一种多目标资源配置方法
【专利摘要】本发明提供了一种多目标资源配置方法，属于资源配置领域。该方法包括：S1：实时获取资源加工能力和需要调度的任务；S2：确定资源配置的目标及约束条件；S3：采用迁徙鸟群优化方法生成多目标资源配置方案；S4：将所述多目标资源配置方案下发到各加工车间进行调度。利用本发明方法大大提高了多目标资源配置的效率。
【专利说明】
-种多目标资源配置方法
技术领域
[0001] 本发明属于资源配置领域，具体设及一种多目标资源配置方法。
【背景技术】
[0002] 资源配置问题，即给定一定数量的某种资源，例如人力、资金、设备、材料等，将其 投入多种活动，产生如何分配资源给各项活动，使投放资源的总效果最优的问题。目前，资 源配置问题大量出现于各种生产过程中，如炼钢连铸生产中分配高炉转炉等问题。现实生 产过程中，资源配置优化方案往往需要考虑多个性能指标，即多目标优化问题。近年来，随 着多目标优化技术的不断进展，出现了多种多目标处理技术，如加权处理技术、Pareto解 集、群体划分技术等。其中，Pareto解集在处理多目标中优势明显，在保持求解质量的同时 保证了解的多样性，已成为现行多目标处理的主要技术。
[0003] 目前，求解资源配置问题中呈现了多种智能优化算法，比如遗传算法、蚁群优化算 法等，上述求解算法获得了一定质量的决策方案。然而，多目标资源分配问题属于NP难问 题，上述算法或者由于收敛过快而陷入"早熟"，或者由于缺乏多样性而不能提供全面的解 决方案。迁徙鸟群算法(Migrating Birds Optimization,MB0)是Duman等于2012年提出的 一种新的群智能算法W，该方法模拟迁徙鸟群"V"形队列排列，在捜索过程中可W有效利用 位置靠前的迁徙鸟的捜索结果，提高捜索效率。基于上述原理，本发明给出了一种求解多目 标资源配置问题的迁徙鸟群优化算法。
【发明内容】
[0004] 本发明的目的在于解决上述现有技术中存在的难题，提供一种多目标资源配置方 法，提高多目标资源配置的效率。
[0005] 本发明是通过W下技术方案实现的：
[0006] -种多目标资源配置方法，包括：
[0007] SI:实时获取资源加工能力和需要调度的任务；
[0008] S2:确定资源配置的目标及约束条件；
[0009] S3:采用迁徙鸟群优化方法生成多目标资源配置方案；
[0010] S4:将所述多目标资源配置方案下发到各加工车间进行调度。
[0011] 所述Sl中的资源加工能力和需要调度的任务包括:加工设备或资源M台，需要加工 的工件或任务N个，某个工件或任务i，i = 1，2，….N，某个资源j，j = 1，2，….M，分配资源j给 任务i的加工成本Cij,分配资源j给任务i的生产效益Pij,决策变量Xij = I表示资源j分配给 任务i;xij = 0表示资源j未分配给任务i。
[0012] 所述S2中的资源配置的目标为：
[0013] Cl)
[0014] (2)
[0017]
[0015] (I)表示最大化资源分配的生产效益，（2)表示最小化资源分配的生产成本；[0016] 所述S2中的资源配置的约束条件为：
[001 引
[0019]
[0020] 么圧巧?化、W1工H[t- P、」--贝似、丄/JU丄；公式（4)表示分配资源的总 和不能超过加工工件的数量;约束(5)表示决策变量的取值范围，即某个资源或者加工或者 不加工某个工件;对于不符合所述约束条件的解，采用丢弃策略。
[0021] 所述S3是运样实现的：
[0022] 步骤1按照资源配置问题产生一个迁徙鸟，并加入迁徙鸟群，循环随机生成Pn个初 始迁徙鸟加入迁徙鸟群；
[0023] 步骤2计算每个迁徙鸟的目标值，并对初始群体应用NSGA-II的快速排序策略，选 择第一层化reto边沿的最好的迁徙鸟作为当前群体的领头鸟；
[0024] 步骤討良据当前迁徙鸟群的化reto分层，产生外部帕累托解集Pa。
[0025] 步骤4设置迁徙鸟群迭代终止条件K，令i = 0;
[00%]步骤5设置每只领头迁徙鸟带领迁徙鸟群迭代循环终止条件W，令j = 0;
[0027] 步骤6应用领头鸟策略，为领头鸟产生k个邻域解，并更新帕累托解集Pa;
[002引步骤7更新迁徙鸟群迭代变量:令i = i+k;
[0029] 步骤8应用迁徙鸟策略，为普通迁徙鸟产生k-x个邻域解，并更新帕累托解集Pa;
[0030] 步骤9更新迁徙鸟群迭代变量:令i = i +化-X);令j = j+l，判断j〉= w是否成立，如 果否，则返回步骤6，如果是，则转入步骤10;
[0031] 步骤10更换领头迁徙鸟：调整领头鸟到V形队列最后位置，设置V形队列中第一个 迁徙鸟为领头鸟，期间保持V形队列的平衡性；
[0032] 步骤11判断i〉= K是否满足，若不满足，则返回步骤6;否则，输出最优帕累托解集， 即多目标资源配置的结果。
[0033] 所述步骤1是运样实现的：
[0034] 迁徙鸟群算法参数初始化:Pn为初始群体大小;k为每个迁徙鸟更新状态时需要参 考的邻域解集的大小;X为处于前面位置的迁徙鸟传递给后续迁徙鸟邻域解的数目；W为领 头鸟带队迭代次数;K为迁徙鸟群迭代次数。
[0035] 所述步骤6中的领头鸟策略如下：
[0036] 领头鸟每次迭代执行如下步骤:领头鸟执行k次局部捜索，得到k个邻域解，按照目 标值升序排列，选择最好邻域解更新当前领头鸟，并选择X个未使用的邻域解，传递给V形队 列左右两边第一个迁徙鸟;每产生一个邻域解，更新全局最优解。
[0037] 所述步骤8中的迁徙鸟策略如下：
[0038] 除了领头鸟之外，其余迁徙鸟每次迭代执行W下步骤：
[0039] Tl:对于迁徙鸟群中所有其他迁徙鸟Sr,为其产生化-X)个邻域解，并按照目标值 由好到次进行排序，存入集合Nr，每产生一个邻域解，更新全局最优；
[0040] T2:合并当前迁徙鸟邻域解和上层迁徙鸟传递的邻域解:记在队列中紧邻Sr之前 的迁徙鸟为Sr-I,取出迁徙鸟Sr-I未使用的前X个最好邻域解，并和Sr的邻域解集Nr构成集合 Nr-
[0041] T3:更新当前迁徙鸟状态:使用集合Nr'的解更新迁徙鸟Sr状态，并选择X个未使用 的邻域解，传递给V形队列中后续迁徙鸟。
[0042] 与现有技术相比，本发明的有益效果是：
[0043] (1)本发明将迁徙鸟群优化算法用于多目标资源配置问题，结合问题特征，给出了 一种有效的种群初始化方法。本发明设计了改进的领头鸟策略、迁徙鸟策略和局部捜索策 略，有效地提高了算法的捜索能力。通过引入化reto文集，增强了算法多样性，并且大大提 高了多目标资源配置的效率；
[0044] (2)与现有技术相比，本发明在求解多目标资源配置问题中，可W获得的多样的帕 累托解集，验证了本发明求解该类问题的多样性。另外，其他两种技术所得到的解均被本发 明所提出的迁徙鸟群优化算法所得到的解支配，有些解被本发明得到的多个解支配，进一 步验证了所提算法的优越性。上述比较结果证明，本发明所提出的迁徙鸟群优化算法无论 在求解质量还是在求解结果多样性方面，均表现了良好的性能。因而，采用本发明迁徙鸟群 优化方法求解多目标资源配置问题取得了明显的有益效果。
【附图说明】
[0045] 图1为本发明多目标资源配置方法的步骤框图；
[0046] 图2为本发明方法中的采用迁徙鸟群优化方法生成多目标资源配置方案的步骤框 图。
【具体实施方式】
[0047] 下面结合附图对本发明作进一步详细描述：
[0048] 本发明提出了一种求解多目标资源配置问题的迁徙鸟群优化算法。结合问题特 征，算法采用新的编码和解码方式，并给出了一种有效的种群初始化方法。提出了改进的领 头鸟策略、迁徙鸟策略和局部捜索策略，有效地提高了算法的捜索能力。通过引入化reto文 集，增强了算法多样性。通过与当前文献中的典型算法，包括遗传算法和蚁群算法的对比分 析，验证了所提算法无论在求解质量还是在求解结果多样性方面，都具备良好的性能。
[0049] 如图1所示，本发明方法包括：
[0050] 1多目标资源配置问题描述
[0051] 资源配置问题广泛存在于各种生产实际中，如人力资源配置问题、炼钢连铸资源 配置问题等。不失一般性，描述资源配置如下：
[0052] 假设某车间有加工设备或资源M台，需要加工的工件（或任务）有N个，i(i = l， 2，….N)表示某个工件或任务，j(j = l，2，….M)表示某个资源，cu表示分配资源j给任务i的 加工成本，9^表示分配加热炉j给任务i的生产效益，决策变量XU = I表示资源j分配给任务 i ; W = 1表示加热炉j未分配给任务i。则多目标源配置模型如下：
[0化3]
[0化4]
[0055] 该模塑用十粒测辻徙马的綱妈是巧满化所巧的巧义杀1午，卿于不符合多目标配置 模型中约束条件的解，采用简单的丢弃策略。
[0056] 上述模型中，目标函数（1)表示最大化资源分配的生产效益；目标函数(2)表示最 小化资源分配的生产成本;约束(3)表示每个任务必须在唯一的一台热炉上加工；约束(4) 表示分配加热炉的总和不能超过加 工工件的数量，也就是不能出现一个工件同时由两台加 热炉加工的现象;约束(5)则表示决策变量的取值范围，即某个加热炉或者加工或者不加工 某个工件。
[0057] 2求解多目标资源配置问题的迁徙鸟群优化算法
[0058] 迁徙鸟群优化(MBO)算法的基本思想如下：（1)根据候鸟迁徙过程中采用"V"型队 列的飞行原理，MBO采用"V"型拓扑结构组织捜索过程中的一群个体（即问题的解）。（2)从初 始种群出发，每个个体不但捜索自身的邻域，而且可W从它前面的个体那儿得到有用信息。 运样，有用信息从"V"型顶点上的个体开始依次向后传递。（3)正如迁徙鸟群飞行一段时间 后就要更换领头鸟一样，经过若干次捜索迭代，MBO更换排在"V"型顶点上的个体。信息从新 的"V"型顶点开始向后传递。运样就保证了群体的多样性，防止MBO停滞不前，不断地向全局 优解方向逼近。通过有用信息的单向传递机制，使群体中好解的信息传递给其它解，就加快 了 MBO的收敛速度。（4)MB0采用离散决策变量编码，利用针对离散编码的邻域捜索机制和信 息传递机制产生新解，运样MBO就具有离散本质，更适合于组合优化问题的求解。Duman等的 研究表明，针对二次指派问题，MBO算法得到了当前较好研究结果（请参考:Ekrem Duman, Mitat Uysal,Ali Fuat Alkaya.Migrating Birds Optimization:A new metaheuristic approach 曰nd its performance on quadratic assignment problem[J]. Information Sciences,2012(217):65-77)
[0化9] 2.1问题编码
[0060]资源配置问题编码采用整数编码规则，假设资源配置问题包含M个资源，N个任务， 则问题编码长度为N，编码中每个整数表示对应该任务分配到的资源编号。例如，对于5个资 源3个任务的简单资源配置问题，其加工成本和加工效益分别在表1和表2中给出。编码U， 3，3}表示的含义如下：第一个任务被分配到资源Ji上进行加工，任务12被分配到J3上进行加 工，W此类推，最后，任务13被分配到资源J3上进行加工。其中，资源J3加工两个任务，分别是 12和13。则编码U，3,3}对应的目标分别是：生产效益=38巧0+30 = 118;生成成本= 35+30+ 45 = 110,则其目标值为：{118,110}。表1是期望成本，表2是期望效益。对于不符合多目标配 置模型中约束条件的解，采用简单的丢弃策略。
[0061]
[0062]
[0063]
[0064] 表 2
[00化]2.2局部捜索策略
[0066] 局部捜索是每个迁徙鸟开展挖掘、更新状态必须完成的工作，也是整个迁徙鸟群 收敛到最优的保证，因而，局部捜索的性能直接影响算法效率。依据资源配置问题特征，本 发明采用的局部捜索策略有两种：
[0067] 策略1:首先，随机选择解中的一个位置，记为r，之后，为位置r上的任务随机选择 一个不同于当前资源的另外一种资源。
[006引策略2:首先，随机选择解中的两个不同的位置，记为ri和n，之后，为位置ri和n上 的任务分别随机选择不同于当前资源的另外一种资源。
[0069] 上述两种策略作用不同，策略1的扰动较小，因而适合在当前解周围进行精确挖 掘，策略2扰动较大，适合在算法陷入"早熟"的时候，帮助算法跳出局部最优。
[0070] 2.3初始迁徙鸟群的构建
[0071 ]初始迁徙鸟群的构建的基本过程如下：为保证初始群体解的多样性，产生规则如 下:首先，按照静态调度最好解的编码排列产生一个迁徙鸟，并加入种群，按照静态调度最 好解产生的迁徙鸟具备一定的良好性能，保证初始种群解的高效性；其次，循环随机产生 Pn-I个初始迁徙鸟，为保证V形排列的队列两边对称设置Pn为奇数，每个随机产生的迁徙鸟 编码随机产生，保证了初始种群的多样性。上述两种方式产生的初始迁徙鸟群，选择最好解 作为领头迁徙鸟，其余迁徙鸟随机按照V形排列。
[0072] 2.4领头鸟策略
[0073] 领头迁徙鸟每次迭代执行步骤:领头鸟执行k次局部捜索，得到k个邻域解，按照目 标值升序排列，选择最好邻域解更新当前领头鸟，并选择X个未使用的邻域解，传递给V形队 列左右两边第一个迁徙鸟。每产生一个邻域解，更新全局最优解。
[0074] 2.5迁徙鸟策略
[0075] 除了领头迁徙鸟之外，其余迁徙鸟每次迭代执行步骤如下：
[0076] 步骤1对于迁徙鸟群中所有其他迁徙鸟Sr,为其产生(k-x)个邻域解，并按照目标 值由好到次进行排序，存入集合Nr。每产生一个邻域解，更新全局最优解。
[0077] 步骤2合并当前迁徙鸟邻域解和上层迁徙鸟传递的邻域解:记在队列中紧邻Sr之 前的迁徙鸟为Sr-I,取出迁徙鸟Sr-I未使用的前X个最好邻域解，并和Sr的邻域解集Nr构成集 合Nr,。
[0078] 步骤3更新当前迁徙鸟状态:使用集合Nr'的解更新迁徙鸟Sr状态，并选择X个未使 用的邻域解，传递给V形队列中后续迁徙鸟。
[00巧]2.6多目标优化策略
[0080] 针对多目标处理策略如下:首先，在迁徙鸟群初始化的时候，创建存储非支配解的 帕累托解集Pa。其次，每个迁徙鸟进行局部捜索的时候，用得到的邻域解更新Pa,更新策略采 用NSGA-II的非支配排序策略（请参考:K.Deb，A.Pratap A，S.Agarwal S，T.M巧arivan.A fast and elitist multiobjective genetic algorithm:NSGA-II[J]. IEEE Transactions on Evolutionary Computation 6(2)(2002)182-197.;Li J.Q,Pan Q.K, Gao K.Z.Pareto-based discrete artificial bee colony algorithm for multi- objective flexible job shop scheduling problems[J]. International Journ曰I of Advanced Manufac1:u;ring Technology,2011,55(9-12): 1159~1169. ;Q.K.化n,L.Wang, B.Qian,A novel differential evolution algorithm for bi-criteria no-wait flow shop scheduling problems,Computers&Operations Research 2009,36(8):2498-2511.； JQ Li,QK Pan,M.Tasgetiren.A discrete artificial bee colony algorithm for the multi-objective flexible job-shop scheduling problem with maintenance activities.Applied Mathematical Modelling.2014,38(3):1111-1132)〇
[0081] 2.7算法框架
[0082] 综合上述各种策略，求解多目标资源配置问题的迁徙鸟群优化算法框架如图2所 示，包括：
[0083] 步骤1迁徙鸟群算法参数初始化。迁徙鸟群算法的参数包括:Pn为初始群体大小;k 为每个迁徙鸟更新状态时需要参考的邻域解集的大小;X为处于前面位置的迁徙鸟传递给 后续迁徙鸟邻域解的数目；W为领头鸟带队迭代次数;K为迁徙鸟群迭代次数。
[0084] 步骤2构建初始迁徙鸟群，计算每个迁徙鸟的目标值，并对初始群体应用NSGA-II 的快速排序策略，随机选择第一层化reto边沿的某个迁徙鸟作为当前群体的领头鸟；
[0085] 步骤討良据当前迁徙鸟群的化reto分层，产生外部帕累托解集Pa。
[0086] 步骤4设置迁徙鸟群迭代终止条件K:令i = 0;
[0087] 步骤5设置每只领头迁徙鸟带领迁徙鸟群迭代循环终止条件W:令j = 0;
[0088] 步骤6应用2.4节的领头鸟策略，为领头鸟产生k个邻域解，并更新帕累托解集Pa。
[0089] 步骤7更新迁徙鸟群迭代变量:令i = i+k。
[0090] 步骤8应用2.5节的迁徙鸟策略，为普通迁徙鸟产生k-x个邻域解，并更新帕累托解 集Pa。
[0091] 步骤9更新迁徙鸟群迭代变量:令i = i +化-X);令j = j+l，判断j〉= w是否成立，如 果否，则返回步骤6，如果是，则转入步骤10;
[0092] 步骤10更换领头迁徙鸟：调整领头鸟到V形队列最后位置，领头鸟紧后V形队列中 第一个迁徙鸟设置为领头鸟，期间保持V形队列的平衡性。
[0093] 步骤11判断i〉= K是否满足，若不满足，则返回步骤6;否则，循环结束并输出最优 帕累托解集，即多目标资源配置的结果。
[0094] 3实验结果与分析
[00巧]3.1仿真实验参数设置
[0096] 本实验采用C++语言编程实现，程序运行环境为:D化L台式机口 3.4G化，内存为 16GB。实验参数设置如下:初始群体大小Pn = 51;每个迁徙鸟更新状态时需要参考的邻域解 集的大小:k = 7;处于前面位置的迁徙鸟传递给后续迁徙鸟邻域解的数目：x = 3;领头鸟带 队迭代次数:W = 20;迁徙鸟群迭代次数:K = 500。
[0097] 3.2仿真实验结果
[0098] 为验证算法的有效性，本发明采用与文献1(化i-Ming Lin,Mitsuo Gen.Multi- objective Resource Allocation Problem by Multistage Decision-based Hybrid Genetic Algorithm!!J] .Applied Mathematics and Computation,2007,187:574-583)和 文献2(喻江平.基于蚁群优化的多目标资源配置模型及应用[J].统计与决策，2013(14): 82-85)相同的实验算例。该算例为4个任务分配10个员工。经过20次独立运行，算法获得的 帕累托解集如表3所示。表4则给出了本发明所提出的迁徙鸟群优化算法与遗传算法(文献 1)和蚁群优化(文献2)结果的比较。表3中，第一列给出了本发明算法求解得到的非支配解 的编号;第2-5列则给出了每个非支配解的资源配置方案，例如，第一个非支配解的方案是： {3,2,6,3}，表示的含义是分别分配任务1-4给员工3,2,6,3;最后两列则给出了每个解的两 个目标值。表4中，第一列给出了解的编号，第2-3列则列出了遗传算法求解得到的6个解的 目标值，第四列给出了本发明算法求解结果中支配遗传算法结果的解的编号，例如，本发明 所得的编号为1，2，15的=个解支配遗传算法得到的第一个解;蚁群优化算法得到的四个解 在第5-6列给出，最后一列则列出了本发明算法支配蚁群优化结果的情况。表4最后一行给 出了遗传算法和蚁群优化算法得到的结果被本发明所提算法支配的数目。
[0099] 由表3可见，本算法可W获得的帕累托解的个数明显多于其他两种算法，验证了算 法求解的多样性。由表4可见，遗传算法和蚁群优化算法得到的全部解均被本发明所提出的 迁徙鸟群优化算法所得到的解支配，有些解被本发明得到的多个解支配，进一步验证了所 提算法的优越性。上述比较结果证明，本发明所提出的迁徙鸟群优化算法无论在求解质量 还是在求解结果多样性方面，均表现了良好的性能。采用本发明迁徙鸟群优化方法求得的 帕累托解集如表3所示。与遗传算法和蚁群优化算法结果比较如表4所示。
[0100]
[0101]
[0102]
[0103]
[0104] 巧4
[0105] 为求解多目标资源配置问题，本发明结合炼钢连铸生产实际，提出了一种新的基 于迁徙鸟群优化的多目标求解算法，算法中设计了良好的局部捜索策略和帕累托解集更新 策略，保证了算法求解的质量和多样性。与当前文献比较可见，所提算法无论在解的质量还 是结果多样性方面，均明显优于遗传算法和蚁群优化算法。
[0106] 上述技术方案只是本发明的一种实施方式，对于本领域内的技术人员而言，在本 发明公开了应用方法和原理的基础上，很容易做出各种类型的改进或变形，而不仅限于本 发明上述【具体实施方式】所描述的方法，因此前面描述的方式只是优选的，而并不具有限制 性的意义。
【主权项】
1. 一种多目标资源配置方法，其特征在于:所述方法包括： Si:实时获取资源加工能力和需要调度的任务； S2:确定资源配置的目标及约束条件； S3:采用迀徙鸟群优化方法生成多目标资源配置方案； S4:将所述多目标资源配置方案下发到各加工车间进行调度。2. 根据权利要求1所述的多目标资源配置方法，其特征在于:所述Sl中的资源加工能力 和需要调度的任务包括:加工设备或资源M台，需要加工的工件或任务N个，某个工件或任务 1，1 = 1，2，"_儿某个资源」，」=1，2，"_1，分配资源於合任务浦加工成本叫，分配资源」给 任务i的生产效益pi j，决策变量Xij = I表示资源j分配给任务i ; xij = O表示资源j未分配给 任务i。3. 根据权利要求2所述的多目标资源配置方法，其特征在于:所述S2中的资源配置的目 标为：(1)表示最大化资源分配的生产效益，（2)表示最小化资源分配的生产成本； 所述S2中的资源配置的约束条件为： 'A-JAA 可，I ?工力工"tt口 1J ，I贝妳丄Λ?μ丄；分配资源的总和不 能超过加工工件的数量;约束(5)表示决策变量的取值范围，即某个资源或者加工或者不加 工某个工件;对于不符合所述约束条件的解，采用丢弃策略。4. 根据权利要求3所述的多目标资源配置方法，其特征在于:所述S3是这样实现的： 步骤1按照资源配置问题产生一个迀徙鸟，并加入迀徙鸟群，循环随机生成Pnf初始迀 徙鸟加入迀徙鸟群； 步骤2计算每个迀徙鸟的目标值，并对初始群体应用NSGA-II的快速排序策略，选择第 一层Pareto边沿的最好的迀徙鸟作为当前群体的领头鸟； 步骤3根据当前迀徙鸟群的Pareto分层，产生外部帕累托解集Pa。 步骤4设置迀徙鸟群迭代终止条件K，令i = 0; 步骤5设置每只领头迀徙鸟带领迀徙鸟群迭代循环终止条件w，令j = 0; 步骤6应用领头鸟策略，为领头鸟产生k个邻域解，并更新帕累托解集Pa; 步骤7更新迀徙鸟群迭代变量:令i = i+k; 步骤8应用迀徙鸟策略，为普通迀徙鸟产生k-x个邻域解，并更新帕累托解集Pa; 步骤9更新迀徙鸟群迭代变量:令i = i + (k-x);令j = j+l，判断j> = w是否成立，如果否， 则返回步骤6，如果是，则转入步骤10; 步骤10更换领头迀徙鸟：调整领头鸟到V形队列最后位置，设置V形队列中第一个迀徙 鸟为领头鸟，期间保持V形队列的平衡性； 步骤11判断i>=K是否满足，若不满足，则返回步骤6;否则，输出最优帕累托解集，即多 目标资源配置的结果。5. 根据权利要求4所述的多目标资源配置方法，其特征在于:所述步骤1是这样实现的： 迀徙鸟群算法参数初始化:Pn为初始群体大小;k为每个迀徙鸟更新状态时需要参考的 邻域解集的大小;X为处于前面位置的迀徙鸟传递给后续迀徙鸟邻域解的数目；w为领头鸟 带队迭代次数;K为迀徙鸟群迭代次数。6. 根据权利要求5所述的多目标资源配置方法，其特征在于:所述步骤6中的领头鸟策 略如下： 领头鸟每次迭代执行如下步骤:领头鸟执行k次局部搜索，得到k个邻域解，按照目标值 升序排列，选择最好邻域解更新当前领头鸟，并选择X个未使用的邻域解，传递给V形队列左 右两边第一个迀徙鸟;每产生一个邻域解，更新全局最优解。7. 根据权利要求6所述的多目标资源配置方法，其特征在于:所述步骤8中的迀徙鸟策 略如下： 除了领头鸟之外，其余迀徙鸟每次迭代执行以下步骤： Tl:对于迀徙鸟群中所有其他迀徙鸟Sr，为其产生(k-x)个邻域解，并按照目标值由好到 次进行排序，存入集合Nr，每产生一个邻域解，更新全局最优； T2:合并当前迀徙鸟邻域解和上层迀徙鸟传递的邻域解:记在队列中紧邻Sr之前的迀徙 鸟为Sn，取出迀徙鸟Sp1未使用的前X个最好邻域解，并和Sr的邻域解集Nr构成集合Nr，； T3 :更新当前迀徙鸟状态:使用集合Nr，的解更新迀徙鸟Sr状态，并选择X个未使用的邻 域解，传递给V形队列中后续迀徙鸟。
【文档编号】G06Q10/06GK106022601SQ201610330606
【公开日】2016年10月12日
【申请日】2016年5月18日
【发明人】李俊青, 段培永, 桑红燕, 潘全科
【申请人】聊城大学