基于动态多目标优化的资源调度模型构建方法及系统与流程

计算;推算;计数设备的制造及其应用技术1.本发明涉及动态多目标优化技术领域，具体涉及一种基于动态多目标优化的资源调度模型构建方法及系统。背景技术：2.周期性多目标的资源调度任务普遍性存在于多种场合，如网络资源分配、船舶能量管理、微电网优化运行等，其主要特征有：所要达到的优化目标不止一个，但对实时性要求较高且计算资源往往有限；影响优化效果的外部参数多具有时变性，而在相同的优化子周期内又呈现出一定的相似性。因而，所对应的优化模型具有目标函数较多且彼此存在矛盾，约束条件不固定等特点，进而导致搜索空间复杂且可行域随时间动态变化，较难获取完整的帕累托(pareto)前沿。3.近年来，随着计算机技术的发展，启发式优化算法(如进化多目标优化算法等)在求解复杂多目标优化问题中的优势逐渐凸显。但对于周期性多目标的资源调度任务而言，由于在线计算资源有限，导致通过进化多目标优化算法对资源调度任务进行多目标优化的效率较低。技术实现要素：4.有鉴于此，有必要提供一种基于动态多目标优化的资源调度模型构建方法和系统，用以解决现有技术中存在的由于在线计算资源有效，导致通过进化多目标优化算法对资源调度任务进行多目标优化的效率较低的技术问题。5.一方面，本发明提供了一种基于动态多目标优化的资源调度模型构建方法，包括：6.确定资源调度任务的任务优化总周期、多个任务优化子周期、多个资源优化目标模型、决策变量、时不变约束条件和时变约束条件，并基于所述任务优化总周期、多个任务优化子周期、多个优化目标模型、决策变量、时不变约束条件和时变约束条件构建资源调度模型；7.基于历史数据确定影响所述资源调度模型的可变参数，并基于所述任务优化总周期和所述多个任务优化子周期对所述可变参数进行划分，生成可变参数集，所述可变参数集包括与所述多个任务优化子周期一一对应的多个可变参数子集；8.基于进化多目标优化算法和所述多个可变参数子集对所述资源调度模型进行离线多目标优化，确定各所述任务优化子周期的帕累托最优方案集以及所述多个资源优化目标模型中各资源优化目标模型对所述决策变量的敏感度；9.将所述帕累托最优方案集作为参考向量存储至离线知识库，并根据所述敏感度对所述资源调度模型进行简化，获得简化资源调度模型，将所述简化资源调度模型存储至所述离线知识库。10.在一些可能的实现方式中，所述时不变约束条件包括时不变等式约束条件和时不变不等式约束条件，所述时变约束条件包括时变等式约束条件和时变不等式约束条件；所述资源调度模型为：11.minf(x,t)＝{fa(x),a＝1,2,...,n}[0012][0013][0014][0015][0016]x＝(xm,m＝1,2,...,m)∈x[0017]式中，minf(x,t)为资源调度模型；fa(x)为a个优化目标模型；n为多个优化目标模型的总个数；x为决策向量；t任务为优化总周期时长；t为任务优化子周期时长；xm为第m个决策变量；m为决策变量的总个数；为第i1个时不变不等式约束条件；为第j1个时不变等式约束条件；为第i2个时变不等式约束条件；为第j2个时变等式约束条件；p1为时不变不等式约束条件的总数量；q1为时不变等式约束条件的总数量；p2为时变不等式约束条件的总数量；q2为时变等式约束条件的总数量；x为可行域。[0018]在一些可能的实现方式中，所述可变参数集为：[0019]h(t)＝{h(t1),h(t2),...,h(tk),...,h(tk)}[0020]h(tk)＝{h1(tk),h2(tk),...,hr(tk),...,hr(tk)}[0021]hr(tk)＝{hr(tk,1),hr(tk,2),...,hr(tk,l),...,hr(tk,l)}[0022]式中，h(t)为可变参数集；h(tk)为任务优化子周期tk内的可变参数子集；k为可变参数子集的个数；hr(tk)为任务优化子周期内第r个可变参数的集合；hr(tk,l)为第r个可变参数在第l个任务优化子周期tk内的参数值；l为相同任务优化子周期的个数。[0023]在一些可能的实现方式中，所述敏感度为：[0024][0025]式中，δo为敏感度；omax为在对所述资源调度模型进行离线多目标优化过程中资源优化目标模型的最大值、omin为在对所述资源调度模型进行离线多目标优化过程中资源优化目标模型的最小值。[0026]在一些可能的实现方式中，所述根据所述敏感度对所述资源调度模型进行简化，获得简化资源调度模型，包括：[0027]判断所述敏感度是否小于阈值敏感度；[0028]若所述敏感度小于阈值敏感度，则与所述敏感度对应的资源优化目标模型为待删除资源优化目标模型，并将所述待删除资源优化目标模型进行删除，获得所述简化资源调度模型；[0029]若所述敏感度大于或等于阈值敏感度，则所述资源调度模型为所述简化资源调度模型。[0030]在一些可能的实现方式中，所述基于动态多目标优化的资源调度模型构建方法，还包括：[0031]获取实时优化子周期，并基于所述实时优化子周期从所述离线知识库中调用所述简化资源调度模型和所述参考向量；[0032]基于向量确定模型从所述参考向量中确定目标参考向量；[0033]基于所述进化多目标优化算法和所述目标参考向量对所述简化资源调度模型进行实时多目标优化，确定实时帕累托最优解集，并基于所述实时帕累托最优解集进行资源调度。[0034]在一些可能的实现方式中，所述基于向量确定模型从所述参考向量中确定目标参考向量，包括：[0035]基于所述向量确定模型从所述参考向量中的目标参考向量数量；[0036]基于所述目标参考向量数量从所述参考向量中随机确定所述目标参考向量。[0037]在一些可能的实现方式中，所述基于动态多目标优化的资源调度模型构建方法，还包括：[0038]将所述实时帕累托最优解集作为实时参考向量存储至所述离线知识库。[0039]在一些可能的实现方式中，所述向量确定模型为：[0040][0041]式中，sref为目标参考向量数量；gmax为最大迭代次数；gcurrent为当前迭代次数；为取整运算符。[0042]另一方面，本发明还提供了一种基于动态多目标优化的资源调度模型构建系统，包括：[0043]资源调度模型构建模块，用于确定资源调度任务的任务优化总周期、多个任务优化子周期、多个资源优化目标模型、决策变量、时不变约束条件和时变约束条件，并基于所述任务优化总周期、多个任务优化子周期、多个优化目标模型、决策变量、时不变约束条件和时变约束条件构建资源调度模型；[0044]可变参数集确定模块，用于基于历史数据确定影响所述资源调度模型的可变参数，并基于所述任务优化总周期和所述多个任务优化子周期对所述可变参数进行划分，生成可变参数集，所述可变参数集包括与所述多个任务优化子周期一一对应的多个可变参数子集；[0045]多目标优化模块，用于基于进化多目标优化算法和所述多个可变参数子集对所述资源调度模型进行离线多目标优化，确定各所述任务优化子周期的帕累托最优方案集以及所述多个资源优化目标模型中各资源优化目标模型对所述决策变量的敏感度；[0046]简化资源调度模型构建模块，用于将所述帕累托最优方案集作为参考向量存储至离线知识库，并根据所述敏感度对所述资源调度模型进行简化，获得简化资源调度模型，将所述简化资源调度模型存储至所述离线知识库。[0047]采用上述实施例的有益效果是：本发明提供的基于动态多目标优化的资源调度模型构建方法，通过构建资源调度模型，并基于历史数据确定多个可变参数子集，然后基于进化多目标优化算法和多个可变参数子集对资源调度模型进行离线多目标优化，获得帕累托最优方案集，可节省在线计算资源，当需要在线实时对资源调度任务进行优化时，可直接从离线知识库中调用资源调度模型和参考向量，提高对资源调度任务进行多目标优化的效率。[0048]进一步地，本发明通过根据敏感度对资源调度模型进行简化，获得简化资源调度模型，可进一步降低资源调度模型的复杂度，节省在线计算资源，从而可进一步提高对资源调度任务进行多目标优化的效率。附图说明[0049]为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。[0050]图1为本发明提供的基于动态多目标优化的资源调度模型构建方法的一个实施例流程示意图；[0051]图2为本发明提供的可变参数子集的一个实施例结构示意图；[0052]图3为本发明图1中s104的一个实施例流程示意图；[0053]图4为本发明提供的基于简化资源调度模型对资源调度任务进行多目标优化的一个实施例流程示意图；[0054]图5为本发明图4中s402的一个实施例流程示意图；[0055]图6为本发明提供的基于动态多目标优化的资源调度模型构建系统的一个实施例结构示意图；[0056]图7为本发明提供的电子设备的一个实施例结构示意图。具体实施方式[0057]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。[0058]应当理解，示意性的附图并未按实物比例绘制。本发明中使用的流程图示出了根据本发明的一些实施例实现的操作。应当理解，流程图的操作可以不按顺序实现，没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外，本领域技术人员在本发明内容的指引下，可以向流程图添加一个或多个其他操作，也可以从流程图中移除一个或多个操作。[0059]附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器系统和/或微控制器系统中实现这些功能实体。[0060]在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。[0061]本发明实施例提供了一种基于动态多目标优化的资源调度模型构建方法及系统，以下分别进行说明。[0062]图1为本发明提供的基于动态多目标优化的资源调度模型构建方法的一个实施例流程示意图，如图1所示，基于动态多目标优化的资源调度模型构建方法包括：[0063]s101、确定资源调度任务的任务优化总周期、多个任务优化子周期、多个资源优化目标模型、决策变量、时不变约束条件和时变约束条件，并基于任务优化总周期、多个任务优化子周期、多个优化目标模型、决策变量、时不变约束条件和时变约束条件构建资源调度模型；[0064]s102、基于历史数据确定影响资源调度模型的可变参数，并基于任务优化总周期和多个任务优化子周期对可变参数进行划分，生成可变参数集，可变参数集包括与多个任务优化子周期一一对应的多个可变参数子集；[0065]s103、基于进化多目标优化算法和多个可变参数子集对资源调度模型进行离线多目标优化，确定各任务优化子周期的帕累托最优方案集以及多个资源优化目标模型中各资源优化目标模型对决策变量的敏感度；[0066]s104、将帕累托最优方案集作为参考向量存储至离线知识库，并根据敏感度对资源调度模型进行简化，获得简化资源调度模型，将简化资源调度模型存储至离线知识库。[0067]与现有技术相比，本发明实施例提供的基于动态多目标优化的资源调度模型构建方法，通过构建资源调度模型，并基于历史数据确定多个可变参数子集，然后基于进化多目标优化算法和多个可变参数子集对资源调度模型进行离线多目标优化，获得帕累托最优方案集，可节省在线计算资源，当需要在线实时对资源调度任务进行优化时，可直接从离线知识库中调用资源调度模型和参考向量，提高对资源调度任务进行多目标优化的效率。[0068]进一步地，本发明实施例通过根据敏感度对资源调度模型进行简化，获得简化资源调度模型，可进一步降低资源调度模型的复杂度，节省在线计算资源，从而可进一步提高对资源调度任务进行多目标优化的效率。[0069]应当理解的是：资源调度模型包括但不限于微电网资源调度模型、网络资源调度模型以及船舶能源资源调度模型。[0070]在本发明的一些实施例中，时不变约束条件包括时不变等式约束条件和时不变不等式约束条件，时变约束条件包括时变等式约束条件和时变不等式约束条件；资源调度模型为：[0071]minf(x,t)＝{fa(x),a＝1,2,...,n}[0072][0073][0074][0075][0076]x＝(xm,m＝1,2,...,m)∈x[0077]式中，minf(x,t)为资源调度模型；fa(x)为a个优化目标模型；n为多个优化目标模型的总个数；x为决策向量；t任务为优化总周期时长；t为任务优化子周期时长；xm为第m个决策变量；m为决策变量的总个数；为第i1个时不变不等式约束条件；为第j1个时不变等式约束条件；为第i2个时变不等式约束条件；为第j2个时变等式约束条件；p1为时不变不等式约束条件的总数量；q1为时不变等式约束条件的总数量；p2为时变不等式约束条件的总数量；q2为时变等式约束条件的总数量；x为可行域。[0078]在本发明的一个具体实施例中，资源调度模型应用于微电网，则资源调度模型包括三个优化目标模型，分别为经济性指标优化模型、环保性指标优化模型和安全性指标优化模型，决策向量由微电网中各电源的功率输出值组成，如下式所示：[0079]x＝(x1,x2,x3,x4,x5,x6)[0080]式中，x1,x2,x3分别为1号、2号和3号柴油发电机的输出功率；x4,x5分别为光伏电池和储能系统的输出功率；x6为微电网向主电网购买或售出的电量。[0081]则经济性指标优化模型为：[0082][0083]式中，cf(xi)为第i个电源的燃料成本；com(xi)为第i个电源的维护成本；cgrid(x6)为微电网向主电网购电的成本或售电的收益。[0084]环保性指标优化模型为：[0085][0086]式中，e(xi)为第i个电源的污染排放量。[0087]安全性指标优化模型为：[0088]f3(x)＝[ploss(x)-ploss,ref]2[0089]式中，ploss(x)为微电网的实际失负荷量；ploss,ref为微电网参考失负荷量。[0090]时不变约束包括：[0091][0092]式中，xi为第i个电源的输出功率；xi,min为第i个电源的最小输出功率；xi,max为第i个电源的最大输出功率；soc为储能系统的荷电状态；socmin为荷电状态的所允许最大值；socmax为荷电状态的所允许最小值；pdischar,max为储能系统放电功率最大值；pchar,max为储能系统放电功率最小值。[0093]时变约束包括：[0094][0095]式中，pload(tk)为任务优化子周期tk内的微电网负荷需求。[0096]在本发明的一些实施例中，可变参数集为：[0097]h(t)＝{h(t1),h(t2),...,h(tk),...,h(tk)}[0098]h(tk)＝{h1(tk),h2(tk),...,hr(tk),...,hr(tk)}[0099]hr(tk)＝{hr(tk,1),hr(tk,2),...,hr(tk,l),...,hr(tk,l)}[0100]式中，h(t)为可变参数集；h(tk)为任务优化子周期tk内的可变参数子集；k为可变参数子集的个数；hr(tk)为任务优化子周期tk内第r个可变参数的集合；hr(tk,l)为第r个可变参数在第l个任务优化子周期tk内的参数值；l为相同任务优化子周期的个数。[0101]在本发明的一个具体实施例中，优化子周期时长设定为1小时，共有24个任务子周期，各任务子周期中包括五类可变参数，即r＝5，分别为敏感负荷功率数据、非敏感负荷功率数据、实时电价数据、光照数据和温度数据。[0102]则如图2所示，考虑365天的历史数据，即相同优化子周期的总数为365，因此，可变参数子集为：[0103]h(tk)＝{h1(tk),h2(tk),h3(tk),h4(tk),h5(tk),h6(tk)}[0104]对于第r类可变参数，有：[0105]hr(tk)＝{hr(tk,1),hr(tk,2),...,hr(tk,l),...,hr(tk,365)}[0106]在本发明的一些实施例中，步骤s103中的敏感度为：[0107][0108]式中，δo为敏感度；omax为在对资源调度模型进行离线多目标优化过程中资源优化目标模型的最大值、omin为在对资源调度模型进行离线多目标优化过程中资源优化目标模型的最小值。[0109]具体地，如图3所示，步骤s104中的根据敏感度对资源调度模型进行简化，获得简化资源调度模型，包括：[0110]s301、判断敏感度是否小于阈值敏感度；[0111]s302、若敏感度小于阈值敏感度，则与敏感度对应的资源优化目标模型为待删除资源优化目标模型，并将待删除资源优化目标模型进行删除，获得简化资源调度模型；[0112]s303、若敏感度大于或等于阈值敏感度，则资源调度模型为简化资源调度模型。[0113]应当理解的是：阈值敏感度可根据实际应用场景进行设置或调整。在本发明的具体实施例中，当资源调度模型应用于微电网时，经济性指标优化模型、环保性指标优化模型和安全性指标优化模型的阈值敏感度不相同，具体地：经济性指标优化模型的阈值敏感度和环保性指标优化模型的阈值敏感度均为0.001，安全性指标优化模型的阈值敏感度为0.01。[0114]为了避免对简化资源调度模型进行实时多目标优化时，由于参考向量的选取数量过多导致算法早熟，降低获得的帕累托解集的准确率，或由于参考向量的选取过少导致获得的帕累托解集的效率降低，在本发明的一些实施例中，如图4所示，在步骤s104之后，还包括：[0115]s401、获取实际优化子周期，并基于实时优化子周期从离线知识库中调用简化资源调度模型和参考向量；[0116]s402、基于向量确定模型从参考向量中确定目标参考向量；[0117]s403、基于进化多目标优化算法和目标参考向量对简化资源调度模型进行实时多目标优化，确定实时帕累托最优解集，并基于实时帕累托最优解集进行资源调度。[0118]本发明实施例通过设置基于向量确定模型从参考向量中确定目标参考向量，提高获得的实时帕累托最优解集的效率和准确性。[0119]在本发明的一些实施例中，如图5所示，步骤s402包括：[0120]s501、基于向量确定模型从参考向量中的目标参考向量数量；[0121]s502、基于目标参考向量数量从参考向量中随机确定目标参考向量。[0122]具体地，步骤s501中的向量确定模型为：[0123][0124]式中，sref为目标参考向量数量；gmax为最大迭代次数；gcurrent为当前迭代次数；为取整运算符。[0125]在本发明的一些实施例中，在步骤s403之后，还包括：[0126]将实时帕累托最优解集作为实时参考向量存储至离线知识库。[0127]本发明实施例通过设置将实时帕累托最优解集作为实时参考向量存储至离线知识库，可实现对离线知识库中参考向量的扩充，从而可提高获得的实时帕累托最优解集的多样性。[0128]综上所示，本发明实例提供的基于动态多目标优化的资源调度模型构建方法，在实时多目标资源调度任务之前，通过构建资源调度模型，并将离线计算得到的简化资源调度模型和参考向量存入至离线知识库。由于计算环节采用离线模式，因而可以利用更多计算资源和足够的运行时间，以获得较为合理的简化资源调度模型和参考向量。在实时多目标资源调度任务过程中，基于实时优化子周期调用离线知识库中的简化资源调度模型和参考向量，可以在一定程度上降低多目标优化任务计算的复杂度，并借助参考向量快速收敛到可行解区域，从而提高计算效率。此外，求解所得的实时帕累托最优解集作为实时参考向量存储至离线知识库，用于扩充参考向量库，实现离线知识库的动态更新，为后期实时优化任务提供更多的参考向量，进而提高种群的多样性，有利于求解完整的帕累托解集，提高多目标优化的准确性。[0129]为了更好实施本发明实施例中的基于动态多目标优化的资源调度模型构建方法，在基于动态多目标优化的资源调度模型构建方法基础之上，对应的，本发明实施例还提供了一种基于动态多目标优化的资源调度模型构建系统，如图6所示，基于动态多目标优化的资源调度模型构建系统600包括：[0130]资源调度模型构建模块601，用于确定资源调度任务的任务优化总周期、多个任务优化子周期、多个资源优化目标模型、决策变量、时不变约束条件和时变约束条件，并基于任务优化总周期、多个任务优化子周期、多个优化目标模型、决策变量、时不变约束条件和时变约束条件构建资源调度模型；[0131]可变参数集确定模块602，用于基于历史数据确定影响资源调度模型的可变参数，并基于任务优化总周期和多个任务优化子周期对可变参数进行划分，生成可变参数集，可变参数集包括与多个任务优化子周期一一对应的多个可变参数子集；[0132]多目标优化模块603，用于基于进化多目标优化算法和多个可变参数子集对资源调度模型进行离线多目标优化，确定各任务优化子周期的帕累托最优方案集以及多个资源优化目标模型中各资源优化目标模型对决策变量的敏感度；[0133]简化资源调度模型构建模块604，用于将帕累托最优方案集作为参考向量存储至离线知识库，并根据敏感度对资源调度模型进行简化，获得简化资源调度模型，将简化资源调度模型存储至离线知识库。[0134]上述实施例提供的基于动态多目标优化的资源调度模型构建系统600可实现上述基于动态多目标优化的资源调度模型构建方法实施例中描述的技术方案，上述各模块或单元具体实现的原理可参见上述基于动态多目标优化的资源调度模型构建方法实施例中的相应内容，此处不再赘述。[0135]如图7所示，本发明还相应提供了一种电子设备700。该电子设备700包括处理器701、存储器702及显示器703。图7仅示出了电子设备700的部分组件，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。[0136]处理器701在一些实施例中可以是一中央处理器(central processing unit，cpu)，微处理器或其他数据处理芯片，用于运行存储器702中存储的程序代码或处理数据，例如本发明中的基于动态多目标优化的资源调度模型构建方法。[0137]在一些实施例中，处理器701可以是单个服务器或服务器组。服务器组可为集中式或分布式的。在一些实施例中，处理器701可为本地的或远程的。在一些实施例中，处理器701可实施于云平台。在一实施例中，云平台可包括私有云、公共云、混合云、社区云、分布式云、内部间、多重云等，或以上的任意组合。[0138]存储器702在一些实施例中可以是电子设备700的内部存储单元，例如电子设备700的硬盘或内存。存储器702在另一些实施例中也可以是电子设备700的外部存储设备，例如电子设备700上配备的插接式硬盘，智能存储卡(smart media card，smc)，安全数字(secure digital，sd)卡，闪存卡(flash card)等。[0139]进一步地，存储器702还可既包括电子设备700的内部储存单元也包括外部存储设备。存储器702用于存储安装电子设备700的应用软件及各类数据。[0140]显示器703在一些实施例中可以是led显示器、液晶显示器、触控式液晶显示器以及oled(organic light-emitting diode，有机发光二极管)触摸器等。显示器703用于显示在电子设备700的信息以及用于显示可视化的用户界面。电子设备700的部件701-703通过系统总线相互通信。[0141]在一实施例中，当处理器701执行存储器702中的基于动态多目标优化的资源调度模型构建程序时，可实现以下步骤：[0142]确定资源调度任务的任务优化总周期、多个任务优化子周期、多个资源优化目标模型、决策变量、时不变约束条件和时变约束条件，并基于所述任务优化总周期、多个任务优化子周期、多个优化目标模型、决策变量、时不变约束条件和时变约束条件构建资源调度模型；[0143]基于历史数据确定影响所述资源调度模型的可变参数，并基于所述任务优化总周期和所述多个任务优化子周期对所述可变参数进行划分，生成可变参数集，所述可变参数集包括与所述多个任务优化子周期一一对应的多个可变参数子集；[0144]基于进化多目标优化算法和所述多个可变参数子集对所述资源调度模型进行离线多目标优化，确定各所述任务优化子周期的帕累托最优方案集以及所述多个资源优化目标模型中各资源优化目标模型对所述决策变量的敏感度；[0145]将所述帕累托最优方案集作为参考向量存储至离线知识库，并根据所述敏感度对所述资源调度模型进行简化，获得简化资源调度模型，将所述简化资源调度模型存储至所述离线知识库。[0146]应当理解的是：处理器701在执行存储器702中的基于动态多目标优化的资源调度模型构建程序时，除了上面的功能之外，还可实现其它功能，具体可参见前面相应方法实施例的描述。[0147]进一步地，本发明实施例对提及的电子设备700的类型不做具体限定，电子设备700可以为手机、平板电脑、个人数字助理(personal digitalassistant，pda)、可穿戴设备、膝上型计算机(laptop)等便携式电子设备。便携式电子设备的示例性实施例包括但不限于搭载ios、android、microsoft或者其他操作系统的便携式电子设备。上述便携式电子设备也可以是其他便携式电子设备，诸如具有触敏表面(例如触控面板)的膝上型计算机(laptop)等。还应当理解的是，在本发明其他一些实施例中，电子设备700也可以不是便携式电子设备，而是具有触敏表面(例如触控面板)的台式计算机。[0148]相应地，本技术实施例还提供一种计算机可读存储介质，计算机可读存储介质用于存储计算机可读取的程序或指令，程序或指令被处理器执行时，能够实现上述各方法实施例提供的基于动态多目标优化的资源调度模型构建方法中的步骤或功能。[0149]本领域技术人员可以理解，实现上述实施例方法的全部或部分流程，可以通过计算机程序来指令相关的硬件(如处理器，控制器等)来完成，计算机程序可存储于计算机可读存储介质中。其中，计算机可读存储介质为磁盘、光盘、只读存储记忆体或随机存储记忆体等。[0150]以上对本发明所提供的基于动态多目标优化的资源调度模型构建方法及系统进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!