【技术实现步骤摘要】
本专利技术涉及计算机，更具体的说是涉及一种基于偏序聚类和改进差分进化算法的任务分配方法。
技术介绍
1、在现代社会中，任务分配是管理和组织工作的核心环节。它广泛应用于包括生产制造、项目管理、人力资源、多机器人或多无人机协同等各个领域。有效的任务分配能够确保资源的合理利用、任务的及时完成以及工作流程的优化等。然而，传统的任务分配方法通常依赖于人工干预和经验，存在较大的局限性如效率低、分配不均衡、不能适应动态变化环境等。
2、任务分配问题的解决方法有很多，传统的方法主要有线性规划、整数规划、动态规划、贪婪算法等，这些算法通常适用于小规模任务分配问题。随着社会的发展，大规模任务规划问题应用需求越来越多。目前对于大规模任务分配问题通常使用遗传算法、差分进化算法、粒子群算法、灰狼算法等启发式算法或群智能算法，这些算法提高了任务分配的智能性和自适应性，但在求解大规模任务分配问题时效率仍然不够理想。此外利用机器学习和人工智能技术，也可以构建任务分配模型，该模型可以根据历史数据和模式来预测最佳任务分配策略，这类方法可以提供高度个性化的任务分配方案，但需要大量的样本数据和训练。
3、因此，提出一种基于偏序聚类和改进差分进化算法的任务分配方法，来解决现有技术存在的困难，是本领域技术人员亟需解决的问题。
技术实现思路
1、有鉴于此，本专利技术提供了一种基于偏序聚类和改进差分进化算法的任务分配方法，在一定条件下既能满足大规模任务分配快速高效需求，同时确保任务量均衡。
2
3、一种基于偏序聚类和改进差分进化算法的任务分配方法，包括以下步骤：
4、s1、获取所有任务的基本信息，对任务簇的质心坐标进行编码作为差分进化算法的个体，对个体种群进行初始化；
5、s2、对种群进行变异和交叉操作；
6、s3、根据种群中每个任务的坐标与所有质心的距离构建偏序表，然后利用偏序聚类法将所有任务分配到对应的任务簇中；
7、s4、偏序聚类完毕后更新所有任务簇的质心并编码构成新的个体；
8、s5、选择偏序聚类方法返回新个体中适应度最小的个体作为当前最优个体进入下一阶段变异、交叉、聚类以及选择过程直至满足终止条件；
9、s6、最终进行解码并输出最优任务分配方案。
10、可选的，s2中个体的变异操作中缩放因子f采用非线性递减的调整策略，其表达式为：
11、
12、其中，t是当前迭代次数，tmax是最大迭代次数，c和c0为常数。
13、可选的，s3中任务分配包括：
14、计算每个未分配任务到k个质心的距离然后进行两次排序：
15、记dj,i(1≤j≤n,1≤i≤k)为第j个任务到第i个质心的距离，第一次排序针对每一个点到k个质心的距离从小到大排序，排序后其中是第j个任务到所有质心的最小距离，称为第一距离，称第二距离；
16、第二次排序针对所有未分配任务第二距离从大到小进行排序，排序后其结果满足：
17、
18、其中下标im2(m＝1,2,…,n)是第二距离对应质心的编号。
19、可选的，s3中的任务分配还包括：
20、根据偏序即第二距离从大到小的顺序依次将未分配任务归为到它距离最小的并且总任务量不饱和的任务簇中，直至某个任务簇的任务饱和为止，同时更新这些任务的状态为已分配；
21、如果某个任务簇的总任务量已饱和，则对剩余未分配任务以及不饱和任务簇质心重建新的偏序表，然后依据新的偏序表继续分配剩余任务直至所有任务分配完毕。
22、可选的，s4中任务分配完毕后，更新每个任务簇的质心pi(1≤i≤k)，编码后得到第g+1代个体的候选值提供给进化算法选择；质心的计算公式为：
23、
24、其中ci表示第i簇任务坐标集合，μj为权重。
25、可选的，s5中选择操作具体为：
26、比较实验个体与当前个体的适应度值，如果实验个体的适应度值更优，则将替换成把作为参数解码输入偏序聚类算法反馈得到的任务质心编码否则保持当前个体不变。
27、可选的，选择操作公式为：
28、
29、其中适应度值的计算公式为
30、
31、其中d(x,y)表示x与y之间的欧几里得距离。
32、经由上述的技术方案可知，与现有技术相比，本专利技术公开提供了一种基于偏序聚类和改进差分进化算法的任务分配方法，具有以下有益效果：
33、(1)本专利技术首次提出了偏序聚类算法，针对大规模任务分配问题该算法可以快速高效地进行任务分配，同时确保任务量均衡；
34、(2)改进了差分进化算法，以偏序聚类算法的计算结果作为适应度值进行优化，从而能够快速计算出最优任务分配方案；以偏序聚类反馈的结果更新智能优化算法中的个体，加快了优化算法收敛速度。
本文档来自技高网...【技术保护点】
1.一种基于偏序聚类和改进差分进化算法的任务分配方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于偏序聚类和改进差分进化算法的任务分配方法，其特征在于，
3.根据权利要求1所述的一种基于偏序聚类和改进差分进化算法的任务分配方法，其特征在于，S3中任务分配包括：
4.根据权利要求3所述的一种基于偏序聚类和改进差分进化算法的任务分配方法，其特征在于，S3中的任务分配还包括：
5.根据权利要求1所述的一种基于偏序聚类和改进差分进化算法的任务分配方法，其特征在于，
6.根据权利要求1所述的一种基于偏序聚类和改进差分进化算法的任务分配方法，其特征在于，S5中选择操作具体为：
7.根据权利要求6所述的一种基于偏序聚类和改进差分进化算法的任务分配方法，其特征在于，选择操作公式为：
【技术特征摘要】
1.一种基于偏序聚类和改进差分进化算法的任务分配方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于偏序聚类和改进差分进化算法的任务分配方法，其特征在于，
3.根据权利要求1所述的一种基于偏序聚类和改进差分进化算法的任务分配方法，其特征在于，s3中任务分配包括：
4.根据权利要求3所述的一种基于偏序聚类和改进差分进化算法的任务分配...
【专利技术属性】
技术研发人员：邱法聚，沈峥，王田，凌錾岳，施科益，胡建荣，项科忠，杨骥杰，徐圣永，余挺杰，陆奇，
申请(专利权)人：宁波市特种设备检验研究院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。