[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

说明书

技术领域

本发明涉及一种优化调度控制中动态数据的自适应处理方法。

背景技术

优化调度问题普遍存在于各个研究领域，人们对优化技术的研究逐步深入，常用的解决最优化问题的方法有精确算法和智能优化算法。

优化方法的数学表达式minf(X)，X∈Eⁿ并且满足一定的约束条件：

h(X)＝0，g(X)≥0.X∈Eⁿ  X表示为欧式空间中的一个点(向量)。

根据函数f(X)的连续性可以将优化问题分为两大类：连续函数的最优化与离散函数的最优化。后者也可以称为组合优化问题。有许多组合优化问题从理论上是可行的，但是事实上却不可行，因此，这类问题称为NP-Hard难题。通常运用传统的运筹学方法只能解决静态数据的优化控制调度问题。而对于实际生产中的动态数据的处理一直是困扰的一个难题。

发明内容

本发明提出一种优化调度控制中动态数据的自适应处理方法，其动态数据的运算及数据之间的匹配相对准确，运行数据的速度较快，对在不确定环境下的动态数据的调度和基于模糊规则的遗传算法来实现优化，该方法简单方便。

本发明一种优化调度控制中动态数据的自适应处理方法，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。

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)