一种大规模智能集群任务调度优化方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115827189A(43)申请公布日2023.03.21(21)申请号202211426296.4(22)申请日2022.11.15(71)申请人郑州大学地址450000河南省郑州市高新技术开发区科学大道100号(72)发明人徐明亮王华王越寒李亚飞李书攀姜晓恒靳远远(74)专利代理机构北京科家知识产权代理事务所(普通合伙)11427专利代理师杜娇(51)Int.Cl.G06F9/48(2006.01)G06F9/50(2006.01)G06N20/00(2019.01)权利要求书2页说明书4页附图1页(54)发明名称一种大规模智能集群任务调度优化方法(57)摘要本发明公开了一种大规模智能集群任务调度优化方法，它是通过平均场仿真模型建模，再基于混合驱动数字孪生，通过模型之间的数据交换结果实现平均场仿真模型与机器学习模型的集成。使用平均场建模的孪生体构造仿真模型，并通过机器学习与仿真模型对大规模智能集群任务孪生体进行优化。该大规模智能集群任务优化方法，通过基于混合驱动数字孪生，有效的解决了机器学习模型和平均场仿真模型如何以及何时可以结合起来创建数字供应链孪生体的问题，并通过这些平均场孪生体和机器学习模型来提高大规模智能集群任务优化。CN115827189ACN115827189A权利要求书1/2页1.一种大规模智能集群任务调度优化方法，其特征是：它是通过平均场仿真模型建模，再基于混合驱动数字孪生，通过模型之间的数据交换结果实现平均场仿真模型与机器学习模型的集成。2.根据权利要求1所述的一种大规模智能集群任务调度优化方法，其特征是：所述的平均场仿真模型建模，大规模智能集群任务内部对象关联关系问题通过平均场建模将转化为内部对象之间合作博弈最优决策的问题Γ，Γ用如下五元组的结构表示，<N，S，{Ai}，{pi}，{ri}，π>；其中，N表示内部对象数目；S表示状态集合：J×L1×L2×…×L，J表示状态空间集合，Li(i∈[1,N])表示第i个智能个体状态；Ai表示第i个智能个体状态的集合；pi表示第i个智能个体的状态转移概率函数，ri为第i智能个体的回报函数，π为选择策略。3.根据权利要求2所述的一种大规模智能集群任务调度优化方法，其特征是：所述的合作博弈最优决策的问题Γ采用Q学习算法求解，算法公式为：其中a[a1,a2,…,aN]表示联合动作，表示以为当前状态并选择策略π后得到的预期总回报。γ为常数，表示折扣率。4.根据权利要求3所述的一种大规模智能集群任务调度优化方法，其特征是：为了避免群组数量过大而造成的维度爆炸，拟对当前智能个体所在的子任务外所有的个体对当前对象的影响用一个平均量来计算，所述的Q函数优化后的算式为：其中，Z表示第i个智能个体所处组内对象的集合，Ni表示第i个智能个体组外个体集合，Ni＝N(i)表示组外个体总数目。5.根据权利要求4所述的一种大规模智能集群任务调度优化方法，其特征是：在大规模智能集群任务调度优化方面，将平均场的概念应用于任务分配策略学习中，从而降低交互的复杂度和状态空间的复杂性，进一步优化调度策略和调度机制，其学习算法为：其中K(j)是工序j的邻居工序索引集合，Nj＝|K(j)|，利用工序与它临近工序之间的近似交互能降低工序之间交互的复杂度。6.根据权利要求1所述的一种大规模智能集群任务调度优化方法，其特征是：在策略学习阶段，平均场的Q函数用如下递归方式进行更新：多工序匹配调度的强化学习问题转变为依照j邻居工序平均场为工序j寻找匹配的问题，实现单体策略学习向流程的群组策略学习。7.根据权利要求1所述的一种大规模智能集群任务调度优化方法，其特征是：平均场仿真模型与机器学习模型的集成，数据交换是借助文本格式文件来实现，此集成的活动序列分为三个步骤，步骤一在平均场仿真模型中，各个智能体在多种状态下多次仿真生成的结果保存到文本格式文件形成训练集数据库，各智能体初始状态参数构成特征集，最终仿真结果参数构成标签集；步骤二，将训练集数据库作为机器学习模型的输入数据进行训练，通过各种算法及混合算法进行对比决策，生成智能体初始状态设置优化后的最优智能决策结果，并生成输出文件，将智能决策结果文件返回平均场仿真模型中作为模拟实验的输入数2CN115827189A权利要求书2/2页据进行迭代仿真优化；步骤三，对优化后的试验仿真结果进行编译和分析，并重复步骤二将优化后的试验仿真结果加入数据库并返回机器学习模型作为输入数据，对模型进行验证和调整，并重复步骤一、二迭代优化对模型进行测试。3CN115827189A说明书1/4页一种大规模智能集群任务调度优化方法技术领域[0001]本发明属于计算机信息处理领域，涉及机器学习与仿真模型在基于混合驱动数字孪生下的大规模