專利名稱：基于多智能體進(jìn)化算法的資源受限項(xiàng)目調(diào)度方法
技術(shù)領(lǐng)域：
本發(fā)明涉及自動(dòng)控制與信息技術(shù)領(lǐng)域的一種方法，具體涉及一種基于多智能體進(jìn)化算法(multiagent evolutionary algorithm, MAEA)的資源受限項(xiàng)目調(diào)度方法。
背景技術(shù)：
資源受限項(xiàng)目調(diào)度問題(resource-constrainedproject scheduling problem,簡稱RCPSP)廣泛地存在于建筑工程、軟件開發(fā)、飛機(jī)及輪船制造等單件或小批量生產(chǎn)方式的企業(yè)中，合理的調(diào)度計(jì)劃是降低成本、提高質(zhì)量、縮短周期的重要保證。RCPSP不僅在實(shí)踐中應(yīng)用廣泛，在理論上，該問題模型豐富，而且多屬于NP-hard問題，求解困難，因此，一直吸引著國內(nèi)外眾多學(xué)者的研究和關(guān)注。典型的資源受限項(xiàng)目調(diào)度問題可描述為在一個(gè)項(xiàng)目中，包含η個(gè)任務(wù)。任務(wù)之間存在著緊前關(guān)系，記B」為任務(wù)j的緊前任務(wù)集，為任務(wù)j的緊后任務(wù)集。整個(gè)項(xiàng)目的結(jié)構(gòu)可由一張節(jié)點(diǎn)式(activity-on-node,A0N)有向網(wǎng)絡(luò)圖G= (V7E)表示,頂點(diǎn)集V中每個(gè)頂點(diǎn)代表項(xiàng)目中每一個(gè)任務(wù)，弧線集E代表任務(wù)間優(yōu)先關(guān)系，即若任務(wù)V和任務(wù)w之間存在一條由V指向W的箭線，則任務(wù)V是任務(wù)W的緊如任務(wù)，任務(wù)W是任務(wù)V的緊后任務(wù)。每個(gè)任務(wù)執(zhí)行持續(xù)時(shí)間記為dp這些任務(wù)的執(zhí)行有兩種約束①優(yōu)先關(guān)系約束，即每個(gè)任務(wù)必須等它的所有緊前任務(wù)完成之后才能執(zhí)行；②資源約束。每個(gè)任務(wù)的執(zhí)行都要消耗時(shí)間和資源，調(diào)度的目的是求出項(xiàng)目中每項(xiàng)任務(wù)的開始時(shí)間和結(jié)束時(shí)間，并且同時(shí)滿足資源約束和優(yōu)先關(guān)系約束，使某些管理目標(biāo)最優(yōu)化，例如最小化項(xiàng)目工期。目前文獻(xiàn)中提出了大量的RCPSP解決方法，大致可分為三類最優(yōu)化算法、啟發(fā)式算法、元啟發(fā)式算法。其中，元啟發(fā)式算法主要包括遺傳算法、模擬退火算法、禁忌搜索算法、粒子群優(yōu)化算法、蟻群優(yōu)化算法等。RCPSP屬于組合優(yōu)化問題，元啟發(fā)式算法是目前被普遍認(rèn)為在性能、可擴(kuò)展性和易于實(shí)現(xiàn)性等方面權(quán)衡后的最佳方法。其中，遺傳算法是最常用的一種元啟發(fā)式算法。更廣義的地說，遺傳算法屬于一種進(jìn)化算法，由于進(jìn)化算法與傳統(tǒng)優(yōu)化方法相比，具有簡單、通用、魯棒性強(qiáng)和便于并行化處理等優(yōu)點(diǎn)，已被廣泛應(yīng)用于數(shù)值優(yōu)化、組合優(yōu)化、分類器設(shè)計(jì)等領(lǐng)域。但實(shí)踐也表明，僅僅使用以遺傳算法為代表的進(jìn)化算法來模仿生物處理事物的智能還是遠(yuǎn)遠(yuǎn)不夠的，還必須更加深層地挖掘與利用生物的智能資源。在遺傳算法中，用于產(chǎn)生子代的個(gè)體是根據(jù)適應(yīng)度從整個(gè)種群中選擇出來的，因此必須預(yù)先確定整個(gè)種群的適應(yīng)度分布。但在自然界中并不存在全局選擇，也無法計(jì)算全局的適應(yīng)度分布。事實(shí)上，自然選擇本身是一種局部現(xiàn)象，它只與個(gè)體所在的局部環(huán)境有關(guān)。也就是說，某一階段，自然進(jìn)化是一個(gè)局部過程，它通過漸漸擴(kuò)散，才使得信息為全局共享。因此，用遺傳算法求解資源受限項(xiàng)目調(diào)度問題不能很好的模仿生物處理事物的智能，另外遺傳算法還有易早熟收斂、收斂速度慢、穩(wěn)定性差等缺點(diǎn)，從而無法得到好的項(xiàng)目進(jìn)度計(jì)劃。

發(fā)明內(nèi)容
本發(fā)明的目的在于針對(duì)上述現(xiàn)有方法的不足， 提出了一種基于多智能體進(jìn)化算法的資源受限項(xiàng)目調(diào)度方法，本方法能解決背景技術(shù)中存在的不足，從而得到在最優(yōu)解比例和偏離最優(yōu)解誤差方面更好的資源調(diào)度。本發(fā)明的技術(shù)方案是這樣實(shí)現(xiàn)的根據(jù)表示項(xiàng)目結(jié)構(gòu)的節(jié)點(diǎn)式有向網(wǎng)絡(luò)圖初始化智能體，所有智能體均生存在一個(gè)網(wǎng)格環(huán)境中，即智能體網(wǎng)格，網(wǎng)格形式見附圖
2，網(wǎng)格的大小為LsizJLsize,網(wǎng)格大小根據(jù)任務(wù)量設(shè)置，例如一個(gè)項(xiàng)目實(shí)例中包含32個(gè)任務(wù)，Lsize設(shè)為6，則網(wǎng)格中有6*6即36個(gè)智能體，每個(gè)智能體固定在網(wǎng)格的一個(gè)格點(diǎn)上，記處于第i行、第j列的智能體為Li, P該智能體
的鄰域?yàn)?br> 權(quán)利要求
1.一種基于多智能體進(jìn)化算法的資源受限項(xiàng)目調(diào)度方法，將多智能體系統(tǒng)與進(jìn)化計(jì)算相結(jié)合，用于求解資源受限項(xiàng)目調(diào)度問題，其特征在于首先根據(jù)兩種算法初始化智能體網(wǎng)格中的每個(gè)智能體，然后用設(shè)計(jì)的鄰域競爭算子、鄰域交叉算子、變異算子和自學(xué)習(xí)算子對(duì)智能體進(jìn)行優(yōu)化，具體步驟如下 (1)參數(shù)設(shè)定p。為鄰域交叉概率，Pffl為變異概率，t為大于或等于O的整數(shù)，表示第t代，Lt表示第t代智能體網(wǎng)格，Lt+1/3和Lt+2/3是Lt和Lt+1間的中間代智能體網(wǎng)格，Bestt是L0, L1,…，Lt中最優(yōu)的智能體，CBestt是Lt中最優(yōu)的智能體，rand指隨機(jī)產(chǎn)生的O到I之間的實(shí)數(shù)，Lijj表示處在智能體網(wǎng)格第i行、第j列的智能體，energy (Lijj)表示智能體Li, j的能量； (2)初始化智能體網(wǎng)格L°，更新Best°，令t= O，網(wǎng)格大小為LsizJLsize，其中Lsize為整數(shù)，設(shè)計(jì)為使網(wǎng)格中智能體個(gè)數(shù)大于或等于項(xiàng)目中任務(wù)個(gè)數(shù)的最小值，每個(gè)智能體用一個(gè)可行的任務(wù)列表表示，即列表中每個(gè)任務(wù)的所有緊前任務(wù)都必須排在這個(gè)任務(wù)的前面，循環(huán)調(diào)用算法I和算法2對(duì)智能體網(wǎng)格中每個(gè)智能體進(jìn)行編碼； (3)對(duì)網(wǎng)格Lt中每個(gè)智能體執(zhí)行鄰域競爭算子，得到Lt+1/3，iT；表示智能體Li,j鄰域中能量最大的智能體，如果energy (U」) >engrgy ，則智能體1^,」繼續(xù)存活在網(wǎng)格上，否則，必須死亡，空出的格點(diǎn)由變異產(chǎn)生一個(gè)新智能體占據(jù)，變異的方法采用插入變異算子，此插入變異算子與一般組合優(yōu)化的插入變異算子有所不同，變異后任務(wù)列表仍須滿足任務(wù)間優(yōu)先關(guān)系； (4)對(duì)Lt+"3中的每個(gè)智能體，若rand< P。，則將鄰域交叉算子作用在其上，得到Lt+2/3，如果智能體Lm滿足交叉條件，則將兩點(diǎn)交叉算子作用在Lm與^上，得到兩個(gè)智能體C1和C2,比較這兩個(gè)智能體的能量，用能量較大的一個(gè)替代Liij ； (5)對(duì)Lt+2/3中的每個(gè)智能體，若rand< P111，則將變異算子作用在其上，得到Lt+1，如果智能體Lm滿足變異條件，則將插入變異算子作用在其上，該變異算子與步驟(3)中變異算子相同； (6)從Lt+1中找出CBestt+1,并將自學(xué)習(xí)算子作用在其上，若智能體Li,j滿足自學(xué)習(xí)條件，由Li, j變異產(chǎn)生智能體Ii1,變異方法與步驟(3)中變異方法相同,若energy Oi1) >energy (Li,」)，則用Ii1替代Li,」且自學(xué)習(xí)算子停止,否則由Ii1繼續(xù)變異產(chǎn)生一個(gè)智能體h2,與Lm比較能量，如果h2的能量比Lm的大，則用h2替代Lm且自學(xué)習(xí)算子停止，否則繼續(xù)由h2變異產(chǎn)生一個(gè)智能體與Lm比較能量，按照這種方式一直變異，一旦得到一個(gè)大于Lm能量的智能體，則用該智能體替代Li, j且自學(xué)習(xí)算子停止，最大變異次數(shù)為20，若還找不到一個(gè)智能體使其能量大于Ly的能量，則自學(xué)習(xí)算子停止，Ly保持不變；(7)如果energy (CBestt+1) > energy (Bestt),則把 CBestt+1 的值賦予 Bestt+1,否則,把Bestt 的值賦予 Bestt+1 和 CBestt+1 ； (8)如果終止條件滿足，即得到RCPSP的最優(yōu)解或者達(dá)到最大進(jìn)化代數(shù)，則解碼計(jì)算最小項(xiàng)目工期輸出，否則，令t的值自加1，并轉(zhuǎn)向步驟(3)。
2.如權(quán)利要求1所述的基于多智能體進(jìn)化算法的資源受限項(xiàng)目調(diào)度方法，其特征在于步驟(2)所述的用算法I對(duì)智能體網(wǎng)格中智能體進(jìn)行編碼的具體步驟如下 2a)把節(jié)點(diǎn)式有向網(wǎng)絡(luò)G中每個(gè)任務(wù)的緊前任務(wù)個(gè)數(shù)rv賦予av，即av := rv，任務(wù)列表s設(shè)為空序列，即s:=[]；2b)判斷任務(wù)列表s是否包含網(wǎng)絡(luò)G中所有的任務(wù)，如果是，則轉(zhuǎn)向步驟2f)，否則轉(zhuǎn)向步驟2c)； 2c)找出任務(wù)集合W，集合中的每個(gè)任務(wù)都不屬于任務(wù)列表s，并且這些任務(wù)目前的緊前任務(wù)個(gè)數(shù)aw = O，即1 = {\^5|8胃=0}； 2d)把任務(wù)集合W中所有任務(wù)按任意順序連續(xù)的賦給任務(wù)列表s ； 2e)對(duì)任務(wù)集合W中每個(gè)任務(wù)的所有緊后任務(wù)的緊前任務(wù)個(gè)數(shù)減I,即VwGW,VvGA.,av = av_l，然后轉(zhuǎn)向 2b)； 2f)算法結(jié)束。
3.如權(quán)利要求1所述的基于多智能體進(jìn)化算法的資源受限項(xiàng)目調(diào)度方法，其特征在于步驟(2)所述的用算法2對(duì)智能體網(wǎng)格中智能體進(jìn)行編碼的具體步驟如下 3a)把節(jié)點(diǎn)式有向網(wǎng)絡(luò)G中每個(gè)任務(wù)的緊前任務(wù)個(gè)數(shù)rv賦予av，即av := rv，任務(wù)列表s設(shè)為空序列，S卩s := □，令i為O ; 3b)判斷i是否等于n，如果是，則轉(zhuǎn)向步驟3g)，否則轉(zhuǎn)向步驟3c)； 3c)找出這樣的任務(wù)集合V，集合中的每個(gè)任務(wù)都不屬于任務(wù)列表S，并且這些任務(wù)目前的緊前任務(wù)個(gè)數(shù)av = 0,即V: = {vgs|av=0}; 3d)把任務(wù)集合V中所有任務(wù)按任意順序入棧； 3e)從棧項(xiàng)出棧一個(gè)任務(wù)w,把i自加I,即1:= i+1,把任務(wù)w賦給任務(wù)列表s,即s[i]=w ； 3f)對(duì)任務(wù)w的所有緊后任務(wù)的緊前任務(wù)個(gè)數(shù)減1，即VvGA.，av:= av-l，然后轉(zhuǎn)向3b)； 3g)算法結(jié)束。
4.如權(quán)利要求1所述的基于多智能體進(jìn)化算法的資源受限項(xiàng)目調(diào)度方法，其特征在于步驟(3)所述的由C變異產(chǎn)生一個(gè)新智能體，采用的變異算子按如下規(guī)則進(jìn)行 在C中隨機(jī)選擇一個(gè)任務(wù)V，把它在任務(wù)列表中位置記為P [v]，將V的緊前任務(wù)集合Bv中任務(wù)的最大下標(biāo)位置記為1，同時(shí)將V的緊后任務(wù)集合Av中任務(wù)的最小下標(biāo)位置記為e，隨機(jī)產(chǎn)生一個(gè)位置k，需滿足k古p [v]且I < k < e，把任務(wù)V插入到位置k，任務(wù)列表其它任務(wù)間順序不變。例如對(duì)任務(wù)列表S= [1，2，3，4，5，6，7，8，9]進(jìn)行變異，隨機(jī)選擇任務(wù)5，若此時(shí) I = 2，e = 8，則它可能的變異結(jié)果為 s' = [1，2，5，3，4，6，7，8，9]，s' = [1,2,3,5,4,6,7,8,9], s/ = [1，2，3，4，6，5，7，8，9]或 s' = [1，2，3，4，6，7，5，8，9]。
5.如權(quán)利要求1所述的基于多智能體進(jìn)化算法的資源受限項(xiàng)目調(diào)度方法，其特征在于步驟⑷所述的對(duì)Lq與YT作用的兩點(diǎn)交叉算子，產(chǎn)生兩個(gè)子代智能體C1和C2，具體步驟如下 5a)隨機(jī)產(chǎn)生兩個(gè)整數(shù)!T1和r2,1 < T1 < r2 < n, n為假設(shè)的任務(wù)列表中任務(wù)的個(gè)數(shù)；5b) i G [I, rj , cji] = Lijj[i]；5c) i G [!^+Lr2] ,Cm = zT [m]，m 是滿足1^ [m] Ucl[I], C1 [2]，…，C1 [i_l]]最小的下標(biāo); 5d) i G [r2+l, n], C1Li] = Li, j[m], m 是滿足L1.j[m]茫[cjl]，C1M , ...,cj1-l]]最小的下標(biāo)； 5e)交換1^,」和17產(chǎn)生另外一個(gè)智能體c2。
全文摘要
本發(fā)明公開一種基于多智能體進(jìn)化算法的資源受限項(xiàng)目調(diào)度方法，屬自動(dòng)控制與信息技術(shù)領(lǐng)域。本發(fā)明將多智能體系統(tǒng)與進(jìn)化計(jì)算相結(jié)合，用于求解資源受限項(xiàng)目調(diào)度問題，其特征在于首先根據(jù)兩種算法初始化智能體網(wǎng)格中的每個(gè)智能體，然后設(shè)計(jì)了鄰域競爭算子、鄰域交叉算子、變異算子、自學(xué)習(xí)算子對(duì)智能體進(jìn)行優(yōu)化，驗(yàn)證結(jié)果表明，本發(fā)明在評(píng)定求解資源受限項(xiàng)目調(diào)度問題方法效用的兩個(gè)方面求解到最優(yōu)解的比例和偏離最優(yōu)解平均誤差，都很有優(yōu)勢，是一種有效的求解資源受限項(xiàng)目調(diào)度問題的方法，還能擴(kuò)展到求解其它帶有優(yōu)先關(guān)系限制的組合優(yōu)化問題。
文檔編號(hào)G06Q10/04GK103020730SQ201210454380
公開日2013年4月3日 申請(qǐng)日期2012年11月1日 優(yōu)先權(quán)日2012年11月1日
發(fā)明者劉靜, 蔡冰琦, 焦李成 申請(qǐng)人:西安電子科技大學(xué)