一种基于混合智能降维算法的群优化调度方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115907336A(43)申请公布日2023.04.04(21)申请号202211330253.6(22)申请日2022.10.27(71)申请人贵州财经大学地址550025贵州省贵阳市花溪大学城(72)发明人龙文焦建军徐明(74)专利代理机构北京市浩东律师事务所11499专利代理师李雁(51)Int.Cl.G06Q10/0631(2023.01)G06Q50/06(2012.01)G06N3/006(2023.01)权利要求书5页说明书11页附图2页(54)发明名称一种基于混合智能降维算法的群优化调度方法(57)摘要本发明属于调度技术领域，公开了一种基于混合智能降维算法的群优化调度方法，所述基于混合智能降维算法的群优化调度系统包括：调度决策生成模块、初始种群生成模块、极值确定模块、位置更新模块、迭代模块、最优调度模块。本发明通过调度决策生成模块基于预设目标对象调度规程生成实体抽取规则，从而构建模式层；再通过实体抽取规则抽取预设目标对象调度事故实例中的实体来构建数据层，从而根据模式层和数据层生成目标对象调度决策知识图谱。当发生目标对象调度事故时，可以根据知识图谱自动生成针对目标对象调度事故的目标对象调度决策，决策效率快，避免了人工决策的局限性；同时，通过迭代模块可以大大提高迭代效率，从而提高调度效率。CN115907336ACN115907336A权利要求书1/5页1.一种基于混合智能降维算法的群优化调度系统，其特征在于，所述基于混合智能降维算法的群优化调度系统包括：调度决策生成模块、初始种群生成模块、极值确定模块、位置更新模块、迭代模块、最优调度模块；调度决策生成模块，与初始种群生成模块连接，用于生成目标对象调度决策；初始种群生成模块，与调度决策生成模块、极值确定模块连接，用于按参与计算的目标对象的顺序依次串联编码各目标对象在不同时段的特征，得到单个个体编码值，并根据单个个体编码值在预设的可行特征范围内随机生成初始种群，将初始种群作为当前种群；极值确定模块，与初始种群生成模块、位置更新模块连接，用于对于当前种群中的任一个个体，若该个体的适应度值小于其历史最优适应度值，则该个体的个体极值保持不变，否则，用该个体所处的当前位置代替该个体的个体极值，并从当前种群中所有个体的个体极值中挑选出个体极值的最大值作为全局极值，其中，个体极值表示该个体所经历的最好位置，全局极值表示当前种群中所有个体经历的最好位置；位置更新模块，与极值确定模块、迭代模块连接，用于由当前种群的全局极值以及当前种群中各个体的个体极值，更新当前种群中各个体的当前位置；迭代模块，与位置更新模块、最优调度模块连接，用于对当前种群进行迭代；最优调度模块，与迭代模块连接，用于最后一次迭代的当前种群的全局最优个体得到各目标对象在不同时段的最优调度过程。2.一种如权利要求1所述的基于混合智能降维算法的群优化调度方法，其特征在于，所述基于混合智能降维算法的群优化调度方法包括以下步骤：步骤一，通过调度决策生成模块生成目标对象调度决策；步骤二，通过初始种群生成模块按参与计算的目标对象的顺序依次串联编码各目标对象在不同时段的特征，得到单个个体编码值，并根据单个个体编码值在预设的可行特征范围内随机生成初始种群，将初始种群作为当前种群；步骤三，通过极值确定模块对于当前种群中的任一个个体，若该个体的适应度值小于其历史最优适应度值，则该个体的个体极值保持不变，否则，用该个体所处的当前位置代替该个体的个体极值，并从当前种群中所有个体的个体极值中挑选出个体极值的最大值作为全局极值，其中，个体极值表示该个体所经历的最好位置，全局极值表示当前种群中所有个体经历的最好位置；步骤四，通过位置更新模块由当前种群的全局极值以及当前种群中各个体的个体极值，更新当前种群中各个体的当前位置；步骤五，通过迭代模块对当前种群进行迭代；步骤六，通过最优调度模块由最后一次迭代的当前种群的全局最优个体得到各目标对象在不同时段的最优调度过程。3.如权利要求1所述基于混合智能降维算法的群优化调度系统，其特征在于，所述调度决策生成模块生成方法如下：1)根据预设目标对象调度规程，获取多项目标对象调度决策概念；解构所述预设目标对象调度规程，确定所述多项目标对象调度决策概念之间的关系；2)对所述预设目标对象调度规程进行学习，生成实体抽取规则；根据所述多项目标对2CN115907336A权利要求书2/5页象调度决策概念和所述关系构建模式层；3)根据所述实体抽取规则对预设目标对象调度事故实例进行实体学习，抽取所述预设目标对象调度事故实例中的实体，并采用所述实体构建数据层；采用所述模式层和所述数据层构建目标对象调度决策知识图谱；4)当发生目标对象调度事故时，根据所述目标对象调