令i*＝arg{f(Xi)＝fmin}，X(i*)是最小目标函数值的染色体

(6)IF f*≥fmin，then f*＝fmin，X*＝X(i*)；

(7)计算适值函数及每条基因的适值，根据基因的适应值计算其选择概率，并选择概率的大小随机选取基因进行复制；

(8)进行交叉和变异运算，产生新的一代种群，并用上一代中最好的基因随机替代一个新基因，转(4)；

(9)输出结果，记录f*和X*作为最优解，结束。

3.根据权利要求1所述的一种优化调度控制中动态数据的自适应处理方法，其特征在于：所述的通过嵌入的模糊规则的遗传算法优化生成的结果和实际问题要求的控制方案中的结果相比较，通常采用最小二乘方法对***模型中的数据进行修正，从而对主控中心中的算法进行调整，调整后输出优化结果作为主控中心的参数，通过作为参数的交叉因子和变异因子来实现对主控中心中算法的训练和调整。

Images