Job-Shop调度问题的仿真研究

Job-Shop是离散事件系统中典型的调度问题，通过计算机仿真能够动态地展现Job-Shop车间的状态，分析在不同调度方法下的系统性能，并运用知识和经验去选择合适的调度方法，从而改善调度性能。本文构造了Job-Shop的离散事件仿真模型，设计了基于事件驱动的仿真策略，并讨论了优先调度准则，为解决这一问题提供了一种现实可行的思路与方法。     

基于调度规则和免疫算法的作业车间多目标调度

利用动态在线调度方法对动态环境下的作业车间进行研究,采用优先级调度规则对大量调度案例进行求解,针对7个调度目标,从备选调度规则集中选出了单个目标下性能最优的调度规则;为实现调度规则的动态选择以适应多目标调度,基于免疫系统中的独特型网络理论,设计了一种免疫调度算法．根据算法,定义了有效的抗体和抗原结构,并通过抗体间亲和力计算、抗体浓度计算、抗体选择等关键步骤,实现对调度规则的动态控制．仿真测试数据表明,所设计的免疫调度算法能根据不同的车间情况,快速选出不同的调度规则满足多个调度目标,有效解决了作业车间多目标调度问题．     

基于神经元动态规划的可重入生产系统调度的仿真框架

提出一个基于神经元动态规划解决可重入生产系统调度问题的仿真框架．根据可重入生产系统的特点建立状态集，并将调度问题表示成相应的马尔可夫决策过程．选择合理的性能指标，采用神经元动态规划产生每一步的调度，并在仿真中优化策略．仿真算例验证了该方法的有效性，三种调度策略的结果比较表明了神经元动态规划方法的优越性．本仿真框架还可拓展至其他类型的生产调度问题．     

流程企业计划调度体系结构研究

以石化企业为背景，在深入分析流程企业计划调度系统结构特征的基础上，结合流程企业计划调度的关键目标，提出了一种基于模型的中心化流程企业计划调度通用结构，突出了计划调度的中心地位．以此为指导，进一步建立并实现了基于知识的智能计划调度总体结构，为流程企业生产系统的运行优化提供了方法论的指导。     

基于UML的适应调度知识系统开发

对复杂制造系统进行有效的适应调度，构建性能优良的知识系统是基础和核心。采用统一建模语言对适应调度知识系统的分析、设计和实现进行描述，建立了反映知识系统静态结构和动态行为的各种视图，使用对象约束语言对在系统设计中出现的类对象进行精确语义约束。使用这种建模技术减小了对领域知识专家的严重依赖，提高了知识系统开发的质量和效率。最后给出了应用实例验证该方法的可行性。     

F1ow—shop调度问题的自适应模拟退火算法

为求得一个强NP-难问题——flow-shop调度问题的最优解或近优解，提出一种自适应模拟退火算法．本算法采用一种基于区段特性的特殊邻域结构、简便的目标函数计算方法和自适应退火策略．通过Flow-shop调度问题的基准测试问题的实验，数值结果证实了该方法的有效性．     

基于动态调度的网络控制系统设计方法

针对网络控制系统中存在多回路共享网络资源的问题,本文提出一种基于反馈和预测机理的动态调度策略,根据当前的网络状态在线调整控制系统的采样周期,以适应当前网络中信息流的变化,达到改善网络运行性能的目的．采用动态调度策略的网络控制系统为不确定变采样周期系统,经过等效变换,将系统等效为一类具有参数不确定性的离散系统．基于建立的模型,给出系统的鲁棒控制器参数化设计方法,并通过仿真实例验证了所提方法的有效性．     

多QoS约束网格作业调度问题的多目标演化算法

针对网格计算中的多QoS约束网格作业调度问题,以独立作业为研究对象,将其规约为多目标组合最优化问题．通过深入剖析多目标最优化理论及其演化算法,结合网格作业调度自然特征,提出了一种解决多QoS约束网格作业调度问题的多目标演化算法．该算法求解多个QoS维度效用函数指标的非劣解集,尝试解决多管理域间网格用户、资源管理者等网格实体的多目标协同问题．仿真结果表明,在时间维度、可靠性维度、安全性维度QoS效用值等用户级QoS指标,以及丢弃作业数等系统级指标方面该算法与QoS-Min-min和QoS-Sufferage等同类算法相比具有较好的综合性能．     

基于四维一体的调度系统研究及在选矿厂的应用

结合我国流程工业中选矿生产行业的实际，针对选矿生产过程控制与管理的复杂性，采用在线生产调度及物料、生产成本、设备、产品质量的实时监控管理技术，实现生产与管理信息的有效集成．提出了基于知识库、数据库、模型库和人机协调的四维一体的动态生产调度系统，对数据、模型、知识进行集成，解决了复杂、动态大系统应用的有效性问题．该系统成功地应用于某选矿厂，提高了生产效率。     

棒线材轧制批量调度多目标混合优化

在分析批量调度问题特征的基础上建立了精轧工序轧制批量调度的数学模型,采用混合自适应多目标进化算法进行求解．在该算法中,采用全局搜索与局部优化相结合来加快算法的收敛速度,基因修正与罚函数相结合来解决约束问题,运用免疫共享方法维护种群的多源性,根据评估结果自适应改变遗传操作的概率．应用生产实际数据进行测试,表明该调度方法能获得所需的Pareto优化前沿．     

Utility-based QoS optimisation strategy for multi-criteria scheduling on the grid

The paper presents quality of service (QoS) optimisation strategy for multi-criteria scheduling on the grid, based on a mathematical QoS model and a distributed iterative algorithm. Three QoS criteria are considered, namely payment, deadline and reliability, which are formulated as utility function. The optimisation problem is split into two parts: task optimisation performed on behalf of the user and resource optimisation performed on behalf of the grid. The strategy employs three types of agents: task agents responsible for task optimisation, computation resource and network resource agents responsible for resource optimisation. The agents apply economic models for optimisation purposes. Dynamic programming is used to optimise the total system utility function in terms of an iterative algorithm. The objective of multi-criteria scheduling is to maximise the global utility of the system. This paper proposes an iterative scheduling algorithm that is used to perform QoS optimisation-based multi-criteria scheduling. The proposed QoS optimisation-based multi-criteria scheduling problem solution has been practically examined by simulation experiments.     

基于GRASP算法的多成像卫星协同观测调度

针对摘要多成像卫星协同观测调度问题,具有观测任务的时间窗口、卫星存储及能量等约束,是一个NP难的组合优化问题。建立了多成像卫星协同观测调度模型,采用贪婪随机自适应搜索算法(GRASP)对问题模型进行求解,并且对基本的GRASP算法做出了一定的改进,在其初始解的构造阶段设计了定长受限候选列表和变长受限候选列表两种策略,在邻域搜索阶段结合模拟退火算法来搜索更好的解。仿真实例表明,该算法在解决成像卫星任务调度问题时是有效的。     

面向移动云计算任务调度的改进鸟群算法研究

针对移动云计算环境下的任务调度存在耗时长、设备能耗高的问题,提出了一种基于改进的鸟群算法(improved bird swarm algorithm,IBSA)的任务调度策略。首先,构建了以能耗和时间为主的移动云任务调度模型;其次,提出了自适应感知系数和社会系数,避免了算法陷入局部最优;构建了学习因子优化飞行行为,保证了个体寻优能力;最后,任务调度目标函数作为鸟群个体的适应度函数参与算法的迭代更新。仿真结果表明相比于蚁群算法、粒子群算法、鲸鱼算法等,改进的鸟群算法在移动云计算任务调度方面具有良好的效果,能够有效地节省时间和降低能耗。     

维修时点预测的动态车间调度问题

针对制造业中生产计划的不确定问题,提出一种维修时点预测与自适应的遗传模拟退火算法相结合的优化调度方法。该方法首先利用差分自回归移动平均模型预测设备未来的故障率,然后借助电气设备的威布尔（Weibull）分布模型逆向求出设备未来故障发生时刻,最后将此作为约束条件,利用自适应的遗传模拟退火算法解决传统的生产调度问题。结合工厂实际情况,主要分析了设备有无维修的随机调度问题,以最小化最大完工时间为目标,获取每一个任务的调度计划以及每一台设备的维修时点,确定出最佳调度方案。实验表明自适应的遗传模拟退火算法的性能较好。在河北某工厂的生产车间中,设备在运行调度方法后三个月的平均故障率比运行前相对降低了3.46%。     

分布式训练异构任务调度算法研究

分布式机器学习中的工作结点在训练过程中经常需要处理异构任务,但任务发布者可能无法根据有效的先验知识确定边缘服务器集群中哪些是处于训练状态的工作结点。针对边缘服务器集群无法同时满足训练性能与服务质量最大化的问题,对异构任务调度算法进行了研究。首先在集群资源约束下分析了分布式训练收敛性能的影响因素;其次建立了最大化训练性能的优化目标;最后转化为多维多选择背包问题进行求解。仿真结果表明,所提异构任务调度算法能够在保证服务质量的同时,最大化分布式训练性能。     

改进灰狼优化算法求解模糊车间调度问题

模糊车间调度问题是复杂调度的经典体现,针对此问题设计优秀的调度方案能提高生产效率。目前对于模糊车间调度问题的研究主要集中在单目标上,因此提出一种改进的灰狼优化算法（improved grey wolf optimization,IGWO）求解以最小化模糊完成时间和最小化模糊机器总负载的双目标模糊柔性作业车间调度问题。该算法首先采用双层编码将IGWO离散化,设计一种基于HV贡献度的策略提高种群多样性;然后使用强化学习方法确定全局和局部的搜索参数,改进两种交叉算子协助个体在不同更新模式下的进化;接着使用两级变邻域和四种替换策略提高局部搜索能力;最后在多个测例上进行多组实验分析验证改进策略的有效性。在多数测例上,IGWO的性能要优于对比算法,具有良好的收敛性和分布性。     

Robust Adaptive Metrics for Deadline Assignment in Distributed Hard Real-Time Systems

Distributed real-time applications usually consist of several component tasks and must be completed by its end-to-end (E-T-E) deadline. As long as the E-T-E deadline of an application is met, the strategy used for dividing it up for component tasks does not affect the application itself. One would therefore like to slice each application E-T-E deadline and assign the slices to component tasks so as to maximize the schedulability of the component tasks, and hence the application. Distribution of the E-T-E deadline over component tasks is a difficult and important problem since there exists a circular dependency between deadline distribution and task assignment. We propose a new deadline-distribution scheme which has two major improvements over the best scheme known to date. It can distribute task deadlines prior to task assignment and relies on new adaptive metrics that yield significantly better performance in the presence of high resource contention. The deadline-distribution problem is formulated for distributed hard real-time systems with relaxed locality constraints, where schedulability analysis must be performed at pre-run-time, and only a subset of the tasks are constrained by pre-assignment to specific processors. Although it is applicable to any scheduling policy, the proposed deadline-distribution scheme is evaluated for a non-preemptive, time-driven scheduling policy. Using extensive simulations, we show that the proposed adaptive metrics deliver much better performance (in terms of success ratio and maximum task lateness) than their non-adaptive counterparts. In particular, the simulation results indicate that, for small systems, the adaptive metrics can improve the success ratio by as much as an order of magnitude. Moreover, the new adaptive metrics are found to exhibit very robust performance over a large variety of application and architecture scenarios.     

树型网格计算环境下的独立任务调度

任务调度是实现高性能网格计算的一个基本问题,然而,设计和实现高效的调度算法是非常具有挑战性的.讨论了在网格资源计算能力和网络通信速度异构的树型计算网格环境下,独立任务的调度问题.与实现最小化任务总的执行时间不同(该问题已被证明是NP难题),为该任务调度问题建立了整数线性规划模型,并从该线性规划模型中得到最优任务分配方案??各计算节点最优任务分配数.然后,基于最优任务分配方案,构造了两种动态的需求驱动的任务分配启发式算法:OPCHATA(optimization-based priority-computation heuristic algorithm for task allocation)和OPBHATA(optimization-basedpriority-bandwidth heuristic algorithm for task allocation).实验结果表明:在异构的树型计算网格环境下实现大量独立任务调度时,该算法的性能明显优于其他算法.     

基于GSPN和人工免疫算法的并行测试任务调度研究

针对ATS中并行测试任务调度复杂、难以优化的问题,提出了一种广义随机Petri网和人工免疫算法相结合的任务调度优化算法.首先对并行测试系统建立广义随机Petri网(GSPN)模型,然后将激发的变迁序列集作为并行测试任务调度路径;将免疫克隆选择算法(ICSA)应用到并行测试系统任务调度问题中,并提出一种自适应克隆选择算子,搜索最优任务调度路径,得到以测试时间最短为目标的最优任务调度方案.用某型雷达接收机并行测试系统对该算法进行仿真验证,结果表明,与改进的混合遗传算法(IHGA)相比,该算法能够便捷地得到任务调度最优序列,且测试效率更高.     

改进蚁群算法的云计算任务调度方法

针对蚁群算法在云计算任务调度问题求解过程存在的不足,以找到最佳的云计算任务调度方案为目标,提出了一种基于改进蚁群算法的云计算任务调度方法.首先对当前云计算任务调度研究现状进行分析,并对问题进行了具体描述,然后采用蚁群算法对云计算任务调度问题进行求解,并针对标准蚁群算法缺陷进行改进,最后在CloudSim平台对该方法的性能进行测试.结果表明,改进蚁群算法可以找到较好的云计算任务问题调度方案,加快云计算任务完成速度,具有一定的实际应用价值.