基于时间序列的多Agent工作流模型关键技术

doi:10.3969/j.issn.1006-2475.2015.10.008

计算机与现代化

基于时间序列的多Agent工作流模型关键技术

(海军大连舰艇学院，辽宁大连 116018)

收稿日期:2015-04-28 出版日期:2015-10-10 发布日期:2015-10-10
作者简介:吉宏安(1987-)，男，江苏海安人，海军大连舰艇学院硕士研究生，研究方向：智能控制，计算机仿真; 马野(1966-)，女，吉林德惠人，教授，硕士生导师，博士，研究方向：智能控制，非线性动态系统状态估计，无人机信息管理; 李雪红(1970-)，女，重庆人，工程师，硕士，研究方向：软件工程。

Key Techniques of Multi-agent Workflow Model Based on Time Series

(Dalian Naval Academy, Dalian 116018, China)

Received:2015-04-28 Online:2015-10-10 Published:2015-10-10

摘要/Abstract

摘要： 针对实际工作中如何将固定的工作流程转化为计算机能够执行和管理的自动化控制问题，提出建立基于时间序列的多Agent工作流模型的方法。通过将任务流程转变成按时间排列的优化序列，开辟进程池，采用多进程同步或异步推进的方式执行，解决工作流分支和聚合引起的同步失调和死锁等问题；结合多Agent进行建模，利用智能Agent单元对进程池进行管理，实现工作流的全程可控；提供基于时间戳的数据并发处理方法，解决数据更新不及时的问题。实际应用表明，该方法实现了对工作流的有效控制，达到了预期目的。

关键词: 时间序列, ILOG组件, 多Agent, 工作流, 时间戳

Abstract: Aiming at the problem that how to transform the real work program into an automation control problem that a computer can perform and control, some solutions are put forward to establish a multi-agent workflow model based on time series. The workflow is transformed into time series and pushed into multi-process pool to be executed synchronously or asynchronously, that solved the synchronous disorders and deadlock problem caused by workflow branch and aggregation. Based on the multiple Agent model, using Agent unit of process can manage the whole workflow. Finally, a concurrent data processing method based on timestamp makes the system have the function of process optimization and whole-process control. Actual application shows that this method realizes the effective control of the workflow and the desired purpose.

Key words: time series, ILOG components, multi-agent, workflow, timestamp

中图分类号:

TP391.9

吉宏安，马野，李雪红. 基于时间序列的多Agent工作流模型关键技术[J]. 计算机与现代化, doi: 10.3969/j.issn.1006-2475.2015.10.008.

JI Hong-an, MA Ye, LI Xue-hong. Key Techniques of Multi-agent Workflow Model Based on Time Series[J]. Computer and Modernization, doi: 10.3969/j.issn.1006-2475.2015.10.008.

参考文献

[1] 徐超. 基于Petri网的工作流技术研究与应用[D]. 大连:大连理工大学, 2004.

[2] 钱维平,王坚. 基于WF状态机工作流的日常工作管理系统的设计与实现[J]. 机电产品开发与创新, 2015,28(1):81-83.

[3] 杜玉姣. 多Agent工作流模型的研究与实现[D]. 西安:西安电子科技大学, 2014.

[4] 侯堃. 基于Agent的工作流管理系统研究[D]. 北京:北京工商大学, 2012.

[5] 刘磊. 基于Petri网的工作流模型化方法及其应用研究[D]. 杭州:浙江理工大学, 2013.

[6] 王媛媛. 基于Agent的工作流管理系统研究与实现[D]. 成都:西南交通大学, 2006.

[7] 武凌,王浩. 基于多Agent的工作流管理系统的建模与实现[J]. 计算机应用与软件, 2008,25(8):199-202.

[8] 任晓军. 一种基于多Agent的工作流引擎及其动态性研究[D]. 青岛:山东科技大学, 2010.

[9] 朱孟成. 工作流中的并发控制技术研究[J]. 电子技术与软件工程, 2015,4(4):164.

[10] 柴学智,曹健. 面向云计算的工作流技术[J]. 小型微型计算机系统, 2012,33(1):90-95.

[11] 刘少伟,孔令梅,任开军,等. 云环境下优化科学工作流执行性能的两阶段数据放置与任务调度策略[J]. 计算机学报, 2011,34(11):2121-2130.

[12] 姜英新,孙吉贵. 约束满足问题求解及ILOG SOLVER系统简介[J]. 吉林大学学报(理学版), 2002,40(1):53-60.

[13] 史忠植. 高级人工智能[M]. 第3版. 北京:科学出版社, 2011:99-104.

[14] ILOG. ILOG Solver User’s Manual Version 2.0[M]. Gentilly, 1995.

[15] 杨达玲,杨建军,白宏斌. 基于ILOG SOLVER的Job-Shop调度算法实现[J]. 现代制造工程, 2006(5):22-24.

[16] 顾耀林,贺晓燕. 时间戳顺序在分布式并发控制中的应用[J]. 信息技术, 2001(11):8-9.

[17] 谢应科,王建东,祝超,等. 网络测量中高精度时间戳研究与实现[J]. 计算机研究与发展, 2010,47(12):2049-2058.

基于时间序列的多Agent工作流模型关键技术

Key Techniques of Multi-agent Workflow Model Based on Time Series

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价

[1]	刘瑞雪, 李文, 刘芳, 杜守国. 用于具有缺失值的时间序列预测的张量自回归补全算法[J]. 计算机与现代化, 2023, 0(09): 51-58.
[2]	孙子雨, 任燃, 魏曦哲. 基于DTW-TCN的股票分类及预测研究[J]. 计算机与现代化, 2023, 0(08): 31-37.
[3]	张子森, 徐晓钟. 基于分解和多分量集成学习的负荷预测方法[J]. 计算机与现代化, 2023, 0(03): 96-101.
[4]	石志伟, 武志峰, 张哲. 纠正学习策略下LightGBM-GRU模型的股票波动率预测[J]. 计算机与现代化, 2023, 0(01): 95-102.
[5]	周昌野, 李程. 基于GS-LSTM模型的铁路货运量预测[J]. 计算机与现代化, 2022, 0(10): 24-28.
[6]	张苏宁, 王芳, 朱燕, 景栋盛. 基于极端梯度提升的跨地区多种类电力需求预测[J]. 计算机与现代化, 2022, 0(03): 18-22.
[7]	曹禹, 李晓辉, 刘忠麟, 贾贺, 费志伟. 云环境大数据工作流编排管理系统研究综述[J]. 计算机与现代化, 2022, 0(01): 41-53.
[8]	李乾仕, 王淑营, 曾文驱. 柔性工作流路径变更研究与应用[J]. 计算机与现代化, 2021, 0(11): 44-49.
[9]	陈晓雷, 王星星, 申浩阳. 智慧农业中时序数据组合预测模型[J]. 计算机与现代化, 2021, 0(09): 121-126.
[10]	朱旭, 朱晓晓, 王继民. 基于Matrix Profile的时间序列变长模体挖掘[J]. 计算机与现代化, 2021, 0(05): 44-50.
[11]	杨永娇，肖建毅，赵创业，周开东. 基于Isolation Forest和Random Forest相结合的智能电网时间序列数据异常检测算法[J]. 计算机与现代化, 2020, 0(03): 99-.
[12]	李兆桐，张卫山，郭武武. 基于LSTM的工业互联网设备工作状态预测[J]. 计算机与现代化, 2020, 0(01): 1-.
[13]	许国艳1,朱进1,司存友2,胡文斌2,刘凡1. 基于CNN和MC的水文时间序列预测组合模型[J]. 计算机与现代化, 2019, 0(11): 23-.
[14]	王宇飞1,杜天苍1,2. 基于Holt-Winters的时间序列预测在大数据监控系统中的分析与应用[J]. 计算机与现代化, 2019, 0(11): 29-.
[15]	余丽玲，金浩宇 . 基于K-均值聚类的RBF神经网络血糖浓度预测[J]. 计算机与现代化, 2019, 0(03): 9-.