[发明专利]一种优化调度控制中动态数据的自适应处理方法

权利要求书

1.一种优化调度控制中动态数据的自适应处理方法，其特征在于：主要是通过滤波器对输入的原始数据进行小波分析，经过滤波及信噪分离后，将预处理后的数据输出到主控中心中按照动态、静态、业务集进行分级处理；该主控中心接收到静态和动态的数据后，通过其中的控制器选择不同的自适应调度算法及建立嵌入模糊规则的遗传算法对数据进行优化运算，并将生成的数据结果和仿真器中的模型及数据进行比较，若符合预期目标，则选择符合要求的调度方案作为系统输出；若生成的数据结果和仿真器中的结果偏差较大，不符合预期目标，则通过系统模型修正辨识器对数据结果进行修正，同时进入主控中心的控制器训练，并对该控制器中的算法进行调整，直至主控中心输出的数据结果与仿真器中的结果之间的偏差符合预期目标为止。

2.根据权利要求1所述的一种优化调度控制中动态数据的自适应处理方法，其特征在于：所述的自适应调度算法选择了基于量化模糊规则的模糊逻辑算法，将问题分为关键路径和非关键路径，其具体步骤如下：

步骤1：计算模糊因素的隶属关系k＝1，2，3，以及整数值Vac，Vmc，Vmnc；

所述的Vac是指增加关键路径的数量，Vmc是指可减少的客户数量，Vmnc是指可减少的非关键路径的数量；

将关键路径集和非关键路径集分别定义为V_c和V_nc，则自适应网络调度算法如下：

步骤(1)：从节点i＝1，…，n，分别标定初始时间T_s与结束时间T_e；

步骤(2)：计算引入综合评价系数θ，

θ=γ·Σi=1N(Te-Ts)+δ·Σi=1Nr+σ·QΣQ]]>

式中

R——节点半径；Q——需求量

步骤(3)：从节点i＝1至n，确定节点是否在关键路径集V_c和非关键路径集V_nc；

步骤(4)：计算目标函数值f(x)

f(x)=β(Tij-MTij)+Σi=1Ndij]]>

步骤2：计算模糊决策规则的隶属度k＝1，2，3，4；具体算法如下：

设为模糊决策D_k的隶属度，k＝1，2，3，4，考虑三个模糊因素对该决策的影响，利用决策专家的知识和经验可以得到：

μD1=μF~1c⊗μF~2]]>

μD2=μF1⊗μF3]]>

μD3=μF~1⊗μF2c⊗μF3c]]>

μD4=μF1c⊗μF2c⊗μF3c]]>

其中，μ^c＝1-μ，符号是一个算子

μ1⊗μ2=μ1μ2δ+(1-δ)(μ1+μ2-μ1μ2)]]>

步骤3：计算所选择的决策k

从得到则决策可以由下式得出，

k=argmax(μD1,μD3,μD3,μD4)]]>

步骤4：对选择的决策和选择的路径分别进行加、减操作，若决策为关键路径则为加操作，非关键路径则为减操作，并且调用步骤1中的自适应网络调度算法，重新进行调度计算目标函数值；

步骤5：计算目标函数值：f(x)，具体计算为：

步骤6：返回f(x)及选择结果X＝[X1，X2，…，Xi，…，Xn]给步骤5；

所述的建立嵌入模糊规则的遗传算法及具体实现步骤包括：

步骤1、确定基因编码方式，适值函数，遗传算子、选择算略和停止准则

(1)基因编码方式：是针对客户的自然数编码；

(2)适值函数

f(l)＝Fmax-F(l)+a，1＝1，2…，NP    (1)

所述的NP是种群数，Fmax＝max{F(l)，l＝1，2，…，NP}，a是一个小正数；

(3)遗传算子：采用两点交叉法，即取两个染色体对应的中间部分进行对应的交换，变异操作是随机挑选染色体的一部分进行值的改变；

(4)选择算略：采用回转轮法和精英选择策略，精英选择策略是指在新一代种群中任意选择一个基因，用上一代中最好的基因代替，在新一代中第三条基因的选择概率为：

Pk(i)=fk-fk(i)Σi=1NP{fk-fk(i)}]]>f_k＝max{f_k(i)，i＝1，2，…，NP}

(2)

(5)停止准则：采用最大迭代数作为算法的停止准则；

步骤2、基于嵌入模糊规则的遗传算法的求解步骤

(1)设定参数：种群规模NP，最大迭代代数NG，交叉概率Pc，变异概率Pm；

(2)调用自适应网络调度算法，计算综合评价系数θ，并且确定关键路径和非关键路径；

(3)随机产生NP个染色体的初始种群如下：

Z＝[X1，X2，…Xi，…，X(N)]，Xj(i)≠Xk(i)，任何j，k，i＝1，2，…，NP

其中Xj(i)是一个不大于Ni的自然数，设事实上种群的迭代数为k＝0，初始可行解为X*＝X(l)，目标函数F*＝Q，Q为一个大的整数；

(4)判断是否满足终止条件如果满足转(9)，否则转(5)；

(5)对于染色体X(i)，i＝1，2，…，NP，进行如下：

操作1：调用自适应网络调度算法，计算得出综合评价系数θ；

操作2：调用模糊决策规则，返回目标函数值f(i)并记忆选择X(i)；

操作3：记录最大、最小的目标函数值

fmax＝max{f(Xi)，i＝1，2，…，NP}

fmin＝min{f(Xi)，i＝1，2，…，NP}

令i*＝arg{f(Xi)＝fmin}，X(i*)是最小目标函数值的染色体

(6)IF f*≥fmin，then f*＝fmin，X*＝X(i*)；

(7)计算适值函数及每条基因的适值，根据基因的适应值计算其选择概率，并选择概率的大小随机选取基因进行复制；

(8)进行交叉和变异运算，产生新的一代种群，并用上一代中最好的基因随机替代一个新基因，转(4)；

(9)输出结果，记录f*和X*作为最优解，结束。

3.根据权利要求1所述的一种优化调度控制中动态数据的自适应处理方法，其特征在于：所述的通过嵌入的模糊规则的遗传算法优化生成的结果和实际问题要求的控制方案中的结果相比较，通常采用最小二乘方法对系统模型中的数据进行修正，从而对主控中心中的算法进行调整，调整后输出优化结果作为主控中心的参数，通过作为参数的交叉因子和变异因子来实现对主控中心中算法的训练和调整。