基于粒子群的省级智慧能源服务平台任务调度方法及系统与流程

1.本发明属于电力调度技术领域，具体涉及一种基于粒子群的省级智慧能源服务平台任务调度方法及系统。


背景技术：

2.云计算技术是现阶段互联网行业中比较流行的一种新技术，是由分布式计算、并行计算、效用计算、网络存储、虚拟化以及负载平衡等传统计算机与新兴的网络技术相结合而发展得来的。在智能电网技术领域引入云计算，能够在保证现有电力系统硬件基础设施基本不变的情况下，对当前系统的数据资源和处理器资源进行整合，从而大幅提高电网实时控制和高级分析的能力，为智能电网技术的发展提供有效的支持。省级智慧能源服务平台的任务调度问题是一种np完全问题，现有技术中，获取最优任务的速度和精度较低，难以满足调度需求。


技术实现要素：

3.为解决现有技术中的不足，本发明提供一种基于粒子群的省级智慧能源服务平台任务调度方法及系统，提升了省级智慧能源服务平台最优任务调度的速度和精度。
4.为达到上述目的，本发明所采用的技术方案是：
5.第一方面，提供一种智慧能源服务平台任务调度方法，包括：对平台虚拟机的任务调度序列进行粒子化编码，得到对应任务调度序列中任务序列的粒子群，并进行参数初始化；迭代进行粒子速度和位置的更新以搜索粒子最优位置，直至满足预设的收敛条件时停止迭代，其中，在粒子寻优过程中，根据粒子的运动状态按照预设的策略更新粒子的速度和位置，并对粒子更新后的速度和位置进行边界处理；确定迭代停止后得到的粒子的最优位置和对应的最优适应度值；根据所述粒子的最优位置和对应的最优适应度值确定最优任务调度序列。
6.进一步地，所述根据粒子的运动状态按照预设的策略更新粒子的速度和位置，包括：若粒子处于加速状态，选取经典的粒子群优化策略更新粒子的速度，若粒子处于减速状态，选取维进化策略更新粒子的速度，在粒子的速度更新后，更新粒子的位置。
7.进一步地，所述经典的粒子群优化策略，包括：
[0008][0009]
其中，ω为惯性权重，v
it
为粒子i在t时刻的速度，表示第i个粒子在t时刻的位置，表示粒子i直到t时刻所找到的最好位置，即局部最优，表示t时刻所有粒子中最优位置，即全局最优；c1,c2为学习因子，r1,r2为0到1之间的随机数。
[0010]
进一步地，所述维进化策略，包括：
[0011]
[0012]
其中，表示粒子i在d维上的速度，表示粒子i在d维上的个体历史最优值，表示粒子i在t时刻d维上的全局历史最优值。
[0013]
进一步地，所述粒子的运动状态的判断方法，包括：计算当前时刻粒子的加速度与上一时刻粒子的加速度，并进行比较，若当前时刻粒子的加速度大于上一时刻粒子的加速度，说明粒子处于加速状态，反之则说明粒子处于减速状态。
[0014]
进一步地，所述对粒子的速度和位置进行边界处理，包括：采用边界反弹策略限制粒子的速度，表示为：
[0015][0016]
其中，v
it
表示粒子i在t时刻的速度，v
max
和v
min
代表粒子速度的上限和下限。采用边界吸收策略限制粒子更新的位置，表示为：
[0017][0018]
其中，表示第i个粒子在t时刻的位置，x
max
和x
min
分别代表位置的上边界和下边界。
[0019]
进一步地，所述预设的收敛条件包括：设定粒子群经历过n次迭代后的最优适应度值为设种群在m个时刻前(m《n)的最优适应度值为给定收敛度阈值u，若则判定算法已经收敛，反之则未收敛。
[0020]
进一步地，若算法已经收敛，则判断粒子是否早熟，判断粒子是否早熟的方法，包括：令fi是第i个粒子的适应度值，是种群当前的平均适应度，定义种群的适应度方差为σ2，公式如下：
[0021][0022]
其中，f称为归一化因子，它的取值根据由下述公式确定：
[0023][0024]
设定一个适应度方差的阈值c，当σ2《c时，说明此时粒子处于聚集状态，需要进行早熟处理，将算法状态判定为早熟。反之，则判定算法未处在早熟状态。
[0025]
进一步地，若粒子为早熟状态，基于logistics混沌映射产生混沌变量以更新粒子的位置，帮助粒子摆脱早熟的状态。
[0026]
第二方面，提供一种智慧能源服务平台任务调度系统，包括处理器和存储设备，所述存储设备中存储有多条指令，用于所述处理器加载并执行第一方面所述方法的步骤。
[0027]
与现有技术相比，本发明所达到的有益效果：
[0028]
(1)本发明通过对平台虚拟机的任务调度序列进行粒子化编码，根据粒子的运动状态选取不同的策略更新粒子的速度和位置；对粒子的速度和位置进行边界处理；并在收敛后输出最优粒子的位置和对应的最优适应度值，从而获得最优任务调度序列，提升了省级智慧能源服务平台最优任务调度的速度和精度；
[0029]
(2)本发明提出粒子的运动状态的判定方法并结合维进化策略对每个粒子的维度逐一进行特制化更新，实现对传统方案进行完善，从而有效的提升了算法的搜索能力，并通过加入早熟判断和混乱扰动机制使算法避免陷入局部最优解，解决了易陷入局部最优解的问题，达到了提高算法精度的效果。
附图说明
[0030]
图1是本发明实施例提供的一种基于粒子群的省级智慧能源服务平台任务调度方法的主要流程示意图。
具体实施方式
[0031]
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
[0032]
实施例一：
[0033]
一种基于启发式的自适应粒子群的省级智慧能源服务平台任务调度方法，包括：根据省级智慧能源服务平台任务的规模对平台虚拟机的任务调度序列进行粒子化编码，得到对应任务调度序列中任务序列的粒子群，并进行参数初始化；迭代进行粒子速度和位置的更新以搜索粒子最优位置，直至满足预设的收敛条件时停止迭代，其中，在粒子寻优过程中，根据粒子的运动状态按照预设的策略更新粒子的速度和位置，并对粒子更新后的速度和位置进行边界处理；确定迭代停止后得到的粒子的最优位置和对应的最优适应度值；根据所述粒子的最优位置和对应的最优适应度值确定最优任务调度序列。
[0034]
如图1所示，基于启发式的自适应粒子群的省级智慧能源服务平台任务调度方法具体采用以下技术方案。
[0035]
步骤一：根据省级智慧能源服务平台任务的规模对平台虚拟机的任务调度序列进行粒子化编码，得到对应任务调度序列中任务序列的粒子群，并进行参数初始化。
[0036]
设省级智慧能源服务平台任务数目为d，其任务调度序列表示为一个粒子，也就是说，粒子具有d维解空间。设初始粒子数为n，令xi＝(x
i1
,x
i1
,...,x
id
),i∈[1,n]表示第i个粒子的位置，x
best,i
＝x
b,i
＝(x
b1,i
,x
b1,i
,...,x
bd,i
)表示单个粒子i搜索到的最优位置。同理，x
best
＝xg＝(x
g1
,x
g1
,...,x
gd
)表示所有粒子搜索到的最优位置，也就是目前计算出的最优任务调度方案。粒子通过不断的迭代更新两个最优位置从而不断的逼近最优任务调度方案。具体地，假设要对十个任务进行调度优化，则粒子的维度d设为10，并且粒子在每个维度上的数值表示该任务分配的虚拟机节点的序号：
[0037]
表1省级智慧能源服务平台任务编码
[0038]
[0039][0040]
如表1所示，是实施例中省级智慧能源服务平台任务编码。
[0041]
步骤二：迭代进行粒子速度和位置的更新以搜索粒子最优位置，直至满足预设的收敛条件时停止迭代，其中，在粒子寻优过程中，根据粒子的运动状态按照预设的的策略更新粒子的速度和位置。
[0042]
粒子的运动状态的判断方法，包括：计算当前时刻粒子的加速度与上一时刻粒子的加速度，并进行比较，若当前时刻粒子的加速度大于上一时刻粒子的加速度，说明粒子处于加速状态，反之则说明粒子处于减速状态。
[0043]
若粒子处于加速状态，选取经典的粒子群优化策略更新粒子的速度，包括：
[0044][0045]
其中，ω为惯性权重，v
it
为粒子i在t时刻的速度，表示第i个粒子在t时刻的位置，表示粒子i直到t时刻所找到的最好位置，即局部最优，表示t时刻所有粒子中最优位置，即全局最优；c1,c2为学习因子，r1,r2为0到1之间的随机数。
[0046]
若粒子处于减速状态，选取维进化策略更新粒子的速度(初始粒子为加速状态)，在粒子的速度更新后，更新粒子的位置，包括：
[0047][0048]
其中，表示粒子i在t时刻d维上的速度，表示粒子i在d维上的个体历史最优值，表示粒子i在t时刻d维上的全局历史最优值。
[0049]
粒子速度更新后，t 1时刻粒子所在的位置可更新为：
[0050][0051]
其中，表示t时刻第i个粒子的位置，v
it 1
表示粒子在t 1时刻的速度，则表示为t 1时刻第i个粒子的位置。
[0052]
步骤三：为了防止粒子在搜索的过程中超出了解空间的取值范围，对粒子更新后的速度和位置进行边界处理。
[0053]
具体地，采用边界反弹策略限制粒子的速度，表示为：
[0054][0055]
其中，v
it
表示粒子i在t时刻的速度，v
max
和v
min
代表粒子速度的上限和下限。
[0056]
采用边界吸收策略限制粒子更新的位置，表示为：
[0057][0058]
其中，表示第i个粒子在t时刻的位置，x
max
和x
min
分别代表位置的上边界和下边界。
[0059]
确定迭代停止后得到的粒子的最优位置和对应的最优适应度值，根据粒子的最优位置和对应的最优适应度值确定最优任务调度序列。
[0060]
步骤四：判断是否收敛，如果未收敛则进入步骤五，否则进入步骤六。
[0061]
判断算法是否收敛是基于适应度进行的，个体的位置反映其适应度，通过全部粒子的值的全局变化判定粒子之间的相对位置，从而判定算法是否进入收敛。
[0062]
判断是否收敛的方法包括：设定粒子群经历过n次迭代后的最优适应度值为设种群在m个时刻前(m《n)的最优适应度值为给定收敛度阈值u，若则判定算法已经收敛，反之则未收敛。
[0063]
步骤五：判定粒子的速度状态，返回步骤二，具体地，根据当前时刻的粒子加速度与上一时刻的历史加速度进行比较，若v
it 1-v
it
3v
it-v
it-1
，则表示当前粒子处于加速状态，若v
it 1-v
it
《v
it-v
it-1
，表面当前粒子处于减速状态。
[0064]
步骤六：判断粒子是否早熟，如果早熟则进入步骤七，否则进入步骤八。
[0065]
判断粒子是否早熟的方法，包括：令fi是第i个粒子的适应度值，是种群当前的平均适应度，定义种群的适应度方差为σ2，公式如下：
[0066][0067]
其中，f称为归一化因子，它的取值根据由下述公式确定：
[0068][0069]
设定一个适应度方差的阈值c，当σ2《c时，说明此时粒子处于聚集状态，需要进行早熟处理，将算法状态判定为早熟。反之，则判定算法未处在早熟状态。
[0070]
步骤七：进行混沌扰动处理，将粒子的速度设为加速度状态，进入步骤二。
[0071]
具体地，当粒子陷入局部最优解的时候，混沌扰动帮助粒子逃离当前位置。这里采用logistics混沌映射思想来产生混沌变量，其动力学模型定义如下：
[0072]yk 1
＝σ
×
yk(1 yk)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8)
[0073]
其中，σ为控制参数且σ∈[0,4]，yk∈[0,1]。当3.5699《σ≤4时，系统处于混沌状态。此外，当σ＝4时，系统处在完全混沌状态。接着，用载波映射的方法将混沌思想引入粒子群优化算法，即得到粒子的混沌扰动参量：
[0074]
li＝4l(1 l)
ꢀꢀꢀꢀꢀꢀꢀꢀ
(9)
[0075]
其中，li是粒子i的混沌扰动参量，l是0到1之间的随机数，l∈[0,1]。随机从n个粒子中，选取m个已陷入停滞的粒子进行混沌扰动，得到m个新的粒子，表示为：
[0076][0077]
其中，xi为粒子i所处的位置，x
i,new
为粒子i扰动后的得到处在新位置，x
max
和x
min
分别代表位置的上边界和下边界，li为粒子i对应的混沌扰动参量。步骤8：输出最优粒子位置以及对应的最优适应度值并结束。
[0078]
传统粒子群优化算法的每个粒子的所有维度被视为一个整体进行更新，这样导致了粒子所代表的适应度值虽然不断的向最优解靠近，但是每一个维度的值并非以均匀的速度朝向最优方向。所以传统策略虽然可以快速收敛但是容易导致陷入局部最优解。本研究通过提出粒子的运动状态的判定方法并结合维进化策略对每个粒子的维度逐一进行特制化更新，实现对传统方案进行完善，从而有效的提升了算法的搜索能力。并且通过加入早熟判断和混乱扰动机制使算法避免陷入局部最优解，解决了易陷入局部最优解的问题，达到了提高算法精度的效果。从而提升了省级智慧能源服务平台最优任务调度的速度和精度。
[0079]
实施例二：
[0080]
基于实施例一所述的一种基于启发式的自适应粒子群的省级智慧能源服务平台任务调度方法，本实施例提供一种基于启发式的自适应粒子群的省级智慧能源服务平台任务调度系统，包括处理器和存储设备，所述存储设备中存储有多条指令，用于所述处理器加载并执行实施例一所述方法的步骤。
[0081]
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。