船舶设计任务动态调度预测

在船舶设计过程中经常会出现随机新设计任务,为船舶设计任务调度方案的制订带来一定的困难。基于反向传播(Back Propagation, BP)算法,引入动量-自适应学习率反向传播(Momentum and Self-Adaptive Learning Rate Back Propagation, MSBP)算法预测随机新设计任务是否可加入制订的船舶设计任务调度方案,以解决扰动情况下的船舶设计任务动态调度(Dynamic Scheduling of Ship Design Tasks, DSSDT)问题。为减小求解空间和训练难度,选择对调度结果具有重大影响的属性作为MSBP算法的特征值。基于抽取的特征值构建MSBP算法模型,并采用大量数据完成对模型的训练。对比试验结果表明,MSBP算法的准确性优于未改进的BP算法,某项随机新设计任务的可调度性与其优先级最为密切。

机炉协调系统的模糊增益调度预测控制

多变量锅炉-汽机协调系统的动态特性随着工况而变化,文中提出了一种新型的模糊增益调度预测控制策略来控制这个非线性过程。基于模糊集合理论建立了机炉协调系统的非线性离散全局模糊模型,并设计了一种基于全局模糊模型的新型扩展状态空间预测控制器。它能方便地处理控制作用的受限优化问题,同时它卓越的滚动优化能力又确保了机炉协调系统在全工况范围内的最优控制品质。仿真试验表明:文中所提出的全局非线性预测控制器在控制作用幅值、速率均受限的情况下仍具有满意的全工况负荷跟踪性能。

面向云制造资源调度预测的学习模型

云制造资源调度面临着多目标优化基于群组智能优化调度算法对云制造任务求解耗时较长,本文首先提出一种基于ONBA并结合二阶振荡和差分进化算法的改进算法,利用改进算法获取云制造模型的调度数据,并通过该调度数据对IDBN深度学习模型进行训练.通过对深度学习学习率的改进,达到通过深度学习模型快速预测云制造模型调度结果.实验结果表明,通过这种方式,我们可以对调度结果进行准确的预测并大大缩短所消耗的时间.这给传统的多目标群组优化开辟了一条新的道路.

基于调度预测的星载混合相关任务调度算法及其仿真的研究

为解决星载计算机系统中具有相关性任务的调度和临界资源的分配问题 ,提出了一种星载混合相关任务调度算法。首先 ,对星载计算机系统中的任务给出了形式化的描述。其次 ,具体阐述了这种星载多任务调度算法并给出了可调度性预测分析条件。最后 。

基于智慧水力学的长距离调水工程调度参数预测方法研究

为提高长距离调水工程调度参数的计算精度,提出了智慧水力学的概念,基于南水北调中线工程的运行监测数据,采用人工智能方法开展了长距离调水工程调度参数预测方法研究。在对数据清洗的基础上,基于长短时记忆神经网络(LSTM)模型建立了白河、十二里河、东赵河节制闸调度参数的预测模型,采用鲸鱼优化算法(WOA)优化模型的超参数并进行调度参数预测。结果表明:3个节制闸的闸前水位和流量预测值与其实测值的最大平均绝对误差分别为0.655 cm和1.326 m^(3)/s,说明智慧水力学理念和人工智能方法在长距离调水工程调度参数预测中的适用性和精准性。研究内容可为实现工程调度参数预测与精准智能调度提供理论基础。

电动汽车与直流配电网协同的分布式自适应滚动预测调度

为充分挖掘电动汽车(EV)的灵活调度潜力,提出了EV与直流配电网协同的分布式自适应滚动预测调度方法。首先,建立了电压源型换流器、储能及直流配电网潮流的数学模型;然后,构建了不可调度、只充电和可充放电3类EV充电偏好的数学模型,并以日电能损耗和弃光电量的加权和最小为目标建立了直流配电网自适应滚动预测调度模型,通过实时EV集群的取车时间动态更新调度窗口,以满足每辆EV的期望电量需求;最后,建立了直流配电网分布式滚动预测调度模型,并采用交替方向乘子法实现分布式求解,以解决集中式调度通信量大的问题。仿真结果表明,通过对EV与直流配电网灵活性资源的协同调度可显著降低电能损耗、提升分布式电源接纳能力,同时,所采用的分布式算法具有良好的收敛性能和计算速度。

基于光伏发电量预测的含氢储能微网分段优化调度

针对多储能微网如何高效、经济运行,搭建了基于光伏发电的含氢储能、蓄电池储能的微网系统,采用一种日前预测调度与日内实时调度相结合的分段调度策略。在日前预测调度阶段,采用基于麻雀搜索算法优化支持向量机模型提高对日前的光伏发电量和负荷预测的精度,以微网最小使用成本为目标,考虑系统运行的可靠性,采用改进粒子群算法制定微网的日前最优调度策略。在日内调度阶段,考虑氢储能系统的响应延迟特性,以蓄电池为灵活补充元件,制定实时调整微网运行策略,消除预测误差带来的影响。最后,结合实际算例分析,验证了分段优化调度的可行性。结果表明,提出的方法能够有效预测数据,减少微网调度的响应时间,提高系统运行的经济性和稳定性。

机器故障下加工车间优化重调度方式预测

为预知不同故障情形下的优化重调度方式,实现快速、有效的重调度决策,提出融合调度仿真与改进概率神经网络的重调度方式预测方法。考虑到现场故障样本难获得且无法涵盖全部故障情形,利用仿真实现随机故障下优化重调度样本的生成;以工序加工时间的累计变动、变动任务数、makespan改变量为决策依据,生成各样本的标签;将带标签数据样本输入到概率神经网络模型,实现优化重调度方式预测。实验结果表明:所提出的方法准确率达99.54%;在指定加工车间和生产任务的前提下,故障机序号和故障修复时间对优化重调度方式起决定性作用。

资源不确定军事任务计划预测调度模型与算法

针对军事任务计划执行环境中普遍存在的资源不确定性,提出了基于资源缓冲区的军事任务计划预测调度算法。算法首先基于平台有效资源功能向量进行任务—平台分配,分配过程中通过调节平台有效资源功能向量,获得不同的平台资源缓冲区分配方案;然后基于NSGA-Ⅱ算法框架对军事任务计划进行多目标求解,进而获得问题的Pareto最优解集。文章通过仿真算例对算法的可行性和有效性进行验证,实验结果表明,该算法能够有效求解资源不确定军事任务计划问题。

基于视点的大规模点云数据实时预测调度策略

针对海量数据难以实时渲染的问题,提出基于视点的大规模点云数据实时预测调度策略——"5-5-5"动态调度策略。对整个三维点云进行"分区-子块化"处理,经过多分辨率压缩后保存到服务器端的数据库中。客户端根据视点的变化和菱形调度规则对子块数据进行内外存动态调度并实时绘制,同时向服务器发送传输新数据的请求。实验证明,该算法能有效解决漫游过程中的"抖动"现象,减少单次向服务器请求传输的数据量,实现漫游显示的连续性和平滑性。

基于设备整体效能和多Agent的预测-反应式调度

生产过程中存在许多不确定性事件,其影响直接表现为生产效能方面的损失。为了减小这种影响,基于设备整体效能的角度,分析了不确定性事件对生产过程的干扰和对调度过程的影响,提出了一种基于设备整体效能的具有鲁棒性的预测调度实现方法,设计了一种基于多Agent协作机制的预测-反应式调度系统模型。仿真试验表明,该方法有助于提高调度系统抵御干扰生产的能力,增强反应式调度的应用效果。

实时对象模型及其可预测调度研究

从实时系统建模的角度，文中给出了一种实时对象模型，该模型能够保证开发的实时系统具有可预测性、灵活性、集成性的特点．文中同时给出了分析对象能力的计算公式，并对实时对象模型行为的可预测性调度进行了讨论．

分段堆场预测调度研究

针对船舶分段移动计划主要依靠人为预测及人工调度的现状,提出BP神经网络来预测一个周期内进出场分段的数量,并研究建立以分段移动度最小为目标的优化模型,模型综合考虑了分段在堆场中的停放位置及进、出场路径。通过分支定界法选择分段在堆场中停放位置的最优方案,并构建启发式规则来确定分段在堆场中的最优进、出场路径,从而实现对模型的求解。以某船厂实际数据为例,对模型在堆场调度问题中的应用进行了实例验证,结果表明,所研究方法可求解得出较优的堆场作业计划,并实现堆场资源的高效利用。

不确定环境下的多Agent鲁棒性预测调度研究

由于生产过程中的不确定性事件及其影响都具有随机性,因此难以建立精确数学模型以实现调度问题的求解。针对不确定环境下的Job Shop调度,分析生产干扰及其扩散效应的随机性特征,根据不确定性事件集与设备运行效率之间的内在关系,提出了一种基于设备整体效能(OEE)的具有鲁棒性的预测调度实现方法,并设计了一种基于多Agent协作机制的预测调度系统模型。仿真试验表明,该模型可以减少工序延误,提高调度方案的稳定性。

资源不确定环境下模具多项目预测—反应式调度算法

针对模具多项目执行过程中由于可再生资源发生故障而导致的调度计划变更问题,提出了一种预测-反应式调度算法。利用生灭过程理论对可再生资源的不确定性进行分析,通过大量基于启发式策略的仿真计算构建了一个相对稳定的基准调度计划,建立了以调度计划变更费用最小为优化目标的反应调度模型,并用混沌微粒群优化算法进行求解。通过仿真计算分析了所提算法的可行性与有效性。

IaaS模式“云训练”资源预测-调度方法

基础设施即服务(infrastructure as a service,IaaS)模式"云训练"是基于IaaS云计算提出的武器装备系统模拟训练的模式,根据用户需求对训练资源进行预测调度是提高训练效果的重要保证。分析了"云训练"中用户任务、资源需求特点,采用阈值法进行预处理,通过动态权值系综模型得到预处理结果。在此基础上,提出基于减法-模糊聚类的模糊神经网络的资源需求预测方法(subtractive-fuzzy clustering based fuzzy neural network,SFCFNN),并引入自适应学习率和动量项以提升收敛速度和稳定性。调度器根据预测结果实现用户需求与资源之间的动态匹配。实验表明该方法可精确预测用户资源需求,实现资源动态调度,有效提高资源利用率与训练效果。

实时系统非周期任务的可预测调度研究

提出了一种实时系统任务模型 ,分析了该模型中周期和非周期任务可调度的条件 ,并给出了一种强实时非周期任务的可预测调度算法。该算法按照 RMS算法的原则统一调度系统任务 ,保证系统周期和非周期任务满足各自的时限约束 。

单步预测的单机调度算法及其仿真分析

调度问题中在线算法只能够利用已经到达的工件信息进行调度,但在实际生产中,往往有可能预知即将到达的未来工件信息,并且利用信息进行决策。针对经典单机加权完工时间调度问题,根据预测控制的思想,提出了一种单步预测调度的算法,并且分别在理论证明和仿真两方面进行了分析。对单步预测调度算法进行了性能分析,在理论上证明了预测调度算法的竞争比下界为2,对于一般的情况进行了大量的仿真比较,由于在调度中增加了未来信息,单步预测调度算法的调度结果优于在线调度算法。

基于统计预测的Cloudlet调度机制研究

Cloudlet利用虚拟机来灵活处理来自不同移动设备的云应用服务访问请求,避免了移动设备直接访问云应用服务过程中的广域网延迟和带宽限制问题.但是基于虚拟机实现的Cloudlet,存在合成虚拟机耗时长的问题,对于用户体验影响很大.针对这个问题,本文提出一种基于统计预测的调度机制,该机制使用了两种预测模型,分别是基于Cloudlet切换统计模型和基于关键位置的统计预测模型,来预测移动中的用户将会使用的Cloudlet.然后,根据预测信息实现Cloudlet上应用服务虚拟机预先调度合成,以降低用户请求等待时间.实验表明,与其它方法相比,基于本文预测机制的方法可以有效降低用户的请求等待时间,提高用户体验.

宏基站和微基站群之间的预测性信道调度算法

针对5G超蜂窝网络的宏基站和微基站群之间的非实时业务传输,提出了一种新型预测性信道调度算法。首先,利用静止通信体之间无线信道的随机平稳过程特征,从古典概率论的角度为调度过程建立了一个离散信道状态概率空间并对其进行事件域分割;然后,通过各事件域的概率数值计算实现对多用户多非实时业务的高效调度。理论分析和仿真结果表明,所提算法计算复杂度低,和其他一些经典调度算法相比,所提算法可在更长时间维度上进行业务优化传输,在吞吐量性能上逼近最大信噪比算法,重负荷情况下系统吞吐量提升了约14%;同时通过精确量化计算实现了业务期望速率和实际调度速率的自适应匹配。