【技术实现步骤摘要】
【国外来华专利技术】
本专利技术的各种实施方式总体上涉及调度大规模资本项目，并且更具体地涉及结合深度强化学习训练的人工智能自动调度器来接收项目数据库输入并自动生成详细的、优化的调度。
技术介绍
1、设计、构建和管理大规模建筑项目的建造需要复杂的软件来协调完成项目所需的资源。此外，由于其他项目需要使用相同的有限资源的事实，大型项目的建造通常需要有限供应的并且可能在有限的时间窗口中可用的资源。因此，在由其他大规模项目强制施加的约束内管理大规模项目需要能够适应资源与约束之间的非常复杂相互作用的全面管理解决方案。
2、已经开发出可以接收项目输入(诸如，要计划的总工作)以及接收将总工作分解为子项目的软件。然而，这种类型的程序可能仍然需要用户完成适应各种资源和对这些资源强制施加的约束所需的复杂调度。启发式方法可以应用于小的任务集，但是即使对于非常熟练的专家来说，大型项目的调度也变得非常具有挑战性。由于组装这种复杂调度的复杂性，许多项目超出预算并落后于调度。
技术实现思路
1、根据本专利技术的一个实施方式，一种使用电子设备生成任务调度的系统，所述系统包括：处理器，所述处理器包括神经网络；存储器，所述存储器联接到所述处理器；调度器，所述调度器联接到所述处理器，所述调度器被配置为：接收以下项：总工作数据库，所述总工作数据库被配置为包含表示工作包的条目；资源数据库，所述资源数据库被配置为包含表示满足所述工作包中的条目所需的资源的条目；约束数据库，所述约束数据库被配置为包含表示满足所述工作包中的条目的约束的条目；
2、所述系统可以包括总工作数据库，所述总工作数据库至少包括要调度的多个工作包的第一列表。资源数据库可以包括要执行的多个工作包中的每个工作包的资源需求的第二列表以及要调度的多个工作包的每个资源需求的时间需求的第三列表。约束数据库可以包括针对要执行的多个工作包的每个资源需求的资源类型的第四列表、针对要执行的多个工作包的每个资源需求的每个资源类型的数量的第五列表以及针对要执行的多个工作包的每个资源需求的每个资源类型的时间可用性的第六列表。调度目标数据库可以从一组调度目标中选择，所述一组调度目标至少包括最小化平均减速、最小化平均完成时间、最大化资源利用效率、优先化满足期望的客户日期以及优先化满足客户成本估计。
3、调度器可以基于来自总工作数据库、资源数据库、约束数据库和调度目标数据库的输入来生成最优工作包调度。调度器可以使用已经通过强化学习训练的神经网络来生成最优工作包调度，以使主要目标最大化。神经网络可以包括一个输入层、具有多个神经元的一个或更多个隐藏层以及一个输出层。
4、根据本专利技术的另一实施方式，一种自动优化分层工作分解结构的第三级工作包的调度的ai自动调度器，其中，分层工作分解结构包括：表示要计划的总工作的第一级；表示子系统的第二级；以及表示工作包的第三级；其中，ai自动调度器被配置为：接收以下项：第一级数据库，所述第一级数据库被配置为包含表示要计划的总工作的项目；第二级数据库，所述第二级数据库被配置为包含表示总工作到子系统的逻辑分解的条目；第三级数据库，所述第三级数据库包括最终完成第一级中列出的工作将需要完成的所有组件和活动；约束数据库，所述约束数据库被配置为包含表示满足工作包的约束的条目；以及调度目标数据库，所述调度目标数据库被配置为指定要由第三级工作包实现的主要目标；基于来自第一级数据库、第二级数据库、第三级数据库、约束数据库和调度目标数据库的输入，使用经训练的强化学习引擎自动地生成用于第三级工作包的最优调度，该最优调度对要在分层工作分解结构内实现的主要目标进行优先化。
5、ai自动调度器可以自动确定和分配资源需求、时间帧、针对给定工作包的资源之间的依赖性以及针对第三级工作包的工作包之间的依赖性。ai自动调度器可以自动地对与给定的第二级子系统有关的第三级条目进行排序。
6、ai自动调度器可以自动协调跨多个工作包的资源的可用性，使得给定资源将在工作包中的排序的第三级条目需要时可用。ai自动调度器可以自动协调跨多个工作包的资源的可用性，使得多个工作包相对于给定资源被优化。ai自动调度器还接收与工作包中的排序的第三级条目的执行有关的反馈，并且基于未完成的第三级条目的列表和完成这种条目所需的资源来自动更新第三级条目的顺序。
7、ai自动调度器还可以接收关于调度最优实践的行业专家反馈，并更新经训练的强化学习引擎。ai自动调度器可以基于未完成的第三级条目的列表自动更新第三级条目的顺序。ai自动调度器可以利用更新后的经训练的强化学习引擎来自动更新完成这种条目所需的资源。
8、ai自动调度器可以产生多个优化的第三级工作包候选，并且呈现对第三级工作包的调度的替代选项。ai自动调度器可以提供对第三级工作包的调度的洞察，使得行业专家可以由经训练的强化学习引擎训练。
9、根据本专利技术的另一实施方式，一种使用强化学习生成用于满足大规模资本项目的最优任务调度的方法包括：接收总工作数据库，所述总工作数据库被配置为包含表示工作包中的任务的条目；接收资源数据库，所述资源数据库被配置为包含表示满足工作包中的条目所需的资源的条目；接收约束数据库，所述约束数据库被配置为包含表示满足工作包中的条目的约束的条目；接收调度目标数据库，所述调度目标数据库被配置为指定要由最优任务调度实现的一个或更多个主要目标；提供经训练的强化学习引擎，所述经训练的强化学习引擎基于来自总工作数据库、资源数据库、约束数据库和调度目标数据库的输入来以优化任务调度；以及使用经训练的强化学习引擎生成最优任务调度，以对工作包中的条目进行排序；其中，最优任务调度使一个或更多个主要目标最大化。
10、根据本专利技术的另一实施方式，一种训练人工智能软件以进行新任务调度的方法包括：通过模拟以下项的多个不同组合来生成针对多个不同工作项目的多个数据集并且针对多个数据集中的每个数据集训练强化学习引擎以使一个或更多个主要目标最大化：总工作数据库，所述总工作数据库被配置为包含表示安装工作包的条目；资源数据库，所述资源数据库被配置为包含表示满足所述安装工作包中的条目所需的资源的条目；约束数据库，所述约束数据库被配置为包含表示满足所述安装工作包中的条目的约束的条目；以及调度目标数据库，所述调度目标数据库被配置为指定要由新任务调度实现的一个或更多个主要目标。
11、总工作数据库可以至少包括要执行的多个任务的第一列表。资源数据库可以包括针对要执行的多个任务中的每个任务的资源需求的第二列表和针对要执行的多个任务的每个资源需求的时间需求的第三列表。约束数据库可以包括针本文档来自技高网...
【技术保护点】
1.一种使用电子设备生成任务调度的系统，所述系统包括：
2.根据权利要求1所述的系统，其中：
3.根据权利要求1所述的系统，其中，所述调度目标数据库选自至少包括以下项的调度目标组：最小化平均减速；最小化平均完成时间；最大化资源利用效率；优先化满足期望的客户日期；以及优先化满足客户成本估计。
4.根据权利要求1所述的系统，其中，所述AI自动调度器基于来自所述总工作数据库、所述资源数据库、所述约束数据库和所述调度目标数据库的输入来生成所述最优工作包调度。
5.根据权利要求1所述的系统，其中，所述AI自动调度器使用已经通过强化学习训练的所述神经网络来生成所述最优工作包调度，以使所述主要目标最大化。
6.根据权利要求5所述的系统，其中，所述神经网络包括：一个输入层，具有多个神经元的一个或更多个隐藏层，以及一个输出层。
7.根据权利要求1所述的系统，其中，所述最优任务调度包括：要执行的多个工作包的所述第一列表的顺序，针对要执行的所述多个工作包中的每个工作包的开始日期和结束日期，针对要执行的所述多个工作包中的每个工作包的
8.根据权利要求1所述的系统，其中，所述AI自动调度器还被配置为提供：人工智能总作业持续时间服务；人工智能资源需求服务；人工智能工作包依赖性服务；以及人工智能资源依赖性服务。
9.根据权利要求8所述的系统，其中，所述服务被提供为基于云的微服务。
10.一种AI自动调度器，所述AI自动调度器用于自动优化分层工作分解结构的第三级工作包的调度，其中，所述分层工作分解结构包括：
11.根据权利要求10所述的AI自动调度器，其中，所述AI自动调度器自动确定并分配资源需求、时间帧、针对给定工作包的资源之间的依赖性、以及针对所述第三级工作包的工作包之间的依赖性。
12.根据权利要求10所述的AI自动调度器，其中，所述AI自动调度器对与给定的第二级子系统有关的第三级条目进行自动排序。
13.根据权利要求11所述的AI自动调度器，其中，所述AI自动调度器自动协调跨多个工作包的资源的可用性，使得给定资源将在所述工作包中的经排序的第三级条目需要时是可用的。
14.根据权利要求10所述的AI自动调度器，其中，所述AI自动调度器自动协调跨多个工作包的资源的可用性，使得所述多个工作包相对于给定资源被优化。
15.根据权利要求14所述的AI自动调度器，其中，所述AI自动调度器还接收与所述工作包中的经排序的第三级条目的执行有关的反馈，并且基于未完成的第三级条目的列表和完成这样的条目所需的资源来自动更新第三级条目的顺序。
16.根据权利要求10所述的AI自动调度器，其中，所述AI自动调度器还接收关于调度最佳实践的行业专家反馈，并且更新所述经训练的强化学习引擎。
17.根据权利要求16所述的AI自动调度器，其中，所述AI自动调度器利用更新后的经训练的强化学习引擎基于未完成的第三级条目的列表和完成这样的条目所需的资源来自动更新第三级条目的顺序。
18.根据权利要求11所述的AI自动调度器，其中，所述AI自动调度器产生多个优化的第三级工作包候选，并且呈现对第三级工作包的调度的替代选项。
19.根据权利要求10所述的AI自动调度器，其中，所述AI自动调度器提供对所述第三级工作包的调度的洞察，使得行业专家能够通过所述经训练的强化学习引擎被训练。
20.一种使用强化学习生成用于满足大规模资本项目的最优任务调度的方法，所述方法包括：
21.一种训练人工智能软件进行新任务调度的方法，所述方法包括：
22.根据权利要求21所述的方法，其中：
23.根据权利要求21所述的方法，其中，所述强化学习引擎包括网络架构，所述网络架构包括神经网络。
24.根据权利要求23所述的方法，其中，所述神经网络具有：一个输入层，具有多个神经元的一个或更多个隐藏层，以及输出层。
25.根据权利要求23所述的方法，其中，权重分布使用具有不同标准偏差的高斯分布。
26.根据权利要求21所述的方法，其中，所述强化学习引擎是深度强化学习引擎。
27.根据权利要求26所述的方法，其中，所述深度强化学习引擎基于奖励函数从模拟训练数据进行学习。
28.根据权利要求21所述的方法，其中，所述一个或更多个主要目标选自至少包括以下项的目标组：最小化平均减速；最小化平均完...
【技术特征摘要】
【国外来华专利技术】
1.一种使用电子设备生成任务调度的系统，所述系统包括：
2.根据权利要求1所述的系统，其中：
3.根据权利要求1所述的系统，其中，所述调度目标数据库选自至少包括以下项的调度目标组：最小化平均减速；最小化平均完成时间；最大化资源利用效率；优先化满足期望的客户日期；以及优先化满足客户成本估计。
4.根据权利要求1所述的系统，其中，所述ai自动调度器基于来自所述总工作数据库、所述资源数据库、所述约束数据库和所述调度目标数据库的输入来生成所述最优工作包调度。
5.根据权利要求1所述的系统，其中，所述ai自动调度器使用已经通过强化学习训练的所述神经网络来生成所述最优工作包调度，以使所述主要目标最大化。
6.根据权利要求5所述的系统，其中，所述神经网络包括：一个输入层，具有多个神经元的一个或更多个隐藏层，以及一个输出层。
7.根据权利要求1所述的系统，其中，所述最优任务调度包括：要执行的多个工作包的所述第一列表的顺序，针对要执行的所述多个工作包中的每个工作包的开始日期和结束日期，针对要执行的所述多个工作包中的每个工作包的调度图表，针对要执行的所述多个工作包的所述第一列表的开始日期和结束日期，以及针对要执行的多个工作包的所述第一列表的调度图表。
8.根据权利要求1所述的系统，其中，所述ai自动调度器还被配置为提供：人工智能总作业持续时间服务；人工智能资源需求服务；人工智能工作包依赖性服务；以及人工智能资源依赖性服务。
9.根据权利要求8所述的系统，其中，所述服务被提供为基于云的微服务。
10.一种ai自动调度器，所述ai自动调度器用于自动优化分层工作分解结构的第三级工作包的调度，其中，所述分层工作分解结构包括：
11.根据权利要求10所述的ai自动调度器，其中，所述ai自动调度器自动确定并分配资源需求、时间帧、针对给定工作包的资源之间的依赖性、以及针对所述第三级工作包的工作包之间的依赖性。
12.根据权利要求10所述的ai自动调度器，其中，所述ai自动调度器对与给定的第二级子系统有关的第三级条目进行自动排序。
13.根据权利要求11所述的ai自动调度器，其中，所述ai自动调度器自动协调跨多个工作包的资源的可用性，使得给定资源将在所述工作包中的经排序的第三级条目需要时是可用的。
14.根据权利要求10所述的ai自动调度器，其中，所述ai自动调度器自动协调跨多个工作包的资源的可用性，使得所述多个工作包相对于给定资源被优化。
15.根据权利要求14所述的ai自动调度器，其中，所述ai自动调度器还接收与所述工作包中的经排序的第三级条目的执行有关的反馈，并且基于未完成的第三级条目的列表和完成这样的条目所需的资源来自动更新第三级条目的顺序。
16.根据权利要求10所述的ai自动调度器，其中，所述ai自动调度器还接收关于调度最佳实践的行业专家反馈，并且更新所述经训练的强化学习引擎。
17.根据权利要求16所述的ai自动调度器，其中，所述ai自动调度器利用更新后的经训练的强化学习引擎基于未完成的第三级条目的列表和完成这样的条目所需的资源来自动更新第三级条目的顺序。
18.根据权利要求11所述的ai自动调度器，其中，所述ai自动调度器产生多个优化的第三级工作包候选，并且呈现对第三级工作包的调度的替代选项。
19.根据权利要求10所述的ai自动调度器，其中，所述ai自动调度器提供对所述第三级工作包的调度的洞察，使得行业专家能够通过所述经训练的强化学习引擎被训练。
20.一种使用强化学习生成用于满足大规模资本项目的最优任务调度的方法，所述方法包括：
21.一种训练人工智能软件进行新任务调度的方法，所述方法包括：
22.根据权利要求21所述的方法，其中：
23.根据权利要求21所述的方法，其中，所述强化学习引擎包括网络架构，所述网络架构包括神经网络。
24.根据权利要求23所述的方法，其中，所述神经网络具有：一个输入层，具有多个神经元的一个或更多个隐藏层，以及输出层。
25.根据权利要求23所述的方法，其中，权重分布使用具有不同标准偏差的高斯分布。
26.根据权利要求21所述的方法，其中，所述强化学习引擎是深度强化学习引擎。
27.根据权利要求26所述的方法，其中，所述深度强化学习引擎基于奖励函数从模拟训练数据进行学习。
28.根据权利要求21所述的方法，其中，所述一个或更多个主要目标选自至少包括以下项的目标组：最小化平均减速；最小化平均完成时间；最大化资源利用效率；优先化满足期望的客户日期；以及优先化满足客户估计。
29.根据权利要求21所述的方法，其中：
30.根据权利要求21所述的方法，其中，所述强化学习引擎被配置为提供：人工智能总作业持续时间服务；人工智能资源需求服务；人工智能任务依赖性服务；以及人工智能资源依赖性服务。
31.根据权利要求30所述的方法，其中，所述服务被提供为基于云的微服务。
32.一种训练人工智能软件进行新任务调度的系统，所述系统包括：
33.根据权利要求32所述的系统，其中：
34.根据权利要求32所述的系统，其中，所述强化学习引擎包括网络架构，所述网络架构包括神经网络。
35.根据权利要求34所述的系统，其中，所述神经网络具有：一个输入层，具有多个神经元的一个或更多个隐藏层，以及输出层。
36.根据权利要求34所述的系统，其中，权重分布使用具有不同标准偏差的高斯分布。
37.根据权利要求32所述的系统，其中，所述强化学习引擎是深度强化学习引擎。
38.根据权利要求37所述的系统，其中，所述深度强化学习引擎基于奖励函数从模拟训练数据进行学习。
39.根据权利要求32所述的系统，其中，所述一个或更多个主要目标选自至少包括以下项的目标组：最小化平均减速；最小化平均完成时间；最大化资源利用效率；优先化满足期望的客户日期；以及优先化满足客户估计。
40.根据权利要求32所述的系统，其中：
41.根据权利要求32所述的系统，其中，所述强化学习引擎被配置为提供：人工智能总作业持续时间服务；人工智能资源需求服务；人工智能任务依赖性服...
【专利技术属性】
技术研发人员：K·K·梅格哈尼，G·U·库玛，K·K·博德拉，T·R·U·基兰，K·马达瓦拉姆，J·维尔玛，
申请(专利权)人：赫克斯冈技术中心，
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。