本发明涉及计算机技术领域，具体而言，涉及一种任务调度方法、装置、电子设备及存储介质。
背景技术：
协同生产任务调度是在尽量满足某些约束条件下，根据生产作业计划和调度策略来确定生产任务(如工件)进行加工的顺序，以及加工过程中各种制造资源的实时动态调度，从而达到该任务完成的时间或者加工成本最优的目标。实际的生产环境是动态的，存在大量的不确定因素，比如工件到达时间的随机性以及加工过程中的随机扰动会使得实际生产与调度计划脱节。为了能够保证生产的进行，还需要临时调整某些工序的加工顺序，从而会影响到后面所有工序的加工，并且还要实现任务完成时间或者加工成本最优的目标，所以现有的调度模型难以满足生产的要求，需要提供的是具有良好动态性和实现能力的协同生产任务调度系统。
实际的生产调度系统大多是复杂的，动态的，鲁棒和柔性的，因此多agent技术特别适合解决上述生产调度问题。虽然调度理论的研究取得了重大的进展，但是在实际生产调度中，如何得到调度的最优解仍是现有的生成调度系统存在的问题。
技术实现要素：
有鉴于此，本发明实施例提供了一种任务调度方法、装置、电子设备及存储介质。
为了实现上述目的，本发明采用的技术方案如下：
第一方面，本发明实施例提供了一种任务调度方法，所述方法包括：基于预先存储的协同生产任务调度表将待调度任务生成为生产订单；判断所述生产订单是否为紧急订单；在为否时，基于所述生产订单生成工序agent以及设备agent；调用预先存储的协商策略，基于预先存储的招投标结果生成工序加工时间表，从而得到优化的遗传算法初始化种群；基于预先存储的遗传算法，退火算法，以及所述遗传算法初始化种群得到所述生产订单的调度的最优解，并将所述调度的最优解进行输出。
第二方面，本发明实施例提供了一种任务调度装置，所述装置包括订单生成模块、订单判断模块、订单处理模块、种群获取模块以及调度求解模块，其中，所述订单生成模块用于基于预先存储的协同生产任务调度表将待调度任务生成为生产订单；所述订单判断模块用于判断所述生产订单是否为紧急订单；所述订单处理模块用于在所述生产订单不为紧急订单时，基于所述生产订单生成工序agent以及设备agent；所述种群获取模块用于调用预先存储的协商策略，基于预先存储的招投标结果生成工序加工时间表，从而得到优化的遗传算法初始化种群；所述调度求解模块用于基于预先存储的遗传算法，退火算法，以及所述遗传算法初始化种群得到所述生产订单的调度的最优解，并将所述调度的最优解进行输出。
第三方面，本发明实施例提供了一种电子设备，所述电子设备包括存储器和处理器，所述存储器存储有计算机指令，当所述计算机指令由所述处理器读取并执行时，使所述处理器执行上述第一方面提供的任务调度方法。
第四方面，本发明实施例提供了一种存储介质，所述存储介质中存储有计算机指令，其中，所述计算机指令在被读取并运行时执行上述第一方面提供的任务调度方法。
本发明实施例提供的任务调度方法、装置、电子设备及存储介质，首先基于预先存储的协同生产任务调度表将待调度任务生成为生产订单，然后判断该生产订单是否为紧急订单，在该生产订单不为紧急订单时，基于该生产订单生成工序agent以及设备agent，再调用预先存储的协商策略，基于预先存储的招投标结果生成工序加工时间表，从而得到优化的遗传算法初始化种群，最后基于预先存储的遗传算法，退火算法，以及上述遗传算法初始化种群得到上述生产订单的调度的最优解，并将该最优解进行输出。该任务调度方法、装置、电子设备及存储介质，通过提出遗传算法以及退火算法模型对调度的解进行求取，提高了求取效率，从而提高了任务调度执行的效率。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为使本发明实施例的目的、技术方案和优点更加清楚，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。
图1示出了本发明实施例提供的电子设备的方框示意图；
图2示出了本发明实施例提供的任务调度方法的流程图；
图3示出了本发明实施例提供的任务调度方法中步骤s130的流程图；
图4示出了本发明实施例提供的任务调度方法中步骤s150的流程图；
图5示出了本发明实施例提供的任务调度装置的模块图。
具体实施方式
下面将结合本发明实施例中附图，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。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的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。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本发明的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
图1示出了一种可应用于本发明实施例中的电子设备的结构框图。如图1所示，电子设备100包括存储器102、存储控制器104，一个或多个(图中仅示出一个)处理器106、外设接口108、射频模块110、音频模块112、显示单元114等。这些组件通过一条或多条通讯总线/信号线116相互通讯。
存储器102可用于存储软件程序以及模块，如本发明实施例中的任务调度方法及装置对应的程序指令/模块，处理器106通过运行存储在存储器102内的软件程序以及模块，从而执行各种功能应用以及数据处理，如本发明实施例提供的任务调度方法。
存储器102可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。处理器106以及其他可能的组件对存储器102的访问可在存储控制器104的控制下进行。
外设接口108将各种输入/输出装置耦合至处理器106以及存储器102。在一些实施例中，外设接口108，处理器106以及存储控制器104可以在单个芯片中实现。在其他一些实例中，他们可以分别由独立的芯片实现。
射频模块110用于接收以及发送电磁波，实现电磁波与电信号的相互转换，从而与通讯网络或者其他设备进行通讯。
音频模块112向用户提供音频接口，其可包括一个或多个麦克风、一个或者多个扬声器以及音频电路。
显示单元114在电子设备100与用户之间提供一个显示界面。具体地，显示单元114向用户显示视频输出，这些视频输出的内容可包括文字、图形、视频及其任意组合。
可以理解，图1所示的结构仅为示意，电子设备100还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。图1中所示的各组件可以采用硬件、软件或其组合实现。
随着信息技术的不断发展，协同生产任务调度已经成为当今企业管理理论研究和实践应用的一个热点，对企业提高生产效率和效益起着非常关键的作用。随着企业规模的不断扩大，使得生产调度软件在协同性、智能性以及调度的效率等方面都逐渐的体现出不足，并且经典调度理论仍难以应用到实际的生产调度过程中，严重影响了企业的发展。所以如何提高生产调度软件的协同性、智能性以及调度的效率，已经成为现阶段研究的热点问题。
本发明实施例提供的方案通过改进传统合同网协商模型，提出了基于角色协同的合同网协商模型和改进的合同网协商策略，并将其应用到协同生产任务调度的软件模型的设计中，然后结合面向agent的软件建模方法构建了基于合同网的协同生产任务调度软件构架，具有较好的理论研究价值。随后将合同网协商机制与遗传/退火算法相结合，给出了协同任务调度控制的实现过程，并使用设计模式和agent技术等模型优化方法，弥补了传统生产调度的不足，具有一定的实际应用价值。因此，协同生产任务调度的研究不仅具有理论意义，同样也具有重要的实际意义。
agent是分布式人工智能、现代计算机和通信技术发展的必然结果。目前agent技术在各个研究领域运用非常广泛，但是agent的研究还没有完全成熟，因此学术界并没有统一、标准的定义。一般可以认为agent是一类在特定环境能感知环境，并能灵活、自主地运行以实现一系列设计目标，具有自主性的计算实体或程序。
本发明实施例中的智能体agent是具有信息处理能力的主动实体，或者智能对象。agent是本身不完成基本功能，而是起到中介代理的作用，用在优化连接、任务分配、通信反冲以及交互智能化方面。agent在激活的状态下可以主动地采集和处理所需要的信息，根据不同的信息作出相应的决策并付诸于行动，从而对协同生产任务调度产生影响。
agent作为独立的智能体，必须具有广泛的智能特性，处在特定环境下的agent应具备以下4种基本特征：
感知性：agent对环境具有很强感知能力，它能够感知自己周围的环境信息(如突发事件等)，并能在一定的时间内对环境的信息作出反应，以达到自身目标的实现。
自治性：是agent的一个最基本的特征，它不仅能够对环境的变化作出反应，而且在某种情况下，根据自己的需要或者目标导向，agent能够自主行动，控制自己的行为而不需要外界的直接干预，以实现需要完成的目标。
协同性：当agent不能独立地完成某个任务时，它能够与其他的agent通过特定格式的消息进行通信，根据自身需要响应和处理其他agent的信息，以便共同完成相关任务并且通过协商的方式来解决冲突。
自适应性：agent对环境具有很强的适应能力，它能够根据自己的经历，所处的环境信息，以及与其他agent之间的交互信息改变相应的行为，做相应的调整以适应各种变化。
合同网协议(contractnetprotocol,cnp)最早是有davis和smith针对任务和资源分配提出的经典协调策略，是多agent系统(multi-agentsystem,简称mas)协同设计的关键技术。多agent系统是由多个自主agent组成的agent社会即agent群，它是一种分布式系统。合同网协议在基于多agent的合作问题、分布式人工智能领域都具有很重要的地位。多agent通过彼此之间的会话来提高系统的工作效率。在协同生产任务调度过程中，合同网协商模型不仅可以通过招标-投标-中标的方式解决多agent之间的任务分解和指派，还可以解决在协同工作时出现的矛盾和冲突问题。例如当一个agent没有能力去完成某项任务时，它可以通过招投标方式与其他agent来协商完成这项任务。合同网为求解分布式问题提供了一个动态的协商框架。
在合同网协商机制求解多agent协作问题的过程中，所有agent分配两个角色，管理agent和工作agent。求解的过程如下：当有任务到达时，管理agent感知并作出响应，对新到达的任务进行分解，并将分解后的各个子任务建立相应的招标书发送给相关的工作agent。各个工作agent对招标书进行评估，根据自己能力选出自己可以胜任子任务的招标书，并向管理agent发送投标书。最后管理agent评价收到的投标书，选出最佳的工作agent作为中标者并签订合同，并监督任务的完成。在合同网协商机制中，对于agent的角色不需要事先定义。任何agent通过发布任务招标书而成为管理agent，而任何agent通过根据收到的招标书发送自己的投标书而变成工作agent。从而可以使任务能够被层次的进行分解分配。若签订合同的工作agent如果因为动态的原因不能独立完成该任务时，这时该工作agent就可以扮演管理agent的角色，将该任务继续分解，根据合同网协议进行再次的任务分配。通过多次的任务分解和分配，直到所有的任务都能够顺利完成。
第一实施例
如图2示出了本发明实施例提供的任务调度方法的一种流程图。请参见图2，该任务调度方法包括：
步骤s110：基于预先存储的协同生产任务调度表将待调度任务生成为生产订单。
本发明实施例提供的协同生产任务调度的agent建模步骤：
(1)从所阐述的问题中分离出各个实体，例如在协同生产任务调度过程中，任务，资源，订单，工序，设备等都可以作为实体对待。
(2)分析实际系统中各个实体之间的交互关系，当生产订单下达后，结合实际情况进行分析产生任务列表，作业统计资源表，生成调度控制参数表等。
(3)分析和抽象系统中各个实体，如果某些实体具有自主行为，并且可以最终影响到问题的解决，则可以把这些实体抽象成为agent，如果只需要考虑该实体的属性和状态，可以将其抽象为对象
(4)通过对调度问题的分析，确定系统所抽象出来的agent和对象实体，以及实体之间的相互联系，构建实体结构模型，通过该模型可以很明确的表现出调度过程的层次结构信息和对调度控制方案的抽象处理信息。
协同生产任务调度是在生产作业计划的基础上确定生产任务进行加工的顺序，以及加工过程中对各种资源的实时动态调度。一般生产调度又分解为生产任务的静态调度、动态调度和系统资源实时动态调度问题。
协同生产任务调度上层是生产作业计划层，生产作业计划层主要的功能是生产任务的最优分组，生产任务的最优负荷平衡以及生成系统资源需求计划。使得在满足交货期的前提下，最优利用主要加工或者装配设备。并将系统需求计划与生产任务的作业计划相协调。
协同生产任务调度下层是生产活动控制层，生产活动控制的功能是系统状态实时数据采集，数据分析和生产活动的决策支持。应用反馈控制原理矫正这种系统状态的偏差，使物料流动和系统资源利用等尽可能与生产计划与调度所期望状态吻合。
在本发明实施例中，在生成生产订单时，首先接受来自生产作业计划层的生产计划信息即上述待调度任务，并将其汇总，结合车间中的工艺路线、工作中心、物料清单等信息，对生产计划进行分析，生成生产订单。
可以理解的是，上述协同生产任务调度表主要包括作业的时间，作业量以及工作中心等信息属于任务部分，即请求服务方，而车间作业数据统计模块主要包括工时统计数据，产量统计数据，制造成本统计数据以及产品质量统计数据等信息属于资源部分，主要利用wsrf框架设计理念来优化任务到资源的过程部分。
其中，web服务资源框架wsrf(webserviceresourceframework)是在已经成熟的webservice技术的基础上发展起来的。wsrf是基于web服务的规范，它依据特殊的信息交换和相关xml定义，提供了web服务中资源(ws-resource)的访问方法。wsrf的目标是通过创建“状态”概念以及处理状态的方法来解决问题。根据规范可知，ws-resource是web服务与它在其上起作用的有状态资源的组合。
从而，可以通过协同生产任务调度表来生成生产订单。
步骤s120：判断所述生产订单是否为紧急订单。
在生成生产订单后，可以判断该生产订单是否紧急，由于调度是面向订单的，因此在生产调度过程中紧急订单插入势必会影响到原有加工任务的安排，从而需要进行动态调度。当下达紧急生产订单时，通过招标投标调度后，如果需要的设备agent目前都是可用的，则就不需要在做额外的动态处理。但是如果目前所有的设备资源不能保证该紧急任务完成，则需要任务管理模块按着优先级从低到高的暂停现在正在执行的任务，将其所占有的设备agent释放掉来满足紧急任务，直到紧急任务调度完成并且没有任务在释放为止。然后在将释放的任务按照优先级从高到低进行在调度。
在本发明实施例中，实际生产环境中，机器设备的运行状态在生产、调度过程中很难保证一直不发生变化。机器的运行状态会随着机器本身的性能和外在因素的影响发生意外故障，以至于无法完成预定的任务。因为合同网可以提供一个动态的调度协商机制，即可以多次进行任务的分配，所以可以让出现故障的设备agent向协商agent发送招标请求，由协商agent根据该设备agent的信息，向具有同等能力的设备agent招标，从而通过投标评标来选择适合的设备agent来接着执行该任务。第二种解决方式是解除出故障的设备agent与工序agent的合同，然后由工序agent进行招投标来选择合适的设备agent继续执行任务。
在本发明实施例中，当某个订单取消时，任务管理会将该任务的工序agent分别与相应的设备agent解除合同，并将该任务相关的日程安排都销毁。然后按照订单的优先级调度下一个待加工的订单。
在本发明实施例中，如果一个任务中的工序因为某种原因延期完成，从而影响到了后续已经调度的工序的执行。这时任务管理会通知后续待执行的工序agent，使其与相关设备agent接触合同。然后对后续待加工的工序agent重新进行调度。如果招投标调度的结果不能够按照预期时间完成，则提高其优先级，作为紧急任务处理。
步骤s130：在为否时，基于所述生产订单生成工序agent以及设备agent。
在生产订单不为紧急订单，即步骤s120中判断出待调度任务的生产订单不是紧急订单时，则按正常订单处理方式进行。请参见图3，具体可以包括：
步骤s131：基于预先存储的bom清单将所述待调度任务分解为工件信息。
步骤s132：基于所述工件信息动态的生成工序agent。
步骤s133：获取所有的设备信息，并基于所述设备信息动态的生成设备agent。
在本发明实施例中，根据该任务的bom清单将该任务分解成n个工件，设工件集p＝{p1,p2,…pn}，pi为第i个工件，i＝1,2,….n。每个工件有m个工序信息，工件i的第j道工序表示为oij。通过工序agent的招标请求，有m个设备agent发出投标请求，形成备选设备资源。设设备集m＝{m1,m2,…mm}，mj为第j号机器，j＝1,2,…,m；sij：工序oij的开始时间；pij：工序oij的加工时间。
工件和设备需要满足的约束条件如下所述：①每个工件在设备上的加工顺序是一定的，并且每个设备每次只能加工一个工件。②每个工件在机器上的加工称为一道工序，并且每个工序的加工时间是固定的。③每道工序一旦进行不能中断，并且机器不发生故障。
在本发明实施例中，可以进行资源管理，对设备信息进行管理，具体可以包括进行资源监控、资源注册、资源注销、设备代理、加工机器表等。可以对所有的设备信息进行管理，并动态的生成设备agent。
步骤s140：调用预先存储的协商策略，基于预先存储的招投标结果生成工序加工时间表，从而得到优化的遗传算法初始化种群。
在获得工序agent以及设备agent之后，再根据预先存储的协商策略以及招投标结果生成工序加工时间表。从而可以得到优化的遗传算法初始化种群。
步骤s150：基于预先存储的遗传算法，退火算法，以及所述遗传算法初始化种群得到所述生产订单的调度的最优解，并将所述调度的最优解进行输出。
在本发明实施例中，请参见图4，步骤s150包括：
步骤s151：读取预先存储的遗传算法以及退火算法。
步骤s152：基于所述遗传算法的选择、交叉以及变异对所述初始化种群生成新的染色体种群。
步骤s153：基于所述退火算法以及所述新的染色体种群进行模拟退火，得到新解。
步骤s154：判断所述新解是否满足所述终止准则。
步骤s155：在为是时，输出所述生产订单的调度的最优解。
遗传算法是基于适者生存，优胜劣汰遗传机制，演化而来的一种随机，自适应和高度并行的通用优化迭代搜索算法。它是从改变基因的配置，借助仿真生物遗传学和自然选择机理，通过对染色体群进行自然选择、交叉和变异等作用机制，最终收敛到最适应环境的个体，从而求得问题的最优解或者满意解。遗传算法是一种通用的迭代搜索算法，其编码技术和遗传操作比较简单，优化不受搜索空间、求导和函数连续性等限制性条件约束，而其两个最显著的特点则是具有内在的隐含并行性和更好的全局寻优能力。但是遗传算法的不足之处也是很明显的：组合优化问题的规模比较大时，会使得搜索空间较大，搜索的时间较长；往往会出现易早熟和局部搜索能力不强；对初始种群的选择比较重要，选择不好会影响最终解的质量和算法的效率。
模拟退火算法源于对固体退火过程的模拟，从某一较高初温下，伴随着温度参数的不断下降，依据metropolis准则接受新解，并使用一组冷却进度表的参数控制算法进程，使算法有能力以一定的概率跳出局部最优解，从而最终趋于全局最优解或渐进全局最优解。模拟退火算法的主要缺点是解的质量与求解时间之间的矛盾，因为为得到一个好的近似最优解，需要进行反复的迭代计算。所以虽然算法的通用性强，易于实现，但是计算时间较长，效率较低。并且在实际应用中各个参数选择比较困难，对调度结果有很大的影响。
调度算法对整个系统的实时处理能力和实用性起着至关重要的作用。遗传/退火算法是将遗传算法作为主算法，运用模拟退火算法对其进行优化。在保留了遗传算法较强的并行计算能力的同时，又具有模拟退火较强的局部搜索能力，整个算法在整体搜索和局部搜索上都有较好的性能。并且这两种算法的兼容性又非常好，先利用遗传算法的快速搜索能力得到一个较优的群体，然后用模拟退火算法的突跳能力对整个群体进行优化，增强了遗传算法的全局收敛性，避免了遗传算法易早熟和局部搜索能力不强的缺点。
在本发明实施例中，调度算法主计算方程组定义如下：方程g(x)＝max{sij+pij}为算法的目标函数，即完成任务加工的总时间；方程
在本发明实施例中，计算过程及处理步骤如下：
①分别初始化遗传算法和模拟退火算法的参数；
②按照群体规模，随机选取初始种群，并设遗传代数k＝0；
③根据方程5.5来计算每个个体的适应度f(xi),i＝1,2,…n，得到种群中最优调度解；
④根据方程5.6计算选择概率，并按照选择策略来选择下一代种群，k＝k+1；
⑤按预定概率pc随机选取两个个体进行交叉操作，产生两个新个体，对新个体根据方程式5.7计算接受概率p(x’)，判断p(x’)是否大于random(为0～1之间的随机数)来接受新解，并根据产生的新个体的适应度，更新最优调度解；
⑥按预定概率pm选取个体进行变异操作，产生新个体，对产生的新个体同第⑤步的方法来判断是否接受新解，并根据新个体的适应度，更新最优调度解；
⑦对最优调度解采用模拟退火机制，进行局部寻优，对产生的新个体同第⑤步的方法来判断是否接受新解，并根据新个体的适应度，更新最优调度解；
⑧判断是否达到metropolis抽样次数，是则转⑨，否则仍执行第⑦步；
⑨判断是否达到终止条件，若达到进化过程结束，输出最优调度解，否则tk+1＝γtk，转入第四步。
例如，首先设置遗传算法的参数：群体规模popsize＝50；最大遗传代数为50；交叉概率pc＝0.8；变异概率pm＝0.05。设置模拟退火算法的参数：初温t0＝500；metropolis抽样次数l＝150；退温速率γ＝0.99。
然后下达的订单任务根据bom清单分为四个工件，每个工件分别有三道工序信息。相应的工序agent根据合同网协商策略进行招标，最终有六个设备agent发出投标请求，成为待选设备资源集。
由于六个设备的性能是不同的，从而使得加工同一个加工工序的加工时间是不同的。如工件1，工序1可以在设备1，2和3上加工，工序2可以在设备2，4，5上加工。根据下表所示，工件1的加工路线共有27条，同理也可得其他两个工件的加工路线。
采用基于工序的表达法对该任务的工艺加工路线进行编码。可以对该任务所得的一个染色体编码为：213322143414。
首先根据主计算模型中的方程
解码的优化过程为：将工件按照染色体中工件首次出现的顺序排列，无需考虑各个工件的工序顺序，从而将各个工序放在相应的设备上进行加工，可以快速得到在该工件顺序下的调度最优解。
然后运用方程
在本发明实施例中，步骤s150之后，该任务调度方法还可以包括：基于所述最优解对所述生产订单进行执行。
可以理解的是，在获得结果后，按照算法的最优调度解对任务进行加工执行，即控制各个设备进行工作，完成加工。若在执行的过程中出现了不符合预期的情况，如产生机器设备故障或者工序执行拖期等问题，这时应调用动态调度策略对其进行处理。
在本发明实施例中，基于所述最优解对所述生产订单进行执行之后，所述方法还包括：
接收用户对所述执行的结果的评价的满意度；根据用户的满意度调整所述设备agent的信用度。
多agent系统中任务执行结果的质量很大程度是由资源agent来决定的。为了提高资源agent工作的工作热情和进取心，在合同网协商模型中引入了信用度来改善招标投标过程的协作质量。
在多agent系统中，agenti对agentj完成t类任务的能力的评价称为agentj在agenti中关于t类任务的信用度，记为doc(i,j,t)，它主要是通过实体完成该任务的效果来度量的，在多agent系统中存在自利型agent，它是主要看中自己的利益，尽管自己的能力不能完成该项任务，但是为了自己能够尽可能多的获得任务的授权，它会继续向任务投标，这种行为对它本身是有利的，但是对于任务来说，如果没有考虑这种自利型agent的特点，任务通常会对该agent的标书进行评价，将会选择没有能力完成该任务的agent成为中标者，这将大大降低任务分配的效率，从而降低了系统的性能。
每个agent的信用度是在长期的相互合作的过程中慢慢增长起来的，agent的信用度越高，中标的可能性就越大。在协同任务调度控制过程中，如果任务agent选中某资源agent来完成一项任务时，该资源agent能顺利完成并达到任务agent满意的求解质量，那么该资源agent的信用度会增加。相反，如果该资源agent没有能够顺利完成或者没有达到任务agent满意的求解质量，则该资源agent的信用度会降低。
信用度doc(degreeofcredibility)的计算方法：
完成发起者的任务时，doc(i,j,t)＝doc(i,j,t)+βaward；
未完成发起者的任务或违约时，doc(i,j,t)＝doc(i,j,t)-βpenalty；
上述公式中βaward<<βpenalty，对没有完成任务大幅度的减少它的信用度，可以避免自利型的agent在自己没有能力完成任务的情况下乱投标而造成系统的效率下降，并且在下次评标的时候可以避免选择该能力不足的agent。
所以在发送招标请求之前，任务agent要先把资源agent按照他们的信用度从高到底进行排序，选取信用度排列中前n个agent进行招标。在每次任务完成后，都要根据任务执行的质量来调整相应的资源agent的信用度。
本发明实施例提供的任务调度方法将两种智能算法相混合来提高算法的搜索能力，并将合同网协商机制与智能算法相结合来解决协同任务调度问题，使计算的速率提高，从而可以提高生产效率。
第二实施例
本发明第二实施例提供了一种任务调度装置200，请参见图5，所述任务调度装置200包括订单生成模块210、订单判断模块220、订单处理模块230、种群获取模块240以及调度求解模块250。其中，所述订单生成模块210用于基于预先存储的协同生产任务调度表将待调度任务生成为生产订单；所述订单判断模块220用于判断所述生产订单是否为紧急订单；所述订单处理模块230用于在所述生产订单不为紧急订单时，基于所述生产订单生成工序agent以及设备agent；所述种群获取模块240用于调用预先存储的协商策略，基于预先存储的招投标结果生成工序加工时间表，从而得到优化的遗传算法初始化种群；所述调度求解模块250用于基于预先存储的遗传算法，退火算法，以及所述遗传算法初始化种群得到所述生产订单的调度的最优解，并将所述调度的最优解进行输出。
在本发明实施例中，所述订单处理模块230包括任务分解单元、工序生成单元以及设备调度单元。其中，所述任务分解单元用于基于预先存储的bom清单将所述待调度任务分解为工件信息；所述工序生成单元用于基于所述工件信息动态的生成工序agent；所述设备调度单元用于获取所有的设备信息，并基于所述设备信息动态的生成设备agent。
在本发明实施例中，所述订单处理模块230包括任务分解单元、工序生成单元以及设备调度单元，其中，所述任务分解单元用于基于预先存储的bom清单将所述待调度任务分解为工件信息；所述工序生成单元用于基于所述工件信息动态的生成工序agent；所述设备调度单元用于获取所有的设备信息，并基于所述设备信息动态的生成设备agent。
在本发明实施例中，该任务调度装置200还可以包括订单执行模块。订单执行模块用于在所述基于预先存储的遗传算法，退火算法，以及所述遗传算法初始化种群得到所述生产订单的调度的最优解，并将所述调度的最优解进行输出之后，基于所述最优解对所述生产订单进行执行。
在本发明实施例中，该任务调度装置200还可以包括满意度接收模块以及信用度调整模块。其中，满意度接收模块用于接收用户对所述执行的结果的评价的满意度；信用度调整模块用于根据用户的满意度调整所述设备agent的信用度。
需要解释的是，本发明第二实施例提供的任务调度装置为本发明第一实施例提供的任务调度方法对应的装置，其具体的内容可以参见本发明第一实施例，在此不再一一赘述。
第三实施例
本发明第三实施例提供了一种电子设备100，请参见图1，该电子设备100包括存储器102和处理器106，所述存储器102存储有计算机指令，当所述计算机指令由所述处理器106读取并执行时，使所述处理器106执行本发明第一实施例提供的任务调度方法。
第四实施例
本发明第四实施例提供了一种存储介质，所述存储介质中存储有计算机指令，其中，所述计算机指令在被读取并运行时执行本发明第一实施例提供的任务调度方法。
综上所述，本发明实施例提供的任务调度方法、装置、电子设备及存储介质，首先基于预先存储的协同生产任务调度表将待调度任务生成为生产订单，然后判断该生产订单是否为紧急订单，在该生产订单不为紧急订单时，基于该生产订单生成工序agent以及设备agent，再调用预先存储的协商策略，基于预先存储的招投标结果生成工序加工时间表，从而得到优化的遗传算法初始化种群，最后基于预先存储的遗传算法，退火算法，以及上述遗传算法初始化种群得到上述生产订单的调度的最优解，并将该最优解进行输出。该任务调度方法、装置、电子设备及存储介质，通过提出遗传算法以及退火算法模型对调度的解进行求取，提高了求取效率，从而提高了任务调度执行的效率。
需要说明的是，本说明书中的各个实施例均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的部分互相参见即可。对于装置类实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、磁碟或者光盘等各种可以存储程序代码的介质。需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。