[发明专利]一种基于Grover量子搜索算法的云制造调度方法

说明书

本发明涉及一种基于Grover量子搜索算法的云制造调度方法，初始化量子寄存器状态，设置代价消耗函数及张量积，取一状态寄存器作为初始值，以改进的量子Grover搜索算法从N个状态中取M个状态寄存器并进行最小值搜索，若存在任一新状态寄存器的代价消耗函数小于初始代价消耗函数，则当前状态寄存器为调度最优解，以其对应的调度状态矩阵为最优调度矩阵，否则最优调度矩阵为初始调度状态矩阵，输出最优调度矩阵。本发明加快云制造调度问题中的任务分配规划速度，通过量子Grover算法先层级筛选，可以滤去大部分的非最佳调度解来将原本的需要遍历多个解的情况变成了只需要进行少数个解的遍历，从而简化原本的问题，搜索速度的增加。

技术领域

本发明涉及程序控制装置，例如，控制器的技术领域，特别涉及一种基于Grover量子搜索算法的云制造调度方法。

背景技术

云制造平台运行过程中，服务者需求者不断地向云制造平台提交自己的制造需求，云制造平台基于每个用户的个性化需求为用户提供最优的制造服务并生成任务与服务的调度方案；制造任务和制造服务的匹配与调度过程是解决云制造平台供需匹配和资源有效利用的核心，该过程需要考虑不同制造服务之间的优化选择问题。

现有技术中，有关云制造环境下制造资源的任务和服务的调度问题的研究仍较少，使用的方法以智能优化算法为主，如遗传算法、峰群算法、粒子群算法、蚁群算法等，另有一些将博弈论方法应用到网络化制造环境下的任务调度问题中去，这些方法往往迭代复杂，云制造调度过程中的任务分配规划速度慢，无法应付云制造平台越来越大的制造任务和制造服务的匹配与调度需求。

发明内容

本发明解决了现有技术中，有关云制造环境下制造资源的任务和服务的调度问题的研究仍较少，使用的方法以智能优化算法为主，另有一些博弈论方法，这些方法往往迭代复杂，云制造调度过程中的任务分配规划速度慢，无法应付云制造平台越来越大的制造任务和制造服务的匹配与调度需求的问题，提供了一种优化的基于Grover量子搜索算法的云制造调度方法。

本发明所采用的技术方案是，一种基于Grover量子搜索算法的云制造调度方法，所述方法包括以下步骤：

步骤1：初始化，令机器数为n，作业量为m，作业间物流时间矩阵为m*n的矩阵p、作业在机器上的执行时间为s；

步骤2：初始化量子寄存器状态，令调度状态矩阵为m*n的矩阵x，矩阵x对应调度状态为N＝m*n！个，以a为量子寄存器数量，N＝2^a；

步骤3：设置代价消耗函数C(i)，张量积在本文章中简写为|x|y；

步骤4：取任一状态寄存器y作为初始值，以改进的量子Grover搜索算法从N个状态中取M个状态寄存器y’并进行最小值搜索；

步骤5：若存在任一C(y’)C(y)，则当前状态寄存器y’为调度最优解的寄存器，以当前状态寄存器y’对应的调度状态矩阵为最优调度矩阵，否则，以状态寄存器y对应的调度状态矩阵为最优调度矩阵；

步骤6：输出最优调度矩阵。

优选地，所述步骤3中，C(i)＝min(T_{当前运行消耗时间}+T_{相邻作业间的物流时间})。

优选地，所述步骤4包括以下步骤：

步骤4.1：制备n比特待搜索的数据和1个Oracle比特，得到初始量子态即初始化一个(n+1)*1的向量；

步骤4.2：将Hadamard门作用到前n个比特上，将张量积HX作用到Oracle比特上，其中，表示a个Hadamard门并行作用；

步骤4.3：将Grover算子作用到ψ₂上S次；