预览加载中,请您耐心等待几秒...
1/10
2/10
3/10
4/10
5/10
6/10
7/10
8/10
9/10
10/10

亲,该文档总共11页,到这已经超出免费预览范围,如果喜欢就直接下载吧~

如果您无法下载资料,请参考说明:

1、部分资料下载需要金币,请确保您的账户上有足够的金币

2、已购买过的文档,再次下载不重复扣费

3、资料包下载后请先用软件解压,在使用对应软件打开

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115146979A(43)申请公布日2022.10.04(21)申请号202210816950.6(22)申请日2022.07.12(71)申请人上海倍增智能科技有限公司地址201900上海市宝山区泰和路1088号6幢B区189室(72)发明人孙天伟(74)专利代理机构上海宏京知识产权代理事务所(普通合伙)31297专利代理师邓文武(51)Int.Cl.G06Q10/06(2012.01)G06N3/00(2006.01)权利要求书2页说明书6页附图2页(54)发明名称一种基于交叉全局人工蜂群算法的资源调度优化方法(57)摘要本发明提供一种基于交叉全局人工蜂群算法的资源调度优化方法,包括S1:定义蜂群属性和食物源数量;S2:采蜜蜂生成候选食物源;S3:观察蜂采用轮盘赌方式选择食物源并生成候选食物源;S4:若食物源的迭代次数值达到最大,则派侦查蜂寻找食物源并计算其适应值;S5:更新最优食物源信息;S6:判断S5中食物源信息是否满足结束条件,满足结束条件则结束循环,否则返回步骤S4并执行。通过将蜂群属性进行定义,定义为采蜜蜂、观察蜂和侦查蜂的蜂群能够对具体的食物源作出选择和取舍,直至确定最优食物源,在寻求二维空间资源的最优解的问题上进行了算法的优化,便于更快、更合理地确定最优食物源,使解得的最优解具有理想的实际效果。CN115146979ACN115146979A权利要求书1/2页1.一种基于交叉全局人工蜂群算法的资源调度优化方法,其特征在于,所述方法包括如下步骤:S1:定义蜂群属性和食物源数量;S2:采蜜蜂生成候选食物源,并计算其适应值;在候选食物源与原食物源间取舍,若不采用候选食物源则迭代次数设为正,否则更新食物源并将迭代次数设为0;S3:观察蜂采用轮盘赌方式选择食物源并生成候选食物源,计算其适应值,若不采用候选食物源则迭代次数设为正,否则更新食物源并将迭代次数设为0;S4:若食物源的迭代次数值达到最大,则派侦查蜂寻找食物源并计算其适应值,并将迭代次数设为0;S5:更新最优食物源信息;S6:判断S5中食物源信息是否满足结束条件,满足结束条件则结束循环,否则返回步骤S4并执行。2.根据权利要求1所述的基于交叉全局人工蜂群算法的资源调度优化方法,其特征在于,步骤S1中的定义蜂群属性具体为:通过观察其他蜜蜂跳舞分享食物源信息的蜜蜂称为观察蜂;直接前往食物源进行采蜜的蜜蜂称为采蜜蜂;在搜索空间中随机发现食物源的蜜蜂称为侦查蜂。3.根据权利要求1所述的基于交叉全局人工蜂群算法的资源调度优化方法,其特征在于,步骤S1中还包括如下步骤:初始化食物源并计算其适应值,将迭代次数设为0;记录最优食物源信息。4.根据权利要求1所述的基于交叉全局人工蜂群算法的资源调度优化方法,其特征在于,步骤S2中采蜜蜂生成候选食物源,生成公式为VID=XID+W1RID(XID‑XKD)其中,XID为原食物源,VID为候选食物源,XKD+为采蜜蜂随机选择的相邻采蜜蜂对应的食物源,RID为【‑1,1】上随机生成的实数,W1为控制当前食物源和相邻候选食物源差别大小的参数。5.根据权利要求1所述的基于交叉全局人工蜂群算法的资源调度优化方法,其特征在于,步骤S3中,采用轮盘赌方式选择食物源,采蜜蜂对应食物源被选择的概率为:其中,fit(xk)为空间配置公式。6.根据权利要求5所述的基于交叉全局人工蜂群算法的资源调度优化方法,其特征在于,步骤S3中所述空间配置公式为:S(bi丨B,wp)=S(bi丨wp)‑S(bi丨B)其中,S(bi丨wp)为任务相对于二维矩形空间wp=可配置的空间,S(bi丨B)为任务相对于其他已完成配置任务的障碍空间。7.根据权利要求1所述的基于交叉全局人工蜂群算法的资源调度优化方法,其特征在于,步骤S3中观察蜂生成候选食物源,生成公式为VID=XID+W2RID(XID‑XKD)2CN115146979A权利要求书2/2页其中,W2为控制采蜜蜂所提供信息重要性的参数。3CN115146979A说明书1/6页一种基于交叉全局人工蜂群算法的资源调度优化方法技术领域[0001]本发明涉及资源调度领域,特别是涉及一种基于交叉全局人工蜂群算法的资源调度优化方法。背景技术[0002]人工蜂群算法是土耳其学者Karaboga受到蜜蜂采蜜行为和跳舞传递信息行为的启发,在2005年提出来的群体智能算法,并且该算法因具有控制参数较少,实现简单,求解效果好等特性而受到广泛关注,并成功应用于参数优化、神经网络训练、车辆路径问题、最小属性约简等领域。人工蜂群算法的突出优点是在每次迭代中都进行全局和局部搜索,因此,找到最优解的概率大大增加,并在较大程度上避免了局部最优。[0003]在资源受限的项目调度中,满足资源