多机相关任务调度的优化策略与组织方法

本文提出了在有同一多机相关任务约束下,执行批量任务操作时,调度组织的最佳性概念和实现策略,证明了调度组织的最佳性准则,采用PDL语言提供了最佳调度组织算法,并与多机相关任务的改进性分枝定界调度算法进行比较,证明其最佳性更为完备。     

决策系统属性约简优化算法研究

属性约简是粗糙集理论研究的关键问题,针对求取决策系统所有约简的NP问题,基于差别矩阵提出一种决策系统属性约简优化算法.通过改进差别矩阵得到差别集,在获得核与约简候选信息基础上,以属性频度作为启发式信息,快速有效地求取决策系统的所有约简.分析表明了该算法的可行性与有效性.     

一种面向网格工作流的增强型Petri网建模方法

随着网格技术的迅速发展,网格工作流也逐渐成为了研究的热点.对于传统的工作流而言,Petri-Net与WF-Net以其简单实用的特点而被广泛使用.然而,它们在实际建模的过程中仍存在一些问题,同时也无法满足网格环境下工作流的建模要求.因此,提出一种新的增强型Petri网建模方法.该方法在Petri的基础上,对嵌套、撤回、资源等方面做了严密的定义,弥补了Petri-Net与WF-Net的不足,是一种有效的针对于网格工作流的建模方法.     

半导体制造系统仿真调度中的优化方法

基于仿真的调度方法通常需要进行大量的仿真或者采用好的规则以优化调度结果. 本 文建立了以减小平均在制品为优化目标的半导体制造系统的调度模型, 对模型进行分解和简 化. 把结论作为一个调度规则直接应用于仿真调度方法. 由于充分利用了系统全局的状态信 息, 可以有效地减少仿真的次数, 提高了仿真调度的优化能力.     

自适应动态调整粒子群的云计算任务调度

为了高效地实现云计算任务调度,融合改进的分数阶达尔文粒子群算法和多目标函数构造,提出一种新的云计算任务调度算法。对分数阶达尔文粒子群算法进行全方位改进,基于粒子群适应度动态调整惯性权重系数以自适应搜索最优解;利用粒子自身进化信息定义进化因子,结合进化因子并利用高斯图函数调整分数阶次α系数以实现快速收敛;借助Levy飞行随机扰动对局部最优位置进行位置扰动以提高跳出局部最优的能力;综合最短等待时间、资源负载均衡程度及任务完成所耗费用等三个目标构造任务调度满意度函数,以此搜索任务调度最优解。仿真实验表明,与其他粒子优化算法相比,该算法有较快的收敛速度和较高的寻优精度;在任务调度中,该算法与其他三种调度算法相比,在较低的截止时间未完成率下实现了虚拟资源的均衡负载。     

混合粒子群算法在ETV调度优化中的应用

为了提高机场货运区(Elevating Transfer Vehicle,ETV)转运效率,建立以最小化任务集调度时间为优化目标的调度模型,提出一种混合的粒子群算法对ETV调度问题求解。算法对加速因子采取动态的自适应调整策略;采用混沌序列替代标准粒子群中的随机数;建立平均粒距、适应度方差和汉明距离相结合的早熟判断机制并采用混沌算子扰动微粒的位置来跳出局部最优。通过实例验证和遗传算法、模拟退火等经典的优化算法以及非线性学习因子粒子群、混沌粒子群等改进的粒子群算法相比,该算法在ETV调度最优序列的求解中收敛速度快,全局寻优能力强,稳定性好;和传统的链式调度算法相比,平均调度任务时间减少了15.6%,较好地解决了ETV转运效率低的问题。     

基于时间Petri网模型的缓冲优先调度策略稳定性分析

描述了一种时间Petri网模型和方法,它能对具有缓冲优先调度可重入生产线系统进行稳定性分析.基于系统模型标识的动态变化,以缓冲界限概念作为稳定性分析判据.这种方法可用于具有固定优先次序调度策略的稳定性分析.推导了基本时间Petri网结构的稳定特性以及具有正反馈环系统稳定的充分条件.这些研究结果可以用于多种实际系统的稳定性分析.     

NCA降维和贝叶斯优化调参对分类模型的改进

高校贫困生的贫困程度判定可以归属于构建分类模型对样本数据进行训练。但单个分类模型的精准度要取决于处理样本数据的大小和类型复杂度,在模型速度和准确性之间不易取舍。集成多个分类算法可以避免单个分类算法的过拟合。通过邻域分量分析(Neighborhood Component Analysis, NCA)进行特征降维降低初始分类模型的计算成本,对误判损失引入一个成本函数进行惩罚的同时采用贝叶斯优化进行超参数调优。结果表明,改进后的分类模型泛化能力得到明显提升。计算时间成本降低的同时,误判率由初始的8%下降到5%,模型的准确率提升了近4%。     

含机器人的作业车间双资源智能优化调度

用遗传算法研究了含机器人的作业车间双资源调度优化问题，提出了一种将遗传算法 和分派规则相结合的调度算法，将加工机床和机器人合理地分配给加工任务，使评价指标获 得最优．最后给出了此调度算法的仿真结果，证明该算法是可行的，并获得良好的结果．     

具有o(N2)复杂性的输入缓冲队列加权调度算法

Internet核心路由器多采用输入缓冲交换矩阵,研究输入缓冲队列的调度算法十分重要。加权调度算法具有较高的性能,但由于硬件实现困难,因此很少得到应用。提出了一种简单的加权高度算法L2QF,该算法采用串行轮询的思想,根据虚拟输出队列的长度依次为每个输入端口选择一个输出端口。L2QF算法具有LQF算法的性能,但复杂性仅为o(N^2)。由于L2QF是所有LQF算法中复杂性最低的算法,而且以叠代的方式的执行,因此易于硬件实现。     

总线互连机群系统上的静态任务调度

与大规模并行处理（ＭＰＰ）系统相比,基于总线互连的机群系统是一种较为廉价的并行计算环境,文中提出了一个基于总线互连机群系统上的静态任务调度算法。在该算法具有３个主要特点：（１）由于不同处理机之间的通信都必须通过共享总线,故在调度时将总线与处理机一些看成是资源加以分配;（２）针对总线适合于广播的特点,在调度中考虑了广播,地于某些应用而言可以大大通信次数,（３）在确定任务在某个处理机上的开始执行时间以     

一种面向网络边缘任务调度问题的多方向粒子群优化算法

任务调度是云计算及网格计算环境中的重要问题,已有的调度算法往往仅致力于最小化任务的总执行时间而不设置其他约束条件,以致难以实现多种性能指标的同时优化。所提出的面向网络边缘任务调度问题的多方向粒子群优化算法,用于解决并发任务在网络边缘服务节点中的分布式调度问题,调度的目标是在任务执行的资源开销不超过阈值的情况下,最小化任务完成的总时间。该方法与现有的离散粒子群优化算法相比同时降低了任务的总完成时间及资源开销,且在合理预设资源开销上限的情况下,其计算复杂度实现了较大程度优化。仿真表明,所提出的方法比现有的离散粒子群优化算法的任务总完成时间缩短约10.52%~13.23%,资源开销减少约10.32%~13.29%。同时,在合理降低资源开销阈值的情况下,该方法的程序运行时间比现有的粒子群调度方法明显缩短。     

基于遗传算法的作业车间调度优化

将遗传算法和启发式调度规则相结合，研究了具有柔性加工路径的作业车间的智能优 化调度问题，调度规则的引入使该算法具有较高的搜索效率，遗传算法的引入保证了解的全 局最优性，对照算例，表明该算法在求解性能和效率两方面均具有显著的优势．     

特钢厂炼钢-浇铸流程作业调度优化仿真模型

智能化的作业排产及调度问题是钢铁行业急需解决的难点,传统方法难以适应复杂多变的现场环境。针对这种情况提出一种基于多智能体理论的作业调度优化模型。模型定义针对钢铁行业的4类智能体,并提出智能体之间任务分配机制及上下游作业协调机制。仿真分析表明,所建模型能有效解决实际调度中炼钢和浇铸节奏协调性问题,使生产节奏更加紧密连贯,极大地提高了生产效率。该智能体模型以及任务协调机制框架具有普适性,为钢铁行业作业调度精细化、智能化的发展提供了可行性。     

自适应蚁群优化算法在物流调度中的应用研究

供应链中的物流过程可作为一个调度问题进行研究,物流过程的调度是一个组合优化问题.首先对物流过程进行分析,建立物流调度的数学模型,提出了基于自适应蚁群优化的物件调度算法,实现供应链物流过程中物件的动态分配.最后试验结果表明,使用自适应蚁群优化策略测试不同的订单组合,得到一个优化解决方案,该方案能使尽可能多的定单按时交付,同时也能将订单的延迟减小.     

基于预测复杂性的神经网络预测子辨识

本文在信息熵和互信息的基础上,提出了非线 性偏自相关的定义．这一概念是对线性偏自相关的一般化,由它可以得到度量时间序列预测 复杂性的定量方法．这种复杂性由当前序列值对各阶历史序列值不可约的依赖性所决定,并 被非线性偏自相关的衰减趋势所反映．通过考察这种衰减趋势,可以有效地进行预测模型的 辨识,特别是神经网络这类通用非线性模型的辨识．仿真实验很好的支持了我们的想法．     

LSO改进CGA解决多目标作业车间调度问题

针对传统方法在处理作业车间调度问题时很难将库存容量考虑在内的问题,提出了基于局部搜索算子(LSO)改进交叉遗传算法(CGA)的多目标作业车间调度模型。为了提高所提模型的效率,首先设计一种基于关键路径的交叉遗传算子;然后,设计一种新的局部搜索算子来提高遗传算法的局部搜索能力;最后,基于这两种算子,设计混合遗传算法框架,在考虑调度总完成时间的同时将库存容量作为目标进行优化。所提算法的有效性在FT10、LA01、LA06、LA11、LA21和LA36等基准问题测试中得到验证。仿真结果表明,与较为先进的非劣分层遗传算法(NSGA-II)相比,使用所提算法获得了更好的非支配解,从而更好地解决了多目标作业车间调度问题。     

改进的粒子群算法在多目标车间调度的应用

利用粒子群算法解决车间调度问题,是一种有效的策略。对粒子群算法进行分析,针对多目标的柔性车间调度问题,构建了以加工时间最小化、加工成本最小化和单机器最大负荷最小化的多目标柔性车间调度模型。提出基于交叉变异的变参粒子群算法,以提高其跳出局部最优快速达到全局最优的能力。同时,引入智能小车概念,将运输时间考虑到此调度中。并将该方法用于某离散制造业的柔性车间作业调度中,最后验证了该算法的实用性及高效性。     

基于分层优化的资源受限系统任务拆分调度方法

为挖掘资源受限系统的服务潜力,提出一种考虑任务拆分执行方式的调度方法。分析资源调配中所需遵循的约束条件,并以任务满足率为优化目标建立规划模型。设计问题求解框架,提出多层优化算法结构。其中,改进粒子群算法被应用于决策层问题求解,可通过种群进化实现对问题解空间的快速搜索。将冲突规避策略和任务拆分规则应用于逻辑层,能够根据资源稀缺程度进行任务切割,并根据需求分布挑选低重叠度时段进行分配。在仿真实验中,对该方法进行组合测试,分析结果验证了该方法的有效性。     

基于改进狮群算法的云计算资源调度策略

针对云计算在运算过程中资源利用率低以及节点负载不均衡的问题,提出一种改进狮群优化算法的云计算资源调度策略.针对传统狮群算法易早熟收敛陷入局部最优以及算法收敛精度低的问题,通过余弦扰动因子以及双高斯变异函数对算法进行改进.数值仿真实验结果表明,改进后的狮群优化算法较好地平衡了算法的全局勘探能力和局部开发能力,提高了算法的全局收敛精度.建立云计算资源调度数学模型,并通过改进后的狮群算法对模型进行优化.