CN112231081B - 云环境下基于pso-ahp的单调速率资源调度方法及*** - Google Patents
云环境下基于pso-ahp的单调速率资源调度方法及*** Download PDFInfo
- Publication number
- CN112231081B CN112231081B CN202011099006.0A CN202011099006A CN112231081B CN 112231081 B CN112231081 B CN 112231081B CN 202011099006 A CN202011099006 A CN 202011099006A CN 112231081 B CN112231081 B CN 112231081B
- Authority
- CN
- China
- Prior art keywords
- task
- priority
- tasks
- pso
- ahp
- 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
- G06F9/54—Interprogram communication
- G06F9/547—Remote procedure calls [RPC]; Web services
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- General Factory Administration (AREA)
Abstract
本发明属于服务机器人资源调度领域,提供了一种云环境下基于PSO‑AHP的单调速率资源调度方法及***。其中,云环境下基于PSO‑AHP的单调速率资源调度方法包括获取调度云服务的任务周期、任务价值和任务运行时间,构建综合优先级层次分析模型及相应判断矩阵;以判断矩阵的一致性误差最小为优化目标函数,基于PSO算法确定出准则层中各因素对方案层专家值的权重,计算出调度云服务的任务综合优先级;根据任务综合优先级,将调度云服务的任务划分成高优先级任务集合和低优先级任务集合;其中,高优先级任务集合被优先调度。其降低了***任务发生抢占的总次数,能够很好的适用于云服务平台,保证云服务的质量和满足用户调度任务的QoS目标约束要求。
Description
技术领域
本发明属于服务机器人资源调度领域,尤其涉及一种云环境下基于PSO-AHP的单调速率资源调度方法及***。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息,不必然构成在先技术。
在复杂的云端环境下,如何对已经部署的服务进行高效调度是一个常见的NP-hard问题。云计算***管理着大量虚拟化资源,资源的调度方法是其关键组件,其资源调度过程如图1所示。研究云服务平台下的海量服务和资源调度,对大量用户服务进行实时管理和高效调度,在保证云服务平台高效运行的前提下,提高用户服务的质量,降低云服务提供商的成本,具有十分重要的理论价值和实际意义。云计算环境下任务调度策略的执行效率对云服务质量起着至关重要的作用,单调速率调度算法是一种广泛使用的静态优先级调度算法,在调度周期性任务方面有其独特的优越性。但是发明人发现,传统的调度算法不能保证云服务平台的高效运行,不同优先级任务的频繁抢占导致***资源的大量浪费,不能为用户提供高质量服务。因此,研究云服务平台上的改进RMS算法具有很高的商用价值和现实意义。
发明内容
为了解决上述背景技术中存在的至少一项技术问题,本发明提供一种云环境下基于PSO-AHP的单调速率资源调度方法及***,其有效降低任务抢占次数,减少***资源浪费,对已经部署在复杂云端的服务进行高效的调度,能够很好的适用于云服务平台,保证云服务的质量和满足用户调度任务的QoS目标约束要求。
为了实现上述目的,本发明采用如下技术方案:
本发明的第一个方面提供一种云环境下基于PSO-AHP的单调速率资源调度方法。
一种云环境下基于PSO-AHP的单调速率资源调度方法,包括:
获取调度云服务的任务周期、任务价值和任务运行时间,构建综合优先级层次分析模型及相应判断矩阵;其中,综合优先级层次分析模型的目标层用于获得任务综合优先级,准则层至少包含任务周期、任务价值和任务运行时间这三个因素,方案层随机获得设定组数的专家值;
以判断矩阵的一致性误差最小为优化目标函数,基于PSO算法确定出准则层中各因素对方案层专家值的权重,计算出调度云服务的任务综合优先级;
根据任务综合优先级,将调度云服务的任务划分成高优先级任务集合和低优先级任务集合;其中,高优先级任务集合被优先调度。
本发明的第二个方面提供一种云环境下基于PSO-AHP的单调速率资源调度***。
一种云环境下基于PSO-AHP的单调速率资源调度***,包括:
综合优先级层次分析模块,其用于获取调度云服务的任务周期、任务价值和任务运行时间,构建综合优先级层次分析模型及相应判断矩阵;其中,综合优先级层次分析模型的目标层用于获得任务综合优先级,准则层至少包含任务周期、任务价值和任务运行时间这三个因素,方案层随机获得设定组数的专家值;
任务综合优先级计算模块,其用于以判断矩阵的一致性误差最小为优化目标函数,基于PSO算法确定出准则层中各因素对方案层专家值的权重,计算出调度云服务的任务综合优先级;
任务优先级划分模块,其用于根据任务综合优先级,将调度云服务的任务划分成高优先级任务集合和低优先级任务集合;其中,高优先级任务集合被优先调度。
本发明的第三个方面提供一种计算机可读存储介质。
一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上述所述的云环境下基于PSO-AHP的单调速率资源调度方法中的步骤。
本发明的第四个方面提供一种计算机设备。
一种计算机设备,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,所述处理器执行所述程序时实现如上述所述的云环境下基于PSO-AHP的单调速率资源调度方法中的步骤。
与现有技术相比,本发明的有益效果是:
本发明不仅引入PSO-AHP模型确定多种因素对任务综合优先级影响,同时,增加了一个任务调度集合,降低了***任务发生抢占的总次数,使得RMS方式调度可以更好地迁移和调度,能够很好的适用于云服务平台,保证云服务的质量和满足用户调度任务的QoS目标约束要求。
本发明附加方面的优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1是本发明实施例的云服务平台任务调度模型;
图2是改进单调速率方法的原理图;
图3是基于AHP的综合优先级层次分析模型图;
图4是本发明实施例的提出的PSO-AHP模型流程图;
图5是本发明实施例的任务最终完成时间图;
图6是本发明实施例的任务完成价值量图;
图7是本发明实施例的任务完成度图;
图8是本发明实施例的任务丢失量图;
图9是本发明实施例的任务抢占次数变化图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本发明提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本发明的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
术语解释:
PARMS:指的是PSO-AHP的单调速率资源调度方法的简称。
PSO:是粒子群优化算法(--Particle Swarm Optimization)的英文缩写,是一种基于种群的随机优化技术,由Eberhart和Kennedy于1995年提出,一般依托群鸟觅食的模型来寻找最优值。
AHP:层次分析法(Analytic Hierarchy Process,简称AHP)是美国运筹学家、匹兹堡大学T.L.Saaty教授在20世纪70年代初期提出的,AHP是对定性问题进行定量分析的一种简便、灵活而又实用的多准则决策方法。它的特点是把复杂问题中的各种因素通过划分为相互联系的有序层次,使之条理化,根据对一定客观现实的主观判断结构(主要是两两比较)把专家意见和分析者的客观判断结果直接而有效地结合起来,将一层次元素两两比较的重要性进行定量描述。
实施例一
本实施例提供了一种云环境下基于PSO-AHP的单调速率资源调度方法,包括:
步骤1:获取调度云服务的任务周期、任务价值和任务运行时间,构建综合优先级层次分析模型及相应判断矩阵;其中,综合优先级层次分析模型的目标层用于获得任务综合优先级,准则层至少包含任务周期、任务价值和任务运行时间这三个因素,方案层随机获得设定组数的专家值。
在具体实施中,确定任务周期、任务价值和任务运行时间等因素对任务综合优先级的影响。任务优先级与任务价值V呈正比,与任务周期Ti呈反比,与任务运行时间Ei呈反比。为了定量地确定任务优先级的表达式,定义任务周期:总周期/各子任务周期;运行时间:总运行时间/各子任务运行时间。
由此得出n个任务中的每个任务综合优先级的表达式为:
其中,Kv、Kp和Kt分别表示任务价值、任务周期和任务运行时间所占的权重。基于优先级Pi的任务调度策略既保证了高价值的任务优先被调度,又有效增加处理机利用率较低任务的完成数量或者降低其截止日期,从而提高了任务总价值量和总任务量。
综合优先级层次分析模型的目标层为了获得任务综合优先级,即求解Kv、Kp和Kt的值;准则层包含了任务周期、任务价值和任务运行时间三个影响任务综合优先级的因素,方案层随机获得了五组专家值,如图3所示。
步骤2:以判断矩阵的一致性误差最小为优化目标函数,基于PSO算法确定出准则层中各因素对方案层专家值的权重,计算出调度云服务的任务综合优先级。
具体地,假设准则层各因素的权重值为ws,s=1~m,如果判断矩阵满足:
则认为其具有完全一致性。由此得出算法的优化目标为:
其中,aij表示判断矩阵中第i行的第j个元素;m代表层次分析法中准则层中因素的个数。ais表示判断矩阵中第i行的第s个元素;CI'表示的是判断矩阵的一致性误差,误差值越小,说明判断矩阵的一致性越高,判断矩阵越容易接受;误差为0时,表示判断矩阵具有完全一致性。CI'的值越小,判断矩阵的一致性程度就越高,当CI'的值为0时,则判断矩阵具有完全一致性。将准则层各因素权重值的计算和优化归纳为目标优化问题,优化的目标函数为:
目标函数的约束条件为:
PSO-AHP的模型中的每个粒子代表一组权重值,算法达到最大迭代次数或全局最优位置满足最小界限,则结束迭代,如图4所示。
步骤3:根据任务综合优先级,将调度云服务的任务划分成高优先级任务集合和低优先级任务集合;其中,高优先级任务集合被优先调度,如图2所示。
在具体实施中,按照得到的综合优先级将所有任务降序排列,将综合优先级前两位的任务优先分配到优先级较高的集合,该集合中的任务在处理时不允许抢占,直到任务结束。剩余任务划分到另一个集合,该集合任务调度方式和经典的RMS算法相同。
本实施例基于PSO-AHP的单调速率资源调度方法的实施过程就是通过PSO-AHP模型确定任务的综合优先级,根据得到的优先级对任务进行划分。划分两个阶段对任务进行调度,高优先级集合任务被优先调度。优先级前两位的任务划分到高优先级任务集合,采用静态非抢占的RMS方式调度,其余任务划分到低优先级任务集合,采用动态抢占式RMS方式调度。
本实施例提出的基于PSO-AHP的单调速率资源调度方法的目的就是降低任务的抢占次数,减少***因为任务上下文切换而导致的额外资源开销和浪费;能够降低抢占次数,说明该方法得到的任务优先级是有效合理的,算法的调度效果也会变得更好,那么用户得到的服务质量也会更高。
仿真验证:
在多个不同的场景中进行常用调度算法的对比仿真实验,并用多种评价指标来衡量调度结果的好坏,比如:任务的丢失率,任务的完成量及任务的总价值等。对单调速率调度算法加入了任务抢占对CPU资源的消耗行为,单次任务切入和切出时消耗的时间约为4ms。图5和图6是多种算法在不同任务量时的最终完成时间和完成总价值量的对比图,图7反映算法的任务完成度,图8显示了任务丢失量的变化。在图9中,PARMS指的是PSO-AHP的单调速率资源调度方法的简称。从图9中可以看出,PARMS算法大幅度降低任务的总抢占次数,说明该方法得到的任务优先级更加合理,调度性能更好,服务质量更高,满足用户需求。
实施例二
本实施例提供了一种云环境下基于PSO-AHP的单调速率资源调度***,其包括:
综合优先级层次分析模块,其用于获取调度云服务的任务周期、任务价值和任务运行时间,构建综合优先级层次分析模型及相应判断矩阵;其中,综合优先级层次分析模型的目标层用于获得任务综合优先级,准则层至少包含任务周期、任务价值和任务运行时间这三个因素,方案层随机获得设定组数的专家值;
任务综合优先级计算模块,其用于以判断矩阵的一致性误差最小为优化目标函数,基于PSO算法确定出准则层中各因素对方案层专家值的权重,计算出调度云服务的任务综合优先级;
任务优先级划分模块,其用于根据任务综合优先级,将调度云服务的任务划分成高优先级任务集合和低优先级任务集合;其中,高优先级任务集合被优先调度。
本实施例的云环境下基于PSO-AHP的单调速率资源调度***中的各个模块的具体实施过程,与实施例一所述的云环境下基于PSO-AHP的单调速率资源调度方法中的各个步骤的具体实施过程相同,此处不再累述。
实施例三
本实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上述实施例一所述的云环境下基于PSO-AHP的单调速率资源调度方法中的步骤。
实施例四
本实施例提供了一种计算机设备,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,所述处理器执行所述程序时实现如上述实施例一所述的云环境下基于PSO-AHP的单调速率资源调度方法中的步骤。
本领域内的技术人员应明白,本发明的实施例可提供为方法、***、或计算机程序产品。因此,本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(RandomAccessMemory,RAM)等。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种云环境下基于PSO-AHP的单调速率资源调度方法,其特征在于,包括:
获取调度云服务的任务周期、任务价值和任务运行时间,构建综合优先级层次分析模型及相应判断矩阵;其中,综合优先级层次分析模型的目标层用于求解任务价值、任务周期和任务运行时间在任务综合优先级表达式中所占的权重值,准则层至少包含任务周期、任务价值和任务运行时间这三个因素,方案层随机获得设定组数的专家值;
以判断矩阵的一致性误差最小为优化目标函数,基于PSO算法确定出准则层中各因素对方案层专家值的权重,计算出调度云服务的任务综合优先级;
具体地,假设准则层各因素的权重值为ws,s=1:m,如果判断矩阵满足:
则认为其具有完全一致性;由此得出算法的优化目标为:
其中,aij表示判断矩阵中第i行的第j个元素;m代表层次分析法中准则层中因素的个数;ais表示判断矩阵中第i行的第s个元素;CI'表示的是判断矩阵的一致性误差,误差值越小,说明判断矩阵的一致性越高,判断矩阵越容易接受;误差为0时,表示判断矩阵具有完全一致性;CI'的值越小,判断矩阵的一致性程度就越高,当CI'的值为0时,则判断矩阵具有完全一致性;将准则层各因素权重值的计算和优化归纳为目标优化问题,优化的目标函数为:
目标函数的约束条件为:
PSO-AHP的模型中的每个粒子代表一组权重值,算法达到最大迭代次数或全局最优位置满足最小界限,则结束迭代;
根据任务综合优先级,将调度云服务的任务划分成高优先级任务集合和低优先级任务集合;其中,高优先级任务集合被优先调度;通过PSO-AHP模型确定任务的综合优先级,根据得到的优先级对任务进行划分;划分两个阶段对任务进行调度,高优先级集合任务被优先调度;优先级前两位的任务划分到高优先级任务集合,采用静态非抢占的RMS方式调度,其余任务划分到低优先级任务集合,采用动态抢占式RMS方式调度。
2.如权利要求1所述的云环境下基于PSO-AHP的单调速率资源调度方法,其特征在于,根据任务综合优先级将所有任务降序排列,优先级前预设位数的任务划分到高优先级任务集合,其余任务划分到低优先级任务集合。
3.如权利要求1所述的云环境下基于PSO-AHP的单调速率资源调度方法,其特征在于,高优先级任务集合中的任务采用静态非抢占的RMS方式调度。
4.如权利要求1所述的云环境下基于PSO-AHP的单调速率资源调度方法,其特征在于,低优先级任务集合中的任务采用动态抢占式RMS方式调度。
5.如权利要求1所述的云环境下基于PSO-AHP的单调速率资源调度方法,其特征在于,调度云服务的任务综合优先级与任务价值呈正比,与任务周期呈反比,与任务运行时间呈反比。
6.如权利要求1或5所述的云环境下基于PSO-AHP的单调速率资源调度方法,其特征在于,任务周期=任务总周期/各子任务周期;任务运行时间=任务总运行时间/各子任务运行时间。
7.如权利要求1所述的云环境下基于PSO-AHP的单调速率资源调度方法,其特征在于,在基于PSO算法确定准则层中各因素对方案层专家值的权重的过程中,每个粒子代表一组权重值,PSO算法达到最大迭代次数或全局最优位置满足最小界限,则结束迭代,输出准则层中各因素对方案层专家值的权重。
8.一种云环境下基于PSO-AHP的单调速率资源调度***,其特征在于,包括:
综合优先级层次分析模块,其用于获取调度云服务的任务周期、任务价值和任务运行时间,构建综合优先级层次分析模型及相应判断矩阵;其中,综合优先级层次分析模型的目标层用于求解任务价值、任务周期和任务运行时间在任务综合优先级表达式中所占的权重值,准则层至少包含任务周期、任务价值和任务运行时间这三个因素,方案层随机获得设定组数的专家值;
任务综合优先级计算模块,其用于以判断矩阵的一致性误差最小为优化目标函数,基于PSO算法确定出准则层中各因素对方案层专家值的权重,计算出调度云服务的任务综合优先级;具体地,假设准则层各因素的权重值为ws,s=1:m,如果判断矩阵满足:
则认为其具有完全一致性;由此得出算法的优化目标为:
其中,aij表示判断矩阵中第i行的第j个元素;m代表层次分析法中准则层中因素的个数;ais表示判断矩阵中第i行的第s个元素;CI'表示的是判断矩阵的一致性误差,误差值越小,说明判断矩阵的一致性越高,判断矩阵越容易接受;误差为0时,表示判断矩阵具有完全一致性;CI'的值越小,判断矩阵的一致性程度就越高,当CI'的值为0时,则判断矩阵具有完全一致性;将准则层各因素权重值的计算和优化归纳为目标优化问题,优化的目标函数为:
目标函数的约束条件为:
PSO-AHP的模型中的每个粒子代表一组权重值,算法达到最大迭代次数或全局最优位置满足最小界限,则结束迭代;
任务优先级划分模块,其用于根据任务综合优先级,将调度云服务的任务划分成高优先级任务集合和低优先级任务集合;其中,高优先级任务集合被优先调度;通过PSO-AHP模型确定任务的综合优先级,根据得到的优先级对任务进行划分;划分两个阶段对任务进行调度,高优先级集合任务被优先调度;优先级前两位的任务划分到高优先级任务集合,采用静态非抢占的RMS方式调度,其余任务划分到低优先级任务集合,采用动态抢占式RMS方式调度。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-7中任一项所述的云环境下基于PSO-AHP的单调速率资源调度方法中的步骤。
10.一种计算机设备,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1-7中任一项所述的云环境下基于PSO-AHP的单调速率资源调度方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011099006.0A CN112231081B (zh) | 2020-10-14 | 2020-10-14 | 云环境下基于pso-ahp的单调速率资源调度方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011099006.0A CN112231081B (zh) | 2020-10-14 | 2020-10-14 | 云环境下基于pso-ahp的单调速率资源调度方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112231081A CN112231081A (zh) | 2021-01-15 |
CN112231081B true CN112231081B (zh) | 2022-08-16 |
Family
ID=74112873
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011099006.0A Active CN112231081B (zh) | 2020-10-14 | 2020-10-14 | 云环境下基于pso-ahp的单调速率资源调度方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112231081B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114386655A (zh) * | 2021-12-02 | 2022-04-22 | 国网辽宁省电力有限公司电力科学研究院 | 变压器质量检测任务调度方法及*** |
CN114780253B (zh) * | 2022-06-15 | 2022-08-30 | 广东省信息工程有限公司 | 一种大数据智能分析*** |
CN117057538B (zh) * | 2023-07-17 | 2024-04-16 | 东风设备制造有限公司 | 一种基于模型的门店维修人员调度方法及*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8776074B1 (en) * | 2010-01-22 | 2014-07-08 | Lockheed Martin Corporation | Methods, devices and systems for coordinating and optimizing resources |
CN106610866A (zh) * | 2016-06-17 | 2017-05-03 | 四川用联信息技术有限公司 | 云存储环境下一种服务价值约束的任务调度算法 |
CN109543875A (zh) * | 2018-10-16 | 2019-03-29 | 华南理工大学 | 基于集合型离散粒子群优化的云工作流调度方法 |
CN110413389A (zh) * | 2019-07-24 | 2019-11-05 | 浙江工业大学 | 一种资源不均衡Spark环境下的任务调度优化方法 |
-
2020
- 2020-10-14 CN CN202011099006.0A patent/CN112231081B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8776074B1 (en) * | 2010-01-22 | 2014-07-08 | Lockheed Martin Corporation | Methods, devices and systems for coordinating and optimizing resources |
CN106610866A (zh) * | 2016-06-17 | 2017-05-03 | 四川用联信息技术有限公司 | 云存储环境下一种服务价值约束的任务调度算法 |
CN109543875A (zh) * | 2018-10-16 | 2019-03-29 | 华南理工大学 | 基于集合型离散粒子群优化的云工作流调度方法 |
CN110413389A (zh) * | 2019-07-24 | 2019-11-05 | 浙江工业大学 | 一种资源不均衡Spark环境下的任务调度优化方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112231081A (zh) | 2021-01-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112231081B (zh) | 云环境下基于pso-ahp的单调速率资源调度方法及*** | |
CN110096349A (zh) | 一种基于集群节点负载状态预测的作业调度方法 | |
CN110737529A (zh) | 一种面向短时多变大数据作业集群调度自适应性配置方法 | |
Chakravarthi et al. | TOPSIS inspired budget and deadline aware multi-workflow scheduling for cloud computing | |
Wadhwa et al. | Optimized task scheduling and preemption for distributed resource management in fog-assisted IoT environment | |
Malik et al. | Comparison of task scheduling algorithms in cloud environment | |
Megel et al. | Minimizing task preemptions and migrations in multiprocessor optimal real-time schedules | |
CN112685153A (zh) | 微服务调度方法、装置以及电子设备 | |
CN109710372B (zh) | 一种基于猫头鹰搜索算法的计算密集型云工作流调度方法 | |
CN113157421A (zh) | 一种基于用户作业流程的分布式集群资源调度方法 | |
Ye et al. | Astraea: A fair deep learning scheduler for multi-tenant gpu clusters | |
Bertout et al. | Workload assignment for global real-time scheduling on unrelated multicore platforms | |
Grami | An energy-aware scheduling of dynamic workflows using big data similarity statistical analysis in cloud computing | |
Henzinger et al. | Scheduling large jobs by abstraction refinement | |
Wang et al. | A Smart Semipartitioned Real‐Time Scheduling Strategy for Mixed‐Criticality Systems in 6G‐Based Edge Computing | |
CN111199316A (zh) | 一种基于执行时间评估的云雾协同计算电网调度方法 | |
CN114662932A (zh) | 一种节点分级的工作流类定时任务调度方法 | |
Toporkov et al. | Dependable strategies for job-flows dispatching and scheduling in virtual organizations of distributed computing environments | |
US20240004707A1 (en) | Methods and systems for energy-efficient scheduling of periodic tasks on a group of processing devices | |
Xu et al. | Hybrid scheduling deadline-constrained multi-DAGs based on reverse HEFT | |
Tang et al. | A network load perception based task scheduler for parallel distributed data processing systems | |
CN112598112B (zh) | 一种基于图神经网络的资源调度方法 | |
CN113946440A (zh) | 一种绿色云环境下的资源调度方法 | |
CN110008002B (zh) | 基于平稳分布概率的作业调度方法、装置、终端和介质 | |
Wang et al. | A survey of system scheduling for hpc and big data |
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 |