CN111325424A - 基于改进型蚁群算法的智能调度方法和*** - Google Patents

Abstract

本发明实施例提供一种基于改进型蚁群算法的智能调度方法和***。所述方法包括：采用改进型蚁群算法进行调度优化，生成任务分配方案；改进型蚁群算法的输入包括路途时间以及维装时间，输出包括各维装人员分配的任务，任务执行顺序、任务预计处理时间以及任务预计完成时间；当工单池中有新工单加入且预约时间为当天，或者工单池中当天工单预约时间发生变化时，触发算法进行重新计算，生成新的任务分配方案；如果在维装人员分配的上一单任务的预计完成时间超时之前，没有接收到维装人员的上一单回单，将维装人员的当前任务工单回收至工单池，触发算法进行重新计算，生成新的任务分配方案。本发明实施例能够实现装维人员与装维工单之间高效调度。

Description

基于改进型蚁群算法的智能调度方法和***

技术领域

本发明实施例涉及通信技术领域，尤其涉及一种基于改进型蚁群算法的智能调度方法和***。

背景技术

目前移动宽带业务高速发展，家宽装维与人员调度之间的矛盾日益凸显。如何实现高效、精准的装维服务，减少无谓的装维消耗，发挥装机能力最大化，是摆在面前的一项难题。

目前整个宽带装维服务，大部分还停留在原始的人工调度阶段。但是人工调度显然无法考虑到装维人员的忙闲、距离、路况等情况，做不到准确、高效的调度，不仅浪费人力成本，还因调度不准造成额外的成本浪费。此外现有的调度方式不够灵活，不能及时获得装维人员工作情况，若当前工作对后续派单的执行有影响，不能灵活的调度工单。

发明内容

针对现有技术问题，本发明实施例提供一种基于改进型蚁群算法的智能调度方法和***。

第一方面，本发明实施例提供一种基于改进型蚁群算法的智能调度方法，所述方法包括：

采用改进型蚁群算法进行调度优化，生成任务分配方案；所述改进型蚁群算法的输入包括各维装人员在各任务间需要的路途时间以及各维装人员进行各任务的维装时间，输出包括各维装人员分配的任务，任务执行顺序、任务预计处理时间以及任务预计完成时间；

当工单池中有新工单加入且预约时间为当天，或者工单池中当天工单预约时间发生变化时，触发所述改进型蚁群算法进行重新计算，生成新的任务分配方案；

如果在维装人员分配的上一单任务的预计完成时间超时之前，没有接收到维装人员的上一单回单，将维装人员的当前任务工单回收至工单池，清除所述当前任务的预计处理时间，并将所述上一单任务的预计完成时间增加指定时长后，触发所述改进型蚁群算法进行重新计算，生成新的任务分配方案。

第二方面，本发明实施例提供一种基于改进型蚁群算法的智能调度***，所述***包括：

第一调度单元，用于采用改进型蚁群算法进行调度优化，生成任务分配方案；所述改进型蚁群算法的输入包括各维装人员在各任务间需要的路途时间以及各维装人员进行各任务的维装时间，输出包括各维装人员分配的任务，任务执行顺序、任务预计处理时间以及任务预计完成时间；

第二调度单元，用于当工单池中有新工单加入且预约时间为当天，或者工单池中当天工单预约时间发生变化时，触发所述改进型蚁群算法进行重新计算，生成新的任务分配方案；

第三调度单元，用于如果在维装人员分配的上一单任务的预计完成时间超时之前，没有接收到维装人员的上一单回单，将维装人员的当前任务工单回收至工单池，清除所述当前任务的预计处理时间，并将所述上一单任务的预计完成时间增加指定时长后，触发所述改进型蚁群算法进行重新计算，生成新的任务分配方案。

第三方面，本发明实施例还提供一种电子设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述第一方面提供的方法。

第四方面，本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现上述第一方面提供的方法。

本发明实施例通过改进型蚁群算法实现装维人员与装维工单之间整体上的优化调度，并且引入预约时间限制和装维人员的忙闲限制，实现灵活调度。能够灵活适应装维突发问题、临时加单、用户改约时间等情况，实现高效调度，提升装维效率与品质。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明一实施例提供的基于改进型蚁群算法的智能调度方法的流程示意图；

图2为本发明一实施例提供的在某次的分配方案中第n个人分配了三个任务的执行顺序示意图；

图3为本发明一实施例提供的基于改进型蚁群算法的智能调度***的结构示意图；

图4为本发明一实施例提供的电子设备的结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

图1示出了本发明实施例提供的一种基于改进型蚁群算法的智能调度方法的流程示意图。

如图1所示，本发明实施例提供的基于改进型蚁群算法的智能调度方法具体包括以下步骤：

S11、采用改进型蚁群算法进行调度优化，生成任务分配方案；所述改进型蚁群算法的输入包括各维装人员在各任务间需要的路途时间以及各维装人员进行各任务的维装时间，输出包括各维装人员分配的任务，任务执行顺序、任务预计处理时间以及任务预计完成时间；

具体地，蚁群算法是人工智能算法的一种，特别适用于任务调度、路径寻优等场景。本发明实施例基于改进型蚁群算法的调度平台实现装维人员与装维工单之间整体上的优化调度。调度平台的输入包括工单池和维装人员信息，工单池中包括多个待装任务工单、各工单预约时间以及各待装任务工单的地理位置等信息。维装人员信息包括维装人员数量以及各维装人员完成各工单的所耗时长。

各维装人员在各任务间需要的路途时间以及各维装人员进行各任务的维装时间可以通过相关渠道采集并计算，作为已知量。

例如，根据前一任务和后一任务的地理位置关系、任务被安排的时间段以及当前装维人员的交通方式综合确定路途时间，具体可至其他导航或者地图***获取相关信息，即结合交通情况合理的预测装维人员在各任务间需要的路途时间。营业厅对每个装维人员的装维过程有详细的历史统计数据，可基于此获得各维装人员进行各任务的维装时间。根据获取的路途时间和维装时间可得到每个任务的预计处理时间和预计完成时间。

S12、当工单池中有新工单加入且预约时间为当天，或者工单池中当天工单预约时间发生变化时，触发所述改进型蚁群算法进行重新计算，生成新的任务分配方案；

具体地，平台出现临时加单的情况，营业厅接受工单后，会将工单推送至待装维工单池中，***检测到工单池有新工单加入，并且预约时间为当天的，以及对于当天工单预约时间发生变化的，***会触发重新计算。

S13、如果在维装人员分配的上一单任务的预计完成时间超时之前，没有接收到维装人员的上一单回单，将维装人员的当前任务工单回收至工单池，清除所述当前任务的预计处理时间，并将所述上一单任务的预计完成时间增加指定时长后，触发所述改进型蚁群算法进行重新计算，生成新的任务分配方案。

具体地，对于已派发工单，如果该工单接收人员在上一单预约时间之前未通过平台进行上一单的回单，表示该人员还未完成上一工单的装维，此时将该工单回收至工单池，同时将该人员预先分配的该工单处理时间清除并将上一单预计完成时间增加指定时间(如30分钟)，触发重新调度计算。

本发明实施例考虑在实际调度中，有突发情况，如人员临时请假，任务突然增加，装维人员未能按时完成任务导致下一个装维任务未能按预约时间上门等，需要重新计算的问题，以保证每项任务都可以完成。

本发明实施例通过改进型蚁群算法实现装维人员与装维工单之间整体上的优化调度，并且引入预约时间限制和装维人员的忙闲限制，实现灵活调度。能够灵活适应装维突发问题、临时加单、用户改约时间等情况，实现高效调度，提升装维效率与品质。

在上述实施例的基础上，当装维人员有N名，工单池中待装任务工单为M个，蚁群迭代次数为K次，每次迭代产生出的分配方案中耗时最长的人员即为本次分配方案的最终时间，设定完成所有待装任务的时间最短为目标函数，则目标函数为：

其中，

表示在第k次迭代产生出的分配方案中，第n个装维人员耗时最长，

即为第k次分配方案的最终耗时时间；其中k＝1,2,3……K；

表示在第k次迭代中，第n个人完成第m个任务所耗时间；其中n＝1,2,3……N；

所述目标函数为：

其中，

的值包含路途时间和上门装维时间两部分，即：

所述各维装人员在各任务间需要的路途时间根据工单池中的各任务之间的地理位置关系、各任务预约时间以及当前维装人员的交通方式确定。

具体地，假设装维人员N名，待装任务工单M个，蚁群迭代次数K次。为使得装维效率最高，需在最短的时间内完成所有的装维工单，因装维人员之间是并行工作的，所以分配方案中，耗时最长的人员即为本次分配方案的最终时间。因此设定目标函数：

表示在第k次迭代产生出的分配方案中，第n个装维人员耗时最长，

即为第k次分配方案的最终耗时时间；其中k＝1,2,3……K；

表示在第k次迭代中，第n个人完成第m个任务所耗时间；其中n＝1,2,3……N；

综上所述，目标函数设为：

其中，

的值包含路途时间和上门装维时间两部分，即：

t_路途和t_装维可以通过相关渠道采集并计算，作为已知量。

其中t_路途根据前一任务和后一任务的地理位置关系、任务被安排的时间段以及当前装维人员的交通方式综合确定，具体可至其他导航或者地图***获取相关信息，即结合交通情况合理的预测装维人员在各任务间需要的路途时间。

蚁群算法在程序执行时有三层循环，第一层是迭代次数K，第二层是蚂蚁数量，第三层是装维任务。每迭代一次产生一种不会差于上一次的分配方案。

本发明实施例基于蚁群算法完成装维智能调度，并且在设置目标函数时，合理的引入路途时间，更加合理的给出调度方案。

在上述实施例的基础上，在每次分配方案中，所述各任务的预计完成时间为派单时间加上该任务预计耗时时间；

在第K次分配方案中第n个人完成第m个任务的预计完成时间为：

所述派单时间为本次任务分配蚁群算法执行结束时间；

所述预计耗时时间为路途时间加上装维时间。

图2示出了在某次的分配方案中，第n个人分配了三个任务的执行顺序示意图。

如图2所示，该装维人员完成第一个任务的预计完成时间为：

t_派单时间即本次任务分配蚁群算法执行结束时间，服务器可采集此时间。

在上述实施例的基础上，当触发所述改进型蚁群算法进行重新计算时，所述方法还包括：

判断各维装人员是否为忙的状态，判断条件为：

t_{预计完成时间}>t_当前时间

将满足判断条件的维装人员标记为忙；

对于标记为忙的装维人员，判断该维装人员首次任务分配时能否在预约时间之前赶到装维地点，判断条件为：

Δt＝t_预约时间-t_路途-t_{预计完成时间}>0

Δt>0表示该维装人员已经完成上一个任务，且可以在预约时间之前达到装维地点；

如果Δt<0，则标记该分配方案为不可行解，同时添加到对应禁忌矩阵。

具体地，在有突发情况触发重新计算时，因为有些装维人员处于忙的状态(上一次计算时分配的任务正在执行)，因此参与重新计算时，需要把该装维人员处理该任务的时间剔除。

在第三层循环时，参与计算的装维人员全部选取，任务为未执行的所有装维工单，在每只蚂蚁分配任务时，增加如下判断：

(1)判断装维人员是否为忙的状态，判断条件：

t_{预计完成时间}>t_当前时间

(2)对于标记为忙的装维人员，判断该人员首次任务分配时能否在预约时间之前赶到装维地点，即：

Δt＝t_预约时间-t_路途-t_{预计完成时间}>0

Δt>0表示该人员已经完成上一个任务，且可以在预约时间之前达到装维地点。本次蚂蚁分配方案为可行解。如果Δt<0，则标记该分配方案为不可行解，同时添加到对应禁忌矩阵。

本发明实施例考虑了装维人员忙闲的问题，统一调度，达到整体最优化。

在上述实施例的基础上，当触发所述改进型蚁群算法进行重新计算时，所述方法还包括：

判断装维人员能否在预约时间之前到达维装地点，判断条件为：

t_预约时间>t_{预计完成时间}+t_路途

如果满足上式，即可在预约时间之前到达维装地点，该分配方案为可行解；

如果不满足上式，则不能在预约时间之前达到，该分配方案为不可行解，同时添加到对应禁忌矩阵。

具体地，本发明实施例还考虑在预约时间之前上门的问题。如前文所述，计算得到每个任务分配时间即对应装维人员路途时间及装维时间，从而可以判断该装维人员预计达到装维地点的时间。因此在第三次循环增加如下判断：

t_预约时间>t_{预计完成时间}+t_路途

如果满足上式，即可在预约时间之前到达，则认为是可行解，如果不满足上式，则不能在预约时间之前达到，则认为是不可行解，同时置对应禁忌矩阵。

蚁群算法的迭代次数越多，准确性越高，在本发明中提出的改进型蚁群算法，在过程中增加筛选环节，大大减少了运算量，因此在相同计算量前提下，可以提高迭代次数，达到分配方案更加优化的目标。

本发明实施例能够有效响应“即装即办，即报即修”的家宽品质提升活动，灵活适应装维突发问题、临时加单、用户改约时间等情况，解决受预约时间、装维人员忙闲限制的问题，实现高效调度，提升装维效率与品质。

需要说明的是，本发明实施例以装维工单调度为例，实际还适用于各种服务调度场景中，例如物流运输、生产配送和车间调度等场景。

图3示出了本发明实施例提供的一种基于改进型蚁群算法的智能调度***的结构示意图。

如图3所示，本发明实施例提供的基于改进型蚁群算法的智能调度***包括第一调度单元11、第二调度单元12以及第三调度单元13，其中：

所述第一调度单元11，用于采用改进型蚁群算法进行调度优化，生成任务分配方案；所述改进型蚁群算法的输入包括各维装人员在各任务间需要的路途时间以及各维装人员进行各任务的维装时间，输出包括各维装人员分配的任务，任务执行顺序、任务预计处理时间以及任务预计完成时间；

具体地，蚁群算法是人工智能算法的一种，特别适用于任务调度、路径寻优等场景。本发明实施例基于改进型蚁群算法的调度平台实现装维人员与装维工单之间整体上的优化调度。调度平台的输入包括工单池和维装人员信息，工单池中包括多个待装任务工单、各工单预约时间以及各待装任务工单的地理位置等信息。维装人员信息包括维装人员数量以及各维装人员完成各工单的所耗时长。

各维装人员在各任务间需要的路途时间以及各维装人员进行各任务的维装时间可以通过相关渠道采集并计算，作为已知量。

例如，根据前一任务和后一任务的地理位置关系、任务被安排的时间段以及当前装维人员的交通方式综合确定路途时间，具体可至其他导航或者地图***获取相关信息，即结合交通情况合理的预测装维人员在各任务间需要的路途时间。营业厅对每个装维人员的装维过程有详细的历史统计数据，可基于此获得各维装人员进行各任务的维装时间。根据获取的路途时间和维装时间可得到每个任务的预计处理时间和预计完成时间。

所述第二调度单元12，用于当工单池中有新工单加入且预约时间为当天，或者工单池中当天工单预约时间发生变化时，触发所述改进型蚁群算法进行重新计算，生成新的任务分配方案；

具体地，平台出现临时加单的情况，营业厅接受工单后，会将工单推送至待装维工单池中，***检测到工单池有新工单加入，并且预约时间为当天的，以及对于当天工单预约时间发生变化的，***会触发重新计算。

所述第三调度单元13，用于如果在维装人员分配的上一单任务的预计完成时间超时之前，没有接收到维装人员的上一单回单，将维装人员的当前任务工单回收至工单池，清除所述当前任务的预计处理时间，并将所述上一单任务的预计完成时间增加指定时长后，触发所述改进型蚁群算法进行重新计算，生成新的任务分配方案。

具体地，对于已派发工单，如果该工单接收人员在上一单预约时间之前未通过平台进行上一单的回单，表示该人员还未完成上一工单的装维，此时将该工单回收至工单池，同时将该人员预先分配的该工单处理时间清除并将上一单预计完成时间增加指定时间(如30分钟)，触发重新调度计算。

本发明实施例考虑在实际调度中，有突发情况，如人员临时请假，任务突然增加，装维人员未能按时完成任务导致下一个装维任务未能按预约时间上门等，需要重新计算的问题，以保证每项任务都可以完成。

本发明实施例通过改进型蚁群算法实现装维人员与装维工单之间整体上的优化调度，并且引入预约时间限制和装维人员的忙闲限制，实现灵活调度。能够灵活适应装维突发问题、临时加单、用户改约时间等情况，实现高效调度，提升装维效率与品质。

在上述实施例的基础上，当装维人员有N名，工单池中待装任务工单为M个，蚁群迭代次数为K次，每次迭代产生出的分配方案中耗时最长的人员即为本次分配方案的最终时间，设定完成所有待装任务的时间最短为目标函数，则目标函数为：

其中，

表示在第k次迭代产生出的分配方案中，第n个装维人员耗时最长，

即为第k次分配方案的最终耗时时间；其中k＝1,2,3……K；

表示在第k次迭代中，第n个人完成第m个任务所耗时间；其中n＝1,2,3……N；

所述目标函数为：

其中，

的值包含路途时间和上门装维时间两部分，即：

所述各维装人员在各任务间需要的路途时间根据工单池中的各任务之间的地理位置关系、各任务预约时间以及当前维装人员的交通方式确定。

具体地，假设装维人员N名，待装任务工单M个，蚁群迭代次数K次。为使得装维效率最高，需在最短的时间内完成所有的装维工单，因装维人员之间是并行工作的，所以分配方案中，耗时最长的人员即为本次分配方案的最终时间。因此设定目标函数：

表示在第k次迭代产生出的分配方案中，第n个装维人员耗时最长，

即为第k次分配方案的最终耗时时间；其中k＝1,2,3……K；

表示在第k次迭代中，第n个人完成第m个任务所耗时间；其中n＝1,2,3……N；

综上所述，目标函数设为：

其中，

的值包含路途时间和上门装维时间两部分，即：

t_路途和t_装维可以通过相关渠道采集并计算，作为已知量。

其中t_路途根据前一任务和后一任务的地理位置关系、任务被安排的时间段以及当前装维人员的交通方式综合确定，具体可至其他导航或者地图***获取相关信息，即结合交通情况合理的预测装维人员在各任务间需要的路途时间。

蚁群算法在程序执行时有三层循环，第一层是迭代次数K，第二层是蚂蚁数量，第三层是装维任务。每迭代一次产生一种不会差于上一次的分配方案。

本发明实施例基于蚁群算法完成装维智能调度，并且在设置目标函数时，合理的引入路途时间，更加合理的给出调度方案。

在上述实施例的基础上，在每次分配方案中，所述各任务的预计完成时间为派单时间加上该任务预计耗时时间；

在第K次分配方案中第n个人完成第m个任务的预计完成时间为：

所述派单时间为本次任务分配蚁群算法执行结束时间；

所述预计耗时时间为路途时间加上装维时间。

如图2所示，该装维人员完成第一个任务的预计完成时间为：

t_派单时间即本次任务分配蚁群算法执行结束时间，服务器可采集此时间。

在上述实施例的基础上，所述***还包括：

第一判断单元，用于判断各维装人员是否为忙的状态，判断条件为：

t_{预计完成时间}>t_当前时间

标记单元，用于将满足判断条件的维装人员标记为忙；

第二判断单元，用于对于标记为忙的装维人员，判断该维装人员首次任务分配时能否在预约时间之前赶到装维地点，判断条件为：

Δt＝t_预约时间-t_路途-t_{预计完成时间}>0

Δt>0表示该维装人员已经完成上一个任务，且可以在预约时间之前达到装维地点；

第一处理单元，用于如果Δt<0，则标记该分配方案为不可行解，同时添加到对应禁忌矩阵。

具体地，在有突发情况触发重新计算时，因为有些装维人员处于忙的状态(上一次计算时分配的任务正在执行)，因此参与重新计算时，需要把该装维人员处理该任务的时间剔除。

在第三层循环时，参与计算的装维人员全部选取，任务为未执行的所有装维工单，在每只蚂蚁分配任务时，增加如下判断：

(1)判断装维人员是否为忙的状态，判断条件：

t_{预计完成时间}>t_当前时间

(2)对于标记为忙的装维人员，判断该人员首次任务分配时能否在预约时间之前赶到装维地点，即：

Δt＝t_预约时间-t_路途-t_{预计完成时间}>0

Δt>0表示该人员已经完成上一个任务，且可以在预约时间之前达到装维地点。本次蚂蚁分配方案为可行解。如果Δt<0，则标记该分配方案为不可行解，同时添加到对应禁忌矩阵。

本发明实施例考虑了装维人员忙闲的问题，统一调度，达到整体最优化。

在上述实施例的基础上，所述***还包括：

第三判断单元，用于判断装维人员能否在预约时间之前到达维装地点，判断条件为：

t_预约时间>t_{预计完成时间}+t_路途

如果满足上式，即可在预约时间之前到达维装地点，该分配方案为可行解；

第二处理单元，用于如果不满足上式，则不能在预约时间之前达到，该分配方案为不可行解，同时添加到对应禁忌矩阵。

具体地，本发明实施例还考虑在预约时间之前上门的问题。如前文所述，计算得到每个任务分配时间即对应装维人员路途时间及装维时间，从而可以判断该装维人员预计达到装维地点的时间。因此在第三次循环增加如下判断：

t_预约时间>t_{预计完成时间}+t_路途

如果满足上式，即可在预约时间之前到达，则认为是可行解，如果不满足上式，则不能在预约时间之前达到，则认为是不可行解，同时置对应禁忌矩阵。

蚁群算法的迭代次数越多，准确性越高，在本发明中提出的改进型蚁群算法，在过程中增加筛选环节，大大减少了运算量，因此在相同计算量前提下，可以提高迭代次数，达到分配方案更加优化的目标。

本发明实施例能够有效响应“即装即办，即报即修”的家宽品质提升活动，灵活适应装维突发问题、临时加单、用户改约时间等情况，解决受预约时间、装维人员忙闲限制的问题，实现高效调度，提升装维效率与品质。

需要说明的是，本发明实施例以装维工单调度为例，实际还适用于各种服务调度场景中，例如物流运输、生产配送和车间调度等场景。

本发明实施例还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如图1的方法。

图4示出了本发明一实施例提供的电子设备的结构示意图。

如图4所示，本发明实施例提供的电子设备包括存储器21、处理器22、总线23以及存储在存储器21上并可在处理器22上运行的计算机程序。其中，所述存储器21、处理器22通过所述总线23完成相互间的通信。

所述处理器22用于调用所述存储器21中的程序指令，以执行所述程序时实现如图1的方法。

例如，所述处理器执行所述程序时实现如下方法：

采用改进型蚁群算法进行调度优化，生成任务分配方案；所述改进型蚁群算法的输入包括各维装人员在各任务间需要的路途时间以及各维装人员进行各任务的维装时间，输出包括各维装人员分配的任务，任务执行顺序、任务预计处理时间以及任务预计完成时间；

当工单池中有新工单加入且预约时间为当天，或者工单池中当天工单预约时间发生变化时，触发所述改进型蚁群算法进行重新计算，生成新的任务分配方案；

如果在维装人员分配的上一单任务的预计完成时间超时之前，没有接收到维装人员的上一单回单，将维装人员的当前任务工单回收至工单池，清除所述当前任务的预计处理时间，并将所述上一单任务的预计完成时间增加指定时长后，触发所述改进型蚁群算法进行重新计算，生成新的任务分配方案。

本发明实施例提供的电子设备，通过改进型蚁群算法实现装维人员与装维工单之间整体上的优化调度，并且引入预约时间限制和装维人员的忙闲限制，实现灵活调度。能够灵活适应装维突发问题、临时加单、用户改约时间等情况，实现高效调度，提升装维效率与品质。

本发明实施例还提供一种非暂态计算机可读存储介质，所述存储介质上存储有计算机程序，所述程序被处理器执行时实现如图1的步骤。

例如，所述处理器执行所述程序时实现如下方法：

采用改进型蚁群算法进行调度优化，生成任务分配方案；所述改进型蚁群算法的输入包括各维装人员在各任务间需要的路途时间以及各维装人员进行各任务的维装时间，输出包括各维装人员分配的任务，任务执行顺序、任务预计处理时间以及任务预计完成时间；

当工单池中有新工单加入且预约时间为当天，或者工单池中当天工单预约时间发生变化时，触发所述改进型蚁群算法进行重新计算，生成新的任务分配方案；

如果在维装人员分配的上一单任务的预计完成时间超时之前，没有接收到维装人员的上一单回单，将维装人员的当前任务工单回收至工单池，清除所述当前任务的预计处理时间，并将所述上一单任务的预计完成时间增加指定时长后，触发所述改进型蚁群算法进行重新计算，生成新的任务分配方案。

本发明实施例提供的非暂态计算机可读存储介质，通过改进型蚁群算法实现装维人员与装维工单之间整体上的优化调度，并且引入预约时间限制和装维人员的忙闲限制，实现灵活调度。能够灵活适应装维突发问题、临时加单、用户改约时间等情况，实现高效调度，提升装维效率与品质。

本发明一实施例公开一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的方法，例如包括：

采用改进型蚁群算法进行调度优化，生成任务分配方案；所述改进型蚁群算法的输入包括各维装人员在各任务间需要的路途时间以及各维装人员进行各任务的维装时间，输出包括各维装人员分配的任务，任务执行顺序、任务预计处理时间以及任务预计完成时间；

当工单池中有新工单加入且预约时间为当天，或者工单池中当天工单预约时间发生变化时，触发所述改进型蚁群算法进行重新计算，生成新的任务分配方案；

如果在维装人员分配的上一单任务的预计完成时间超时之前，没有接收到维装人员的上一单回单，将维装人员的当前任务工单回收至工单池，清除所述当前任务的预计处理时间，并将所述上一单任务的预计完成时间增加指定时长后，触发所述改进型蚁群算法进行重新计算，生成新的任务分配方案。

本发明实施例中的功能模块可以通过硬件处理器(hardware processor)来实现相关功能模块，本发明实施例不再赘述。

以上所描述的装置实施例仅仅是示意性的，其中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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种基于改进型蚁群算法的智能调度方法，其特征在于，所述方法包括：

采用改进型蚁群算法进行调度优化，生成任务分配方案；所述改进型蚁群算法的输入包括各维装人员在各任务间需要的路途时间以及各维装人员进行各任务的维装时间，输出包括各维装人员分配的任务，任务执行顺序、任务预计处理时间以及任务预计完成时间；

当工单池中有新工单加入且预约时间为当天，或者工单池中当天工单预约时间发生变化时，触发所述改进型蚁群算法进行重新计算，生成新的任务分配方案；

如果在维装人员分配的上一单任务的预计完成时间超时之前，没有接收到维装人员的上一单回单，将维装人员的当前任务工单回收至工单池，清除所述当前任务的预计处理时间，并将所述上一单任务的预计完成时间增加指定时长后，触发所述改进型蚁群算法进行重新计算，生成新的任务分配方案。

2.根据权利要求1所述的方法，其特征在于，当装维人员有N名，工单池中待装任务工单为M个，蚁群迭代次数为K次，每次迭代产生出的分配方案中耗时最长的人员即为本次分配方案的最终时间，设定完成所有待装任务的时间最短为目标函数，则目标函数为：

其中，

表示在第k次迭代产生出的分配方案中，第n个装维人员耗时最长，

即为第k次分配方案的最终耗时时间；其中k＝1,2,3……K；

表示在第k次迭代中，第n个人完成第m个任务所耗时间；其中n＝1,2,3……N；

所述目标函数为：

其中，

的值包含路途时间和上门装维时间两部分，即：

所述各维装人员在各任务间需要的路途时间根据工单池中的各任务之间的地理位置关系、各任务预约时间以及当前维装人员的交通方式确定。

3.根据权利要求2所述的方法，其特征在于，在每次分配方案中，所述各任务的预计完成时间为派单时间加上该任务预计耗时时间；

在第K次分配方案中第n个人完成第m个任务的预计完成时间为：

所述派单时间为本次任务分配蚁群算法执行结束时间；

所述预计耗时时间为路途时间加上装维时间。

4.根据权利要求3所述的方法，其特征在于，当触发所述改进型蚁群算法进行重新计算时，所述方法还包括：

判断各维装人员是否为忙的状态，判断条件为：

t_{预计完成时间}>t_当前时间

将满足判断条件的维装人员标记为忙；

对于标记为忙的装维人员，判断该维装人员首次任务分配时能否在预约时间之前赶到装维地点，判断条件为：

Δt＝t_预约时间-t_路途-t_{预计完成时间}>0

Δt>0表示该维装人员已经完成上一个任务，且可以在预约时间之前达到装维地点；

如果Δt<0，则标记该分配方案为不可行解，同时添加到对应禁忌矩阵。

5.根据权利要求3所述的方法，其特征在于，当触发所述改进型蚁群算法进行重新计算时，所述方法还包括：

判断装维人员能否在预约时间之前到达维装地点，判断条件为：

t_预约时间>t_{预计完成时间}+t_路途

如果满足上式，即可在预约时间之前到达维装地点，该分配方案为可行解；

如果不满足上式，则不能在预约时间之前达到，该分配方案为不可行解，同时添加到对应禁忌矩阵。

6.一种基于改进型蚁群算法的智能调度***，其特征在于，所述***包括：

第一调度单元，用于采用改进型蚁群算法进行调度优化，生成任务分配方案；所述改进型蚁群算法的输入包括各维装人员在各任务间需要的路途时间以及各维装人员进行各任务的维装时间，输出包括各维装人员分配的任务，任务执行顺序、任务预计处理时间以及任务预计完成时间；

第二调度单元，用于当工单池中有新工单加入且预约时间为当天，或者工单池中当天工单预约时间发生变化时，触发所述改进型蚁群算法进行重新计算，生成新的任务分配方案；

第三调度单元，用于如果在维装人员分配的上一单任务的预计完成时间超时之前，没有接收到维装人员的上一单回单，将维装人员的当前任务工单回收至工单池，清除所述当前任务的预计处理时间，并将所述上一单任务的预计完成时间增加指定时长后，触发所述改进型蚁群算法进行重新计算，生成新的任务分配方案。

7.根据权利要求6所述的***，其特征在于，当装维人员有N名，工单池中待装任务工单为M个，蚁群迭代次数为K次，每次迭代产生出的分配方案中耗时最长的人员即为本次分配方案的最终时间，设定完成所有待装任务的时间最短为目标函数，则目标函数为：

其中，

表示在第k次迭代产生出的分配方案中，第n个装维人员耗时最长，

即为第k次分配方案的最终耗时时间；其中k＝1,2,3……K；

表示在第k次迭代中，第n个人完成第m个任务所耗时间；其中n＝1,2,3……N；

所述目标函数为：

其中，

的值包含路途时间和上门装维时间两部分，即：

所述各维装人员在各任务间需要的路途时间根据工单池中的各任务之间的地理位置关系、各任务预约时间以及当前维装人员的交通方式确定。

8.根据权利要求7所述的***，其特征在于，在每次分配方案中，所述各任务的预计完成时间为派单时间加上该任务预计耗时时间；

在第K次分配方案中第n个人完成第m个任务的预计完成时间为：

所述派单时间为本次任务分配蚁群算法执行结束时间；

所述预计耗时时间为路途时间加上装维时间。

9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至5任一项所述基于改进型蚁群算法的智能调度方法的步骤。

10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至5任一项所述基于改进型蚁群算法的智能调度方法的步骤。

Images