[发明专利]一种基于连续双向拍卖机制的网格资源调度方法

权利要求书

1.一种基于连续双向拍卖机制的网格资源调度方法，其特征在于：通过拍卖机制进行网格资源调度，将连续双向拍卖改为周期制，相邻的拍卖周期首尾相连；一个拍卖周期的总持续时间与其可交易能力的时间范围相等且一一对应；在该拍卖周期内只能交易与之对应时间范围内的能力，而在某一时间范围内的能力只能在对应的拍卖周期中进行交易；每个拍卖周期包括如下步骤：

步骤1、准备期：完成传统拍卖中的委托阶段，负责接收卖方标的并根据需要统计和预测供求信息；

步骤1.1：接收卖方标的；

步骤1.2：更新每个用户的积分信息，积分来表示该用户已成交的能力块数；

步骤1.3：预测买卖方供求关系：根据以往的周期性交易记录中的块平均成交价格Sap和合理需求量Rdm，预测该拍卖周期内的合理成交价格Rsap和合理需求量Ardm；第一个周期不进行预测，假设拍卖平台处于供大于求状态；假设这些数据的变动是有规律的，使用m个历史数据去估算第m+1个数据，即已知A₁、A₂、A₃Λ、A_m，求A_m+1；选用线性预测和模式预测作为求解A_m+1的两种方法；

(a)线性预测

假定A_k是从A₁到A_k-1这k个数的权值和，A_k+1是从A₂到A_k这k个数的和，……，A_m是从A_m-k+1到A_m-1的权值和，并且所有组的权值对应相等；

w1×A1+w2×A2+Λ+wk-1×Ak-1=Akw1×A2+w2×A3+Λ+wk-1×Ak=Ak+1Mw1×Am-k+w2×Am-k+1+Λ+wk-1×Am-2=Am-1w1×Am-k+1+w2×Am-k+2+Λ+wk-1×Am-1=Am---(3.4)]]>

取求解方程后，使用w₁×A_m-k+2+w₂×A_m-k+3+Λ+w_k-1×A_m的值作为A_m+1的预测值；

(b)模式预测

假定(A_l+1、A_l+2、Λ、A_l+n-1)这连续的n-1个数组成的模式与A_l+n形成一种对应关系；同理，与A_m+1相关的是模式M₁(A_m-n+2、A_m-n+3、Λ、A_m)；为了估计A_m+1的值，需要从历史数据中找出与模式M₁最相近的模式M₂(A_j+1、A_j+1、Λ、A_j+n-1)；根据模式M₂对应的值A_j+n可以估算A_m+1的模糊值；从时间上考虑，离模式M₁最近的模式是模式M₃(A_m-n+1、A_m-n+2、Λ、A_m-1)，通过比较这些模式之间的差异，可以在A_j+n值的周围得到一个更适当的值作为A_m+1的估计值；

选用欧氏距离(Euclidean distance)作为模式之间的相似程度的度量标准；假设在所有模式中，与模式M₁的距离最近的模式是M₂，两者之间的距离是dist(M₁，M₂)，模式M₁与模式M₃之间的距离是dist(M₁，M₃)，使用如下公式(3.5)来估算A_m+1的值；

Am+1=Aj+n+dist(M1,M2)dist(M1,M3)×(Aj+n-Am)---(3.5)]]>

最初都通过以上两种方式预测合理成交价格Rsap和合理需求量Ardm，比较两种方法在近N个拍卖周期中误差大小，使用误差较小的预测方法作为本次拍卖周期的变量预测方法；

根据接收到的卖方标的中的供应量和保留价，计算该拍卖周期内的合理供应量(Reasonable Supple)Rsup，Rsup代表准备期内收到的所有卖方的保留价格不高于预估的合理成交价格Rsap的供应量之和；

步骤1.4：计算供求比例参数ω，计算公式为：ω＝Rsup/Ardm    (3.3)

当ω＞1时，认为卖方提供的总供应量能够满足大部分买方的需求，而且可以从作业有效期内总供应量为ω倍作业量的能力块集合中选择最适合的那部分能力块来提高买方的消费满意度；此时，买方j与卖方i交易的每个能力块的块成交价格Sp_ij，使用如下公式(3.1)计算：

Spij=Rspi+(Hspj-Rspi)×1/(1+ω)ω<ωmaxRspiω≥ωmax---(3.1)]]>

当ω≤1时，认为卖方提供的总供应量可能会少于需求量，此时拍卖平台只是单纯地查看是否能够在作业有效期内完成作业而不考虑双方满意度；此时，买方j与卖方i交易的每个能力块的块成交价格Sp_ij，使用如下公式(3.2)计算：

Spij=Rspi+(Hspj-Rspi)×1/(1+ω)ω<ωminRspjω≥ωmin---(3.2)]]>

步骤2、拍卖期：拍卖平台接收买方标的，根据需求完成匹配和结算阶段；卖方在这一阶段可以随时修改当前未出售能力的保留价格或是供应更多的能力；每一笔交易结算后拍卖平台记录该交易并发给买方调度时间表；

步骤2.1：当ω＞1时，认为卖方提供的总供应量能够满足大部分买方的需求；当ω≤1时，认为卖方提供的总供应量可能会少于需求量；

本拍卖周期出现供大于求的情况时，拍卖平台使用考虑双方满意度的信息的匹配算法选取那些最符合买方需求的资源能力；本拍卖周期出现供小于求的情况时，资源短缺会导致拍卖平台应以充分销售出卖方在各时段供应的能力为目的；

本拍卖周期出现供大于求的情况时，非实时触发条件被设定为当一个标的到达拍卖平台后，对当前买方标的队列中的标的数量和预设值进行比较，如果队列中的标的个数达到预设值，则立即触发匹配，否则设定计时器，当计时器到期后对标的队列中的剩余标的进行匹配；当供小于求时，拍卖平台使用的是不考虑双方满意度的匹配算法，将算法的触发条件设置为实时触发；

步骤2.2：拍卖平台设定以下变量：

能力块的容量(Block Capability)：Bcp；

每个能力块的时间跨度(Block Time Span)：T_sp；

可交易能力时间范围的最大时间跨度：N_ms×T_sp；则拍卖期内可交易的能力块的时间范围是[T_ast，T_ast+N_ms×T_sp]，T_ast代表该拍卖期内可交易的最早能力块的开始时间；

供求比例下限：ω_min；当一个拍卖周期的供求比例不高于该预设值时，将能力块的成交价格设定为买方的块最高出价；

供求比例上限：ω_max；当一个拍卖周期的供求比例不低于该预设值时，将能力块的成交价格设定为卖方的块保留价格；

步骤2.3：如果ω＞1，拍卖平台如果使用实时匹配则转步骤2.4进行匹配，如果使用批量匹配则转步骤2.5进行匹配；否则供小于求，使用步骤2.6进行匹配；

步骤2.4：供大于求时的实时匹配算法；

拍卖平台接收到买方发送的标的后，立即触发匹配算法；

当交易处理能力时，对于买方提出的标的请求，从卖方队列中取出在买方作业有效期内剩余总供应量不低于ω倍作业量的卖方作为满足该需求的卖方集合；

当交易存储能力时，从卖方队列中取出在需求时间段内剩余总供应量不低于ω倍需求量的卖方作为满足该需求的卖方集合；

根据统计得出的满意度函数，按照总满意度最大的原则将买方需求中的作业量适当地分配给各卖方；

步骤2.4.1：卖方集合的确定：

当交易的是处理资源时，假设当前平台收到的是买方j发送的标的，根据标的中的作业量L_j确定为了优化处理当前标的所需的供应量根据作业提交时间T_js^j和截止期Dl_j确定作业的有效期范围；

步骤2.4.1.1：设置变量代表当前卖方集合能够在标的j对应的作业有效期范围内提供的总供应量，卖方集合PS_j代表为了优化处理该作业而选取的卖方集合，n代表已检查过的卖方标的个数；将的初值设为0，n的初值设为1，集合PS_j设置为空；

步骤2.4.1.2：从卖方队列中复制第n个卖方标的的信息，比较最高能力块出价Hsp_j和当前卖方标的中的块保留价Rsp_i，如果Rsp_i≤Hsp_j且在作业有效期内该卖方i可提供的能力块数则将卖方i加入到集合PS_j中；

步骤2.4.1.3：如果或n大于卖方队列中的标的个数时，转到骤2.4.1.4；否则，n＝n+1，转到步骤2.4.1.2；

步骤2.4.1.4：如果说明从提供者集合可提供足够多的能力来满足该需求；否则，由于剩余能力不足，拍卖平台通知买方j该需求无法被满足；

当交易的资源是存储能力时，步骤2.4.1.2中代表的是卖方i在需求时间段内的可持续提供的能力块数，其它步骤与上述相同；

步骤2.4.2：问题对应的数学表达式：

当交易的是处理能力时，假设提供者集合中共有n_ori个卖方，它们针对买方j提供的能力块集合分别为能力块集合的完成时间为该作业的实际完成时间time_j是这些集合中最晚开始的能力块的结束时间，即：

timej=max0<i<nori(endTime(PSuseij))---(3.17)]]>

买方j完成作业的花费金额amount_j可用如下公式计算得出：

amountj=Σi=1nori(Spij×|PSuseij|)---(3.18)]]>

使用公式(3.19)，可计算出买方j的满意度

Sbidj=ωbp×Sbpj(amountj)+ωt×Stj(timej)---(3.19)]]>

使用公式(3.20)，可计算出卖方i的满意度

Sspi=Sspi(Spij)---(3.20)]]>

此时，问题转化为：

Maximize：S_total

Stotal=1(1+ω)Sbidj+ω(1+ω)Σ1≤i≤nori(|PSuseij|×Sspi)Lj---(3.21)]]>

s.t.PSuseij⊆Plefti]]>

|Y1≤j≤nbidPSuseij|=Lj]]>

其中代表卖方i当前剩余的能力块集合；

当交易的是存储能力时，使用公式(3.22)可计算出买方j的满意度其余的同上；

Sbidj=Sbpj(amountj)---(3.22)]]>

步骤2.4.3：使用遗传算法求解该问题：

(a)染色体编码

使用一维数组结构，每一个染色体代表对应于买方j资源需求的一种调度方案；染色体中的基因位数对应于上文中的n_ori，数组中的每一个基因对应于在确定搜索范围时得到的供应者集合中的每一个卖方，第i位基因值代表在供应者集合中的第i个卖方为买方j提供的能力块数：当交易的是处理能力时，能力块集合与作业类型有关；当交易的是存储能力时，能力块集合是在买方需求的时间段范围内代表的供应量；根据交易内容(计算资源、存储资源)、作业类型(越快越好、按时最好、越慢越好)和已预留的能力块，决定卖方分配给该作业的能力块集合；

(b)初始化种群

设定种群规模后，依次产生每个染色体；在确定染色体的基因值大小时，需要保证基因值|PSusei|≤Poriij,]]>且Σ1≤i≤nori|PSusei|=Lj;]]>

(c)适宜值函数

选用公式(3.21)代表的双方总满意度函数作为染色体的适宜值函数；

(d)选择、交叉与变异

选择操作使用传统遗传算法中的轮盘赌选择法；

交叉操作使用均匀交叉，产生n_ori个0-1整数，其中0代表对应的基因位交换，1代表对应的基因位不交换；变异操作是将基因位对应值随机调整为0到之间的一个正整数值；

由于交叉和变异操作可能会导致此时将作业量L_j按照现有基因位值的比例分配给各个卖方；如果调整后出现则将该基因位对应的值设置为而的作业量由卖方队列中的其它卖方提供；

使用不同的交叉概率和变异概率作为算法在不同时期的操作概率；在前期，算法被设置为有较大的交叉概率和较小的变异概率；在后期，算法被设置为有较小的交叉概率和较大的变异概率；

步骤2.4.4：预留资源

在算法结束后选取最优染色体作为该问题的解，根据该染色体对应的各个基因值对卖方标的中的资源能力进行预留并做出相应标记，在预留过程中将各个卖方在各时段提供的能力块按照时间顺序加入到作业调度表中；完成作业调度表后，记录该笔交易并将交易记录和作业调度表发给买方；

步骤2.5：供大于求时的批量匹配算法

当拍卖平台触发批量匹配算法后，拍卖平台会在每次检查中尽可能多的处理标的直到处理完买方标的队列中的所有标的为止；假设当前买方标的队列中的买方标的数量是n_bid，算法流程如下：

步骤2.5.1：确定匹配算法中的卖方集合PS

将这n_bid个买方标的按照优先级排队，依次取出买方标的；假设当前取出的是买方j的标的，首先计算保证匹配算法一定有解的最低供应量和优化处理当前标的所需的供应量当交易的是处理资源时，步骤如下：

步骤2.5.1.1：设置和的初始值，使

步骤2.5.1.2：依次查看待匹配队列中的买方标的，查看队列中当前标的k对应的作业有效期与标的j的作业有效期是否有交集；当两个作业有效期有交集时，Dmaxj=Dmaxj+Lk,]]>Dminj=Dminj+Lk;]]>

当交易的是存储能力时，步骤2.5.1.2中和的计算需要查看其所在时间段，当时间段位于两个作业有效期的交集时，当时间段位于其它时段时，和的值保持不变；

得到和的值后，当交易的是处理能力时，使用下面的步骤判断能否将标的j加入到待匹配队列中：

步骤2.5.1.2.1：设置变量代表当前卖方集合能够在标的j对应的作业有效期范围内提供的总供应量，卖方集合PS_j代表为了优化处理该作业而选取的卖方集合，n代表已检查过的卖方标的个数；将的初值设为0，将n的初值设为1，集合PS_j设置为空；

步骤2.5.1.2.2：从卖方队列中复制第n个卖方标的的信息，比较标的j的能力块最高出价Hsp_j和当前卖方标的i中的块保留价穴Rsp_i；如果Rsp_i≤Hsp_j且在作业有效期内该卖方i可提供的能力块数则将卖方i加入到集合PS_j中；

步骤2.5.1.2.3：如果或n大于卖方队列中的标的个数时，转到步骤2.5.1.2.4；否则，n＝n+1，转到步骤2.5.1.2.2；

步骤2.5.1.2.4：如果将标的j加入到待匹配队列中，将卖方集合PS_j合并到原有卖方集合PS中；否则，如果将标的j加入到待查队列中；如果则当前卖方在标的j对应的作业有效期内的供应量不足，无法满足该需求；

当交易的是存储能力时，步骤2.5.1.2.2中的计算需要查看的时间段分布情况；同理，在步骤2.5.1.2.3的比较运算中，只有在所有时间段内都大于等于时，才认为Dnowj≥Dmaxj;]]>

步骤2.5.2问题对应的数学表达式

当交易的是处理能力时，假设待匹配队列中的买方标的个数是n_bid，当前卖方集合PS有n_ask个卖方，n_ask个卖方为满足买方j的需求而实际提供的能力块集合分别为能力块集合的完成时间为该作业的完成时间time_j是这些集合中最晚开始的能力块的结束时间，即：

timej=max∀0<i<naski(endTime(PSuseij))---(3.23)]]>

买方j完成作业的花费金额amount_j可用如下公式计算得出：

amountj=Σi=1nask(Spij×|PSuseij|)---(3.24)]]>

使用公式(3.19)，可计算出买方j的满意度使用公式(3.20)，可计算出卖方i的满意度

此时，问题转化为：

Maximize：S_total

Stotal=Σ1≤j≤nbidSj′nbid---(3.25)]]>

Sj′=1(1+ω)Sbidj+ω(1+ω)Σ1≤i≤nask(|PSuseij|×Sspi)Σ1≤j≤nbidLj---(3.26)]]>

s.t.PSuseij⊆Plefti]]>

|Y1≤j≤nbidPSuseij|=Lj]]>

其中代表卖方i当前剩余的能力块集合；

当交易的是存储能力时，使用公式(3.22)计算出买方j的满意度其余公式同上；

步骤2.5.3使用遗传算法求解该问题

(a)染色体编码

使用二维矩阵结构，行数是该次匹配的买方标的个数，列数是在卖方集合PS中确定的元素个数；矩阵的每一行代表一个买方需求的调度方案，其中第i行第j列的元素代表卖方j为买方i提供的能力块集合，能力块集合在原始卖方能力描述中的具体位置是在预留过前i-1行的能力后使用与步骤2.4.3相同的策略确定的；

(b)初始化种群

设定种群规模后，依次产生每个染色体；产生染色体时，按照买方标的的顺序依次确定染色体中每一行的元素值；在确定每一行元素值时，需要对相关能力块做出标记以避免能力块被后面的作业再次占用，并保证

(c)适宜值函数

选用公式(3.25)代表的双方总满意度函数作为染色体的适宜值函数；

(d)选择、交叉与变异

选择操作使用传统遗传算法中的轮盘赌选择法；交叉操作使用均匀交叉，产生n_bid个0-1整数，其中1代表对应作业的行元素集体交换，0代表不交换；变异操作是将作业对应的一行元素值进行重新随机初始化；

由于交叉操作可能会导致代表卖方i在当前情况下为买方j提供的最大能力块数；对应的调整方法是将该基因位对应的值设置为而的作业量由卖方队列中的其它卖方按照优先级提供；使用不同的交叉概率和变异概率作为算法在不同时期的操作概率；在前期，算法被设置为有较大的交叉概率和较小的变异概率；在后期，算法被设置为有较小的交叉概率和较大的变异概率；

步骤2.5.4：预留资源

在算法结束后选取最优染色体作为该问题的解，根据该染色体对应的各行元素值依次对卖方标的中的资源能力进行预留并做出相应标记，在预留过程中将各个卖方在各时段提供的能力块按照时间顺序加入到对应的作业调度表中；完成作业调度表后，记录每一笔交易并将交易记录和作业调度表发给相应的买方；

步骤2.6：供小于求时的匹配算法

在供小于求的情况下，由于整个时段的能力供应短缺，无法满足所有买方提交的每一个请求；所以为了尽可能多地满足买方需求，算法不考虑买方请求中的满意度信息，只查看在相关时间段内能否满足需求；当拍卖平台收到买方标的后，立即触发匹配算法；

假设当前收到的是买方标的j，设置变量代表当前卖方集合能够在标的j的需求时间范围内提供的总供应量，卖方集合PS_j代表为了满足该需求而选取的卖方集合，n代表已检查过的卖方标的个数，算法流程如下；

步骤2.6.1：将的初值设为0，将n的初值设为1，集合PS_j设置为空；

步骤2.6.2：从卖方队列中复制第n个卖方标的的信息，比较最高能力块出价Hsp_j和当前卖方i的块保留价Rsp_i；如果Rsp_i≤Hsp_j且在作业有效期内的可提供的供应量则将卖方i加入到集合PS_j中；

步骤2.6.3：比较和L_j，如果则卖方i为满足标的j的需求实际提供的供应量如果则卖方i实际提供的供应量

步骤2.6.4：如果或n等于卖方队列中的标的个数时，转到步骤2.6.5；否则，n＝n+1，转到步骤2.6.2；

步骤2.6.5：如果根据的值对卖方标的中的资源能力进行预留并做出相应标记在预留过程中将各个卖方在各时段提供的能力块按照时间顺序加入到作业调度表中；完成作业调度表后，记录该笔交易并将交易记录和作业调度表发给买方；如果则所有卖方在标的j对应的需求时间段内的供应量不足，无法满足该需求；

步骤2.7：每一笔交易结算后拍卖平台记录该交易并发给买方调度时间表；

步骤3、等待期：完成拍卖周期的周期性供求信息记录，通过等待一段时间后使能力的结束时间与下一个拍卖周期的起始时间同步；

步骤3.1：根据拍卖期中的交易记录统计出块平均成交价格Sap和合理需求量Rdm；

计算本拍卖周期内所有交易的成交价格的平均值，即总成交额和总交易量的商为本周期块平均成交价格Sap；

计算本拍卖周期中所有买方的已成交需求量和未成交但块最高报价高于等于该周期内平均成交价格Sap的需求量之和为Rdm。