CN109819032B - 一种联合考虑基站选择与计算迁移的云机器人任务分配方法 - Google Patents

一种联合考虑基站选择与计算迁移的云机器人任务分配方法 Download PDF

Info

Publication number
CN109819032B
CN109819032B CN201910069397.2A CN201910069397A CN109819032B CN 109819032 B CN109819032 B CN 109819032B CN 201910069397 A CN201910069397 A CN 201910069397A CN 109819032 B CN109819032 B CN 109819032B
Authority
CN
China
Prior art keywords
task
robot
cloud
base station
time
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.)
Active
Application number
CN201910069397.2A
Other languages
English (en)
Other versions
CN109819032A (zh
Inventor
陈武辉
翟攀
郑子彬
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Sun Yat Sen University
Original Assignee
Sun Yat Sen University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Sun Yat Sen University filed Critical Sun Yat Sen University
Priority to CN201910069397.2A priority Critical patent/CN109819032B/zh
Publication of CN109819032A publication Critical patent/CN109819032A/zh
Application granted granted Critical
Publication of CN109819032B publication Critical patent/CN109819032B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Manipulator (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

本发明公开一种联合考虑基站选择与计算迁移的云机器人任务分配方法，包括将单个机器人r任务w分成五个部分，将单个机器人任务w的完成时间tw用以上五个部分累加建立任务分配模型；输入多个机器人r的任务集合W、机器人集合R、基站集合B及每个任务w上传云端的相应配置参数至任务分配模型tw；将任务分配模型tw依次分解为两个子模型分步完成所有任务完成的最小化时间，其中第一子模型为基于模拟退火算法的模型：第二子模型为基于匈牙利算法的模型。本发明首先目标任务函数化，获取所有任务完成的时间最小化。其中，任务的布局，计算迁移与基站选择三个变量，再提出启发式算法，该算法在短时间内可求得多个任务的分配策略。

Description

一种联合考虑基站选择与计算迁移的云机器人任务分配方法
技术领域
本发明涉及云机器人任务调度领域，特别涉及一种联合考虑基站选择与计算迁移的云机器人任务分配方法。
背景技术
2010年，James Kuffner博士首次明确提出“云机器人”的概念，将移动的机器人和大型的云计算基础设施结合起来。传统机器人硬件成本昂贵，性能却很孱弱，难以处理复杂的计算任务，比如图像与自然语言的学习与识别。因此难以变得智能与强大，同时难以普及到一般的使用场景。云计算的出现为解决这个问题提供了新的思路。将传统机器人与拥有无限资源的云通过网络连接起来，使得机器人可以使用云端无限的计算资源与存储资源，极大地扩展了机器人的能力，降低了机器人对硬件的需求。
不仅如此，云也可以看作独立机器人的一个统一的大脑，管理着整个云机器人***，而机器人就像人的四肢，可以响应云端发来的任务指令。云与机器人有机的结合起来，就可以完成很多以前独立机器人无法完成的事情。比如，在这个云机器人***中的每一个机器人都可以获取到其他机器人学习到的数据，使一个新的机器人可以成为一个经验丰富的机器人，提高了整体***的服务质量。早在2009年，欧洲科学家启动了一项名为RoboEarth的计划，这项计划的目的是建立一个巨大的机器人数据库。参与者可以将机器人学习到的一些信息上传到这个数据库中，这样其他的机器人就不需要重新学习这些知识而可以直接从数据库中检索并使用。
尽管云机器人可以带来种种好处，但是在技术上，仍然存在着很多挑战。比如机器人的计算任务迁移问题。在假想中，机器人可以使用云端的无限资源，但是在实际中，这种使用也是要付出一定的代价。如图1所示，一个机器人任务可以不失一般性的分为一下五个部分，首先机器人移动到目标位置，然后进行数据的采集与处理，将采集到的数据进行处理，把处理的结果告诉云端大脑，最后根据处理的结果做出相应的反应。其中数据处理部分通常是计算密集型的，如果计算太过复杂，我们可以考虑将这部分计算迁移到云端。但是从图中我们可以看到，相应的，也需要将收集到的数据上传到云端。如果数据量过大而网速较慢，这就可能导致上传的时间大于云计算节省的计算时间，得不偿失。
目前整个云机器人***只是单从一个任务的角度考虑，在***中，机器人可以通过不同种类的联网设备与云服务器连接。在***的工作区域中，不定时的会有任务出现在不同的位置，云机器人***需要指派合适的机器人在最短的时间内处理完成这些任务。这就不能只从单个任务的角度去考虑计算迁移的决定了，需要综合考虑机器人的处理能力与联网设备所能提供的网络带宽资源。比如，如果任务被分配到了一个处理能力比较弱的一个机器人上面，但是又被分配了较多的带宽资源，则可以考虑进行计算迁移。所以，如何在多个变量之间找到一个平衡，制定合适的计算迁移策略，基站选择策略与任务分配策略，使得***完成一组随机出现的任务所需的时间最短，是本专利要解决的问题。
现有的关于任务分配的研究，主要是基于大规模数据中心的研究，在大规模数据中心的任务过程中，需要考虑任务之间的通信需求，尽可能地将有大量数据通信需求的任务放置在同一物理机上或者同一局域网的物理机上。而关于计算迁移的研究，主要是基于边缘计算的研究。在已经有任务执行的边缘节点上，将任务负载比较重的节点的任务卸载到任务负载比较轻的节点上。
发明内容
本发明的主要目的是提出一种联合考虑基站选择与计算迁移的云机器人任务分配方法，本专利综合考虑任务分配与计算迁移，并结合云机器人的移动带来的基站选择问题，提出一种最小化任务完成时间的任务分配方法，旨在克服以上问题。
本发明提出一种联合考虑基站选择与计算迁移的云机器人任务分配方法，包括以下步骤：
S10建立任务分配模型：将单个机器人r任务w分成五个部分，第一部分表示机器人r到任务w位置的时间；第二部分表示任务的预处理部分在机器人r上运行所需的时间；第三部分表示将计算任务迁移到云端并执行的时间；第四部分表示计算任务在机器人上执行并上传云端的时间；第五部分表示机器人执行计算获得结果的时间，将单个机器人任务w的完成时间tw用以上五个部分累加建立任务分配模型；
S20输入多个机器人r的任务集合W、机器人集合R、基站集合B及每个任务w上传云端的相应配置参数至任务分配模型tw；
S30将任务分配模型tw依次分解为两个子模型分步完成所有任务的完成时间tw最小化求解
Figure GDA0003058266690000041
其中第一子模型为基于模拟退火算法的模型：第二子模型为基于匈牙利算法的模型。
优选地，所述任务分配模型的函数具体如下：
Figure GDA0003058266690000042
其中W表示任务集合，w表示一任务，R表示机器人集合，r表示一机器人，B表示基站集合，b表示一基站，xwr＝1表示将任务w放置在了机器人r上进行处理，∑r∈Rxwr＝1表示将任务w放置在机器人集群R中的一个机器人上执行，
Figure GDA0003058266690000043
表示机器人r与任务w之间的距离，d表示距离，Ir表示机器人位置，Iw表示任务位置，msr表示机器人r的移动速度；
Figure GDA0003058266690000044
表示将收集到的数据上传到云端所需的时间，cdw表示任务w需要收集的数据量的大小，bdw是基站相关度选择的变量，precw表示任务w预处理收集数据计算量的大小，csr表示机器人r执行任务的计算速度；
zw取1表示将计算任务迁移到云端并执行的状态，zw取0表示将任务放置在本地时执行状态；
procw表示处理任务w的计算量，csc表示云端的计算速度，则
Figure GDA0003058266690000051
表示计算任务w在云端执行的时间；当zw＝0时，
Figure GDA0003058266690000052
表示计算任务w在机器人r上执行的时间，
Figure GDA0003058266690000053
表示将任务计算中产生的部分数据上传到云端需要的时间；etw表示机器人执行计算结果所需的时间。
优选地，所述基站b相关度选择的变量定义为
Figure GDA0003058266690000054
mbrb是理想状态物理上达到的带宽大小，cb表示基站的连接数，mbb表示基站的总的带宽，
Figure GDA0003058266690000055
表示每个连接的云机器人可以分配到的带宽，取两者的最小值作为云机器人的实际带宽。
优选地，所述两个子模型分步完成所有任务的完成时间最小化求解具体为：
基于计算卸载是为了弥补机器人的运算能力不足，而基站选择是为了在计算迁移与本地计算达到一个平衡的假设，来近似求解机器人集合R的处理能力，求得计算迁移的任务，并为它选择合适的基站b以保障数据传输，当机器人集合R的处理能力非常弱，取所有机器人的处理能力的最小值，那么选择计算迁移的任务会变多，则视
Figure GDA0003058266690000056
这部分式子中的csr为所有机器人执行任务的平均速度
Figure GDA0003058266690000057
|R|表示机器人集合R中的元素个数，得到：
Figure GDA0003058266690000061
，则
Figure GDA0003058266690000062
其中，
Figure GDA0003058266690000063
表示对tw求值过程中的一个临时表达式，无实际意义；cdw表示任务w需要收集的数据量的大小，当ZW＝1时，
Figure GDA0003058266690000064
表示将收集到的数据上传到云端所需的时间，bdw是一个与基站选择ywb相关的变量，其中，ywb是一个取值为0或者1的决策变量，当ywb＝1表示任务w选择基站b进行通信，当ywb＝0表示任务w不选择基站b进行通信，定义为
Figure GDA0003058266690000065
mbrb是物理上可以达到的带宽大小，cb＝∑w∈Wywb表示连接到基站b的任务数，mbb表示基站的总的带宽，
Figure GDA0003058266690000066
表示每个连接的云机器人可以分配到的带宽，取两者的最小值作为云机器人的实际带宽，procw表示处理任务w的计算量，csc表示云端的计算速度，则
Figure GDA0003058266690000067
表示计算任务w在云端执行的时间；
运行以最小化
Figure GDA0003058266690000068
为目标函数的模拟退火算法，求解获取变量ywb和Zw的值；
将求解出的ywb和Zw带入到
Figure GDA0003058266690000069
Figure GDA00030582666900000610
中，构造匈牙利算法，求解获取变量xwr；
输出xwr、ywb和Zw至目标函数
Figure GDA00030582666900000611
获取目标任务W完成的最小化时间。
优选地，所述模拟退火算法也可替换为其他的智能搜索算法。
优选地，所述其他的智能搜索算法包括粒子群算法、遗传算法。
云机器人***中的机器人具有高异构性和高移动性的特点，高异构性决定了不同的机器人处理同一任务所产生的延时是不同的，为了提高***效率、保障服务质量，将任务分配到合适的机器人上去执行就显得尤为重要。同时由于计算迁移的存在，使得处理能力较弱的机器人也可以处理复杂的任务，这进一步增大了任务分配的复杂性，高移动性则对网络连接产生了极高的要求，不同类型的基站的覆盖范围和可以提供的带宽不同，当多数机器人选择同一基站进行网络同行，无疑会造成通信质量的下降，为了保障不同机器人与云端不同的通信需求，选择合适的基站也是极为重要。
云机器人***的特点决定了云机器人***的任务分配时需要考虑的因素更多，分配方案更加复杂。只有考虑的更加全面，才可以得到更为优质的分配方案。本专利综合考虑任务分配与计算迁移，并结合云机器人的移动带来的基站选择问题，提出一种最小化任务完成时间的任务分配方法。本方法通过分析最优解的特点，启发式地将问题分为两个子问题，极大的降低了问题的搜索空间，加快了算法的执行效率。两个子问题分别由模拟退火算法与匈牙利算法进行求解，由于问题搜索空间的缩小，使得模拟退火算法更容易搜索到优秀的解，而匈牙利本身是确定性算法，这极大地保证了算法的计算精度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图示出的结构获得其他的附图。
图1为本发明一实施例的方法流程图；
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
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
需要说明，若本发明实施例中有涉及方向性指示(诸如上、下、左、右、前、后……)，则该方向性指示仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。
另外，若本发明实施例中有涉及“第一”、“第二”等的描述，则该“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。
本发明的主要目的是提出一种联合考虑基站选择与计算迁移的云机器人任务分配方法，本专利综合考虑任务分配与计算迁移，并结合云机器人的移动带来的基站选择问题，提出一种最小化任务完成时间的任务分配方法，旨在克服以上问题。
本方案简要描述如下：首先将问题数学建模为一个非凸的优化问题，目标函数是使得所有任务的完成时间最小化。其中，任务的布局，计算迁移与基站选择是三个求解的变量。由于这样一个问题是一个np－hard问题，无法在多项式时间内求得一个精确解。本专利通过对问题精确解的结构进行分析，提出一个启发式算法。这个算法可以在1秒的时间内求得100个任务的分配策略，并且最小化的目标函数值也明显优于元启发式算法，比如模拟退火算法，基因算法等。为实现上述目的，本发明提出的一种联合考虑基站选择与计算迁移的云机器人任务分配方法，
一、数学建模
首先将问题用数学的语言进行表达，如图1所示，一个机器人任务可以分为五个部分，则单个机器人任务的完成时间tw可以用这个五个部分相加得到。数学表示如下：W表示任务集合，w表示一个任务，R表示机器人集合，r表示一个机器人，B表示基站集合，b表示一个基站：
Figure GDA0003058266690000101
二、近似求解
以上问题是一个组合优化问题，但是由于变量过多，组合起来会导致状态数太多而难以在有效时间求解，因此本专利提出一个分步求解的启发式算法来近似求解以上问题。
具体包括以下步骤：
S10建立任务分配模型：将单个机器人r任务w分成五个部分，第一部分表示机器人r到任务w位置的时间；第二部分表示任务的预处理部分在机器人r上运行所需的时间；第三部分表示将计算任务迁移到云端并执行的时间；第四部分表示计算任务在机器人上执行并上传云端的时间；第五部分表示机器人执行计算获得结果的时间，将单个机器人任务w的完成时间tw用以上五个部分累加建立任务分配模型；
S20输入多个机器人r的任务集合W、机器人集合R、基站集合B及每个任务w上传云端的相应配置参数至任务分配模型tw；
S30将任务分配模型tw依次分解为两个子模型分步完成所有任务的完成时间tw最小化求解
Figure GDA0003058266690000102
其中第一子模型为基于模拟退火算法的模型：第二子模型为基于匈牙利算法的模型。
优选地，所述任务分配模型的函数具体如下：
Figure GDA0003058266690000111
其中W表示任务集合，w表示一任务，R表示机器人集合，r表示一机器人，B表示基站集合，b表示一基站，xwr＝1表示将任务w放置在了机器人r上进行处理，∑r∈Rxwr＝1表示将任务W放置在机器人集群R中的一个机器人上执行，
Figure GDA0003058266690000112
表示机器人r与任务w之间的距离，d表示距离，Ir表示机器人位置，Iw表示任务位置，msr表示机器人r的移动速度；
Figure GDA0003058266690000113
表示将收集到的数据上传到云端所需的时间，cdw表示任务w需要收集的数据量的大小，bdw是基站相关度选择的变量，precw表示任务w预处理收集数据计算量的大小，csr表示机器人r执行任务的计算速度；
Zw取1表示将计算任务迁移到云端并执行的状态，zw取0表示将任务放置在本地时执行状态；
procw表示处理任务w的计算量，csc表示云端的计算速度，则
Figure GDA0003058266690000114
表示计算任务w在云端执行的时间；当zw＝0时，
Figure GDA0003058266690000115
表示计算任务w在机器人r上执行的时间，
Figure GDA0003058266690000116
表示将任务计算中产生的部分数据上传到云端需要的时间；etw表示机器人执行计算结果所需的时间。
优选地，所述基站b相关度选择的变量定义为
Figure GDA0003058266690000117
mbrb是理想状态物理上达到的带宽大小，cb表示基站的连接数，mbb表示基站的总的带宽，
Figure GDA0003058266690000118
表示每个连接的云机器人可以分配到的带宽，取两者的最小值作为云机器人的实际带宽。
优选地，所述两个子模型分步完成所有任务的完成时间最小化求解具体为：
基于计算卸载是为了弥补机器人的运算能力不足，而基站选择是为了在计算迁移与本地计算达到一个平衡的假设，来近似求解机器人集合R的处理能力，求得计算迁移的任务，并为它选择合适的基站b以保障数据传输，当机器人集合R的处理能力非常弱，取所有机器人的处理能力的最小值，那么选择计算迁移的任务会变多，则视
Figure GDA0003058266690000121
这部分式子中的csr为所有机器人执行任务的平均速度
Figure GDA0003058266690000122
|R|表示机器人集合R中的元素个数，得到：
Figure GDA0003058266690000123
Figure GDA0003058266690000124
则
Figure GDA0003058266690000125
其中，
Figure GDA0003058266690000126
表示对tw求值过程中的一个临时表达式，无实际意义；cdw表示任务w需要收集的数据量的大小，当ZW＝1时，
Figure GDA0003058266690000127
表示将收集到的数据上传到云端所需的时间，bdw是一个与基站选择ywb相关的变量，其中，ywb是一个取值为0或者1的决策变量，当ywb＝1表示任务w选择基站b进行通信，当ywb＝0表示任务w不选择基站b进行通信，定义为
Figure GDA0003058266690000128
mbrb是物理上可以达到的带宽大小，cb＝∑w∈Wywb表示连接到基站b的任务数，mbb表示基站的总的带宽，
Figure GDA0003058266690000129
表示每个连接的云机器人可以分配到的带宽，取两者的最小值作为云机器人的实际带宽，procw表示处理任务w的计算量，csc表示云端的计算速度，则
Figure GDA00030582666900001210
表示计算任务w在云端执行的时间；
运行以最小化
Figure GDA0003058266690000131
为目标函数的模拟退火算法，求解获取变量ywb和Zw的值；
将求解出的ywb和Zw带入到
Figure GDA0003058266690000132
Figure GDA0003058266690000133
中，构造匈牙利算法，求解获取变量xwr；
输出xwr、ywb和Zw至目标函数
Figure GDA0003058266690000134
获取目标任务W完成的最小化时间。
优选地，所述模拟退火算法也可替换为其他的智能搜索算法。
优选地，所述其他的智能搜索算法包括粒子群算法、遗传算法。
本发明中的模拟退火算法也可以使用其他的智能搜索算法代替，比如粒子群算法、遗传算法等，亦可以取得同等效果。
云机器人***中的机器人具有高异构性和高移动性的特点，高异构性决定了不同的机器人处理同一任务所产生的延时是不同的，为了提高***效率、保障服务质量，将任务分配到合适的机器人上去执行就显得尤为重要。同时由于计算迁移的存在，使得处理能力较弱的机器人也可以处理复杂的任务，这进一步增大了任务分配的复杂性，高移动性则对网络连接产生了极高的要求，不同类型的基站的覆盖范围和可以提供的带宽不同，当多数机器人选择同一基站进行网络同行，无疑会造成通信质量的下降，为了保障不同机器人与云端不同的通信需求，选择合适的基站也是极为重要。
以上所述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，凡是在本发明的发明构思下，利用本发明说明书及附图内容所作的等效结构变换，或直接/间接运用在其他相关的技术领域均包括在本发明的专利保护范围内。

Claims (3)

1.一种联合考虑基站选择与计算迁移的云机器人任务分配方法，其特征在于，包括以下步骤：
S10建立任务分配模型：将单个机器人r任务w分成五个部分，第一部分表示机器人r到任务w位置的时间；第二部分表示任务的预处理部分在机器人r上运行所需的时间；第三部分表示将计算任务迁移到云端并执行的时间；第四部分表示计算任务在机器人上执行并上传云端的时间；第五部分表示机器人执行计算获得结果的时间，将单个机器人任务w的完成时间tw用以上五个部分累加建立任务分配模型；
所述任务分配模型的函数具体如下：
Figure FDA0003058266680000011
其中W表示任务集合，W表示一任务，R表示机器人集合，r表示一机器人，B表示基站集合，b表示一基站，xwr＝1表示将任务w放置在了机器人r上进行处理，∑r∈Rxwr＝l表示将任务w放置在机器人集群R中的一个机器人上执行，
Figure FDA0003058266680000012
表示机器人r与任务w之间的距离，d表示距离，lr表示机器人位置，lw表示任务位置，msr表示机器人r的移动速度；
Figure FDA0003058266680000013
表示将收集到的数据上传到云端所需的时间，cdw表示任务w需要收集的数据量的大小，bdw是基站相关度选择的变量，precw表示任务w预处理收集数据计算量的大小，csr表示机器人r执行任务的计算速度；
所述基站b相关度选择的变量定义为
Figure FDA0003058266680000014
mbrb是理想状态物理上达到的带宽大小，cb表示基站的连接数，mbb表示基站的总的带宽，
Figure FDA0003058266680000015
表示每个连接的云机器人可以分配到的带宽，取两者的最小值作为云机器人的实际带宽；
zw取1表示将计算任务迁移到云端并执行的状态，zw取0表示将任务放置在本地时执行状态；
procw表示处理任务w的计算量，csc表示云端的计算速度，则
Figure FDA0003058266680000021
表示计算任务w在云端执行的时间；当Zw＝0时，
Figure FDA0003058266680000022
表示计算任务w在机器人r上执行的时间，
Figure FDA0003058266680000023
表示将任务计算中产生的部分数据上传到云端需要的时间；etw表示机器人执行计算结果所需的时间；
S20输入多个机器人r的任务集合W、机器人集合R、基站集合B及每个任务w上传云端的相应配置参数至任务分配模型tw；
S30将任务分配模型tw依次分解为两个子模型分步完成所有任务的完成时间tw最小化求解
Figure FDA0003058266680000024
其中第一子模型为基于模拟退火算法的模型：第二子模型为基于匈牙利算法的模型；
所述两个子模型分步完成所有任务的完成时间最小化求解具体为：
基于计算卸载是为了弥补机器人的运算能力不足，而基站选择是为了在计算迁移与本地计算达到一个平衡的假设，来近似求解机器人集合R的处理能力，求得计算迁移的任务，并为它选择合适的基站b以保障数据传输，当机器人集合R的处理能力非常弱，取所有机器人的处理能力的最小值，那么选择计算迁移的任务会变多，则视
Figure FDA0003058266680000025
这部分式子中的csr为所有机器人执行任务的平均速度
Figure FDA0003058266680000026
|R|表示机器人集合R中的元素个数，得到：
Figure FDA0003058266680000027
Figure FDA00030582666800000311
则
Figure FDA0003058266680000031
其中，
Figure FDA0003058266680000032
表示对tw求值过程中的一个临时表达式，无实际意义；cdw表示任务w需要收集的数据量的大小，当Zw＝1时，
Figure FDA0003058266680000033
表示将收集到的数据上传到云端所需的时间，bdw是一个与基站选择ywb相关的变量，其中，ywb是一个取值为0或者1的决策变量，当ywb＝1表示任务w选择基站b进行通信，当ywb＝0表示任务w不选择基站b进行通信，定义为
Figure FDA0003058266680000034
mbrb是物理上可以达到的带宽大小，cb＝∑w∈Wywb表示连接到基站b的任务数，mbb表示基站的总的带宽，
Figure FDA0003058266680000035
表示每个连接的云机器人可以分配到的带宽，取两者的最小值作为云机器人的实际带宽，procw表示处理任务w的计算量，csc表示云端的计算速度，则
Figure FDA0003058266680000036
表示计算任务w在云端执行的时间；
运行以最小化
Figure FDA0003058266680000037
为目标函数的模拟退火算法，求解获取变量ywb和Zw的值；
将求解出的ywb和Zw带入到
Figure FDA0003058266680000038
Figure FDA0003058266680000039
中，构造匈牙利算法，求解获取变量xwr；
输出xwr、ywb和Zw至目标函数
Figure FDA00030582666800000310
获取目标任务W完成的最小化时间。
2.如权利要求1所述的联合考虑基站选择与计算迁移的云机器人任务分配方法，其特征在于，所述模拟退火算法也可替换为其他的智能搜索算法。
3.如权利要求2所述的联合考虑基站选择与计算迁移的云机器人任务分配方法，其特征在于，所述其他的智能搜索算法包括粒子群算法、遗传算法。
CN201910069397.2A 2019-01-24 2019-01-24 一种联合考虑基站选择与计算迁移的云机器人任务分配方法 Active CN109819032B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910069397.2A CN109819032B (zh) 2019-01-24 2019-01-24 一种联合考虑基站选择与计算迁移的云机器人任务分配方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910069397.2A CN109819032B (zh) 2019-01-24 2019-01-24 一种联合考虑基站选择与计算迁移的云机器人任务分配方法

Publications (2)

Publication Number Publication Date
CN109819032A CN109819032A (zh) 2019-05-28
CN109819032B true CN109819032B (zh) 2021-06-29

Family

ID=66603209

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910069397.2A Active CN109819032B (zh) 2019-01-24 2019-01-24 一种联合考虑基站选择与计算迁移的云机器人任务分配方法

Country Status (1)

Country Link
CN (1) CN109819032B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110850789A (zh) * 2019-12-09 2020-02-28 常州市小先信息技术有限公司 一种基于边缘计算的机器人能效优化方法
CN111539863B (zh) * 2020-03-26 2021-03-19 光控特斯联(重庆)信息技术有限公司 一种基于多源任务线的智能城市运行的方法和***
CN114385362A (zh) * 2022-01-12 2022-04-22 东南大学 一种基于云-边计算的多搬运机器人调度方法
CN114554529B (zh) * 2022-04-21 2022-07-19 三峡智控科技有限公司 一种5g用户终端进行小区选择的智能优化方法
CN114880857B (zh) * 2022-05-13 2024-04-30 中国人民解放军国防科技大学 基于混合智能搜索的武器资源多阶段优化分配方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103970609A (zh) * 2014-04-24 2014-08-06 南京信息工程大学 一种基于改进蚁群算法的云数据中心任务调度方法
CN106936892A (zh) * 2017-01-09 2017-07-07 北京邮电大学 一种自组织云多对多计算迁移方法及***
CN107273184A (zh) * 2017-06-14 2017-10-20 沈阳师范大学 一种基于云端大数据迁移和处理成本的优化算法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10824475B2 (en) * 2017-03-24 2020-11-03 Tata Consultancy Services Limited Systems and methods for estimating computation times a-priori in fog computing robotics

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103970609A (zh) * 2014-04-24 2014-08-06 南京信息工程大学 一种基于改进蚁群算法的云数据中心任务调度方法
CN106936892A (zh) * 2017-01-09 2017-07-07 北京邮电大学 一种自组织云多对多计算迁移方法及***
CN107273184A (zh) * 2017-06-14 2017-10-20 沈阳师范大学 一种基于云端大数据迁移和处理成本的优化算法

Also Published As

Publication number Publication date
CN109819032A (zh) 2019-05-28

Similar Documents

Publication Publication Date Title
CN109819032B (zh) 一种联合考虑基站选择与计算迁移的云机器人任务分配方法
Lin et al. Smart manufacturing scheduling with edge computing using multiclass deep Q network
CN109492774B (zh) 一种基于深度学习的云资源调度方法
CN109783224A (zh) 基于负载调配的任务分配方法、装置及终端设备
CN112784362B (zh) 一种用于无人机辅助边缘计算的混合优化方法及***
CN109993299A (zh) 数据训练方法及装置、存储介质、电子装置
CN113543176A (zh) 基于智能反射面辅助的移动边缘计算***的卸载决策方法
CN111586146B (zh) 基于概率转移深度强化学习的无线物联网资源分配方法
CN113064671A (zh) 基于多智能体的边缘云可扩展任务卸载方法
CN111988787B (zh) 一种任务的网络接入和服务放置位置选择方法及***
KR20190054449A (ko) 이종 클러스터 환경에서 신경망 트레이닝 가속화를 위한 연산 노드 배치 기법
CN111880911A (zh) 一种任务负载调度方法、装置、设备及可读存储介质
CN114585006B (zh) 基于深度学习的边缘计算任务卸载和资源分配方法
CN114595049A (zh) 一种云边协同任务调度方法及装置
CN112732444A (zh) 一种面向分布式机器学习的数据划分方法
CN114970834A (zh) 任务分配方法、装置及电子设备
CN113592077B (zh) 一种面向边缘智能的云边端dnn协同推理加速方法
Pérez et al. Parallel/distributed implementation of cellular training for generative adversarial neural networks
Henna et al. Distributed and collaborative high-speed inference deep learning for mobile edge with topological dependencies
CN112445617A (zh) 一种基于移动边缘计算的负载策略选择方法及***
CN116367190A (zh) 一种面向6g移动网络的数字孪生功能虚拟化方法
CN116193395A (zh) 无人集群组织重构角色分配方法、***、设备及存储介质
WO2018168695A1 (ja) 分散機械学習装置、分散機械学習方法および分散機械学習記録媒体
CN115914237A (zh) 一种边缘环境下的深度学习任务调度方法、设备及介质
CN115016911A (zh) 面向大规模联邦学习的任务编排方法、装置、设备和介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant