在物联网智能微分进化方案网络资源

文摘

调度是一项基本因素在管理物联网的网络资源。物联网系统等生产线,有效运作,有必要找到一个智能管理方案,即。、调度网络资源。在这项研究中,我们关注multiskill资源受限项目调度问题(MS-RCPSP),组合优化问题的研究受到了人们的广泛关注社区由于其优势在网络资源管理。近年来,许多方法已被用于解决这一问题,如遗传算法和蚁群优化。尽管这些方法介绍各种优化技术,也会发生过早收敛问题。此外,以往的研究只有在验证仿真数据但不真实数据的工厂。本文制定了MS-RCPSP然后叫民主党提出了一个新颖的算法来解决这个问题。该算法是基于微分进化metaheuristic开发的。此外,我们构建重新分配函数来提高解决方案的质量,因此该算法快速收敛到全局极值,同时避免陷入局部极值。评估算法的性能,我们进行实验iMOPSE,先前的作者在他们的研究中使用的模拟数据集研究。 In addition, DEM was verified on real dataset supported by a famous textile industry factory. Experimental results on both simulated data and real data show that the proposed algorithm not only finds a better schedule compared with related works but also can reduce the processing time of the production line currently used at the textile industry factory.

1。介绍

物联网系统不仅包括传感器和自动化机器如机器人智能控制和管理算法(1]。智能算法来管理网络资源发挥关键作用在控制自动化机器如机器人的操作,使他们能够把自己的全部力量为用户服务。

Multiskill资源受限项目调度问题(MS-RCPSP),一个组合优化问题,研究社区受到了人们的广泛关注,近年来由于其优势在网络资源管理和调度为物联网系统。MS-RCPSP的主要目的是找到将任务分配给资源的方式,以便执行时间最小。

近年来,MS-RCPSP广泛应用,发现这个问题不仅在民用领域也在军事环境中至关重要。MS-RCPSP出现的大规模军事行动计划等机载任务或路由一个无人机(UAV) (2,3]。

剩下的纸是组织如下。节2,我们现在一些以前的方法解决MS-RCPSP等相关工作。具体来说,总结微分进化方法包含在这一节中。微分进化是一个著名的进化算法,有效地应用于解决np难问题。在这篇文章中,该算法受微分进化方法。节3,我们现在的系统模型和MS-RCPSP的声明。本节介绍了制定MS-RCPSP。部分4描述了该算法,它是基于微分进化策略(4]。在本节中,我们专注于提供重新分配函数,这是关键组件,创建了该算法的力量。除此之外,本节介绍我们的设计进度表示和新的测量模型测量两个时间表的差异。该算法(民主党)也介绍了在这一节中。模拟结果分析该算法计算和比较结果和分析部分5。模拟由使用iMOPSE数据集[5本节中给出。此外,本节描述实验从TNG收集工厂的数据集,一个著名的国家纺织公司。最后,部分6总结了论文,并概述了一些未来工作方向。

2。相关的工作

2.1。近似算法MS-RCPSP

调度问题出现在许多实际情况(6- - - - - -11]。在一般情况下,调度被证明是np难。的作者(5,12,13]表明MS-RCPSP,本文中提到的问题,我们是一个np难调度问题。此外,MS-RCPSP多通道或不连续和极具挑战性与传统优化方法来解决。在过去的几年里,提出了各种方法来解决MS-RCPSP,从而找出智能算法来分配和管理网络资源在物联网系统14- - - - - -17]。一些流行的metaheuristic算法是遗传算法(GA),蚁群优化(ACO)和粒子群优化(18- - - - - -22]。

苏et al。23)使用了一个混合整数模型和离散约束来解决问题。Maghsoudlou et al。24)和Bibiks et al。25]multirisk布谷鸟搜索算法应用于计划项目与三个不同的评价目标。林等。26)提出了一种新的基于遗传算法的解决方案和其他一些启发式算法。

Myszkowski et al。5,13]提出的混合算法的结合微分进化策略和贪婪的方法安排产品制造业的人力资源项目和计算分时电价和微分转移支付。作者旨在实现最短时间和低成本,给一个新基准数据集称为iMOPSE [5一个人工数据集),基于现实世界MS-RCPSP实例。

MS-RCPSP研究和应用在许多实际的规划领域的物联网。还一些作者研究的新变种MS-RCPSP和应用在不同的领域。Mejia [3)开发的一个新变体MS-RCPSP协调核实验室的研究活动。Hosseinian [27)提出了两种新的算法,P-GWO遐,解决MS-RCPSP恶化效应和金融约束(天然气处理公司的案例研究)。在另一项研究中,Hosseinian等人提出了一个新的混合整数规划的时间MS-RCPSP考虑到学习效果(28]。

Nemati-Lafmejani et al。29日)开发了一个综合处理多模RCPSP biobjective优化模型。该模型的目标是最小化这两个项目的成本和时间。解放和杨30.)提出了一个混合metaheuristic算法,结合蚁群优化和变量附近搜索方法在网格计算作业调度。

一些先前的研究也一直在进行解决RCPSP的其他子问题,一般MS-RCPSP问题,提高网络资源管理的效率在特定领域的物联网。Ballestin和亮氨酸31日]和Javanmard [32)及其同事研究了特定情况下RCPSPs如multiskill随机和先发制人的问题来计算项目实施时间,即。考,并建立数学模型对项目资源的投资。

2.2。微分进化方法

微分进化(DE)是一种基于随机优化算法引入Storn和价格(4]。德的优势在于它的简单,效率和速度由于本地搜索方法。德处理旧一代的原始人口使用变异算子在新一代创造更好的解决方案。直到现在,德显然是公认的方法,有可能解决np难度(4,33)问题。

田边等人Ghosh和Das (34,35)提出了一个DE-based调度问题的方法在网格计算环境中,它的目的是减少执行时间和增加更多的参数调整高效果。

像其他进化方法,DE执行人口的发展通过使用三种接线员:交叉(重组)、变异和选择。德和遗传算法之间的主要区别,经典进化算法,是由于变异算子。DE变异算子使用方向信息来改变当前人口的解决方案如下。

考虑到人口组成的解决方案,他们每个人都包括D组件,因此一个特定的解决方案是用一个向量表示x_我= (x_我,2,x_我,2x、…_我,维),x_我,我∈R,我= 1,2,…N;j= 1,2,…D。

创建突变的解决方案一个给定的解决方案x_我,德挑出三个随机从当前人口不同的解决方案:x_r1≠x_r2≠x_r3≠x_我,然后突变的解决方案决定如下: 常数的价值在哪里F扮演的角色变异因子,在区间[0,1]。因为变异系数F是用来调整方向向量的大小,它也被称为定向跳长度。

执行突变步骤后,交叉操作是由结合父母的解决方案x_我和突变的解决方案 。执行交叉算子通过选择一个随机数CR (CR∈[0,1])交叉的概率。交叉的结果所代表的一步是向量(u_{1,- 1},u_1、2,……u_N,D), (我)我= 1,2,…N;j= 1,2,…D。(2)兰德_我,我:变异因素。(3)我_兰德:一个范围内的随机数不同[1,D]。多亏了我_兰德,突变的解决方案总是不同于父母的解决方案x_我。

最后,从创建下一代x_我和u_我如下:

自1997年以来,德已经由研究人员开发的各种版本。本文提出的一种变体DE算法,使用以下术语和约定:(我)一个解决方案是一个时间表,执行特定任务的计划(2)搜索空间的维数等于任务的数量

3所示。系统模型和定义

3.1。RCPSP

MS-RCPSP RCPSP的只是一个特例。之前的提纲multiskill RCPSP,古典RCPSP的描述将介绍如下。(我)假设一个给定的项目由定向noncyclical图表示G(V,E),描绘了一个任务,每个节点的弧代表finish开始优先两个任务之间的关系。弧(u, )∈E显示任务u之前必须完成的任务开始(图1)。(2)没有任何区别,两个空任务被添加到项目中。第一个是放置在项目的开始的前任其他任务,而第二个空任务是放置在过程结束的继任者其他任务。(3)持续时间(也称为执行时间)的任务是计算从一开始时间到结束时间的任务。(iv)每个任务的执行进度不能停止,直到它完成。(v)每个任务需要的资源数量执行。

RCPSP的目标是找出这样的安排的任务优先级和资源约束满足最大完工时间和最小化。RCPSP已被证明是np难(12]。在整个论文中,我们使用术语“考”指的是项目的执行时间,也称为项目持续时间。的过程中寻找最优计划,优先级操作之间的约束和资源约束条件必须得到满足。

3.2。MS-RCPSP配方

摘要MS-RCPSP [5,13,36)被选中,是因为它比一般更实际的问题,RCPSP。MS-RCPSP使用额外的属性、技能问题公式化。每个任务需要特定的技能在执行给定的水平,而每个资源拥有一些技能与水平。因此,资源能够执行任务如果有技能要求B在相同或更高的水平。

深化研究MS-RCPSP之前,我们来看一看一些符号如下:(我)d_j:任务的持续时间j;P_j:前辈的子集的任务j(2)问_j:任务所需的技能的子集j(3)问_k:技能的子集所拥有的资源k(iv)问:技能的集合,问_k⊆问(v)拉尔夫-舒马赫:资源的集合(vi)T:任务的集合(七)T_k的任务:一组资源k可以执行,T_k⊆T(八)RS_k:资源的集合,可以执行的任务k,RS_k⊆RS(第九)年代_j,F_j:开始时间和结束时间的任务j(x)U_{j, k}^t:U_{j, k}^t= 1的资源k是分配给的任务j在给定的时间t;U_{j, k}^t在其他情况下= 0(十一)l_问:给定的技能水平问;h_问:类型的技能问(十二)问_j:任务所需的技能j(十三)τ:时间安排(十四)PS:一个可行的时间表(十五)PS_所有:所有可行的时间表(十六)f(PS):考的PS

每个时间表(PS)负责协调n任务和米资源。

在形式上,MS-RCPSP可以表示如下: 在哪里

4所示。算法

4.1。计划表示

在这项研究中,每一个计划或解决方案是由一个向量,由元素;元素的个数(向量)的大小和数量的任务都是一样的。某个元素的值描述了资源,可以执行相应的任务。

例1。给定一组任务T={1,2,3,4,5,6,7,8,9,10}和一组资源RS = {1,2,3}。MS-RCPSP的目标是找出可以最小化最大完工时间的安排,同时满足优先级任务之间的约束(图1)。
考虑一组任务T={1,2,3,4,5,6,7,8,9,10}和资源RS = {1,2,3}。优先级任务之间的约束是描绘在图11,任务是task 2的前任,因此任务2不能执行,直到完成任务1:年代₂≥F₁。没有任务3和4之间的关系;因此,它们同时或顺序执行。
除此之外,在这个例子中,我们假设(我)年代_k=年代_我∀k,我∈RS(2)问_k=问∀k∈RS(3)RS_k= RS∀k∈RS表中给出了任务的持续时间1。
一个可行的时间表项目显示在图2最大完工时间,可以看出是15。
上述时间表是显示在表2,资源执行的任务数1、2、6、8和9;资源2分配给执行任务数3和7;资源3处理剩余的任务。

4.2。度量模型

微分进化算法主要是专为实值数据。不过,像大多数其他的调度问题,MS-RCPSP处理离散值,因此有必要对德的离散变量。此外,这种离散DE算法需要一个模型来代表MS-RCPSP两个时间表的差异等因素。在本文中,我们建立一个新的度量模型测量两个时间表的差异如下:(我)单位向量P=(p₁,p₂、……p_n);p_我= 100 / (k_我−1),k_我是资源的数量可以执行任务我(2)计划的区别X=(x₁,x₂、……x_n)和进度Y=(y₁,y₂、……y_n)是用微分向量D=X- - - - - -Y=(d₁,d₂、……d_n)在哪里 订单(x_我):资源的位置(x_我在RS)_我(3)的总和Y和微分向量D是安排X=(x₁,x₂、……x_n)在哪里 位置(我):资源对应的位置我

例2。假设有6资源可以处理任务1:RS₁= {R₁,R₃,R₄,R₅,R₉,R₁₀}。因此,k₁= 6;p₁= 100 / (6 - 1)= 20。假设有5个资源可以处理任务2:RS₂= {R₃,R₅,R₇,R₈,R₁₀}。因此,k₂= 5;p₂= 100 / (5 - 1)= 25。资源的顺序在表的测量模型3。
考虑2时间表:X=(3、5);Y=(5,10)。任务分配表所示4。
D=X- - - - - -Y=(d₁,d₂),d₁=p₁。Abs(订单(x₁)−订单(y₁))= 20。Abs (1 - 3) = 40。
d₂=p₂。Abs(订单(x₂)−订单(y₂))= 25。Abs (1 - 4) = 75。因此,D=(75)。考虑D '=(35.71,5.23)。如表所示5,我们有Z=X+ D '=(5、8)。

4.3。民主党提出的算法

该算法(微分进化multiskill,或民主党)中描述的算法1:(我)停止准则:循环while-end而如果之间的差异将会停止吗考连续几代人是小于一个阈值(2)大小:人口的解决方案(3)F:参数的变异算子(iv)克雷格:交叉概率(v)n:数量的任务

第25行所示,在古典DE突变和选择等步骤执行,函数重新分配()以减少候选人的时间安排bestnest。这个函数的程序将在下一节详细处理(算法2):

currentBest:最好的时间表在目前这一代的人口。R_b:根据时间表最牛逼的安排(第3行),R_b是最后的资源,完成它的工作。在图3在重新分配函数被称为之前,R_b是资源1。maxResource():函数返回最后一个资源来完成(第3行)。大小():函数返回给定集合或数组的元素的个数(第5行)。newmakespan:考的新时间表(11行),获得从旧计划的重新分配的任务我。这个任务我从资源R_b(9)行资源R_我(j)(第10行)。

4.4。函数重新分配

行12和13证明新计划(最牛逼)比旧的计划(currentBest)考而言,这意味着函数重新分配当然返回一个更好的计划。此外,该函数重新分配指导DEM算法在正确的方向上找到一个新的时间表(最牛逼)基于最佳解决方案(currentBest);因此,它继承了先进的基因组的人口以及旧的时间表。

例3。给定的一组任务T={1,2,3,4,5,6,7,8,9,10},的一组资源RS = {1,2,3}。资源可以执行任务1,2,3,4,6,8,9,10;资源2可以执行任务1、3、7和9;资源3可以处理任务1、4、5、8、9和10所示。任务描述在图之间的关系1,并给出任务的持续时间在表1。
考虑一个时间表(PS)如表所示6。从观察,图4表明,考f(PS) = 17。
新的时间表,函数的结果重新分配表中描述7。
图4说明功能重新分配将安排PS转换成新的安排通过分配任务9资源2而不是资源1。由于这种分配,新计划达到更好考(15)相比,旧的时间表(17)。

5。实验

实验模拟数据集和真实数据集上进行了评估与以往的算法相比,提出算法的性能如GreedyDO和GA。我们首先利用模拟iMOPSE数据集,一组人为项目实例创建了基于数据库获得国际公司,对该算法的性能进行评估。

5.1。仿真模拟数据集上

5.1.1。iMOPSE数据集

模拟数据集iMOPSE [5)已被用于研究现有算法GreedyDO和GA (13,36];因此,我们进行模拟iMOPSE数据集之间相当比较民主党和算法。

如表所示8,iMOPSE实例分为15个类别根据以下属性:(我)任务和资源的数量(2)任务优先级关系的数量(3)技能的数量

所有模拟都运行在PC与英特尔核心i5-CPU 2.2 GHz, 6 GB RAM,和操作系统Windows 10。我们所有iMOPSE实例所使用的模拟表中列出8。

5.1.2中。参数和系统设置

仿真是由使用以下:(我)模拟环境:Matlab版本。2014年(2)仿真工具:以前的算法如遗传算法的性能是相当评估利用GARunner [13];作者提供的仿真工具的算法(3)输入数据:15 iMOPSE表中描述的实例8(iv)人口数量的解决方案N_p:100(v)数量的代 :50000年(vi)因为所有的考虑算法近似,我们在每个实例上运行35次平均值,标准偏差值,最好的价值

5.1.3。仿真结果

仿真结果如表所示9和10,考GreedyDO找到了最好的解决方案,遗传算法,该算法(民主党)(以小时为单位)。表9表明,考通过GA总是比被GreedyDO收购。

表10说明了平均值,最好的价值,找到的最大完工时间的标准差和GA和民主党提出的算法。

从观察表中的结果9和10显示,(我)解决方案发现民主党比贪婪的从16%增加到78%和GA从0%降至21%。(2)平均值(表9):民主党比贪婪的从15%增加到77.5%和GA从0.7%降至20.8%。(3)灵感来自于微分进化策略,该算法使用两个参数来指导的生成解决方案中生成下一代:(i)的经验向量人口和(2)解决方案的经验向量在不同的几代人。民主党不仅继承了微分进化方法的那些优势,还利用函数重新分配,改善其性能。因此,民主党有更快的收敛性和更大的稳定性,由标准偏差表所示9(Std)列。民主党的总标准差是19.5而GA的价值是55.7;这个结果证明了DEM算法比遗传算法的稳定性。(iv)此外,使用标度表示解决方案帮助民主党更准确地计算解决方案之间的偏差,在下一代创造更好的解决方案。

5.2。模拟在真实数据集

5.2.1。TNG数据集

实验模拟数据集上有时是不准确和不满意。为了克服这个缺点,我们收集的数据集TNG投资和交易股份公司(37),一个著名的国家纺织公司。TNG数据集实例和参数有以下特点:(我)公司产品缝纫合同业务合作伙伴的合同;每个订单大量样品的产品(2)每个产品都有一定数量的阶段,每一个都需要一定的时间来完成(3)每个订单将被分配给一群工人(iv)每组包含许多工人(v)每个工人的技能评级是基于他的排名

上述参数的数据集转换成适当的格式如表所示11。

表11表明TNG数据集参数将代表如下:(我)订单的业务合作伙伴”是由一个项目(2)产品是由一个任务的阶段(3)一个工人在工厂里由一个资源表示问题公式化(iv)工人等级是由资源的技术水平(v)任务执行的顺序是由任务的优先级(vi)订单执行时间由项目实施的总时间,即。,考

转换后,数据如表所示12

5.2.2。参数和系统设置

实验设置:(我)输入数据:8实例表中列出12(2)人口数量的解决方案N_p:100(3)数量的代 :50000年(iv)仿真模拟数据集,我们每个TNG数据集实例上运行35次得到最好的价值

5.2.3。仿真结果

为了证明算法的有效性(民主党),我们进行实验通过使用现实世界从TNG公司收集的数据集。民主党将会与其他算法与之前的研究相比,GreedyDO和GA。这些算法的性能记录和观察利用GARunner Myszkowski创造的工具等。13]。

表13包含时间(以小时)最好的解决方案通过GreedyDO, GA和民主党。此外,实际项目的执行时间间隔TNG工厂列TNG所示。

表13证明时间发现民主党比那些通过GA和GreedyDO。表13和图5还强调,计划发现的进化算法总是比实际项目的执行时间短TNG工厂。

相比TNG工厂执行时间,考GreedyDO和GA算法减少了4% -51%,-42%和7%分别,而民主党的最佳结果是16% - -61%。这个结果是可以理解的,因为到目前为止所有的项目已经手动将基于调度程序的经验。

这个实验结果的统计分析表明,民主党取得了更好的解决方案比之前的算法。由于定向性质,民主党不仅可以确保快速收敛,还能防止陷入局部极值。在TNG实验数据集,民主党最大完工时间减少了从16%到61%相比,当前工厂安排。

6。结论和未来的工作

之一,本文提出了探讨MS-RCPSP组合优化问题具有广泛的实际应用在科学、技术和生活。MS-RCPSP是制定和提出数学模型,然后一个新颖的算法称为民主党提出了基于微分进化策略。

MS-RCPSP,本文调查的主题,具有重要意义在物联网网络资源管理。MS-RCPSP我们研究考虑资源的技能水平,实际项目的一个重要因素。灵感来自微分进化metaheuristic,我们发明了一种新的进化算法,它有能力超越了之前所有的方法。我们构建一个名为重新分配的函数,这是关键组件,创建了该算法的力量。这个函数避免了空闲时间间隔在一个给定的时间表,提高解决方案的质量。

分析该算法的效率,进行各种模拟并与前面的算法。除了模拟数据集,所支持的实际数据集TNG公司也被用于评估。仿真结果表明,我们的算法比现有算法更有效。民主党实现不仅更好的质量解决方案,而且更快的收敛到全局极值与之前相比算法。

在接下来的步骤中,我们正在计划提高DEM算法通过使用混合随机漫步和高斯统计功能。我们将实现本地搜索操作进一步提高解决方案的质量。同时,我们将整合高斯概率分布来改善解空间的搜索方向修改。由于改进,我们预计,该算法不会落入当地极端的陷阱。

在未来,我们将利用DE metaheuristic集成的高斯分布和高斯统计函数(38,39)提高寻找最优解的有效性,避免当地极端的陷阱。

数据可用性

本文使用标准iMOPSE数据集测试算法的效率。这个数据集是公开的http://imopse.ii.pwr.wroc.pl/并且是免费的。此外,我们还测试了该算法与TNG服装制造业数据集。我们从TNG获得许可使用这些数据。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

我们感激TNG投资和交易股份公司给我们关于他们的项目的信息,以及向我们提供他们的工厂数据集。

引用

1. z Ning, g .徐:熊et al .,”石弹:成本效益的阈值为物联网验证重量,”IEEE访问7卷,第30125 - 30112页,2019年。视图:出版商的网站|谷歌学术搜索
2. m . Alirezaei s t . A . Niaki, s . A . A . Niaki”bi-objective混合优化算法来减少噪声和数据维度在糖尿病诊断使用支持向量机,”专家系统与应用程序卷。127年,47-57,2019页。视图:出版商的网站|谷歌学术搜索
3. 共和党Mejia”,一个新的RCPSP变体安排核实验室研究活动,”学报》第47届国际会议上电脑和工业工程(CIE47)2017年10月,里斯本,葡萄牙,。视图:谷歌学术搜索
4. k .价格、r . Storn和j . Lampinen微分进化实用的全局优化方法施普林格,柏林,德国,2005年。
5. y Myszkowski、b . Paweł和e . s . Marek”一个新的基准数据集复合型资源受限项目调度问题,”学报2015年联合会议上计算机科学和信息系统(FedCSIS)2015年9月,IEEE,索非亚,保加利亚,。视图:谷歌学术搜索
6. 曾y:熊,t·H金”在多通道无线传感器网络信道分配和调度,”学报2008年第33 IEEE会议上本地计算机网络(LCN)加拿大蒙特利尔,页512 - 513,,2008年10月。视图:出版商的网站|谷歌学术搜索
7. n h . Cheng Xiong, l·t·杨“分布式调度算法在无线网状网络的访问,”学报》22日国际会议上先进的信息网络和应用程序(Aina 2008)冲绳,页509 - 516年,日本,2008年11月。视图:出版商的网站|谷歌学术搜索
8. g ., a . v . Vasilakos, n .熊”调度并行的云计算服务:一个进化的游戏,”学报2009年第一次国际会议信息科学和工程南京,页376 - 379年,中国,2009年12月。视图:出版商的网站|谷歌学术搜索
9. w·聂:熊,j . h .公园,和杨,”一个fair-oriented两级调度方案在wimax网络下行流量,”学报》2010年第2国际会议信息技术融合和服务,页1 - 6,宿务岛,菲律宾,2010年1月。视图:出版商的网站|谷歌学术搜索
10. w .郑:熊:Ghani m .彭a . v . Vasilakos和l .周”自适应调度无线视频传输的高速网络,”学报2011年IEEE计算机通讯大会上车间(INFOCOM WKSHPS),第185 - 180页,上海,中国,2011年1月。视图:出版商的网站|谷歌学术搜索
11. p . j .谢的董,w .唐:熊,h .钟和a . v . Vasilakos“绩效评估的多路径TCP的调度算法,IEEE访问7卷,第29825 - 29818页,2019年。视图:出版商的网站|谷歌学术搜索
12. r·克莱因资源受限项目调度施普林格科学商业媒体,纽约,纽约,美国,2000年。
13. p . b . Myszkowski m . Laszczyk Nikulin,和e . Skowronski”“iMOPSE:图书馆复合型bicriteria优化的资源受限项目调度问题””,软计算,23卷,不。10日,3397 - 3410年,2019页。视图:出版商的网站|谷歌学术搜索
14. h .程:熊、黄x和l·t·杨,“一个有效的调度模型在无线传感器网络广播”《2013年IEEE国际研讨会上并行和分布式处理IEEE,页1417 - 1428年,剑桥,妈,美国,2013年5月。视图:出版商的网站|谷歌学术搜索
15. 林,w .郭:熊,A . v . Vasilakos g . Chen和h张“大数据预处理工作流调度方法应用在multicloud环境中,“IEEE网络和服务管理,13卷,不。3、581 - 594年,2016页。视图:出版商的网站|谷歌学术搜索
16. 林,w•郭g . Chen n .熊和r·李,“成本驱动调度对多重云deadline-constrained工作流,”《2015年IEEE国际并行和分布式处理研讨会上IEEE,页1191 - 1198年,海得拉巴,印度,2015年5月。视图:出版商的网站|谷歌学术搜索
17. z l . Tan朱、f .通用电气和n .熊”效用最大化无线网络资源分配:方法和算法,”IEEE系统,人,和控制论:系统,45卷,不。7,1018 - 1034年,2015页。视图:出版商的网站|谷歌学术搜索
18. p .郭w . Cheng和y王”一般的变邻域搜索总迟到单机调度问题step-deteriorating工作,“工业和管理杂志》上的优化,10卷,不。4、1071 - 1090年,2014页。视图:出版商的网站|谷歌学术搜索
19. Kavitha和p . Venkumar”,一个充满活力的杂交社会蜘蛛与遗传算法优化策略对柔性工作车间调度问题,“测量和控制,53卷,不。1 - 2篇文章ID 0020294019889085, 2020。视图:谷歌学术搜索
20. a . p . Agrawal, a超和a·考尔”一个有效的回归测试用例选择使用鲸鱼混合优化算法,”国际期刊的分布式系统和技术,11卷,不。1,53 - 67年,2020页。视图:出版商的网站|谷歌学术搜索
21. w·郭,j . h .公园,l·t·杨,a . v . Vasilakos n .熊和g·陈,“MST-based拓扑控制方案的设计和分析算法对无线传感器网络来说,”学报2011年IEEE亚太服务计算会议IEEE,页360 - 367年,济州岛,韩国,2011年11月。视图:出版商的网站|谷歌学术搜索
22. x壮族,h .程:熊,l·t·杨”通道分配在multi-radio基于pso算法的无线网络,”《2010年第五届国际会议上未来的信息技术,页1 - 6、釜山、韩国,2010年11月。视图:出版商的网站|谷歌学术搜索
23. c·t·苏·m·c·澳网,a·门德斯“建设性的项目调度启发式资源可用性与迟到成本问题,“建筑工程与管理》杂志上卷,144篇文章ID 04018074, p。2018。视图:出版商的网站|谷歌学术搜索
24. h . Maghsoudlou b . Afshar-Nadjafi s t Akhavan Niaki,和美国Niaki全能项目调度等级相关返工风险;三基于布谷鸟搜索多目标机制,”应用软计算卷,54岁,46 - 61年,2017页。视图:出版商的网站|谷歌学术搜索
25. k . Bibiks Y.-F。胡,j。李·皮拉伊和a . Smith”改进的离散布谷鸟搜索资源受限项目调度问题,“应用软计算卷,69年,第503 - 493页,2018年。视图:出版商的网站|谷歌学术搜索
26. j·林、l .朱和k高,“遗传编程hyper-heuristic复合型资源受限项目调度问题的方法,”专家系统与应用程序,第140卷,第112915页,2020年。视图:出版商的网站|谷歌学术搜索
27. a . h . Hosseinian和诉Baradaran P-GWO遐:两个新算法MSRCPSP恶化效应和金融约束(天然气处理公司的案例研究),“应用智能,50卷,第2176 - 2151页,2020年。视图:谷歌学术搜索
28. a . h . Hosseinian诉Baradaran, m . Bashiri”建模的时间多面手RCPSP考虑学习效果,”造型在管理杂志》上,10卷,2019年。视图:谷歌学术搜索
29. r . Nemati-Lafmejani h . Davari-Ardakani h . Najafzad,“多模式资源受限项目调度和承包商选择:数学公式和metaheuristic算法,”应用软计算文章ID 105533卷,81年,2019年。视图:出版商的网站|谷歌学术搜索
30. y解放和美国,“混合meta-heuristic自主作业调度算法在网格计算中,“应用软计算卷,72年,第517 - 498页,2018年。视图:谷歌学术搜索
31. f . Ballestin r .低浓缩铀,“资源受限的项目调度与随机活动持续时间,及时完成项目”生产与运作管理》,18卷,不。4、459 - 474年,2009页。视图:出版商的网站|谷歌学术搜索
32. s . Javanmard b . Afshar-Nadjafi s t Akhavan Niaki,和S.T.K. Niaki,“先发制人的全能的资源投资项目调度问题:数学模型和解决方案方法,”计算机与化学工程卷。96年,55 - 68、2017页。视图:出版商的网站|谷歌学术搜索
33. 诉Feoktistov,微分进化施普林格,纽约,纽约,美国,2006年。
34. 美国田边、f .良治和a .巨大“Success-history建立参数微分进化适应的,”《2013年IEEE国会在进化计算IEEE,墨西哥坎昆,2013年11月。视图:谷歌学术搜索
35. t·k·戈什和s Das,”一个新颖的基于萤火虫算法和混合算法微分进化计算网格作业调度,“国际期刊的分布式系统和技术,9卷,不。2,页1 - 15,2018。视图:出版商的网站|谷歌学术搜索
36. h . Najafzad h . Davari-Ardakani, r . Nemati-Lafmejani”复合型项目调度问题在分时电价和微分转移支付,”能源卷,168年,第636 - 619页,2019年。视图:出版商的网站|谷歌学术搜索
37. http://www.tng.vnTNG投资和交易股份公司,434/1 bac菅直人街,太原城,越南。
38. l·康R.-S。陈:熊,y . c . Chen y。胡,C.-M。陈,“选择hyper-parameters高斯过程回归基于惯性粒子群优化物联网,”IEEE访问7卷,第59513 - 59504页,2019年。视图:出版商的网站|谷歌学术搜索
39. m .吴:熊,l . Tan“自适应基于范围目标定位采用扩散高斯牛顿法在工业环境中,“IEEE工业信息,15卷,不。11日,第5930 - 5919页,2019年。视图:出版商的网站|谷歌学术搜索

版权

版权©2020 Huu见鬼Quoc等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。