SHDS_dataset

SHDS_dataset是由新墨西哥州立大学计算机科学系创建的数据集，专注于智能家庭设备调度问题。该数据集包含2351个实例，涵盖了从简单到复杂的多种场景，旨在通过模拟智能设备在多个家庭中的协调行为，评估和优化分布式约束优化算法。数据集详细描述了物理模型，如智能传感器和执行器的模拟，以及这些设备如何影响家庭环境（例如温度、清洁度）。此外，数据集还涉及能源消耗的优化，旨在通过智能调度减少能源峰值并降低总体成本。The SHDS dataset was developed by the Department of Computer Science at New Mexico State University, focusing on intelligent home device scheduling problems. It comprises 2,351 instances spanning scenarios ranging from simple to complex, and is designed to evaluate and optimize distributed constraint optimization algorithms by simulating the coordinated behaviors of smart devices across multiple households. The dataset provides detailed descriptions of physical models including simulations of smart sensors and actuators, as well as how these devices impact home environments such as temperature and cleanliness. Furthermore, the dataset covers energy consumption optimization, with the goal of reducing energy peak loads and lowering overall costs through intelligent scheduling.

搜集汇总

数据集介绍

构建方式

SHDS_dataset的构建基于对智能家居设备调度问题的形式化建模，将多家庭环境中的设备协调抽象为分布式约束优化问题。数据集通过模拟美国三个城市（得梅因、波士顿、旧金山）的社区微电网实例生成，采用200×200米的网格随机布置房屋，直至达到各城市实际人口密度。每个家庭配备多种智能执行器（如加热器、真空机器人、电动汽车充电器）和传感器，并依据物理模型（如空气温度、电池充放电、清洁度）计算设备动作对家庭状态的影响。调度规则分为主动规则（如目标温度或清洁度）和被动规则（如电池电量约束），通过随机生成规则参数创建多样化实例，最终生成2351个问题实例，覆盖不同规模、联盟数量和设备配置。

使用方法

SHDS_dataset专为分布式约束优化问题研究设计，用户可直接从GitHub仓库获取数据集、模型和生成代码。使用时可加载实例文件，其中包含家庭数量、联盟配置、设备类型及调度规则等参数。算法需为每个家庭（代理）分配设备动作变量（如每小时的操作选择），并满足主动与被动规则约束，同时优化加权双目标函数（总能耗成本与峰值惩罚）。数据集提供无协调场景的上界值作为性能参考，支持算法对比。用户可调整实例规模（从小型7个家庭到大型1883个家庭）和联盟数量，以测试算法在不同复杂度下的扩展性和鲁棒性。

背景与挑战

背景概述

在分布式约束优化问题（DCOP）领域，尽管算法研究已趋于成熟，但真实场景下的基准测试数据集却长期匮乏，这制约了算法在实际应用中的评估与部署。为弥补这一空白，William Kluegel、Muhammad Aamir Iqbal、Ferdinando Fioretto、William Yeoh 及 Enrico Pontelli 等研究者于2017年提出了智能家居设备调度数据集（SHDS_dataset）。该数据集聚焦于多智能体系统中跨多个家庭的智能设备协同调度问题，旨在通过构建物理模型模拟传感器与执行器的交互，捕捉家庭环境动态变化，并生成包含2351个实例的合成微电网基准。其核心研究问题在于如何协调智能设备（如恒温器、扫地机器人、洗衣机等）的日程，以在满足用户个性化规则的同时，最小化能源成本与峰值负荷。该数据集为DCOP算法提供了贴近现实的测试平台，推动了分布式优化在智能电网需求侧管理中的实践应用。

当前挑战

该数据集所解决的领域问题包括：首先，DCOP算法长期依赖人工随机问题或过度简化的假设（如单变量控制与二元约束），导致其在真实多智能体环境中的性能评估失真；SHDS_dataset通过引入多变量、多约束的复杂家庭环境，挑战了算法在异构设备协同、时变电价策略及隐私约束下的优化能力。其次，构建过程中面临多项挑战：需精确建模不同房屋结构（如小、中、大型住宅）的热传递系数、设备能耗特性（如特斯拉电动汽车的充电曲线）及环境属性演化规律（如温度、清洁度）；同时，需随机生成符合物理规律的主动/被动调度规则，并确保跨家庭子集（coalition）的分布式计算可行性，以避免数据暴露与网络负载过高等问题。这些挑战使得数据集的生成过程兼具物理真实性与计算复杂性。

常用场景

经典使用场景

在分布式约束优化问题（DCOP）领域中，SHDS_dataset被广泛用作评估智能家居设备调度算法的基准测试平台。该数据集模拟了多个智能家居中各类设备（如智能恒温器、扫地机器人、电动汽车充电桩等）的协同调度场景，每个家庭作为一个智能体，设备动作需满足个性化用户规则（如温度达标、清洁度要求）并最小化总能耗成本与峰值负荷。经典使用方式是将调度问题映射为DCOP模型，利用该数据集验证算法在复杂约束下的求解效率、可扩展性及分布式协调能力。

解决学术问题

该数据集解决了DCOP领域长期缺乏真实应用基准的困境，填补了算法评估中依赖人工随机问题或过度简化模型的空白。它首次将智能家居设备调度这一现实多智能体协同问题系统化，涵盖了异构设备建模、时变电价、多目标优化（经济成本与电网峰值）等核心学术挑战。通过提供2351个规模递增的实例，研究者得以系统评估算法在处理大规模、高维度约束优化问题时的性能，推动了分布式约束求解技术从理论走向实用验证。

实际应用

在实际应用中，SHDS_dataset为智能电网需求侧管理提供了关键支撑。电力公司可利用该数据集训练或测试调度算法，以协调居民区智能设备运行，降低高峰时段电网负荷，避免基础设施扩容成本。智能家居平台开发商（如能源管理系统）可基于该数据集优化设备联动策略，在保障用户舒适度的前提下实现电费最小化。此外，该数据集还助力虚拟电厂运营商设计分布式用电协议，平衡个体隐私与全局能效。

数据集最近研究

最新研究方向

随着智能家居设备与分布式多智能体系统的深度融合，SHDS_dataset为分布式约束优化问题（DCOP）在真实场景中的应用提供了关键基准。当前前沿研究方向聚焦于利用该数据集验证新型协调调度算法在降低家庭能耗峰值与用户电费成本方面的有效性，尤其关注如何在保障用户隐私的前提下实现跨家庭的设备协同。该数据集模拟了美国多个城市的住宅密度与电力定价机制，结合精密的物理模型（如热力学、电池充放电与清洁度演化），使得研究能够从理论走向实际部署。其意义在于填补了DCOP领域缺乏真实基准的空白，为智能电网需求侧管理、能源互联网中的分布式优化提供了可复现的评估平台，并推动了多智能体系统在可持续能源管理中的实用化进程。

相关研究论文

• A Realistic Dataset for the Smart Home Device Scheduling Problem for DCOPs

  新墨西哥州立大学计算机科学系 · 2017年