흐름 작업 스케줄링 관리에서의 에너지 절약: 회색 늑대 최적화 알고리즘에 기반한 개선된 다목적 모델

현재 에너지 절약은 점점 더 중요해지고 있습니다. 생산 과정에서 운영 방법과 기계 인프라가 개선되면 에너지 절약을 달성할 수 있지만, 이는 흐름 작업 스케줄링의 복잡성을 증가시킵니다. 실제로, 데이터 마이닝 기술 중 하나인 회색 늑대 최적화 알고리즘은 엔지니어링의 다양한 수학 문제에 널리 적용됩니다. 그러나 이 알고리즘의 미성숙함으로 인해 여전히 몇 가지 결점이 있습니다. 따라서 우리는 칼만 필터와 강화 학습 연산자와 관련된 회색 늑대 최적화 알고리즘에 기반한 개선된 다목적 모델을 제안하며, 여기서 칼만 필터는 해집합을 파레토 최적 전선에 더 가깝게 만들기 위해 도입됩니다. 강화 학습 연산자를 통해 알고리즘의 수렴 속도와 해결 능력을 개선할 수 있습니다. 여섯 개의 벤치마크 함수 테스트 후, 결과는 검색 정확성과 해집합 다양성 측면에서 원래 알고리즘과 다른 비교 알고리즘보다 우수함을 보여줍니다. 본 논문에서 제안한 회색 늑대 최적화 알고리즘 기반의 개선된 다목적 모델은 흐름 작업 스케줄링 문제에서 에너지 절약 문제를 해결하는 데 도움이 되며, 엔지니어링 및 관리 분야에서 큰 실용 가치를 지닙니다.