一种基于偏序聚类和改进差分进化算法的任务分配方法

技术领域

本发明涉及计算机技术领域，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。

背景技术

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。

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。

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。

发明内容

有鉴于此，本发明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。

为了实现上述目的，本发明提供如下技术方案：

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：

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；

S2、对种群进行变异和交叉操作；

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；

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；

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；

S6、最终进行解码并输出最优任务分配方案。

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：

其中，T是当前迭代次数，T

可选的，S3中任务分配包括：

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：

记d

第二次排序针对所有未分配任务第二距离

其中下标i

可选的，S3中的任务分配还包括：

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；

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。

可选的，S4中任务分配完毕后，更新每个任务簇的质心P

其中C

可选的，S5中选择操作具体为：

比较实验个体

可选的，选择操作公式为：

其中适应度值的计算公式为

其中d(X,Y)表示X与Y之间的欧几里得距离。

经由上述的技术方案可知，与现有技术相比，本发明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：

(1)本发明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；

(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。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1为本发明提供的一种基于偏序聚类和改进差分进化算法的任务分配的方法流程图；

图2为本发明差分进化算法变异操作步骤中非线性缩放因子F的图像；

图3为本发明实施例提供的任务待分配示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

参照图1所示，本发明公开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，具体包括以下步骤：

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；

S2、对种群进行变异和交叉操作；

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；

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；

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；

S6、最终进行解码并输出最优任务分配方案。

具体的，S1包括：

S101：获取任务的基本信息，包括任务总数n、任务所在地点的坐标Q

S102：对所有任务簇的质心坐标进行编码作为差分进化算法的个体，令

取NP个个体组成的种群

具体的，S2包括：变异操作：令变异个体

其中r

缩放因子F采用非线性递减的调整策略，其表达式为：

其中C取0.3，C

如图2所示，横坐标代表迭代次数，纵坐标是缩放因子F的值，本示意图中最大迭代次数选取的是200，实际问题中可根据需要进行调整。F是一个非线性递减的函数，迭代开始时，F的值等于C+C

在上述变异操作后需要检测

进一步，S2包括交叉操作：将个体

其中rand()为随机函数，返回(0,1)之间的一个随机数。CR为交叉概率，其值越大，发生交叉的概率越大，一般取0.3，j

具体的，S3分为以下步骤：

S301，解码个体

S302，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。记d

表1

表中第1列是任务编号，第2列是任务所在点的坐标，这里以二维平面坐标为例，如果是3维空间中的任务分配则相应为3维坐标，第3列至第6列是任务所在点到质心距离排序后的结果。经过两次排序后任务编号顺序以及质心编号顺序依据第二距离排序后相应发生改变。第二距离对应表1中的第4列，排序后其结果满足：

其中下标i

S303，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。

下面结合图3具体说明。如图3所示，假设有12个未分配任务以及3个任务质心，星号(“*”)所在的点P

从图3可以看出，实心圆所表示的任务t距离质心P

如果某个任务簇总任务量已饱和，则令k←k-1并更新n为剩余未分配任务的个数，重复S301至S303直至所有任务分配完毕。

具体的，S4分为以下步骤：

S401，更新每个任务簇的质心P

其中C

S402，计算每个任务到其质心的距离之和作为适应度值，其具体公式如下

其中d(X,Y)表示X与Y之间的欧几里得距离。

具体的，S5中选择操作包括：比较实验个体

S6：判断是否满足终止条件，若满足则解码并输出任务分配结果，否则重复S2至步骤S6。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。