(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211353019.5 (22)申请日 2022.11.01 (71)申请人 安徽思高智能科技有限公司 地址 230088 安徽省合肥市高新区望江西 路900号中安创谷科技园A1栋408 (72)发明人 付磊　 (74)专利代理 机构 武汉知产时代知识产权代理 有限公司 42 238 专利代理师 孔灿 (51)Int.Cl. G06F 9/48(2006.01) G06F 9/50(2006.01) G06N 3/12(2006.01) (54)发明名称 一种基于遗传算法的RPA流 程调度方法 (57)摘要 本发明提供了一种基于遗传算法的RPA流程 调度方法， 包括绘制RPA流程脚本， 捕获RPA作业 特征， 将业务转化为RPA流程脚本， 解析用户需求 清单获取RPA任务约束规则， 构造RPA特征属性； 执行器注册和执行器特征捕获， 在机器上注册执 行程序， 自动定时捕捉所在机器特征， 并通过心 跳上报； 以高成功率和高资源利用率为目标， 设 计基于遗传算法的RPA流程调度算法。 本发明能 从RPA流程脚本中提取RPA任务特征， 实时监控集 群中各机器资源波动和硬件信息， 辅助调度系统 快速执行任务调度； 根据RPA任务特征和集群中 的机器信息， 制定面向成功率和资源花费的多目 标优化调度策略， 提升RPA作业调度成功率和降 低集群机器消费。 权利要求书3页 说明书6页 附图1页 CN 115408136 A 2022.11.29 CN 115408136 A 1.一种基于 遗传算法的  RPA 流程调度方法， 其特 征在于， 包括以下步骤： S1、 绘制 RPA 流程脚本， 捕获  RPA 作业特征， 获取用户上传的  RPA 流程需求清单中   RPA 调度的关键特 征， 给 RPA 任务打上 标签； S2、 通过执行器自动定时捕捉所在机器的资源波动和硬件信息， 将心跳注册上报到集 群 zookeeper ， 获得集群机器的资源特 征； S3、 将 RPA 任务、 集群机器的高维特 征输入到 遗传算法进行多目标优化和调度； S31、 将 RPA 流程调度建模成可变尺寸向量装箱问题， 在满足强约束规则的资源限制 下， 以最大化  RPA 任务执行成功率和最小化启用执行器数量为目标， 为每个  RPA 任务分 配对应的执 行器； 在一次调度过程中， M个执行器 E={e1,e2,...,eM}和N个 RPA 任务T={t1,t2,...,tN}； 执 行 器em的 强 约束资 源容量为 ， 弱约束资 源容量为 ； 任务tn的强约束资源需求为 ， 弱约束资源需求为 ； 其中，p为强约束资源个数， q为弱约束 资源个数， m代表第m个执行器，n代表第n个任务； 调度决策 ,xn=e(tn)表示将任务 tn调度到执行器 e(tn)上执行， 表示未将任务 tn分配给任何执行器； 执行器 em上的任务集合为 T(em),T(em)中所有任务的强 约束资源需求总和不能超过 em的剩余容量， 即： 任务的执 行成功率αn为： 执行器em的启用标识 为： S32、 对多目标优化问题采用字典序优化， 按照优先级对多个目标进行排序， 在最大化 执行成功率的前提下最小化启用的执 行器的数量： S33、 设置遗传个体的染色体为调度决策 X， 设置个体  i 的适应值为任务平均执行成功权　利　要　求　书 1/3 页 2 CN 115408136 A 2率 和启用执行器数量的倒数 ， 按照目标的优先级评价个体的优 劣， 个体a优于个体b的标准为： 其中，  为个体a的适应值，  为个体b的适应值； S34、 初始化遗传种群， 为每个个体生成随机染色体， 根据贪心算法调整  X以满足强资 源约束， 具体为： 首先为每个任务随机分配执行器； 其次检查每个执行器的强资源容量是否超载， 将超 出强资源容量且资源需求最少的任务取消分配； 最后按资源需求从小到大的顺序将未分配 的任务分配给剩余 容量满足且最小的执 行器， 没有满足的执 行器则该任务 不分配； S35、 使用遗传算子对种群进行演化迭代； 其中， 选择算子是按照优劣关系 有放回的二元锦标赛； 交叉算子是多点交叉， 选择一定 长度的片段， 交换两个个体在该片段中的调度决策； 变异 算子是多点变异， 选择一定长度的 片段， 对个体在该片段中的调度决策进 行重新随机调 度； 在交叉和变异后， 对个体根据贪心 算法调整以满足 强资源约束； S36、 在达到指定迭代次数时， 返回最大化执行成功率的前提下最小化启用执行器数量 的调度决策 X。 2.根据权利要求1所述的一种基于遗传算法的  RPA 流程调度方法， 其特征在于， 步骤 S1具体为： S11、 根据用户上传的  RPA 任务需求清单， 获取其中的关键约束规则， 包装到对应的   RPA 模型中； S12、 将 RPA 模型中的约束规则转化为  RPA 任务特征， 所述约束规则 包括强约束规则 和弱约束规则。 3.根据权利要求1所述的一种基于遗传算法的  RPA 流程调度方法， 其特征在于， 步骤 S2具体为： S21、 RPA 执行器启动时执行器注册中心立刻自动感知， 将执行器登记到统一管理中 心， 全程维护执 行器的运行状态； S22、 执行器启动后台执行流时， 自动定时上报执行器硬件资源到注册中心， 实时动态 收集执行器的硬件层面资源信息； 所述执行器硬件资源包括  CPU 使用率、 内存使用率、 磁 盘 IO 速率； 所述 CPU 使用率计算方法为： 其中， kernel 是当前操作系统内核时钟与特定时间前操作系统内核时钟的差值，   user 是当前用户进程时钟与特定时间前用户进程时钟的差值，  idle 指计算使用率时统 计的开始时间点和结束时间点的间隔； 所述内存使用率计算公式为： 其中，total指执行器机器物理内存总容量， buffered指操作系统用于块设备的缓冲区权　利　要　求　书 2/3 页 3 CN 115408136 A 3