基于混合遗传算法的资源受限的运输任务调度

在利用串行调度启发式方法解决资源受限的运输任务调度问题（RCTTSP）的基础之上,提出了一种混合遗传算法（HGA）。该算法通过对运输任务执行优先次序进行基因编码,利用串行调度方法获得初始种群,并在遗传个体调度目标值与适应值确定的过程中使用了局部搜索启发式规则,从而充分地结合了遗传算法的全局搜索与启发式方法的局部搜索能力。首先对RCTTSP进行了描述,给出了混合遗传算法的基本原理,然后针对测试案例进行实现,并与单纯使用串行调度方法进行了比较。结果显示,该混合遗传算法能有效地改进调度效果。     

蚁群算法在资源受限项目调度问题中的应用

资源受限的项目调度问题(RCPSP,Resource-ConstrainedProjectSchedulingProblems)已经被证明是一种NP-hard的组合优化问题,随着问题规模的增大,使用经典的数学方法如数学规划等方法,已经很难解决问题。论文提出了一种用于求解资源受限的项目调度问题的蚁群算法。针对资源受限的项目调度问题的具体特点,提出了蚂蚁巡游网络图的动态生成方式,信息素的表示及更新方式,以及启发信息的计算方法。针对PSPLIB中的测试集对算法中的主要参数进行了优化,最后,使用PSPLIB中的四种测试集对算法进行了测试,计算结果表明了算法的有效性。     

模具虚拟企业项目调度遗传算法研究

为解决模具虚拟企业资源受限的多项目调度问题,提出了多项目调度的数学模型。在此基础上采用了一种混合遗传算法的求解方法,该方法分两个阶段进行：先采用优先规则启发式方法产生一组可行解,该过程可视为遗传算法解的初始化;然后对这组可行解采用遗传算法进行优化,以得到次优解或者近似最优解。最后通过实际算例所得结果并与其他方法的比较分析验证了该方法的有效性。     

Near optimal solution for resource-constrained scheduling problems

This paper presents an efficient resource allocation algorithm, and examines its performance against a number of scheduling heuristic rules, aimed at minimizing project durations in a multiple resource-constrained environment. The algorithm has been coded in BASIC and can easily interface with available planning and scheduling software systems. Unlike other heuristic network-based algorithms, resources are allocated simultaneously to sets of activities, rather than to individual activities in a sequential manner. An experiment was conducted to study the performance of the proposed algorithm and compare its results with those generated by four different heuristic scheduling rules, including those found to have the most superior performance such as the widely used least total float rule. Thirty-one network examples adopted from the literature are analysed. The results indicate that the proposed algorithm is superior to the others. The proposed algorithm provides a reasonable trade-off between the best accuracy associated with optimization techniques and the ease of computational effort associated with the simple least total float model. As such, it maximizes the benefits of the two limiting approaches.     

基于秘密共享和压缩感知的通信高效联邦学习

深度学习技术的快速发展给我们带来了极大的便利,但同时也导致大量隐私数据的泄露.联邦学习允许客户端在只共享梯度的情况下联合训练模型,这看似解决了隐私信息泄露问题,但研究表明联邦学习框架中传输的梯度依然会导致隐私信息泄露.并且,联邦学习的高通信代价的特点难以适用于资源受限的环境.为此,提出了2个通信高效且安全的联邦学习算法,算法使用Top-K稀疏及压缩感知等技术以减少梯度传输造成的通信开销,另外利用安全多方计算中的加法秘密共享对重要的梯度测量值加密,以实现在减少通信开销的同时进一步增强其安全性.2个算法的主要区别是客户端与服务器通信时传递的分别为梯度测量值与梯度测量值的量化结果.在MNIST及Fashion-MNIST数据集上的实验表明,与其他算法相比,本文所提的算法在保证通信代价较低的情况下进一步增加了安全性,同时在模型准确性上也有较好的性能.     

蚁群-粒子群算法求解多模式资源受限项目调度问题

通过分析多模式项目调度问题的特点,提出一种主、从递阶结构的蚁群粒子群求解算法。算法中,主级为蚁群算法,完成任务模式选择;从级为粒子群算法,完成主级约束下的任务调度。然后,以工期最小和资源均衡分配为目标设计蚂蚁转移概率、模式优选概率和任务优选概率。最后,针对PSPLIB中的测试集对算法主要参数进行优化,并通过与其他算法比较验证了算法的有效性。     

基于相关机会约束的生产规划

基于互联网技术的应用系统，使企业之间的合作更加紧密，促使了网络化制造、大规模定制的日趋增强。而在这一环节中，如何有效地组织和利用合作伙伴的资源，保证生产任务在规定的时间和在预算的成本内完成，已成为一个关键的问题。本文提出了协作型生产任务规划的策略，即基于相关机会约束的有限资源静态规划策略和有限资源动态规划策略。静态规划考虑资源的约束条件，对协作型生产任务给出较长期的规划；而动态规划则根据协作生产的实际变化，及时调整生产规划，保证生产任务按目标完成。     

普适计算环境中异构设备交互协调性软件架构

普适计算的应用对计算科学的各个方面都提出了新的要求和挑战.其中在系统软件上,由于各种异构设备交互协同的需求对系统软件提出了前所谓有的挑战.旨在嵌入式异构设备系统之上,提出一种符合普适计算环境下设备问相互交互协作要求的软件体系结构,并在此基础之上提出一种普适环境下异构设备协作模型和协作机制,并对该协作机制给出了相应的算法...     

改进遗传算法在MSPSP问题中的验证

为了求解多技能资源受限项目调度问题(MSPSP),本文提出了一种改进遗传算法.首先根据问题的数学模型,确立了基于优先权的实数编码方式,并将目标函数转为适应度函数以供后续适应度的计算;接着将基于群体共享的小生境技术融入到遗传算法的选择过程中,并借助确定式采样选择和子种群的调整进一步提高算法的搜索能力;然后分别在交叉和变异操作中引入基因修复和多重验证机制,增强算法的寻优能力;最后给出了算法的总流程.算法在iMOPSE数据集上的求解效果表明本文的改进遗传算法是一种求解MSPSP问题的有效方法,对相关实际问题的研究具有良好借鉴意义.     

Multi-mode renewable resource-constrained allocation in PERT networks

This paper presents a hybrid metaheuristic algorithm (HMA) for Multi-Mode Resource-Constrained Project Scheduling Problem (MRCPSP) in PERT networks. A PERT-type project, where activities require resources of various types with random duration, is considered. Each activity can be accomplished in one of several execution modes and each execution mode represents an alternative combination of resource requirements of the activity and its duration. The problem is to minimize the regular criterion namely project's makespan by obtaining an optimal schedule and also the amount of different resources assigned to each activity. The resource project scheduling model is strongly NP-hard, therefore a metaheuristic algorithm is suggested namely HMA. In order to validate the performance of new hybrid metaheuristic algorithm, solutions are compared with optimal solutions for small networks. Also the efficiency of the proposed algorithm, for real world problems, in terms of solution quality and CPU time, is compared to one of the well-known metaheuristic algorithms, namely Genetic Algorithm of Hartmann (GAH). The computational results reveal that the proposed method provides appropriate results for small networks and real world problems.