一种基于深度强化学习的RPA流程调度方法及系统与流程

一种基于深度强化学习的rpa流程调度方法及系统
技术领域
1.本发明涉及分布式任务调度技术领域，尤其涉及一种基于深度强化学习的rpa流程调度方法及系统。


背景技术：

2.机器人过程自动化（rpa）是近年来快速发展的自动化技术，人工智能的发展迫使人们审视什么工作应该被自动化，什么工作应该由人类来完成。其中一项重要的发展就是 rpa，rpa是使用软件机器人来模仿和复制人类在其应用程序的用户界面（ui）中执行的高重复性任务，rpa 最大的优势就是通过模仿人的复杂行为来批量完成业务，而不是编写大量代码和脚本来实现复杂业务链路。在用户提交一批 rpa 任务后，需要调度到执行器集群状态上，指定每个任务由哪个执行器执行。这是一个经典的分布式任务调度系统，常见的调度算法包括：轮转法——对集群节点编号，按顺序将任务逐个分配；贪心法——根据任务资源需求和节点负载进行分配；元启发式算法——对调度问题进行数学建模，在满足资源约束下迭代优化求解调度决策；强化学习算法——根据集群的资源状态，考虑多个优化目标得出选择调度决策。
3.rpa 任务在调度过程中强调低机器开销，需要在控制任务执行时间的通知减少执行器集群状态的资源消耗，更适合采用深度强化学习的方法进行多目标优化。但是现有的算法未能考虑 rpa 的任务特征，如执行器的资源会动态变化，且任务资源需求分为强约束和弱约束两种。强约束资源必须满足，如需要独占显示器；弱约束资源是对任务执行需求的预测，例如占用多少内存，该类资源在调度时可以超载，但会影响集群的资源消耗情况。现有的算法未能考虑任务资源需求对于调度策略的影响，导致调度精度不足。


技术实现要素：

4.为解决上述技术问题，本发明提供一种基于深度强化学习的rpa流程调度方法，包括步骤：s1：通过用户上传的rpa任务需求清单获取任务特征集合；s2：通过rpa执行器执行时的资源波动和硬件信息，获得集群机器的执行器集群状态；s3：构建rpa流程调度模型，通过任务特征集合和执行器集群状态对rpa流程调度模型进行优化，获得优化后的rpa流程调度模型；s4：通过优化后的rpa流程调度模型进行rpa流程调度任务。
5.优选的，步骤s1具体为：获取rpa任务需求清单的约束规则和任务特点，约束规则包括：强约束规则和弱约束规则，任务特点为网络/io密集型，cpu密集型或内存密集型，将约束规则和任务特点转化为任务特征集合。
6.优选的，步骤s2具体为：
s21：rpa执行器启动时注册中心立刻自动感知，将rpa执行器登记到统一管理中心，全程维护rpa执行器的运行状态；s22：rpa执行器启动后台执行流时，自动定时上报硬件资源到注册中心，实时获取rpa执行器的硬件信息；s23：rpa执行器的后台执行流自动上报rpa执行器软件环境至注册中心；s24：rpa执行器在运行过程中，时刻记录每个被分配的任务审计日志，通过任务审计日志判断执行器的运行状态，构造基于审计日志的执行器资源计算模型，通过执行器资源计算模型实时计算获得资源波动并上传至资源管理中心；s25：通过资源波动和硬件信息获取集群机器的执行器集群状态。
7.优选的，步骤s3具体为：s31：以最小化rpa作业运行时间和集群机器的资源消耗为目标，为任务特征集合中的每个任务分配执行器集群状态中对应的执行器，构建rpa流程调度模型的调度决策序列；s32：对多目标优化问题设置一个系统参数β来指定rpa流程调度模型的优化优先级，同时减小执行器集群状态的资源消耗和所有任务的平均执行时间；s33：设置rpa流程调度模型深度强化学习的关键组件，包括智能体、幕、状态空间和动作空间；s34：设置rpa流程调度模型的奖励函数，奖励函数包括：即时奖励和幕奖励；s35：构建损失函数，通过损失函数和dqn算法计算获得rpa流程调度模型的状态-动作价值函数；s36：通过步骤s31-s35对rpa流程调度模型进行优化，获得优化后的rpa流程调度模型。
8.优选的，任务特征集合的表达式为：t={t1,t2...,tn}，n为任务的总数；执行器集群状态的表达式为：e={e1,e2...em}，m为执行器的总数；执行器em的强约束资源容量为，弱约束资源容量为，单元价格为pm；任务tn的强约束资源需求为，弱约束资源需求为，任务tn在执行器em上的执行时间为t
nm
；n为任务的编号，m为执行器的编号，p为强约束资源容量总数，q为弱约束资源容量总数。
9.优选的，调度决策序列的表达式为：x=[x1,x2,...,xn]；其中，xn=e(tn)表示任务tn调度到tn对应的执行器e(tn)上执行；xn=表示未将任务tn分配给任何执行器；执行器em的运行时长为qm的任务特征集合为k(em)，k(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：执行器集群状态的资源消耗量cost
t
为：
任务平均运行时长为：。
[0010]
优选的，幕奖励的设置过程为：s341：计算一幕中所有任务产生的执行器集群状态消耗最大值，计算公式为：其中，i为任务的编号，j和k为执行器的编号；s342：对执行器集群状态内实际资源消耗进行归一化操作，计算公式为：cost
t
为执行器集群状态的资源消耗量；s343：计算所有任务的最大平均运行时间和最小平均运行时间，计算公式为：对执行器集群状态内实际作业平均运行时间进行归一化操作，计算公式为：其中，avg
t
为任务平均运行时长；s344：幕奖励的计算公式为：其中，r
fixed
为可调整的系统参数，用于控制幕奖励的大小。
[0011]
优选的，步骤s35具体为：s351：损失函数的表达式为：其中，代表dqn算法经验池中的数据，其中s代表当前状态，a代表动作策略，r代表奖励，s’代表下一个状态；yi代表目标函数，q代表状态价值函数，θi代表神经
网络中的参数，i为任务的编号，ie代表数学期望，即代表关于的期望值；目标函数的表达式为：其中，代表学习率，a’代表在状态s’中价值最大的动作策略，代表状态价值函数q在状态s’中对应的最大价值；s352：调节rpa流程调度模型的参数使得损失函数的值小于预设值，获得状态-动作价值函数q(s,a)。
[0012]
一种基于深度强化学习的rpa流程调度系统，包括模块：任务特征集合获取模块，用于通过用户上传的rpa任务需求清单获取任务特征集合；执行器集群状态获取模块，用于通过rpa执行器执行时的资源波动和硬件信息，获得集群机器的执行器集群状态；调度模型优化模块，用于构建rpa流程调度模型，通过任务特征集合和执行器集群状态对rpa流程调度模型进行优化，获得优化后的rpa流程调度模型；调度模块，用于通过优化后的rpa流程调度模型进行rpa流程调度任务。
[0013]
本发明具有以下有益效果：本发明充分考虑了rpa任务需求清单的约束规则和任务特点，以及从注册的执行机器中实时监控集群中各机器资源波动和硬件信息，用于rpa流程调度模型的优化；通过任务特征集合和执行器集群状态制定面向执行时间和资源花费的多目标优化调度策略，降低rpa 作业的平均执行时间和降低集群机器消费。
附图说明
[0014]
图1为本发明实施例方法流程图；本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
[0015]
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
[0016]
参照图1，本发明提供一种基于深度强化学习的rpa流程调度方法，包括步骤：s1：通过用户上传的rpa任务需求清单获取任务特征集合；s2：通过rpa执行器执行时的资源波动和硬件信息，获得集群机器的执行器集群状态；s3：构建rpa流程调度模型，通过任务特征集合和执行器集群状态对rpa流程调度模型进行优化，获得优化后的rpa流程调度模型；s4：通过优化后的rpa流程调度模型进行rpa流程调度任务。
[0017]
进一步的，步骤s1具体为：获取rpa任务需求清单的约束规则和任务特点，约束规则包括：强约束规则和弱约
束规则，任务特点为网络/io密集型，cpu密集型或内存密集型，将约束规则和任务特点转化为任务特征集合。
[0018]
具体的，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；将 rpa 模型中的约束规则转化为 rpa 任务特征，rpa 模型中有强约束规则和弱约束规则，强约束规则为 rpa 运行时必要的硬件基础和强烈的用户需求，主要包括是否独占软件、是否独占显示器、是否能中断、显示器分辨率和软件版本的硬性要求；弱约束规则通常表示在资源上，主要包括估计的运行时长、cpu、内存和带宽的需求；强约束规则一旦违背必定造成 rpa 流程调度的失败，弱约束规则通常影响 rpa 流程运行性能。
[0019]
对于一次调度过程，m个执行器e和n个 rpa 任务t具体表示如下：e={e1,e2,...,em}t={t1,t2,...,tn}执行器em的强约束资源容量csm和弱约束资源容量cwm表示如下：任务tn的强约束资源需求rsn和弱约束资源需求rwn表示如下：进一步的，步骤s2具体为：s21：rpa执行器启动时注册中心立刻自动感知，将rpa执行器登记到统一管理中心，全程维护rpa执行器的运行状态；具体的，针对更好的实现自动化的运维管理，提出执行器自动注册；执行器自动注册时，rpa 执行器启动时执行器注册中心立刻自动感知并且将执行器登记到统一管理中心，实现管理员全局无感知动态扩容缩容；全程维护执行器的各种运行状态，实现集群内执行器整体的高可用性、高可扩展性、高可运维性；s22：rpa执行器启动后台执行流时，自动定时上报硬件资源到注册中心，实时获取rpa执行器的硬件信息；具体的，针对更好的衡量执行器的当前执行能力以及最大执行能力，用于更加精确高效的调度，提出实时动态收集执行器的硬件层面资源信息；执行器启动后台执行流，自动定时上报执行器机器硬件资源到注册中心，做到实时收集执行器机器的最大内存容量、内存使用率、最大 cpu 核数、cpu 使用率、网络带宽、磁盘 io 速率；除收集计算硬件资源，同时收集普通外部设备硬件资源，比如显示器分辨率，显示器数量，摄像头数量，麦克风数量等，以支持更加细粒度、精确化、合理化的 rpa 任务调度与分配；其中，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 指计算使用率时需要统计的开始时间点和结束时间点之间的间隔长度；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大小， cached 指操作系统用于文件系统的缓冲区大小， free 指当前执行器机器物理内存空闲内存容量；用一次 io 时间io_time表述io速率：seek_time 指磁盘平均寻址时间， rotation_speed 指磁盘平均旋转延时，io_chunk_size 指磁盘单次 io 数据量的大小，transfer_rate 指磁盘最大读写速率；s23：rpa执行器的后台执行流自动上报rpa执行器软件环境至注册中心；具体的，针对确定执行器软件执行环境，提出了执行器机器软件生态探测，执行器后台执行流自动上报至执行器注册中心；具体探测的软件环境包括浏览器内核版本，浏览器发布版本，excel 版本，word 版本等；s24：rpa执行器在运行过程中，时刻记录每个被分配的任务审计日志，通过任务审计日志判断执行器的运行状态，构造基于审计日志的执行器资源计算模型，通过执行器资源计算模型实时计算获得资源波动并上传至资源管理中心；具体的，针对执行器执行任务负载与资源使用情况，提出了执行器任务统计与自动收集。执行器在运行过程中，时刻记录每个被分配的任务审计日志，包含：任务分配时记录，任务运行时记录，任务结束时记录。通过审计日志判断执行器的运行状态，构造基于审计日志的执行器资源计算方法，实时计算执行器占用计算资源情况并且上报至资源管理中心；s25：通过资源波动和硬件信息获取集群机器的执行器集群状态。
[0020]
进一步的，步骤s3具体为：s31：以最小化rpa作业运行时间和集群机器的资源消耗为目标，为任务特征集合中的每个任务分配执行器集群状态中对应的执行器，构建rpa流程调度模型的调度决策序列；具体的，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，以最小化rpa作业运行时间和执行器集群状态的资源消耗为目标，为每个 rpa 任务分配对应的执行器；s32：对多目标优化问题设置一个系统参数β来指定rpa流程调度模型的优化优先级，同时减小执行器集群状态的资源消耗和所有任务的平均执行时间；具体的，平均执行时间的计算公式为：
s33：设置rpa流程调度模型深度强化学习的关键组件，包括智能体、幕、状态空间和动作空间；具体的，定义智能体为集群中的作业调度程序，在每个时间步内，智能体观察集群状态并采取行动，基于行动从环境中接收奖励和下一个可观察的状态；其中时间步是离散的，由事件驱动；定义幕为智能体完成调度一个任务清单中所有任务所需的时间，其中若任一调度动作违反强约束规则则提前终止当前幕；设置状态空间为当前执行器集群状态的状态，包括所有执行器的cpu和内存资源的占用情况以及每个执行器的单元价格；设置动作空间，其中动作代表为一个任务分配执行器，也包括由于集群没有足够资源的等待动作；s34：设置rpa流程调度模型的奖励函数，奖励函数包括：即时奖励和幕奖励；具体的，智能体会在每一次调度动作过后获得即时奖励，具体为：如果智能体成功调度一次任务会获得一个正面的即时奖励，如果选择等待则会获得一个负面的即时奖励；在每一幕结束时，智能会获得一个幕奖励：如果所有任务都被成功调度会获得一个正面的幕奖励；如果由于违反强约束规则而导致幕提前结束则会获得一个负面的幕奖励；s35：构建损失函数，通过损失函数和dqn算法计算获得rpa流程调度模型的状态-动作价值函数；具体的，rpa流程调度模型的输入为当前执行器集群状态中的资源消耗情况，包括cpu和内存的占用率等，以及rpa模型的信息；输出为当前状态下，所有可能的调度动作及其对应的值；对所有的返回的调度动作，采用的调度动作；完成调度动作后，根据奖励函数来更新rpa流程调度模型的参数；s36：通过步骤s31-s35对rpa流程调度模型进行优化，获得优化后的rpa流程调度模型；具体的，对于一个rpa任务序列，每一个新的任务到来将触发新的调度决策，其中调度决策被视为动作，调度程序结合执行器集群状态当前状态，利用状态-动作价值函数，来选择调度决策；在完成所有rpa任务的调度决策后，返回最小化任务执行时间和集群资源消耗的调度决策序列x。
[0021]
进一步的，任务特征集合的表达式为：t={t1,t2...,tn}，n为任务的总数；执行器集群状态的表达式为：e={e1,e2...em}，m为执行器的总数；执行器em的强约束资源容量为，弱约束资源容量为，单元价格为pm；任务tn的强约束资源需求为，弱约束资源需求为，任务tn在执行器em上的执行时间为t
nm
；n为任务的编号，m为执行器的编号，p为强约束资源容量总数，q为弱约束资源容量总数。
[0022]
进一步的，调度决策序列的表达式为：x=[x1,x2,...,xn]；其中，xn=e(tn)表示任务tn调度到tn对应的执行器e(tn)上执行；xn=表示未将任务tn分配给任何执行器；执行器em的运行时长为qm的任务特征集合为k(em)，k(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：
执行器集群状态的资源消耗量cost
t
为：任务平均运行时长为：。
[0023]
进一步的，幕奖励的设置过程为：s341：计算一幕中所有任务产生的执行器集群状态消耗最大值，计算公式为：其中，i为任务的编号，j和k为执行器的编号；s342：对执行器集群状态内实际资源消耗进行归一化操作，计算公式为：cost
t
为执行器集群状态的资源消耗量；s343：计算所有任务的最大平均运行时间和最小平均运行时间，计算公式为：对执行器集群状态内实际作业平均运行时间进行归一化操作，计算公式为：其中，avg
t
为任务平均运行时长；s344：幕奖励的计算公式为：其中，r
fixed
为可调整的系统参数，用于控制幕奖励的大小。
[0024]
进一步的，步骤s35具体为：s351：损失函数的表达式为：其中，代表dqn算法经验池中的数据，其中s代表当前状态，a代表动作策略，r代表奖励，s’代表下一个状态；yi代表目标函数，q代表状态价值函数，θi代表神经网络中的参数，i为任务的编号，ie代表数学期望，即代表关于的期望值；目标函数的表达式为：其中，代表学习率，a’代表在状态s’中价值最大的动作策略，代表状态价值函数q在状态s’中对应的最大价值；s352：调节rpa流程调度模型的参数使得损失函数的值小于预设值，获得状态-动作价值函数q(s,a)。
[0025]
本发明提供一种基于深度强化学习的rpa流程调度系统，包括模块：任务特征集合获取模块，用于通过用户上传的rpa任务需求清单获取任务特征集合；执行器集群状态获取模块，用于通过rpa执行器执行时的资源波动和硬件信息，获得集群机器的执行器集群状态；调度模型优化模块，用于构建rpa流程调度模型，通过任务特征集合和执行器集群状态对rpa流程调度模型进行优化，获得优化后的rpa流程调度模型；调度模块，用于通过优化后的rpa流程调度模型进行rpa流程调度任务。
[0026]
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
[0027]
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。词语第一、第二、以及第三等的使用不表示任何顺序，可将这些词语解释为标识。
[0028]
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

技术特征：
1.一种基于深度强化学习的rpa流程调度方法，其特征在于，包括步骤：s1：通过用户上传的rpa任务需求清单获取任务特征集合；s2：通过rpa执行器执行时的资源波动和硬件信息，获得集群机器的执行器集群状态；s3：构建rpa流程调度模型，通过任务特征集合和执行器集群状态对rpa流程调度模型进行优化，获得优化后的rpa流程调度模型；s4：通过优化后的rpa流程调度模型进行rpa流程调度任务。2.根据权利要求1所述的基于深度强化学习的rpa流程调度方法，其特征在于，步骤s1具体为：获取rpa任务需求清单的约束规则和任务特点，约束规则包括：强约束规则和弱约束规则，任务特点为网络/io密集型，cpu密集型或内存密集型，将约束规则和任务特点转化为任务特征集合。3.根据权利要求1所述的基于深度强化学习的rpa流程调度方法，其特征在于，步骤s2具体为：s21：rpa执行器启动时注册中心立刻自动感知，将rpa执行器登记到统一管理中心，全程维护rpa执行器的运行状态；s22：rpa执行器启动后台执行流时，自动定时上报硬件资源到注册中心，实时获取rpa执行器的硬件信息；s23：rpa执行器的后台执行流自动上报rpa执行器软件环境至注册中心；s24：rpa执行器在运行过程中，时刻记录每个被分配的任务审计日志，通过任务审计日志判断执行器的运行状态，构造基于审计日志的执行器资源计算模型，通过执行器资源计算模型实时计算获得资源波动并上传至资源管理中心；s25：通过资源波动和硬件信息获取集群机器的执行器集群状态。4.根据权利要求1所述的基于深度强化学习的rpa流程调度方法，其特征在于，步骤s3具体为：s31：以最小化rpa作业运行时间和集群机器的资源消耗为目标，为任务特征集合中的每个任务分配执行器集群状态中对应的执行器，构建rpa流程调度模型的调度决策序列；s32：对多目标优化问题设置一个系统参数β来指定rpa流程调度模型的优化优先级，同时减小执行器集群状态的资源消耗和所有任务的平均执行时间；s33：设置rpa流程调度模型深度强化学习的关键组件，包括智能体、幕、状态空间和动作空间；s34：设置rpa流程调度模型的奖励函数，奖励函数包括：即时奖励和幕奖励；s35：构建损失函数，通过损失函数和dqn算法计算获得rpa流程调度模型的状态-动作价值函数；s36：通过步骤s31-s35对rpa流程调度模型进行优化，获得优化后的rpa流程调度模型。5.根据权利要求4所述的基于深度强化学习的rpa流程调度方法，其特征在于，任务特征集合的表达式为：t={t1,t2...,t
n
}，n为任务的总数；执行器集群状态的表达式为：e={e1,e2...e
m
}，m为执行器的总数；执行器e
m
的强约束资源容量为，弱约束资源容量为，
单元价格为p
m
；任务t
n
的强约束资源需求为，弱约束资源需求为，任务t
n
在执行器e
m
上的执行时间为t
nm
；n为任务的编号，m为执行器的编号，p为强约束资源容量总数，q为弱约束资源容量总数。6.根据权利要求5所述的基于深度强化学习的rpa流程调度方法，其特征在于，调度决策序列的表达式为：x=[x1,x2,...,x
n
]；其中，x
n
=e(t
n
)表示任务t
n
调度到t
n
对应的执行器e(t
n
)上执行；x
n
=表示未将任务t
n
分配给任何执行器；执行器e
m
的运行时长为q
m
的任务特征集合为k(e
m
)，k(e
m
)中所有任务的强约束资源需求总和不能超过e
m
的剩余容量，即：执行器集群状态的资源消耗量cost
t
为：任务平均运行时长为：。7.根据权利要求5所述的基于深度强化学习的rpa流程调度方法，其特征在于，幕奖励的设置过程为：s341：计算一幕中所有任务产生的执行器集群状态消耗最大值，计算公式为：其中，i为任务的编号，j和k为执行器的编号；s342：对执行器集群状态内实际资源消耗进行归一化操作，计算公式为：cost
t
为执行器集群状态的资源消耗量；s343：计算所有任务的最大平均运行时间和最小平均运行时间，计算公式为：对执行器集群状态内实际作业平均运行时间进行归一化操作，计算公式为：
其中，avg
t
为任务平均运行时长；s344：幕奖励的计算公式为：其中，r
fixed
为可调整的系统参数，用于控制幕奖励的大小。8.根据权利要求5所述的基于深度强化学习的rpa流程调度方法，其特征在于，步骤s35具体为：s351：损失函数的表达式为：其中，代表dqn算法经验池中的数据，其中s代表当前状态，a代表动作策略，r代表奖励，s’代表下一个状态；y
i
代表目标函数，q代表状态价值函数，θ
i
代表神经网络中的参数，i为任务的编号，ie代表数学期望，即代表关于的期望值；目标函数的表达式为：其中，代表学习率，a’代表在状态s’中价值最大的动作策略，代表状态价值函数q在状态s’中对应的最大价值；s352：调节rpa流程调度模型的参数使得损失函数的值小于预设值，获得状态-动作价值函数q(s,a)。9.一种基于深度强化学习的rpa流程调度系统，其特征在于，包括模块：任务特征集合获取模块，用于通过用户上传的rpa任务需求清单获取任务特征集合；执行器集群状态获取模块，用于通过rpa执行器执行时的资源波动和硬件信息，获得集群机器的执行器集群状态；调度模型优化模块，用于构建rpa流程调度模型，通过任务特征集合和执行器集群状态对rpa流程调度模型进行优化，获得优化后的rpa流程调度模型；调度模块，用于通过优化后的rpa流程调度模型进行rpa流程调度任务。

技术总结
本发明提供一种基于深度强化学习的RPA流程调度方法及系统，包括：通过用户上传的RPA任务需求清单获取任务特征集合；通过RPA执行器执行时的资源波动和硬件信息，获得集群机器的执行器集群状态；构建RPA流程调度模型，通过任务特征集合和执行器集群状态对RPA流程调度模型进行优化，获得优化后的RPA流程调度模型；通过优化后的RPA流程调度模型进行RPA流程调度任务。本发明充分考虑了RPA任务需求清单的约束规则和任务特点，以及从注册的执行机器中实时监控集群中各机器资源波动和硬件信息，用于RPA流程调度模型的优化；通过任务特征集合和执行器集群状态制定面向执行时间和资源花费的多目标优化调度策略，降低RPA作业的平均执行时间和降低集群机器消费。行时间和降低集群机器消费。行时间和降低集群机器消费。


技术研发人员：袁水平 陈伟雄 汤旭贤 谢帅宇
受保护的技术使用者：安徽思高智能科技有限公司
技术研发日：2023.07.10
技术公布日：2023/8/13