多vCPU环境中基于容器的科学工作流调度策略

现有科学工作流调度研究较少考虑计算资源的多道程序设计,难以同时实现有效的容器共享并优化任务并行度与资源利用率。为了解决以上难点,文章提出了一种分布式多vCPU环境中基于容器技术的分段式工作流调度策略。该策略通过分段调度方法,降低启发式算法的解空间大小,使用带遗传算子的自适应离散粒子群优化算法(ADPSOGA),在设备使用成本的约束下优化各个工作流的完成时间,并制定一种容器与设备间的动态伸缩方案,实现容器的复用并解决单个设备中任务并行时的资源争用问题。结果表明：ADPSOGA的性能优于其他同类启发式算法,并且分段调度方法与容器伸缩方案在工作流调度方面表现出良好的性能,能很好地适应因任务并行度增加所带来的影响。     

基于离散粒子群优化的MPSoC节能调度算法

为了降低多核片上系统MPSoC在应用中的能耗,在MPSoC上提出了基于优化离散粒子群算法的节能任务调度算法.通过比例选择算子生成初始种群,以任务在MPSoC上不同内核执行的能耗作为解空间,粒子群在整个解空间上搜索最低能耗调度方案,并在算法中优化了粒子群算法的局部早熟问题,使算法性能进一步提升.仿真实验表明:基于优化离散粒子群算法的节能调度算法与常用的3种调度算法相比,能耗得到了降低,且算法的截止期错失率并没有升高,保证了算法的整体性能.     

考虑处理机时间窗口的可分任务调度优化模型

针对异构分布式系统下处理机具有时间窗口约束的可分任务调度问题,通过寻找最优的任务分配方案和最优的处理机调度顺序,可以使得任务的完成时间最短。首先,在已有模型上引入处理机时间窗口的概念,使得所建模型更加贴切实际;然后,建立了一个新的考虑处理机时间窗口可分任务调度的非阻塞优化模型,同时设计了一种基于全局优化的遗传算法来求解模型;最后,为了快速、高效地求解模型,所提算法同时对处理任务量和调度顺序进行编码,利用不同的交叉算子来优化调度顺序和任务分配量,设计了合理的修正算子来修正不满足处理机时间窗口的任务分配方案,并且设计了高效的局部搜索算子来加快算法的收敛速度。仿真实验结果表明,在处理机时间窗口约束下,与已有算法相比,所提算法至少提升了20%以上的性能,从而证明了所提算法的正确性和有效性。     

基于NSGA-Ⅱ 的医疗设备预防性维护与病人调度联合优化

[目的]针对病人进行核磁共振成像预约检查过程中出现的调度与设备维护计划相互影响的问题,提出一种联合优化模型,研究对象是单机系统,多位病人等候进行检查.[方法]考虑到设备失效服从威布尔分布,设备具有堕化效应,引入役龄递减因子、失效率递增因子、维护时间递增因子和维护费用递增因子对设备的劣化过程做了模拟,构建了合适的维护方案.接着考虑到病人就诊过程中设备必须保持足够的可靠度,保证病人就诊检查全过程的安全性,制定了一种提前式预防性维护方案.[结果]以总成本最低、总延误时间最少、总就诊时间最少为 目标,采用NSGA-Ⅱ算法求得Pareto最优解,采用层次分析法使医院的预约系统能够根据实际情况排布出合适的调度方案,有效协调病人就诊调度与设备维护计划.[结论]通过实际算例证明了所提出的联合优化模型的有效性.     

改进蚁群算法的云计算资源调度模型

针对当前云计算系统资源调度算法的资源利用率低、浪费严重等缺陷,提出一种基于改进蚁群算法的云计算资源调度优化模型,以获得更理想的云计算资源调度方案.首先对云计算资源调度的工作原理进行分析,建立云计算资源调度优化目标函数;然后利用蚁群优化算法模拟蚁群找到一条从起点到目的地的路径,即云计算资源调度目标函数的最优解,并结合目标函数对蚁群算法进行相应地改进;最后采用MATLAB2014R编程实现云计算资源调度优化模型.实验结果表明,该模型在短时间内可找到云计算资源调度的最优解,使资源利用率得到了改善.     

基于改进克隆选择算法的含调整时间并行机调度

针对实际工业生产中广泛存在的带调整时间的并行机调度这一类NP难问题,研究并提出了一种改进的克隆选择算法(HSMCSA).为了提高算法的求解效率,特别是对大规模问题的优化性能,提出了一种基于单机排序的均匀插入分割点的编码方法;在此基础中进一步研究了基于单机调度最优解与随机解混合启发式初始化策略,有效提高了初始解性能;最后详细对比和分析了克隆选择算法中4种变异操作的优化性能,实现了基于改进的克隆选择算法的带调整时间的并行机调度问题的优化求解.仿真实验结果表明:所提出的改进克隆选择算法具有更好的优化性能;与遗传算法相比,求解性能提高了18.5%,与基本克隆选择算法相比提高了7.2%.     

基于通用变邻域搜索的多AGV分拣调度优化

为了解决物流仓储分拣中心多台AGV处理大量包裹调度优化困难的问题,在考虑分拣作业时间窗和充电需求的基础上,研究了大规模AGV调度问题。以最小化分拣作业周期为目标,提出了一种通用变邻域搜索(general variable neighborhood search, GVNS)算法,为各台AGV指定转运任务和作业排序,采用遍历插入启发式策略生成满足时间窗约束的初始解,设计了10种邻域算子对初始解迭代寻优,并对比不同规模算例的算法性能,分析AGV充电速率和数量配置对分拣效率的影响。结果表明,GVNS算法具有计算时间和求解性能方面的优势,能在较短时间内求得近似最优解,平均计算时间仅为532.78 s,明显优于混合整数规划模型和约束规划模型;当包裹数为100时,最合适的AGV配置为14辆。因此,GVNS可以有效解决分拣中心考虑充电需求和硬时间窗的大规模多AGV调度问题,提高物流分拣效率,帮助企业找到科学、合理的AGV配置方案。     

用改进的遗传算法求解作业调度问题

作业调度问题JSP(Job Shop Scheduling Problem)是典型的组合优化问题.文中用改进的遗传算法来解决作业调度问题,在遗传算法中设计了一种调整算子,并证明了算法能够收敛到全局最优解;同时提出一种新的求解JSP问题的双目标函数、双种群遗传算子.每个种群侧重一个目标,各从不同侧面深度挖掘问题的信息,用以优化问题的解,两个种群再通过混合交叉得到更好的解,较大地提高了算法的收敛速度.     

改进CPSO算法在电子产品生产调度中的应用

为解决电子制造企业生产计划的调度问题,以总完工时间最小为优化目标,建立生产调度优化模型,采用改进混沌粒子群(CPSO)算法进行求解.该算法中引入一种叠加Logistic扰动的Tent算子,使得算法在迭代过程陷入局部最优时能够进入混沌搜索机制.该算法利用算子良好的均匀分布特性随机更新代表产品加工顺序的粒子位置向量,保证种群的多样性,减少出现早熟现象.利用标准测试算例与某电子制造企业生产调度实例,分别对所提出的改进算法和标准PSO算法进行对比.研究结果表明:改进算法在解的平均值和标准差上优于标准PSO算法,适用于解决实际生产调度问题.     

多目标柔性作业车间调度的多交叉策略元胞进化算法*

针对经典Job-shop调度问题的局限性,构建了以加工成本、瓶颈机器负荷、机器总负荷及制造工期为目标函数的柔性作业车间调度多目标优化模型,提出了基于多交叉策略的元胞多目标遗传算法。在分析优化模型的基础上,使用双层编码方式,并采用多个交叉算子协同进化,提出一种多交叉策略的进化算子。针对元胞多目标遗传算法的特点,提出一种改进的精英策略,保证更多的精英个体参与进化,从而提升算法收敛速度。通过2个基准实例求解对比分析,表明所提方法的有效性。将新算法应用于实际生产企业的车间调度问题中,得到了一组Pareto解集,并采用层次分析法得到一种满意度最大的方案。数据结果表明,该算法在解决多目标FJSP的工程有效性。     

炼钢车间多天车动态调度仿真方案

针对炼钢车间多天车动态调度问题，提出了一种滚动调度策略下的仿真调度方案.模型目标函数考虑了最小化天车调度与工序调度在时间节奏上的偏离度，同时考虑了最小化天车工作量及其差异；约束条件在遵守天车避碰约束的同时，考虑了工位容量约束和重调度各种初始条件对天车调度的约束.模型以基于仿真的启发式方法求解.以某炼钢车间双天车调度为实例进行了仿真实验.实验结果表明，该天车调度方案能够维护工序调度稳定，减少和均匀天车工作量.滚动调度策略下，提出的启发式方法所得解的优化性能最高能达到最优解的96.3%.提出的滚动调度策略下的启发式方法相比于现场采用的实时规则调度方法，调度优化性能提高26.4%.     

基于多目标量子粒子群算法的环境/经济调度

针对传统的粒子群优化算法在求解环境/经济调度中存在控制参数多和局部搜索精度低等问题,提出一种基于多目标量子粒子群优化算法的环境/经济调度问题的求解方法.该算法利用具有量子行为特性的粒子搜索解空间,引入改变作用区间的变异算子增强全局搜索能力,并采用基于粒子多样性的方法更新全局最优的领导粒子.仿真结果表明,该算法是有效的,所求Pareto解集能逼近真实的Pareto解集且具有良好的分布性.     

改进的粒子群算法及其在带软时间窗车辆调度问题中的应用

针对微粒群优化算法容易陷入局部极值的缺陷,提出多相粒子群优化算法(Multi-pha-ses Particle Swarm Optimization,MPSO).建立了带软时间窗车辆调度问题数学模型,并将该方法运用于带软时间窗车辆调度路径优化.根据多相粒子群并行搜索的思想,给出MPSO算法在带软时间窗物流配送车辆调度路径优化的实现流程.仿真结果表明:多相粒子群算法可以快速、有效地求得车辆路径问题的优化解,是一种求解带软时间窗车辆路径问题的较好方案.     

基于改进免疫克隆选择算法的柔性作业车间调度

针对柔性作业车间调度问题,以最小化完工时间为优化目标,提出了1种改进的免疫克隆选择算法。建立了柔性作业车间的调度模型。在初始化种群方面采用多种策略以提高种群的初始质量。构造了自适应变异算子。针对标准免疫算法的缺陷,利用种群分割的思想使其具有多样性,提高全局搜索能力。对6工件10机器的标准测试实例进行仿真,利用遗传算法、模拟退火算法、免疫算法求得的完工时间优化结果分别是47 s、48 s和50 s,利用该文算法求得的完工时间优化结果是45 s,该文算法得到最优解的概率为75%。     

低碳制造环境下车间有限刀具多目标调度研究

为解决低碳制造环境下刀具在机床之间的调度问题,基于任务的机床分配方案,聚焦于车间内刀具的流转和使用过程,建立了综合考虑生产任务的完工时间、加工成本及加工碳排放的多目标刀具调度模型。针对调度过程中刀具资源数量和寿命受限的问题,在NSGA-Ⅱ算法基础上,提出了考虑解个体不可行度的选择算子,并利用不可行阈值的自适应更新方法,维持种群中不可行解在一定的比例,用来提高算法对于优化解的搜索能力。实验验证结果表明,与仅考虑完工时间的模型相比,本模型得到优化方案的加工成本、碳排放分别降低了21.8%、14%。所建立的多目标刀具调度模型能有效地解决低碳制造环境下车间有限刀具的调度问题,计算得到的帕累托最优解集为刀具的优化调度提供了可行的解决方案。     

面向智能生产车间的多AGV系统多目标调度优化

以具有多台自动导引车(AGV)的智能生产车间为对象,以完工时间、AGV数量以及惩罚成本的最小化作为优化目标,构建作业车间多目标调度优化模型.针对多目标调度优化模型的求解需求,提出一种自适应多目标遗传-差分进化算法(AMOGA-DE),采用多段式实数编码的染色体表征调度方案,利用遗传算法获得模型优化解,融合差分进化算法和外部Pareto解集档案构建技术以改进解的质量,引入自适应策略以提高算法的收敛速度,实现多约束条件下AGV系统的多目标调度优化.以一个具有多台AGV的智能制造车间为例进行案例分析,得到调度方案.将AMOGA-DE与NSGA-Ⅱ、SPEA2算法应用于3个不同规模问题,研究结果表明:AMOGA-DE算法具有更快的收敛速度,能得到更好的优化结果,在不同规模的算例上获得了分布均匀且具有较高质量的Pareto解集.     

带有限中间缓冲区的多级并行机问题的求解

为了解决带有限中间缓冲区的多级并行机问题,以最小化最大完工时间为优化目标,设计了一种基于遗传算法和模拟退火算法的混合求解算法.在此算法中,搜索空间被限制在第1工位工件投产序列的置换向量空间内.提出了一种由第1工位工件投产序列向量构造整个调度方案的方法,并采用混合交叉算子和变异算子的策略对选择算子进行了设计.通过与现有的计算结果进行比较,证明了此算法的可行性和优越性.     

一种低时延虚拟网络功能映射及调度优化算法

针对传统虚拟网络功能映射及调度服务时间长、不稳定的问题，提出了一种新的虚拟网络功能映射及调度优化算法。以虚拟网络功能链路传输时延与实例化时延整体最小化为目标，建立虚拟网络功能映射及调度模型，通过设计一种低时延映射及调度算法(GABL),根据虚拟网络功能与虚拟机之间的映射集合，优化虚拟网络功能映射节点的选择问题及调度顺序问题，求解出最短时间的网络功能虚拟化映射及调度方案。GABL算法采用两段式初始化技术，将虚拟网络功能和虚拟机分别进行初始化，提高初始解的质量；利用具有锦标赛策略的人工蜂群算法对问题进行求解，保留优秀基因与种群多样性，避免陷入局部最优；采用局部搜索算法在可行解附近进行寻优，加快求最优解的速度。仿真实验结果表明：GABL算法具有稳定性强、收敛性快等特点，能够有效降低虚拟网络功能映射及调度服务时间；与GATS算法相比，GABL算法的服务完成时间减少了15%。     

基于NSGA-Ⅱ算法的多目标公交调度优化模型

针对传统公交调度方案容易导致运营经济成本和乘客时间成本的不合理分配问题,提出了一种基于NSGA-Ⅱ算法的多目标公交调度优化模型。综合公交车辆运营成本、乘客出行成本及乘车舒适度三个目标函数,建立公交调度优化模型,通过非支配排序遗传算法对模型的pareto最优解进行计算。最后以深圳市某路公交为实例,通过采集线路参数,计算得到该线路最优发车间隔。验证了NSGA-Ⅱ优化算法在公交调度中的有效性,对公交运营与线路改善有一定的借鉴意义。     

结合算子选择的卷积神经网络显存优化算法

针对卷积神经网络训练中自动算子选择算法在较大的显存压力下性能下降的问题,将卸载、重计算与卷积算子选择统一建模,提出一种智能算子选择算法。该算法权衡卸载和重计算引入的时间开销与更快的卷积算子节省的时间,寻找卸载、重计算和卷积算子选择的调度,解决了自动算子选择算法性能下降的问题.实验结果表明,该智能算子选择算法比重计算-自动算子选择算法缩短了13.53%训练时间,比已有的卸载/重计算-自动算子选择算法缩短了4.36%的训练时间.