CN110751293A - 一种基于博弈论的云制造多任务调度优化方法 - Google Patents

一种基于博弈论的云制造多任务调度优化方法 Download PDF

Info

Publication number
CN110751293A
CN110751293A CN201910933511.1A CN201910933511A CN110751293A CN 110751293 A CN110751293 A CN 110751293A CN 201910933511 A CN201910933511 A CN 201910933511A CN 110751293 A CN110751293 A CN 110751293A
Authority
CN
China
Prior art keywords
habitat
row
service
task
migration
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.)
Granted
Application number
CN201910933511.1A
Other languages
English (en)
Other versions
CN110751293B (zh
Inventor
张帅
肖久红
张文宇
朱长泰
何方
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.)
Zhejiang University of Finance and Economics
Original Assignee
Zhejiang University of Finance and Economics
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 Zhejiang University of Finance and Economics filed Critical Zhejiang University of Finance and Economics
Priority to CN201910933511.1A priority Critical patent/CN110751293B/zh
Publication of CN110751293A publication Critical patent/CN110751293A/zh
Application granted granted Critical
Publication of CN110751293B publication Critical patent/CN110751293B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • 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
    • G06Q50/04—Manufacturing
    • 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

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Software Systems (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Manufacturing & Machinery (AREA)
  • Evolutionary Computation (AREA)
  • Primary Health Care (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Educational Administration (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于博弈论的云制造多任务调度优化方法，包括：结合博弈论建立基于时间、成本和可靠性的CMMS博弈模型；初始化获得栖息地，采用矩阵表示各栖息地；采用基于纳什均衡的适应度函数计算各栖息地的栖息适宜性指数，根据栖息适宜性指数确定初始的最优解；根据迁入率和迁出率选择栖息地执行迁移操作，更新最优解；根据变异率选取相应的栖息地进行变异操作，更新最优解；采用精英替换策略更新种群；若达到迭代次数，则输出最优解，即最优的调度方案；否则继续迭代。本发明基于博弈论提出了一种新的云制造多任务调度博弈模型，能够获得更好的调度方案，并且克服了基础型BBO算法存在过早收敛、种群多样性差的缺点。

Description

一种基于博弈论的云制造多任务调度优化方法
技术领域
本申请属于云制造任务调度技术领域，具体涉及一种基于博弈论的云制造多任务调度优化方法。
背景技术
云制造多任务调度(CMMS)问题是指随时间的变化，调度可用的制造服务以完成各种制造任务，是一个组合优化问题。在过去十年中，许多研究都探索了单个制造任务的服务组合问题，但是并不适用于多任务调度问题的处理。此外，在部分文献中提出的云制造多任务调度模型主要是实现所有任务组合目标的优化，以达到更好的云制造平台性能。但在这种情况下，可能只有部分的制造任务以合理的成本和时间被可靠的服务所完成。
事实上，在以客户为中心、以服务为导向的云制造平台中，客户期望提交的每一项制造任务都能以可靠的服务、合理的成本和时间来完成。然而，云制造平台上要完成的制造任务不止一个，不同的制造任务之间可能存在冲突，这无疑给云制造多任务调度增加了难度。
并且制造任务数量的不断增加使得CMMS问题成为了一个NP-hard问题(非确定性问题)。而元启发式算法被广泛应用于求解NP-hard问题，如遗传算法、人工蜂群算法、粒子群优化算法、基于优先调度规则的启发式算法等。近年来，Simon(2008)提出的生物地理学优化算法(BBO算法)在许多领域得到了广泛的应用，且表现良好。但基础型BBO算法存在着过早收敛的趋势和种群多样性差等缺点。因此，我们提出了一种改进型生物地理学优化算法以求解云制造多任务调度问题。
发明内容
本申请的目的在于提供一种基于博弈论的云制造多任务调度优化方法，该方法基于博弈论提出了一种新的云制造多任务调度博弈模型，能够获得更好的调度方案，并且克服了基础型BBO算法存在过早收敛、种群多样性差的缺点。
为实现上述目的，本申请所采取的技术方案为：
一种基于博弈论的云制造多任务调度优化方法，应用于云制造环境下多个任务和多个服务之间的调度，各任务包括多个子任务，所述基于博弈论的云制造多任务调度优化方法，包括：
步骤1：结合博弈论建立基于时间、成本和可靠性的CMMS博弈模型，包括：
以时间、成本和可靠性作为参与者收益的标准，建立参与者Ti的收益Ui作为CMMS博弈模型，所述收益Ui如下：
式中，参与者Ti即第i个任务，
Figure BDA0002220931460000028
为偏好权重，且
Figure BDA0002220931460000023
TCTi表示完成第i个任务的总时间，TCi表示完成第i个任务的总成本，TRi表示完成第i个任务的总可靠性；
步骤2：采用BBO算法求解所述CMMS博弈模型，包括：
步骤2.1：初始化获得CMMS博弈模型的解，即栖息地，并采用矩阵表示各栖息地；
步骤2.2：采用基于纳什均衡的适应度函数计算各栖息地的栖息适宜性指数，根据所述栖息适宜性指数确定初始的最优解；其中，所述适应度函数为：
Figure BDA0002220931460000024
式中，
Figure BDA0002220931460000025
表示栖息适宜性指数，I表示任务的总个数，
Figure BDA0002220931460000026
表示第i个任务在第v个栖息地的收益值，
Figure BDA0002220931460000027
表示第i个任务的完美收益值；
步骤2.3：计算种群的迁入率和迁出率，根据所述迁入率和迁出率选择栖息地执行迁移操作，更新最优解；
步骤2.4：计算种群的变异率，根据所述变异率选取相应的栖息地进行变异操作，更新最优解；
步骤2.5：采用精英替换策略更新种群；
步骤2.6：判断是否达到预设的迭代次数，若达到迭代次数，则输出最优解，即最优的调度方案；否则进入步骤2.3继续迭代。
作为优选，所述总时间包括服务时间、物流时间和等待时间，即：
式中，Ji表示Ti包括的子任务总个数，E表示服务供应商的总个数，Ke表示第e个服务供应商提供的服务总个数，
Figure BDA0002220931460000032
表示布尔变量，
Figure BDA0002220931460000039
表示ske完成tji所需的服务时间，
Figure BDA0002220931460000034
表示ske完成tji所需的物流时间，
Figure BDA0002220931460000035
表示ske被占用导致tji所需的等待时间，ske表示第e个服务供应商的第k个服务，tji表示第i个任务的第j个子任务；
所述总成本包括服务成本和物流成本，即：
式中，SCke表示ske每单位时间的服务成本，LCke表示ske每单位时间的物流成本；
所述总可靠性的计算公式为：
Figure BDA0002220931460000037
式中，
Figure BDA0002220931460000038
表示ske完成tji的可靠性。
作为优选，所述采用矩阵表示各栖息地，包括：
每个栖息地由一个3行n列的矩阵表示，矩阵中的第一行用于表示任务编码，第一行中的元素值为1至I之间的整数，I表示任务的总个数，同一元素值出现的次数表示子任务的编码；矩阵中的第二行用于表示完成子任务的服务的编码，第二行中的元素值为1至K，K表示所有服务供应商中每个服务供应商提供的服务总个数的最大值；矩阵中的第三行用于表示提供服务的服务供应商的编码，第三行中的元素值为1至E，E表示服务供应商的总个数；
n为各栖息地中所有任务包括的子任务的总个数，矩阵的每一列表示一个子任务的调度情况。
作为优选，所述迁移操作包括应用于矩阵的第一行的任务序列迁移操作，以及同时应用于矩阵的第二行和第三行的服务选择迁移操作，所述选择栖息地执行迁移操作，包括：
选取迁出栖息地和迁入栖息地；
获取迁出栖息地和迁入栖息地的第一行执行所述任务序列迁移操作，包括：比较迁出栖息地和迁入栖息地两者的第一行中对应位置的元素值，设两者元素值相同的位置的元素为共有元素，设两者元素值不同的位置的元素为独有元素；保持迁入栖息地中的共有元素不变，从迁出栖息地的独有元素中随机选取占独有元素数量一半的独有元素，利用被选取的独有元素替换迁入栖息地中对应位置的元素，并将迁出栖息地中未被选取的独有元素依次填入迁入栖息地中未被选取的独有元素所在位置中；
获取迁出栖息地和迁入栖息地的第二行和第三行执行所述服务选择迁移操作，包括：将第二行和第三行的同一列的两个元素作为一个元素单元，比较迁出栖息地和迁入栖息地两者的对应位置的元素单元中元素值，设两者元素值相同的位置的元素单元为共有元素单元，设两者元素值不同的位置的元素单元为独有元素单元；保持迁入栖息地中的共有元素单元不变，从迁出栖息地的独有元素单元中随机选取占独有元素单元数量一半的独有元素单元，利用被选取的独有元素单元替换迁入栖息地中对应位置的元素单元，并将迁出栖息地中未被选取的独有元素单元依次填入迁入栖息地中未被选取的独有元素单元所在位置中。
作为优选，所述变异操作包括应用于矩阵的第一行的任务序列变异操作，以及同时应用于矩阵的第二行和第三行的服务选择变异操作，所述选取相应的栖息地进行变异操作，包括：
选取需要进行变异操作的栖息地；
获取该栖息地的第一行进行任务序列变异操作，包括：随机选取第一行中的a(a<n)个元素，按照元素原先的前后顺序将被选取的元素依次***该栖息地的第一位置和第二位置，并将剩余的元素按需向后移动；
获取该栖息地的第二行和第三行进行服务选择变异操作，包括：将第二行和第三行的同一列的两个元素作为一个元素单元，随机选取a(a<n)个元素单元，按照元素单元原先的前后顺序将被选取的元素单元依次***该栖息地的第一位置和第二位置，并将剩余的元素单元按需向后移动。
作为优选，计算种群的变异率时，将步骤2.3中迁移操作后得到的最优解的变异率设为零。
作为优选，所述采用精英替换策略更新种群，包括：
获取步骤2.4中执行变异操作后的种群，按照各栖息地的栖息适宜性指数将栖息地进行排序，利用种群中栖息适宜性指数最高的b％的栖息地替换栖息适宜性指数最低的b％的栖息地，且0<b<50。
作为优选，若迁移操作或变异操作后得到非可行解，则采用修复策略修复非可行解，所述修复策略包括：
对于一个栖息地，若所选服务不能完成对应的子任务时，则选择同一服务供应商的相邻服务来完成该子任务；若同一服务供应商的所有服务均不能完成该子任务，则随机选择其他服务供应商的服务来完成该子任务。
本申请提供的基于博弈论的云制造多任务调度优化方法，将云制造多任务调度问题看作一个信息完备的多人非合作博弈问题，结合博弈论提出了一种新的云制造多任务调度博弈模型，更加适用于以客户为中心、以服务为导向的云制造平台，从而能够获得更好的调度方案。并且采用矩阵表示栖息地，采用结合纳什均衡的适应度函数计算得到栖息适宜性指数，保证在博弈中尽参与者最大能力获得各自最大期望收益指，以栖息适宜性指数作为后续迁移操作和变异操作的基础，有效克服基础型BBO算法存在过早收敛、种群多样性差的缺点。
附图说明
图1为本申请的基于博弈论的云制造多任务调度优化方法的流程图；
图2为本申请实施例1中的栖息地表示示意图；
图3为本申请实施例2中对栖息地的第一行执行任务序列迁移操作示意图；
图4为本申请实施例2中对栖息地的第二行和第三行执行服务序列迁移操作示意图；
图5为本申请实施例3中对栖息地的第一行执行任务序列变异操作示意图；
图6为本申请实施例3中对栖息地的第二行和第三行执行服务序列变异操作示意图；
图7为本申请实施例4中当种群规模设为50时，四种算法在求解CMMS博弈模型时的变化曲线图；
图8为本申请实施例4中服务数量为50个，子任务数量从30个变化到130个时四种算法的实验结果图；
图9为本申请实施例4中子任务数量为70个，服务数量从30个变化到70个时四种算法的实验结果图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中在本申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是在于限制本申请。
如图1所示，其中一个实施例中，提供一种基于博弈论的云制造多任务调度优化方法，应用于云制造环境下多个任务和多个服务之间的调度，各任务包括多个子任务。
为了更好的实现云制造环境下的任务调度，本实施例中提出了以下假设：一个服务可以完成多个子任务，但一次只能执行一个子任务；子任务可以对应多个候选服务，但最多只能从候选服务集中选择一个服务来完成；调度开始时，所有任务和服务都是可用的；子任务之间的结构为顺序结构，每个子任务只能在前面所有子任务完成后才能执行；子任务之间无优先级，一旦子任务进程开始，则不能被中断。
且为了便于对各公式中符号的理解，在此集中对本实施例中所使用的部分符号的含义进行说明：Ti表示第i个任务，i＝1,…,I，其中I是任务的总个数；tji表示Ti的第j个子任务，j＝1,…,Ji，其中Ji是Ti包括的子任务总个数；Pe表示第e个供应商，e＝1,…,E，其中E是服务供应商的总个数；ske表示第e个供应商提供的第k个服务，k＝1,…,Ke，其中Ke是第e个服务供应商提供的服务总个数；M表示云制造平台中所有服务的集合；Stri表示Ti的策略集；Ui表示Ti的收益值；
Figure BDA0002220931460000061
表示ske完成tji所需的服务时间；
Figure BDA0002220931460000062
表示ske完成tji所需的物流时间；
Figure BDA0002220931460000071
表示因为ske被占用导致tji需要的等待时间；表示ske完成tji的可靠性；表示完成t(j-1)i的服务供应商与第e个服务供应商之间的物流时间；PTke表示ske刚完成当前子任务的结束时间；STji表示tji的开始时间；ETji表示tji的结束时间；SCke表示ske每单位时间的服务成本；LCke表示ske每单位时间的物流成本；TCTi表示完成Ti的总时间；TCi表示完成Ti的总成本；TRi表示完成Ti的总可靠性；BTi表示用于完成Ti的预算时间；BCi表示用于完成Ti的预算成本；BRi表示用于完成Ti的预算可靠性；表示Ti的三个QoS指标的偏好权重；
Figure BDA0002220931460000075
表示布尔变量，如果ske用于完成tji，则否则，
本实施例的基于博弈论的云制造多任务调度优化方法，包括：
步骤1：结合博弈论建立基于时间、成本和可靠性的CMMS博弈模型。
博弈论是一种分析竞争情况以确定参与者最优行为的决策数学方法。本实施例结合博弈论建立调度模型可以使平台找到一个能为每个客户提供可靠服务的调度方案，从而以合理的成本和时间完成该制造任务。
本实施例所研究的CMMS问题可以看作是一个具有完整信息的多人非合作博弈问题，在建立CMMS博弈模型时，需要确定三个要素：参与者、策略和收益。在CMMS博弈中，参与者是客户提交的各种制造任务，参与者可选择的策略是企业在云制造平台上所提供的所有制造服务，收益代表了每个参与者通过策略选择后所获得的效用，不仅受到自己所选择策略的影响，还受到其他参与者所选择策略的影响。
在建立CMMS博弈模型时，把时间、成本和可靠性三个非功能性QoS指标作为参与者收益的标准。具体的，以时间、成本和可靠性作为参与者收益的标准，建立参与者Ti的收益Ui作为CMMS博弈模型，收益Ui如下：
Figure BDA0002220931460000078
式中，参与者Ti即第i个任务，
Figure BDA0002220931460000079
为偏好权重，且
Figure BDA00022209314600000710
TCTi表示完成第i个任务的总时间，TCi表示完成第i个任务的总成本，TRi表示完成第i个任务的总可靠性。
并且，总完成时间包括服务时间、物流时间和等待时间，即：
Figure BDA0002220931460000081
式中，Ji表示Ti包括的子任务总个数，E表示服务供应商的总个数，Ke表示第e个服务供应商提供的服务总个数，
Figure BDA0002220931460000082
表示布尔变量，
Figure BDA00022209314600000814
表示ske完成tji所需的服务时间，表示ske完成tji所需的物流时间，
Figure BDA00022209314600000815
表示ske被占用导致tji所需的等待时间，ske表示第e个服务供应商的第k个服务，tji表示第i个任务的第j个子任务。
总成本包括服务成本和物流成本，即：
Figure BDA0002220931460000086
式中，SCke表示ske每单位时间的服务成本，LCke表示ske每单位时间的物流成本。
总可靠性计算公式为：
Figure BDA0002220931460000087
式中，
Figure BDA0002220931460000088
表示ske完成tji的可靠性。
在计算物流时间时，若tji是Ti的第一个子任务，则所有候选服务的物流时间都为0；否则，ske完成tji所需的物流时间为第e个服务供应商与实现t(j-1)i的服务供应商之间的物流时间，即：
Figure BDA0002220931460000089
式中，
Figure BDA00022209314600000816
表示ske完成tji所需的物流时间，
Figure BDA00022209314600000811
表示完成t(j-1)i的服务供应商与第e个服务供应商之间的物流时间，t(j-1)i表示Ti的第j-1个子任务。
在计算等待时间时，可采用以下公式：
Figure BDA00022209314600000812
式中，
Figure BDA00022209314600000817
表示ske被占用导致tji所需的等待时间，PTke表示ske刚完成当前子任务的结束时间，ET(j-1)i表示前一子任务t(j-1)i的结束时间。
对于一个任务而言，以tji为例，其开始时间和结束时间存在以下关系：
Figure BDA0002220931460000091
Figure BDA0002220931460000092
由于，公式(1)中QoS指标分为正向属性(如可靠性等)和负向属性(如时间和成本等)。因为三个指标有不同的优化方向、单位、和变化范围。所以本实施例利用模糊决策理论将QoS值转化为相对优势度，在计算收益之前，对QoS指标值进行标准化处理，处理所应用的公式如下：
Dy＝(Ymax-Ymin)/(Ymax+Ymin) (9)
dy＝(Dy-Dmin)/(Dmax-Dmin) (10)
Figure BDA0002220931460000093
Figure BDA0002220931460000094
uy＝dyy1+(1-dy)y2 (13)
利用y表示QoS指标中的时间、成本或可靠性，公式(9)表示指标y的影响程度，其中Ymax和Ymin分别为指标y的最大值和最小值；公式(10)表示指标y的影响程度系数，其中Dmin和Dmax分别为指标y的影响程度最大值和最小值；公式(11)、公式(12)分别表示指标y的强相对优势度和弱相对优势度，其中Y为指标y的实际值；公式(13)表示指标y的归一化QoS值。
将根据公式(2)～(8)计算得到的QoS指标中的时间、成本或可靠性按照公式(9)～(13)分别进行标准化处理，得到各自的归一化QoS值后再分别代入公式(1)中进行计算。
此外，所提出的CMMS博弈模型还需满足以下约束条件：
(1)只能从候选集中选择一个服务来实现tji，且ske只能被一个子任务占用：
Figure BDA0002220931460000095
Figure BDA0002220931460000096
(2)子任务只能在其前面的所有子任务完成后执行：
STji-ET(j-1)i≥0 (16)
(3)QoS指标值应满足客户需求：
TCTi≤BTi (17)
TCi≤BCi (18)
TRi≥BRi (19)
在提出CMMS博弈模型之后，本实施例基于BBO算法求解CMMS博弈模型，为了避免BBO算法在求解云制造多任务任务调度问题时存在的缺陷，本申请在BBO算法的基础上进行改进得到改进型生物地理学优化算法(EBBO算法)。
步骤2：采用BBO算法为基础利用EBBO算法求解所述CMMS博弈模型，包括：
步骤2.1：初始化获得CMMS博弈模型的解，即栖息地，并采用矩阵表示各栖息地。
本实施例所建立的模型，对应于博弈论中的三个要素考虑了三个决策变量：子任务、可用的服务和服务供应商。因此，本实施例采用矩阵表示各栖息地，包括：
每个栖息地由一个3行n列的矩阵表示，矩阵中的第一行用于表示任务编码，第一行中的元素值为1至I之间的整数，I表示任务的总个数，同一元素值出现的次数表示子任务的编码；矩阵中的第二行用于表示完成子任务的服务的编码，第二行中的元素值为1至K，K表示所有服务供应商中每个服务供应商提供的服务总个数的最大值；矩阵中的第三行用于表示提供服务的服务供应商的编码，第三行中的元素值为1至E，E表示服务供应商的总个数；
n为各栖息地中所有任务包括的子任务的总个数，矩阵的每一列表示一个子任务的调度情况。
以下通过实施例进一步说明栖息地的表示方法：
实施例1
如图2所示，矩阵的第一行中的各元素值表示任务的编码，例如第二个元素值为1即表示第一个任务，同一元素值出现的次数作为子任务的编码，例如第四个元素值同样为1，且这是第二次出现1，故这个1表示第一个任务的第二个子任务；矩阵的第二行表示服务的编码，第三行表示服务供应商的编码。以第4列{1,3,2}为例，这表示第一个任务的第二个子任务(即，t21)由第二个供应商提供的第三个服务执行(即，s32)。
该表示方法直观明了的将三个决策变量进行表示，且各决策变量之间保持独立性和关联性，便于后续进行迁移操作和变异操作，也便于得到各子任务、服务和服务供应商之间的关系。
步骤2.2：采用基于纳什均衡的适应度函数计算各栖息地的栖息适宜性指数，根据所述栖息适宜性指数确定初始的最优解。
纳什均衡是一个非常重要的概念，广泛应用于解决多人非合作博弈问题。在纳什均衡中，给定其他参与者策略的情况下，当参与者达到自己期望收益的最大值时，此时每个参与者的策略都是最优的。
在EBBO算法中，HSI(栖息适宜性指数)用于评估栖息地是否适合物种生存。因此，建立合适的适应度函数是获得全局近似最优解的关键。每个任务的目标都是在博弈中尽最大努力获得各自的最大期望收益值，因此，本实施例结合纳什均衡建立的适应度函数为：
Figure BDA0002220931460000111
式中，
Figure BDA0002220931460000115
表示栖息适宜性指数，I表示任务的总个数，表示第i个任务在第v个栖息地的收益值，
Figure BDA0002220931460000114
表示第i个任务的完美收益值。完美收益值是假设云制造平台中只有Ti一个任务，同时实现其最小化完成时间、最小化任务成本和最大化任务可靠性的目标值。
公式(20)表明栖息地中每个任务的收益值越接近其完美收益值，栖息地就越适合物种生存。当每个任务的收益值都等于完美收益值时，栖息地的栖息适宜性指数达到最高值1。
步骤2.3：计算种群的迁入率和迁出率，根据所述迁入率和迁出率选择栖息地执行迁移操作，更新最优解。
在EBBO算法中，利用迁移操作可以将较差栖息地中的SIVs(适宜性指标变量)替换为优质栖息地中的SIVs，每个栖息地都有迁入率和迁出率。与典型的线性迁移模型相比，更接近自然的正弦迁移模型具有更好的性能，所以本实施例采用正弦迁移模型来计算迁入率和迁出率。
Figure BDA0002220931460000121
Figure BDA0002220931460000122
式中，λq和μq分别表示第q个栖息地的迁入率和迁出率，IMmax和EMmax分别表示最大迁入率和最大迁出率，Sq表示所有栖息地按照HSI值升序排序后，第q个栖息地的排名名次，NP表示栖息地的个数。λq决定是否改变被选择的栖息地中的SIVs，而μq决定将哪个栖息地中的SIVs迁入到所选栖息地。
迁移操作可采用BBO算法的常用迁移操作实现，为了得到更加适合本实施例中的栖息地的迁移操作，在一个实施例中，迁移操作包括应用于矩阵的第一行的任务序列迁移操作，以及同时应用于矩阵的第二行和第三行的服务选择迁移操作，所述选择栖息地执行迁移操作，包括：
选取迁出栖息地和迁入栖息地；
获取迁出栖息地和迁入栖息地的第一行执行所述任务序列迁移操作，包括：比较迁出栖息地和迁入栖息地两者的第一行中对应位置的元素值，设两者元素值相同的位置的元素为共有元素，设两者元素值不同的位置的元素为独有元素；保持迁入栖息地中的共有元素不变，从迁出栖息地的独有元素中随机选取占独有元素数量一半的独有元素，利用被选取的独有元素替换迁入栖息地中对应位置的元素，并将迁出栖息中未被选取的独有元素依次填入迁入栖息地中未被选取的独有元素所在位置中。
获取迁出栖息地和迁入栖息地的第二行和第三行执行所述服务选择迁移操作，包括：将第二行和第三行的同一列的两个元素作为一个元素单元，比较迁出栖息地和迁入栖息地两者的对应位置的元素单元中元素值，设两者元素值相同的位置的元素单元为共有元素单元，设两者元素值不同的位置的元素单元为独有元素单元；保持迁入栖息地中的共有元素单元不变，从迁出栖息地的独有元素单元中随机选取占独有元素单元数量一半的独有元素单元，利用被选取的独有元素单元替换迁入栖息地中对应位置的元素单元，并将迁出栖息中未被选取的独有元素单元依次填入迁入栖息地中未被选取的独有元素单元所在位置中。
需要说明的是，选取占独有元素/元素单元数量一半的独有元素/元素单元时，若独有元素/元素单元数量为奇数，则以数量平均值四舍五入后的数量进行选取，若独有元素/元素单元数量为偶数，则以数量的平均值进行选取。
以下通过实施例对迁移操作进一步说明：
实施例2
如图3所示，栖息地i为迁出栖息地，栖息地j为迁入栖息地，栖息地j’为迁移操作后改进的迁入栖息地，图3中获取了栖息地i和栖息地j的第一行执行任务序列迁移操作。
比较栖息地i和j对应槽中的任务数，在栖息地j中相同任务编号的槽保持不变，而不同任务编号的槽则发生更改，图中栖息地j的四个灰槽中的任务编号与栖息地i对应的灰槽中的任务编号相同，因此在改进的栖息地j’中对应槽的任务编号保持不变。而其他槽位作如下更改：首先随机选择栖息地i中不同任务编号总数的大约一半(即图中的三个斜纹槽)，依次放入改进的栖息地j’的对应槽位中。然后，将改进的栖息地j’中剩余两个空槽依次在栖息地j中填入上一步没有选择的任务编号，从而保证所有子任务都能被完成。
如图4所示，栖息地i为迁出栖息地，栖息地j为迁入栖息地，栖息地j’为迁移操作后改进的迁入栖息地，图4中获取了栖息地i和栖息地j的第二行和第三行执行服务序列迁移操作。
比较栖息地i和j对应槽中的服务编号。在栖息地j中相同服务编号的槽保持不变，而不同服务编号的槽则发生改变。该操作与更新任务序列的操作相同。
该迁移操作既能保迁入留栖息地中较优的SIVs，同时又能结合迁出栖息地中较优的SIVs，使得最终得到优质栖息地，在增加种群多样性的同时提高收敛速度。在迁移操作完成之后再次更新各栖息地的栖息适宜性指数，找到当前的最优解。
步骤2.4：计算种群的变异率，根据所述变异率选取相应的栖息地进行变异操作，更新最优解。
在EBBO算法中，变异操作用于根据自适应变异概率随机改变栖息地的特征。为了提高栖息地的质量，HSI值低的栖息地比HSI值高的栖息地具有更大的变异概率。本实施例中采用现有技术计算栖息地的变异概率。例如第q个栖息地mq的变异概率可由以下公式计算：
Figure BDA0002220931460000141
其中，mmax是最大变异概率，Gmax表示最大概率，Gq表示第q个栖息地的存在概率，可以根据公式(24)得出：
Figure BDA0002220931460000142
为了提高针对本实施例的栖息地的变异效果，在一个实施例中，变异操作包括应用于矩阵的第一行的任务序列变异操作，以及同时应用于矩阵的第二行和第三行的服务选择变异操作，所述选取相应的栖息地进行变异操作，包括：
选取需要进行变异操作的栖息地；
获取该栖息地的第一行进行任务序列变异操作，包括：随机选取第一行中的a(a<n)个元素，按照元素原先的前后顺序将被选取的元素依次***该栖息地的第一位置和第二位置，并将剩余的元素按需向后移动。
获取该栖息地的第二行和第三行进行服务选择变异操作，包括：将第二行和第三行的同一列的两个元素作为一个元素单元，随机选取a(a<n)个元素单元，按照元素单元原先的前后顺序将被选取的元素单元依次***该栖息地的第一位置和第二位置，并将剩余的元素单元按需向后移动。
以下通过实施例对变异操作进一步说明：
实施例3
如图5所示，为待变异的栖息地中的第一行，随机选择第一行中的两个SIVs，依次***该栖息地的第一和第二槽位。然后，剩余的SIVs依次向后挪动其位置。
如图6所示，为待变异的栖息地中的第二行和第三行，随机选择其中的两个SIVs，依次***该栖息地的第一和第二槽位。然后，剩余的SIVs依次向后挪动其位置。
将任务序列和服务序列分别执行变异操作，可进一步提升种群的多样性，有利于得到最优解。
需要说明的是，为了避免破坏每一次迭代过程中的最高HSI值的栖息地，计算种群的变异率时，将步骤2.3中迁移操作后得到的最优解的变异率设为零。
步骤2.5：采用精英替换策略更新种群。
在执行迁移和变异操作后，为了进一步加快种群的收敛速度，采用精英替换策略更新种群，具体的，在一个实施例中，获取步骤2.4中执行变异操作后的种群，按照各栖息地的栖息适宜性指数将栖息地进行排序，利用种群中栖息适宜性指数最高的b％的栖息地替换栖息适宜性指数最低的b％的栖息地，且0<b<50。本实施例中优选设置b＝10。
步骤2.6：判断是否达到预设的迭代次数，若达到迭代次数，则输出最优解，即最优的调度方案；否则进入步骤2.3继续迭代。
通常在执行迁移操作和变异操作之后，可能会得到非可行解，若迁移操作或变异操作后得到非可行解，则采用修复策略修复非可行解，所述修复策略包括：
对于一个栖息地，若所选服务不能完成对应的子任务时，则选择同一服务供应商的相邻服务来完成该子任务；若同一服务供应商的所有服务均不能完成该子任务，则随机选择其他服务供应商的服务来完成该子任务。
为了验证本发明的基于博弈论的云制造多任务调度优化方法的优越性和实用性，本实施例将采用EBBO算法、基础型BBO算法(即BBO算法)、混合自适应遗传算法(HAGA算法)和扩展粒子群优化算法(EPSO算法)四种算法求解本实施例中提出的CMMS博弈模型，并将所获得的仿真实验结果进行比较，以评估EBBO算法在求解本文模型时的性能。
实施例4
实验参数设置如下：制造任务的数量在15～30范围内随机生成且组成单个制造任务的子任务数量在3～8之间随机生成。此外，在云制造平台上注册的企业数量为6个到20个不等，每个企业提供的服务数量在2～10范围内随机产生。时间、成本和可靠性等其他变量的值在合理范围内随机生成，其取值范围如表1所示。为保证实验的稳定性，所有实验都重复进行30次，并以平均值作为最终结果。
表1仿真实验默认参数的取值范围
Figure BDA0002220931460000151
在实验中，四种算法每次运行的最大迭代次数均设为300。此外，为了获得合理的种群规模，并且保证四种算法的比较公平性，设置种群规模为50，即任务数为50，且设置子任务数为70。并且EBBO算法和基础型BBO算法的最大迁入率设为1.0、最大迁出率设为1.0、最大变异概率均设为0.2。对于HAGA算法，最大、中等和最小交叉概率分别为0.85、0.8和0.65；其最大、中等和最小突变概率分别为0.015、0.008和0.001；对于EPSO算法，其参数的最大和最小数量分别为5和2。
实用性比较：
如图7所示，为当种群规模设为50时，四种算法在求解本文模型时的变化曲线。结果表明，相比于基础型BBO算法、HAGA算法和EPSO算法，EBBO算法在求解本文模型时得到的适应度值最高。此外，EBBO算法的收敛速度快于基础型BBO算法的收敛速度。造成这种现象的主要原因是本文所提出的自适应变异率和新的迁移和变异操作增加了栖息地的多样性，从而提高了算法的全局搜索能力。所以，EBBO算法相比于其他三种算法，在求解本文模型时的实用性更高，可以帮助平台为客户提供更好的调度方案。
算法性能比较：
如图8所示，为服务数量为50个，子任务数量从30个变化到130个时四种算法的实验结果图。从结果中可以看出，与其他三种算法相比，EBBO算法在求解本文模型时所得到的适应度值均为最高，表明EBBO算法在求解本文模型时的性能优于其他三种算法。
表2列出了四种算法对不同子任务数的每个数据集独立运行30次时获得的部分实验结果的最高值、平均值、最低值和标准偏差值。
表2不同子任务数的部分实验结果
Figure BDA0002220931460000171
表2显示EBBO算法相比于其他三种算法平均值最高，且EBBO算法的最低值均高于HAGA算法和EPSO算法的最高值。因此，EBBO算法在求解本文模型时比其他算法表现更好。此外，从表2中的标准偏差值可以看出，EBBO算法在解决大规模CMMS问题时更稳定。
如图9所示，为子任务数量为70个，服务数量从30个变化到70个时四种算法的实验结果图。从图中可以看出，与其他三种算法相比，EBBO算法在求解本文模型时得到的适应度值均最高，表明其在求解本文模型时的性能优于其他三种算法
表3部分列出了四种算法对不同服务数的每个数据集独立运行30次时获得的实验结果的最高值、平均值、最低值和标准偏差值。
表3不同服务数的部分实验结果
Figure BDA0002220931460000181
表3表明EBBO算法的平均值高于基础型BBO算法的平均值，且EBBO算法的最低值高于HAGA算法和EPSO算法的最高值。此外，表3中的标准偏差值表明EBBO算法在求解中等数量服务的CMMS问题时更稳定。
本实施例从客户竞争需求的角度出发，结合博弈论提出了CMMS博弈模型，根据所提出的模型采用基于纳什均衡的适应度函数求解各栖息地的栖息适宜性指数。并且利用EBBO算法求解CMMS博弈模型。从实验中可以看出，本实施例的EBBO算法所获得的实验结果与其它三种对比算法(基础型BBO算法、HAGA算法和EPSO算法)所获得的实验结果相比，具有更好的实用性以及性能，从而有利于克服收敛过早、种群多样性差的缺点，得到更优的调度方案。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (8)

1.一种基于博弈论的云制造多任务调度优化方法，应用于云制造环境下多个任务和多个服务之间的调度，各任务包括多个子任务，其特征在于，所述基于博弈论的云制造多任务调度优化方法，包括：
步骤1：结合博弈论建立基于时间、成本和可靠性的CMMS博弈模型，包括：
以时间、成本和可靠性作为参与者收益的标准，建立参与者Ti的收益Ui作为CMMS博弈模型，所述收益Ui如下：
Figure FDA0002220931450000011
式中，参与者Ti即第i个任务，
Figure FDA0002220931450000012
为偏好权重，且
Figure FDA0002220931450000013
TCTi表示完成第i个任务的总时间，TCi表示完成第i个任务的总成本，TRi表示完成第i个任务的总可靠性；
步骤2：采用BBO算法求解所述CMMS博弈模型，包括：
步骤2.1：初始化获得CMMS博弈模型的解，即栖息地，并采用矩阵表示各栖息地；
步骤2.2：采用基于纳什均衡的适应度函数计算各栖息地的栖息适宜性指数，根据所述栖息适宜性指数确定初始的最优解；其中，所述适应度函数为：
式中，
Figure FDA0002220931450000015
表示栖息适宜性指数，I表示任务的总个数，
Figure FDA0002220931450000016
表示第i个任务在第v个栖息地的收益值，
Figure FDA0002220931450000017
表示第i个任务的完美收益值；
步骤2.3：计算种群的迁入率和迁出率，根据所述迁入率和迁出率选择栖息地执行迁移操作，更新最优解；
步骤2.4：计算种群的变异率，根据所述变异率选取相应的栖息地进行变异操作，更新最优解；
步骤2.5：采用精英替换策略更新种群；
步骤2.6：判断是否达到预设的迭代次数，若达到迭代次数，则输出最优解，即最优的调度方案；否则进入步骤2.3继续迭代。
2.如权利要求1所述的基于博弈论的云制造多任务调度优化方法，其特征在于，所述总时间包括服务时间、物流时间和等待时间，即：
Figure FDA0002220931450000021
式中，Ji表示Ti包括的子任务总个数，E表示服务供应商的总个数，Ke表示第e个服务供应商提供的服务总个数，
Figure FDA0002220931450000022
表示布尔变量，表示ske完成tji所需的服务时间，
Figure FDA0002220931450000024
表示ske完成tji所需的物流时间，
Figure FDA0002220931450000025
表示ske被占用导致tji所需的等待时间，ske表示第e个服务供应商的第k个服务，tji表示第i个任务的第j个子任务；
所述总成本包括服务成本和物流成本，即：
式中，SCke表示ske每单位时间的服务成本，LCke表示ske每单位时间的物流成本；
所述总可靠性的计算公式为：
Figure FDA0002220931450000027
式中，
Figure FDA0002220931450000028
表示ske完成tji的可靠性。
3.如权利要求1所述的基于博弈论的云制造多任务调度优化方法，其特征在于，所述采用矩阵表示各栖息地，包括：
每个栖息地由一个3行n列的矩阵表示，矩阵中的第一行用于表示任务编码，第一行中的元素值为1至I之间的整数，I表示任务的总个数，同一元素值出现的次数表示子任务的编码；矩阵中的第二行用于表示完成子任务的服务的编码，第二行中的元素值为1至K，K表示所有服务供应商中每个服务供应商提供的服务总个数的最大值；矩阵中的第三行用于表示提供服务的服务供应商的编码，第三行中的元素值为1至E，E表示服务供应商的总个数；
n为各栖息地中所有任务包括的子任务的总个数，矩阵的每一列表示一个子任务的调度情况。
4.如权利要求3所述的基于博弈论的云制造多任务调度优化方法，其特征在于，所述迁移操作包括应用于矩阵的第一行的任务序列迁移操作，以及同时应用于矩阵的第二行和第三行的服务选择迁移操作，所述选择栖息地执行迁移操作，包括：
选取迁出栖息地和迁入栖息地；
获取迁出栖息地和迁入栖息地的第一行执行所述任务序列迁移操作，包括：比较迁出栖息地和迁入栖息地两者的第一行中对应位置的元素值，设两者元素值相同的位置的元素为共有元素，设两者元素值不同的位置的元素为独有元素；保持迁入栖息地中的共有元素不变，从迁出栖息地的独有元素中随机选取占独有元素数量一半的独有元素，利用被选取的独有元素替换迁入栖息地中对应位置的元素，并将迁出栖息地中未被选取的独有元素依次填入迁入栖息地中未被选取的独有元素所在位置中；
获取迁出栖息地和迁入栖息地的第二行和第三行执行所述服务选择迁移操作，包括：将第二行和第三行的同一列的两个元素作为一个元素单元，比较迁出栖息地和迁入栖息地两者的对应位置的元素单元中元素值，设两者元素值相同的位置的元素单元为共有元素单元，设两者元素值不同的位置的元素单元为独有元素单元；保持迁入栖息地中的共有元素单元不变，从迁出栖息地的独有元素单元中随机选取占独有元素单元数量一半的独有元素单元，利用被选取的独有元素单元替换迁入栖息地中对应位置的元素单元，并将迁出栖息地中未被选取的独有元素单元依次填入迁入栖息地中未被选取的独有元素单元所在位置中。
5.如权利要求3所述的基于博弈论的云制造多任务调度优化方法，其特征在于，所述变异操作包括应用于矩阵的第一行的任务序列变异操作，以及同时应用于矩阵的第二行和第三行的服务选择变异操作，所述选取相应的栖息地进行变异操作，包括：
选取需要进行变异操作的栖息地；
获取该栖息地的第一行进行任务序列变异操作，包括：随机选取第一行中的a(a<n)个元素，按照元素原先的前后顺序将被选取的元素依次***该栖息地的第一位置和第二位置，并将剩余的元素按需向后移动；
获取该栖息地的第二行和第三行进行服务选择变异操作，包括：将第二行和第三行的同一列的两个元素作为一个元素单元，随机选取a(a<n)个元素单元，按照元素单元原先的前后顺序将被选取的元素单元依次***该栖息地的第一位置和第二位置，并将剩余的元素单元按需向后移动。
6.如权利要求1所述的基于博弈论的云制造多任务调度优化方法，其特征在于，计算种群的变异率时，将步骤2.3中迁移操作后得到的最优解的变异率设为零。
7.如权利要求1所述的基于博弈论的云制造多任务调度优化方法，其特征在于，所述采用精英替换策略更新种群，包括：
获取步骤2.4中执行变异操作后的种群，按照各栖息地的栖息适宜性指数将栖息地进行排序，利用种群中栖息适宜性指数最高的b％的栖息地替换栖息适宜性指数最低的b％的栖息地，且0<b<50。
8.如权利要求1所述的基于博弈论的云制造多任务调度优化方法，其特征在于，若迁移操作或变异操作后得到非可行解，则采用修复策略修复非可行解，所述修复策略包括：
对于一个栖息地，若所选服务不能完成对应的子任务时，则选择同一服务供应商的相邻服务来完成该子任务；若同一服务供应商的所有服务均不能完成该子任务，则随机选择其他服务供应商的服务来完成该子任务。
CN201910933511.1A 2019-09-29 2019-09-29 一种基于博弈论的云制造多任务调度优化方法 Active CN110751293B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910933511.1A CN110751293B (zh) 2019-09-29 2019-09-29 一种基于博弈论的云制造多任务调度优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910933511.1A CN110751293B (zh) 2019-09-29 2019-09-29 一种基于博弈论的云制造多任务调度优化方法

Publications (2)

Publication Number Publication Date
CN110751293A true CN110751293A (zh) 2020-02-04
CN110751293B CN110751293B (zh) 2022-04-15

Family

ID=69277446

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910933511.1A Active CN110751293B (zh) 2019-09-29 2019-09-29 一种基于博弈论的云制造多任务调度优化方法

Country Status (1)

Country Link
CN (1) CN110751293B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111475274A (zh) * 2020-04-20 2020-07-31 北京邮电大学 云协同多任务调度方法及装置
CN111611069A (zh) * 2020-04-01 2020-09-01 西南电子技术研究所（中国电子科技集团公司第十研究所） 多数据中心间多类型任务迁移方法
CN111679637A (zh) * 2020-05-29 2020-09-18 浙江财经大学 一种制造***中柔性多任务调度方法
CN112836828A (zh) * 2020-12-16 2021-05-25 中山大学 基于博弈论的自组织式联邦学习方法
CN113393040A (zh) * 2021-06-18 2021-09-14 重庆邮电大学工业互联网研究院 一种基于博弈论的工业园区物流调度方法及***
CN116107276A (zh) * 2022-12-30 2023-05-12 福州大学 基于分布式微分博弈的物流仓储最优协调方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104794644A (zh) * 2015-04-16 2015-07-22 西安交通大学 一种面向智能服务引擎的任务众包方法
CN107193658A (zh) * 2017-05-25 2017-09-22 重庆工程学院 基于博弈论的云计算资源调度方法
CN107423914A (zh) * 2017-08-04 2017-12-01 合肥工业大学 一种基于云制造的任务调度方法及***
CN108681789A (zh) * 2018-05-09 2018-10-19 浙江财经大学 一种云制造服务优化方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104794644A (zh) * 2015-04-16 2015-07-22 西安交通大学 一种面向智能服务引擎的任务众包方法
CN107193658A (zh) * 2017-05-25 2017-09-22 重庆工程学院 基于博弈论的云计算资源调度方法
CN107423914A (zh) * 2017-08-04 2017-12-01 合肥工业大学 一种基于云制造的任务调度方法及***
CN108681789A (zh) * 2018-05-09 2018-10-19 浙江财经大学 一种云制造服务优化方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
TIAN BAI 等: "A Manufacturing Task Scheduling Method Based on Public Goods Game on Cloud Manufacturing Model", 《2018 4TH INTERNATIONAL CONFERENCE ON UNIVERSAL VILLAGE》 *
舒萧 等: "面向云制造的有限资源多任务调度博弈", 《重庆大学学报》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111611069A (zh) * 2020-04-01 2020-09-01 西南电子技术研究所（中国电子科技集团公司第十研究所） 多数据中心间多类型任务迁移方法
CN111611069B (zh) * 2020-04-01 2023-11-07 西南电子技术研究所（中国电子科技集团公司第十研究所） 多数据中心间多类型任务迁移方法
CN111475274A (zh) * 2020-04-20 2020-07-31 北京邮电大学 云协同多任务调度方法及装置
CN111475274B (zh) * 2020-04-20 2023-04-18 北京邮电大学 云协同多任务调度方法及装置
CN111679637A (zh) * 2020-05-29 2020-09-18 浙江财经大学 一种制造***中柔性多任务调度方法
CN111679637B (zh) * 2020-05-29 2021-10-08 浙江财经大学 一种制造***中柔性多任务调度方法
CN112836828A (zh) * 2020-12-16 2021-05-25 中山大学 基于博弈论的自组织式联邦学习方法
CN113393040A (zh) * 2021-06-18 2021-09-14 重庆邮电大学工业互联网研究院 一种基于博弈论的工业园区物流调度方法及***
CN116107276A (zh) * 2022-12-30 2023-05-12 福州大学 基于分布式微分博弈的物流仓储最优协调方法

Also Published As

Publication number Publication date
CN110751293B (zh) 2022-04-15

Similar Documents

Publication Publication Date Title
CN110751293B (zh) 一种基于博弈论的云制造多任务调度优化方法
Zhu et al. An efficient evolutionary grey wolf optimizer for multi-objective flexible job shop scheduling problem with hierarchical job precedence constraints
CN111222665B (zh) 基于偏好nsga-ⅲ算法的云制造服务组合优化选择方法
Shen et al. Mathematical modeling and multi-objective evolutionary algorithms applied to dynamic flexible job shop scheduling problems
CN110389819B (zh) 一种计算密集型批处理任务的调度方法和***
US7668788B2 (en) Resource assignment optimization using direct encoding and genetic algorithms
Huberman et al. The emergence of computational ecologies
CN112053002B (zh) 一种基于效用感知的云制造多任务调度方法
JPS6024647A (ja) システムの自律化資源管理方式
CN109992355A (zh) 一种基于改进非支配遗传算法的多目标云工作流调度方法
CN108320059B (zh) 一种工作流调度进化寻优方法及终端设备
CN112685138B (zh) 云环境下基于多种群混合智能优化的多工作流调度方法
Hein et al. Designing new heuristics for the capacitated lot sizing problem by genetic programming
CN113569483A (zh) 基于人工蜂群算法求解多目标柔性作业车间调度的方法
CN117010651A (zh) 一种订单优先级感知的柔性作业车间调度方法
Liang et al. A comprehensive multi-objective approach of service selection for service processes with twofold restrictions
CN111105133A (zh) 生产调度方法、计算机设备以及存储介质
CN110135752A (zh) 一种具有切换时间的成套订单的调度方法
CN110633784B (zh) 一种多规则人工蜂群改进算法
CN117094435A (zh) 一种云制造自适应鲁棒服务组合与优化选择新方法
CN113220437B (zh) 一种工作流多目标调度方法及装置
CN113723695B (zh) 一种基于场景的再制造调度优化方法
CN114819660A (zh) 一种动态演进的设计众包的人力资源任务匹配方法***
CN113487031A (zh) 一种基于改进模拟退火融合遗传算法的多无人机任务分配方法
CN114298376A (zh) 一种基于启发式离散人工蜂群算法的软件项目调度方法

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