基于遗传算法的任务调度研究
1
实验成绩
华中师范大学计算机科学系
实 验 报 告 书
实验题目：基于遗传算法的多任务调度研究
课程名称：
智能计算
主讲教师： 沈显君
辅导教师：
课程编号：
班 级： 2011级
实验时间： 2011年11月 姓名 何印标
学号 2011112915
2
基于遗传算法的多任务调度研究
摘要：
本文主要讨论了遗传算法在工程项目中多任务执行优化中的应用，重点对多任务调度 (Resource—constrained project scheduling problem，RCPSP)问题进行了研究。讨论了资源受限的多任务调度问题，提出了改进的遗传算法优化多任务调度问题的方法，主要从优化算法模型的建立，优化算法设计，算法的实现以及结果分析等几个方面进行了详细论述，并与其它启发式方法进行了对比分析。
关键字：效益最优化；遗传算法；多任务
1．简介
任务调度优化在工程项目管理中是非常重要的，它决定了工程项目利润的高低。遗传算法是一种并行的全局搜索的高效求解问题的方法，本质上就是处理离散优化搜索问题的，它不要求问题空间的连续性，不需要梯度信息，其鲁棒性(Robust)已经得到了证实，在处理大型复杂优化问题上己经取得了显著的成绩，所以在解决多任务调度优化问题时，具有其它方法无法比拟的优势。
2．多任务调度模型的建立
假设存在若干并行任务和一个共享的资源库，包含有若干种可更新资源(renewable resources)，并且所有资源都只有有限的供给量。任务之间除了共享资源外互相独立。为方便对问题进行描述，建立如下的数学模型：多任务调度问题有P个相互独立的任务，第k个任务包含nk+1个工作,其中第nk+ 1个任务为任务虚拟的终止工作,不占用资源和时间。这P个任务共享M种可更新资源，其中第m 种资源的总量为Rm。用Wi表示第i个任务的工作集，Wij表示第i 个任务中的第j 个工作,其工期为dij，对第m 种资源的需求量为rijm，任务的开始时间标记为Sij ,它的所有紧前任务形成的集合记为Pij。在时间t 时正在进行的所有任务的集合标记为It。考虑到不同任务的重要程度不同,用ak表示第k个任务的权重。综合上述假设和采用的符号，资源约束下的多任务调度问题可以描述为公式（1）-(6)：
PknkkkS11,)(*min （1）
jiPhdSStsijhihiji,,,..,,, （2）
.,,,tjiIwmijmtmRr （3）
3 kjkjkjPkdStSWkWkjtI|)(1 （4）
0ijmr （5）
Pkk11 （6）
3．算法设计
3．1资源约束的多任务调度问题的求解
由于是多个任务的之间的工作共享共同的资源，所以解决的方法与单个任务的之间的工作共享共同的资源的方法不同。在解决该问题的方法中，目前有文献[5]中提出的多种资源受限多任务排序问题的两层决策方法，但是该方法有两个很大的缺陷。首先，该方法中假设的前提条件是每个任务中共享资源的工作持续时间由所分配到的资源量决定，使用共享资源的工作持续时间与资源分配量成反比关系(如2台机器干6
天, 4台机器就干3天)，即工作持续时间=工作的工作量÷资源量。而在现实生活中，很多工作的工作量并不是可累加的，即工作持续时间!= 工作的工作量÷资源量,所以对于任务中的工作是工作量不可累加的工作的问题，该模型就无法求解。第二个缺陷是，该模型对各个任务之间采取的是特定的资源分配策略，当资源分配给某个任务以后，就始终属于该任务了，其它任务就不能再使用该部分资源。这种资源分配方法会造成资源的较大浪费。因为在这种分配策略中，任务之间的资源不能相互流通调整。所以当其中某个任务有某类资源空闲时，其它任务均不能利用，这样该类资源就浪费了。
本文提出基于遗传算法的方法，能够求解任务中工作类型为不可累加的工作的多任务问题，而且各个任务之间资源是能够动态相互流通的，不会造成资源闲置而浪费，并且不用对多任务中各个任务的网络计划进行任何合并，只需要分别输入各个任务的工作的时间、资源等信息，就能对各个任务进行调度，按照各个任务的权重，使所有任务能以尽可能短的工期完工。
3．2算法中基本的数据结构的建立
在生成初始种群以前，首先要建立数据结构对各个任务的信息进行存储。
首先定义了一个二维数组benefit_matrix[m][n]。
其中，m表示任务的数目，n表示处理机数目。benefit_matrix[i][j]表示任务i在处理机j上处理所得的效益值。
int num_of_job; // 任务数，存储在文件numoftm.txt
int num_of_machine; // 处理机数，存储在文件numoftm.txt
int num_of_chromosomes; //群体数 ，存储在文件numofcolony.txt
int num_of_gen; // 产生的代数，也就是最后产生的那个代的序数，存储在文件num_of_gen.txt
int **colony = NULL; //任务序列
int *benefit_array = NULL; // 任务调度序列中每个任务的效益组成的数组
4 3．3染色体结构和编码设计
资源受限的多任务调度问题可以也看作是服从某些约束条件的排序问题。解决问题的关键是如何应用遗传算法找到一个多任务中所有工作的一个合适排列顺序。在这里用按一定顺序排好的所有工作列表对问题进行染色体编码。设有m个任务，每个任务有n个工作，则共有m*n个工作，即该染色体的长度为m*n。令Vk表达当前种群中的第K个染色体，令Pkij为染色体的一个基因，表示在染色体j位置上的第Pk个任务中的工作，染色体可表达如下：
Vk=[P1i1,…, P1ii,…,P1in,…,Pki1,…, Pkii,…Pkin,…,Pmi1,…, Pmii,…,Pmin]
其中Pkij的顺序可在满足约束条件的前提下任意排列。
3．4染色体的初始化
对于染色体的初始化，本文分为两部分进行，一部分是通过拓扑排序的方法随机生成各个染色体，另一部分是通过各种启发式方法生成染色体。
方法一：随机生成初始染色体
该方法与单个任务的资源有限时间最短的优化调度方法类似,不同之处在于对于每个工作，首先要判断它属于哪个任务，然后才能确定它的约束关系。方法为以从左向右的固定顺序一次考虑一个未被确定最早开始时间的工作。在每一阶段，保持已排序的工作的集合，并完全随机的从可调度工作集合中选中一个工作安排到该集合中。这个过程一直重复下去，直到所有工作被安排。该过程的每一次迭代中所有的工作都处于下列三种状态之一：
①已排序的工作：已经在构造的部分染色体中的工作。
②可调度工作：那些所有紧前工作都是已排序工序的工作。
③自由工作：所有其他工作。
令tkv是v的一个部分染色体，包括t个活动。tQ是在阶段t与给定的tkv对应的可安排活动的集合，令Pi是活动i所有紧前活动的集合，则与给定tkv对应的可安排活动集合tQ定义为:
tkitvPjQ| （7）
它包括终节点在特定安排tkv中的活动，并且是所有竞争活动的集合。
其中修改可调度工作集Qt的方法如下：a、从Qt中删除已经选中的工作j。b、判断工作j的紧后工作中是否存在这样的工作k（工作k属于自由工作），它的所有紧前工作都在已生成的部分染色体中，即它的所有紧前工作都是已排序工作。c、若存在k,则把k加入到可调度工作集Qt中。
方法二：通过各种启发式方法生成初始染色体
白思俊一共归纳了31种启发式方法[7][8]。本文在此处选择了对任务资源优化调度比较有效的11种启发式方法，应用这11种方法生成了调度效果比较好的若干个染色体。
11种启发式准则如下：
(1)最小总时差优先准则(MinTS)，若相同则按工作最早开始时间排。
(2)最大总时差优先准则(MaxTS)，若相同则按工作最早开始时间排。
(3)最小工期优先准则(SOF)，若相同则按工作编号排。
(4)最大工期优先准则(MOF)，若相同则按工作编号排。
(5)最小LS优先准则(MinLS)，若相同则按工作编号排。
5 (6)最小EF优先准则(MinEF)，若相同则按工作编号排。
(7)最小LF优先准则(MinLF)，若相同则按工作编号排。
(8)ACTIM准则，即关键路径的长度与工作最迟开始时间之差，值越大越优先。
(9)最大资源需求强度优先准则 (MaxR)。
(10)最小资源需求强度优先准则(MinR)。
(11)最多紧后工作优先准则(MostIS)。
文献[9]中还提出了如下几种启发式准则：最先考虑位于关键路径上的工作，若几个任务中的关键工作发生冲突时，分别考虑以下几种方案（1）总时差最小的工作优先。（2）最先开工的工作优先。（3）最早完工的工作优先。（4）优先考虑最紧张的工作，即剩余交货期与剩余加工时间之比越小则该任务越紧张。
3．5遗传算子设计
当在建立的十字链表的基础上对各个任务中的工作进行重新编号，然后应用本文所述的调度算法，将所有任务中的工作都混合在一起，编码成一条染色体后，问题就变得相对简单了，此时，对染色体的遗传操作方法就与对单任务中的染色体遗传操作方法比较类似了。
3.5.1 交叉
在文献[10]中使用的是PMX(部分交叉算子)，但使用该算子后会产生非法个体，需要对
染色体进行修复，这将会降低程序的执行效率，此处仿照离散交叉算子提出一种不需要对染色体进行修复的方法。
记参与交叉运算的两个个体为母亲M和父亲F,选择一随机整数q, 1 ≤ q ≤J ,J为染色体长度，由M和F通过在q 点交叉运算产生两个后代分别为女儿D和儿子S. 在D 的工作链表中, 前q 个工作继承于M , 即
,MiDijj i=1, 2,…, q
而i = q + 1, …, J 位置的工作来自于F , 并保留F中各工作的相对位置, 即
基于交替迭代遗传算法的成批车间生产计划与调度的集成优化
务ｌ造 訇 出
基于交替迭代遗传算法的成批车间生产计划与调度
的集成优化
Ａｌｔｅｒｎａｎｔ ｉｔｅｒａｔｉｖｅ ｍｅｔｈｏｄ ｂａｓｅｄ ｏｎ ｇｅｎｅｔｉｃ ａｌｇｏｒｉｔｈｍ ｆｏｒ ｉｎｔｅｇｒａｔｅｄ ｂａｔｃｈ
ｐｒｏｄｕｃｔｉｏｎ ｐｌａｎｎｉｎｇ ａｎｄ ｓｃｈｅｄｕｌｉｎｇ ｏｆ ａ ｋｉｎｄ ｏｆ ｊｏｂｓｈｏｐ
熊福力 ，严洪森
ＸＩＯＮＧ Ｆｕ．¨１。＿．ＹＡＮ Ｈｏｎｇ．ｓｅｎ ｌ１
（１．东南大学自动化学院，南京２１ ００９６；２．复杂工程系统测量与控制教育部重点实验室。南京２１ ００９６）
摘要：研究了一类零部件混批生产车间需要加工准备的多周期成批生产计划与调度的集成优化问
题，建立了生产计划和调度集成优化的非线性混合整数规划模型。并提出了一种交替式混合
遗传协调优化算法求解该集成优化问题。其主要思想是给定计划用一混合遗传算法求调度，
反过来给定已求调度用另一混合遗传算法求取新计划，如此不断交替使用两个混合遗传算法
实现计划与调度的同时优化。仿真结果证明了该方法的可行性和有效性。
关键词；批量；作业车间调度；集成优化；交替迭代方法；遗传算法
中图分类号：ＴＢ４９１ 文献标识码：Ａ 文章编号：１ ００９－０１ ３４（２０１ １）５（下）－ｏｏ９５—０２
Ｄｏｉ：１ ０．３９６９／ｊ．１ｓｓｎ．１００９－０１ ３４．２０１１．５（下）．２８
０引言
生产计划与调度问题一直是生产运作与管理
领域的研究热点，通常生产计划层和调度层是紧
密联系的，处在不同层次的生产计划和调度都必
须进行有效地沟通。生产计划与调度集成优化问
题的求解方法目前主要有以下几类：
１）采用递阶方法分层求解，即将生产计划递
阶分解为一系列不同的层次，然后采用一种自顶
向下的方法由高层到低层依次作出决策Ｈ】。这种
递阶生产计划在过去一段时间内曾被认为是求解
大型复杂计划问题的有效途径。但是由于忽略了
实际调度操作过程中的具体的能力约束而使得递
基于多代理和遗传算法的协同生产调度研究
第９卷第２期 ２ＯＯ６年３月 工业工程 ｈＭｕｓｔｒｉａｌ Ｅｎｇｉｎｅｅｒｉｎ￣Ｊｏｕｒｎａｌ Ｖｏ１．９ Ｎｏ．２ Ｍａｒｃｈ ２００６
基于多代理和遗传算法的协同生产调度研究
凌亚群，陈伟达
（东南大学经济管理学院，江苏南京２１００９６）
摘要：针对经典作业车间调度（Ｊｏｂ－Ｓｈｏｐ Ｓｃｈｅｄｕｌｉｎｇ）问题的局限性，结合实际生产情况，提出了基于多代理机制的供应 链环境下的企业间的协同生产调度（Ｃｏｏｐｅｒａｔｅｄ ｐｒｏｄｕｃｔｉｏｎ ｓｃｈｅｄｕｌｉｎｇ）￣．统的体系结构，结合多代理的灵活性和遗传算 法的全局优化性，阐述了一种基于多代理和遗传算法的协同调度系统，并寻求适合于这种供应链环境的优化调度方 案。 关键词：协同生产调度；遗传算法；多代理；ＪｒＦ 中图分类号：ＴＩＰ２８ 文献标识码：Ａ 文章编号：１００７—７３７５（２０ｏ６）０２．００３０－０４
Ｃｏｏｐｅｒａｔｅｄ Ｐｒｏｄｕｃｔｉｏｎ Ｓｅｈｅｄｎｌｉｎｇ ｂｙ Ｍｕｌｔｉ—Ａｇｅｎｔ ａｎｄ Ｇｅｎｅｔｉｃ Ａｌｇｏｒｉｔｈｍ
ＬＩＮＧ Ｙａ—ｑｕｎ，ＣＨＥＮ Ｗｅｉ－ｄａ （Ｓｃｈｏｏｌ ｏｆ Ｅｃｏｎｏｍｉｃｓ ａｎｄ Ｍａｎａｇｅｍｅｎｔ，Ｓｏｕｔｈｅａｓｔ Ｕｎｉｖｅｒｓｉｔｙ，Ｎａｎｊｉｎｇ ２１００９６，Ｃｈｉｎａ）
Ａｂｓｔｒａｃｔ：Ｔｏ ｏｖｅｒｃｏｍｅ ｓｈｏｒｔｃｏｍｉｎｇｓ ｏｆ ｃｌａｓｓｉｃａｌ ｊｏｂ—ｓｈｏｐ ｓｃｈｅｄｕｌｉｎｇ，ｔｈｉｓ ａｒｔｉｃｌｅ ｐｒｅｓｅｎｔｓ ａ ｍｕｌｔｉ—ａｇｅｎｔ ｂａｓｅｄ ｃｏｏｐｅｒａｔｅｄ ｐｒｏｄｕｃｔｉｏｎ ｓｃｈｅｄｕｌｉｎｇ ｓｙｓｔｅｍ ａｒｃｈｉｔｅｃｔｕｒｅ ｆｏｒ ｅｎｔｅｒｐｒｉｓｅｓ ｉｎ ｓｕｐｐｌｙ ｃｈａｉｎ．Ｉｎ ｔｅｒｍｓ ｏｆ ｔｈｅ ｆｌｅｘｉｂｉｌｉｔｙ ｏｆ
ＭＡＳ ａｎｄ ｔｈｅ ｇｌｏｂａｌ ｏｐｔｉｍｉｚｉｎｇ ａｂｉｌｉｔｙ ｏｆ ＧＡ，ｔｈｅ ａｒｔｉｃｌｅ ｄｉｓｃｕｓｓｅｓ ａ ｄｙｎａｍｉｃ ｓｃｈｅｄｕｌｉｎｇ ｓｙｓｔｅｍ ｂａｓｅｄ ｏｎ ｍｕｌｔｉ—
云计算环境下的任务调度优化技术研究
云计算环境下的任务调度优化技术研究
随着科技的发展以及信息时代的到来，云计算作为一项颠覆性的新技术应运而生，作为人工智能、大数据等前沿产业的基石，云计算对于现代生产生活的各个领域都起着至关重要的作用。在云计算的环境下，任务调度是一项非常重要的技术，对于云计算的应用效果和运行效率起着关键性的影响。在本篇文章中，我们将探讨云计算环境下的任务调度优化技术研究，为读者提供一些新的见解和思路。
一、云计算环境下的任务调度
在云计算的环境下，任务调度是指将一些任务分配到适当的计算资源进行处理的过程。一般来说，任务调度的目标是使得任务尽可能得以最快时间内完成，同时需要合理地分配计算资源，避免资源的浪费和不必要的延迟。当然，任务调度的实现需要考虑很多复杂的因素，在这里我们列举一些主要的要素：
1. 任务属性：包括任务类型、任务的大小、执行时间等。
2. 计算资源属性：包括计算资源类型、性能、数量等。
3. 系统负载：该指标是指系统当前的运行负载情况，包括CPU利用率、内存使用率等。
4. 通信开销：即任务之间或计算节点之间传输数据所需要的网络带宽开销。
二、任务调度的优化策略
针对上述情况，任务调度优化技术主要有两种：动态调度和静态调度。
1. 静态调度
静态调度指的是在任务开始运行之前，根据任务的属性和计算资源的属性，设计和安排出一个任务队列。这种调度方式简单易懂，能够充分利用资源，但难以适应运行环境的动态变化，使得效率无法得到全面的提高。 2. 动态调度
动态调度是指在程序运行的过程中，根据当前系统的情况对任务的状态进行检测，并动态地进行任务调度。这种调度方式能够根据运行环境的变化进行及时调整，实现在不同环境下的最优化设置，解决了静态调度的缺点，效率也得到了提升。
三、任务调度优化技术的研究
在任务调度优化技术的研究中，主要包括以下四个方面：
1. 贪心算法
贪心算法是一种基于贪心策略的运算方法，通过当前状态下局部最优解不断地叠加，最终得到全局最优解。在任务调度中，常见的贪心算法有最短作业优先调度算法、最小加权任务调度算法等。
卫星计算资源调度算法
卫星计算资源调度算法
卫星计算资源调度算法是指将卫星上的计算资源进行有效分配和调度的一种算法。由于卫星的计算资源有限，传统的计算资源调度算法无法直接应用于卫星环境。因此，针对卫星计算资源特点，研究者们提出了一系列适用于卫星计算环境的调度算法。
1.基于优先级的调度算法：
基于优先级的调度算法通过设定不同任务的优先级来进行资源调度。优先级高的任务将占用更多的计算资源，而优先级低的任务则会被推迟执行。该算法适用于需要特定的任务立即得到执行的场景，例如紧急任务处理或者实时监控。
2.基于遗传算法的调度算法：
遗传算法是一种模拟自然选择和遗传机制的计算方法，可以用于解决复杂的优化问题。在卫星计算资源调度问题中，可以将任务和计算资源视为种群中的个体，通过遗传算法对这些个体进行交叉和变异操作，以寻找最优的调度方案。该算法能够有效地提高资源利用率并满足任务的时间要求。
3.基于负载均衡的调度算法：
负载均衡算法旨在保持系统中各个节点的资源使用率相对平衡，以提高整体性能和服务质量。在卫星计算资源调度中，可以通过监测各个节点的负载情况，然后将任务动态地分配到负载较低的节点上，以实现资源的平衡利用。该算法可以有效地减少资源浪费和任务处理时间。
4.基于混合优化的调度算法： 混合优化算法是将多种优化算法进行组合，以解决复杂的调度问题。在卫星计算资源调度中，可以将基于优先级、遗传算法和负载均衡等多种算法进行有机组合，以提高调度的灵活性和适应性。该算法可以根据具体场景的需求，自动选择最合适的调度策略，并在不同时间段动态调整。
总结起来，卫星计算资源调度算法需要兼顾资源利用率、任务执行时间以及系统负载等因素，以提高计算资源的利用效率和任务处理能力。以上介绍的几种调度算法，可以根据具体场景的需求选择合适的算法，并进行相应的优化和改进，以适应不断变化和发展的卫星计算环境。
基于双基因遗传算法的多工序变速机调度问题研究
ＮＯ．２０，２０１１ 现代商贸工业 Ｍｏｄｅｒｎ Ｂｕｓｉｎｅｓｓ Ｔｒａｄｅ Ｉｎｄｕｓｔｒｙ ２０１１年第２Ｏ期
基于双基因遗传算法的
多工序变速机调度问题研究
潘 帆 邹泽宇。 徐小路
（１．武汉大学经济与管理学院；湖北武汉４３００７４；２．北京林业大学经济管理学院，北京１０００８３）
摘要：平行机调度问题的研究很多集中在同速机或恒速机的最短流程时间调度问题。就复杂度而言，变速机调度问
题是平行机调度问题中较为复杂的一类。通常来讲，变速机调度问题的研究针对的是工件只有一个加工工序的单工序调
度问题。结合运筹学中的指派问题研究了工件具有多个工序的变速机调度问题，并提出一种基于工序的双基因遗传算法
进行求解。实际的算例结果表明，本文提出的双基因遗传算法是有效的。
关键词：生产调度；变速机调度；双基因遗传算法
中图分类号：ＴＢ 文献标识码：Ａ 文章编号：１６７２—３１９８（２０１１）２０—０２６１—０３
近几十年来，随着科学技术的发展，各类生产过程已经
发生了显著的变化，其主要特征是生产规模的大型化和生
成过程的连续化。随着全球经济一体化进程的加速，市场
竞争越来越激烈，对制造企业来说，为了能够在竞争中立于
不败，降低成本是不得不面临的问题，而确保生产车间较高
的生产能力和效率是当务之急。此外，有效的生产调度方
法已经成为先进制造技术实践的基础和关键，所以对它的
研究具有重要的理论和实用价值。
车间生产调度问题是指在一定的时间范围内为完成特 定的生产任务而分配共享资源及对生产任务排序，并使得预
定的某些生产指标最优的过程，是按时间分配资源来完成任
务的问题。研究表明，调度问题中的绝大多数属于ＮＰ难题。
对于相对简单的生产调度问题，可以运用运筹科学中
的最优化方法进行优化求解。如线性规划法、整数规划法、
分支定界法等。但在实际的生产当中，制造企业往往要面
临复杂的生产状况，绝大多数的生产调度问题属于ＮＰ难
改进遗传算法在网格任务调度中的应用
Ｅｘａｍｐｌｅ ｏｆ Ａｐｐｌｉｃａｔｉｏｎ
改进遗传算法在网格任务调度中的应用
卜艳萍
（上海交通大学技术学院，上海２０１ １０１）
摘要：为了提高遗传算法的搜索性能，同时满足网格资源的优化分配，提出了一种带过滤机制
的遗传算法，使其适用于网格任务调度问题的优化处理。仿真研究表明该算法更符合网格调度的复
杂环境，能得到较短的任务执行时间和较好的负载均衡性。
关键词：遗传算法；网格；任务调度；完成时间
中图分类号：ＴＰ３９３ 文献标识码：Ａ 文章编号：１６７４—７７２０（２０１０）１８－００９５－０４
Ａｐｐｌｉｃａｔｉｏｎ ｏｆ ｉｍｐｒｏｖｅｄ ｇｅｎｅｔｉｃ ａｌｇｏｒｉｔｈｍ ｔｏ ｇｒｉｄ ｔａｓｋ ｓｃｈｅｄｕｌｉｎｇ
ＢＵ Ｙａｎ Ｐｉｎｇ
（Ｓｃｈｏｏｌ ｏｆ Ｔｅｃｈｎｏｌｏｇｙ，Ｓｈａｎｇｈａｉ Ｊｉａｏｔｏｎｇ Ｕｎｉｖｅｒｓｉｔｙ，Ｓｈａｎｇｈａｉ ２０１ １０１，Ｃｈｉｎａ）
Ａｂｓｔｒａｃｔ：Ｔｏ ｉｍｐｒｏｖｅ ｔｈｅ ｓｅａｒｃｈｉｎｇ ｐｅｒｆｏｒｍａｎｃｅ ｆｏｒ ｇｅｎｅｔｉｃ ａｌｇｏｒｉｔｈｍ，ａｎｄ ｏｐｔｉｍｉｚｅ ｔｈｅ ｇａｄ ｒｅｓｏｕｒｃｅｓ ａｌｌｏｃａｔｉｏｎ，ａｎ ｉｍｐｒｏｖｅｄ ｇｅｎｅｔｉｃ ａｌｇｏｒｉｔｈｍ ｗｉｔｈ ｆｉｌｔｒａｔｉｎｇ ｉｓ ｐｒｅｓｅｎｔｅｄ ｔｏ ｔｈｅ ｏｐｔｉｍｉｚａｔｉｏｎ ｏｆ ｇａｄ ｔａｓｋ ｓｃｈｅｄｕｌｉｎｇ ｐｒｏｂｌｅｍｓ．Ｂｙ ｕｔｉｌｉｚｉｎｇ ｔｈｉｓ ａｌｇｏｒｉｔｈｍ，ｓｈｏｒｔｅｒ
ｅｘｅｃｕｔｉｏｎ ｔｉｍｅ ａｎｄ ｂｅｔｔｅｒ ｐｅｒｆｏｒｍａｎｃｅ ｏｆ ｌｏａｄ ｂａｌａｎｃｉｎｇ ｃａｎ ｂｅ ｇａｉｎｅｄ ｖｉａ ｔｈｅ ｓｉｍｕｌａｔｉｏｎ ｓｔｕｄｉｅｓ，ｅｓｐｅｃｉａｌｌｙ ｉｎ ｇａｄ ｓｃｈｅｄｕｌｉｎｇ ｅｎｖｉ－
ｒｏｎｍｅｎｔｓ． Ｋｅｙ ｗｏｒｄｓ：ｇｅｎｅｔｉｃ ａｌｇｏｒｉｔｈｍ；ｇａｄ；ｔａｓｋ ｓｃｈｅｄｕｌｉｎｇ；ｍａｋｅｓｐａｎ
基于混合遗传算法的混堆箱区内场桥调度研究
第１３卷第５期 ２０１３年１ ０月 交通运输系统工程与信息 Ｊｏｕｒｎａｌ ｏｆ Ｔｒａｎｓｐｏｒｔａｔｉｏｎ Ｓｙｓｔｅｍｓ Ｅｎｇｉｎｅｅｒｉｎｇ ａｎｄ Ｉｎｆｏｒｍａｔｉｏｎ Ｔｅｃｈｎｏｌｏｇｙ Ｖ【）１．１３ Ｎｏ．５ Ｏｃｔｏｂｅｒ ２０１ ３
文章编号：１００９￣７４４（２０１３）０５－０１５０—０９
基于混合遗传算法的混堆箱区内场桥调度研究
郑红星 ，于 凯
（大连海事大学交通运输管理学院，辽宁大连１１６０２６）
摘要： 所谓混堆模式下集装箱箱区内场桥调度问题，是指在固定时段内，将有限的场 桥资源在混堆模式集装箱港口堆场的争个箱区内进行分配和排序，以最大限度地减少 该时段内所有任务的等待成本和场桥非装卸成本为目标，并保证不能超过场桥的作业
强度极限．在充分考虑了多场桥作业时须有安全距离和不能相互跨越，以及内外集卡的 优先级有差异和集卡等待时间有上限等现实约束下，对此问题构建了非线性数学规划
模型．基于问题自身的特点设计了基于任务排序的染色体结构，用融入禁忌搜索的混合
遗传算法进行求解．最后通过实例分析证明了模型和算法的有效性． 关键词： 水路运输；系统工程；场桥调度；混合遗传算法；混堆箱区 中图分类号：Ｕ６９３ 文献标识码： Ａ
Ｙａｒｄ Ｃｒａｎｅ Ｓｃｈｅｄｕｌｉｎｇ ｉｎ ｔｈｅ Ｍｉｘｔｕｒｅ Ｓｔｏｒａｇｅ
Ｂｌｏｃｋ Ｂａｓｅｄ ｏｎ Ｈｙｂｒｉｄ Ｇｅｎｅｔｉｃ Ａｌｇｏｒｉｔｈｍ
ＺＨＥＮＧ Ｈｏｎｇ—ｘｉｎｇ．ＹＵ Ｋａｉ （Ｔｒａｎｓｐｏｒｔａｔｉｏｎ Ｍａｎａｇｅｍｅｎｔ Ｃｏｌｌｅｇｅ，Ｄａｌｉａｎ Ｍａｒｉｔｉｍｅ Ｕｎｉｖｅｒｓｉｔｙ，Ｄａｌｉａｎ １ １６０２６，Ｌｉａｏｎｉｎｇ，Ｃｈｉｎａ）
Ａｂｓｔｒａｃｔ：Ｔｈｅ ｙａｒｄ ｃｒａｎｅ ｓｃｈｅｄｕｌｉｎｇ ｐｒｏｂｌｅｍ ｉｎ ｔｈｅ ｍｉｘｔｕｒｅ ｓｔｏｒａｇｅ ｃｏｎｔａｉｎｅｒ ｔｅｒｍｉｎａｌ’ｓ ｂｌｏｃｋ ｉｎｖｏｌｖｅｓ ｔｈｅ ａｌｌｏｃａｔｉｏｎ ｏｆ ｌｉｍｉｔｅｄ ｙａｒｄ ｃｒａｎｅ ｒｅｓｏｕｒｃｅ ａｎｄ ｔｈｅ ｓｃｈｅｄｕｌｉｎｇ ｏｆ ｌｏａｄｉｎｇ ａｎｄ ｕｎｌｏａｄｉｎｇ ｔａｓｋｓ ｏｎ ｅａｃｈ ｂｌｏｃｋ ｉｎ ｔｈｅ ｍｉｘｔｕｒｅ ｓｔｏｒａｇｅ ｃｏｎｔａｉｎｅｒ ｔｅｒｍｉｎａｌ，ｉｎ ｏｒｄｅｒ ｔｏ ｒｅｄｕｃｅ ｔｈｅ ｗａｉｔｉｎｇ ｃｏｓｔ ｏｆ ａｌｌ ｔａｓｋｓ ａｎｄ ｔｈｅ ｎｏｎ—ｌｏａｄ ａｎｄ ｎｏｎ—ｕｎｌｏａｄ ｃｏｓｔ ｏｆ ａｌｌ ｏｐｅｒａｔｉｎｇ ｙａｒｄ ｃｒａｎｅｓ ｄｕｒｉｎｇ ｔｈｅ ｆｉｘｅｄ ｓｐａｎ，ａｓ ｗｅｌｌ ａｓ ａｓｓｕｒｅ ｔｈｏｓｅ ｏｐｅｒａｔｉｎｇ ｙａｒｄ ｃｒａｎｅ’ｓ ｏｐｅｒａｔｉｏｎ ｓｔｒｅｎｇｔｈ ｎｏｔ ｐａｓｓｉｎｇ ｔｈｅ ｓｔｒｅｎｇｔｈ ｌｉｍｉｔ．Ｕｎｄｅｒ ｔｈｅ ｒｅａｌ ｃｏｎｓｔｒａｉｎｔｓ ｏｆ ｎｏｎ—ｃｒｏｓｓｉｎｇ ｏｆ ｙａｒｄ ｃｒａｎｅｓ ａｎｄ ｋｅｅｐｉｎｇ ｓａｆｅ ｄｉｓｔａｎｃｅ ｗｈｅｎ ｍｕｌｔｉ—ｙａｒｄ ｃｒａｎｅｓ ａｒｅ ｗｏｒｋｉｎｇ ｔｏｇｅｔｈｅｒ，ａｌｏｎｇ ｗｉｔｈ ｄｉｆｆｅｒｅｎｔ ｐｒｉｏｒｉｔｙ ｌｅｖｅｌ ｂｅｔｗｅｅｎ ｔｈｅ ｉｎｎｅｒ ｔｒｕｃｋ ａｎｄ ｏｕｔｅｒ ｔｒｕｃｋ，ａｎｄ ｔｈｏｓｅ ｔｒｕｃｋｓ’ｗａｉｔｉｎｇ ｔｉｍｅ ｌｉｍｉｔ，ｔｈｅ ｎｏｎ—ｌｉｎｅａｒ ｍａｔｈｅｍａｔｉｃａｌ ｐｌａｎｎｉｎｇ ｍｏｄｅｌ ｉｓ ｓｅｔ ｕｐ．Ａ ｈｙｂｒｉｄ ｇｅｎｅｔｉｃ ａｌｇｏｒｉｔｈｍ（ＨＧＡ）ｉｓ ｐｒｏｐｏｓｅｄ ａｃｃｏｒｄｉｎｇ ｔｏ ｔｈｅ ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ ｏｆ ｔｈｅ ｐｒｏｂｌｅｍ ｗｈｉｃｈ ｉｓ ｂａｓｅｄ ｏｎ ｔｈｅ ｔａｂｕ ｓｅａｒｃｈ ａｌｇｏｒｉｔｈｍ，ａｎｄ ｔｈｅ ｃｈｒｏｍｏｓｏｍｅ ｒｅｐｒｅｓｅｎｔａｔｉｏｎ ｉｓ ｓｔｒｕｃｔｕｒｅｄ ｏｎ ｔｈｅ ｓｅｑｕｅｎｃｅ ｏｆ ｔａｓｋｓ．Ｆｉｎａｌｌｙ，ｔｈｅ ｍｏｄｅｌ ａｎｄ ｔｈｅ ａｌｇｏｒｉｔｈｍ ａｒｅ ｐｒｏｖｅｄ ｂｙ ｏｎｅ ｒｅａｌ ｅｘａｍｐｌｅ． Ｋｅｙ ｗｏｒｄｓ： ｗａｔｅｒｗａｙ ｔｒａｎｓｐｏｒｔａｔｉｏｎ；ｓｙｓｔｅｍｓ ｅｎｇｉｎｅｅｒｉｎｇ；ｙａｒｄ ｃｒａｎｅ ｓｃｈｅｄｕｌｉｎｇ；ｈｙｂｒｉｄ ｇｅｎｅｔｉｃ ａｌｇｏｒｉｔｈｍ：ｍｉｘｔｕｒｅ ｓｔｏｒａｇｅ ｃｏｎｔａｉｎｅｒ ｔｅｒｍｉｎａｌ’Ｓ ｂｌｏｃｋ ＣＬＣ ｎｕｍｂｅｒ： Ｕ６９３ Ｄｏｃｕｍｅｎｔ ｃｏｄｅ： Ａ
云计算下的基于萤火虫-遗传算法的资源调度
云计算下的基于萤火虫-遗传算法的资源调度
单好民
【期刊名称】《计算机系统应用》
【年(卷),期】2016(025)005
【摘 要】如何能够最大限度发挥云计算中资源调度效率是目前研究的热点之一。首先建立云计算环境下的资源调度模型，将萤火虫算法中的个体与云计算节点资源进行对应，其次在算法中个体初始化中引入遗传算法优化初始解，对算法中的位置更新设定感觉阀值用来调节个体选择最优路径的概率；最后针对挥发因子的改进使得荧光素的值进行更新。仿真实验表明，该算法能够有效的提高云计算中的资源调度性能，缩短了任务完成的时间，提高系统整体处理能力。%How to give the
fullest play to the efficiency of resource scheduling in cloud computing is a
hot spot of current research. First of all, resource scheduling model in
cloud computing is established and individuals in firefly algorithm and
node resources in cloud computing are matched; secondly, the genetic
algorithm is introduced into the initialization of individuals in the
algorithm and sensory threshold of the updating of algorithm’s position
is set to adjust the probability for individuals to choose the optimal path;
finally, the volatile factor is improved to update the value of fluorescein.
基于遗传算法的物流配送车辆调度优化模型研究
第２８卷第１期 ２０１１年２月 邢台职业技术学院学报 Ｊｏｕｒｎａｌ ｏｆＸｉｎｇｔａｉ Ｐｏｌｙｔｅｃｈｎｉｃ Ｃｏｌｌｅｇｅ Ｖ．０Ｉ．２８ ＮＯ．１ Ｆｅｂ．２Ｏｌｌ
基于遗传算法的物流配送车辆调度优化模型研究
王海宾 ，刘 霞２，高 欢
（１．邢台职业技术学院信息工程系，河北邢台０５４０３５；
２邢台学院信息科学与技术系，河北邢台０５４００１） 摘要：物流配送中，车辆调度是一个关键问题。为了提高物流配送中车辆调度的效率，本文
提出了一种灵活的多目标组合优化模型，此模型可以方便的增减优化目标值。设计了适合多车
场开放式车辆路径问题的通用染色体编码方案，并对遗传算法中的交叉变异操作做了详细说明。
关键词：多车场车辆调度；多目标组合优化；遗传算法
中图分类号：ＴＰ３９３．０９２ 文献标识码：Ａ 文章编号：１００８＿ １２９（２０１ １）０１—．１）０５５—Ｏ３
电子商务促就了物流业的飞速发展，随着网络
购物遍及世界的每个角落，物流配送的规模的也在
不断扩大，以适应电子商务为其带来的契机，但如 何更加高效、快捷的调度现有的车辆资源，以使资
源所带来的效果最大化成为迫在眉睫的问题。因 此，开展基于遗传算法的物流配送车辆调度优化模
型【Ｉ 的研究具有重要意义。
一、问题描述
目前已经有许多关于简单的物流调度模型的 研究，但针对多车场多目标开放式车辆调度问题的
研究尚不存在。多车场多目标开放式车辆调度问题 是多车场车辆调度问题的扩展，可描述为：有多个
车场同时对多个客户（需求点）进行配送服务，每
个车场都可以提供货物和执行配送任务的车辆，完 成配送任务的车辆可以不返回原车场。【２】根据每个
客户的货物需求量和所在位置，要求对各车场的车 辆和行驶路线进行适当的安排，在保证满足各用户
需求的前提下，使目标值（如距离、时间、费用、 车辆数等）达到一定的优化，最终达到物流配送成
本的最小消耗。其中的开放式体现在：完成配送任
混合遗传算法在任务调度中的应用
第２２卷第６期 ２００７年ｌ２月 郑州轻工业学院学报（自然科学版） ＪＯＵＲＮＡＬ ＯＦ ＺＨＥＮＧＺＨＯＵ ＵＮＩＶＥＲＳＩＴＹ ＯＦ ＬＩＧＨＴ ＩＮＤＵＳＴＲＹ｛Ｎａｔｕｒａｌ Ｓｃｉｅｎｃｅ） Ｖ０１．２２ Ｎｏ．６ ＤｅＣ．卿
文章编号：１００４—１４７８（２００７）０６—００４８—０３
混合遗传算法在任务调度中的应用
刘雪松 ， 刘 阳 ， 赵艳玲
（１．大庆油田有限责任公司第六采油厂，黑龙江大庆１６３１１４； ２．大庆石油学院计算机与信息技术学院，黑龙江大庆１６３３１８）
摘要：将模拟退火算法与遗传算法相结合的混合遗传一模拟退火算法应用于任务分配与备份调度， 提出一维基于任务和机器的编码方式，提高了服务器设备的利用率，优化了存储备份系统． 关键词：备份调度；任务分配；遗传算法；模拟退火
中图分类号：ＴＰ３０１．６ 文献标识码：Ａ
Ａｐｐｌｉｃａｔｉｏｎ ｏｆ ｔａｓｋ ｓｃｈｅｄｕｌｉｎｇ ｂａｓｅｄ ｏｎ ｃｏｍｂｉｎｅｄ ｇｅｎｅｔｉｃ ａｌｇｏｒｉｔｈｍ
ＬＩＵ Ｘｕｅ—ｓｏｎｇ ，ＬＩＵ Ｙａｎｇ ，ＺＨＡＯ Ｙａｎ．１ｉｎｇ （１．Ｄａｑｉｎｇ Ｏｉｌｆｉｅｌｄ Ｃｏ．，Ｌｔｄ．Ｎｏ、６ Ｏｉｌ Ｒｅｃｏｖｅｒｙ Ｐｌａｎｔ，Ｄａｑｉｎｇ １６３１ｌ４，Ｃｈｉｎａ； ２．Ｃｏｌｌｅｇｅ ｏｆＣｏｍｐ．ａｎｄ Ｉｎｆｏｒ．Ｔｅｃｈ．，Ｄａｑｉｎｇ Ｐｅｔｒｏｌｅｕｍ Ｉｎｓｔ．，Ｄａｑｉｎｇ １６３３１８，Ｃｈｉｎａ）
Ａｂｓｔｒａｃｔ：Ｔｈｅ ＧＡ－－ＳＡ ａｌｇｏｒｉｔｈｍ ｔｈａｔ ｃｏｍｂｉｎｅｓ ｇｅｎｅｔｉｃ ａｌｇｏｒｉｔｈｍ ｗｉｔｈ ｓｉｍｕｌａｔｅｄ ａｎｎｅａｌｉｎｇ ｉｓ ａｐｐｌｉｅｄ ｔｏ ｔａｓｋ ｍａｔｃｈｉｎｇ ａｎｄ ｓｃｈｅｄｕｌｉｎｇ．Ａｎｄ ｔｈｅｎ ｔｈｅ ｅｎｃｏｄｉｎｇｍｅｔｈｏｄ ｏｆ ｕｎｉｄｉｍｅｎｓｉｏｎａｌ ｂａｓｅｄ ｏｎ ｔｈｅ ｔａｓｋ ａｎｄ ｔｈｅ