CN111475274B - 云协同多任务调度方法及装置 - Google Patents
云协同多任务调度方法及装置 Download PDFInfo
- Publication number
- CN111475274B CN111475274B CN202010313381.4A CN202010313381A CN111475274B CN 111475274 B CN111475274 B CN 111475274B CN 202010313381 A CN202010313381 A CN 202010313381A CN 111475274 B CN111475274 B CN 111475274B
- Authority
- CN
- China
- Prior art keywords
- population
- preset
- task
- objective function
- mutation
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/48—Program initiating; Program switching, e.g. by interrupt
- G06F9/4806—Task transfer initiation or dispatching
- G06F9/4843—Task transfer initiation or dispatching by program, e.g. task dispatcher, supervisor, operating system
- G06F9/4881—Scheduling strategies for dispatcher, e.g. round robin, multi-level priority queues
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5083—Techniques for rebalancing the load in a distributed system
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例提供一种云协同多任务调度方法及装置,该方法包括:获取每个边缘节点收到的待处理任务;以所有待处理任务分配到不同边缘节点进行处理,作为一个栖息地分配方案,随机产生具有多个栖息地分配方案的初始种群;基于预设的目标函数和生物地理学优化算法,获取满足所述目标函数的最优解,得到每个边缘节点应分配的待处理任务。基于预设的目标函数和生物地理学优化算法,获取满足所述目标函数的最优解,得到每个边缘节点应分配的待处理任务,考虑到了所有边缘节点和中心云节点的合理任务分配,基于预设的目标函数,能够得到满足优化目标的最优分配方案,并基于生物地理学优化算法实现,大大减少了计算开销。
Description
技术领域
本发明涉及边缘计算领域,尤其涉及一种云协同多任务调度方法及装置。
背景技术
云边协同任务调度,是海量的智能终端设备将计算密集型任务卸载至云服务端执行优化的过程,在***的时延、能耗等性能要求高的场景下非常重要。万物互联背景下,网络边缘设备种类繁多,且出现众多计算需求量大的应用,如人脸识别、交互式游和增强现实等。这些应用数据量大,对延迟的要求高,需要消耗大量的计算资源与能量,从而考虑将终端设备的计算任务卸载到远程执行。
边缘节点距离用户比云数据中心近,避免了远距离传输造成的大量延迟,提升了用户体验。将原本需要卸载到云数据中心执行的任务分配给边缘云执行,有效地减轻了核心网回程链路(Backhaul Link)的传输负担,克服了传统云计算***核心网络拥塞和传输延迟问题。边缘云作为一种小型的数据中心,受到基础设施建设及地理分布等因素的影响,资源相对有限。当用户量及数据量进一步扩张,有限的通信及计算能力成为边缘云的性能瓶颈,***性能难以保障。以上问题可从两方面进行考虑:1)对边缘云***中的资源分配及任务调度策略进行优化,高效利用有限的资源。由于云基础设施地异构性,数据中心的资源分配和任务调度问题一直是云计算的重点研究方向,在新的边缘计算模式下研究高效的任务调度策略具有重要价值。2)在云边协作计算***中对任务进行调度。边缘与云是互补协同而不是相互替代的关系,将部分任务卸载到云数据中心,可以利用其强大的计算能力减小计算时延。云计算与边缘计算有效协作非常重要。
目前边缘计算的协同任务调度策略受到广泛关注,边缘云根据开放的全球标准化机制能够向附近区域的任何用户提供计算和存储资源,这使得同一区域中的边缘节点可以形成共享互联的边缘资源池。然而,目前的方法只局限于多个边缘节点之间的协同或当前边缘节点和中心云的协同,无法实现中心云和所有边缘节点的整体协同调度,该过程会导致庞大的计算量。
发明内容
为了解决上述问题,本发明实施例提供一种云协同多任务调度方法及装置。
第一方面,本发明实施例提供一种云协同多任务调度方法,包括:获取每个边缘节点收到的待处理任务;以所有待处理任务分配到不同边缘节点进行处理,作为一个栖息地分配方案,随机产生具有多个栖息地分配方案的初始种群;基于预设的目标函数和生物地理学优化算法,获取满足所述目标函数的最优解,得到每个边缘节点应分配的待处理任务。
进一步地,所述基于预设的目标函数和生物地理学优化算法,获取满足所述目标函数的最优解,包括:计算每个种群的栖息适宜指数HSI,根据不同的优化目标,HSI值与所述目标函数值成正相关关系或反相关关系;基于预设的迁移率函数对种群进行迁移操作,以及基于预设的突变概率函数对种群进行突变操作;若满足预设的终止条件,则输出最优解,否则重复上述计算每个种群的HSI值至判断是否满足终止条件的迭代过程。
进一步地,所述目标函数根据栖息地分配方案的每个任务的传输时延和能耗确定。
进一步地,所述目标函数为:
其中,θ是时延目标函数权重,θ∈[0,1];Lα、Lβ、Eα、Eβ分别为种群中栖息地的传输时延和能耗的最大、最小取值,X为一个栖息地分配方案。
进一步地,所述基于预设的突变概率函数对种群进行突变操,包括:
当个体HSI值低于种群个体平均HSI值,选择较小的突变概率;
当个体HSI值高于种群个体平均HSI值,选择较大的突变概率。
进一步地,所述基于预设的突变概率函数对种群进行突变操,还包括:在迭代次数的前期,按照固定概率进行突变操作,在迭代后期使突变概率自适应调整。
进一步地,所述突变概率函数为:
其中,g为迭代次数的序号,n为群体中个体的顺序编号,为第g次迭代中第n号个体的突变概率,gthre是固定突变操作和自适应突变操作的迭代次数分界;Costn、Costmin、Costavg分别表示上一轮迭代中第n号个体的HSI值、群体中最小HSI值、群体平均HSI值;k1、k2、k3为预设的常数。
第二方面,本发明实施例提供一种云协同多任务调度装置,包括:任务获取模块,用于获取每个边缘节点收到的待处理任务;第一协同调度模块,用于以所有待处理任务分配到不同边缘节点进行处理,作为一个栖息地分配方案,随机产生具有多个栖息地分配方案的初始种群;第二协同调度模块,用于基于预设的目标函数和生物地理学优化算法,获取满足所述目标函数的最优解,得到每个边缘节点应分配的待处理任务。
第三方面,本发明实施例提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行程序时实现本发明第一方面云协同多任务调度方法的步骤。
第四方面,本发明实施例提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现本发明第一方面云协同多任务调度方法的步骤。
本发明实施例提供的云协同多任务调度方法及装置,基于预设的目标函数和生物地理学优化算法,获取满足所述目标函数的最优解,得到每个边缘节点应分配的待处理任务,考虑到了所有边缘节点和中心云节点的合理任务分配,基于预设的目标函数,能够得到满足优化目标的最优分配方案,并基于生物地理学优化算法实现,大大减少了计算开销。
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一简单地介绍,显而易见地,下面描述中的附图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获得其他的附图。
图1为本发明实施例提供的云协同多任务调度方法流程图;
图2为本发明实施例提供的任务卸载至边缘云场景示意图;
图3为本发明实施例的任务与计算节点组成的映射关系示意图;
图4为本发明实施例的基于生物地理学优化算法流程图;
图5为本发明实施例提供的云协同多任务调度装置结构图;
图6为本发明实施例提供的一种电子设备的实体结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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,所描述的实施例是本发明一部分实施例,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。
本发明实施例提出的高效的云边协同任务调度方法运行涉及端-边-云三层***架构。具体如下:
“端”是终端设备层,包括大量异构设备运行计算密集型的应用程序,例如虚拟现实、无人驾驶等。将计算密集型任务部分或全部地迁移至资源丰富的云端执行,以扩展自身的计算能力、克服储能的不足。
“边”是边缘云,由多个互联的边缘节点组成,在靠近用户的边缘网络部署云基础设施,为用户提供就近的云服务,其中:边缘节点是基站与其上部署的MEC服务器的组合。移动终端设备通过无线信道连接到边缘节点,将需要卸载执行的任务传输至与之关联的边缘节点。边缘节点之间相互连接,可进行数据的交互。边缘节点中的主要模块包括计算模块及传输模块。边缘节点的计算能力相比于终端设备较强,可有效处理终端设备的任务。传输模块用于该边缘节点与其他互联的边缘节点以及中心云之间的数据交互。
“云”是远端的中心云,具有极强的计算、存储等资源,并负责***整体资源的统一调度。中心云主要包括执行计算单元、核心网传输模块、协同调度模块,其中:执行计算单元是指云服务中心丰富的计算资源可用于计算密集型任务的执行,降低计算时延开销,优化***的时延性能。中心云的执行计算单元是***计算能力的重要构成,在***负载较重,边缘云的资源不足时,中心云的计算资源是强有力的补充。
图1为本发明实施例提供的云协同多任务调度方法流程图,如图1所示,本发明实施例提供一种云协同多任务调度方法,包括:
101、获取每个边缘节点收到的待处理任务。
图2为本发明实施例提供的任务卸载至边缘云场景示意图,由移动终端与边缘云服务基础设施组成。边缘计算可将终端设备的任务在边缘节点全部计算或预处理,缓解核心网的拥塞和延迟问题。端到端时延是网络应用的一个关键优化目标,直接影响着***性能和用户体验。边缘云服务基础设施主要包括边缘服务接入点AP、边缘计算服务器及连接各边缘节点的有线网络。
***中的移动设备已经通过某种策略与特定的基站关联,移动设备经无线信道连接到基站。考虑多小区移动蜂窝网络场景下,设备采用时分多址(TDMA)方式共享无线信道资源的情况。在一段很短的时间内(长度可忽略不计),***中的每个终端运行实时延敏感型的应用产生计算任务,因自身的计算能力有限需要卸载执行。
计算节点统称边缘服务基础设施中可以独立执行计算的节点。计算节点可以是部署在基站侧的边缘服务器计算资源,也可能是其它边缘数据中心的服务器或部署的虚拟机。
任务经过无线信道传输至关联的边缘节点,假设每个任务都可以在其关联的边缘节点本地执行,或经过有线网络传输至***中其它计算节点执行。任务在计算节点间的传输需要消耗输入节点和输出节点的带宽资源,并产生传输延迟。移动终端设备产生的数据处理任务卸载执行主要包含如下步骤:
(1)移动终端设备将需要卸载的任务数据经过无线信道传输至所在位置对应边缘节点;
(2)调度程序为任务指定执行地点,可根据情况留在本地执行或调度至其它互联的边缘云节点。若调度至其它节点执行,则将任务数据通过有线网传至该节点;
(3)计算结果从边缘节点发送回移动设备。
在许多实际场景中数据计算任务的计算结果数据量很小,例如人脸识别、视频分析等,步骤(3)中的计算结果传输返回终端设备时间可忽略不计,端到端时延主要考虑无线信道传输时延和计算时延。
101中,执行主体为中心云服务器或者中心云相关设备。移动终端将待处理的任务发送给边缘节点,中心云通过边缘节点获取每个待处理的任务情况,获取的可以是任务的相关参数,如运算量大小、数据量大小等,以便于这些在任务分配至边缘节点后,根据这些参数计算执行分配方案时每个任务的传输时延开销,计算量开销,能耗开销等。
102、以所有待处理任务分配到不同边缘节点进行处理,作为一个栖息地分配方案,随机产生具有多个栖息地分配方案的初始种群。
本发明采用生物地理学优化算法(BBO)实现,生物地理学优化算法是一种新型的进化算法,基于生物地理学理论。其基本思想来源于自然界生物地理分布与物种迁徙规律。BBO算法对群体中有益信息的利用能力强,具有良好的全局搜索能力且收敛速度快。
图3为本发明实施例的任务与计算节点组成的映射关系示意图。中心云的调度过程需要为***中的所有任务指定一个唯一的计算节点,可以是边缘节点或者中心云节点。规定边缘云***中的任务是不可分割的,即同一任务指定唯一的节点全部执行。每个计算节点可分配多个任务,这些任务共享此节点的计算资源,云服务基础设施可通过虚拟技术将计算资源分配给任务。102中,所有节点的一个分配方案对应BBO算法的一个栖息地,初始种群由多个分配方案构成,初始的分配结果可以是随机产生,任务分配至边缘节点,未分配的则由中心云节点完成。
103、基于预设的目标函数和生物地理学优化算法,获取满足目标函数的最优解,得到每个边缘节点应分配的待处理任务。
本发明实施例中,根据优化目标确定目标函数,例如优化目标为***中任务的加权平均时延最小,则根据***中任务的加权平均时延确定目标函数。考虑到***中的任务对时延的敏感度不同,或用户对***时延性能的要求各不相同。可对每个任务设定权值来体现任务的优先级或对时延性能的需求程度,以便对***中的整体时延性能作优化。然后基于BBO算法寻优,选取满足目标函数的最优解,该最优解则对应了每个任务分配到对应计算节点的分配方案,并能够保证满足目标函数,即达到优化目标。需要说明的是,未分配到边缘节点的任务,在中心云节点进行处理。
本发明实施例的云协同多任务调度方法,基于预设的目标函数和生物地理学优化算法,获取满足目标函数的最优解,得到每个边缘节点应分配的待处理任务,考虑到了所有边缘节点和中心云节点的合理任务分配,基于预设的目标函数,能够得到满足优化目标的最优分配方案,并基于生物地理学优化算法实现,大大减少了计算开销。
基于上述实施例的内容,作为一种可选实施例,基于预设的目标函数和生物地理学优化算法,获取满足目标函数的最优解,包括:计算每个种群的栖息适宜指数HSI,根据不同的优化目标,HSI值与目标函数值成正相关关系或反相关关系;对种群按照HSI降序排列,基于预设的迁移率函数对种群进行迁移操作,以及基于预设的突变概率函数对种群进行突变操作;若满足预设的终止条件,则输出最优解,否则重复上述计算每个种群的HSI值至判断是否满足终止条件的迭代过程。
图4为本发明实施例的基于生物地理学优化算法流程图,如图4所示,该算法的核心是迁移和突变。其中,Smax是最大种群数量,I为迁移率最大值,E为迁出率最大值,Mmax表示突变率的上限。
迁移过程指栖息地之间信息共享,决定局部寻优能力。迁移过程是由迁移概率决定的,可采用常规的迁移率模型,如指数迁移率模型、余弦迁移率模型等。突变模仿突发事件造成的变化,影响的是全局搜索能力,也是根据概率操作的,可设置对应的突变函数实现。根据优化目标不同,目标函数反应BBO算法中的HSI值,如优化目标为***总传输时延最小,则总传输时延小的种群个体的HSI值大,总传输时延大的种群个体的HSI值较小,成反相关关系。若优化目标为越大越好,则HSI值和目标函数值成正相关关系。
基于上述实施例的内容,作为一种可选实施例,目标函数根据栖息地方案的每个任务的时延和能耗确定。
除时延外,任务执行的能耗也是云服务需要考虑的重要指标,能耗开销是云服务基础设施运营的主要成本,任务执行消耗的计算资源及数据在节点间的传输都会产生能量消耗。在边缘计算协同任务调度问题中进行时延和能耗的联合优化,两者共同作为优化目标,是相互权衡的关系,可通过权重因子对优化的侧重方向进行调节。
本发明实施例在提高***时延性能的同时考虑能耗的优化,可使云服务的成本更低。本发明实施例将***的时延成本与能耗成本结合起来定义***开销,解决时延与能耗的多目标优化问题,有利于任务分配取得最优结果。
基于上述实施例的内容,作为一种可选实施例,目标函数为:
其中,θ是时延目标函数权重,θ∈[0,1];Lα、Lβ、Eα、Eβ分别为种群中栖息地的传输时延的最大、最小取值,能耗的最大、最小取值,X为一个栖息地分配方案。
在云边协同任务调度的多目标优化问题中采用聚集函数的方法,将时延与能耗的优化结合成一个目标优化函数。聚集函数通过分别对两个目标函数做了标准化处理,降低了目标类型不同造成的数值差异;θ值可量化***对优化目标的侧重程度,当θ=1时对时延进行单目标优化。
将***平均时延开销可表示为:
其中,j表示边缘节点数,J为总个数,i为待分配任务数,Ij为对应节点的任务总个数。Tj,i为对应任务的传输时延,αj,i为对应任务的时延权值。
***平均能耗开销可表示为:
其中,Ej,i表示对应任务的能耗开销,I为总任务数。
本发明实施例,通过聚集函数分别对两个目标函数做了标准化处理,降低了目标类型不同造成的数值差异,并且根据θ取值为0或1,可实现针对性的单目标优化。
基于上述实施例的内容,作为一种可选实施例,基于预设的突变概率函数对种群进行突变操,包括:当个体HSI值低于种群全部个体平均HSI值,选择较小的突变概率;当个体HSI值高于种群全部个体平均HSI值,选择较大的突变概率。
对于简单的BBO来说,突变参数是事先确认的,在进化过程中不能随实际情况灵活调整,容易出现早熟和局部收敛。本发明实施例通过在算法迭代寻优过程中根据迭代次数和个体的质量自适应地调整突变概率,提出一种混合自适应BBO(HABBO)算法,显著地提高搜索效率。
在BBO算法突变模块的实现中,生成一个0到1之间的随机数,若rand(0,1)比个体的突变概率小,则使该个体突变。在发明实施例提出的突变概率自适应的BBO中,个体的突变概率受到上一次迭代中该个体HSI值与全体HSI平均值关系的影响。将HSI值替换为根据具体问题的目标函数计算得出的***开销。规定当个体开销值低于种群全部个体平均开销值,表示解的质量较好,选择较小的突变概率使该优良个体得到保护;当个体开销高于种群全部个体平均开销值,表示解的质量较差,选择较大的突变概率进行探索。
本发明实施例,通过当个体HSI值低于种群个体平均HSI值,选择较小的突变概率;当个体HSI值高于种群个体平均HSI值,选择较大的突变概率,能够避免算法的早熟和局部收敛。
基于上述实施例的内容,作为一种可选实施例,基于预设的突变概率函数对种群进行突变操,还包括:在迭代次数的前期,按照固定概率进行突变操作,在迭代后期使突变概率自适应调整。
进化初期,种群中优秀的个体也需要通过一定概率的突变操作加强算法的寻优效率。因此,将进化过程分为前期和后期两个阶段,进行混合自适应突变操作,前期执行固定概率的突变操作,后期则使突变概率自适应变化。这样可以提升算法在中后期的全局寻优能力,避免过早收敛,从而增强整个算法的效率。
基于上述实施例的内容,作为一种可选实施例,突变概率函数为:
其中,g为迭代次数的序号,n为群体中个体的顺序编号,为第g次迭代中第n号个体的突变概率,gthre是固定突变操作和自适应突变操作的迭代次数分界;Costn、Costmin、Costavg分别表示上一轮迭代中第n号个体的HSI值、群体中最小HSI值、群体平均HSI值;k1、k2、k3为预设的常数。
图5为本发明实施例提供的云协同多任务调度装置结构图,如图5所示,该云协同多任务调度装置包括:任务获取模块501、第一协同调度模块502和第二协同调度模块503。其中,任务获取模块501用于获取每个边缘节点收到的待处理任务;第一协同调度模块502用于以所有待处理任务分配到不同边缘节点进行处理,作为一个栖息地分配方案,随机产生具有多个栖息地分配方案的初始种群;第二协同调度模块503用于基于预设的目标函数和生物地理学优化算法,获取满足目标函数的最优解,得到每个边缘节点应分配的待处理任务。
本发明实施例提供的装置实施例是为了实现上述各方法实施例的,具体流程和详细内容请参照上述方法实施例,此处不再赘述。
本发明实施例提供的云协同多任务调度装置,基于预设的目标函数和生物地理学优化算法,获取满足目标函数的最优解,得到每个边缘节点应分配的待处理任务,考虑到了所有边缘节点和中心云节点的合理任务分配,基于预设的目标函数,能够得到满足优化目标的最优分配方案,并基于生物地理学优化算法实现,大大减少了计算开销。
图6为本发明实施例提供的一种电子设备的实体结构示意图,如图6所示,该电子设备可以包括:处理器(processor)601、通信接口(Communications Interface)602、存储器(memory)603和总线604,其中,处理器601,通信接口602,存储器603通过总线604完成相互间的通信。通信接口602可以用于电子设备的信息传输。处理器601可以调用存储器603中的逻辑指令,以执行包括如下的方法:获取每个边缘节点收到的待处理任务;以所有待处理任务分配到不同边缘节点进行处理,作为一个栖息地分配方案,随机产生具有多个栖息地分配方案的初始种群;基于预设的目标函数和生物地理学优化算法,获取满足目标函数的最优解,得到每个边缘节点应分配的待处理任务。
此外,上述的存储器603中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明上述各方法实施例的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明实施例还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各实施例提供的传输方法,例如包括:获取每个边缘节点收到的待处理任务;以所有待处理任务分配到不同边缘节点进行处理,作为一个栖息地分配方案,随机产生具有多个栖息地分配方案的初始种群;基于预设的目标函数和生物地理学优化算法,获取满足目标函数的最优解,得到每个边缘节点应分配的待处理任务。
以上所描述的装置实施例仅仅是示意性的,其中作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (6)
1.一种云协同多任务调度方法,其特征在于,包括:
获取每个边缘节点收到的待处理任务;
以所有待处理任务分配到不同边缘节点进行处理,作为一个栖息地分配方案,随机产生具有多个栖息地分配方案的初始种群;
基于预设的目标函数和生物地理学优化算法,获取满足所述目标函数的最优解,得到每个边缘节点应分配的待处理任务;
所述基于预设的目标函数和生物地理学优化算法,获取满足所述目标函数的最优解,包括:
计算每个种群的栖息适宜指数HSI,根据不同的优化目标,HSI值与所述目标函数值成正相关关系或反相关关系;
基于预设的迁移率函数对种群进行迁移操作,以及基于预设的突变概率函数对种群进行突变操作;
若满足预设的终止条件,则输出最优解,否则重复上述计算每个种群的HSI值至判断是否满足终止条件的迭代过程;
所述基于预设的突变概率函数对种群进行突变操,包括:
当个体HSI值低于种群个体平均HSI值,选择较小的突变概率;
当个体HSI值高于种群个体平均HSI值,选择较大的突变概率;
所述基于预设的突变概率函数对种群进行突变操,还包括:
在迭代次数的前期,按照固定概率进行突变操作,在迭代后期使突变概率自适应调整;
所述突变概率函数为:
2.根据权利要求1所述的云协同多任务调度方法,其特征在于,所述目标函数根据栖息地分配方案的每个任务的传输时延和能耗确定。
4.一种云协同多任务调度装置,其特征在于,包括:
任务获取模块,用于获取每个边缘节点收到的待处理任务;
第一协同调度模块,用于以所有待处理任务分配到不同边缘节点进行处理,作为一个栖息地分配方案,随机产生具有多个栖息地分配方案的初始种群;
第二协同调度模块,用于基于预设的目标函数和生物地理学优化算法,获取满足所述目标函数的最优解,得到每个边缘节点应分配的待处理任务;
所述第二协同调度模块,具体用于:
计算每个种群的栖息适宜指数HSI,根据不同的优化目标,HSI值与所述目标函数值成正相关关系或反相关关系;
基于预设的迁移率函数对种群进行迁移操作,以及基于预设的突变概率函数对种群进行突变操作;
若满足预设的终止条件,则输出最优解,否则重复上述计算每个种群的HSI值至判断是否满足终止条件的迭代过程;
所述基于预设的突变概率函数对种群进行突变操,包括:
当个体HSI值低于种群个体平均HSI值,选择较小的突变概率;
当个体HSI值高于种群个体平均HSI值,选择较大的突变概率;
所述基于预设的突变概率函数对种群进行突变操,还包括:
在迭代次数的前期,按照固定概率进行突变操作,在迭代后期使突变概率自适应调整;
所述突变概率函数为:
5.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至3任一项所述云协同多任务调度方法的步骤。
6.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1至3任一项所述云协同多任务调度方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010313381.4A CN111475274B (zh) | 2020-04-20 | 2020-04-20 | 云协同多任务调度方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010313381.4A CN111475274B (zh) | 2020-04-20 | 2020-04-20 | 云协同多任务调度方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111475274A CN111475274A (zh) | 2020-07-31 |
CN111475274B true CN111475274B (zh) | 2023-04-18 |
Family
ID=71754294
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010313381.4A Active CN111475274B (zh) | 2020-04-20 | 2020-04-20 | 云协同多任务调度方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111475274B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112118312B (zh) * | 2020-09-17 | 2021-08-17 | 浙江大学 | 一种面向边缘服务器的网络突发负载疏散方法 |
CN112202866B (zh) * | 2020-09-25 | 2022-08-23 | 大拓无限(重庆)智能科技有限公司 | 用于任务调度的方法、装置和设备 |
CN112702401B (zh) * | 2020-12-15 | 2022-01-04 | 北京邮电大学 | 一种电力物联网多任务协同分配方法及装置 |
CN112650585A (zh) * | 2020-12-24 | 2021-04-13 | 山东大学 | 一种新型边缘-云协同边缘计算平台、方法及存储介质 |
CN112287609B (zh) * | 2020-12-28 | 2021-03-30 | 之江实验室 | 一种面向机器人任务划分的端、边、云协同计算装置 |
CN112910698B (zh) * | 2021-01-27 | 2023-08-22 | 网宿科技股份有限公司 | 一种cdn覆盖方案的调整方法、装置及设备 |
CN113015216B (zh) * | 2021-02-05 | 2022-05-10 | 浙江大学 | 一种面向边缘服务网络的突发任务卸载与调度方法 |
CN113342504B (zh) * | 2021-07-02 | 2023-04-21 | 西安邮电大学 | 基于缓存的智能制造边缘计算任务调度方法及*** |
CN114595049A (zh) * | 2022-03-15 | 2022-06-07 | 国网智能电网研究院有限公司 | 一种云边协同任务调度方法及装置 |
CN115599529B (zh) * | 2022-11-15 | 2023-03-10 | 阿里巴巴(中国)有限公司 | 边缘云函数计算***和方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109684075A (zh) * | 2018-11-28 | 2019-04-26 | 深圳供电局有限公司 | 一种基于边缘计算和云计算协同进行计算任务卸载的方法 |
CN110751293A (zh) * | 2019-09-29 | 2020-02-04 | 浙江财经大学 | 一种基于博弈论的云制造多任务调度优化方法 |
CN110851277A (zh) * | 2019-11-08 | 2020-02-28 | 中国石油大学(华东) | 一种增强现实场景下基于边云协同的任务调度策略 |
-
2020
- 2020-04-20 CN CN202010313381.4A patent/CN111475274B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109684075A (zh) * | 2018-11-28 | 2019-04-26 | 深圳供电局有限公司 | 一种基于边缘计算和云计算协同进行计算任务卸载的方法 |
CN110751293A (zh) * | 2019-09-29 | 2020-02-04 | 浙江财经大学 | 一种基于博弈论的云制造多任务调度优化方法 |
CN110851277A (zh) * | 2019-11-08 | 2020-02-28 | 中国石油大学(华东) | 一种增强现实场景下基于边云协同的任务调度策略 |
Non-Patent Citations (2)
Title |
---|
Joint Makespan-aware and Load Balance-aware Optimization of Task Scheduling in Cloud;Xiaoxia Luo等;《2019 IEEE 10th International Conference on Software Engineering and Service Science (ICSESS)》;20191020;第547-550页 * |
专祥涛著.自适应遗传算法.《最优化方法基础》.2018,第165-168页. * |
Also Published As
Publication number | Publication date |
---|---|
CN111475274A (zh) | 2020-07-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111475274B (zh) | 云协同多任务调度方法及装置 | |
CN111930436B (zh) | 一种基于边缘计算的随机型任务排队卸载优化方法 | |
CN109684075B (zh) | 一种基于边缘计算和云计算协同进行计算任务卸载的方法 | |
CN110493360B (zh) | 多服务器下降低***能耗的移动边缘计算卸载方法 | |
Chamola et al. | An optimal delay aware task assignment scheme for wireless SDN networked edge cloudlets | |
WO2023040022A1 (zh) | 一种在随机网络中基于算网协同的分布式计算卸载方法 | |
CN112650581A (zh) | 一种面向智能楼宇的云边协同任务调度方法 | |
CN114051254B (zh) | 一种基于星地融合网络的绿色云边协同计算卸载方法 | |
He et al. | QoE-based cooperative task offloading with deep reinforcement learning in mobile edge networks | |
Li et al. | Distributed task offloading strategy to low load base stations in mobile edge computing environment | |
CN113286329B (zh) | 基于移动边缘计算的通信和计算资源联合优化方法 | |
CN111132235A (zh) | 基于改进hrrn算法和多属性决策的移动卸载迁移算法 | |
Sun et al. | Energy-efficient multimedia task assignment and computing offloading for mobile edge computing networks | |
CN113918240A (zh) | 任务卸载方法及装置 | |
CN116489708B (zh) | 面向元宇宙的云边端协同的移动边缘计算任务卸载方法 | |
Wu et al. | A mobile edge computing-based applications execution framework for Internet of Vehicles | |
Li et al. | Dynamic computation offloading based on graph partitioning in mobile edge computing | |
Long et al. | Socially-aware energy-efficient task partial offloading in MEC networks with d2d collaboration | |
Liu et al. | Genetic algorithm for delay efficient computation offloading in dispersed computing | |
CN109981340B (zh) | 雾计算网络***中联合资源优化的方法 | |
CN115964178B (zh) | 一种车联网用户计算任务调度方法、装置及边缘服务网络 | |
CN112235387A (zh) | 一种基于能量消耗最小化的多节点协作计算卸载方法 | |
CN113784372A (zh) | 一种面向终端多业务模型的联合优化方法 | |
CN114615705A (zh) | 一种基于5g网络下单用户资源分配策略方法 | |
CN114116052A (zh) | 一种边缘计算方法及装置 |
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 |