CN112860407B - 一种云边协作的序列依赖流水车间任务调度执行优化方法 - Google Patents

一种云边协作的序列依赖流水车间任务调度执行优化方法 Download PDF

Info

Publication number
CN112860407B
CN112860407B CN202110229581.6A CN202110229581A CN112860407B CN 112860407 B CN112860407 B CN 112860407B CN 202110229581 A CN202110229581 A CN 202110229581A CN 112860407 B CN112860407 B CN 112860407B
Authority
CN
China
Prior art keywords
scheduling
cloud
algorithm
result
edge
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
CN202110229581.6A
Other languages
English (en)
Other versions
CN112860407A (zh
Inventor
金嘉晖
杨丰赫
熊润群
罗军舟
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.)
Southeast University
Original Assignee
Southeast University
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 Southeast University filed Critical Southeast University
Priority to CN202110229581.6A priority Critical patent/CN112860407B/zh
Publication of CN112860407A publication Critical patent/CN112860407A/zh
Application granted granted Critical
Publication of CN112860407B publication Critical patent/CN112860407B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/48—Program initiating; Program switching, e.g. by interrupt
    • G06F9/4806—Task transfer initiation or dispatching
    • G06F9/4843—Task transfer initiation or dispatching by program, e.g. task dispatcher, supervisor, operating system
    • G06F9/4881—Scheduling strategies for dispatcher, e.g. round robin, multi-level priority queues
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5061—Partitioning or combining of resources
    • G06F9/5072—Grid computing
    • 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
    • G06Q10/06316—Sequencing of tasks or work

Landscapes

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

Abstract

本发明公开了一种云边协作的序列依赖流水车间任务调度执行优化方法，该方法针对序列依赖的流水车间任务调度问题，对此类问题的传统云边协作任务调度模式进行了三个方面的执行优化；在边缘服务器处获取调度任务所需的生产数据，并对计算所得的中间结果进行压缩后再上传至云端；在云服务器获取边缘服务器上传的中间结果，自动化选择合适的调度算法后以中间结果作为算法输入进行求解并返回结果；在边缘服务器接收到调度结果后更新模型参数，起到云边协同训练的效果。

Description

一种云边协作的序列依赖流水车间任务调度执行优化方法
技术领域
本发明涉及序列依赖的流水车间任务调度和分布式计算领域，尤其涉及一种云边协作的序列依赖流水车间任务调度执行优化机制。
背景技术
序列依赖的流水车间任务调度模式是现代工业生产中典型的任务调度之一。序列依赖是指生产成本或生产时间等指标与加工物料的顺序直接相关，并随着顺序的改变而变化。在实际的工业生产过程中，为了提升生产效率，大多都会采用流水车间的生产模式，并且结合具体生产工艺与约束条件使得车间调度问题更加符合工业生产的实际情况。结合以上特点的序列依赖流水车间任务调度模型可以在诸如钢铁、焊接、电镀等行业得到广泛的应用。例如，钢铁行业中要求板坯出炉温度必须有共同区间才可安排轧制，相邻板坯之间的宽度与厚度跳跃不可太大；在汽车生产车间中需要在车身型号改变时重新设置焊接程序，并根据车身颜色不同而不断清洗设备并消耗涂料溶剂；在机械镀锌工艺镀锌过程中的温度必须根据线圈的厚度宽度以及锌的厚度进行调整，且线圈的几何兼容性必须首尾匹配等。
经过分析，此类问题的本质是最小化相邻物料间的综合属性差异，而属性完全相同的两块物料最适合安排在相邻位置生产，综合属性差异越大则工艺满足程度越低。并且在云边协作的计算环境下，该类调度任务一般表现为三个步骤：首先边缘服务器获取调度相关的生产信息与参数，计算中间结果后上传至云计算中心；其次云数据中心根据接收到的中间结果，执行调度算法并返回计算结果；最后边缘服务器接收调度结果，并解析成完整的生产计划后返回给工厂车间。
但是在云边协作的计算环境下，对边缘服务器输出的中间结果而言，其数据量的大小直接影响到云边之间的传输时延，从而影响任务调度的时效性与准确性；对云计算中心的调度算法而言，不同规模与准确性要求的调度任务有着不同的计算资源需求与算法执行时长，不合理的资源分配可能会导致资源浪费与计算时延问题；对云边协作的模型参数而言，模型参数直接影响到生成的中间结果的质量，这决定了最终调度结果质量。
综上所述，在现有的云边协作调度模式的基础上，如何从调度任务的中间结果、调度算法、模型参数三个角度出发，对其进行传输时延、计算时延、算法准确性三方面的执行优化以充分发挥边缘服务器、云计算中心与云边协作机制三方面的优势与特点，这是一个关键性的挑战并且也是在实际应用构建目标***时所必须考虑的事情。
发明内容
针对以上现有技术存在的问题，本发明提出了一种云边协作的序列依赖流水车间任务调度执行优化方法，着重解决此类调度问题在云边协作的计算环境下，对传输时延、计算时延、算法准确性三个方面的执行优化方法。本发明在现有的云边协作调度模式的基础上，进一步发挥边缘服务器、云排产平台、云边协作机制各自的优势与特点，分别从中间结果数据、排产算法选择、模型参数训练三个角度出发，针对数据传输时延、算法执行时延、算法准确性三个方面进行执行优化，以提供更加高效的工业流水车间任务调度机制。
为实现本发明的目的，本发明所采用的技术方案是：一种云边协作的序列依赖流水车间任务调度执行优化方法，该方法包括以下步骤：
步骤(1)针对序列依赖的流水车间任务调度问题，建立云边协作的任务调度执行框架。该框架分为边缘处理与云端求解两个模块，两个模块之间通过中间结果进行交互。在边缘服务器处生成中间结果后上传至云计算中心，云计算中心以此作为输入进行算法求解并返回结果，边缘服务器接收到结果后进行解析并返回；
步骤(2)对中间结果进行边缘服务器层面的执行优化，主要关注云边传输时延。边缘服务器靠近用户与终端设备，有着较小的计算时延与数据传输时延。作为边缘服务器输出的中间结果，其数据量的大小直接影响到云边之间的传输时延。故而需要在边缘服务器处对中间结果数据进行数据压缩以减少云边之间的传输数据量；
步骤(3)对调度算法进行云计算中心层面的执行优化，主要关注算法执行时延。不同规模与准确性要求的调度任务有着不同的计算资源需求与算法执行时长。为了更合理地利用云平台的各类计算资源、体现“按需提供服务”的思想，根据企业用户的不同需求，按需提供多样化服务与计费方式，在满足用户需求的前提下充分利用云平台计算资源并减小计算时间；
步骤(4)对模型参数进行云-边协作层面的执行优化，主要关注调度算法准确性。通过云计算中心与边缘服务器之间的有机协作可以完成任何单一服务器所无法独自完成的计算任务。边缘服务器与云平台相对于彼此来说都是黑盒状态，通过合理设计边云协同训练模式，并通过训练优化调度模型，以获取更高质量的调度结果；
步骤(5)结合步骤(2)、(3)、(4)中分别从中间结果数据、排产算法选择、模型参数训练三个角度出发，对数据传输时延、算法执行时延、算法准确性三个方面制定的执行优化机制进行云边协同模式下的序列依赖流水车间任务调度。
进一步的，在步骤(2)中，所述对中间结果的执行优化方法具体如下：
(2.1)边缘服务器处理模块的任务在本质上就是对物料的多属性信息进行提取，并且将提取出的物料各属性信息转化为物料之间的综合属性差异值costi,j并将其以N×N的矩阵形式输出。但是，随着物料数量N的增加，中间结果的规模也会以平方规模增长，较大的数据量仍会增加云边之间的传输延迟。因此，如何进一步对中间结果的规模进行数据压缩是边缘服务器所需要执行优化的目标。
(2.2)在输入的工业数据中，物料信息X＝(x1 x2 … xn)表示物料集合中包含n块物料，任意物料表示物料中包含k个属性项，而参数向量α＝(α1 α2… αk)分别对应各项属性的参数。则g((i,j),α)表示物料i,j之间的综合属性差异(即costi,j)，其表现形式如下所示，其中,/>为物料i,j之间的各项属性差异。其结果为中间结果G中对应物料i,j之间的综合属性差异值。
(2.3)若属性差异无需构造评价函数，则g((i,j),α)可表示为物料i,j之间各项属性原始数据差的加权和，如下公式所示：
对其以物料为分组，并进行多项式拆分、合并后可得到如下公式：
令表示提炼出的物料i的综合属性值，其计算方法如下公式所示：
可将范式接口G的形式转化为一维向量形式：(X1,X2,…,Xn)，至此可实现将N×N的矩阵数据转化为N×1的向量，进一步减少了工业上传数据。将其上传至云排产平台后，只需根据任意Xi,Xj的值就可计算综合属性差异，并将该向量还原为N×N的矩阵数据，如下公式所示。
costi,j＝|Xi-Xj|
(2.4)若属性差异需要构造评价函数，则g((i,j),α)不再表示为物料i,j之间各项属性原始数据差的加权和，而是经过原始数据经过映射之后的函数值加权和，如下公式所示：
此时由于每个属性差异都是将物料i,j两者同时输入，并经过函数映射之后的值。故而无法仅根据某一目标物料的属性与参数求得能够代表该物料的综合属性值Xi，就不能直接将矩阵形式的范式接口G无损地转化为一维向量的形式。此时可通过矩阵分解的方法，将代表所有物料综合属性差异的矩阵G转化为若干低维度的较小矩阵以减少上传数据量：首先将其分解为若干矩阵后，通过保留部分奇异值进行有损压缩，将其上传至云平台后恢复出近似综合属性差异矩阵进行排产算法求解。
进一步的，在步骤(3)中，所述对调度算法的执行优化方法具体如下：
(3.1)云平台的主要任务就是设计合理的调度算法，根据以接收到的中间结果为输入进行算法求解并返回调度结果。在序列依赖的流水车间任务调度问题中，常见的标准建模方法是将接收到的中间结果中的综合属性差异视为城市间路径的长度，从而建模为车辆路径问题进行求解。
(3.2)为了体现云排产平台的个性化服务，根据企业用户的不同需求，按需提供多样化的排产服务与相应的计费方式。可以在云平台制定服务等级协议(Service-LevelAgreement，SLA)。选取现有的成熟求解算法中较为有代表性的求解算法，通过实验测试各算法在不同规模的排产问题下的精确度、运行时间、目标优化程度等指标后，以此为依据制定服务等级协议。服务等级协议形式如下表所示。
表1服务等级协议模板
参考指标 含义解释
求解模块算法 表示所选择的算法
理论调度结果质量 表示理论调度结果与最佳结果相比的准确度
理论目标优化程度 表示该算法对所选择的优化目标的满足程度
理论运行时间 表示使用该算法求解所需的运行时间
计费标准 该算法的计费形式与价格
(3.3)在完成服务等级协议的制定后，需要设计相应的任务调度模块，根据问题规模与中间结果的大小以及用户需求，将调度任务调度到对应的求解模块，以此按需为边缘服务器提供合适的调度算法。根据所选择的调度算法及服务的参数，具体表达式如下所示：f表示具体的序列依赖流水车间调度任务所需结果，H(G,θ)表示云平台求解模块，G表示中间结果，θ用于表示所选择的调度算法与服务。
f＝H(G,θ)
其中θ的组成由三部分因素构成，如下公式所示：函数λ用于根据用户需求选择适合的调度算法，q表示用户希望调度结果的综合质量所能达到的精确度下限，s表示用户希望针对某特定优化指标所能实现的满足程度，t表示用户所能够容忍的调度算法运行时间。
θ＝λ(q,s,t)
进一步的，在步骤(4)中，所述对模型参数的执行优化方法具体如下：
(4.1)云边协同训练的主要任务是通过历史物料信息与生产计划数据经过边云协同的训练模式不断更新调整模型的参数向量α，训练出适用于当前调度任务的模型，训练方法与训练内容如下：
由边缘服务器生成中间结果后，由云平台求解排产任务并返回结果，边缘服务器接收结果并解析后与历史数据进行对比训练。更新参数向量α后，边缘服务器计算所得的中间结果也会随之更新，由此进入下一轮的迭代直到收敛。主要训练的内容为各属性之间的参数向量α，以获得更加符合生产实际要求的调度结果。
(4.2)在整个任务调度周期中，最耗费时间的环节就是云平台的求解模块，故而算法求解耗费的时间成为了参数训练的瓶颈。为了加快训练的速度，可采用分布式的训练方式使用多台边缘服务器同时进行云边协同的权重参数迭代训练。
与现有技术相比，本发明的技术方案具有以下有益技术效果：
(1)该技术方案进一步减少任务调度流程中云边之间的数据传输时间。在边缘服务器处对中间结果数据进行更进一步的压缩处理以再次减少工业上传数据量，提升云边之间传输效率；
(2)该技术方案更合理地利用云排产平台的各类计算资源，在满足用户需求的前提下减小计算开销，并基于“按需提供服务”的思想，根据不同需求提供多样化的任务调度算法与相应的计费方式；
(3)该技术方案提升调度算法的准确性，设计合理的边云协同训练模式，利用云、边之间的有机协作完成任何单一服务器所无法独自完成的模型训练任务，并通过参数训练来优化调度模型，以获取更高质量的调度结果。
附图说明
图1云边协作环境下常见的序列依赖流水车间任务调度模型框架图；
图2本发明实现的一种云边协作的序列依赖流水车间任务调度执行优化机制思路图；
图3本发明实现的一种云边协作的序列依赖流水车间任务调度执行优化机制流程图；
具体实施方式
为了加深对本发明的认识和理解，下面结合附图和具体实施例，进一步阐明本发明。
实施例1：本发明应用于序列依赖的流水车间任务调度模型中，在边缘服务器与云计算中心之间协同运行，整体任务调度的模型框架如图1所示，工厂传感器设备负责收集与调度相关的工业数据，边缘服务器负责生成中间结果并上传至云端，云计算中心在中间结果的输入下得到调度算法的运行结果并返回交由工厂端的边缘服务器进行解析。本发明提出了一种云边协作的序列依赖流水车间任务调度执行优化机制，优化思路如图2所示，分别从中间结果、调度算法、模型参数三个方面进行执行优化。且流程如图3所示。具体执行步骤如下：
步骤(1)针对序列依赖的流水车间任务调度问题，建立云边协作的任务调度执行框架。该框架分为边缘处理与云端求解两个模块，两个模块之间通过中间结果进行交互。在边缘服务器处生成中间结果后上传至云计算中心，云计算中心以此作为输入进行算法求解并返回结果，边缘服务器接收到结果后进行解析并返回；
步骤(2)对中间结果进行边缘服务器层面的执行优化，主要关注云边传输时延。边缘服务器靠近用户与终端设备，有着较小的计算时延与数据传输时延。作为边缘服务器输出的中间结果，其数据量的大小直接影响到云边之间的传输时延。故而需要在边缘服务器处对中间结果数据进行数据压缩以减少云边之间的传输数据量；
步骤(3)对调度算法进行云计算中心层面的执行优化，主要关注算法执行时延。不同规模与准确性要求的调度任务有着不同的计算资源需求与算法执行时长。为了更合理地利用云平台的各类计算资源、体现“按需提供服务”的思想，根据企业用户的不同需求，按需提供多样化服务与计费方式，在满足用户需求的前提下充分利用云平台计算资源并减小计算时间；
步骤(4)对模型参数进行云-边协作层面的执行优化，主要关注调度算法准确性。通过云计算中心与边缘服务器之间的有机协作可以完成任何单一服务器所无法独自完成的计算任务。边缘服务器与云平台相对于彼此来说都是黑盒状态，通过合理设计边云协同训练模式，并通过训练优化调度模型，以获取更高质量的调度结果；
步骤(5)结合步骤(2)、(3)、(4)中分别从中间结果数据、排产算法选择、模型参数训练三个角度出发，对数据传输时延、算法执行时延、算法准确性三个方面制定的执行优化机制进行云边协同模式下的序列依赖流水车间任务调度。
进一步的，在步骤(2)中，所述对中间结果的执行优化方法具体如下：
(2.1)边缘服务器处理模块的任务在本质上就是对物料的多属性信息进行提取，并且将提取出的物料各属性信息转化为物料之间的综合属性差异值costi,j并将其以N×N的矩阵形式输出。但是，随着物料数量N的增加，中间结果的规模也会以平方规模增长，较大的数据量仍会增加云边之间的传输延迟。因此，如何进一步对中间结果的规模进行数据压缩是边缘服务器所需要执行优化的目标。
(2.2)在输入的工业数据中，物料信息X＝(x1 x2 … xn)表示物料集合中包含n块物料，任意物料表示物料中包含k个属性项，而参数向量α＝(α1 α2… αk)分别对应各项属性的参数。则g((i,j),α)表示物料i,j之间的综合属性差异(即costi,j)，其表现形式如下所示，其中,/>为物料i,j之间的各项属性差异。其结果为中间结果G中对应物料i,j之间的综合属性差异值。
(2.3)若属性差异无需构造评价函数，则g((i,j),α)可表示为物料i,j之间各项属性原始数据差的加权和，如下公式所示：
对其以物料为分组，并进行多项式拆分、合并后可得到如下公式：
令表示提炼出的物料i的综合属性值，其计算方法如下公式所示：
可将范式接口G的形式转化为一维向量形式：(X1,X2,…,Xn)，至此可实现将N×N的矩阵数据转化为N×1的向量，进一步减少了工业上传数据。将其上传至云排产平台后，只需根据任意Xi,Xj的值就可计算综合属性差异，并将该向量还原为N×N的矩阵数据，如下公式所示。
costi,j＝|Xi-Xj|
(2.4)若属性差异需要构造评价函数，则g((i,j),α)不再表示为物料i,j之间各项属性原始数据差的加权和，而是经过原始数据经过映射之后的函数值加权和，如下公式所示：
此时由于每个属性差异都是将物料i,j两者同时输入，并经过函数映射之后的值。故而无法仅根据某一目标物料的属性与参数求得能够代表该物料的综合属性值Xi，就不能直接将矩阵形式的范式接口G无损地转化为一维向量的形式。此时可通过矩阵分解的方法，将代表所有物料综合属性差异的矩阵G转化为若干低维度的较小矩阵以减少上传数据量：首先将其分解为若干矩阵后，通过保留部分奇异值进行有损压缩，将其上传至云平台后恢复出近似综合属性差异矩阵进行排产算法求解。
进一步的，在步骤(3)中，所述对调度算法的执行优化方法具体如下：
(3.1)云平台的主要任务就是设计合理的调度算法，根据以接收到的中间结果为输入进行算法求解并返回调度结果。在序列依赖的流水车间任务调度问题中，常见的标准建模方法是将接收到的中间结果中的综合属性差异视为城市间路径的长度，从而建模为车辆路径问题进行求解。
(3.2)为了体现云排产平台的个性化服务，根据企业用户的不同需求，按需提供多样化的排产服务与相应的计费方式。可以在云平台制定服务等级协议(Service-LevelAgreement，SLA)。选取现有的成熟求解算法中较为有代表性的求解算法，通过实验测试各算法在不同规模的排产问题下的精确度、运行时间、目标优化程度等指标后，以此为依据制定服务等级协议。服务等级协议形式如下表所示。
表1服务等级协议模板
(3.3)在完成服务等级协议的制定后，需要设计相应的任务调度模块，根据问题规模与中间结果的大小以及用户需求，将调度任务调度到对应的求解模块，以此按需为边缘服务器提供合适的调度算法。根据所选择的调度算法及服务的参数，具体表达式如下所示：f表示具体的序列依赖流水车间调度任务所需结果，H(G,θ)表示云平台求解模块，G表示中间结果，θ用于表示所选择的调度算法与服务。
f＝H(G,θ)
其中θ的组成由三部分因素构成，如下公式所示：函数λ用于根据用户需求选择适合的调度算法，q表示用户希望调度结果的综合质量所能达到的精确度下限，s表示用户希望针对某特定优化指标所能实现的满足程度，t表示用户所能够容忍的调度算法运行时间。
θ＝λ(q,s,t)
进一步的，在步骤(4)中，所述对模型参数的执行优化方法具体如下：
(4.1)云边协同训练的主要任务是通过历史物料信息与生产计划数据经过边云协同的训练模式不断更新调整模型的参数向量α，训练出适用于当前调度任务的模型。训练方法与训练内容如下：
由边缘服务器生成中间结果后，由云平台求解排产任务并返回结果，边缘服务器接收结果并解析后与历史数据进行对比训练。更新参数向量α后，边缘服务器计算所得的中间结果也会随之更新，由此进入下一轮的迭代直到收敛。主要训练的内容为各属性之间的参数向量α，以获得更加符合生产实际要求的调度结果。
(4.2)在整个任务调度周期中，最耗费时间的环节就是云平台的求解模块，故而算法求解耗费的时间成为了参数训练的瓶颈。为了加快训练的速度，可采用分布式的训练方式使用多台边缘服务器同时进行云边协同的权重参数迭代训练。
需要说明的是上述实施例仅仅是本发明的较佳实施例，并没有用来限定本发明的保护范围，在上述技术方案的基础上做出的等同替换或者替代均属于本发明的保护范围。

Claims (3)

1.一种云边协作的序列依赖流水车间任务调度执行优化方法，其特征在于，该方法包括以下步骤：
步骤(1)针对序列依赖的流水车间任务调度问题，建立云边协作的任务调度执行框架，该框架分为边缘处理与云端求解两个模块，两个模块之间通过中间结果进行交互，在边缘服务器处生成中间结果后上传至云计算中心，云计算中心以此作为输入进行算法求解并返回结果，边缘服务器接收到结果后进行解析并返回；
步骤(2)对中间结果进行边缘服务器层面的执行优化，主要关注云边传输时延，边缘服务器靠近用户与终端设备，有计算时延与数据传输时延，作为边缘服务器输出的中间结果，其数据量的大小直接影响到云边之间的传输时延，故而需要在边缘服务器处对中间结果数据进行数据压缩以减少云边之间的传输数据量；
步骤(3)对调度算法进行云计算中心层面的执行优化，关注算法执行时延，不同规模与准确性要求的调度任务有着不同的计算资源需求与算法执行时长，需要根据企业用户的不同需求，按需提供多样化服务与计费方式，在满足用户需求的前提下充分利用云平台计算资源并减小计算时间；
步骤(4)对模型参数进行云边协作层面的执行优化，关注调度算法准确性,通过云计算中心与边缘服务器之间的有机协作完成任何单一服务器所无法独自完成的计算任务，边缘服务器与云平台相对于彼此来说都是黑盒状态，通过合理设计边云协同训练模式，并进行训练来优化调度模型，以获取更高质量的调度结果；
步骤(5)结合步骤(2)、(3)、(4)中分别从中间结果数据、排产算法选择、模型参数训练三个角度出发，对数据传输时延、算法执行时延、算法准确性三个方面制定的执行优化机制进行云边协同模式下的序列依赖流水车间任务调度；
其中，在步骤(2)中，所述对中间结果的执行优化方法具体如下：
(2.1)边缘服务器处理模块的任务在本质上就是对物料的多属性信息进行提取，并且将提取出的物料各属性信息转化为物料之间的综合属性差异值costi,j并将其以N×N的矩阵形式输出，随着物料数量N的增加，中间结果的规模也会以平方规模增长，数据量仍会增加云边之间的传输延迟；
(2.2)在输入的工业数据中，物料信息X＝(x1 x2…xn)表示物料集合中包含n块物料，任意物料表示物料中包含k个属性项，而参数向量α＝(α1 α2 … αk)分别对应各项属性的参数，则g((i，j)，α)表示物料i，j之间的综合属性差异(即costi，j)，其表现形式如下所示，其中，/>为物料i，j之间的各项属性差异，其结果为中间结果G中对应物料i，j之间的综合属性差异值；
(2.3)若属性差异无需构造评价函数，则g((i，j)，α)可表示为物料i，j之间各项属性原始数据差的加权和，如下公式所示：
对其以物料为分组，并进行多项式拆分、合并后可得到如下公式：
令表示提炼出的物料i的综合属性值，其计算方法如下公式所示：
可将范式接口G的形式转化为一维向量形式：(X1，X2，...，Xn)，至此可实现将N×N的矩阵数据转化为N×1的向量，进一步减少了工业上传数据，将其上传至云排产平台后，只需根据任意Xi，Xj的值就可计算综合属性差异，并将该向量还原为N×N的矩阵数据，如下公式所示：
costi，j＝|Xi-Xj|
(2.4)若属性差异需要构造评价函数，则g((i，j)，α)不再表示为物料i，j之间各项属性原始数据差的加权和，而是经过原始数据经过映射之后的函数值加权和，如下公式所示：
2.根据权利要求1所述的一种云边协作的流水车间任务调度执行优化方法，其特征在于，在步骤(3)中，所述对调度算法的执行优化方法具体如下：
(3.1)云平台的主要任务就是设计合理的调度算法，根据以接收到的中间结果为输入进行算法求解并返回调度结果，在序列依赖的流水车间任务调度问题中，常见的标准建模方法是将接收到的中间结果中的综合属性差异视为城市间路径的长度，从而建模为车辆路径问题进行求解；
(3.2)为了体现云排产平台的个性化服务，根据企业用户的不同需求，按需提供多样化的排产服务与相应的计费方式，在云平台制定服务等级协议Service-Level Agreement，SLA；选取现有的求解算法，通过实验测试各算法在不同规模的排产问题下的精确度、运行时间、目标优化程度指标后，以此为依据制定服务等级协议，服务等级协议形式如下所示；
求解模块算法：表示所选择的算法
理论调度结果质量：表示理论调度结果与最佳结果相比的准确度
理论目标优化程度：表示该算法对所选择的优化目标的满足程度
理论运行时间：表示使用该算法求解所需的运行时间；
计费标准：该算法的计费形式与价格；
(3.3)在完成服务等级协议的制定后，需要设计相应的任务调度模块，根据问题规模与中间结果的大小以及用户需求，将调度任务调度到对应的求解模块，以此按需为边缘服务器提供调度算法，根据所选择的调度算法及服务的参数，具体表达式如下所示：f表示具体的序列依赖流水车间调度任务所需结果，H(G，θ)表示云平台求解模块，G表示中间结果，θ用于表示所选择的调度算法与服务；
f＝H(G，θ)
其中θ的组成由三部分因素构成，如下公式所示：函数λ用于根据用户需求选择适合的调度算法，q表示用户希望调度结果的综合质量所能达到的精确度下限，s表示用户希望针对某特定优化指标所能实现的满足程度，t表示用户所能够容忍的调度算法运行时间；
θ＝λ(q，s，t)。
3.根据权利要求1所述的一种云边协作的序列依赖流水车间任务调度执行优化方法，其特征在于，在步骤(4)中，所述对模型参数的执行优化方法具体如下：
(4.1)云边协同训练的主要任务是通过历史物料信息与生产计划数据经过边云协同的训练模式不断更新调整模型的参数向量α，训练出适用于当前调度任务的模型，训练方法与训练内容如下：
由边缘服务器生成中间结果后，由云平台求解排产任务并返回结果，边缘服务器接收结果并解析后与历史数据进行对比训练，更新参数向量α后，边缘服务器计算所得的中间结果也会随之更新，由此进入下一轮的迭代直到收敛，主要训练的内容为各属性之间的参数向量α，以获得更加符合生产实际要求的调度结果；
(4.2)在整个任务调度周期中，最耗费时间的环节就是云平台的求解模块，故而算法求解耗费的时间成为了参数训练的瓶颈，为了加快训练的速度，可采用分布式的训练方式使用多台边缘服务器同时进行云边协同的权重参数迭代训练。
CN202110229581.6A 2021-03-02 2021-03-02 一种云边协作的序列依赖流水车间任务调度执行优化方法 Active CN112860407B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110229581.6A CN112860407B (zh) 2021-03-02 2021-03-02 一种云边协作的序列依赖流水车间任务调度执行优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110229581.6A CN112860407B (zh) 2021-03-02 2021-03-02 一种云边协作的序列依赖流水车间任务调度执行优化方法

Publications (2)

Publication Number Publication Date
CN112860407A CN112860407A (zh) 2021-05-28
CN112860407B true CN112860407B (zh) 2024-06-21

Family

ID=75990934

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110229581.6A Active CN112860407B (zh) 2021-03-02 2021-03-02 一种云边协作的序列依赖流水车间任务调度执行优化方法

Country Status (1)

Country Link
CN (1) CN112860407B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113988627A (zh) * 2021-10-28 2022-01-28 广东工业大学 基于深度强化学习的协同云排产方法及***
CN114385359B (zh) * 2022-01-07 2024-05-14 重庆邮电大学 一种物联网云边端任务时序协同方法
CN114548723A (zh) * 2022-02-15 2022-05-27 南京邮电大学 基于云边协同的实时车货匹配与路径推荐方法及其***
CN114580911B (zh) * 2022-03-04 2023-07-25 重庆大学 现场-工厂混合服务及资源调度方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111585916A (zh) * 2019-12-26 2020-08-25 国网辽宁省电力有限公司电力科学研究院 基于云边协同的lte电力无线专网任务卸载和资源分配方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107395733B (zh) * 2017-07-31 2020-08-04 上海交通大学 地理分布交互服务云资源协同优化方法
CN111611062B (zh) * 2020-05-06 2022-10-25 南京邮电大学 云边协同分层计算方法及云边协同分层计算***
CN111756812B (zh) * 2020-05-29 2021-09-21 华南理工大学 一种能耗感知的边云协同动态卸载调度方法
CN112073461B (zh) * 2020-08-05 2022-08-12 烽火通信科技股份有限公司 一种基于云边协同的工业互联网***
CN112004239B (zh) * 2020-08-11 2023-11-21 中国科学院计算机网络信息中心 一种基于云边协同的计算卸载方法及***

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111585916A (zh) * 2019-12-26 2020-08-25 国网辽宁省电力有限公司电力科学研究院 基于云边协同的lte电力无线专网任务卸载和资源分配方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
一种边缘云协同的任务调度方法研究;孙毓聪;豆龙龙;杨勤胜;许杰雄;;无线互联科技;20191210(第23期);全文 *

Also Published As

Publication number Publication date
CN112860407A (zh) 2021-05-28

Similar Documents

Publication Publication Date Title
CN112860407B (zh) 一种云边协作的序列依赖流水车间任务调度执行优化方法
CN111353656B (zh) 一种基于生产计划的钢铁企业氧气负荷预测方法
CN110348592A (zh) 一种基于人工神经网络的负荷模型预测方法及预测***
US20230384771A1 (en) Method for automatic production line planning based on industrial internet of things, system and storage medium thereof
CN108921358B (zh) 一种电力负荷特征的预测方法、预测***及相关装置
CN108876132B (zh) 基于云的工业企业能效服务推荐方法和***
CN112614011B (zh) 电力配网物资需求预测方法和装置、存储介质及电子设备
CN110489749B (zh) 一种智能办公自动化***的业务流程优化方法
CN111626539B (zh) 一种基于q强化学习的电网运行断面动态生成方法
CN113904380A (zh) 一种考虑需求响应的虚拟电厂可调节资源精准控制方法
CN109583645A (zh) 一种公共楼宇短期负荷预测方法
CN112633762A (zh) 楼宇能效获取方法及设备
Jiang et al. Industrial ultra-short-term load forecasting with data completion
CN116911962A (zh) 一种基于数据模型的选品装置及方法
CN110852808A (zh) 基于深度神经网络的电子产品异步自适应价值评估方法
CN116993029B (zh) 用于智慧厂务的设备能效评估方法及***
CN116722605B (zh) 一种基于物联网的配电网调度优化方法
CN115660293B (zh) 基于数字孪生的复杂机电产品全生命周期综合评价方法
CN112541633A (zh) 一种基于神经网络的超高精度光伏发电功率预测方法及***
CN115577805A (zh) 数据训练的资源动态协同方法和***
CN110826829A (zh) 一种基于大数据的智能计分排产的方法
CN104076686A (zh) 一种氧化铝生产过程动态成本控制方法
Ludwig Data-Driven Methods for Demand-Side Flexibility in Energy Systems
CN114115155B (zh) 一种工业物联网多线程智能生产调度方法及***
Ma et al. Research on power grid infrastructure project intelligent management platform based on digital twin technology

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