CN119378962A 一种粮仓储运无序计划自主调度系统及方法 （烟台港集团莱州港有限公司）

(22)申请日2025.01.02(特殊普通合伙)1182318/10(2023.01)一种粮仓储运无序计划自主调度系统及方法其涉及一种粮仓储运无序计划自主调度系统及方法。包括：对采集的数据进行校准和时间同步，以及数据清洗、筛选、去除冗余和异常检测处理；调度方案；计算性能评估指标并生成优化建议；户提供实时监控系统性能和调整系统参数的界21.一种粮仓储运无序计划自主调度方法，其特征在于，包括以下步骤：S1.实时采集数据，并对数据进行校准和时间同步，对同步后的数据进行数据清洗、筛选、去除冗余和异常检测处理；对异常检测后的数据进行加密和结构化处理，得到加密后的结构化数据，将加密后的结构化数据存储到数据库；S2.基于加密后的结构化数据构建预测模型，生成预测输出，并使用自适应增量最优化算法动态优化更新预测模型的模型参数；使用改进的相对误差评估指标评估预测模型的预测性能，并将更新后的模型参数和预测结果存储到数据库中；S3.基于异常检测后的数据和预测输出，通过动态自适应融合优化算法优化任务调度方案；S4.计算性能评估指标，评估调度系统在资源调度和任务执行中的性能；基于性能评估指标，生成优化建议；同时提出新的资源分配策略和任务调度方案，并为用户提供实时监控系统性能和调整系统参数的界面、反馈提示与建议以及历史数据查询功能。2.根据权利要求1所述的粮仓储运无序计划自主调度方法，其特征在于，所述S1,具体包括：将采集到的数据传输到中央服务器或数据接收终端，并使用线性回归对传感器输出进行初始校准；应用时间同步算法调整数据的时间戳以匹配服务器时间，对同步后的数据通过移动平均算法进行数据清洗，得到平滑后的数据；再根据设定的阈值范围对平滑后的数据进行筛选；基于筛选后的数据进行去除冗余处理，识别并删除重复数据；通过Z-score异常检测识别去除冗余后的数据中的异常数据。3.根据权利要求1所述的粮仓储运无序计划自主调度方法，其特征在于，所述S2,具体包括：对加密后的结构化数据进行解密，得到解密后的数据，并将解密后的数据转换为时序数据矩阵；基于解密后的数据，通过时间延迟嵌入方法重建相位空间数据；再使用非线性相位空间映射函数f(Xphase(tsync))构建预测模型，具体公式为：Y(tsync)=f(Xphase(tsync))=W·sigmoid(A·Xphase(tsy其中，Y(tsync)是预测输出，表示在时间t的模型预测值；tsync是同步后的时间戳；4.根据权利要求3所述的粮仓储运无序计划自主调度方法，其特征在于，所述S2,具体包括：自适应增量最优化算法的具体公式为：标变量值；IⅡWII²+llAII²是权重矩阵和权重矩阵中的参数的平方范数，用于正则化；f(Xphase(tsync,i)为使用相位空间数据进行的预测；tsync,i表示第i个时间点；λ是正则化系35.根据权利要求1所述的粮仓储运无序计划自主调度方法，其特征在于，所述S3,具体L(u,d,Xfused)=β₁·Cost(u)+β₂·CompletionTime(d)+β₃·Utiliza6.根据权利要求5所述的粮仓储运无序计划自主调度方法，其特征在于，所述S3,具体在动态自适应融合优化算法的实现过程中，引入动态调整机制调整权重系数，具体公7.根据权利要求5所述的粮仓储运无序计划自主调度方法，其特征在于，所述S3,具体在动态自适应融合优化算法的实现过程中，通过最小化调度目8.根据权利要求7所述的粮仓储运无序计划自主调度方法，其特征在于，所述S4,具体9.根据权利要求8所述的粮仓储运无序计划自主调度方法，其特征在于，所述S4,具体基于误差分析结果和优化策略生成报告，供调度系统管理员10.一种粮仓储运无序计划自主调度系统，应用于权利要求1所述的粮仓储运4传感器网络模块，用于采集仓库和运输过程中的环境、粮食质量、设备状态和位置数据，实时进行自动校准和自诊断，并对所有采集的数据添加时间戳进行同步处理，将同步后的数据提供给数据采集与处理模块；数据采集与处理模块，用于接收来自传感器网络模块的同步后的数据，并进行清洗、筛选、去除冗余和异常检测处理，异常检测后的数据被结构化存储在数据库中，提供给历史数据分析模块和智能调度引擎模块；历史数据分析模块，基于数据采集与处理模块的被结构化存储的异常检测后的数据，构建预测模型，并利用系统长期积累的历史数据，动态更新和优化预测模型，将预测结果提供给智能调度引擎模块；智能调度引擎模块，用于接收数据采集与处理模块的异常检测后的数据、历史数据分析模块的预测结果、执行控制模块的反馈信息、反馈与优化模块的优化建议和反馈数据、人机交互接口模块的用户输入的调整指令，利用动态自适应融合优化算法来优化任务调度方案；将优化后的调度方案提供给执行控制模块和人机交互接口模块；执行控制模块，用于接收智能调度引擎模块的优化后的调度方案、人机交互接口模块的用户输入的调整指令，并转化为执行命令发送给执行单元，实时监控命令执行情况并识别异常情况，自动调整执行命令，同时将记录的命令执行情况和异常报告的反馈信息提供给智能调度引擎模块、反馈与优化模块和人机交互接口模块；反馈与优化模块，用于接收执行控制模块的反馈信息，对比评估预期与实际执行结果，分析反馈信息生成优化建议并将反馈数据持久化存储，将优化建议和反馈数据提供给智能调度引擎模块；人机交互接口模块，用于接收智能调度引擎模块的优化后的调度方案、执行控制模块的反馈信息和用户输入的调整指令，提供可视化界面展示系统运行状态、调度方案和执行情况，允许用户对系统进行实时监控、调整参数或进行紧急干预，将用户输入的调整指令提供给智能调度引擎模块和执行控制模块。5一种粮仓储运无序计划自主调度系统及方法技术领域[0001]本发明涉及智能优化系统及其应用领域，尤其涉及一种粮仓储运无序计划自主调度系统及方法。背景技术[0002]在传统的粮仓储运管理中，依赖于固定调度规则和经验判断的方式已显现出局限性，这种方法无法灵活应对动态变化的生产和运输需求，导致计划的有效性和实时性受到限制。同时，在传统的粮仓储运管理中，资源调度和分配也存在低效和不一致的问题，往往难以满足实际操作中的复杂需求。此外，粮仓储运过程涉及大量动态信息的处理和分析，传统的人工操作或计算方法难以实现高效、精确的调度决策。为提升粮仓管理效率并优化资源配置，亟需基于智能化技术，开发一种粮仓储运的自主调度系统和方法，以实现更高效的运营和更优的资源利用。发明内容[0003]本发明通过提供一种粮仓储运无序计划自主调度系统及方法，以解决在处理动态数据时表现出较低的准确性和适应性；以及在面对复杂和动态任务时，往往无法实时调整资源分配以适应不断变化的需求，导致资源利用效率低下和调度不优化的问题。[0004]本发明的一种粮仓储运无序计划自主调度系统及方法，具体包括以下技术方案：一种粮仓储运无序计划自主调度方法，包括以下步骤：S1.实时采集数据，并对数据进行校准和时间同步，对同步后的数据进行数据清洗、筛选、去除冗余和异常检测处理；对异常检测后的数据进行加密和结构化处理，得到加密后的结构化数据，将加密后的结构化数据存储到数据库；S2.基于加密后的结构化数据构建预测模型，生成预测输出，并使用自适应增量最优化算法动态优化更新预测模型的模型参数；使用改进的相对误差评估指标评估预测模型的预测性能，并将更新后的模型参数和预测结果存储到数据库中；S3.基于异常检测后的数据和预测输出，通过动态自适应融合优化算法优化任务调度方案；S4.计算性能评估指标，评估调度系统在资源调度和任务执行中的性能；基于性能评估指标，生成优化建议；同时提出新的资源分配策略和任务调度方案，并为用户提供实时监控系统性能和调整系统参数的界面、反馈提示与建议以及历史数据查询功能。将采集到的数据传输到中央服务器或数据接收终端，并使用线性回归对传感器输出进行初始校准；应用时间同步算法调整数据的时间戳以匹配服务器时间，对同步后的数据通过移动平均算法进行数据清洗，得到平滑后的数据；再根据设定的阈值范围对平滑后的数据进行筛选；基于筛选后的数据进行去除冗余处理，识别并删除重复数据；通过Z-score异常检测识别去除冗余后的数据中的异常数据。6[0006]优选的，所述S2,具体包括：对加密后的结构化数据进行解密，得到解密后的数据，并将解密后的数据转换为时序数据矩阵；基于解密后的数据，通过时间延迟嵌入方法重建相位空间数据；再使用非线性相位空间映射函数f(Xphase(tsync))构建预测模型，具体公式为：Y(tsync)=f(Xphase(tsync))=W·sigmoid(A·Xphase(tsy其中，Y(tsync)是预测输出，表示在时间t的模型预测值；tsync是同步后的时间戳；Xphase(tsync)表示相位空间数据；f(Xphase(tsync)表示非线性相位空间映射函数；W是权重矩[0007]优选的，所述S2,具体包括：自适应增量最优化算法的具体公式为：的目标变量值；|WII²+llAII²是权重矩阵和权重矩阵中的参数的平方范数，用于正则化；f(Xphase(tsync,i))为使用相位空间数据进行的预测；tsync,t表示第i个时间点；λ是正则化系数；n是实际值的数量；是实际值索引。[0008]优选的，所述S3,具体包括：在动态自适应融合优化算法的实现过程中，基于从S1获得的异常检测后的数据和从S2获得的预测输出进行数据融合处理，得到融合后的数据；并基于成本、完成时间和资源利用率以及融合后的数据，通过加权求和来定义调度目标函数，公式如下：L(u,d,xfused)=β₁·Cost(u)+β₂·CompletionTime(d)+β₃·Utilizat[0009]优选的，所述S3,具体包括：在动态自适应融合优化算法的实现过程中，引入动态调整机制调整权重系数，具体公式为：整权重的参数，用于控制实时反馈误差对权重调整的影响程度，FeedbackError(t)是实时反馈误差；Y;表示与第j个资源的分配量的敏感度相关的参数；是防止计算中出现无穷大或负数的常数。[0010]优选的，所述S3,具体包括：在动态自适应融合优化算法的实现过程中，通过最小化调度目标函数来优化任务7调度方案，并生成优化后的调度目标函数；通过计算调度系统预定的调度目标函数的预期值和优化后的调度目标函数的误差，来评估调度系统性能。通过分析误差，计算性能评估指标，并生成系统性能评估报告，包括平均误差、最基于误差分析结果和优化策略生成报告，供调度系统管理员或用户参考；优化策略是基于误差分析制定的策略，包括新的资源分配策略、调整学习率、调整正则化参数；再将反馈数据和性能评估指标进行持久化存储，并对反馈数据进行加密处理；将加密后的反馈数据存储到数据库中并定期清理。[0013]一种粮仓储运无序计划自主调度系统，包传感器网络模块、数据采集与处理模块、历史数据分析模块、智能调度引擎模块、传感器网络模块，用于采集仓库和运输过程中的环境、粮食质量、设备状态和位置数据，实时进行自动校准和自诊断，并对所有采集的数据添加时间戳进行同步处理，将同步后的数据提供给数据采集与处理模块；数据采集与处理模块，用于接收来自传感器网络模块的同步后的数据，并进行清洗、筛选、去除冗余和异常检测处理，异常检测后的数据被结构化存储在数据库中，提供给历史数据分析模块和智能调度引擎模块；历史数据分析模块，基于数据采集与处理模块的被结构化存储的异常检测后的数据，构建预测模型，并利用系统长期积累的历史数据，动态更新和优化预测模型，将预测结果提供给智能调度引擎模块；智能调度引擎模块，用于接收数据采集与处理模块的异常检测后的数据、历史数据分析模块的预测结果、执行控制模块的反馈信息、反馈与优化模块的优化建议和反馈数据、人机交互接口模块的用户输入的调整指令，利用动态自适应融合优化算法来优化任务调度方案；将优化后的调度方案提供给执行控制模块和人机交互接口模块；执行控制模块，用于接收智能调度引擎模块的优化后的调度方案、人机交互接口模块的用户输入的调整指令，并转化为执行命令发送给执行单元，实时监控命令执行情况并识别异常情况，自动调整执行命令，同时将记录的命令执行情况和异常报告的反馈信息提供给智能调度引擎模块、反馈与优化模块和人机交互接口模块；反馈与优化模块，用于接收执行控制模块的反馈信息，对比评估预期与实际执行结果，分析反馈信息生成优化建议并将反馈数据持久化存储，将优化建议和反馈数据提供给智能调度引擎模块；人机交互接口模块，用于接收智能调度引擎模块的优化后的调度方案、执行控制模块的反馈信息和用户输入的调整指令，提供可视化界面展示系统运行状态、调度方案和执行情况，允许用户对系统进行实时监控、调整参数或进行紧急干预，将用户输入的调整指令提供给智能调度引擎模块和执行控制模块。[0014]本发明的技术方案的有益效果是：8与异常处理等步骤，确保数据的准确性和一致性。同时，采用加密存储提高数据的安全性和隐私保护。这些措施共同提升了调度系统在复杂环境下的数据的可靠性和处理效率，有助于优化资源调度和任务执行的整体性能。[0015]2、通过相位空间重建和非线性相位空间映射函数构建预测模型，并通过自适应增量最优化算法动态更新模型参数，提升预测的准确性。结合改进的相对误差评估指标，精确评估模型性能，实现对复杂时序数据的精准预测与优化，为实时监控和调整提供了可靠依据，增强了调度系统的预测能力和鲁棒性。[0016]3、通过动态自适应融合优化算法，动态优化任务调度方案，增强了调度系统在复杂环境中的适应性和效率，确保了资源的最优配置和任务的高效执行，提升了整体系统性能和灵活性。[0017]4、通过性能评估和优化建议，实时监控并调整调度系统的资源调度和任务执行，提升调度系统的准确性和效率。通过加密存储反馈数据并提供多功能用户界面，支持实时监控、参数调整和历史数据查询，确保调度系统在实际应用中的高效和可靠性。附图说明[0018]图1为本发明所述的一种粮仓储运无序计划自主调度系统模块组成图；图2为本发明所述的一种粮仓储运无序计划自主调度方法流程图。具体实施方式[0019]为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，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，所描述的实施例仅仅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。[0020]除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。[0021]下面结合附图具体的说明本发明所提供的一种粮仓储运无序计划自主调度系统及方法的具体方案。[0022]参照附图1,其示出了本发明一个实施例所提供的一种粮仓储运无序计划自主调度系统模块组成图，包括以下部分：传感器网络模块、数据采集与处理模块、历史数据分析模块、智能调度引擎模块、所述传感器网络模块，用于通过多种传感器采集仓库和运输过程中的环境、粮食质量、设备状态和位置数据，实时进行自动校准和自诊断，并对所有采集的数据添加时间戳进行同步处理，将同步后的数据提供给数据采集与处理模块；所述数据采集与处理模块，用于接收来自传感器网络模块的同步后的数据，并进行清洗、筛选、去除冗余和异常检测处理，异常检测后的数据被结构化存储在数据库中，提供给历史数据分析模块和智能调度引擎模块；所述历史数据分析模块，基于数据采集与处理模块的被结构化存储的异常检测后9所述智能调度引擎模块，用于接收数据采集与处理模块接口模块的用户输入的调整指令，并将其转化为具体的执行命令发送给相关的执行单元，所述人机交互接口模块，用于接收智能调度引擎模块的控制模块的反馈信息和用户输入的调整指令，提供直观的可视化界面展示系统运行状态、[0023]参照附图2,其示出了本发明一个实施例所提供的一种粮仓储运无序计划自主调S1.实时采集数据，并对数据进行校准和时间同步，对同步后的数据进行数据清器故障数据或丢失数据。其中，xsmooth(tsync)是平滑后的数据；Xcalibrated(tsync)是校准后的数据；N是平滑窗口的大小，即样本数量，样本指的是平滑窗口内参与计算的经过校准后的数据点，来自于采集的数据；是窗口内的索引；△t是窗口内时间步长；Xcalibratea(tsync+jAt)表示校准后的数据在时间tsync后，按步长△t偏移j个时间点的对应数据。[0031]再根据基于专家经验法设定的阈值范围筛选数据，过滤超出范围的数据。限阈值。[0033]再做去除冗余处理，识别并删除重复数据。其中，Unique函数用于去除重复数据；Xunique(tsync)为去除冗余后的数据。[0035]通过Z-score异常检测识别去除冗余后的数据中的异常数据，并根据设定的规则其中，Zi(tsync)表示去除冗余后的某一数据相对于数据分布的标准差偏离程度，用于检测异常数据；μ是去除冗余后的数据的均值；σ是去除冗余后的数据的标准差；Xprocessea(tsync)是经过异常检测后的数据。[0037]最后，将经过异常检测后的数据按照预定格式存储，在数据库中创建索引以优化查询效率，并将经过异常检测后的数据存储到合适的数据库中。[0039]S2.基于加密后的结构化数据构建预测模型，生成预测输出，并使用自适应增量最优化算法动态优化更新预测模型的模型参数；使用改进的相对误差评估指标评估预测模型的预测性能，并将更新后的模型参数和预测结果存储到数据库中；为了利用加密后的结构化数据C(tsyne)进行预测模型构建，首先需要解密数据并提[0040]Xata=[xprocessea(tsyn其中，△t是时间步长；N是解密后的数据的数量；k是时间窗口内的索引；移k个时间点的对应数据。[0042]Xphase(tsync)=[xprocessed(tsync),xprocessea(tsync-t),…,Xprocessed(tsync-(m-1)T)],tsync-τ的解密后的数据；Xprocessea(tsync-(m-1)τ)是在时间tsync-(m-1)z的解密后的[0043]再使用非线性相位空间映射函数f(Xphase(tsync))进行建模，以适应时序数据的变化。[0044]Y(tsync)=f(Xphase(tsync))=W·sigmoid(A·Xphase(tsync)+b),引入非线性特性；的数据点Xnew(tsync)是指在时间tsync采集并解密后的数据，它将与调度系统长期积累的历[0045]通过最小化预测误差的增量，使用自适应增量最优化算法动态优化更新模型参f(Xphase(tsync.i))为使用相位空间数据进行的预测；tsync,i表示第i个时间点；λ是正则化系[0047]最后，使用改进的相对误差评估指标IREI评估模型预测性能，并将更新后的模型参数和预测结果存储到数据库中，生成实时预测图表供用户监控和调整。[0049]S3.基于异常检测后的数据和预测输出，通过动态自适应融合优化算法优化任务调度方案；行数据融合处理；Xfusea(tsyne)=α·Xprocessea(tsyne)+(1-a)·Y([0050]调度目标函数用于综合考虑成本、完成时间和资源利用率，通过加权求和来定义。[0052]成本函数的计算公式为：源的分配量的敏感度相关的参数；y;表示与第j个资源的分配量的敏感度相关的参数；λ;表示第j个资源分配量相关的非线性成本系数；δ是与第1个资源分配量相关的偏移量；M是资源的总数量；P是非线性成本计算中的项数。[0053]完成时间函数的计算公式为：其中，dk是第k个任务的实际完成时间；d是任务完成时间的平均值；是防止计算中出现无穷大或负数的常数；A是任务的总数量；表示任务索引。[0054]资源利用率函数计算公式为：[0055]为了动态自适应融合优化算法的表现，引入动态调整机制；整权重的参数，用于控制实时反馈误差对权重调整的影响程度，FeedbackError(t)是实时反馈误差，用于反映当前系统状态与期望目标之间的偏差，是防止计算中出现无穷大或负数的常数。[0056]再使用动态自适应融合优化算法来优化任务调度方案，目标是最小化调度目标函数L(u,d,Xfused)。优化过程中使用以下公式来更新资源分配变量u和任务调度变量d:其中，Unew是更新后的资源分配变量；dnew是更新后的任务调度变量；Uola是上一轮的资源分配变量；dola是上一轮的任务调度变量；n是化算法中参数更新的步长；u、Ja是雅可比矩阵，表示目标函数对资源分配和任务调度的敏防止计算中出现无穷大或负数的常数。[0057]通过上述优化过程，得到优化后的调度目标函数L(u,d*,Xfusea);u*表示优化后的资源分配变量，即最终更新后的资源分配变量；d*表示优化后的任务调度变量，即最终更新后的任务调度变量。[0058]进一步，基于调度系统预定的调度目标函数的预期值和优化后的调度目标函数，调度系统预定的调度目标函数的预期值；FeedbackError(t)是在时间t的反馈误差；e是防止计算中出现无穷大或负数的常数；A是总任务数；Q表示任务索引。[0059]S4.计算性能评估指标，评估调度系统在资源调度和任务执行中的性能；基于性能评估指标，生成优化建议；同时提出新的资源分配策略和任务调度方案，并为用户提供实时监控系统性能和调整系统参数的界面、反馈提示与建议以及历史数据查询功能。[0060]引入性能评估指标，通过计算出的误差，评估调度系统在资源调度和任务执行中大误差，表示调度系统在评估周期内的最大偏差，用于识别极端情况；MinError是最小误差，表示调度系统在评估周期内的最小偏差，用于识别调度系统的最佳性能点；T是评估周[0062]基于性能评估指标，自动生成优化建议以提高调度系统性能。通过对误差随时间的变化趋势进行分析，识别潜在的优化空间。例如，识别高误差发生的时间段及其对应的系统状态。[0063]提出新的资源分配策略和任务调度方案，通过减少高误差区间内的负载来优化调提高动态自适应融合优化算法的泛化能力。基于误差分析结果和优化策略生成报告，供调度系统管理员或用户参考。优化策略是基于误差分析制定的策略，包括新的资源分