[发明专利]基于优化粒子群的供电所智能云平台任务调度算法及系统

说明书

本发明公开基于优化粒子群的供电所智能云平台任务调度算法及系统，包括以下步骤：1)初始化粒子群，结合任务调度问题的规模对粒子进行编码；2)对于粒子群中的每一个粒子，基于遗传算法中的交叉和变异策略更新粒子的位置，计算目标函数值并更新粒子的个体最优值P_i和群体最优P_g；3)判断算法是否收敛，若是则进入步骤4，否则进入步骤6；4)判断算法是否早熟，若早熟则进入步骤5，否则进入步骤6；5)进行混乱扰动处理，并返回步骤2；6)判断是否达到最大迭代次数，若是，则输出最优解，否则返回步骤2。本发明能够提高粒子群算法用于供电所智能云平台进行任务调度时的搜索效率和精度。

技术领域

本发明属于智能电网、云计算技术领域，具体为基于优化粒子群的供电所智能云平台任务调度算法及系统。

背景技术

云计算技术是现阶段互联网行业中比较流行的一种新技术，是由分布式计算、并行计算、效用计算、网络存储、虚拟化以及负载平衡等传统计算机与新兴的网络技术相结合而发展得来的。在智能电网技术领域引入云计算，能够在保证现有电力系统硬件基础设施基本不变的情况下，对当前系统的数据资源和处理器资源进行整合，从而大幅提高电网实时控制和高级分析的能力，为智能电网技术的发展提供有效的支持。

供电所智能云平台的任务调度问题是一种NP完全问题，近年来兴起的启发式智能优化算法为了解决这类问题提供了新的思路，邬开峻等提出的基于离散粒子群优化DPSO的任务调度算法。秦洪武等在考虑将总任务完成时间最小化的同时，兼顾任务的平均完成时间，提出了一种改进的遗传算法DFGA，张春艳等提出基于分组多态蚁群算法，侦察蚂蚁负责初始化信息素，搜索蚂蚁负责搜索解，使得平均完成时间降低。但是执行成本未在这些算法中作为限制因素进行考虑，导致了执行成本往往过高。粒子群优化算法(PSO)是一种进化计算技术，1995年由Eberhart博士和kennedy博士提出，源于对鸟群捕食的行为研究。该算法最初是受到飞鸟集群活动的规律性启发，进而利用群体智能建立的一个简化模型。粒子群算法具有模型简单、操作便捷、鲁棒性强、易于实现且有着深刻的智能特征的优点，但是也存在易陷入局部最优解的缺点。

发明内容

本发明针对上述现有技术缺陷中的至少一种，提供基于优化粒子群的供电所智能云平台任务调度算法及系统，能够提高粒子群算法用于供电所智能云平台进行任务调度时的搜索效率和精度。

为实现上述目的，本发明采用的技术方案是：

基于优化粒子群的供电所智能云平台任务调度算法，包括以下步骤：

初始化粒子群，结合供电所智能云平台任务规模对粒子进行编码；

对编码后的每个粒子进行交叉和变异运算；

根据交叉和变异运算的结果更新粒子的位置和目标函数值；

判断算法是否收敛；

若算法收敛，则判断算法是否早熟；

若算法早熟，则在达到最大迭代次数时输出最优解。

优选地，判断算法是否收敛之后进一步包括：若算法不收敛，则在达到最大迭代次数时输出最优解。

优选地，判断算法是否早熟之后进一步包括：若算法早熟，则进行混乱扰动处理，并在处理后根据遗传算法的思想重新进行交叉和变异运算。

优选地，基于适应度进行混乱扰动处理。

优选地，交叉和变异运算包括：

在每一次的迭代中，X₀(i)表示粒子i的分配序列，将粒子i的分配序列与个体最优解位置的分配序列进行交叉算子操作，得到的结果为

将与全局最优解位置的分配序列进行交叉算子操作，得到结果为