本發(fā)明涉及機(jī)器學(xué)習(xí)，具體為基于深度神經(jīng)網(wǎng)絡(luò)的協(xié)調(diào)排程算法。

背景技術(shù)：

1、隨著現(xiàn)代工業(yè)和信息化的發(fā)展，排程問題在眾多領(lǐng)域中變得越來越重要，如生產(chǎn)制造、物流運(yùn)輸、服務(wù)調(diào)度等。排程算法的目標(biāo)是在滿足各種約束條件的前提下，對任務(wù)進(jìn)行合理分配和調(diào)度，以達(dá)到優(yōu)化資源利用、提高效率的目的。

2、傳統(tǒng)的排程算法通?；谝?guī)則或數(shù)學(xué)模型進(jìn)行優(yōu)化，然而這些方法在處理復(fù)雜、動態(tài)的排程問題時存在一定的局限性。例如，規(guī)則方法可能無法適應(yīng)多變的任務(wù)需求和環(huán)境變化，而數(shù)學(xué)模型方法則可能面臨計算復(fù)雜度高、求解時間長等問題。為此，我們提出基于深度神經(jīng)網(wǎng)絡(luò)的協(xié)調(diào)排程算法。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的在于提供基于深度神經(jīng)網(wǎng)絡(luò)的協(xié)調(diào)排程算法，以解決上述背景技術(shù)中提出的問題。

2、為實(shí)現(xiàn)上述目的，本發(fā)明提供如下技術(shù)方案：基于深度神經(jīng)網(wǎng)絡(luò)的協(xié)調(diào)排程算法，所述算法的具體步驟包括：

3、步驟ⅰ、收集并預(yù)處理排程數(shù)據(jù)，對所述數(shù)據(jù)進(jìn)行清洗和標(biāo)準(zhǔn)化處理；

4、步驟ⅱ、構(gòu)建深度神經(jīng)網(wǎng)絡(luò)模型，該模型包括輸入層、多個隱藏層和輸出層，其中輸入層用于接收預(yù)處理后的排程數(shù)據(jù)，隱藏層通過非線性激活函數(shù)對輸入數(shù)據(jù)進(jìn)行逐層變換以提取特征，輸出層用于輸出排程決策；

5、步驟ⅲ、使用歷史排程數(shù)據(jù)作為訓(xùn)練集，通過反向傳播算法調(diào)整神經(jīng)網(wǎng)絡(luò)權(quán)重，并定義損失函數(shù)以衡量模型預(yù)測與實(shí)際排程結(jié)果之間的差距；

6、步驟ⅳ、當(dāng)新的排程任務(wù)到達(dá)時，將任務(wù)數(shù)據(jù)輸入到訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)模型中，根據(jù)模型的輸出構(gòu)建任務(wù)隊(duì)列，進(jìn)行任務(wù)調(diào)度；

7、步驟ⅴ、定期對神經(jīng)網(wǎng)絡(luò)模型進(jìn)行重新訓(xùn)練，并根據(jù)實(shí)際需要對模型結(jié)構(gòu)、激活函數(shù)和訓(xùn)練策略進(jìn)行調(diào)整。

8、優(yōu)選的，設(shè)神經(jīng)網(wǎng)絡(luò)模型的權(quán)重為?，偏置為?，輸入數(shù)據(jù)為?，輸出數(shù)據(jù)為?，隱藏層的輸出為?，非線性激活函數(shù)為?，則隱藏層的輸出公式為：

9、

10、在模型訓(xùn)練過程中，使用反向傳播算法調(diào)整神經(jīng)網(wǎng)絡(luò)權(quán)重，設(shè)學(xué)習(xí)率為?，損失函數(shù)為?，則權(quán)重的更新公式為：

11、

12、

13、其中，損失函數(shù)??用于平衡模型預(yù)測??與實(shí)際排程結(jié)果??之間的差距，采用均方誤差mse作為損失函數(shù)進(jìn)行計算；當(dāng)新的排程任務(wù)到達(dá)時，將任務(wù)數(shù)據(jù)??輸入到訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)模型中，根據(jù)模型的輸出??構(gòu)建任務(wù)隊(duì)列，進(jìn)行任務(wù)調(diào)度。

14、優(yōu)選的，在步驟ⅱ中，構(gòu)建深度神經(jīng)網(wǎng)絡(luò)模型的具體步驟包括；

15、s1：數(shù)據(jù)收集，收集排程相關(guān)的數(shù)據(jù)，對收集的數(shù)據(jù)進(jìn)行預(yù)處理，包括數(shù)據(jù)清洗和標(biāo)準(zhǔn)化，以消除異常值和量綱差異對模型訓(xùn)練的影響，形成規(guī)整的數(shù)據(jù)集；將處理后的數(shù)據(jù)集劃分為訓(xùn)練集、驗(yàn)證集和測試集，其中訓(xùn)練集用于模型的訓(xùn)練，驗(yàn)證集用于模型效果的驗(yàn)證和優(yōu)化，測試集用于在未知數(shù)據(jù)集上驗(yàn)證模型的泛化能力；

16、s2：構(gòu)建深度神經(jīng)網(wǎng)絡(luò)模型，該模型由輸入層、多個隱藏層和輸出層構(gòu)成，其中輸入層設(shè)計為接收預(yù)處理后的排程數(shù)據(jù)，隱藏層通過非線性激活函數(shù)對數(shù)據(jù)進(jìn)行特征提取，輸出層負(fù)責(zé)產(chǎn)生排程決策；

17、s3：利用歷史排程數(shù)據(jù)構(gòu)成訓(xùn)練集，通過反向傳播算法對神經(jīng)網(wǎng)絡(luò)進(jìn)行權(quán)重調(diào)整，同時定義損失函數(shù)，用以量化模型預(yù)測結(jié)果與實(shí)際排程結(jié)果之間的差異；對神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，通過迭代優(yōu)化過程，不斷調(diào)整模型參數(shù)，直至模型預(yù)測結(jié)果與實(shí)際結(jié)果的差異達(dá)到最小化；

18、s4：定期對訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)模型進(jìn)行重新訓(xùn)練，以適應(yīng)新的數(shù)據(jù)和環(huán)境變化，并根據(jù)需要對模型的結(jié)構(gòu)、激活函數(shù)及訓(xùn)練策略進(jìn)行相應(yīng)的調(diào)整。

19、優(yōu)選的，在完成模型訓(xùn)練后，使用獨(dú)立的驗(yàn)證數(shù)據(jù)集對模型進(jìn)行驗(yàn)證，驗(yàn)證數(shù)據(jù)集用于評估模型在未見過的數(shù)據(jù)上的性能，通過比較模型在驗(yàn)證集上的預(yù)測結(jié)果與實(shí)際排程結(jié)果，評估模型的泛化能力和預(yù)測準(zhǔn)確性。

20、優(yōu)選的，在模型訓(xùn)練過程中，對神經(jīng)網(wǎng)絡(luò)的超參數(shù)進(jìn)行調(diào)優(yōu)，所述超參數(shù)包括學(xué)習(xí)率、批次大小和迭代次數(shù)，通過嘗試不同的超參數(shù)組合，找到使模型性能最佳的設(shè)置。

21、優(yōu)選的，對收集的數(shù)據(jù)進(jìn)行數(shù)據(jù)清洗的方式包括：

22、s1.1：缺失值處理，檢查數(shù)據(jù)集中是否存在缺失值，對于存在缺失值的數(shù)據(jù)項(xiàng)，根據(jù)數(shù)據(jù)的業(yè)務(wù)邏輯，采用填充、插值或刪除包含缺失值的數(shù)據(jù)記錄方法進(jìn)行處理；

23、s1.2：異常值檢測與處理，利用業(yè)務(wù)規(guī)則，識別數(shù)據(jù)集中的異常值，對于檢測到的異常值，根據(jù)其產(chǎn)生原因和對后續(xù)分析的影響，采取修正、替換或刪除處理措施；

24、s1.3：重復(fù)值處理，檢查數(shù)據(jù)集中是否存在重復(fù)的記錄或數(shù)據(jù)項(xiàng)，對于重復(fù)的數(shù)據(jù)，根據(jù)數(shù)據(jù)的重要性和業(yè)務(wù)需求，選擇保留首條記錄、合并重復(fù)記錄或刪除重復(fù)數(shù)據(jù)方法進(jìn)行處理；

25、s1.4：數(shù)據(jù)格式統(tǒng)一與轉(zhuǎn)換，對于數(shù)據(jù)集中不同格式或單位的數(shù)據(jù)項(xiàng)，進(jìn)行統(tǒng)一的格式轉(zhuǎn)換和單位換算；

26、s1.5：無關(guān)數(shù)據(jù)剔除，根據(jù)排程問題的實(shí)際需求和數(shù)據(jù)分析目標(biāo)，剔除與排程決策無關(guān)的數(shù)據(jù)項(xiàng)或特征。

27、優(yōu)選的，對清洗后的數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，具體實(shí)現(xiàn)方式為：針對每個特征維度，計算其均值和標(biāo)準(zhǔn)差；使用每個特征維度的均值和標(biāo)準(zhǔn)差，對該維度的數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化變換，將每個數(shù)據(jù)值減去均值，然后除以標(biāo)準(zhǔn)差，獲得標(biāo)準(zhǔn)化后的數(shù)據(jù)。

28、優(yōu)選的，協(xié)調(diào)排程算法中，評估深度神經(jīng)網(wǎng)絡(luò)的性能指標(biāo)包括準(zhǔn)確率和召回率，其中準(zhǔn)確率用于衡量模型正確預(yù)測排程決策的比例，反映模型的整體預(yù)測能力；召回率用于評估模型對于重要排程事件的敏感度，針對某一特定排程決策，衡量模型正確預(yù)測出該決策的比例。

29、與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果是：

30、1，提高排程決策的智能化水平：通過引入深度神經(jīng)網(wǎng)絡(luò)，本算法能夠自動學(xué)習(xí)和識別排程數(shù)據(jù)中的復(fù)雜模式和關(guān)聯(lián)，從而做出更智能、更精準(zhǔn)的排程決策。這大大降低了對人工經(jīng)驗(yàn)和規(guī)則的依賴，提高了排程的自動化和智能化程度。

31、2，優(yōu)化資源利用與效率：本算法通過神經(jīng)網(wǎng)絡(luò)的強(qiáng)大學(xué)習(xí)能力，能夠在滿足各種約束條件的前提下，對任務(wù)進(jìn)行合理分配和調(diào)度，實(shí)現(xiàn)資源的最優(yōu)利用。這不僅可以減少資源浪費(fèi)，還能顯著提高工作效率和生產(chǎn)效益。

32、3，適應(yīng)復(fù)雜多變的排程需求：傳統(tǒng)的排程方法在面對復(fù)雜、動態(tài)的任務(wù)需求時往往顯得力不從心。而本算法通過神經(jīng)網(wǎng)絡(luò)的非線性映射能力，能夠更好地適應(yīng)多變的任務(wù)需求和環(huán)境變化，提供靈活且高效的排程解決方案。

技術(shù)特征：

1.基于深度神經(jīng)網(wǎng)絡(luò)的協(xié)調(diào)排程算法，其特征在于，所述算法的具體步驟包括：

2.根據(jù)權(quán)利要求1所述的基于深度神經(jīng)網(wǎng)絡(luò)的協(xié)調(diào)排程算法，其特征在于，設(shè)神經(jīng)網(wǎng)絡(luò)模型的權(quán)重為?，偏置為?，輸入數(shù)據(jù)為?，輸出數(shù)據(jù)為?，隱藏層的輸出為?，非線性激活函數(shù)為?，則隱藏層的輸出公式為：

3.根據(jù)權(quán)利要求2所述的基于深度神經(jīng)網(wǎng)絡(luò)的協(xié)調(diào)排程算法，其特征在于，在步驟ⅱ中，構(gòu)建深度神經(jīng)網(wǎng)絡(luò)模型的具體步驟包括；

4.根據(jù)權(quán)利要求3所述的基于深度神經(jīng)網(wǎng)絡(luò)的協(xié)調(diào)排程算法，其特征在于：在完成模型訓(xùn)練后，使用獨(dú)立的驗(yàn)證數(shù)據(jù)集對模型進(jìn)行驗(yàn)證，驗(yàn)證數(shù)據(jù)集用于評估模型在未見過的數(shù)據(jù)上的性能，通過比較模型在驗(yàn)證集上的預(yù)測結(jié)果與實(shí)際排程結(jié)果，評估模型的泛化能力和預(yù)測準(zhǔn)確性。

5.根據(jù)權(quán)利要求4所述的基于深度神經(jīng)網(wǎng)絡(luò)的協(xié)調(diào)排程算法，其特征在于：在模型訓(xùn)練過程中，對神經(jīng)網(wǎng)絡(luò)的超參數(shù)進(jìn)行調(diào)優(yōu)，所述超參數(shù)包括學(xué)習(xí)率、批次大小和迭代次數(shù)，通過嘗試不同的超參數(shù)組合，找到使模型性能最佳的設(shè)置。

6.根據(jù)權(quán)利要求5所述的基于深度神經(jīng)網(wǎng)絡(luò)的協(xié)調(diào)排程算法，其特征在于，對收集的數(shù)據(jù)進(jìn)行數(shù)據(jù)清洗的方式包括：

7.根據(jù)權(quán)利要求6所述的基于深度神經(jīng)網(wǎng)絡(luò)的協(xié)調(diào)排程算法，其特征在于，對清洗后的數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，具體實(shí)現(xiàn)方式為：針對每個特征維度，計算其均值和標(biāo)準(zhǔn)差；使用每個特征維度的均值和標(biāo)準(zhǔn)差，對該維度的數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化變換，將每個數(shù)據(jù)值減去均值，然后除以標(biāo)準(zhǔn)差，獲得標(biāo)準(zhǔn)化后的數(shù)據(jù)。

8.根據(jù)權(quán)利要求7所述的基于深度神經(jīng)網(wǎng)絡(luò)的協(xié)調(diào)排程算法，其特征在于：在協(xié)調(diào)排程算法中，評估深度神經(jīng)網(wǎng)絡(luò)的性能指標(biāo)包括準(zhǔn)確率和召回率，其中準(zhǔn)確率用于衡量模型正確預(yù)測排程決策的比例，反映模型的整體預(yù)測能力；召回率用于評估模型對于重要排程事件的敏感度，針對某一特定排程決策，衡量模型正確預(yù)測出該決策的比例。

技術(shù)總結(jié)
本發(fā)明涉及機(jī)器學(xué)習(xí)技術(shù)領(lǐng)域，公開了基于深度神經(jīng)網(wǎng)絡(luò)的協(xié)調(diào)排程算法，該算法通過收集并預(yù)處理排程數(shù)據(jù)，構(gòu)建深度神經(jīng)網(wǎng)絡(luò)模型，利用歷史排程數(shù)據(jù)進(jìn)行訓(xùn)練，優(yōu)化神經(jīng)網(wǎng)絡(luò)權(quán)重。當(dāng)新任務(wù)到達(dá)時，算法將任務(wù)數(shù)據(jù)輸入訓(xùn)練好的模型中，根據(jù)輸出構(gòu)建任務(wù)隊(duì)列進(jìn)行調(diào)度。此外，算法還具備定期重新訓(xùn)練和調(diào)整模型結(jié)構(gòu)、激活函數(shù)及訓(xùn)練策略的能力，以適應(yīng)不斷變化的任務(wù)需求和環(huán)境，本發(fā)明能有效提高排程決策的智能化水平，優(yōu)化資源利用，提升工作效率，同時降低計算復(fù)雜度和求解時間，特別適用于生產(chǎn)制造、物流運(yùn)輸、服務(wù)調(diào)度等領(lǐng)域中的動態(tài)、復(fù)雜排程場景。

技術(shù)研發(fā)人員：包正偉,林國軍
受保護(hù)的技術(shù)使用者：寧波極望信息科技有限公司
技術(shù)研發(fā)日：
技術(shù)公布日：2024/9/9