CN116109102A - 基于遗传算法的资源调配方法及*** - Google Patents
基于遗传算法的资源调配方法及*** Download PDFInfo
- Publication number
- CN116109102A CN116109102A CN202310158589.7A CN202310158589A CN116109102A CN 116109102 A CN116109102 A CN 116109102A CN 202310158589 A CN202310158589 A CN 202310158589A CN 116109102 A CN116109102 A CN 116109102A
- Authority
- CN
- China
- Prior art keywords
- resource
- resource allocation
- resources
- genetic algorithm
- tag
- 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.)
- Pending
Links
Images
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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06313—Resource planning in a project environment
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Biology (AREA)
- Economics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Entrepreneurship & Innovation (AREA)
- Strategic Management (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Physics & Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- Artificial Intelligence (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Biodiversity & Conservation Biology (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- General Business, Economics & Management (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于遗传算法的资源调配方法及***,包括:获取资源信息和资源调配计划,对每种资源建立资源调配计划为染色体的种群,根据资源信息构建染色体的适应度函数,通过任务使用时间和任务所需资源数量的约束不断迭代遗传进化,最终得到适应度最优的染色体,即初始资源调配方案;对初始资源调配方案进行冲突检测分析,利用由资源信息构建得到的资源标签库生成资源调配替代方案,以得到最终资源调配方案。本发明能够在满足资源调配计划中对资源使用时间和需求数量要求的情况下,根据资源信息和实际资源数量制定最佳资源调配方案。
Description
技术领域
本发明涉及信息管理***技术领域,尤其涉及一种基于遗传算法的资源调配方法及***。
背景技术
对资源进行合理调配是保证资源得到有效利用的有效手段,也是任务计划正常进行的重要保障。目前在资源调配中主要存在单一资源共享冲突和资源过渡分配问题,仅考虑使用时间或资源数量的约束,以减少所有任务执行的总时间或增大成功执行的任务数量为资源调配的优化目标。大多资源调配方案根据任务的优先级对资源进行调配,保证优先级高的任务获得资源,而优先级低的任务往往被延迟执行。在资源调配中没有考虑多个资源同时调配的情况,也忽视了任务自身的时间约束。
在基于计划的资源调配中,资源主管单位维护资源信息,包括资源种类、存放位置、数量等,同种资源可能存在多个位置,由于资源消耗、补充、维修等原因,资源数量随时间变化;任务主管单位收到多个任务实施计划的资源调配申请,包括资源种类、使用位置、需求数量和使用时间等。任务主管单位可以对资源存储情况和资源调配申请进行简单统计,通过提前采购等形式,保证存放在多个位置的资源在总数上满足任务实施计划的需要。接着需要处理多个资源存放位置到多个资源使用位置的资源调配问题,在保障任务实施计划在指定时间内的资源需求的前提下,考虑各资源存放位置的实际资源数量约束,具体实施时非常复杂。
发明内容
鉴于此,本发明实施例提供了一种基于遗传算法的资源调配方法及***,以消除或改善现有技术中存在的一个或更多个缺陷,解决现有的资源调配中存在的单一资源共享冲突以及资源过渡分配的问题。
一方面,本发明提供了一种基于遗传算法的资源调配方法,其特征在于,所述方法包括以下步骤:
获取资源信息,所述资源信息包括资源种类、资源状态、资源存放位置以及资源数量随时间变化的情况;所述资源状态包括执行中和未执行两种状态;根据所述资源信息为各资源标记资源标签,构建资源标签库;
获取资源调配计划,所述资源调配计划包括执行对应任务所需资源的种类、使用位置、需求数量以及使用时间;
将各资源调配计划编码为染色体,根据所述资源信息构建所述染色体的适应度函数,并随机生成预设数量个个体,构建所述染色体的初代种群;
在一次迭代中,计算所述初代种群中各个体的适应度,并对所述初代种群中各个体进行选择操作、交叉操作和/或变异操作,生成所述染色体的下一代种群;对所述下一代种群进行下一次迭代;
当满足预设终止条件时停止迭代,得到适应度最高的染色体,并进行解码,得到初始资源调配方案;
将所述初始资源调配方案利用遗传算法根据所述资源标签库中对应的资源标签进行冲突检测分析,当资源不冲突时,所述初始资源调配方案为最终资源调配方案;当资源冲突时,结合所述初始资源调配方案根据对应的资源标签的分类查询关联其他资源,生成资源调配替代方案,并作为最终资源调配方案。
在本发明的一些实施例中,将各资源调配计划编码为染色体,还包括:
将各资源调配计划按照预设规则转换为字符串的形式,并构建二维数组表示对应的染色体。
在本发明的一些实施例中,并对所述初代种群中各个体进行选择操作、交叉操作和/或变异操作,生成所述染色体的下一代种群,还包括:
对所述初代种群中各个体进行所述选择操作时,将适应度大于第一预设值的个体进行复制,并添加至所述初始种群中,删除适应度小于第一预设值的个体,当总个体数达到第二预设值时,得到下一代种群;
对所述初代种群中各个体进行所述交叉操作时,随机选取两个个体构成个体对,将两个个体的片段进行交叉换位,产生新的个体对,并添加至所述初始种群中,当总个体数达到第二预设值时,得到下一代种群;
对所述初代种群中各个体进行所述变异操作时,随机地改变所述初代种群中任一个体的任一字符,产生新的个体,当总个体数达到第二预设值时,得到下一代种群。
在本发明的一些实施例中,将所述资源调配方案利用遗传算法根据所述资源标签库中对应的资源标签进行冲突检测分析,还包括:
在制定资源调配方案以及进行冲突检测分析时,不考虑处于执行中状态的资源,仅对处于未执行状态的所述资源配置计划中的资源以及其他未进行配置的资源进行分析和调配。
在本发明的一些实施例中,当生成的最新的种群满足预设条件时停止迭代,所述预设条件是根据所述资源调配计划中的需求数量和使用时间计算得到。
在本发明的一些实施例中,根据所述资源信息为各资源标记资源标签,构建资源标签库,还包括:
建立资源标签库,所述资源标签库包括资源标签标准库和资源标签初始库;
获取所述资源信息,并为各资源标记资源标签;将所述资源标签存入所述资源标签初始库;
当所述资源标签初始库内的资源标签确认无误后,存入所述资源标签标准库,并用于冲突检测分析。
在本发明的一些实施例中,将所述资源标签存入所述资源标签初始库之前,还包括:建立资源标签分类体系,将各资源标签汇总到相应的标签类别。
在本发明的一些实施例中,在预设时间间隔内汇总各资源的存储情况和所述资源调配计划,生成各资源数量以及各资源调配计划的资源总需求量随时间动态变化的结果报告。
本发明还提供一种基于遗传算法的资源调配***,其特征在于,所述***用于执行如上文中任一项所述基于遗传算法的资源调配方法,所述***包括:
源管理模块,用于管理资源信息,所述资源信息包括资源种类、资源状态、资源存放位置以及资源数量随时间变化的情况;
方案管理模块,用于管理资源调配需求,所述资源调配需求包括执行对应任务所需资源的种类、使用位置、需求数量以及使用时间;所述方案管理模块集成遗传算法模块,所述遗传算法模块用于生成初始资源调配方案;
冲突检测模块,用于对所述初始资源调配方案进行冲突检测分析,并生成资源调配替代方案。
本发明还提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上文中任一项所述方法的步骤。
本发明的有益效果至少是:
本发明提供一种基于遗传算法的资源调配方法及***,通过获取资源信息和资源调配计划,对每种资源建立资源调配计划为染色体的种群,根据资源信息构建染色体的适应度函数,通过任务使用时间和任务所需资源数量的约束不断迭代遗传进化,最终得到适应度最优的染色体,即初始资源调配方案;对初始资源调配方案进行冲突检测分析,利用由资源信息构建得到的资源标签库生成资源调配替代方案,以得到最终资源调配方案。本发明能够在满足资源调配计划中对资源使用时间和需求数量要求的情况下,根据资源信息和实际资源数量制定最佳资源调配方案。
进一步的,在构建资源标签库之前,还建立了资源标签分类体系,包含了资源的类别、特征、用途等不同角度,将各资源标签汇总到相应的标签类别,便于搜索调用,更便于在资源冲突检测分析中,可以根据资源标签类别来查找同一类别的资源标签及其关联的资源。
本发明的附加优点、目的,以及特征将在下面的描述中将部分地加以阐述,且将对于本领域普通技术人员在研究下文后部分地变得明显,或者可以根据本发明的实践而获知。本发明的目的和其它优点可以通过在说明书以及附图中具体指出的结构实现到并获得。
本领域技术人员将会理解的是,能够用本发明实现的目的和优点不限于以上具体所述,并且根据以下详细说明将更清楚地理解本发明能够实现的上述和其他目的。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,并不构成对本发明的限定。在附图中:
图1为本发明一实施例中基于遗传算法的资源调配方法的步骤示意图。
图2为本发明一实施例中基于遗传算法的资源调配***的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,下面结合实施方式和附图,对本发明做进一步详细说明。在此,本发明的示意性实施方式及其说明用于解释本发明,但并不作为对本发明的限定。
在此,还需要说明的是,为了避免因不必要的细节而模糊了本发明,在附图中仅仅示出了与根据本发明的方案密切相关的结构和/或处理步骤,而省略了与本发明关系不大的其他细节。
应该强调,术语“包括/包含”在本文使用时指特征、要素、步骤或组件的存在,但并不排除一个或更多个其它特征、要素、步骤或组件的存在或附加。
在此,还需要说明的是,如果没有特殊说明,术语“连接”在本文不仅可以指直接连接,也可以表示存在中间物的间接连接。
在下文中,将参考附图描述本发明的实施例。在附图中,相同的附图标记代表相同或类似的部件,或者相同或类似的步骤。
这里还需要强调的是,在下文中提及的各步骤标记并不是对各步骤先后顺序的限定,而应当理解为可以按照实施例中提及的顺序执行步骤,也可以不同于实施例中的顺序,或者若干步骤同时执行。
为了解决现有的资源调配中存在的单一资源共享冲突以及资源过渡分配的问题,本发明提供一种基于遗传算法的资源调配方法,如图1所示,该方法包括以下步骤S101~S106:
步骤S101:获取资源信息,其中,资源信息包括资源种类、资源状态、资源存放位置以及资源数量随时间变化的情况;资源状态包括执行中和未执行两种状态;根据资源信息为各资源标记资源标签,构建资源标签库。
步骤S102:获取资源调配计划,其中,资源调配计划包括执行对应任务所需资源的种类、使用位置、需求数量以及使用时间。
步骤S103:将各资源调配计划编码为染色体,根据资源信息构建所述染色体的适应度函数,并随机生成预设数量个个体,构建染色体的初代种群。
步骤S104:在一次迭代中,计算初代种群中各个体的适应度,并对初代种群中各个体进行选择操作、交叉操作和/或变异操作,生成染色体的下一代种群;对下一代种群进行下一次迭代。
步骤S105:当满足预设终止条件时停止迭代,得到适应度最高的染色体,并进行解码,得到初始资源调配方案。
步骤S106:将初始资源调配方案利用遗传算法根据资源标签库中对应的资源标签进行冲突检测分析,当资源不冲突时,初始资源调配方案为最终资源调配方案;当资源冲突时,结合初始资源调配方案根据对应的资源标签的分类查询关联其他资源,生成资源调配替代方案,并作为最终资源调配方案。
在步骤S101中,首先获取了各资源的信息,包括资源种类、资源状态、资源存放位置以及资源数量随时间变化的情况,其中,资源状态包括执行中和未执行两种状态,当该资源已被制定调配方案的话,会显示执行中的状态,此时不会再对执行中的资源进行调配或其他处理,当资源处于待配置的状态时,会显示未执行的状态,提示***可以对其进行调配,也便于人员能够直观地了解当前资源的状态情况,避免调配处于执行中的资源。同时,资源的数量会由于资源消耗、补充、维修等原因随时间动态变化。
在步骤S102中,获取资源调配计划,明确相应任务的执行时间,所需资源的种类、数量等信息,用于为下文中的染色体构建约束条件,获取最优染色体。
在一些实施例中,采用相应的数据结构存储所需的资源信息与资源调配计划,以便随时查阅、调取。
在步骤S103中,因为遗传算法不能直接处理问题空间的参数,必须通过编码将要求解的问题表示成遗传空间的染色体或者个体。因此,将各资源调配计划按照预设规则转换为字符串的形式,并构建二维数组表示对应的染色体。
同时,将资源调配计划中的使用时间和资源需求数量的要求对染色体进行约束,将使用时间约束条件和资源需求数量约束条件均转化为数量约束,得到相应的约束不等式,最终得到染色体应满足的约束条件。基于该约束条件获取适应度最高的染色体,以得到初始资源调配方案。
根据在步骤S101中得到的资源信息,构建染色体的适应度函数。随机生成预设数量个个体,构建染色体的初代种群,同时初始化迭代次数为0。需要说明的是,初代种群中的个体均是染色体,仅是为了与由资源调配计划编码得到的染色体进行区分,才称作个体,两者在格式上一致。
通过计算种群内各个体的适应度,判断是否有已经达到预设的要求的个体,即,种群内是否已经有个体的适应度达到预设要求,如果没有,则需要进行迭代操作。
在步骤S104中,计算初代种群中各个体的适应度,获取父代染色体。对初代种群中各个体进行选择操作、交叉操作和/或变异操作,生成染色体的下一代种群,同时迭代次数加1。
在一些实施例中,对初代种群中各个体进行选择操作,将适应度大于第一预设值的个体进行复制,并添加至原初始种群中,删除适应度小于第一预设值的个体,当原初始种群中总个体数达到第二预设值时,得到下一代种群。
对初代种群中各个体进行交叉操作,随机选取两个个体构成个体对,将两个个体的片段进行交叉换位,产生新的个体对,并添加至原初始种群中,当原初始种群中总个体数达到第二预设值时,得到下一代种群。
对初代种群中各个体进行变异操作,随机地改变初代种群中任一个体的任一字符,产生新的个体,当原初始种群中总个体数达到第二预设值时,得到下一代种群。
选择操作、交叉操作和变异操作可以同时采用,也可以选择性地组合采用,当原初始群种中的个体数等于第二预设值,就得到染色体的下一代种群。
再次计算生成的下一代种群内各个体的适应度,判断是否有已经达到预设的要求的个体,如果没有,则需要继续进行迭代操作。计算下一代种群中各个体的适应度,获取父代染色体。对下一代种群中各个体进行选择操作、交叉操作和/或变异操作,生成染色体的下下一代种群,同时迭代次数加1,即重复执行步骤S104,直至满足预设终止条件。
在步骤S105中,停止迭代后,输出当前种群中适应度最高的染色体,进行解码,得到该染色体对应的最优的初始资源调配方案。
在一些实施例中,构建基于遗传算法的染色体模型,该模型用于执行步骤S103~S105,即,将资源信息和资源调配计划输入染色体模型,染色体模型就可以输出对应的初始资源调配方案。
考虑到可能存在资源使用冲突的情况,因此不能直接将步骤S105中得到的初始资源调配方案作为最终方案,需进行冲突检测分析。
在步骤S106中,将步骤105中得到的初始资源调配方案利用遗传算法根据所述资源标签库中对应的资源标签进行冲突检测分析。
在进行冲突检测分析,以及在步骤105中制定初始资源调配方案时,均不考虑处于执行中状态的资源,仅对处于未执行状态的资源配置计划中的资源以及其他未进行配置的资源进行分析和调配。
则当资源不冲突时,可以直接将初始资源调配方案为最终资源调配方案;当资源冲突时,结合初始资源调配方案根据对应的资源标签的分类查询关联其他资源,生成资源调配替代方案,并作为最终资源调配方案。
当资源不冲突时,同样可以根据对应的资源标签的分类查询关联其他资源,生成资源调配备选方案。
在一些实施例中,在制定最终资源调配方案时,采用遗传算法以外,还可以根据各资源自身的属性参数及其资源标签进行分析,生成相应的资源调配替代方案。
在一些实施例中,资源标签库包括资源标签标准库和资源标签初始库。
在***初始化时,资源标签标准库和资源标签初始库中都没有数据。每获取资源信息,根据该资源的信息为其标记资源标签,并自动将资源的信息和资源标签存入资源标签初始库。标签可以是人工标记或者是***自动标记,标签是通过采用相关性很强的关键字对资源属性和/或内容进行描述,帮助用户和***分类,以便于检索和调用。同时,标签也有维度和分类。
将资源标签存入资源标签初始库前,需要建立资源标签分类体系,根据资源的类别、特征、用途等不同角度,将资源标签汇总到相应的标签类别后再存入资源标签初始库。
数据管理员对资源标签初始库中的数据进行确认,确认无误的部分,将相应的资源标签添加至资源标准库。
在进行冲突检测分析时,只对资源标准库内的资源标签进行数据分析,不会对资源标签初始库中的数据进行分析。
在资源信息和资源标签标准库建立后,***能够对资源的信息进行管理,包括资源种类、资源存放位置,以及由于资源消耗、退役、维修等原因导致的资源数量随时间变化情况等,同时也能够对资源标签进行维护。
在一些实施例中,在预设时间间隔内汇总各资源的存储情况和资源调配计划,生成各资源数量以及各资源调配计划的资源总需求量随时间动态变化的结果报告,能够将资源的动态变化情况及时展现给相关参与任务执行的人员,使其能够根据任务以及资源实时信息调整相应的任务实施方案。
本发明还提供一种基于遗传算法的资源调配***,该***用于执行如上文所述的基于遗传算法的资源调配方法,包括:
源管理模块,用于管理资源信息,其中,资源信息包括资源种类、资源状态、资源存放位置以及资源数量随时间变化的情况。
方案管理模块,用于管理资源调配需求,其中,资源调配需求包括执行对应任务所需资源的种类、使用位置、需求数量以及使用时间。方案管理模块集成遗传算法模块,遗传算法模块用于生成初始资源调配方案。
冲突检测模块,用于对初始资源调配方案进行冲突检测分析,并生成资源调配替代方案。
与上述方法相应地,本发明还提供了一种设备,该设备包括计算机设备,所述计算机设备包括处理器和存储器,所述存储器中存储有计算机指令,所述处理器用于执行所述存储器中存储的计算机指令,当所述计算机指令被处理器执行时该设备实现如前所述方法的步骤。
本发明实施例还提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时以实现前述边缘计算服务器部署方法的步骤。该计算机可读存储介质可以是有形存储介质,诸如随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、软盘、硬盘、可移动存储盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质。
综上所述,本发明提供一种基于遗传算法的资源调配方法及***,通过获取资源信息和资源调配计划,对每种资源建立资源调配计划为染色体的种群,根据资源信息构建染色体的适应度函数,通过任务使用时间和任务所需资源数量的约束不断迭代遗传进化,最终得到适应度最优的染色体,即初始资源调配方案;对初始资源调配方案进行冲突检测分析,利用由资源信息构建得到的资源标签库生成资源调配替代方案,以得到最终资源调配方案。本发明能够在满足资源调配计划中对资源使用时间和需求数量要求的情况下,根据资源信息和实际资源数量制定最佳资源调配方案。
进一步的,在构建资源标签库之前,还建立了资源标签分类体系,包含了资源的类别、特征、用途等不同角度,将各资源标签汇总到相应的标签类别,便于搜索调用,更便于在资源冲突检测分析中,可以根据资源标签类别来查找同一类别的资源标签及其关联的资源。
本领域普通技术人员应该可以明白,结合本文中所公开的实施方式描述的各示例性的组成部分、***和方法,能够以硬件、软件或者二者的结合来实现。具体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。当以硬件方式实现时,其可以例如是电子电路、专用集成电路(ASIC)、适当的固件、插件、功能卡等等。当以软件方式实现时,本发明的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中,或者通过载波中携带的数据信号在传输介质或者通信链路上传送。
需要明确的是,本发明并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见,这里省略了对已知方法的详细描述。在上述实施例中,描述和示出了若干具体的步骤作为示例。但是,本发明的方法过程并不限于所描述和示出的具体步骤,本领域的技术人员可以在领会本发明的精神后,作出各种改变、修改和添加,或者改变步骤之间的顺序。
本发明中,针对一个实施方式描述和/或例示的特征,可以在一个或更多个其它实施方式中以相同方式或以类似方式使用,和/或与其他实施方式的特征相结合或代替其他实施方式的特征。
以上所述仅为本发明的优选实施例,并不用于限制本发明,对于本领域的技术人员来说,本发明实施例可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于遗传算法的资源调配方法,其特征在于,所述方法包括以下步骤:
获取资源信息,所述资源信息包括资源种类、资源状态、资源存放位置以及资源数量随时间变化的情况;所述资源状态包括执行中和未执行两种状态;根据所述资源信息为各资源标记资源标签,构建资源标签库;
获取资源调配计划,所述资源调配计划包括执行对应任务所需资源的种类、使用位置、需求数量以及使用时间;
将各资源调配计划编码为染色体,根据所述资源信息构建所述染色体的适应度函数,并随机生成预设数量个个体,构建所述染色体的初代种群;
在一次迭代中,计算所述初代种群中各个体的适应度,并对所述初代种群中各个体进行选择操作、交叉操作和/或变异操作,生成所述染色体的下一代种群;对所述下一代种群进行下一次迭代;
当满足预设终止条件时停止迭代,得到适应度最高的染色体,并进行解码,得到初始资源调配方案;
将所述初始资源调配方案利用遗传算法根据所述资源标签库中对应的资源标签进行冲突检测分析,当资源不冲突时,所述初始资源调配方案为最终资源调配方案;当资源冲突时,结合所述初始资源调配方案根据对应的资源标签的分类查询关联其他资源,生成资源调配替代方案,并作为最终资源调配方案。
2.根据权利要求1所述的基于遗传算法的资源调配方法,其特征在于,将各资源调配计划编码为染色体,还包括:
将各资源调配计划按照预设规则转换为字符串的形式,并构建二维数组表示对应的染色体。
3.根据权利要求1所述的基于遗传算法的资源调配方法,其特征在于,并对所述初代种群中各个体进行选择操作、交叉操作和/或变异操作,生成所述染色体的下一代种群,还包括:
对所述初代种群中各个体进行所述选择操作时,将适应度大于第一预设值的个体进行复制,并添加至所述初始种群中,删除适应度小于第一预设值的个体,当总个体数达到第二预设值时,得到下一代种群;
对所述初代种群中各个体进行所述交叉操作时,随机选取两个个体构成个体对,将两个个体的片段进行交叉换位,产生新的个体对,并添加至所述初始种群中,当总个体数达到第二预设值时,得到下一代种群;
对所述初代种群中各个体进行所述变异操作时,随机地改变所述初代种群中任一个体的任一字符,产生新的个体,当总个体数达到第二预设值时,得到下一代种群。
4.根据权利要求1所述的基于遗传算法的资源调配方法,其特征在于,将所述资源调配方案利用遗传算法根据所述资源标签库中对应的资源标签进行冲突检测分析,还包括:
在制定资源调配方案以及进行冲突检测分析时,不考虑处于执行中状态的资源,仅对处于未执行状态的所述资源配置计划中的资源以及其他未进行配置的资源进行分析和调配。
5.根据权利要求1所述的基于遗传算法的资源调配方法,其特征在于,当生成的最新的种群满足预设条件时停止迭代,所述预设条件是根据所述资源调配计划中的需求数量和使用时间计算得到。
6.根据权利要求1所述的基于遗传算法的资源调配方法,其特征在于,根据所述资源信息为各资源标记资源标签,构建资源标签库,还包括:
建立资源标签库,所述资源标签库包括资源标签标准库和资源标签初始库;
获取所述资源信息,并为各资源标记资源标签;将所述资源标签存入所述资源标签初始库;
当所述资源标签初始库内的资源标签确认无误后,存入所述资源标签标准库,并用于冲突检测分析。
7.根据权利要求6所述的基于遗传算法的资源调配方法,其特征在于,将所述资源标签存入所述资源标签初始库之前,还包括:建立资源标签分类体系,将各资源标签汇总到相应的标签类别。
8.根据权利要求1所述的基于遗传算法的资源调配方法,其特征在于,在预设时间间隔内汇总各资源的存储情况和所述资源调配计划,生成各资源数量以及各资源调配计划的资源总需求量随时间动态变化的结果报告。
9.一种基于遗传算法的资源调配***,其特征在于,所述***用于执行如权利要求1至8中任一项所述基于遗传算法的资源调配方法,所述***包括:
源管理模块,用于管理资源信息,所述资源信息包括资源种类、资源状态、资源存放位置以及资源数量随时间变化的情况;
方案管理模块,用于管理资源调配需求,所述资源调配需求包括执行对应任务所需资源的种类、使用位置、需求数量以及使用时间;所述方案管理模块集成遗传算法模块,所述遗传算法模块用于生成初始资源调配方案;
冲突检测模块,用于对所述初始资源调配方案进行冲突检测分析,并生成资源调配替代方案。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1至8中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310158589.7A CN116109102A (zh) | 2023-02-13 | 2023-02-13 | 基于遗传算法的资源调配方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310158589.7A CN116109102A (zh) | 2023-02-13 | 2023-02-13 | 基于遗传算法的资源调配方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116109102A true CN116109102A (zh) | 2023-05-12 |
Family
ID=86263754
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310158589.7A Pending CN116109102A (zh) | 2023-02-13 | 2023-02-13 | 基于遗传算法的资源调配方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116109102A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116596280A (zh) * | 2023-07-17 | 2023-08-15 | 青岛国源中创电气自动化工程有限公司 | 一种污水处理厂水泵组的协同调度方法 |
-
2023
- 2023-02-13 CN CN202310158589.7A patent/CN116109102A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116596280A (zh) * | 2023-07-17 | 2023-08-15 | 青岛国源中创电气自动化工程有限公司 | 一种污水处理厂水泵组的协同调度方法 |
CN116596280B (zh) * | 2023-07-17 | 2023-10-03 | 青岛国源中创电气自动化工程有限公司 | 一种污水处理厂水泵组的协同调度方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109358965B (zh) | 云计算集群资源调度方法、介质、装置和计算设备 | |
EP4198771A1 (en) | Data processing method and apparatus, computer readable medium, and electronic device | |
US20160357877A1 (en) | Colocation and anticolocation in colocation data centers via elastic nets | |
CN112017062B (zh) | 基于客群细分的资源额度分配方法、装置及电子设备 | |
CN116109102A (zh) | 基于遗传算法的资源调配方法及*** | |
Aguilar-Fuster et al. | A novel evaluation function for higher acceptance rates and more profitable metaheuristic-based online virtual network embedding | |
CN110780955B (zh) | 一种用于处理表情消息的方法与设备 | |
US11422858B2 (en) | Linked workload-processor-resource-schedule/processing-system—operating-parameter workload performance system | |
CN111784401A (zh) | 下单率预测方法、装置、设备及可读存储介质 | |
CN113381888B (zh) | 控制方法、装置、设备及存储介质 | |
CN114490062A (zh) | 一种本地磁盘的调度方法、装置、电子设备及存储介质 | |
US20090094174A1 (en) | Method, system and program product for on demand data mining server with dynamic mining models | |
Hu et al. | Dynamic sample budget allocation in model-based optimization | |
US7827132B2 (en) | Peer based event conversion | |
CN110555732B (zh) | 一种营销策略推送方法、装置及营销策略运营平台 | |
CN113010288B (zh) | 云资源的调度方法、装置及计算机存储介质 | |
US10592585B2 (en) | Stochastic network traffic modeling | |
CN112579280B (zh) | 云资源的调度方法、装置及计算机存储介质 | |
CN112950003A (zh) | 用户资源配额调整方法、装置及电子设备 | |
Al-Masri et al. | Enhancing Resource Provisioning Across Edge-based Environments | |
CN116401418B (zh) | 一种数据读写方法、装置、设备及存储介质 | |
Zhang et al. | CE-VNE: Constraint escalation virtual network embedding algorithm assisted by graph convolutional networks | |
US11900047B1 (en) | Systems, methods and software for improving the energy footprint of an electronic document | |
US20240054145A1 (en) | Object Lineage Analysis For Package Transport | |
US20090228315A1 (en) | Project Assessment Using Project Yield Determination |
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 |