CN113759833A - 一种多传感器采集任务调度方法 - Google Patents

一种多传感器采集任务调度方法 Download PDF

Info

Publication number
CN113759833A
CN113759833A CN202010504585.6A CN202010504585A CN113759833A CN 113759833 A CN113759833 A CN 113759833A CN 202010504585 A CN202010504585 A CN 202010504585A CN 113759833 A CN113759833 A CN 113759833A
Authority
CN
China
Prior art keywords
task
scheduling
power consumption
strategy
sensor
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
Application number
CN202010504585.6A
Other languages
English (en)
Other versions
CN113759833B (zh
Inventor
孙贵鑫
张廷廷
高飞
张硕
杨政
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.)
Aerospace Science and Industry Inertia Technology Co Ltd
Original Assignee
Aerospace Science and Industry Inertia Technology Co Ltd
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 Aerospace Science and Industry Inertia Technology Co Ltd filed Critical Aerospace Science and Industry Inertia Technology Co Ltd
Priority to CN202010504585.6A priority Critical patent/CN113759833B/zh
Publication of CN113759833A publication Critical patent/CN113759833A/zh
Application granted granted Critical
Publication of CN113759833B publication Critical patent/CN113759833B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/41865—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by job scheduling, process planning, material flow
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/4183—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by data acquisition, e.g. workpiece identification
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/4185—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by the network communication
    • G05B19/41855—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by the network communication by local area network [LAN], network structure
    • 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
    • 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
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Manufacturing & Machinery (AREA)
  • Quality & Reliability (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Power Sources (AREA)

Abstract

本发明提供了一种多传感器采集任务调度方法，根据传感器采集任务的固有特点构建传感器采集任务模型、任务执行策略，按照执行策略计算任务调度的功耗，选择最低功耗方案制定任务调度表，执行调度任务。本发明将传感器采集任务的过程根据功耗不同进行分解，获得采集任务不占用处理器的时间段用于处理其他采集任务，该方法能够更加合理的调度任务，缩短***运行时间，优化功耗。

Description

一种多传感器采集任务调度方法
技术领域
本发明涉及嵌入式***任务调度领域，尤其涉及一种多传感器采集任务调度方法。
背景技术
随着物联网及其相关技术的发展，数据采集设备作为物联网重要的一个环节，对其要求也越来越高。目前物联网数据采集设备多采用电池供电，因此，功耗成为衡量物联网数据采集设备的重要指标。影响设备功耗主要包括两个方面：硬件技术和软件技术，其中软件技术涉及到嵌入式***对多任务的调度方法。
目前常用的功耗优化任务调度方法主要有基于状态的任务调度方法和基于性能的任务调度方法，基于状态的任务调度方法主要是通过按照硬件***不同工作模式来合理的分配任务的调度顺序，从而达到降低功耗的效果。基于性能的任务调度方法主要是通过调节各任务对应的工作频率或者电压，从而达到降低功耗的效果。
现有的调度方法，都是将任务作为一个整体，利用一些手段控制每个任务的功耗，没有根据任务的固有特点进行任务调度优化。
发明内容
针对现有技术中存在的问题，本发明提供了一种多传感器采集任务调度方法，通过对传感器采集任务的固有特点进行分析，更加合理的调度任务。
本发明解决上述技术问题采用的技术方案如下：
一种多传感器采集任务调度方法，包括如下步骤：
S1、构建传感器采集任务模型Si(Tia,Tib,Tic,Pia,Pib,Pic,Wi)，其中，Tia、Tib、Tic分别为Si任务的初始化时间、等待时间和数据采集时间，且Tia＞0，Tib＞0，Tib＞0；Pia、Pib、Pic分别为Tia、Tib、Tic时间段的传感器功率；Wi为Si任务的最晚截止时间；
构建任务执行策略K(K1,K2)，其中K1为常规策略，是指任务Si按照一个整体任务进行执行，不考虑其他任务；K2为改进策略，是指在任务Si执行过程某一时刻，开始Sj任务，并使得任务Si的Tic阶段执行完成后，开始执行任务Sj的Tjc阶段；
S2、***运行前，确定所有周期任务S(S1,S2,…,SN)的模型参数，然后选S1任务调度位置为1，记为S1 1；
S3、选取一个后续任务Si，使用K2策略计算Si在不同调度位置下对应的功耗情况；
S4、如果没有出现功耗降低情况，则采用K1策略对该任务Si进行整体调度；如果出现功耗降低的情况，则选用功耗降低最多的情况，对该任务Si采用K2策略进行任务分解调度；然后重复步骤S3；
S5、所有周期任务比对完成后，形成一个任务调度表，并开始进行执行任务。
进一步的，所述多传感器采集任务调度方法还包括如下步骤：
S6、在***运行中，遇到中断任务，确定中断任务的模型参数，计算并更新当前任务模型参数，当前任务传感器保持当前功率等待任务调度；
S7、针对中断任务，使用K2改进策略计算中断任务在不同调度位置下对应的功耗情况；如果没有出现功耗降低情况，则采用K1常规策略对该中断任务进行整体调度；如果出现功耗降低的情况，则选用功耗降低最多的情况，对该中断任务采用K2改进策略进行任务分解调度；
S8、更新任务调度表，并按任务调度表继续执行任务。
进一步的，不同任务模型的参数Tia取平均数τ，Tib时间段的传感器功率取Pic，所述步骤S2中使用K2策略计算Si在不同调度位置下对应的功耗的方法如下：
Si调度位置为k＝1时，影响任务为Si 1 ,Sj 2，增加功耗为Tja*Pic-Tjb*P0；
Si调度位置为k＝2...N-1时，影响任务为Si k，增加功耗为Tia*Pic-Tib*P0；
Si调度位置为k＝N时，影响任务为Sj N-1,Si N，增加功耗为Tia*Pjc-Tib*P0；
其中，P0为处理器功耗。
本发明的有益效果：
本发明提供的一种多传感器采集任务调度方法，充分考虑传感器采集任务的固有特点，将传感器采集任务的过程根据功耗不同进行分解，获得采集任务不占用CPU的时间段用于处理其他采集任务，该方法能够更加合理的调度任务，缩短***运行时间，优化功耗。
附图说明
图1示出了根据本发明的具体实施例提供的采集任务模型及任务执行策略示意图；
图2示出了根据本发明的具体实施例提供的多传感器采集任务调度方法示意图。
其中，上述附图包括以下附图标记：
10、任务模型S1和S2；20、K1策略任务执行顺序；30、K2策略任务执行顺序。
具体实施方式
本发明提供了一种多传感器采集任务调度方法，首先，针对传感器采集任务的特点，构建传感器采集任务模型、制定任务执行策略：
传感器采集任务模型为Si(Tia,Tib,Tic,Pia,Pib,Pic,Wi)，其中，Tia、Tib、Tic分别为Si任务的初始化时间、等待时间和数据采集时间，且Tia＞0，Tib＞0，Tib＞0，其中Tib不占用处理器使用权，可以执行其他任务，Tia、Tic占用处理器使用权。Pia、Pib、Pic分别为Tia、Tib、Tic时间段的传感器功率。Wi为Si任务的最晚截止时间。
如图1所示，任务执行策略为K(K1,K2)，其中K1为常规策略，是指任务Si按照一个整体任务进行执行(按照截止时间)，不考虑其他任务。K2为改进策略，是指在任务Si执行过程某一时刻，开始Sj任务，并使得任务Si的Tic阶段执行完成后，可以开始执行任务Sj的Tjc阶段。
本发明中，处理器功耗仅包括处理器本身功耗，处理器工作于相同频率相同电压，对于传感器操作均为IO读写，此部分功耗基本相同，记为P0。
本发明中，不同任务模型的参数Tia，时间较短，且近似相同，因此统一按照平均数τ处理。不同任务模型的参数Pib和Pic，有Pic＞Pib，因此为了计算方便，在K2改进策略中，统一使用Pic进行计算。因此，使用K2改进策略后，N个任务功耗变化情况如下表：
表1改进策略下N个任务功耗变化
S<sub>i</sub>调度位置 影响任务 增加功耗
k＝1 S<sub>i</sub><sup>1</sup>,S<sub>j</sub><sup>2</sup> T<sub>ja</sub>*P<sub>ic</sub>-T<sub>jb</sub>*P<sub>0</sub>
k＝2...N-1 S<sub>i</sub><sup>k</sup> T<sub>ia</sub>*P<sub>ic</sub>-T<sub>ib</sub>*P<sub>0</sub>
k＝N S<sub>j</sub><sup>N-1</sup>,S<sub>i</sub><sup>N</sup> T<sub>ia</sub>*P<sub>jc</sub>-T<sub>ib</sub>*P<sub>0</sub>
本发明中，所有任务调度，均需满足任务截止时间Wi。其中对于周期任务的截止时间为任务的周期，一般为小时级别。对于中断任务的截止时间为最晚响应时间，一般为秒级别。
本发明提供的一种多传感器采集任务调度方法，具体步骤如下：
步骤一：***运行前，确定所有周期任务S(S1,S2,…,SN)的模型参数，然后选S1任务调度位置为1，记为S1 1。
步骤二：选取一个后续任务Si，使用K2改进策略计算Si在不同调度位置下对应的功耗情况；
步骤三：如果没有出现功耗降低情况，则采用K1常规策略对该任务Si进行整体调度；如果出现功耗降低的情况，则选用功耗降低最多的情况，对该任务Si采用K2改进策略进行任务分解调度。然后重复步骤二。
步骤四：所有周期任务比对完成后，形成一个任务调度表，并开始进行执行任务。
步骤五：在***运行中，如果有中断任务，确定中断任务的模型参数，计算并更新当前任务模型参数，当前任务传感器保持当前功率等待任务调度。
步骤六：针对中断任务，使用K2策略计算中断任务在不同调度位置下对应的功耗情况，如果没有出现功耗降低情况，则采用K1策略对该中断任务进行整体调度；如果出现功耗降低的情况，则选用功耗降低最多的情况，对该中断任务采用K2改进策略进行任务分解调度。
步骤七：更新任务调度表，并按任务调度表继续执行任务。
下面结合附图，通过具体实施方式详细地描述本发明任务调度方法。
如图2所示，一种多传感器采集任务调度方法如下：
周期任务S1(0.1,3,5,25,15,50,3600)，S2(0.1,2,10,30,10,150,3600)；中断任务S3(0.1,1,5,15,12,35,20)；处理器功耗50。
使用K2改进策略对周期任务进行调度如下：
首先调度S1：
S<sub>1</sub>调度位置 影响任务 增加功耗
k＝1 S<sub>1</sub> 0
然后调度S2：
S<sub>2</sub>调度位置 影响任务 增加功耗
k＝1 S<sub>2</sub>,S<sub>1</sub> -135
k＝2 S<sub>1</sub>,S<sub>2</sub> -95
通过计算，采用K2策略时，功耗降低了，因此可采用K2调度策略，调度顺序如图2所示。先开始S2任务，在S2任务的T2c阶段开始S1任务的T1a阶段、T1b阶段，在S2任务完成时执行S1任务的T1c阶段。
在***执行任务已完成S2任务T2c阶段30％时，***接收到中断任务，由于中断任务出现，会导致正在执行任务的模型参数发生改变，需要根据当前任务的完成度对当前任务模型的时间参数进行计算、调整,此时更新S2(0,0,7,30,10,150,3589.9)模型。然后对S3进行调度。
S<sub>3</sub>调度位置 影响任务 增加功耗
k＝1 S<sub>3</sub>,S<sub>2</sub> 915
k＝2 S<sub>3</sub> -46.5
k＝3 S<sub>1</sub>,S<sub>3</sub> -45
此处需要注意的是，中断任务出现时，当前任务传感器正处于工作状态，其保持当前功率等待任务调度处理。因此，中断任务若是在更新的任务S2之前调度，此时传感器会保持当前功率等待中断任务完成后继续工作，则增加功耗还应包括：当前任务功率×中断任务总时长。
通过上述计算可知，采用K2策略调度，同时，将S3中断任务排在S1任务之前执行，可以降低功耗，也满足截止时间要求。
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。
本发明未详细说明部分为本领域技术人员公知技术。

Claims (3)

1.一种多传感器采集任务调度方法，其特征在于，包括如下步骤：
S1、构建传感器采集任务模型Si(Tia,Tib,Tic,Pia,Pib,Pic,Wi)，其中，Tia、Tib、Tic分别为Si任务的初始化时间、等待时间和数据采集时间，且Tia＞0，Tib＞0，Tib＞0；Pia、Pib、Pic分别为Tia、Tib、Tic时间段的传感器功率；Wi为Si任务的最晚截止时间；
构建任务执行策略K(K1,K2)，其中K1为常规策略，是指任务Si按照一个整体任务进行执行，不考虑其他任务；K2为改进策略，是指在任务Si执行过程某一时刻，开始Sj任务，并使得任务Si的Tic阶段执行完成后，开始执行任务Sj的Tjc阶段；
S2、***运行前，确定所有周期任务S(S1,S2,…,SN)的模型参数，然后选S1任务调度位置为1，记为S1 1；
S3、选取一个后续任务Si，使用K2策略计算Si在不同调度位置下对应的功耗情况；
S4、如果没有出现功耗降低情况，则采用K1策略对该任务Si进行整体调度；如果出现功耗降低的情况，则选用功耗降低最多的情况，对该任务Si采用K2策略进行任务分解调度；然后重复步骤S3；
S5、所有周期任务比对完成后，形成一个任务调度表，并开始进行执行任务。
2.如权利要求1所述的多传感器采集任务调度方法，其特征在于，所述多传感器采集任务调度方法还包括如下步骤：
S6、在***运行中，遇到中断任务，确定中断任务的模型参数，计算并更新当前任务模型参数，当前任务传感器保持当前功率等待任务调度；
S7、针对中断任务，使用K2改进策略计算中断任务在不同调度位置下对应的功耗情况；如果没有出现功耗降低情况，则采用K1常规策略对该中断任务进行整体调度；如果出现功耗降低的情况，则选用功耗降低最多的情况，对该中断任务采用K2改进策略进行任务分解调度；
S8、更新任务调度表，并按任务调度表继续执行任务。
3.如权利要求1所述的多传感器采集任务调度方法，其特征在于，不同任务模型的参数Tia取平均数τ，Tib时间段的传感器功率取Pic，所述步骤S2中使用K2策略计算Si在不同调度位置下对应的功耗的方法如下：
Si调度位置为k＝1时，影响任务为Si 1 ,Sj 2，增加功耗为Tja*Pic-Tjb*P0；
Si调度位置为k＝2...N-1时，影响任务为Si k，增加功耗为Tia*Pic-Tib*P0；
Si调度位置为k＝N时，影响任务为Sj N-1,Si N，增加功耗为Tia*Pjc-Tib*P0；
其中，P0为处理器功耗。
CN202010504585.6A 2020-06-05 2020-06-05 一种多传感器采集任务调度方法 Active CN113759833B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010504585.6A CN113759833B (zh) 2020-06-05 2020-06-05 一种多传感器采集任务调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010504585.6A CN113759833B (zh) 2020-06-05 2020-06-05 一种多传感器采集任务调度方法

Publications (2)

Publication Number Publication Date
CN113759833A true CN113759833A (zh) 2021-12-07
CN113759833B CN113759833B (zh) 2023-06-06

Family

ID=78783974

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010504585.6A Active CN113759833B (zh) 2020-06-05 2020-06-05 一种多传感器采集任务调度方法

Country Status (1)

Country Link
CN (1) CN113759833B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105577796A (zh) * 2015-12-25 2016-05-11 曙光信息产业(北京)有限公司 集群的功耗控制方法及装置
US20180052452A1 (en) * 2016-08-18 2018-02-22 i Smart Technologies Corporation Operating state acquisition apparatus, production management system, and production management method for manufacturing line
CN109597378A (zh) * 2018-11-02 2019-04-09 华侨大学 一种资源受限混合任务能耗感知方法
WO2019228285A1 (zh) * 2018-05-28 2019-12-05 华为技术有限公司 一种任务调度方法及装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105577796A (zh) * 2015-12-25 2016-05-11 曙光信息产业(北京)有限公司 集群的功耗控制方法及装置
US20180052452A1 (en) * 2016-08-18 2018-02-22 i Smart Technologies Corporation Operating state acquisition apparatus, production management system, and production management method for manufacturing line
WO2019228285A1 (zh) * 2018-05-28 2019-12-05 华为技术有限公司 一种任务调度方法及装置
CN109597378A (zh) * 2018-11-02 2019-04-09 华侨大学 一种资源受限混合任务能耗感知方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
贺小川;贾焰;: "EPTS:一种实时动态电压调整的抢占阈值调度器" *

Also Published As

Publication number Publication date
CN113759833B (zh) 2023-06-06

Similar Documents

Publication Publication Date Title
JP6169547B2 (ja) チップ上のマルチコアシステムの全域チップ電力を管理する方法およびその装置
ul Islam et al. Hybrid DVFS scheduling for real-time systems based on reinforcement learning
TWI525547B (zh) 用以避免無效率核心跳換及提供硬體輔助低功率狀態選擇之機構
Huang et al. Autonomous power management with double-Q reinforcement learning method
CN109117255A (zh) 基于强化学习的异构多核嵌入式***能耗优化调度方法
CN102622273B (zh) 基于自学习负载预测的集群按需启动方法
CN102902581B (zh) 硬件加速器及方法、中央处理单元、计算设备
Zhong et al. System-wide energy minimization for real-time tasks: Lower bound and approximation
CN105677000B (zh) 动态电压频率调整的***及方法
US10157155B2 (en) Operating system-managed interrupt steering in multiprocessor systems
CN104820618B (zh) 一种任务调度方法、任务调度装置及多核***
US20050262365A1 (en) P-state feedback to operating system with hardware coordination
CN110941325A (zh) 处理器的调频方法及装置、计算设备
KR101770736B1 (ko) 응용프로그램의 질의 스케쥴링을 이용한 시스템의 소모전력 절감 방법 및 그 방법을 이용하여 소모전력을 절감하는 휴대단말기
JP2008107944A (ja) データ処理装置
CN112101773A (zh) 一种用于流程工业的多智能体***任务调度方法及***
US20190317589A1 (en) Idle Loop Detection And Control For Processors
Huang et al. Double-Q learning-based DVFS for multi-core real-time systems
JP2003271401A (ja) 負荷監視機能を有するマイクロプロセッサ
Goubaa et al. Scheduling periodic and aperiodic tasks with time, energy harvesting and precedence constraints on multi-core systems
US20140007135A1 (en) Multi-core system, scheduling method, and computer product
CN113759833B (zh) 一种多传感器采集任务调度方法
JP5708003B2 (ja) 演算処理装置、計算ノード、並列計算機システム、演算処理方法および演算処理プログラム
CN117331668A (zh) 一种作业调度方法、装置、设备及存储介质
Morchdi et al. A Resource-efficient Task Scheduling System using Reinforcement Learning

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