申请/专利权人：东南大学

申请日：2021-03-02

公开（公告）日：2024-06-21

公开（公告）号：CN112860407B

主分类号：G06F9/48

分类号：G06F9/48;G06F9/50;G06Q10/0631

优先权：

专利状态码：有效-授权

法律状态：2024.06.21#授权;2021.06.15#实质审查的生效;2021.05.28#公开

摘要：本发明公开了一种云边协作的序列依赖流水车间任务调度执行优化方法，该方法针对序列依赖的流水车间任务调度问题，对此类问题的传统云边协作任务调度模式进行了三个方面的执行优化；在边缘服务器处获取调度任务所需的生产数据，并对计算所得的中间结果进行压缩后再上传至云端；在云服务器获取边缘服务器上传的中间结果，自动化选择合适的调度算法后以中间结果作为算法输入进行求解并返回结果；在边缘服务器接收到调度结果后更新模型参数，起到云边协同训练的效果。

主权项：1.一种云边协作的序列依赖流水车间任务调度执行优化方法，其特征在于，该方法包括以下步骤：步骤1针对序列依赖的流水车间任务调度问题，建立云边协作的任务调度执行框架，该框架分为边缘处理与云端求解两个模块，两个模块之间通过中间结果进行交互，在边缘服务器处生成中间结果后上传至云计算中心，云计算中心以此作为输入进行算法求解并返回结果，边缘服务器接收到结果后进行解析并返回；步骤2对中间结果进行边缘服务器层面的执行优化，主要关注云边传输时延，边缘服务器靠近用户与终端设备，有计算时延与数据传输时延，作为边缘服务器输出的中间结果，其数据量的大小直接影响到云边之间的传输时延，故而需要在边缘服务器处对中间结果数据进行数据压缩以减少云边之间的传输数据量；步骤3对调度算法进行云计算中心层面的执行优化，关注算法执行时延，不同规模与准确性要求的调度任务有着不同的计算资源需求与算法执行时长，需要根据企业用户的不同需求，按需提供多样化服务与计费方式，在满足用户需求的前提下充分利用云平台计算资源并减小计算时间；步骤4对模型参数进行云边协作层面的执行优化，关注调度算法准确性,通过云计算中心与边缘服务器之间的有机协作完成任何单一服务器所无法独自完成的计算任务，边缘服务器与云平台相对于彼此来说都是黑盒状态，通过合理设计边云协同训练模式，并进行训练来优化调度模型，以获取更高质量的调度结果；步骤5结合步骤2、3、4中分别从中间结果数据、排产算法选择、模型参数训练三个角度出发，对数据传输时延、算法执行时延、算法准确性三个方面制定的执行优化机制进行云边协同模式下的序列依赖流水车间任务调度；其中，在步骤2中，所述对中间结果的执行优化方法具体如下：2.1边缘服务器处理模块的任务在本质上就是对物料的多属性信息进行提取，并且将提取出的物料各属性信息转化为物料之间的综合属性差异值costi,j并将其以N×N的矩阵形式输出，随着物料数量N的增加，中间结果的规模也会以平方规模增长，数据量仍会增加云边之间的传输延迟；2.2在输入的工业数据中，物料信息X＝x1x2…xn表示物料集合中包含n块物料，任意物料表示物料中包含k个属性项，而参数向量α＝α1α2…αk分别对应各项属性的参数，则gi，j，α表示物料i，j之间的综合属性差异即costi，j，其表现形式如下所示，其中，为物料i，j之间的各项属性差异，其结果为中间结果G中对应物料i，j之间的综合属性差异值； 2.3若属性差异无需构造评价函数，则gi，j，α可表示为物料i，j之间各项属性原始数据差的加权和，如下公式所示： 对其以物料为分组，并进行多项式拆分、合并后可得到如下公式： 令表示提炼出的物料i的综合属性值，其计算方法如下公式所示： 可将范式接口G的形式转化为一维向量形式：X1，X2，...，Xn，至此可实现将N×N的矩阵数据转化为N×1的向量，进一步减少了工业上传数据，将其上传至云排产平台后，只需根据任意Xi，Xj的值就可计算综合属性差异，并将该向量还原为N×N的矩阵数据，如下公式所示：costi，j＝|Xi-Xj|2.4若属性差异需要构造评价函数，则gi，j，α不再表示为物料i，j之间各项属性原始数据差的加权和，而是经过原始数据经过映射之后的函数值加权和，如下公式所示：

全文数据：

权利要求：

百度查询： 东南大学 一种云边协作的序列依赖流水车间任务调度执行优化方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD