應用混沌反向灰狼算法的多終端復雜任務調度策略

摘 要： 大型復雜機電設備或特種高危貴重物品倉儲、運輸過程常需要對設備狀態及周圍環境信息進行實時監控。而在監控過程中經常遇到多終端復雜任務協調難題，由于多終端任務調度是一個NP（non-deterministic polynomial）優化問題，高效的調度策略可極大縮短調度等待時間。基于此，文章提出一種融合多種策略的灰狼調度方法，建立新的編碼方式與離散空間映射，應用混沌系統不確定性初始化種群，以自適應慣性權重來平衡調度方法的全局優化性能與收斂速度，引入反向學習思想擴大算法尋優范圍。實驗結果表明調度方法將系統等待時間有效縮減10.06%，其終端負載及最小等待時間明顯優于其他算法，驗證了調度策略的有效性及優越性。

關鍵詞： 數據終端; 復雜任務; 灰狼算法; 調度策略

中圖分類號： TB9; TP23 文獻標志碼： A 文章編號： 1674–5124（2024）10–0073–08

0 引 言

在大型復雜機電設備或特種高危、貴重物品的倉儲、運輸過程中，往往需要對設備狀態及環境信息進行實時監測。隨著倉儲、運輸規模的不斷擴大，傳統監測系統中采用監測節點與PC 上位機配合的方法中上位機可移動性差、配置成本高、維護難度大等不足日漸突出。手持式數據終端彌補了傳統監測系統中間監控層的空白，通過手持終端的配置將大規模的運輸任務細化分割，既提升了數據獲取效率又保證了檢測人員的安全。

復雜機電設備或特種高危貴重物品的運輸、倉儲過程需要對其溫度、濕度、有害氣體濃度等眾多指標進行監測。由于監測環境的復雜、多變需要眾多終端設備共同參與監測任務，任務調度方案的優劣會直接影響系統等待時間，高效任務調度策略是提高數據采集效率、減少等待時間的關鍵所在。現有任務調度算法主要以任務完成時間最短為優化目標。文獻[1] 指出任務調度問題中存在完成時間較長、負載不均衡以及資源利用低下等問題。文獻[2] 提出一種安全感知的實時調度算法提高任務安全性，保證任務實時可調度但難以應對大規模調度問題。文獻[3] 以犧牲普通任務運行來保證關鍵任務的可調度性普適性更好，但對模型精準度依賴較大。隨著智能算法的快速發展，諸如遺傳算法、粒子群算法、蟻群算法、灰狼算法等算法被應用于解決調度問題并且效果顯著。文獻[4] 提出了一種基于改進遺傳算法的任務調度策略優化最小完成時間，但該算法隨機性較大，算法收斂速度較慢。為了解決這一問題，文獻[5] 提出了一種改進蟻群算法的任務調度策略，減少了任務完成時間并提高了資源利用率，但存在需要迭代次數過多、易陷入局部最優等問題。文獻[6] 提出了一種基于灰狼算法（grey wolf optimization， GWO） 的選星模型，證明了GWO 算法的優越性，但其應用于連續優化問題無法解決復雜任務多終端調度問題。文獻[7] 提出了一種灰狼算法應用于煉鋼－連鑄調度問題，有效解決可調加工時間煉鋼－連鑄調度問題，但編碼方式不適用于復雜任務多終端調度問題。多終端復雜任務調度問題的離散性導致編碼困難，終端等待時間與負載情況需要同時進行優化，急需一種高效優化算法對多終端復雜任務調度問題的調度方案進行優化。

因此，針對復雜任務多終端調度問題本文首次提出了一種融合多種策略的混沌反向學習灰狼算法（chaos opposition-based learning in grey wolfoptimization， COLGWO）。算法基于混沌優化策略，采用分段Logistic 混沌系統生成初始種群，提升種群的遍歷性和隨機性來提升數據精度；利用非線性變化雙曲正切函數代替原算法的參數調節全局搜索和局部搜索比重，前期主要進行全局搜索避免陷入局部最優，后期主要進行局部搜索提升算法的收斂速度；對每一代種群最優解和最差解進行反向學習，加入隨機擾動進一步避免算法陷入局部最優，以此克服灰狼算法的不足。