多核系统静态任务调度的启发式算法

在任务调度研究领域,列表类调度算法的优化研究始终备受关注,针对经典列表调度算法难以获得理想调度解的缺陷,提出一种迭代型列表调度算法。该算法采用遍历宏块拓扑序列技术,扩大任务图拓扑序列搜索空间以得到更小的任务图调度长度。理论分析表明,对于任意的任务图,该算法得到的调度长度必不大于经典列表调度算法。以4种常见类型和随机类型的任务图样本证实,迭代型列表调度算法能够有效改善调度解,尤其在平均通信计算时间比超过1的情况下,调度性能的平均提升超过14.6%,最大提升达到102.8%。     

基于新型生物地理学优化算法的作业车间调度研究

针对生物地理学优化算法在求解复杂作业车间调度问题时存在的问题,提出了一种改进差分进化生物地理学优化算法.通过将差分进化算法的搜索性与生物地理学优化算法的利用性有效的结合,同时采用精英保留机制保留适应度较高的个体,并且引入惯性权重策略调节变异操作在混合迁移操作中所占的比重以提高算法的全局搜索能力,然后增加了小概率扰动以防止算法随着迭代的进行陷入局部最优解.最后使用不同测试函数和作业车间调度问题进行实验,结果显示改进算法在收敛速度和优化结果方面性能更优。     

求解车间作业问题的混合遗传算法

针对遗传算法(GA)求解车间作业问题JSP(job shop problems)的早熟和收敛速度慢等问题,基于算法混合的思想,将改进的瓶颈移动算法MSB(modify shifting bottleneck)所求得的调度方案加入遗传算法解空间,参与遗传算法迭代运算,形成高性能的混合遗传算法HGA(hybrid gennetic algorithm).由于MSB所获得解的质量较高,依据遗传算法的精英保留策略,可以加快算法的收敛速度.标准实例上进行的仿真实验表明,调度结果的平均质量、最好调度的获取能力和算法稳定性方面,HGA的性能明显优于GA.     

基于改进花授粉算法的永磁同步电机参数辨识

针对传统花授粉算法辨识永磁同步电机参数迭代后期易陷入局部最优导致收敛速度慢和寻优精度低的缺陷,提出了一种基于t-分布扰动和高斯扰动的改进花授粉算法（tGFPA）,以实现永磁同步电机参数的高精度辨识。首先利用混沌Logistic映射对花朵个体位置进行初始化,然后在全局授粉过程中引入t-分布扰动,提高搜索空间的多样性。在局部授粉过程中加入高斯扰动,增强跳出局部最优解的能力。最后,对比仿真结果表明：基于双扰动策略的改进花授粉算法收敛速度更快、辨识精度更高,对于永磁同步电机控制性能改善具有重要意义。     

基于云计算的智能电网调度系统设计研究

基于云计算技术,采用改进遗传算法对智能电网调度系统进行建模与研究。通过搭建云计算平台系统,对基于云计算的智能电网调度系统模型任务调度模型进行搭建。确定各个子任务的适应度函数、选择函数、变异函数以及交叉函数,通过遗传迭代至误差允许范围内,得到数据范围内的最优解。最后,4种电网调度算法对10个工作任务的完成时间进行比较,结果表明,所建立的智能电网调度系统具有良好的工作效率。     

近似粒子群算法在Flow-shop调度中的应用

提出了一种基于近似粒子群算法的车间作业调度问题。根据目标函数建立了算法数学模型,针对该模型,用近似粒子群算法对其进行优化调度。近似粒子群算法是通过交叉、变异和迭代等操作,得到目标的全局较优解。仿真示例说明了近似粒子群算法在求解FlowShop生产调度方面的可行性和有效性。     

水库群供水优化调度的免疫蚁群算法应用研究

针对水库群供水优化调度问题,本文介绍了一种基于免疫进化的蚁群算法。该算法充分利用了免疫进化算法的全局快速收敛性和蚁群算法的正反馈性,同时在蚁群算法中增加扰动策略,克服了蚁群算法在求解过程中出现初期信息素匮乏、易陷入局部最优解的问题,并将其应用在滦河下游六水库联合供水优化调度中。实例计算表明,该算法求解水库群供水优化调度问题时,结果可靠、合理,计算效率高,从而为求解高维,复杂的水库供水优化调度提供了新的思路。     

基于改进型GAGA算法的智能电网有功优化调度研究

针对智能电网有功优化调度问题,在传统格雷码加速遗传(GAGA)算法的基础上引入渔夫捕鱼算法来实现迭代算法的收缩搜索;构建Hadoop云平台实现对智能电网有功优化调度的应用。实例验证表明:改进型GAGA算法通过引入农夫捕鱼算法提高了单次迭代时间成本,减少了总的计算迭代次数,降低了总计算时间,同时保证了算法不会陷入局部最优解;在高复杂度的智能电网有功优化调度方面降低了计算量,提高了算法的计算效率。     

基于特征图像组合与改进ResNet-18的电能质量扰动识别方法

针对传统电能质量扰动(power quality disturbance,PQD)识别体系中单一图像特征信息受限与算法识别能力不足等问题,依据特征融合的思想,提出一种基于特征图像组合与改进ResNet-18的PQD识别方法。首先,对PQD信号进行变分模态分解(variational mode decomposition,VMD)得到一系列固有模态函数(intrinsic mode functions,IMFs)与残差分量;其次,将IMFs、残差分量、原始扰动信号与Subtract分量纵向拼接成分量矩阵,利用信号-图像转化方法生成特征分量彩色图;再次,对原始扰动信号进行连续小波变换(continuous wavelet transform,CWT)生成小波时-频图;最后,将特征分量彩色图与小波时-频图组合输入改进的六通道ResNet-18中训练学习并完成扰动识别。通过仿真对PQD识别方法进行分析并将其与目前常用识别体系进行比较。结果表明,所提方法具有较好的抗噪性能并且能够更好地提取PQD特征信息,达到更高的识别准确率。     

计及监测可信度的扰动源定位粒子群算法

当智能配电网发生电能质量扰动时,由于网络结构、高斯噪声和监测误差等因素常存在扰动方向误判问题,而现有电能质量扰动源定位方法对此定位准确度低。由此提出一种计及监测可信度的扰动源定位粒子群算法。设计了一种监测可信度函数构建方法,来表征扰动方向判定的准确程度,创新性地建立了粒子群可信度优化模型,提出了独创的评价函数,通过粒子群迭代进行全局寻最优解。通过Matlab仿真表明,所提新算法实现了在部分监测数据有误情况下的扰动源自动精确定位,并具有定位准确、收敛性好和容错率高等优点。     

面向边缘计算的人工鱼群搜索任务调度

如何将计算任务分配到合适的边缘计算资源上进行计算,以满足边缘计算环境下用户的计算需求、提高用户任务请求 的服务质量,是边缘计算中面临的关键问题。 本文提出一种基于人工鱼群搜索的边缘计算任务调度方法(AFETSA)。 将人工 鱼群搜索算法和边缘计算任务调度模型相结合,采用非线性递减函数动态地调整人工鱼的视野范围和步长,以提高启发式任务 调度算法的全局搜索能力,降低任务的计算时延;同时与禁忌搜索算法进行融合,通过引入忌禁表,在每一次迭代中防止算法陷 入局部最优,提高算法的寻优能力。 CloudSim3. 0 仿真平台实验评测结表明,本文所提 AFETSA 方法和已有的 AFSA、ACO 和 PSO 这 3 种调度算法相比,在任务执行时间、算法稳定性、负载均衡方面都有明显的提升,可充分利用边缘服务器计算资源,提 升计算任务的计算性能,有效解决边缘计算中任务调度不均导致的时延过高和负载不均衡问题。     

电网实时数据平台的任务调度解决方案

致力于提高电网实时数据平台的性能,针对实时数据平台中实时任务的特点,在分析了常用的实时任务调度策略的优点和局限性的基础上,改进了传统调度算法,提出了一种基于优先级的新的实时调度策略,既考虑了任务的截止期,又兼顾了任务的关键性。然后研究了在多服务节点条件下,根据加权负载率和截止期错失率来实现任务分配的均衡性,从而大大改善了实时数据平台的性能。最后设计并实现了一个任务调度的解决方案,并通过模拟实验对其性能进行了分析,验证了新算法的优越性。     

基于改进蚁群算法的电力云数据中心任务调度策略研究

针对现有云环境下电力数据中心任务调度的高能耗、低效率等问题,在电力云体系结构的基础上,提出了一种基于随机Petri网的云数据中心任务调度模型.通过综合考虑时间约束、负载、能耗约束对蚁群算法进行改进,并通过改进算法对模型进行求解.通过实验对运行时间、能耗、平均等待时间、系统负载等几个方面进行了比较分析,验证了该方法的优越...     

数据中心网络coflow调度机制结构构建及仿真

重新构建得到了一种coflow调度算法-DeepCS，将coflow资源视图看成是需要进行后续处理的图像，根据之前学习策略来达到coflow的最佳调度效果。利用DNN提取特征参数时不必通过人为手动的方法进行设计，通过单独学习过程便可实现，给出深度增强学习系统。训练输入包含了各项网络与任务情景，并以动作概率分布作为输出，EPiSOdE作为单位开展训练过程。仿真结果得到：当coflow到达速率变大后，将会导致所有算法需要更长的coflow完成时间，此时调度算法流时间与的工作压力都会增加，从而形成更长的coflow平均完成时间；在较低的coflow到达速率下，VARYS和DeepCS具有相似的性能，都比PFABRiC的性能更好，并且DeepCS性能提升最快。     

考虑服务配置的细粒度电力任务云边协同优化调度策略

新型电力系统的建设促使电力业务范围向用户侧深入,业务种类及数量不断增加。边设备资源有限,只能配置有限数量的服务,任务的时延能耗需求与设备资源有限的矛盾日益突出。为实现云边资源协同与任务的优化调度,提出了一种考虑服务配置的细粒度电力任务云边协同优化调度策略。通过建立微服务的时延与能耗模型,并对任务调度中的约束条件进行分析,将时延与能耗的优化决策问题转化为带约束的多目标优化问题,采用NSGA-Ⅱ算法求解。然后通过基于模糊逻辑的多准则决策方法为任务选择调度方案。仿真结果表明,所提策略在时延和能耗方面的性能优于其他策略,能够适应不同的任务场景并做出最优决策,提高了任务的完成率。     

A genetic algorithm solution approach to the hydrothermal coordination problem

In this paper, a genetic algorithm solution to the hydrothermal coordination problem is presented. The generation scheduling of the hydro production system is formulated as a mixed-integer, nonlinear optimization problem and solved with an enhanced genetic algorithm featuring a set of problem-specific genetic operators. The thermal subproblem is solved by means of a priority list method, incorporating the majority of thermal unit constraints. The results of the application of the proposed solution approach to the operation scheduling of the Greek Power System, comprising 13 hydroplants and 28 thermal units, demonstrate the effectiveness of the proposed algorithm.     

基于免疫算法的机组组合优化方法

机组组合是改善传统电力系统运行经济性和电力市场出清的重要手段。基于群体进化的智能优化算法存求解过程中存在计算效率低和易于早熟收敛等缺点。提出机组组合的免疫算法，利用免疫算法保持种群多样性的内在机制和免疫记忆特性改进既有的智能优化方法。新算法扩展了约束处理技术，能更好地对可行解空间搜索，采用一种由后向前、由前及后、双向迂回推进的精简程序改善个体可行解的局部最优性，同时利用优先级顺序法产生能较好反映问题先验知识的初始种群。典型算例证实新算法能获得更优的结果，具有更快的收敛速度，且在系统规模扩大时有大致线性的计算复杂性，是一种新的高效的机组组合智能优化算法。     

面向业务优先级的宽带卫星ATDM前向链路资源调度算法

研究了宽带卫星通信系统中异步时分复用(ATDM)前向链路资源受限条件下的资源调度问题。以优先传输实时业务、兼顾用户优先级以及系统吞吐量为优化目标，以调制编码模式、复帧数量和优先级等为约束，建立了资源调度目标函数。提出了以初始解集构造、增强全局搜索为核心的改进蚁群优化算法(ACO),求解该资源调度问题，避免了传统的蚁群优化算法存在初始阶段信息素匮乏导致的搜索速度过慢、局部搜索能力较弱以及易陷入局部最优等缺点，提高了算法在实时性、高效性需求较强的卫星调度过程中的应用。仿真实验表明，所提算法可以准确求得最优解，准确率高达99.8%,其收敛速度较传统算法提高了55.6%,与传统算法相比，所提算法已调度业务的目标函数f、综合权重y、系统吞吐量分别提高了8.4%、6.6%、12.1%,在资源调度方面具有良好的准确性、敛散性和优化性能，且与同类型优化算法相比具有更高的调度效率，适用于ATDM卫星通信系统资源调度。     

Deep Reinforcement Learning Solves Job-shop Scheduling Problems

To solve the sparse reward problem of job-shop scheduling by deep reinforcement learning, a deep reinforcement learning framework considering sparse reward problem is proposed. The job shop scheduling problem is transformed into Markov decision process, and six state features are designed to improve the state feature representation by using two-way scheduling method, including four state features that distinguish the optimal action and two state features that are related to the learning goal. An extended variant of graph isomorphic network GIN++ is used to encode disjunction graphs to improve the performance and generalization ability of the model. Through iterative greedy algorithm, random strategy is generated as the initial strategy, and the action with the maximum information gain is selected to expand it to optimize the exploration ability of Actor-Critic algorithm. Through validation of the trained policy model on multiple public test data sets and comparison with other advanced DRL methods and scheduling rules, the proposed method reduces the minimum average gap by 3.49%, 5.31% and 4.16%, respectively, compared with the priority rule-based method, and 5.34% compared with the learning-based method. 11.97% and 5.02%, effectively improving the accuracy of DRL to solve the approximate solution of JSSP minimum completion time.