亚洲成年人黄色一级片,日本香港三级亚洲三级,黄色成人小视频,国产青草视频,国产一区二区久久精品,91在线免费公开视频,成年轻人网站色直接看

基于智能優(yōu)化算法的云制造計算資源可重構(gòu)配置方法

文檔序號:7888423閱讀:234來源:國知局
專利名稱:基于智能優(yōu)化算法的云制造計算資源可重構(gòu)配置方法
技術(shù)領(lǐng)域
本發(fā)明涉及一種基于智 能優(yōu)化算法的云制造計算資源可重構(gòu)配置方法,即支持復雜多目標計算資源配置流程中,對計算資源、任務屬性規(guī)則在線動態(tài)設計與求解的智能優(yōu)化算法的動態(tài)重構(gòu),以及通過多策略規(guī)則重構(gòu)及優(yōu)選提升不同條件下復雜計算資源配置效率的決策方法,屬于計算機集成制造系統(tǒng)中機器學習、算法及人工智能技術(shù)領(lǐng)域。
背景技術(shù)
在現(xiàn)有面向服務制造技術(shù)和模式推動之下,云制造作為ー種新型網(wǎng)絡化制造模式,集中云計算、虛擬化等核心技木,g在為分布式集成制造進ー步帶來智能化管理和高效資源共享。在云制造模式下,計算資源自身作為主要計算能力及設備管理和監(jiān)控中介,主要通過虛擬接入、虛擬設施動態(tài)部署等方式抽象為虛擬資源,并根據(jù)運行需求或用戶任務請求,靈活地進行動態(tài)配置與管理。這些計算資源往往是分布于各個地方的各類服務器、存儲器、PC機、高性能計算機等運行支撐資源,它不同于單獨的機群(Cluster)或一般的對稱多處理器(SMP)等,屬于ー種強異構(gòu)資源的聯(lián)合,它也不同于以往的分布式資源,需要動態(tài)接入、動態(tài)配置與共享。當計算資源經(jīng)過虛擬化作為云制造平臺虛擬基礎設施支撐的時候,如何根據(jù)任務需求來動態(tài)配置執(zhí)行任務的CPU、存儲器、網(wǎng)絡等虛擬環(huán)境,不僅是云制造平臺高效運行的重要環(huán)節(jié),也是平臺構(gòu)建的一個難點所在。因此,在云制造平臺中,尋找高效能優(yōu)化算法解決計算資源的動態(tài)配置問題具有重要的理論價值和實際意義。云制造計算資源的配置(OptimalAllocation of Computing Resources,0ACR),是將用戶提交的任務集按適當?shù)呐渲貌呗杂成涞较鄳挠嬎闾幚碣Y源執(zhí)行,以實現(xiàn)資源的充分利用和任務的高效運行。它屬于ー種異構(gòu)的復雜虛擬資源調(diào)度問題,但它又不同于ー般并行環(huán)境下的任務調(diào)度問題。在云制造模式下,計算資源通常被劃分并抽象為虛擬機形式提供給不同的任務,且計算資源通常是海量的、強異構(gòu)的和動態(tài)接入的,具有分組通信特點及強NP-Hard的復雜性。同時,除了計算資源的復雜異構(gòu)之外,面向整個制造全生命周期的制造任務也異常復雜。這些任務通常包含多學科多目標協(xié)同過程,例如機械、電子、控制聯(lián)合仿真或制造,并且對制造資源的通信和計算能力需求很高??梢?,云制造計算資源配置中,直接影響資源使用效率和任務執(zhí)行效率的資源計算能力和通信能力均會因不同任務的分配和選擇產(chǎn)生動態(tài)變化,復雜性較高,且在求解過程中,傳統(tǒng)單一固定模型和単一算法難以滿足其隨條件動態(tài)變化的特性。結(jié)合云制造模式特色,總結(jié)現(xiàn)有計算資源配置背景,存在幾點問題(I)現(xiàn)有計算資源配置模型中均只考慮計算或通信因素ー種,且其屬性固定,無法表現(xiàn)虛擬化異構(gòu)系統(tǒng)下計算資源分組通信和動態(tài)接入特性以及計算能力虛擬化分特性;(2)云制造下全生命周期制造任務復雜,對計算資源通信/計算能力要求高且不斷變化;(3)用于求解計算資源配置NP-Hard問題的智能優(yōu)化算法的性能隨問題屬性的變化而變化,算法相對單ー固定,實際應用效果差;
(4)若配置環(huán)境的變化,配置效率得不到保障,資源得不到充分利用,資源配置器擴展性極低。
目前還沒有ー個可參考的研究工作用于解決上述配置動態(tài)性導致的效率低下問題,現(xiàn)有大多數(shù)研究主要側(cè)重于単一情況建模和算法求解,難以進入工程實際應用,如何融合計算資源動態(tài)配置動態(tài)約束與動態(tài)環(huán)境下的多重模型及其求解算法,以達到平臺中資源高效配置是云制造中一個亟待解決的問題。

發(fā)明內(nèi)容
本發(fā)明所要解決的技術(shù)問題本發(fā)明的目的在于提供一種基于智能優(yōu)化算法的云制造計算資源可重構(gòu)配置方法,它克服了現(xiàn)有研究和應用的不足,構(gòu)建了ー個通用、擴展性強的靈活配置機制,在基本模塊與附屬規(guī)則庫的基礎上動態(tài)重構(gòu)配置模型與智能算法,能有效地實現(xiàn)計算資源配置多種規(guī)則模型的融合及多種智能算法的支撐,使得應用過程中可靈活應對實際平臺中計算資源配置的復雜需求,解決以往平臺配置器存在的模型、算法的単一性和不可移植性瓶頸問題,更好的實現(xiàn)云制造模式下計算資源的多策略、多環(huán)境高效能智能化配置。本發(fā)明的技術(shù)方案一種基于智能優(yōu)化算法的云制造計算資源可重構(gòu)配置方法,即ー種根據(jù)需求和環(huán)境動態(tài)構(gòu)造計算資源配置模型,動態(tài)耦合計算資源配置智能算法的決策機制,該方法的具體步驟如下步驟ー基本計算資源模型與智能算法模塊的拆分和構(gòu)建的步驟。從求解的角度看,計算資源配置基本模型包含任務屬性和計算資源屬性,其約束、配置規(guī)則與配置目標均可分別獨立定義,因此,該步驟中首先對計算資源及制造任務相關(guān)屬性進行模塊化定義,并描述基本模塊與屬性、約束及規(guī)則之間的附加接ロ,使模型屬性、約束和規(guī)則均以獨立服務化形式體現(xiàn)。在此基礎上,根據(jù)智能算法的結(jié)構(gòu),將算法拆分為編碼、初始化、迭代進化、操作算子等基本模塊,由于對種群的操作統(tǒng)ー性,各模塊間可按順序直接調(diào)用與銜接,其輸入/輸出均為基于種群的屬性構(gòu)造與進化。這樣,就形成了模型與算法的服務化模塊拆分及基本模塊的構(gòu)建及其互聯(lián),在其基礎上,通過延伸接ロ的描述,可動態(tài)繼承基本模型/算法性質(zhì),并在此基礎上重構(gòu)模型與算法。步驟ニ 模型及算法附屬類庫的實現(xiàn)。在基本模塊的構(gòu)造基礎上,即是對模型及算法的進ー步分類擴充。從模型擴充的角度,考慮多種情況計算資源配置條件、約束、規(guī)則及目標等,將計算資源配置的多種約束與規(guī)則分別作為附加規(guī)則庫進行存儲,規(guī)則/約束可動態(tài)調(diào)用、添加或刪除,且其中的參數(shù)、變量等可動態(tài)修改,從而使得附加庫可全面包含計算資源配置涉及的條件及情況。從算法的角度,在基本算法流程基礎上,依據(jù)接ロ定義規(guī)貝1J,添加各種經(jīng)典算法的核心算子、典型改進算子及編碼策略作為附加類庫存儲,同樣,算子附加庫中的模塊也可以服務化形式動態(tài)調(diào)用、增加或刪除,在基本算法模塊與附加模塊的靈活匹配選擇的基礎上,即可構(gòu)造多種混合及改進智能優(yōu)化算法。從而,由基本模塊及附加庫的重構(gòu)耦合及動態(tài)修改,即可在極少存儲占用的基礎上,極大程度的包含計算資源配置的各種情形特征,并融合多種智能算法針對不同情況進行求解決策。然而,在上述兩個步驟基礎上,由于具體設計用戶常常不清楚哪種算法或哪ー類型的算法改進適合何種目標及何種規(guī)則約束下的計算資源配置決策,因此,在基本模塊及附加庫的基礎上需進ー步編寫不同需求下模型/算法附屬類庫的選擇匹配推薦規(guī)則。步驟三模型/算法附屬類庫的選擇匹配推薦規(guī)則構(gòu)建。該步驟即是針對不同約束不同目標下給予設計用戶以選擇匹配規(guī)則,即哪些模型規(guī)則約束組合,適合與哪ー類配置情況,以及哪些算子組合適合與哪ー類計算資源配置決策,并同時存入匹配庫。在該步驟中,需針對典型計算資源配置情況,如重點考慮通信能力的配置(邊調(diào)度)、重點考慮計算能力的配置(節(jié)點調(diào)度)或計算/通信平衡配置等,將模型規(guī)則及智能算子再次分類,以模糊策略設計不同需求下模型/算法匹配度,并根據(jù)匹配度進行內(nèi)部模塊優(yōu)選并提供組合推薦,利用服務組合思想,構(gòu)建智能匹配規(guī)則庫。此匹配庫與上述附加庫不同,為固定寫入系統(tǒng)平臺,用戶不可修改。且在匹配庫篩選并給出的組合方案推薦下,用戶可選擇采用推薦ー鍵組合或進行自定義重構(gòu)配置,從而進一步為計算資源配置中模型/算法基本模塊與附加庫的耦合提供支撐。步驟四支持模型/算法層次化透明化設計、動態(tài)顯示與暫停重配置的實現(xiàn)步驟。 即首先在基本模塊、附加類庫及匹配庫三大部分的基礎上,按模型到算法的重構(gòu)設計流程,提供模塊/算法設置界面,通過模型、算法分離,先模型后算法的界面流程對底層基本模型/算法模塊、附加庫進行重構(gòu)組合,在需求寫入,模型/算法設置中,匹配庫按需求解析給出可選附加庫匹配方案,從而體現(xiàn)層次化透明化的模塊級層次性重構(gòu)。在模型/算法設置完畢后,則以圖形化方式記錄基于種群捜索求解的全過程,并設置暫停重配置。這里的暫停重配置指的是在決策過程全程記錄中,暫停并記錄當前決策狀態(tài),井根據(jù)需求返回修改算法或模型,再在當前決策狀態(tài)基礎上繼續(xù)求解的過程。這樣,就進ー步增強了在線重構(gòu)的效率性,方便配置不合適時的返回調(diào)整。本發(fā)明的有益效果I、本發(fā)明以重構(gòu)的形式極大程度集成了云制造平臺中多種需求下計算資源配置問題模型與多種求解智能算法,同時為云制造計算資源配置各方面需求提供高效求解模式,解決了云制造平臺下配置器在效率上的単一性和不可移植性瓶頸。2、本發(fā)明以可重構(gòu)的形式提供了在線設計和在線計算資源配置功能,提高了平臺決策的靈活性和動態(tài)性,匹配庫的優(yōu)選重構(gòu)及平臺中動態(tài)暫停修改功能同時提供了不同需求下的決策自適應性。3、本發(fā)明對基本模塊、模型/算法附加類庫的松耦合特征結(jié)構(gòu)及動態(tài)可調(diào)特性為云制造平臺下計算資源配置決策器提供動態(tài)可擴展功能。即不僅可自適應選擇配置器內(nèi)部決策機制進行求解,還可根據(jù)自定義接ロ層次化自行定義模型/算法,平臺擴展性進ー步增強。4、本發(fā)明在可重構(gòu)配置基礎上提出的層次化設計和動態(tài)決策記錄的顯示進一歩清晰體現(xiàn)了計算資源配置流程,而透明化設計更方便動態(tài)微調(diào),使得計算資源配置更直觀,配置過程更簡單。


圖I是本發(fā)明方法構(gòu)造的簡單示意圖;圖2是本發(fā)明方法系統(tǒng)框架示意圖;圖3是本發(fā)明方法具體實施步驟示意圖
圖4是本發(fā)明實施方法的總體流程示意圖。
具體實施例方式
下面結(jié)合附圖與實施例對本發(fā)明作進ー步詳細的描述。本發(fā)明方法為實現(xiàn)云制造計算資源通信/計算能力充分利用及制造任務高效運行而設計了計算資源可重構(gòu)配置方法,此處以制造中機械/電子/控制協(xié)同設計計算任務需求為例對具體實施步驟進行描述,如圖3所示。設用戶提交任務包含機械設計運算任務10個及電子/控制設計運算任務10個,任務具有前驅(qū)后繼關(guān)系,從任務角度要求最短執(zhí)行時間,且云制造平臺中捜索到的可用計算資源為200個,并分布于不同地點。每個任務所需計算資源容量、計算速度不同,每個計算資源自身計算、通信屬性也互不相同,且計算資源計算、通信能力隨任務的分配動態(tài)變化,為了針對20個仿真任務指定井分配合適的計算資源節(jié)點,需要以下步驟。第一歩,計算資源配置模型的選擇與配置。計算資源可重構(gòu)配置的第一步即是模型的重構(gòu)。計算資源配置模型一般定義為任務和資源的集合即G = (P,T),并包含了配置求解的目標,如任務最短執(zhí)行時間或資源最大利用率等。一般模型中,計算資源及任務的約束均在P、T中作為屬性定義,任務與資源耦合規(guī)則則在算法中定義且規(guī)則固定。在本發(fā)明方法中,根據(jù)上述實現(xiàn)步驟,將任務和資源基本屬性定義在P與T中,將約束和算法中任務資源耦合規(guī)則抽取出來単獨存儲,并單獨定義求解目標,因此,在具體實施過程中首先,從系統(tǒng)和用戶兩方分別提取制造任務個數(shù)及屬性(任務的運算量大小,任務類型等),并讀入可用計算資源數(shù)量和狀態(tài)(所剩內(nèi)存容量,帶寬占用情況等),更新模型基本模塊屬性,得到任務占用資源大小、任務量與各個計算資源節(jié)點計算能力和通信能力值之間的矩陣關(guān)系進行存儲。然后,配置系統(tǒng)根據(jù)上述定量化參數(shù)將任務與計算資源基本屬性存儲與P、T中,并將任務和計算資源的約束、規(guī)則抽取出來。對于任務約束,也即是從用戶任務需求描述中分句提取用戶任務需求(包括可忍受的最長執(zhí)行時間,所占用的最小內(nèi)存,任務所需線程數(shù)以及任務是否需要與用戶的交互幾個方面),分別檢查模型附加庫中的約束集和規(guī)則集。若庫內(nèi)包含該種約束或規(guī)則,則直接選中附加規(guī)則,若庫內(nèi)不包含與需求完全符合的條目,則由匹配規(guī)則庫通過模糊選擇提供可選近似條目,由用戶決定接受改條目,或在該條目基礎上進行修改,或者手動自定義加入新的約束/規(guī)則條目。在此基礎上,配置系統(tǒng)需提取用戶提出的決策目標,并按上述方法在附加庫內(nèi)進行篩選。本例中,系統(tǒng)不僅要考慮用戶需求提出的任務執(zhí)行最短目標,還需考慮自身計算資源最低耗能目標,因此會在附加庫的目標函數(shù)中抽取最短時間函數(shù)和最低耗能函數(shù),若兩函數(shù)符合目標描述,則直接選中,若檢測不符合,則調(diào)整函數(shù)中的參數(shù)。在目標函數(shù)參數(shù)調(diào)整完畢后,設置兩個目標的權(quán)重,使總權(quán)重加和為I。另若配置為單目標優(yōu)化,可選擇接受附加庫自動篩選目標函數(shù)或自行編寫目標函數(shù)兩種方式加入配置目標,從而配置整個問題特征。這樣,20仿真任務的需求和200計算資源的屬性與狀態(tài)即通過基本模型塊與模型附屬庫的重構(gòu)而由系統(tǒng)動態(tài)構(gòu)造出來。第二步,決策初始化重構(gòu)?;谥悄軆?yōu)化算法的計算資源配置是ー種基于種群捜索的決策配置,在模型與算法的聯(lián)系中,編碼與種群生成等決策初始化方式在決策過程中起著非常重要的作用。而在基本算法流程分解與改進算法算子拆分的基礎上,編碼、算法種群初始化被剝離為單獨的模塊為計算資源配置流程服務。因此,在計算資源配置模型確定之后,即可根據(jù)實際需求進行編碼方式選擇,內(nèi)置編碼方式有目前最常用的十進制(即實數(shù)編碼)、ニ進制及矩陣形式編碼。默認一般為十進制,在操作過程中,用戶可忽略該選擇步,或根據(jù)模型中變量定義域和變量個數(shù)進行編碼方式選擇,并根據(jù)變量約束任意設置編碼長度(即個體基因位)。此處自定義選擇需綜合考慮算法迭代中算子操作前、后的編碼和解碼兩個模塊,所導出附加庫也即包含這兩個模塊,因此自定義編寫過程中需分別對編碼和 解碼進行設置與加載。本例中,計算資源節(jié)點以節(jié)點號標明,因此在編碼設置中直接填入任務數(shù)量作為編碼長度,并且在每一基因位中利用默認的十進制編碼,那么每一基因位就表示任務所選的計算資源節(jié)點號數(shù),方便直觀搜索求解。編碼選擇的下ー步是算法搜索種群生成的初始化重構(gòu)。初始化定義了種群中個體基因位在迭代開始時的生成方式及計算資源配置特征規(guī)則,即種群個體在決策空間的分布和進化啟發(fā)信息,因此其直接影響了計算資源配置決策路線。常用初始化方式有隨機初始化和規(guī)則初始化,默認為隨機初始化。用戶可根據(jù)計算資源配置環(huán)境當前信息選擇搜索點,并根據(jù)上述模型配置,由模型附加啟發(fā)規(guī)則庫在初始化配置中加入配置規(guī)則,以在決策進化過程中起到啟發(fā)指導作用。本例中啟發(fā)規(guī)則主要考慮大容量計算資源優(yōu)先選擇或高速計算資源優(yōu)先選擇規(guī)則,它同任務約束一井在第一步中提取到附加庫中存儲,可由系統(tǒng)自動描述或用戶提供描述。例如,考慮到計算資源容量對其速度的影響,優(yōu)先考慮大容量計算資源優(yōu)先選擇,則在附加庫中提取該規(guī)則因子,利用貪婪原則,從任務I到任務20依次選取當前最大容量計算資源,從而生成算法初始化種群。此步驟為模型與算法的銜接步驟,該步驟的獨立使模型與算法以ー個高度松耦合的模塊化形式展現(xiàn),并使得模型與算法的獨立設計更加恰當。在實際應用中,用戶即可根據(jù)問題模型特征手動設置初始化模塊重構(gòu),進ー步增強決策效率,也可選擇默認設置并跳過此步。第三歩,改進/混合智能算法的重構(gòu)。平臺中,智能算法的重構(gòu)分為算法重構(gòu)、算子重構(gòu)、參數(shù)重構(gòu)三個層次,且各個算子根據(jù)計算資源配置中計算(節(jié)點調(diào)度)與通信(邊調(diào)度)平衡的不同情況由附加庫分類管理。例如,針對節(jié)點調(diào)度,粒子群算法或遺傳算法較為合適,而針對邊調(diào)度,蟻群算法等路徑尋優(yōu)策略較為適用。因此,在上述例子中配置模型生成及種群初始化的基礎上,由配置系統(tǒng)解析計算資源配置的計算通信需求平衡性,并根據(jù)匹配庫規(guī)則根據(jù)算子特征進行模糊篩選,并提供算法選擇方案或算子組合方案。本例中主要考慮計算資源中節(jié)點與邊的平衡調(diào)度情況,因此單ー針對節(jié)點調(diào)度的粒子群算子及單ー針對邊調(diào)度的蟻群算子的選擇概率就極小,而通用遺傳算子的選擇概率就大。在基本算法模塊的選取基礎上,系統(tǒng)會根據(jù)全局搜索要素和局部捜索要素,在兩類改進中分別取ー種對基本算法進行補充,自動形成混合算法組合提供給用戶。在非用戶參與情況下,配置系統(tǒng)則可根據(jù)匹配規(guī)則庫的組合方案自適應的組合混合或改進智能算法針對計算資源配置問題進行求解;而在用戶參與情況下,可通過勾選等形式?jīng)Q定算子執(zhí)行順序和進化策略,或者按照匹配規(guī)則提供的組合方案選擇,或者自定義新型算子通過附加類庫接ロ載入,其中 若基于附加庫內(nèi)置算子,可依據(jù)算子的編號及其指定順序調(diào)用之,并對其相關(guān)參數(shù)進行設定,通過模塊化方式組合多種混合/改進智能算法; 若需新增算子,則可依據(jù)接ロ定義,編寫并在附加庫中載入算子,勾選并指定順序調(diào)用之; 若需新增整體算法,則要先修改基本模塊,定義進化迭代策略,并根據(jù)接ロ定義分別描述新算法中的各個算子,然后對新算法進行整體調(diào)用和參數(shù)設定。此步即根據(jù)上步計算資源配置模型生成了相應的混合智能算法,并且進一歩形成了發(fā)明內(nèi)容中所述的算法層面、算子層面和參數(shù)層面的靈活重構(gòu)。第四歩,運行全狀態(tài)記錄與自適應調(diào)整。在模型、算法可重構(gòu)生成與配置流程設計完畢后配置系統(tǒng)即自動開啟運行決策配置。運行決策中,由于流程每ー步都基于種群設計,因此在決策的每ー迭代步中存儲記錄種群狀態(tài)并動態(tài)顯示。而動態(tài)記錄狀態(tài)的好處就是,若在決策中途發(fā)現(xiàn)求解效率低,或計算資源/任務狀態(tài)發(fā)生改變,或產(chǎn)生其他突發(fā)狀況,則可保留當前狀態(tài),由配置系統(tǒng)檢測算法搜索種群多祥性狀態(tài)及最優(yōu)進化狀態(tài),并據(jù)此自適應的返回修改算子耦合,若多祥性高而進化狀態(tài)較差,則去掉全局捜索類算子,勾選局部捜索類算子,而若種群多祥性低,則去掉局部搜索類算子并加入全局捜索類算子,選擇過程中又依據(jù)種群狀態(tài)選擇弱搜索算子或強搜索算子,從而實現(xiàn)自動決策校準。另外,在求解效率較 低或模型更改等情況,自適應調(diào)整過程還可由用戶參與代替,由用戶手動返回調(diào)整模型并修改算子組合,以多種策略模式尋求最佳解決方案。
權(quán)利要求
1.一種基于智能優(yōu)化算法的云制造計算資源可重構(gòu)配置方法,其特征在于該方法包括以下步驟步驟(I)、基本計算資源模型與智能算法模塊的拆分和構(gòu)建,模型及算法屬性接口描述的步驟;步驟(2)、模型約束、決策規(guī)則附屬類庫的實現(xiàn)步驟,以及基于智能優(yōu)化算法的算子、編碼、改進附屬類庫的實現(xiàn)步驟;步驟(3)、基本模型、算法模塊與附屬類庫的動態(tài)耦合重構(gòu),設置不同需求下附屬類庫選擇匹配推薦規(guī)則;步驟(4)、實現(xiàn)模型及算法的層次化自由組合與透明化設計,支持運行過程中全參數(shù)定義和暫停修改,決策過程尋優(yōu)狀態(tài)以圖形化方式全記錄。
2.根據(jù)權(quán)利要求I所說的方法,其特征在于步驟(I)包括基于智能優(yōu)化算法對組合優(yōu)化問題的求解特性,將智能算法按流程拆分算子,對云制造平臺中計算資源屬性、制造任務屬性與智能算子進行封裝,構(gòu)建基本模型/算法模塊及接口描述,實現(xiàn)模型與算法的獨立。
3.根據(jù)權(quán)利要求I所說的方法,其特征在于步驟(2)包括分離并構(gòu)建模型約束庫與決策規(guī)則庫,分離基本算子與改進算子形成算子庫,考慮多種配置需求,在基本模型/算法模塊基礎上實現(xiàn)零件式自由組合建模與重構(gòu)求解。
4.根據(jù)權(quán)利要求I所說的方法,其特征在于步驟(2)所說的附屬類庫是指多樣化問題相關(guān)附加規(guī)則及多樣化算子改進附加模塊,使根據(jù)制造任務的不同,計算資源配置的不同情況特征作為規(guī)則模塊存儲調(diào)用,根據(jù)模型特征規(guī)則,將智能算法的算子/編碼/改進分類同樣作為附屬模塊存儲調(diào)用,從而形成計算資源配置模型的動態(tài)構(gòu)建及求解智能算法的動態(tài)構(gòu)建。
5.根據(jù)權(quán)利要求I所說的方法,其特征在于步驟(3)包括根據(jù)云制造平臺下典型計算資源配置情況,將模型規(guī)則及智能算子再次分類,以模糊策略設計不同需求下模型/算法附屬類庫選擇匹配的推薦規(guī)則,實現(xiàn)基本模型/算法與附屬模型規(guī)則/算子庫的自適應動態(tài)耦合重構(gòu),同時提供自定義模型規(guī)則/算子接口,實現(xiàn)用戶參與的自定義重構(gòu)求解。
6.根據(jù)權(quán)利要求I所說的方法,其特征在于步驟(4)進一步包括云制造計算資源配置中流程重構(gòu)可視化,尋優(yōu)過程可視化及結(jié)果可視化,初始化參數(shù)、模塊的動態(tài)配置以及運行過程中模型/算法的修改和附屬規(guī)則/算子等模塊的重導入的動態(tài)配置決策。
全文摘要
本發(fā)明涉及一種基于智能優(yōu)化算法的云制造計算資源可重構(gòu)配置方法,具體地說是基于現(xiàn)有多種智能優(yōu)化算法提出的一種根據(jù)配置情況不同在線更改配置相關(guān)屬性、算法來適應配置需求的方法,主要為了實現(xiàn)云制造模式中大規(guī)模復雜計算資源配置的靈活、可拓展、高效能的決策求解,將模型需求、輸入/輸出及決策算子以模塊化與服務化的形式靈活拆分并組合重構(gòu),解決了在計算資源配置中由于固定約束、固定模型及固定算法所帶來的單一性及不可移植性等瓶頸問題。本發(fā)明具有如下優(yōu)點實現(xiàn)了計算資源配置模型與算法的分離,支持模型內(nèi)部及算法內(nèi)部模塊化重構(gòu),組合高效,層次清晰,擴展性強。
文檔編號H04L29/08GK102624870SQ20121002206
公開日2012年8月1日 申請日期2012年2月1日 優(yōu)先權(quán)日2012年2月1日
發(fā)明者劉軼龍, 張霖, 賴李媛君, 陶飛 申請人:北京航空航天大學
網(wǎng)友詢問留言 已有0條留言
  • 還沒有人留言評論。精彩留言會獲得點贊!
1