本發(fā)明涉及數(shù)據(jù)采集調(diào)度技術(shù)領(lǐng)域，尤其涉及一種面向能耗數(shù)據(jù)并發(fā)采集的三階段優(yōu)化方法。

背景技術(shù)：

智能能效制造(Smart energy efficient manufacturing，SEEM)需要感知能源消耗、能源質(zhì)量、設(shè)備操作、環(huán)境狀態(tài)等參數(shù)。為了滿足感知需求，工廠必須裝備一個(gè)由傳感器、網(wǎng)絡(luò)設(shè)備和應(yīng)用服務(wù)器組成的大型傳感網(wǎng)絡(luò)，并實(shí)現(xiàn)數(shù)據(jù)的自動采集。能源數(shù)據(jù)的實(shí)時(shí)性對于SEEM的優(yōu)化分析而言極其重要，許多用戶要求在數(shù)秒之內(nèi)得到數(shù)據(jù)，而隨著傳感器數(shù)量的增加，利用有限的計(jì)算資源滿足能源數(shù)據(jù)的變得越來越具有挑戰(zhàn)性。

在能源傳感網(wǎng)絡(luò)(Energy Sensor Network，ESN)中，RS485因?yàn)橥負(fù)浣Y(jié)構(gòu)簡單、通信穩(wěn)定、通信距離長凳優(yōu)點(diǎn)而成為通用的通信標(biāo)準(zhǔn)，實(shí)際應(yīng)用中，絕大部分智能傳感設(shè)備提供RS485接口。由于復(fù)雜的車間環(huán)境和有限的通信容量，一個(gè)能源傳感網(wǎng)絡(luò)往往由多組RS485總線構(gòu)成，每組RS485總線具有不同的傳輸質(zhì)量，連接不同數(shù)量的傳感設(shè)備。數(shù)據(jù)采集一般由一臺或多臺主機(jī)完成。隨著服務(wù)器架構(gòu)從提高單線程程序性能轉(zhuǎn)向通過指令集并行和線程級并行提高程序性能，多核處理器環(huán)境下的多線程并發(fā)采集是提升數(shù)據(jù)實(shí)時(shí)性的有效手段。因此，數(shù)據(jù)采集調(diào)度，即如何將采集任務(wù)分配到多個(gè)處理器中并發(fā)執(zhí)行，使其完成時(shí)間最短，成為備受關(guān)注的問題；而數(shù)據(jù)采集調(diào)度問題是一類任務(wù)-處理器映射問題，處理器負(fù)荷均衡是該問題的關(guān)鍵，因?yàn)椴痪獾奶幚砥髫?fù)荷將會導(dǎo)致整個(gè)系統(tǒng)等待處理負(fù)荷最大的處理器；目前，研究者們?nèi)ハ蛴谠赑etri網(wǎng)建模的基礎(chǔ)上，采用遺傳算法和啟發(fā)式算法來優(yōu)化類似處理器調(diào)度問題，在最近30年來對負(fù)荷均衡問題的研究成果，認(rèn)為簡單高效的貪婪算法是最流行的求解方法；但數(shù)據(jù)采集調(diào)度問題具有兩個(gè)特點(diǎn)：(1)不同RS485總線上的采集任務(wù)之間不存在通信約束；(2)采集任務(wù)之間不存在嚴(yán)格的順序約束；因此，在實(shí)際應(yīng)用中，通常假定共享同一總線的采集任務(wù)是完全串行的，將問題簡化為總線-處理器之間的映射并采用貪婪算法求解，但如果總線負(fù)荷不均衡時(shí)，將會導(dǎo)致很低的并發(fā)效率，極端的例子是若能源網(wǎng)絡(luò)中只有一條總線，但是有多個(gè)處理器，那么在數(shù)據(jù)采集過程中只會有一個(gè)處理器得到利用，而其他處理器均處于空閑狀態(tài)，大大限制了多處理器的并發(fā)采集效率。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的在于提出一種并發(fā)效率更高、數(shù)據(jù)采集時(shí)間更短的面向能耗數(shù)據(jù)并發(fā)采集的三階段優(yōu)化方法。

為達(dá)此目的，本發(fā)明采用以下技術(shù)方案：

一種面向能耗數(shù)據(jù)并發(fā)采集的三階段優(yōu)化方法，基于大型能源傳感網(wǎng)絡(luò)中，包括若干個(gè)能源節(jié)點(diǎn)和能源管理網(wǎng)，所述能源管理網(wǎng)包括能源主控機(jī)、數(shù)據(jù)采集終端和時(shí)間處理系統(tǒng)，由數(shù)據(jù)采集終端將數(shù)據(jù)采集任務(wù)DCJ進(jìn)一步細(xì)分為多個(gè)獨(dú)立的子任務(wù)，并在時(shí)間處理系統(tǒng)建立一個(gè)支持DCJ并發(fā)仿真的時(shí)間Petri網(wǎng)；在所述時(shí)間Petri網(wǎng)模擬的基礎(chǔ)上，以DCJ的最小完成時(shí)間為目標(biāo)，由能源主控機(jī)基于貪婪算法和遺傳算法提出一種數(shù)據(jù)采集任務(wù)在處理器之間分配的三階段優(yōu)化算法3SOA，來求解DCJ的調(diào)度問題；

所述三階段優(yōu)化算法3SOA包括以下三個(gè)階段：

(1)第一階段優(yōu)化：采用貪婪算法將DCJ被RS485總線RSB分組后分配給處理器，使處理器負(fù)載平衡，獲得方案Ω1；

(2)第二階段優(yōu)化：根據(jù)Ω1，采用貪婪算法在處理器之間調(diào)整DCJ從高載荷的處理器轉(zhuǎn)向低載荷的處理器，使處理器負(fù)載平衡，獲得方案Ω2；

(3)第三階段優(yōu)化：根據(jù)Ω2，采用遺傳算法優(yōu)化調(diào)整每個(gè)處理器上的DCJ的排列順序，使若干個(gè)會話的等待時(shí)間最小化，獲得方案Ω3。

進(jìn)一步說明，對所述時(shí)間Petri網(wǎng)進(jìn)行建模，首先建立基本網(wǎng)，再合并冗長的節(jié)點(diǎn)，包括如下步驟：

A建立基本網(wǎng)：

(1)為每一個(gè)s∈S創(chuàng)建一個(gè)RSB庫所；

(2)對一個(gè)DCJ分解的三個(gè)子類DCJ，j＝<j_a,j_b,j_c>(j∈J)分別創(chuàng)建三個(gè)變遷，λ_a,λ_b,λ_c是一個(gè)變遷的時(shí)間響應(yīng)τ；

(3)為每個(gè)s∈S在s之間增加一個(gè)輸入弧和輸出弧，對于j∈J(s)每一個(gè)弧的權(quán)重為1；

(4)對每一個(gè)c∈C，為每一個(gè)處理器創(chuàng)建一個(gè)處理器庫所，為每個(gè)j∈J(c)的DCJ子模塊創(chuàng)建處理庫所，按照順序?yàn)閹焖妥冞w增加弧，每個(gè)弧的權(quán)重為1。

(5)若P是RSB庫所或者每個(gè)處理器的庫所，那么M₀(p)＝1,else M₀(p)＝0，即所有的RSB和處理器在開始時(shí)均為閑置狀態(tài)；

B合并冗長的節(jié)點(diǎn)：

(1)對于處理器C，若j_i+1和j_i在順序上相鄰，那么j_ci和j_ai+1兩種變遷可以合并，那么j_ci和j_ai+1之間的庫所取消，新變遷的時(shí)間函數(shù)是λ_ci+λ_ai+1。

(2)若被同一處理器處理的連續(xù)DCJ之間在RSB上不存在競爭資源的關(guān)系，則相應(yīng)的變遷也可以合并成一個(gè)新的變遷，合并后減少中間的庫所，新變遷的時(shí)間函數(shù)為其處理時(shí)間的總和；后續(xù)的DCJ處理器分配算法將確定需要被合并的DCJ。

進(jìn)一步說明，所述數(shù)據(jù)采集任務(wù)(DCJ)調(diào)度的完成時(shí)間(π)，在所述時(shí)間Petri網(wǎng)模擬的基礎(chǔ)上，采用并行仿真算法進(jìn)行模擬，包括如下步驟：

(1)給定一個(gè)通過J→C映射Ω，構(gòu)建對應(yīng)的時(shí)間Petri網(wǎng)模型；

(2)參數(shù)的定義和初始化，初始值為E＝φ，M＝M₀，x＝0；其中E為根據(jù)完成時(shí)間排列的使能變遷序列，M為當(dāng)前標(biāo)識，π(t)為變遷t的完成時(shí)間；

(3)對于每個(gè)在M₀標(biāo)識狀態(tài)下的使能變遷，令集合π(t)＝λ(t)，將t加入到E中；

(4)如E不為空，則執(zhí)行循環(huán)

t＝dequeue(E)(將t移出隊(duì)列E)，x＝π(t)，M＝M-I(t)+O(t)；

(5)輸出量x為DCJ調(diào)度問題π(Ω)的解。

進(jìn)一步說明，所述第一階段優(yōu)化采用貪婪算法將DCJ由RS485總線RSB分組后分配給處理器，包括如下步驟：

(1)輸入一個(gè)ESN；

(2)參數(shù)定義和初始化，setλ(c)＝0；

(3)根據(jù)λ(s)排序的RSB的集合S；

(4)對每個(gè)s∈S執(zhí)行循環(huán)；

(4.1)尋找處理器c的λ(c)的最大值；

(4.2)給J(s)分配c；

(4.3)λ(c)＝λ(c)+λ(s)；

(5)循環(huán)結(jié)束，輸出Ω1。

進(jìn)一步說明，所述第二階段優(yōu)化采用貪婪算法在處理器之間調(diào)整DCJ從高載荷的處理器轉(zhuǎn)向低載荷的處理器，包括如下步驟：

(1)輸入ESN和Ω1；

(2)對每個(gè)J(s)(s∈S)，其子模塊DCJ根據(jù)λ_b排序；

(3)獲取最高負(fù)載ch和最低負(fù)載cl；

(4)獲取J(ch)的頭元素，j_x＝getqueue(J(ch))；(j_x移出隊(duì)列J(ch))；

(5)重置移動標(biāo)志bm＝false；

(6)如果λ(ch)-λ(j_x)>λ(J)/l且λ(cl)+λ(jx)<λ(J)/l

(6.1)將j_x從ch移動到cl，并設(shè)定bm＝true；

(6.2)更新處理器負(fù)載，λ(ch)＝λ(ch)-λ(j_x)，λ(cl)＝λ(cl)+λ(j_x)；

(6.3)返回(5)；

(7)如果bm為真，返回(5)；

(8)輸出結(jié)果Ω2，結(jié)束。

進(jìn)一步說明，所述第三階段優(yōu)化采用遺傳算法優(yōu)化調(diào)整每個(gè)處理器上的DCJ的排列順序，遵從遺傳算法的基本結(jié)構(gòu)，進(jìn)行編碼和解碼、親和度評價(jià)、初始化種群、篩選、交叉選擇和突變來獲取最優(yōu)的方案Ω3。

進(jìn)一步說明，所述編碼是將DCJ由處理器按照順序進(jìn)行分組編碼，方程式表示為：Z_i＝＜k_i-1+1,k_i-1+2,...,k_i-1+k_i＞，其中，k_i為第i個(gè)處理器c_i(i＝0,1,2,…,l,k₀＝1)上DCJ的編號；L子序列組成的自然數(shù)序列作為染色體，即初始染色體由方程式表示為：Z＝＜Z₁,Z₂,...,Z_i,...,Z_l＞；一種新的染色體可以通過重構(gòu)Zi產(chǎn)生；所述解碼是映射k_i到相應(yīng)的DCJ。

進(jìn)一步說明，所述親和度評價(jià)是將一個(gè)Z染色體通過解碼轉(zhuǎn)換成一個(gè)候選解Ω，x(Ω)通過所述并行仿真算法進(jìn)行評價(jià)；x(Ω)的相反數(shù)被視為Z的親和力，其值越大則解決方案更優(yōu)。

進(jìn)一步說明，所述初始化種群是將DCJ的優(yōu)先順序由處理器隨機(jī)生成，將Z_i隨機(jī)置換并轉(zhuǎn)換成Z'_i，按照從k_i-1+1到k_i-1+k_i的整數(shù)的隨機(jī)排列形成Z'_i＝<Z'₁,Z'₂,…,Z'_i,…,Z'_l>，獲得新的染色體Z'。

進(jìn)一步說明，所述交叉選擇是從父種群中隨機(jī)選擇兩個(gè)不同的個(gè)體染色體，再通過父種群個(gè)體交叉創(chuàng)建兩個(gè)不同的子染色體，其交叉位點(diǎn)只定位在一個(gè)子序列的開始。

本發(fā)明的有益效果：本發(fā)明通過數(shù)據(jù)采集終端將數(shù)據(jù)采集任務(wù)DCJ進(jìn)一步細(xì)分為多個(gè)獨(dú)立的子任務(wù)，并且能在時(shí)間Petri網(wǎng)上進(jìn)行時(shí)間仿真，評價(jià)一個(gè)工作單元的完成時(shí)間，同時(shí)為了使一個(gè)工作單元的完成時(shí)間最小化，通過能源主控機(jī)在仿真中基于貪婪算法和遺傳算法，利用所述三階段優(yōu)化算法(3SOA)來求解數(shù)據(jù)采集任務(wù)的調(diào)度問題，獲得DCJ的最小完成時(shí)間，優(yōu)化DCJ的調(diào)度的方案；并且通過計(jì)算測試表明，相比現(xiàn)有僅采用第一階段優(yōu)化的傳統(tǒng)算法，所述3SOA能夠顯著降低采集完成時(shí)間，提升并發(fā)效率；并且通過應(yīng)用表明，所述3SOA能使數(shù)據(jù)采集的周期從9.8秒降至6秒，并發(fā)效率提升了34.45％。

附圖說明

圖1是本發(fā)明一個(gè)實(shí)施例的一種面向能耗數(shù)據(jù)并發(fā)采集的三階段優(yōu)化方法的示意圖；

圖2是本發(fā)明一個(gè)實(shí)施例的大型能源傳感網(wǎng)絡(luò)的示意圖；

圖3是本發(fā)明一個(gè)實(shí)施例的Ω₁,Ω₂和Ω₃中并行率η的直方圖；

圖4是本發(fā)明一個(gè)實(shí)施例的Ω₁,Ω₂和Ω₃之間不同的η(Δη)的曲線圖；

圖5是本發(fā)明一個(gè)實(shí)施例的Ω₁,Ω₂和Ω₃的η-σ_p散點(diǎn)圖；

圖6是本發(fā)明一個(gè)實(shí)施例的能源管理系統(tǒng)的能耗檢測器的顯示屏所顯示的EDC3.0采集的數(shù)據(jù)。

具體實(shí)施方式

下面結(jié)合附圖并通過具體實(shí)施方式來進(jìn)一步說明本發(fā)明的技術(shù)方案。

一種面向能耗數(shù)據(jù)并發(fā)采集的三階段優(yōu)化方法，基于大型能源傳感網(wǎng)絡(luò)中，包括若干個(gè)能源節(jié)點(diǎn)和能源管理網(wǎng)，所述能源管理網(wǎng)包括能源主控機(jī)、數(shù)據(jù)采集終端和時(shí)間處理系統(tǒng)，由數(shù)據(jù)采集終端將數(shù)據(jù)采集任務(wù)DCJ進(jìn)一步細(xì)分為多個(gè)獨(dú)立的子任務(wù)，并在時(shí)間處理系統(tǒng)建立一個(gè)支持DCJ并發(fā)仿真的時(shí)間Petri網(wǎng)；在所述時(shí)間Petri網(wǎng)模擬的基礎(chǔ)上，以DCJ的最小完成時(shí)間為目標(biāo)，由能源主控機(jī)基于貪婪算法和遺傳算法提出一種數(shù)據(jù)采集任務(wù)在處理器之間分配的三階段優(yōu)化算法3SOA，來求解DCJ的調(diào)度問題；

所述三階段優(yōu)化算法3SOA包括以下三個(gè)階段：

(1)第一階段優(yōu)化：采用貪婪算法將DCJ被RS485總線RSB分組后分配給處理器，使處理器負(fù)載平衡，獲得方案Ω1；

(2)第二階段優(yōu)化：根據(jù)Ω1，采用貪婪算法在處理器之間調(diào)整DCJ從高載荷的處理器轉(zhuǎn)向低載荷的處理器，使處理器負(fù)載平衡，獲得方案Ω2；

(3)第三階段優(yōu)化：根據(jù)Ω2，采用遺傳算法優(yōu)化調(diào)整每個(gè)處理器上的DCJ的排列順序，使若干個(gè)會話的等待時(shí)間最小化，獲得方案Ω3。

目前智能能效制造(Smart energy efficient manufacturing，SEEM)需要依賴于大型傳感網(wǎng)絡(luò)和實(shí)時(shí)數(shù)據(jù)采集，而RS485總線(RS485Bus,RSB)是目前傳感網(wǎng)絡(luò)通用的通信接口，其通信的串行性制約了多處理器的并發(fā)采集效率；本發(fā)明通過數(shù)據(jù)采集終端將數(shù)據(jù)采集任務(wù)(Data Collection Job,DCJ)的調(diào)度問題描述為一個(gè)時(shí)間Petri網(wǎng)，一個(gè)數(shù)據(jù)采集任務(wù)DCJ將被進(jìn)一步細(xì)分為多個(gè)獨(dú)立的子任務(wù)，并且能在時(shí)間Petri網(wǎng)上進(jìn)行時(shí)間仿真，評價(jià)一個(gè)工作單元的完成時(shí)間，同時(shí)為了使一個(gè)工作單元的完成時(shí)間最小化，通過能源主控機(jī)在仿真中基于貪婪算法和遺傳算法，利用所述三階段優(yōu)化算法(the Three-stage Optimization Algorithm,3SOA)來求解數(shù)據(jù)采集任務(wù)的調(diào)度問題，獲得DCJ的最小完成時(shí)間，優(yōu)化DCJ的調(diào)度的方案；并且通過計(jì)算測試表明，相比現(xiàn)有僅采用第一階段優(yōu)化的傳統(tǒng)算法，所述3SOA能夠顯著降低采集完成時(shí)間，提升并發(fā)效率；并且通過應(yīng)用表明，所述3SOA能使數(shù)據(jù)采集的周期從9.8秒降至6秒，并發(fā)效率提升了34.45％。

進(jìn)一步說明，對所述時(shí)間Petri網(wǎng)進(jìn)行建模，首先建立基本網(wǎng)，再合并冗長的節(jié)點(diǎn)，包括如下步驟：

A建立基本網(wǎng)：

(1)為每一個(gè)s∈S創(chuàng)建一個(gè)RSB庫所；

(2)對一個(gè)DCJ分解的三個(gè)子類DCJ，j＝<j_a,j_b,j_c>(j∈J)分別創(chuàng)建三個(gè)變遷，λ_a,λ_b,λ_c是一個(gè)變遷的時(shí)間響應(yīng)τ；

(3)為每個(gè)s∈S在s之間增加一個(gè)輸入弧和輸出弧，對于j∈J(s)每一個(gè)弧的權(quán)重為1；

(4)對每一個(gè)c∈C，為每一個(gè)處理器創(chuàng)建一個(gè)處理器庫所，為每個(gè)j∈J(c)的DCJ子模塊創(chuàng)建處理庫所，按照順序?yàn)閹焖妥冞w增加弧，每個(gè)弧的權(quán)重為1。

(5)若P是RSB庫所或者每個(gè)處理器的庫所，那么M₀(p)＝1,else M₀(p)＝0，即所有的RSB和處理器在開始時(shí)均為閑置狀態(tài)；

B合并冗長的節(jié)點(diǎn)：

(1)對于處理器C，若j_i+1和j_i在順序上相鄰，那么j_ci和j_ai+1兩種變遷可以合并，那么j_ci和j_ai+1之間的庫所取消，新變遷的時(shí)間函數(shù)是λ_ci+λ_ai+1。

(2)若被同一處理器處理的連續(xù)DCJ之間在RSB上不存在競爭資源的關(guān)系，則相應(yīng)的變遷也可以合并成一個(gè)新的變遷，合并后減少中間的庫所，新變遷的時(shí)間函數(shù)為其處理時(shí)間的總和；后續(xù)的DCJ處理器分配算法將確定需要被合并的DCJ。

所述時(shí)間Petri網(wǎng)是一個(gè)7元集合TPN＝(P,T,I,O,W,M₀,τ)，P是庫所的集合，T是變遷的集合，I＝P×T是輸入弧的集合，O＝T×P是輸出弧的集合，M₀是初始標(biāo)記，W是所有弧的權(quán)重，τ是關(guān)于時(shí)間變遷的時(shí)間函數(shù)；其中在建立基本網(wǎng)中，RSB視為庫所，DCJ視為變遷，RSB和DCJ之間的依賴關(guān)系視為庫所和變遷的輸入弧和輸出弧，處理器視為用來標(biāo)記處理狀態(tài)的庫所序列。

通過建立一個(gè)支持?jǐn)?shù)據(jù)采集任務(wù)DCJ并發(fā)仿真的時(shí)延Petri網(wǎng)模型，為后續(xù)得到數(shù)據(jù)采集任務(wù)分配到多個(gè)處理器中并發(fā)執(zhí)行，使其完成時(shí)間最短的解提供基礎(chǔ)條件。

進(jìn)一步說明，所述數(shù)據(jù)采集任務(wù)(DCJ)調(diào)度的完成時(shí)間(π)，在所述時(shí)間Petri網(wǎng)模擬的基礎(chǔ)上，采用并行仿真算法進(jìn)行模擬，包括如下步驟：

(1)給定一個(gè)通過J→C映射Ω，構(gòu)建對應(yīng)的時(shí)間Petri網(wǎng)模型；

(2)參數(shù)的定義和初始化，初始值為E＝φ，M＝M₀，x＝0；其中E為根據(jù)完成時(shí)間排列的使能變遷序列，M為當(dāng)前標(biāo)識，π(t)為變遷t的完成時(shí)間；

(3)對于每個(gè)在M₀標(biāo)識狀態(tài)下的使能變遷，令集合π(t)＝λ(t)，將t加入到E中；

(4)如E不為空，則執(zhí)行循環(huán)

t＝dequeue(E)(將t移出隊(duì)列E)，x＝π(t)，M＝M-I(t)+O(t)；

(5)輸出量x為DCJ調(diào)度問題π(Ω)的解。

將所述DCJ的調(diào)度問題通過在所述時(shí)間Petri網(wǎng)進(jìn)行時(shí)間仿真，通過所述并行仿真算法，增強(qiáng)了對完成時(shí)間的仿真能力，從而實(shí)現(xiàn)對基于JPM的執(zhí)行并性仿真的完成時(shí)間的有效評估。

進(jìn)一步說明，所述第一階段優(yōu)化采用貪婪算法將DCJ由RS485總線RSB分組后分配給處理器，包括如下步驟：

(1)輸入一個(gè)ESN；

(2)參數(shù)定義和初始化，setλ(c)＝0；

(3)根據(jù)λ(s)排序的RSB的集合S；

(4)對每個(gè)s∈S執(zhí)行循環(huán)；

(4.1)尋找處理器c的λ(c)的最大值；

(4.2)給J(s)分配c；

(4.3)λ(c)＝λ(c)+λ(s)；

(5)循環(huán)結(jié)束，輸出Ω1。

在第一個(gè)階段，一個(gè)J(s)視為一個(gè)基本的調(diào)度單元，DCJ調(diào)度問題則視為一個(gè)純粹的負(fù)載平衡問題；通過所述第一階段優(yōu)化，獲得方案Ω1，從而保證處理器負(fù)載平衡，若同一RSB的DCJ分配到了同一個(gè)處理器時(shí)則不會有通訊等待。

進(jìn)一步說明，所述第二階段優(yōu)化采用貪婪算法在處理器之間調(diào)整DCJ從高載荷的處理器轉(zhuǎn)向低載荷的處理器，包括如下步驟：

(1)輸入ESN和Ω1；

(2)對每個(gè)J(s)(s∈S)，其子模塊DCJ根據(jù)λ_b排序；

(3)獲取最高負(fù)載ch和最低負(fù)載cl；

(4)獲取J(ch)的頭元素，j_x＝getqueue(J(ch))；(j_x移出隊(duì)列J(ch))；

(5)重置移動標(biāo)志bm＝false；

(6)如果λ(ch)-λ(j_x)>λ(J)/l且λ(cl)+λ(j_x)<λ(J)/l

(6.1)將j_x從ch移動到cl，并設(shè)定bm＝true；

(6.2)更新處理器負(fù)載，λ(ch)＝λ(ch)-λ(j_x)，λ(cl)＝λ(cl)+λ(j_x)；

(6.3)返回(5)；

(7)如果bm為真，返回(5)；

(8)輸出結(jié)果Ω2，結(jié)束。

通過所述二階段優(yōu)化，調(diào)整DCJ從高載荷的處理器轉(zhuǎn)向低載荷的處理器，以適應(yīng)處理器，并且同時(shí)盡可能保證同一個(gè)RSB上的DCJ在同一個(gè)處理器上，獲得方案Ω2，從而保證處理器負(fù)載平衡，即處理器的平均負(fù)載為λ(J)/l。

進(jìn)一步說明，所述第三階段優(yōu)化采用遺傳算法優(yōu)化調(diào)整每個(gè)處理器上的DCJ的排列順序，遵從遺傳算法的基本結(jié)構(gòu)，進(jìn)行編碼和解碼、親和度評價(jià)、初始化種群、篩選、交叉選擇和突變來獲取最優(yōu)的方案Ω3。為了保證第一階段的優(yōu)化，在第二階段還未被移動的DCJ將在第三個(gè)階段優(yōu)化保持靜止，因此將會被處理器合并成為一個(gè)變遷組，在一定程度上減小了Petri網(wǎng)的規(guī)模，而其他的DCJ在第三階段優(yōu)化是可調(diào)的，所述第三階段優(yōu)化根據(jù)Ω2，通過遺傳算法優(yōu)化每個(gè)處理器上的DCJ的排列順序，獲得方案Ω3，從而實(shí)現(xiàn)若干個(gè)會話的等待時(shí)間最小化，從而獲得DCJ的調(diào)度問題的最優(yōu)解，即DCJ的最小完成時(shí)間。

進(jìn)一步說明，所述編碼是將DCJ由處理器按照順序進(jìn)行分組編碼，方程式表示為：Z_i＝＜k_i-1+1,k_i-1+2,...,k_i-1+k_i＞，其中，k_i為第i個(gè)處理器c_i(i＝0,1,2,…,l,k₀＝1)上DCJ的編號；L子序列組成的自然數(shù)序列作為染色體，即初始染色體由方程式表示為：Z＝＜Z₁,Z₂,...,Z_i,...,Z_l＞；一種新的染色體可以通過重構(gòu)Zi產(chǎn)生；所述解碼是映射k_i到相應(yīng)的DCJ。

進(jìn)一步說明，所述親和度評價(jià)是將一個(gè)Z染色體通過解碼轉(zhuǎn)換成一個(gè)候選解Ω，x(Ω)通過所述并行仿真算法進(jìn)行評價(jià)；x(Ω)的相反數(shù)被視為Z的親和力，其值越大則解決方案更優(yōu)。

進(jìn)一步說明，所述初始化種群是將DCJ的優(yōu)先順序由處理器隨機(jī)生成，將Z_i隨機(jī)置換并轉(zhuǎn)換成Z'_i，按照從k_i-1+1到k_i-1+k_i的整數(shù)的隨機(jī)排列形成Z'_i＝<Z'₁,Z'₂,…,Z'_i,…,Z'_l>，獲得新的染色體Z'。

進(jìn)一步說明，所述交叉選擇是從父種群中隨機(jī)選擇兩個(gè)不同的個(gè)體染色體，再通過父種群個(gè)體交叉創(chuàng)建兩個(gè)不同的子染色體，其交叉位點(diǎn)只定位在一個(gè)子序列的開始。所述交叉選擇由簡單的交叉創(chuàng)建的子染色體打破了對處理器依賴的約束，其交叉位點(diǎn)定位在一個(gè)子序列的開始，不同于傳統(tǒng)遺傳算法的單點(diǎn)交叉中的隨機(jī)選擇交叉位點(diǎn)，從而保持子染色體的有效性。

所述篩選是在兩個(gè)不同的級別上運(yùn)行，父類種群中的一定數(shù)量的染色體去填補(bǔ)子類種群，其他的父類種群個(gè)體則采用輪盤賭輪策略，單個(gè)染色體依據(jù)概率的大小去填充子種群；所述突變則用來維持種群的遺傳多樣性；每一個(gè)用于交叉選擇的個(gè)體染色體都有可能發(fā)生突變，處理器是隨機(jī)選擇的，及其對應(yīng)的序列可如初始化種群一樣重新排列。

定義補(bǔ)充說明：

(1)能源傳感網(wǎng)(Energy Sensor Network，ESN)的規(guī)則

ESN是一個(gè)三元組(C,S,J)，其中C＝{c₁,c₂,...,c_l}是處理器的集合，S＝{s₁,s₂,...,s_m}是RSB的集合，J＝{j₁,j₂,..,j_n}是DCJ的集合，l是處理器的數(shù)量，m是RSB的數(shù)量，n是DCJ的數(shù)量。J和S之間存在一對多的映射關(guān)系J→S，s(j)表示RSB連接著DCJ的狀態(tài)，J(s)表示在RSB上的DCJ的結(jié)合。

(2)DCJ的調(diào)度問題

DCJ處理器的映射(Job-Processor Mapping，JPM)是一個(gè)多對一關(guān)系映射Ω:J→C，其代表了一個(gè)DCJ的調(diào)度問題，c(j)表示處理器c正在執(zhí)行DCJ j，J(c)表示處理器上的DCJ的順序，λ(j)表示j的處理時(shí)間，λ(c)表示處理器c的負(fù)載。

(3)關(guān)于Ω的評價(jià)指標(biāo)

A：DCJ處理時(shí)間(λ)，λ表示DCJ的處理時(shí)間，λ(j)表示DCJ j的處理時(shí)間，λ(J)表示J的整個(gè)處理周期的時(shí)間，λ(s)表示RSB s的處理時(shí)間，λ(c)表示處理器c的負(fù)載，其相互關(guān)系為：λ(J)＝∑λ(j),j∈J；λ(s)＝∑λ(j),j∈J(s)；λ(c)＝Σλ(j),j∈J(c)。

B：DCJ的完成時(shí)間(π)，給定一個(gè)JPMΩ，π(Ω)表示處理過程從開始到結(jié)束之間的時(shí)間間隔；在開始時(shí)間為0的情況下，π(Ω)可以表示DCJ的完成時(shí)間。

C：加速率(γ)，命名一個(gè)JPM為Ω，γ(Ω)由方程表示為：γ(Ω)＝λ(J)/π(Ω)；同時(shí)λ(J)也表示同一個(gè)處理器上DCJ的完成時(shí)間，π(Ω)表示在l個(gè)處理器上DCJ的完成時(shí)間。

D：并行率(η)，命名一個(gè)JPM為Ω，η(Ω)由方程表示為η(Ω)＝λ(J)/(lπ(Ω))；則所述DCJ的調(diào)度問題本質(zhì)上為使π(Ω)最小，同時(shí)使γ(Ω)或η(Ω)最大。

4、DCJ子任務(wù)

DCJ被分解了三個(gè)子任務(wù)，即一個(gè)DCJ分解為了一個(gè)三個(gè)子類DCJ，j＝<j_a,j_b,j_c>,其中j_a表示裝配指令，j_b表示通訊會話，j_c表示分辨率響應(yīng)，它們的處理時(shí)間分別為λ_a,λ_b,λ_c。實(shí)際上整個(gè)DCJ執(zhí)行過程中只有j_b占用了RSB，而λ_b和λ_c一般消耗較長在數(shù)據(jù)庫訪問上；根據(jù)Amdahl加速率定律，任務(wù)分解降低了連續(xù)子任務(wù)的比率，加大了加速率。

另外DCJ調(diào)度問題設(shè)有三個(gè)約束條件和兩個(gè)假設(shè)，所述三個(gè)約束條件為(1)一個(gè)處理器只能一次處理一個(gè)DCJ；(2)一個(gè)RSB一次只能允許一個(gè)通訊會話；(3)一個(gè)DCJ的子任務(wù)必須按照一定的次序連續(xù)不斷地處理；所述兩個(gè)假設(shè)為所有的處理器都有相同的計(jì)算能力和所有的計(jì)算器都處于待處理狀態(tài)。

本發(fā)明通過計(jì)算與測試驗(yàn)證，進(jìn)一步驗(yàn)證所述3SOA提高能源數(shù)據(jù)采集速度的優(yōu)化效果；并通過應(yīng)用型案例進(jìn)行進(jìn)一步驗(yàn)證。

1、計(jì)算與測試驗(yàn)證

在MATLAB R2013a環(huán)境下對3SOA進(jìn)行編程且在擁有4GBRAM和Windows 7操作系統(tǒng)的個(gè)人電腦上進(jìn)行測試驗(yàn)證；還對各階段的并發(fā)性能指標(biāo)進(jìn)行了評價(jià)，并進(jìn)行了階段性比較。

1.1測試案例的生成

一種測試案例主要包括：處理器、RSBs、DCJs和配置有DCJs的RSBs(DR分布)。前三個(gè)代表的是ESN的規(guī)模，最后一個(gè)代表的是RSB負(fù)載平衡度。對于DCJs，使得λa從3ms變化到6ms，λ_b從10ms變化到20ms，λ_c從8ms變化到15ms。對于DR分布，使得RSB(NDR)上DCJs的數(shù)量從1變化到64。RSB負(fù)載可由加工時(shí)間表示，RSB負(fù)載平衡度可由處理時(shí)間分布的標(biāo)準(zhǔn)偏差(σ_p)表示。為了簡化測試用例的生成，將σ_p用NDR分布的標(biāo)準(zhǔn)差(σ_n)代替。

一種測試案例通過l×m×n:σ_n標(biāo)記：其中，l是處理器的個(gè)數(shù)，m是RSBs的數(shù)目，n是DCJs的數(shù)目。當(dāng)進(jìn)行測試時(shí)，l個(gè)處理器和m個(gè)RSBs被創(chuàng)建，接著，n個(gè)DCJs在子過程時(shí)間范圍內(nèi)被隨機(jī)創(chuàng)建，最后，通過如下所述的輪盤賭算法，DCJs被隨機(jī)分配給RSBs：

(1)產(chǎn)生一個(gè)正態(tài)分布的樣本P_r＝{p₁,p₂,..,p_m}，其中，期望為n/m，均偏方差為σ_n；

(2)對于每個(gè)DCJ j_k，生成一個(gè)在0和1之間的隨機(jī)數(shù)r_k，如果則將j_k分配給RSB s_i。

1.2測試ESN規(guī)模對算法的影響

通過對ESN規(guī)模的試驗(yàn)，驗(yàn)證在不同規(guī)模上達(dá)到的優(yōu)化效果。設(shè)置σ_n＝6，生成4個(gè)案例，分別為2×8×100:6,4×32×200:6,8×64×400:6,16×72×800:6。它們可以通過3SOA完成，Ω₁，Ω₂和Ω₃的π，γ，η可以分別被評估出來。結(jié)果列于下面表1中。

Table 1 The results of tests on scale of ESN

從表1中可以看到，在所有情況下，Ω3的π小于Ω2的π，Ω2的π小于Ω1的π。這驗(yàn)證了優(yōu)化的第二階段和第三階段的有效性。

雖然γ是優(yōu)化的一個(gè)性能指標(biāo)，但它和處理器的數(shù)量有關(guān)。η和其他參數(shù)間沒有關(guān)聯(lián)，在不同情況下評價(jià)優(yōu)化效果，它是一個(gè)更具可比性的指標(biāo)。如圖3所示，為四種情況下Ω1,Ω2和Ω3中并行率η的直方圖；從圖中也可以看出不同階段下的優(yōu)化效果，同π一樣。對于所有案例，Ω₂的η明顯高于Ω₁的η，這表明在Ω₁中具有很大的優(yōu)化潛力，其中，將RSB上的所有DCJs當(dāng)做連續(xù)的。Ω₂和Ω₃之間的下降驗(yàn)證了解決方案可以通過調(diào)整DCJ順序得到改善。如圖4所示，為Ω₁,Ω₂和Ω₃之間不同的η(Δη)的曲線圖；從中可以看到，隨著規(guī)模的擴(kuò)大，Δη呈上升趨勢。隨著ESN規(guī)模的擴(kuò)大，DCJ調(diào)度問題變得越來越復(fù)雜。如果將RSB上的所有DCJs假定為連續(xù)的，處理器的能力將會嚴(yán)重浪費(fèi)且η將變得越來越小，這些同樣可以從圖3中看到。在圖3中，η隨著ESN規(guī)模的增加而降低。因此，可以得出結(jié)論，在大規(guī)模ESN下3SOA可以得到更好的優(yōu)化效果。

1.3測試RSBs上DCJs分布對算法的影響

對分布有DCJs的RSB進(jìn)行實(shí)驗(yàn)，目的是為了驗(yàn)證不同分布的RBS負(fù)載的優(yōu)化效果。在生成測試案例時(shí)，尺度參數(shù)固定在8×64×400，DR參數(shù)σ_n以1開始從1到20進(jìn)行迭代。每組參數(shù)被復(fù)制5次，生成100個(gè)測試案例。對案例中的σ_p進(jìn)行評估，它們在82.70和512.42間隨機(jī)分布。因?yàn)棣?sub>p更具有多樣性，所以用它代替σ_n作為分配指標(biāo)。

100個(gè)案例通過3SOA得到解決，且通過Ω₁,Ω₂和Ω₃的η進(jìn)行了評估。如圖5所示，為Ω₁,Ω₂和Ω₃的η-σ_p散點(diǎn)圖；從圖5中可以看到，在σ_p低段，η₁(Ω₁的η)非常高，而且隨著σ_p的增加迅速下降。這其中的原因是平衡RSB負(fù)載產(chǎn)生了Ω₁平衡處理器負(fù)載，當(dāng)RSB負(fù)載平衡被打破時(shí)，平衡處理器負(fù)載不能達(dá)到，處理器的能力得不到充分利用。

隨著σ_p的增加，η₁,η₂和η₃之間的差距變得越來越大，這表明在ESN中，RSB負(fù)載分布的越廣，3SOA達(dá)到的優(yōu)化效果更好。隨著σ_p的增加，η₂-η₁從1.62％增加到38.62％，η₃-η₂從2.74％增加到11.4％。這驗(yàn)證了第三階段的優(yōu)化效果是相當(dāng)顯著的。擁有廣分布RSB負(fù)載的ESN通過3SOA方法可以使得能源數(shù)據(jù)采集的效率增加50％以上。

2、應(yīng)用型案例研究

在計(jì)算性測試中驗(yàn)證了3SOA能夠提高能源數(shù)據(jù)采集速度，為了再次確認(rèn)，進(jìn)一步采用了應(yīng)用型案例，本案例來源于一個(gè)陶瓷制造企業(yè)，該企業(yè)消耗電能，天然氣，水和壓縮空氣等資源。為了滿足SEEM的需求，該企業(yè)建造了一個(gè)大規(guī)模的ESN自動在設(shè)備層面上采集能耗數(shù)據(jù)和工作狀態(tài)。ESN中包含了721個(gè)電表，95個(gè)燃?xì)饬髁坑?jì)，29個(gè)水流量計(jì)和25個(gè)壓縮空氣流量計(jì)。它們由82條RSB連接，采集服務(wù)器有8個(gè)處理器。電表能計(jì)量包括累計(jì)電量、電流、電壓、功率因數(shù)、諧波等在內(nèi)的60多個(gè)參數(shù)，各流量計(jì)能測量累計(jì)流量、瞬時(shí)流量、溫度、壓力等參數(shù)。因此，一個(gè)表計(jì)存在一個(gè)或多個(gè)DCJ，整個(gè)網(wǎng)絡(luò)中DCJ總數(shù)達(dá)2322個(gè)。

因?yàn)樵O(shè)備分布的復(fù)雜性和分散性，通常采用Zigbee無線網(wǎng)關(guān)將RSB和數(shù)據(jù)服務(wù)器連接在一起，結(jié)果造成RSB之間的通信質(zhì)量和采集負(fù)載方面存在很大的差異。據(jù)統(tǒng)計(jì)，λ_a在2到6ms之間變化,λ_b在8到35ms之間,λ_c從5到10ms之間變化,λ(J)時(shí)43411ms,σ_n是9.32,σ_p是628.46,RSB上DCJ的最小數(shù)目為1,最大數(shù)目是32,RSB的最小工作載荷是28ms,最大工作載荷是992ms.

進(jìn)行研究之前，能耗數(shù)據(jù)采集程序使用java語言編寫，只采用DCJ調(diào)度的第一階段優(yōu)化，認(rèn)為RSB的所有DCJ都是連續(xù)的。其平均完成時(shí)間(π)將近10秒，一些能耗數(shù)據(jù)像流量，流動率，壓力等數(shù)據(jù)不能準(zhǔn)確地通過設(shè)備層面上的工作狀態(tài)體現(xiàn)出來。數(shù)據(jù)采集的原始版本命名為EDC1.0，后來升級增加了第二階段，命名為EDC2.0，再后來增加了第三階段，命名為EDC3.0。案例中中EDC的這三個(gè)版本分別獨(dú)立測試，測試的平均性能指標(biāo)在表2中列出。

Table 2 The average performance indexes of the three versions of EDC

表2中Diff(2.0-1.0)表明EDC2.0和1.0的性能指標(biāo)差異，Diff(3.0-2.0)和Diff(3.0-1.0)分別表示了EDC3.0和EDC2.0以及EDC3.0和EDC1.0的差異。從表中可以看出EDC3.0的完成時(shí)間達(dá)到了6055ms(將近6s)，和實(shí)時(shí)需求差了5s。EDC2.0的η比EDC1.0高了20.85％，而EDC3.0又比EDC2.0高了13.60％，這就證實(shí)了EDC1.0對于大規(guī)模寬分布的ESN還有較大的提升空間。

案例中的制造企業(yè)已經(jīng)采用了用于SEEM的EDC3.0，它顯著提高了能耗數(shù)據(jù)采集的時(shí)效性，如圖6所示，可以看到能源管理系統(tǒng)的能耗檢測器的顯示屏，顯示著從EDC3.0采集來的數(shù)據(jù)。圖6中的數(shù)據(jù)是EDC3.0采集的拋光車間的實(shí)時(shí)能耗數(shù)據(jù)，并且關(guān)閉，閑置，工作等每個(gè)設(shè)備的工作狀態(tài)都可以實(shí)時(shí)反映出來。越多實(shí)時(shí)的數(shù)據(jù)，越能反映出更高的精確度。

綜上所述，3SOA在計(jì)算案例和應(yīng)用案例中測試并得到了以下結(jié)論：首先3SOA可以顯著提高能源數(shù)據(jù)采集的并行效率，而且在一些大規(guī)模寬分布的能源傳感網(wǎng)絡(luò)中更有效果；其次，在應(yīng)用案例中，相比于考慮RSB所有過程的傳統(tǒng)算法，增加第二步優(yōu)化步驟可以提高20.85％的并行效率；最后增加第三步可以提高13.60％的并行效率。

以上結(jié)合具體實(shí)施例描述了本發(fā)明的技術(shù)原理。這些描述只是為了解釋本發(fā)明的原理，而不能以任何方式解釋為對本發(fā)明保護(hù)范圍的限制。基于此處的解釋，本領(lǐng)域的技術(shù)人員不需要付出創(chuàng)造性的勞動即可聯(lián)想到本發(fā)明的其它具體實(shí)施方式，這些方式都將落入本發(fā)明的保護(hù)范圍之內(nèi)。