CN103995749A - 小区云***的计算任务分配方法和*** - Google Patents
小区云***的计算任务分配方法和*** Download PDFInfo
- Publication number
- CN103995749A CN103995749A CN201410217119.4A CN201410217119A CN103995749A CN 103995749 A CN103995749 A CN 103995749A CN 201410217119 A CN201410217119 A CN 201410217119A CN 103995749 A CN103995749 A CN 103995749A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- mounted computer
- calculation task
- data center
- population
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供一种小区云***的计算任务分配方法和***,所述方法包括步骤:获取可用的车载电脑数、每个车载电脑的计算能力以及多个需要分配的计算任务;根据每个车载电脑承担的计算任务以及数据中心至各个车载电脑之间传输计算任务的传输功率,利用单目标多约束规划方法建立目标函数和约束条件的数学模型;采用单目标多约束遗传算法对所述数学模型求解以获得最优的计算任务分配方案;根据最优的计算任务分配方案分配计算任务给相应的车载电脑进行处理。利用小区内停车场中空闲的车载电脑,通过数据中心的一部分计算任务交由车载电脑处理,使得数据中心的设计不需要以小区最大需求接入量作为标准,从而避免了小区云***硬件资源和车载电脑硬件资源的浪费。
Description
【技术领域】
本发明涉及云计算技术,特别是涉及小区云***的计算任务分配方法和***。
【背景技术】
小区云指专门针对一个住宅小区所建立的云计算服务平台,主要目的在于以较小的硬件代价对小区内住户的计算、存储、调度管理等需求快速高效做出反应。住宅小区是一个具有鲜明特征的居民聚集地。小区内部的人员流动非常有规律,白天大部分时间都是处于外出状态,只有在晚上或者周末才会回到小区。从服务功能上看,小区云可以包括:社区圈、公司圈、家庭朋友车友圈等。以社区圈为例,小区云主要用于管理开通小区的小区管理后台子***,公众用户手机客户端,公众用户Web版。完成的功能包括:用户交互功能、信息发布功能、数据处理功能和安全监控等功能。在小区云***中,数据中心一直都起着控制者和存储者的双重角色。数据中心既要对小区内用户提出的各类计算请求快速进行回应,同时,需要对用户行为产生的数据进行存储。此外,由于数据中心是不间断运行的,因此需要考虑电力损耗、物业成本、维护成本等问题。
为了避免发生服务器崩溃,现有的小区云的数据中心的设计都是以用户接入最大的需求量作为设计准则的。若是将该设计准则直接移植到小区云的数据中心设计中,则会导致以下缺点:1)数据处理资源浪费。对于住宅小区来说,人员的流动具有较强的规律性,其接入的需求量会在短时间内达到高峰值,例如夜间和周末休息期间等,但在其余时间内,其接入的需求量会大幅降低,例如白天上班期间等,数据中心若是以最大的接入需求量作为设计准则的话,会导致严重的资源浪费。2)稳定性差。住宅小区是高密度的人员小区,鉴于物业成本和电力供应等限制,一般小区的数据中心会采取集中式设计方案。这会导致数据中心的运行稳定性较差,当出现大规模突发性的接入需求时,容易发生崩溃。
【发明内容】
基于此,有必要针对现有技术小区云***中数据处理资源浪费以及稳定性差的问题,提供一种小区云***的计算任务分配方法和***。
一种小区云***的计算任务分配方法,包括步骤:获取可用的车载电脑数、每个车载电脑的计算能力以及多个需要分配的计算任务;根据每个车载电脑承担的计算任务以及数据中心至各个车载电脑之间传输计算任务的传输功率,利用单目标多约束规划方法建立小区云***的能量损耗目标函数的数学模型和约束条件的数学模型;采用单目标多约束遗传算法对所述数学模型求解以获得最优的计算任务分配方案;根据最优的计算任务分配方案分配计算任务给相应的车载电脑进行处理。
相应地,本发明还提供一种小区云***的计算任务分配***,包括:获取模块,用于获取可用的车载电脑数、每个车载电脑的计算能力以及多个需要分配的计算任务;建模模块,用于根据每个车载电脑承担的计算任务以及数据中心至各个车载电脑之间传输计算任务的传输功率,利用单目标多约束规划方法建立小区云***的能量损耗目标函数的数学模型和约束条件的数学模型;求解模块,用于采用单目标多约束遗传算法对所述数学模型求解以获得最优的计算任务分配方案;分配模块,用于根据最优的计算任务分配方案分配计算任务给相应的车载电脑进行处理。
本发明所述的小区云***包括了数据中心以及在小区内的车载电脑,数据中心通过无线通信与车载电脑建立连接,当数据中心需求的接入量大幅增加(即计算任务大幅增加)时,数据中心将部分计算任务通过虚拟化技术以及无线通信传输给车载电脑处理,车载电脑处理完毕后通过无线通信将结果返回给数据中心。在任务分配时,本发明通过利用单目标多约束规划方法建立目标函数和约束条件的数学模型,将车载电脑执行计算任务以及数据中心传输计算任务是的能耗问题转换为进化算法的目标函数,并通过单目标多约束遗传算法对其进行求解,以获得最优的计算任务分配方案,数据中心按照该方案分配计算任务给车载电脑。利用小区内停车场中空闲的车载电脑,通过获得的最优的计算任务分配方案,能够使数据中心的一部分计算任务通过无线通信技术交由车载电脑处理,使得数据中心的设计不需要以小区最大需求接入量作为标准,而且利用小区内空闲的车载电脑执行计算任务,对小区的数据中心进行补充,从而避免了小区云***硬件资源和车载电脑硬件资源的浪费,另外使用最优的计算任务分配方案,能够使得车载电脑执行计算的能耗和数据中心向车载电脑传输计算任务的发射功率的能耗最小,节约数据中心和车载电脑的能耗,减少了数据中心对电力能源的需求,减少了其崩溃的机会,增加了数据中心的稳定性。
【附图说明】
图1是本发明一种小区云***的计算任务分配方法的流程图;
图2是本发明一种小区云***的计算任务分配方法的实施例流程图;
图3是本发明一种小区云***的计算任务分配***的结构框图;
图4是本发明一种小区云***的计算任务分配***的实施例结构框图。
【具体实施方式】
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步地详细描述。
请参阅图1,其是本发明一种小区云***的计算任务分配方法的流程图。一种小区云***的计算任务分配方法,包括步骤:
S101:获取可用的车载电脑数、每个车载电脑的计算能力以及多个需要分配的计算任务;
所述可用的车载电脑数指在停靠在小区内可承担数据中心计算任务的车载电脑的数量。由于每天在小区内停放的车辆都可能出现变化,即车载电脑的数量每天都可能会不同,所以在分配计算任务的时候需要获取当前小区内车载电脑数和每个车载电脑的计算能力。
S102:根据每个车载电脑承担的计算任务以及数据中心至各个车载电脑之间传输计算任务的传输功率,利用单目标多约束规划方法建立小区云***的能量损耗目标函数的数学模型和约束条件的数学模型;
在小区云***中,由于涉及到分布式***,计算任务分配、计算效率、计算任务处理的时延、***的能量损耗、以及信道容量等都可作为约束条件。
S103:采用单目标多约束遗传算法对所述数学模型求解以获得最优的计算任务分配方案;
S104:根据最优的计算任务分配方案分配计算任务给相应的车载电脑进行处理。
本发明所述的小区云***包括了数据中心以及在小区内的车载电脑,数据中心通过无线通信与车载电脑建立连接,当数据中心需求的接入量大幅增加(即计算任务大幅增加)时,数据中心将部分计算任务通过无线通信技术传输给车载电脑处理,车载电脑处理完毕后通过无线通信技术将计算结果返回给数据中心。在任务分配时,本发明通过利用单目标多约束规划方法建立目标函数和约束条件的数学模型,将车载电脑执行计算任务以及数据中心传输计算任务时的能耗问题转换为进化算法的目标函数,并通过单目标多约束遗传算法对其进行求解,以获得最优的计算任务分配方案,数据中心按照该方案分配计算任务给车载电脑。利用小区内停车场中空闲的车载电脑,通过获得的最优的计算任务分配方案,能够使数据中心的一部分计算任务通过无线通信技术交由车载电脑处理,使得数据中心的设计不需要以小区最大需求接入量作为标准,而且利用小区内空闲的车载电脑执行计算任务,对小区的数据中心进行补充,从而避免了小区云***硬件资源和车载电脑硬件资源的浪费,另外使用最优的计算任务分配方案,能够使得车载电脑执行计算的能耗和数据中心向车载电脑传输计算任务的发射功率的能耗最小,节约数据中心和车载电脑的能耗,减少了数据中心对电力能源的需求,减少了其崩溃的机会,增加了数据中心的稳定性。
对于上述步骤S102,在一个实施例中,所述目标函数和约束条件数学模型如下所述。
所述目标函数为:
该目标函数旨在通过优化每个车载电脑承担的计算任务和数据中心对每个车载电脑传递计算任务时的能量损耗,以最小化车载电脑承担计算任务后所消耗的总的能量,其中,N表示车载电脑数;μn表示第n个车载电脑所承担的计算任务;En表示第n个车载电脑完成计算任务所消耗的能量;sn(μn)表示数据中心向第n个车载电脑传输计算任务μn时的传输功率;Wn(μn)表示数据中心接受第n个车载电脑的计算结果所消耗的能量,该Wn(μn)是关于μn的线性函数,即Wn(μn)=aμn+b;
所述约束条件包括:
1、每个车载电脑所承担的计算任务小于该车载电脑的计算能力与延时的乘积,即:μn≤CnLn,Cn表示第n个车载电脑的计算能力,Ln表示第n个车载电脑的延时,即完成计算任务所消耗的时间;
2、每个车载电脑承担计算任务中最大的时延不能大于数据中心能够容忍的最大时延,即:Lset表示数据中心能够容忍的最大时延;
3、数据中心向每个车载电脑所传递的计算任务的数据量小于数据中心与该车载电脑之间的信道容量,信道容量可以用香农公式计算获得,即
由于上述香农公式是对数函数,使得该函数的求解出现很大的困难,带来大量的计算量。由于在小区中停车场内的车辆停放是非常有规律,并且车辆一旦停下,便会停留较长的时间,这使得数据中心与车辆用户之间的信道状况非常的稳定,计算任务数据的传递可以得到较为稳定的可用信道,信道带宽Bn可以设定的较大,但是由于车辆的停放一般都比较密集,这使得数据中心给每一个车辆用户传递数据时,会产生相互之间的干扰,即信道容量的值较小。
基于此,在本实施例中,可以借助泰勒展开式香农公式中的对数函数进行简化逼近。泰勒展开式表示的是用函数在某个点的信息描述其附近取值的公式。如果函数足够光滑的话,在已知函数在某一点的各阶导数值的情况下,泰勒展开式可以用这些导数值坐系数构建一个多项式来近似函数在这一点领域中的值。对于对数函数ln(1+x)的泰勒展开式为
为此,上述香农公式的对数函数可以用泰勒展开式近似逼近得:
将香农公式中的对数函数改变成二次函数,使得该公式的计算复杂度大为降低,有利于更快计算出该约束结果。
4、所有的车载电脑所承担的总的计算任务应该大于预定值且小于所有车载电脑能承担的最大值,即
针对上述目标函数和约束条件的数学模型,利用将目标函数中的μn和sn(μn)作为种群中个体的基因采用单目标多约束遗传算法可快速对所述数学模型求解以获得最优的计算任务分配方案。
请参阅图2,其是本发明一种小区云***的计算任务分配方法的实施例流程图。
S201:获取可用的车载电脑数、每个车载电脑的计算能力以及多个需要分配的计算任务;
S202:根据每个车载电脑承担的计算任务以及数据中心至各个车载电脑之间传输计算任务的传输功率,利用单目标多约束规划方法建立目标函数和约束条件的数学模型;
所述目标函数和约束条件的数学模型采用上述相应的公式,此处不再赘述。
S203:初始化种群;
该种群包括M个个体,每个个体包括2N个基因,其中所述基因为每个车载电脑承担的计算任务以及数据中心向每个车载电脑传输计算任务时的发射功率组合;
由于目标函数包括了3部分,分别是第一部分表示的是车辆用户承担计算任务后所消耗的能量;第二部分表示的是数据中心利用无线通信技术进行计算任务传递时的总的发射功率;第三部分表示的是数据中心接受计算结果所消耗的能量,其中,第三部分是关于μn的线性函数,所以在个体中,以每个车载电脑承担的计算任务以及数据中心向每个车载电脑传输计算任务时的发射功率组合作为基因。
S204:将种群中的每个个体代入所述目标函数中,将目标函数的结果作为每个个体的适应值;
将种群中每个个体代入所述目标函数的公式中,计算每个个体的目标函数结果,并将该结果作为每个个体的适应值。
S205:采用轮盘赌的方式对个体进行选择以重组种群;
采用轮盘赌的方式对个体进行选择,可以采用等概率的选择方式,也可以采用特定的选择概率采取优胜劣汰的选择方式进行选择,本实施例中,优选特定的选择概率采取优胜劣汰的选择方式。
其中,等概率的选择方式为:
赋予每个个体一个相同的选择概率,并根据该选择概率转动轮盘对种群中的个体进行选择,以重组种群。重组后的种群依然包括M个个体,M个个体中可能会出现重复的个体。
通过特定的选择概率采取优胜劣汰的选择方式为:
首先,根据某一个体的适应值以及所有个体的适应值的和计算该个体的选择概率,其中,选择概率=个体的适应值/所有个体的适应值的和;
其次,根据所述选择概率采用轮盘赌的方式对每个个体进行选择,以重组种群。某一个体选择概率大的说明该个体在种群中适应值比较高,所以选择概率大的个体在轮盘中有更大的面积,所以被选中的机会也更大。
进一步地,在计算选择概率之前,可以先对种群中的个体做多约束处理,满足约束的个体,其适应值不变,不满足约束的个体,其适应值相应的减小。
S206:将初始种群中的个体两两组合以形成配对母体,依据***设定的交叉概率,对每个基因进行交叉操作,以获得交叉结果;
将种群中的个体两两组合,形成个配对母体。依据***设定的交叉概率进行交叉操作,交叉概率一般为0.75-0.95之间,在本实施中交叉概率优选为0.85,交叉算子可采用以下一种或者多种:单点交叉算子、单点随机交叉算子、双点交叉算子、均匀随机交叉算子,本领域技术人员还可以采用其他交叉概率以及交叉算子进行交叉操作。
交叉操作完成后,获得交叉结果。
S207:根据***设定的变异概率对交叉结果中的每个基因进行变异操作,以获得变异结果;
依据***设定的变异概率,变异概率一般都设定得比较小,在0.1以下,多数为0.01-0.1,在本实施例中,变异概率优选为0.05,从交叉结果中确定需要进行变异的基因。
确定了变异的基因后,改变该基因的值,以获得变异结果。
S208:将变异结果进行多约束处理,并根据所述多约束处理从变异结果中选取M个个体,以形成下一代种群;
将变异结果中的个体以及个体中的基因代入约束条件中,获取每个个体的多约束处理结果,即每个个体满足所满足约束条件的个数。先选取满足所有约束条件的个体,即满足4个约束条件的个体,如果满足所有约束条件的个体不足M个,则选择满足3个约束条件的个体,依次类推,直到选择满M个个体为止。然后将从变异结果中选择的M个个体作为下一代种群。
S209:对比下一代种群中某一个体适应值是否小于***预设的阈值;
首先,获得下一代种群中每个个体的适应值,将下一代种群中的每个个体代入目标函数中,计算获得下一代种群中每个个体的适应值。对比下一代种群中某一个体适应值是否小于***预设的阈值,若是,则执行步骤S210:选取该个体作为最优的计算任务分配方案,否则返回至步骤S205继续对下一代种群进行选择、交叉和变异操作,直到找到最优的计算任务分配方案。
若下一代种群中某一个体适应值小于***预设的阈值,则说明该个体符合***目标函数的要求,则将该个体作为最优的计算任务分配方案。
S210:根据最优的计算任务分配方案分配计算任务给相应的车载电脑进行处理。
通过利用单目标多约束规划方法建立目标函数和约束条件的数学模型,将车载电脑执行计算任务以及数据中心传输计算任务时的能耗问题转换为进化算法的目标函数。通过单目标多约束遗传算法对目标函数进行求解,可以快速找到符合目标函数要求以及约束条件的最优的计算任务分配方案。本利用小区内停车场中空闲的车载电脑,通过获得的最优的计算任务分配方案,能够使数据中心的一部分计算任务通过无线通信技术交由车载电脑处理,使得数据中心的设计不需要以小区最大需求接入量作为标准,而且利用小区内空闲的车载电脑执行计算任务,对小区的数据中心进行补充,从而避免了小区云***硬件资源和车载电脑硬件资源的浪费,另外使用较优的计算任务分配方案,能够使得车载电脑执行计算的能耗和数据中心向车载电脑传输计算任务的发射功率的能耗最小,节约数据中心和车载电脑的能耗,减少了数据中心对电力能源的需求,减少了其崩溃的机会,增加了数据中心的稳定性。
请参阅图3,其是本发明一种小区云***的计算任务分配***的结构框图;
一种小区云***的计算任务分配***,包括:
获取模块301,用于获取可用的车载电脑数、每个车载电脑的计算能力以及多个需要分配的计算任务。
由于每天在小区内停放的车辆都可能出现变化,即车载电脑的数量每天都可能会不同,所以在分配计算任务的时候获取模块301需要获取当前小区内可用的车载电脑数和每个车载电脑的计算能力。
建模模块302,用于根据每个车载电脑承担的计算任务以及数据中心至各个车载电脑之间传输计算任务的传输功率,利用单目标多约束规划方法建立目标函数和约束条件的数学模型。
在小区云***中,由于涉及到分布式***,计算任务分配、计算效率、计算任务处理的时延、***的能量损耗、以及信道容量等都可作为建模模块302目标函数或者约束条件。例如,均衡计算任务分配、最大化计算效率、最小化计算任务处理的时延以及最小化***的能量损耗等。
求解模块303,用于采用单目标多约束遗传算法对所述数学模型求解以获得最优的计算任务分配方案。
分配模块304,用于根据最优的计算任务分配方案分配计算任务给相应的车载电脑进行处理。
本发明所述的小区云***包括了数据中心以及在小区内的车载电脑,数据中心通过无线通信技术与车载电脑建立连接,当数据中心需求的接入量大幅增加(即计算任务大幅增加)时,数据中心将部分计算任务通过无线通信传输给车载电脑处理,车载电脑处理完毕后通过无线通信将结果返回给数据中心。在任务分配时,本发明通过建模模块302利用单目标多约束规划方法建立目标函数和约束条件的数学模型,将车载电脑执行计算任务以及数据中心传输计算任务是的能耗问题转换为进化算法的目标函数,并通过求解模块303利用单目标多约束遗传算法对其进行求解,以获得最优的计算任务分配方案,分配模块304按照该方案分配计算任务给车载电脑。本利用小区内停车场中空闲的车载电脑,通过求解模块303获得的最优的计算任务分配方案,能够使数据中心的一部分计算任务通过无线通信技术交由车载电脑处理,使得数据中心的设计不需要以小区最大需求接入量作为标准,而且利用小区内空闲的车载电脑执行计算任务,对小区的数据中心进行补充,从而避免了小区云***硬件资源和车载电脑硬件资源的浪费,另外使用最优的计算任务分配方案,能够使得车载电脑执行计算的能耗和数据中心向车载电脑传输计算任务的发射功率的能耗最小,节约数据中心和车载电脑的能耗,减少了数据中心对电力能源的需求,减少了其崩溃的机会,增加了数据中心的稳定性。
在一个实施例中,所述目标函数和约束条件数学模型如下所述。
所述目标函数为:
该目标函数旨在通过优化每个车载电脑承担的计算任务和数据中心对每个车载电脑传递计算任务时的能量损耗,以最小化车载电脑承担计算任务后所消耗的总的能量,其中,N表示车载电脑数;μn表示第n个车载电脑所承担的计算任务;En表示第n个车载电脑完成计算任务所消耗的能量;sn(μn)表示数据中心向第n个车载电脑传输计算任务μn时的所消耗的传输功率;Wn(μn)表示数据中心接收第n个车载电脑的计算结果所消耗的能量,该Wn(μn)是关于μn的线性函数,即Wn(μn)=aμn+b;
所述约束条件包括:
1、每个车载电脑所承担的计算任务小于该车载电脑的计算能力与延时的乘积,即:μn≤CnLn,Cn表示第n个车载电脑的计算能力,Ln表示第n个车载电脑的延时,即完成计算任务所消耗的时间;
2、每个车载电脑承担计算任务中最大的时延不能大于数据中心能够容忍的最大时延,即:Lset表示数据中心能够容忍的最大时延;
3、数据中心向每个车载电脑所传递的计算任务的数据量小于数据中心与该车载电脑之间的信道容量,信道容量可以用香农公式计算获得,即
由于上述香农公式是对数函数,使得该函数的求解出现很大的困难,带来大量的计算量。由于在小区中停车场内的车辆停放时非常有规律,并且车辆一旦停下,便会停留较长的时间,这使得数据中心与车辆用户之间的信道状况非常的稳定,计算任务数据的传递可以得到较为稳定的可用信道,信道带宽Bn可以设定的较大,但是由于车辆的停放一般都比较密集,这使得数据中心给每一个车辆用户传递数据时,会产生相互之间的干扰,即信道容量的值较小。
基于此,在本实施例中,可以借助泰勒展开式对香农公式中的对数函数进行简化逼近。泰勒展开式表示的是用函数在某个点的信息描述其附近取值的公式。如果函数足够光滑的话,在已知函数在某一点的各阶导数值的情况下,泰勒展开式可以用这些导数值坐系数构建一个多项式来近似函数在这一点领域中的值。对于对数函数ln(1+x)的泰勒展开式为
为此,上述香农公式的对数函数可以用泰勒展开式近似逼近得:
将香农公式中的对数函数改变成二次函数,使得该公式的计算复杂度大为降低,有利于更快计算出该约束结果。
4、所有的车载电脑所承担的总的计算任务应该大于预定值且小于所有车载电脑能承担的最大值,即
针对上述目标函数和约束条件的数学模型,利用将目标函数中的μn和sn(μn)作为种群中个体的基因采用单目标多约束遗传算法可快速对所述数学模型求解以获得最优的计算任务分配方案。
图4是本发明一种小区云***的计算任务分配***的实施例结构框图。
获取模块401,用于获取可用的车载电脑数、每个车载电脑的计算能力以及多个需要分配的计算任务。
建模模块402,用于根据每个车载电脑承担的计算任务以及数据中心至各个车载电脑之间传输计算任务的传输功率,利用单目标多约束规划方法建立目标函数和约束条件的数学模型。
初始化模块403,用于初始化种群,该种群包括M个个体,每个个体包括2N个基因,其中所述基因为每个车载电脑承担的计算任务以及数据中心向每个车载电脑传输计算任务时的发射功率组合。
适应值模块404,用于将种群中的每个个体代入所述目标函数中,将目标函数的结果作为每个个体的适应值。
选择模块405,用于采用轮盘赌的方式对个体进行选择以重组种群。选择模块405包括计算概率模块和重组模块。其中,计算概率模块,用于根据某一个体的适应值以及所有个体的适应值的和计算该个体的选择概率,其中,选择概率=个体的适应值/所有个体的适应值的和;
重组模块,用于根据所述选择概率采用轮盘赌的方式对每个个体进行选择,以重组种群。
交叉模块406,用于将初始种群中的个体两两组合以形成配对母体,依据***设定的交叉概率,对每个基因进行交叉操作,以获得交叉结果。
变异模块407,用于根据***设定的变异概率对交叉结果中的每个基因进行变异操作,以获得变异结果。
多约束处理模块408,用于将变异结果进行多约束处理,并根据所述多约束处理从变异结果中选取M个个体,以形成下一代种群。
循环模块409,用于获得下一代种群中每个个体的适应值,若下一代种群中某一个体适应值小于***预设的阈值,则选取该个体作为最优的计算任务分配方案,否则继续对下一代种群进行选择、交叉和变异操作,直到找到最优的计算任务分配方案。
分配模块310,用于根据最优的计算任务分配方案分配计算任务给相应的车载电脑进行处理。
图4与图2对应,上述各模块的运行方式与方法中的相同。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种小区云***的计算任务分配方法,其特征在于,包括步骤:
获取可用的车载电脑数、每个车载电脑的计算能力以及多个需要分配的计算任务;
根据每个车载电脑承担的计算任务以及数据中心至各个车载电脑之间传输计算任务的传输功率,利用单目标多约束规划方法建立小区云***的能量损耗目标函数的数学模型和约束条件的数学模型;
采用单目标多约束遗传算法对所述数学模型求解以获得最优的计算任务分配方案;
根据最优的计算任务分配方案分配计算任务给相应的车载电脑进行处理。
2.根据权利要求1所述的小区云***的计算任务分配方法,其特征在于,所述利用单目标多约束规划方法建立小区云***的能量损耗目标函数和约束条件的数学模型的步骤为:
所述目标函数为:
其中,N表示车载电脑数;μn表示第n个车载电脑所承担的计算任务;En表示第n个车载电脑完成计算任务所消耗的能量;sn(μn)表示数据中心向第n个车载电脑传输计算任务μn时消耗的传输功率;Wn(μn)表示数据中心接受第n个车载电脑的计算结果所消耗的能量,该Wn(μn)是关于μn的线性函数,即Wn(μn)=aμn+b;
所述约束条件包括:
每个车载电脑所承担的计算任务小于该车载电脑的计算能力与延时的乘积,即:μn≤CnLn,Cn表示第n个车载电脑的计算能力,Ln表示第n个车载电脑的延时,即完成计算任务所消耗的时间;
每个车载电脑承担计算任务中最大的时延不能大于数据中心能够容忍的最大时延,即:Lset表示数据中心能够容忍的最大时延;
数据中心向每个车载电脑所传递的计算任务的数据量小于数据中心与该车载电脑之间的信道容量,即
所有的车载电脑所承担的总的计算任务应该大于预定值且小于所有车载电脑能承担的最大值,即
3.根据权利要求2所述的小区云***的计算任务分配方法,其特征在于,所述采用单目标多约束遗传算法对所述数学模型求解以获得最优的计算任务分配方案的步骤包括:
初始化种群,该种群包括M个个体,每个个体包括2N个基因,其中所述基因为每个车载电脑承担的计算任务以及数据中心向每个车载电脑传输计算任务时的发射功率组合;
将种群中的每个个体代入所述目标函数中,将目标函数的结果作为每个个体的适应值;
采用轮盘赌的方式对个体进行选择以重组种群;
将初始种群中的个体两两组合以形成配对母体,依据***设定的交叉概率,对每个基因进行交叉操作,以获得交叉结果;
根据***设定的变异概率对交叉结果中的每个基因进行变异操作,以获得变异结果;
将变异结果进行多约束处理,并根据所述多约束处理从变异结果中选取M个个体,以形成下一代种群;
获得下一代种群中每个个体的适应值,若下一代种群中某一个体适应值小于***预设的阈值,则选取该个体作为最优的计算任务分配方案,否则继续对下一代种群进行选择、交叉和变异操作,直到找到最优的计算任务分配方案。
4.根据权利要求3所述的小区云***的计算任务分配方法,其特征在于,所述采用轮盘赌的方式对个体进行选择以重组种群的步骤,具体包括步骤:
根据某一个体的适应值以及所有个体的适应值的和计算该个体的选择概率,其中,选择概率=个体的适应值/所有个体的适应值的和;
根据所述选择概率采用轮盘赌的方式对每个个体进行选择,以重组种群。
5.根据权利要求3所述的小区云***的计算任务分配方法,其特征在于,所述交叉概率为0.85,所述变异概率为0.05。
6.一种小区云***的计算任务分配***,其特征在于,包括:
获取模块,用于获取可用的车载电脑数、每个车载电脑的计算能力以及多个需要分配的计算任务;
建模模块,用于根据每个车载电脑承担的计算任务以及数据中心至各个车载电脑之间传输计算任务的传输功率,利用单目标多约束规划方法建立小区云***的能量损耗目标函数的数学模型和约束条件的数学模型;
求解模块,用于采用单目标多约束遗传算法对所述数学模型求解以获得最优的计算任务分配方案;
分配模块,用于根据最优的计算任务分配方案分配计算任务给相应的车载电脑进行处理。
7.根据权利要求6所述的小区云***的计算任务分配***,其特征在于,所述目标函数和约束条件的数学模型具体为:
所述目标函数为:
其中,N表示车载电脑数;μn表示第n个车载电脑所承担的计算任务;En表示第n个车载电脑完成计算任务所消耗的能量;sn(μn)表示数据中心向第n个车载电脑传输计算任务μn时消耗的传输功率;Wn(μn)表示数据中心接受第n个车载电脑的计算结果所消耗的能量,该Wn(μn)是关于μn的线性函数,即Wn(μn)=aμn+b;
所述约束条件包括:
每个车载电脑所承担的计算任务小于该车载电脑的计算能力与延时的乘积,即:μn≤CnLn,Cn表示第n个车载电脑的计算能力,Ln表示第n个车载电脑的延时,即完成计算任务所消耗的时间;
每个车载电脑承担计算任务中最大的时延不能大于数据中心能够容忍的最大时延,即:Lset表示数据中心能够容忍的最大时延;
数据中心向每个车载电脑所传递的计算任务的数据量小于数据中心与该车载电脑之间的信道容量,即
所有的车载电脑所承担的总的计算任务应该大于预定值且小于所有车载电脑能承担的最大值,即
8.根据权利要求7所述的小区云***的计算任务分配***,其特征在于,所述求解模块包括:
初始化模块,用于初始化种群,该种群包括M个个体,每个个体包括2N个基因,其中所述基因为每个车载电脑承担的计算任务以及数据中心向每个车载电脑传输计算任务时的发射功率组合;
适应值模块,用于将种群中的每个个体代入所述目标函数中,将目标函数的结果作为每个个体的适应值;
选择模块,用于采用轮盘赌的方式对个体进行选择以重组种群;
交叉模块,用于将初始种群中的个体两两组合以形成配对母体,依据***设定的交叉概率,对每个基因进行交叉操作,以获得交叉结果;
变异模块,用于根据***设定的变异概率对交叉结果中的每个基因进行变异操作,以获得变异结果;
多约束处理模块,用于将变异结果进行多约束处理,并根据所述多约束处理从变异结果中选取M个个体,以形成下一代种群;
循环模块,用于获得下一代种群中每个个体的适应值,若下一代种群中某一个体适应值小于***预设的阈值,则选取该个体作为最优的计算任务分配方案,否则继续对下一代种群进行选择、交叉和变异操作,直到找到最优的计算任务分配方案。
9.根据权利要求8所述的小区云***的计算任务分配***,其特征在于,所述选择模块具体包括:
计算概率模块,用于根据某一个体的适应值以及所有个体的适应值的和计算该个体的选择概率,其中,选择概率=个体的适应值/所有个体的适应值的和;
重组模块,用于根据所述选择概率采用轮盘赌的方式对每个个体进行选择,以重组种群。
10.根据权利要求8所述的小区云***的计算任务分配***,其特征在于,所述交叉概率为0.85,所述变异概率为0.05。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410217119.4A CN103995749B (zh) | 2014-05-21 | 2014-05-21 | 小区云***的计算任务分配方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410217119.4A CN103995749B (zh) | 2014-05-21 | 2014-05-21 | 小区云***的计算任务分配方法和*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103995749A true CN103995749A (zh) | 2014-08-20 |
CN103995749B CN103995749B (zh) | 2017-06-16 |
Family
ID=51309923
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410217119.4A Active CN103995749B (zh) | 2014-05-21 | 2014-05-21 | 小区云***的计算任务分配方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103995749B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105843687A (zh) * | 2016-03-31 | 2016-08-10 | 乐视控股(北京)有限公司 | 一种任务资源的量化方法和装置 |
CN108022445A (zh) * | 2017-11-30 | 2018-05-11 | 中国联合网络通信集团有限公司 | 一种确定停车场信息的方法、***及服务器 |
CN109417565A (zh) * | 2016-10-10 | 2019-03-01 | 奥迪股份公司 | 用于降低车辆能量需求的方法 |
US11706283B2 (en) | 2018-10-19 | 2023-07-18 | Toyota Motor North America, Inc. | Using predictive analytics to determine expected use patterns of vehicles to recapture under-utilized computational resources of vehicles |
WO2023155820A1 (zh) * | 2022-02-21 | 2023-08-24 | 阿里巴巴(中国)有限公司 | 处理计算任务的方法及*** |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103024048A (zh) * | 2012-12-17 | 2013-04-03 | 南京邮电大学 | 一种云环境下的资源调度方法 |
CN103399626A (zh) * | 2013-07-18 | 2013-11-20 | 国家电网公司 | 面向混合计算环境的功耗感知的并行应用调度***及方法 |
CN103645795A (zh) * | 2013-12-13 | 2014-03-19 | 浪潮电子信息产业股份有限公司 | 一种基于人工神经网络的云计算数据中心节能方法 |
-
2014
- 2014-05-21 CN CN201410217119.4A patent/CN103995749B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103024048A (zh) * | 2012-12-17 | 2013-04-03 | 南京邮电大学 | 一种云环境下的资源调度方法 |
CN103399626A (zh) * | 2013-07-18 | 2013-11-20 | 国家电网公司 | 面向混合计算环境的功耗感知的并行应用调度***及方法 |
CN103645795A (zh) * | 2013-12-13 | 2014-03-19 | 浪潮电子信息产业股份有限公司 | 一种基于人工神经网络的云计算数据中心节能方法 |
Non-Patent Citations (1)
Title |
---|
王雪等: "无线传感网络任务分配的能效性控制策略", 《控制理论与应用》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105843687A (zh) * | 2016-03-31 | 2016-08-10 | 乐视控股(北京)有限公司 | 一种任务资源的量化方法和装置 |
CN109417565A (zh) * | 2016-10-10 | 2019-03-01 | 奥迪股份公司 | 用于降低车辆能量需求的方法 |
US10491670B2 (en) | 2016-10-10 | 2019-11-26 | Audi Ag | Method for lowering an energy demand of a vehicle |
CN109417565B (zh) * | 2016-10-10 | 2020-04-03 | 奥迪股份公司 | 用于降低车辆能量需求的方法 |
CN108022445A (zh) * | 2017-11-30 | 2018-05-11 | 中国联合网络通信集团有限公司 | 一种确定停车场信息的方法、***及服务器 |
US11706283B2 (en) | 2018-10-19 | 2023-07-18 | Toyota Motor North America, Inc. | Using predictive analytics to determine expected use patterns of vehicles to recapture under-utilized computational resources of vehicles |
WO2023155820A1 (zh) * | 2022-02-21 | 2023-08-24 | 阿里巴巴(中国)有限公司 | 处理计算任务的方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN103995749B (zh) | 2017-06-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103995749A (zh) | 小区云***的计算任务分配方法和*** | |
CN101448321B (zh) | 异构无线网络频谱资源共享的方法及装置 | |
CN107086668A (zh) | 一种分布式储能网络化运营平台及电能优化调配方法 | |
CA2644962A1 (en) | Resource allocation and outage control for renewable energy wlan infrastructure mesh node | |
Spinsante et al. | Wireless m-bus sensor networks for smart water grids: analysis and results | |
Seyyedabbasi et al. | HEEL: A new clustering method to improve wireless sensor network lifetime | |
Qi et al. | Optimal access mode selection and resource allocation for cellular‐VANET heterogeneous networks | |
Gong et al. | Optimal configuration of the energy storage system in ADN considering energy storage operation strategy and dynamic characteristic | |
CN104754063A (zh) | 本地云计算资源调度方法 | |
Zhou et al. | Research on multi‐objective optimisation coordination for large‐scale V2G | |
Nojavan et al. | Optimal energy management of compressed air energy storage in day‐ahead and real‐time energy markets | |
Anwit et al. | Scheme for tour planning of mobile sink in wireless sensor networks | |
CN117239725A (zh) | 一种分布式灵活资源聚合及分层协同调度方法及装置 | |
Qiao et al. | Comparison of centralised and distributed battery energy storage systems in LV distribution networks on operational optimisation and financial benefits | |
CN104168653A (zh) | 一种基于干扰管理的宏基站与家庭基站联合资源分配 | |
CN110062356B (zh) | 一种d2d网络中的缓存副本布设方法 | |
Xu et al. | Evolutionarily stable opportunistic spectrum access in cognitive radio networks | |
Feng et al. | Dynamic cluster heads selection and data aggregation for efficient target monitoring and tracking in wireless sensor networks | |
Wei et al. | The offloading model for green base stations in hybrid energy networks with multiple objectives | |
Bensiradj et al. | Strategy efficient to extend the lifetime of wireless sensor networks in a framework of hybrid sensors and vehicular networks for road safety | |
Yu et al. | Optimal power allocation scheme for distributed antenna system with OFDM in frequency‐selective fading channels | |
Ouyang et al. | Large-scale mobile users deployment optimization based on a two-stage hybrid global HS-DE algorithm in multi-UAV-enabled mobile edge computing | |
Xiao et al. | Adaptive freeshape clustering for balanced energy saving in the WirelessHART networks | |
RV et al. | Efficient approach to maximise WSN lifetime using weighted optimum storage‐node placement, efficient and energetic wireless recharging, efficient rule‐based node rotation and critical‐state‐data‐passing methods | |
Li et al. | Time‐pattern design for transmission energy allocation in wireless sensor networks |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant |