基于深度神经网络的协调排程算法的制作方法

本发明涉及机器学习，具体为基于深度神经网络的协调排程算法。

背景技术：

1、随着现代工业和信息化的发展，排程问题在众多领域中变得越来越重要，如生产制造、物流运输、服务调度等。排程算法的目标是在满足各种约束条件的前提下，对任务进行合理分配和调度，以达到优化资源利用、提高效率的目的。

2、传统的排程算法通常基于规则或数学模型进行优化，然而这些方法在处理复杂、动态的排程问题时存在一定的局限性。例如，规则方法可能无法适应多变的任务需求和环境变化，而数学模型方法则可能面临计算复杂度高、求解时间长等问题。为此，我们提出基于深度神经网络的协调排程算法。

技术实现思路

1、本发明的目的在于提供基于深度神经网络的协调排程算法，以解决上述背景技术中提出的问题。

2、为实现上述目的，本发明提供如下技术方案：基于深度神经网络的协调排程算法，所述算法的具体步骤包括：

3、步骤ⅰ、收集并预处理排程数据，对所述数据进行清洗和标准化处理；

4、步骤ⅱ、构建深度神经网络模型，该模型包括输入层、多个隐藏层和输出层，其中输入层用于接收预处理后的排程数据，隐藏层通过非线性激活函数对输入数据进行逐层变换以提取特征，输出层用于输出排程决策；

5、步骤ⅲ、使用历史排程数据作为训练集，通过反向传播算法调整神经网络权重，并定义损失函数以衡量模型预测与实际排程结果之间的差距；

6、步骤ⅳ、当新的排程任务到达时，将任务数据输入到训练好的神经网络模型中，根据模型的输出构建任务队列，进行任务调度；

7、步骤ⅴ、定期对神经网络模型进行重新训练，并根据实际需要对模型结构、激活函数和训练策略进行调整。

8、优选的，设神经网络模型的权重为 ，偏置为 ，输入数据为 ，输出数据为 ，隐藏层的输出为 ，非线性激活函数为 ，则隐藏层的输出公式为：

9、

10、在模型训练过程中，使用反向传播算法调整神经网络权重，设学习率为 ，损失函数为 ，则权重的更新公式为：

11、

12、

13、其中，损失函数  用于平衡模型预测  与实际排程结果  之间的差距，采用均方误差mse作为损失函数进行计算；当新的排程任务到达时，将任务数据  输入到训练好的神经网络模型中，根据模型的输出  构建任务队列，进行任务调度。

14、优选的，在步骤ⅱ中，构建深度神经网络模型的具体步骤包括；

15、s1：数据收集，收集排程相关的数据，对收集的数据进行预处理，包括数据清洗和标准化，以消除异常值和量纲差异对模型训练的影响，形成规整的数据集；将处理后的数据集划分为训练集、验证集和测试集，其中训练集用于模型的训练，验证集用于模型效果的验证和优化，测试集用于在未知数据集上验证模型的泛化能力；

16、s2：构建深度神经网络模型，该模型由输入层、多个隐藏层和输出层构成，其中输入层设计为接收预处理后的排程数据，隐藏层通过非线性激活函数对数据进行特征提取，输出层负责产生排程决策；

17、s3：利用历史排程数据构成训练集，通过反向传播算法对神经网络进行权重调整，同时定义损失函数，用以量化模型预测结果与实际排程结果之间的差异；对神经网络模型进行训练，通过迭代优化过程，不断调整模型参数，直至模型预测结果与实际结果的差异达到最小化；

18、s4：定期对训练好的神经网络模型进行重新训练，以适应新的数据和环境变化，并根据需要对模型的结构、激活函数及训练策略进行相应的调整。

19、优选的，在完成模型训练后，使用独立的验证数据集对模型进行验证，验证数据集用于评估模型在未见过的数据上的性能，通过比较模型在验证集上的预测结果与实际排程结果，评估模型的泛化能力和预测准确性。

20、优选的，在模型训练过程中，对神经网络的超参数进行调优，所述超参数包括学习率、批次大小和迭代次数，通过尝试不同的超参数组合，找到使模型性能最佳的设置。

21、优选的，对收集的数据进行数据清洗的方式包括：

22、s1.1：缺失值处理，检查数据集中是否存在缺失值，对于存在缺失值的数据项，根据数据的业务逻辑，采用填充、插值或删除包含缺失值的数据记录方法进行处理；

23、s1.2：异常值检测与处理，利用业务规则，识别数据集中的异常值，对于检测到的异常值，根据其产生原因和对后续分析的影响，采取修正、替换或删除处理措施；

24、s1.3：重复值处理，检查数据集中是否存在重复的记录或数据项，对于重复的数据，根据数据的重要性和业务需求，选择保留首条记录、合并重复记录或删除重复数据方法进行处理；

25、s1.4：数据格式统一与转换，对于数据集中不同格式或单位的数据项，进行统一的格式转换和单位换算；

26、s1.5：无关数据剔除，根据排程问题的实际需求和数据分析目标，剔除与排程决策无关的数据项或特征。

27、优选的，对清洗后的数据进行标准化处理，具体实现方式为：针对每个特征维度，计算其均值和标准差；使用每个特征维度的均值和标准差，对该维度的数据进行标准化变换，将每个数据值减去均值，然后除以标准差，获得标准化后的数据。

28、优选的，协调排程算法中，评估深度神经网络的性能指标包括准确率和召回率，其中准确率用于衡量模型正确预测排程决策的比例，反映模型的整体预测能力；召回率用于评估模型对于重要排程事件的敏感度，针对某一特定排程决策，衡量模型正确预测出该决策的比例。

29、与现有技术相比，本发明的有益效果是：

30、1，提高排程决策的智能化水平：通过引入深度神经网络，本算法能够自动学习和识别排程数据中的复杂模式和关联，从而做出更智能、更精准的排程决策。这大大降低了对人工经验和规则的依赖，提高了排程的自动化和智能化程度。

31、2，优化资源利用与效率：本算法通过神经网络的强大学习能力，能够在满足各种约束条件的前提下，对任务进行合理分配和调度，实现资源的最优利用。这不仅可以减少资源浪费，还能显著提高工作效率和生产效益。

32、3，适应复杂多变的排程需求：传统的排程方法在面对复杂、动态的任务需求时往往显得力不从心。而本算法通过神经网络的非线性映射能力，能够更好地适应多变的任务需求和环境变化，提供灵活且高效的排程解决方案。

技术特征：

1.基于深度神经网络的协调排程算法，其特征在于，所述算法的具体步骤包括：

2.根据权利要求1所述的基于深度神经网络的协调排程算法，其特征在于，设神经网络模型的权重为 ，偏置为 ，输入数据为 ，输出数据为 ，隐藏层的输出为 ，非线性激活函数为 ，则隐藏层的输出公式为：

3.根据权利要求2所述的基于深度神经网络的协调排程算法，其特征在于，在步骤ⅱ中，构建深度神经网络模型的具体步骤包括；

4.根据权利要求3所述的基于深度神经网络的协调排程算法，其特征在于：在完成模型训练后，使用独立的验证数据集对模型进行验证，验证数据集用于评估模型在未见过的数据上的性能，通过比较模型在验证集上的预测结果与实际排程结果，评估模型的泛化能力和预测准确性。

5.根据权利要求4所述的基于深度神经网络的协调排程算法，其特征在于：在模型训练过程中，对神经网络的超参数进行调优，所述超参数包括学习率、批次大小和迭代次数，通过尝试不同的超参数组合，找到使模型性能最佳的设置。

6.根据权利要求5所述的基于深度神经网络的协调排程算法，其特征在于，对收集的数据进行数据清洗的方式包括：

7.根据权利要求6所述的基于深度神经网络的协调排程算法，其特征在于，对清洗后的数据进行标准化处理，具体实现方式为：针对每个特征维度，计算其均值和标准差；使用每个特征维度的均值和标准差，对该维度的数据进行标准化变换，将每个数据值减去均值，然后除以标准差，获得标准化后的数据。

8.根据权利要求7所述的基于深度神经网络的协调排程算法，其特征在于：在协调排程算法中，评估深度神经网络的性能指标包括准确率和召回率，其中准确率用于衡量模型正确预测排程决策的比例，反映模型的整体预测能力；召回率用于评估模型对于重要排程事件的敏感度，针对某一特定排程决策，衡量模型正确预测出该决策的比例。

技术总结本发明涉及机器学习技术领域，公开了基于深度神经网络的协调排程算法，该算法通过收集并预处理排程数据，构建深度神经网络模型，利用历史排程数据进行训练，优化神经网络权重。当新任务到达时，算法将任务数据输入训练好的模型中，根据输出构建任务队列进行调度。此外，算法还具备定期重新训练和调整模型结构、激活函数及训练策略的能力，以适应不断变化的任务需求和环境，本发明能有效提高排程决策的智能化水平，优化资源利用，提升工作效率，同时降低计算复杂度和求解时间，特别适用于生产制造、物流运输、服务调度等领域中的动态、复杂排程场景。技术研发人员：包正伟,林国军受保护的技术使用者：宁波极望信息科技有限公司技术研发日：技术公布日：2024/9/9