CN102256369B - 基于能量和通信开销的无线传感器网格任务调度方法 - Google Patents
基于能量和通信开销的无线传感器网格任务调度方法 Download PDFInfo
- Publication number
- CN102256369B CN102256369B CN201110176991.5A CN201110176991A CN102256369B CN 102256369 B CN102256369 B CN 102256369B CN 201110176991 A CN201110176991 A CN 201110176991A CN 102256369 B CN102256369 B CN 102256369B
- Authority
- CN
- China
- Prior art keywords
- task
- node
- grid
- energy
- communication overhead
- 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.)
- Expired - Fee Related
Links
Images
Classifications
-
- 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
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种基于能量和通信开销的无线传感器网格任务调度方法,属于通信技术领域。该方法将无线传感器网格的任务调度方法分为在无线传感器网络的数据收集阶段和网格中数据分析计算阶段,在无线传感器网络中使用基于图元神经的模式匹配方法,以减少无线传感器网络中节点的计算任务,有效降低传感器节点环境感知、数据传递、计算等任务消耗的能量,节省了电源的能量,延长节点寿命;在网格中采用基于复制策略的遗传算法,根据关键任务的优先级,采用作业复制的策略有效减少任务之间的通信开销,实现作业在最短的时间内完成。
Description
技术领域
本发明涉及一种网格的任务调度方法,特别是一种基于能量和通信开销的无线传感器网格任务调度方法。
背景技术
无线传感器网络由一系列的传感器节点构成,每个节点都具有环境感知、数据处理和无线通信能力。而网格是用于解决在动态的、多机构的虚拟中协调资源共享和协作的问题,核心思想是在一组参与节点(资源提供者和消费者)中协商资源共享管理的能力,利用协商得到的资源池共同解决一些问题。无线传感器网络是传感器之间在物理上和逻辑上的连接而形成的网络,而网格则是用于有关传感器节点及其感测数据的数据管理、计算管理、信息管理和知识发现管理。将传感器网络接入到网格中,接入后所形成的新的网格称之为“传感器网格”,传感器网格可以利用网格的计算资源和数据存储资源,存储、分析和处理传感器获取的大量数据,无缝地访问若干传感器节点获得所需的数据,使用户能有效地共享这些传感器。目前,关于无线传感器网格的研究越来越多,而无线传感器网格中任务调度的算法也引起了越来越多的关注。虽然网格技术以高性能的计算能力备受人们的关注,但是由于传感器节点具有电池供电、计算存储能力有限、通信带宽低的缺点,这使其在处理和利用所得数据时受到了限制。
发明内容
本发明目的就在提供一种基于能量和通信开销的无线传感器网格任务调度方法,该方法通过减少无线传感器网络中节点的计算任务,使传感器节点专注于收集和传输信息,节省了电源的能量。此外,还通过利用网格技术处理所有的计算任务,提高计算的效率和准确率。
实现本发明目的采用的技术方案是:一种基于能量和通信开销的无线传感器网格任务调度方法,在无线传感器网络中使用基于图元神经的模式匹配方法,以减少无线传感器网络中节点的计算任务;和/或在网格中采用基于复制策略的遗传算法,根据关键任务的优先级,采用作业复制的策略实现关键任务的作业在最短的时间内完成,以有效的降低任务之间的通信开销从而最大限度地获得最优的时间跨度。
所述基于图元神经的模式匹配方法包括以下步骤:
(2-1)不断查看是否有新的任务到来,如果没有任务到来则一直处于等待状态;
(2-2)执行任务得到的任务和结果信息组成的模式离散地存储在传感器节点上;
(2-3)传感器节点在获取任务主题信息之后,利用模式匹配程序把任务主题和本地存储的模式进行匹配,如果匹配成功,唤起该传感器节点,并计算出一个针对该任务的局部结果;
(2-4)把被唤起的传感器节点组织成一个匹配集合,如果匹配集合中节点的个数小于Num,此次任务匹配失败,算法结束;如果匹配集合中节点的个数不小于Num,则进入步骤(2-5),其中Num为多次试验得到一个最好的经验值;
(2-5)根据匹配集合中各个节点的匹配模式与任务主题信息的匹配程度,计算出各个匹配模式的影响因子:
其中,Infi为被唤醒节点Ni中匹配模式的影响因子,Mi为Ni节点中匹配模式与查询任务的匹配程度,Mj为节点Nj中匹配模式与查询任务的匹配程度,Nj表示第j个节点;
(2-6)根据匹配集合中各节点匹配模式的局部结果和影响因子,通过下式计算出全局结果:
所述基于遗传算法的复制策略包括任务的优先级对关键任务进行作业复制的策略,作业复制数Ncopy为:
其中,α是复制比例,用以根据具体无线传感器网格环境调整任务的复制比例;PRI(vi)是任务节点vi的任务调度优先级,由下式计算得出:
H(Vi)为执行计算任务节点Vi的高度,H(Vj)为执行计算任务节点Vj的高度,N为执行计算子任务的个数。
所述遗传算法包括以下步骤:
(4-1)生成初始群种:
(4-2)计算适应度;
(4-3)选取遗传算法终止时种群中适应值最好的个体作为任务调度的最优解,并将该最优解作为禁忌搜索的初始解,禁忌表置为空;
(4-4)设定最大迭代数maxL和maxBest,如果迭代次数达到maxL或某个禁忌对象出现了maxBest次,则终止算法,否则进入步骤(4-5),终止算法后通过染色体解码并根据任务优先级以一定的概率进行任务复制;
(4-5)由当前解产生领域解,根据藐视准则,如果某个禁忌候选解的目标函数小于CurBestFit状态,则解禁该候选解为当前状态,并更新CurBestFit状态;如果所有的候选解都是禁忌候选解,且都大于CurBestFit,解禁最小的候选解为当前状态,并更新CurBestFit状态,进入步骤(4-4);如果某个禁忌候选解的目标函数不小于CurBestFit状态,则进入步骤(4-6);
(4-6)将非禁忌对象对应的最佳解作为当前解,并用该对象替换最早进入禁忌表的对象,进入步骤(4-4)循环操作。
上述步骤(4-1)中生成初始群种包括以下步骤:
(5-1)计算任务图中每个任务的高度H(Vi);
(5-2)计算每个任务的优先级及任务复制数,根据任务复制数复制每个任务。
(5-3)所有任务按高度升序排列,同样高度的任务按随机顺序排列,生成任务序列;
(5-4)将每个任务按步骤(5-2)得到的顺序,逐个随机映射到m个网格计算资源中的一个,生成染色体;
(5-5)按照设定的种群大小pSize,重复步骤(3)(4)pSize次,生成初始种群。
上述步骤(4-3)中遗传算法终止迭代的最大迭代次数L,当迭代次数超过L时,迭代终止;在没有达到L时,设终止代数G和终止阈值T,如果连续G代,时,迭代终止。遗传算法不满足终止条件时,则依次通过选择、交叉、变异操作直至遗传算法终止。所述的选择操作是采用轮盘赌的选择方式,按照染色体的适应度确定染色体被选择的概率。交叉操作是随机选择两个染色体,再随机选择某个高度,交换这两个染色体中该高度上的所有任务顺序和任务所对应的计算资源的顺序。变异操作是根据设定的变异概率决定本次是否会发生变异,如果会发生变异,随机选择某个染色体上的某个位置,随机映射到新的网格计算资源上。
本发明方法把无线传感器网格的任务拆分为两个阶段:在无线传感器网络的数据收集阶段和网格中数据分析计算阶段,具有以下优点:
(1)在无线传感器网络数集阶段中,采用基于图元神经的模式匹配算法,充分利用已知的任务和其执行结果来估计当前任务的结果,不但可以很快地做出决策,而且降低了无线传感器节点感知数据的能量开销,并且减少了通信和计算的能量开销。通过减少无线传感器网络中节点的计算任务,使无线传感器节点专注于收集和传输信息,有效降低传感器节点环境感知、数据传递、计算等任务消耗的能量,节省了电源的能量,延长节点寿命。
(2)在网格中,本发明考虑真实的网格环境:任务之间具有相互的依赖关系、网格资源之间是普遍异构的、任务之间存在一定的通信开销,而不是简单的假定任务是相互独立的、资源节点是同构的、相互之间不存在通信开销。因此,本发明在网格中的计算任务调度考虑任务间的通信开销,采用基于遗传算法的复制策略,根据关键任务的优先级,采用作业复制的策略对关键任务在多个资源节点进行部署。采用作业复制的策略可以有效减小任务之间的通信开销、并能够保证关键任务的成功执行,在获取最优时间跨度的情况下,还具有一定的容错功能。
附图说明
图1是无线传感器网格的构示意图。
图2是基于图元神经的模式匹配流程图。
图3是基于遗传算法的复制策略流程图。
具体实施方式
下面结合具体的实施例和说明书附图对本发明的技术方案作进一步的说明。
无线传感器网格的结构如图1所示,用户访问层提供了网格入口或者是工作流程管理工具的一个网格接口,用户通过该接口提交应用到无线传感器网格上去执行,首先在传感器网络中去收集任务调度所需要的数据,然后在网格上对这些传感器数据进行分析计算。网格元调度根据作业在无线传感器网络端所请求的资源来对任务进行调度和路由;网格代理将网格查询转换为简单的无线传感器格式并且将它提交给相应的无线传感器网关。无线传感器网关分析这个查询将它们转换为模式,并且将它们提交给相应的无线传感器节点。运行于传感器节点的图元神经GN(Graph Neuron)完成相关的GN应用步骤,对查询产生单一的响应;结果最终由无线传感器网关提交给网格代理;网格代理整合无线传感器网络产生的结果以产生最终的结果,并由网格代理传递给网格系统进行分析计算。
本实施例对无线传感器网格任务调度分为两个阶段:数据收集阶段和数据分析计算阶段。数据收集阶段就是在无线传感器网络中,使用基于图元神经的模式匹配算法,有效降低传感器节点环境感知、数据传递、计算等任务消耗的能量,延长节点寿命。基于图元神经的模式匹配算法,包括以下步骤:首先,把执行任务得到的任务和结果信息组成的模式离散地存储在传感器节点上,模式和传感器节点有多对一的关系,一个传感器节点可以存储多个模式,但一个模式只能存储在一个传感器节点之上,利用离散存储的方法可以防止个别节点负荷过重。其次,传感器节点中的模式匹配程序使用基于图元神经的模式匹配算法把当前节点中存储的每个模式和下一个要执行的任务主题进行匹配,如果匹配成功,该传感器节点被唤起,根据模式主题与任务主题匹配的相似程度产生一个局部结果。最后,被唤起的传感器节点被组织成一个匹配集合,匹配集合中节点的个数达到预定的数目时,匹配集合中的每个传感器节点将它们各自得出的局部结果进行综合后得到全局结果,否则,此次匹配失败,即无法找到足够的任务主题信息。在综合结果时,模式主题与任务主题匹配的相似程度会影响该模式的局部结果对全局结果的影响程度。但是如果匹配集合中节点的个数过少,全局结果可能会受某一个或少数几个模式的影响较大,容易引起较大的误差。只有匹配集合中节点的个数达到一定数目时,才可用局部结果产生全局结果,
所述基于图元神经的模式匹配算法具体流程如图2所示,具体包括以下步骤:
(2-1)不断查看是否有新的任务到来,如果没有任务到来则一直处于等待状态;
(2-2)执行任务得到的任务和结果信息组成的模式离散地存储在传感器节点上;
(2-3)传感器节点在获取任务主题信息之后,利用模式匹配程序把任务主题和本地存储的模式进行匹配,如果匹配成功,唤起该传感器节点,并计算出一个针对该任务的局部结果;
(2-4)把被唤起的传感器节点组织成一个匹配集合,如果匹配集合中节点的个数小于Num,此次任务匹配失败,算法结束;如果匹配集合中节点的个数不小于Num,则进入步骤(2-5),其中Num为多次试验得到一个最好的经验值;
(2-5)根据匹配集合中各个节点的匹配模式与任务主题信息的匹配程度,计算出各个匹配模式的影响因子:
其中,Infi为被唤醒节点Ni中匹配模式的影响因子,Mi为Ni节点中匹配模式与查询任务的匹配程度,Mj为节点Nj中匹配模式与查询任务的匹配程度,Nj表示第j个节点;
(2-6)根据匹配集合中各节点匹配模式的局部结果和影响因子,通过下式计算出全局结果:
本发明在无线传感器网络中使用基于图元神经的模式匹配算法可以充分利用已知的任务和其执行结果来估计当前任务的结果,在任务重复性比较大或相似任务比较多的情况下,不但可以很快地做出决策,而且降低了传感器节点感知数据的能量开销,并且减少了通信和计算的能量开销。在无线传感器网络中使用该算法不仅节省了传感器节点的能量,而且提高了任务的执行速度。
本实施例在网格任务调度的数据分析计算阶段使用的方法是:在网格中,通过采用基于遗传算法的复制策略,有效地降低任务之间的通信开销从而最大限度的获得最优的时间跨度。
具有依赖任务的网格任务调度算法主要基于有向无环图模型,因此依赖任务调度也就是对应的DAG调度。与独立的任务调度不同,依赖任务调度不仅需要解决任务到处理机的分配还需要解决任务在处理机上的时间安排。不同的前驱任务调度策略会对后继任务的调度造成很大的影响。
大多数早期的DAG调度算法针对同构的计算平台,现在的大多数针对异构环境的DAG调度算法只是将任务的执行时间和通信时间分别简单的去进行加权平均,然后使用同构的平台调度算法进行调度。本专利就是在进行任务调度时考虑真实的网格调度环境,而不是仅仅考虑计算开销而忽略通信开销。本实施例进行如下假设和定义:有向无环图包含四个元素,通常定义为G=(V,E,C,M);其中代表一个任务,表明任务vi与vj之间存在着先后关系,并且vj应该在vi结束之后才能执行;C(vi)代表任务vi的计算代价;M(vi,vj)代表任务vi向任务vj发送数据的通信代价。如果vi,vj被分配到同一个处理单元那么它们之间的通信代价为0。如果,vi到vj存在一条路径,那么vi称为vj前驱,vj称为vi的后继;如果(vi,vj)∈E,那么vi称为vj的直接前驱,定义为vi∈iPred(vj),vj称为vi的直接后继,定义为vj∈iSucc(vi)。
由DAG表示的任务图是分层的,每层都有一个深度值,深度值越小,任务调度的优先级就越高,在任务调度的过程中就要优先保证任务的成功执行。
深度值用公式表示如下:
其中,iPred(vj)代表vj的前驱节点的集合,H(vj)代表vj的高度。
定义S(G)为基于有向无环图的任务调度,S(G)用来将任务分配到合适的处理单元并为每一个任务分配一个合适的开始时间。定义ST(v,p)为任务v在处理单元p上的开始执行时间,那么任务v在处理单元p上的完成时间FT(v,p)可以表示为:
任务调度的跨度makespan(S)用公式表示如下:
makespan(S)=max{FT(v,p)|v∈V,p∈P}
当iPre(vj)=Φ时:
当vi,vj,vk∈V,vi∈iPred(vj),pri(vk)<pri(vi)时:
为任务选择处理机的基本思想是使任务尽早执行,对于相同的处理单元任务越早开始执行,其完成时间也就越早,如果所有的任务都能在最早时间开始执行那么任务调度就能够达到最优。然而,由于通信开销及处理机数目的限制,保证所有任务的最早时间启动是很困难的:随着任务调度的不断进行,任务可能的开始时间也会随着前驱节点所在处理机的不同而不断变化。任务调度必须满足如下条件:
1.任务依赖约束:对于任务vi,vj,如果eij∈E,那么它们被映射到同一处理单元上,即PE(vi)=PE(vj),那么任务vj必须等到其前驱节点vi执行完毕,才能开始执行,即必须满足:
如果PE(vi)=PE(vj),那么任务vj必须等到其前驱任务节点vi执行完毕,而且vi的消息到达后才能开始执行,即必须满足:
2.资源约束:分配到同一处理机上的任意两个任务执行时间上不能交叠,即必须满足:如果PE(vi)=PE(vj),那么:
[ST(vi,PE(vi)),FT(vi,PE(vi))]∩[ST(vj,PE(vj)),FT(vj,PE(vj))]=Φ
作业复制的策略能够最大限度的保证作业在最短的时间内完成,而且能够很好的处理各种错误,但在很多情况下,特别是系统相对稳定的情况下,作业复制会占用太多的系统资源,因此任务复制数要依据一定的策略制定,以减小系统资源的浪费。本实施例采用根据任务的优先级对关键任务进行作业复制的策略,作业复制数Ncopy为:
其中,α是复制比例,用以根据具体无线传感器网格环境调整任务的复制比例;PRI(vi)是任务节点vi的任务调度优先级,由下式计算得出:
H(Vi)为执行计算任务节点Vi的高度,H(Vj)为执行计算任务节点Vj)的高度,N为执行计算子任务的个数。在有向无环图模型中,深度低的任务节点要在深度高的节点开始之前完成,所以任务节点的优先级与深度成反比,深度越低的任务节点,开始时间越早,优先级越高。优先级高的任务的执行结束时间将直接影响优先级低的节点的开始时间,本专利根据任务节点的优先级调整任务的备份数,可以有效减小任务之间的通信代价,提高任务调度的成功率。
遗传算法是一种基于生物自然选择与遗传机理的随机搜索算法,它从一组随机产生的称为“种群”的初始解开始搜索过程,种群中每个个体是问题的一个解,称为“染色体”。使用遗传算法具有领域无关的群体性全局搜索能力,可避免陷入局部最优。
本实施离基于复制策略的遗传算法如图3所示,包括以下步骤:
(4-1)产生初始群种:a.计算任务图中每个任务的高度H(Vi);b.计算每个任务的优先级及任务复制数,根据任务复制数复制每个任务;c.然后将所有任务按高度升序排列,同样高度的任务按随机顺序排列,生成任务序列;d.再将每个任务按照复制任务得到的顺序,逐个随机映射到m个网格计算资源中的一个,生成染色体;e.按照设定的种群大小pSize,重复pSize次步骤c、d,生成初始种群。
(4-2)计算适应度。适应度函数用于评价染色体优劣,本实施例中,适应度函数取决于调度的完成时间,即所有执行计算子任务执行完成所用的时间。完成时间越短,染色体越优,该调度序列越优。
其中,FT(vjk,p)是任务节点vj的完成时间,由个复制任务在各自资源上执行的平均完成时间表示;T(Him)表示第i个染色体所在的Him层的执行结束时间;Fit(ci)表示种群中第i个染色体ci的适应度;F(ci)为子任务序列在ci对应的网格计算资源上执行时的完成时间,等于T(max0<j<NH(vj))。
(4-3)选取遗传算法终止时种群中适应值最好的个体作为任务调度的最优解,并将该最优解作为禁忌搜索的初始解,禁忌表置为空;
(4-4)设定最大迭代数maxL和maxBest,如果迭代次数达到maxL或某个禁忌对象出现了maxBest次,则终止算法,否则进入步骤(4-5),终止算法后通过染色体解码并根据任务优先级以一定的概率进行任务复制;
(4-5)由当前解产生领域解,根据藐视准则,如果某个禁忌候选解的目标函数小于最佳状态CurBestFit,则解禁该候选解为当前状态,并更新最佳状态CurBestFit;如果所有的候选解都是禁忌候选解,且都大于最佳状态CurBestFit,解禁最小的候选解为当前状态,并更新最佳状态CurBestFit,进入步骤(4-4);如果某个禁忌候选解的目标函数不小于最佳状态CurBestFit,则进入步骤(4-6);
(4-6)将非禁忌对象对应的最佳解作为当前解,并用该对象替换最早进入禁忌表的对象,进入步骤(4-4)循环操作。
上述步骤(4-3)中遗传算法终止迭代的最大迭代次数L,当迭代次数超过L时,迭代终止;在没有达到L时,设终止代数G和终止阈值T,如果连续G代,时,迭代终止。遗传算法不满足终止条件时,则依次通过选择、交叉、变异操作直至遗传算法终止。
上述基于遗传算法伪代码如下所示:
begin
(1)随机生成大小为pSize的初始种群;
(2)计算适应度函数值;
for i=1;i<pSize+1;i++
end for
(3)判断是否满足停止准则;
执行遗传操作:选择、交叉、变异操作;
迭代次数++;
Endwhile
选择遗传算法产生解中的最优解x,令禁忌搜索算法的初始解X=x,禁忌表TabuList=Φ;
While(迭代次数≠maxL and禁忌对象的禁忌被禁忌次数<maxTabu)
(4)生成X的领域N(x);
(5)生成候选解集:
从领域N(x)中选出一部分目标函数较小的解作为候选解集合candidate(x)
(6)搜索:
(7)禁忌表更新:
if找到最优解y then
把X插入到TabuList中;
endif
endwhile
end
上述算法得到的执行计算子任务序列及对应资源序列即为最优的任务调度序列。在执行任务过程中,按照执行计算子任务的序列,同一子任务优先选择排在前面的资源,如果该资源不能成功执行,则顺序选择下一个资源执行,直到任务成功调度完成为止,从而保证了无线传感器网格中的任务调度具有较好的容错机制。
Claims (9)
1.一种基于能量和通信开销的无线传感器网格任务调度方法,其特征在于:
在无线传感器网络中使用基于图元神经的模式匹配方法,以减少无线传感器网络中节点的计算任务;
和在网格中采用基于复制策略的遗传算法,根据关键任务的优先级,采用作业复制的策略实现关键任务的作业在最短的时间内完成,以有效的降低任务之间的通信开销从而最大限度地获得最优的时间跨度;
所述基于图元神经的模式匹配方法包括以下步骤:
(2-1)不断查看是否有新的任务到来,如果没有任务到来则一直处于等待状态;
(2-2)执行任务得到的任务和结果信息组成的模式离散地存储在传感器节点上;
(2-3)传感器节点在获取任务主题信息之后,利用模式匹配程序把任务主题和本地存储的模式进行匹配,如果匹配成功,唤起该传感器节点,并计算出一个针对该任务的局部结果;
(2-4)把被唤起的传感器节点组织成一个匹配集合,如果匹配集合中节点的个数小于Num,此次任务匹配失败,算法结束;如果匹配集合中节点的个数不小于Num,则进入步骤(2-5),其中Num为多次试验得到一个最好的经验值;
(2-5)根据匹配集合中各个节点的匹配模式与任务主题信息的匹配程度,计算出各个匹配模式的影响因子:
其中,Infi为被唤醒节点Ni中匹配模式的影响因子,Mi为Ni节点中匹配模式与查询任务的匹配程度,Mj为节点Nj中匹配模式与查询任务的匹配程度,Nj表示第j个节点;
(2-6)根据匹配集合中各节点匹配模式的局部结果和影响因子,通过下式计算出全局结果:
2.根据权利要求1所述基于能量和通信开销的无线传感器网格任务调度方法,其特征在于,根据关键任务的优先级,对关键任务采用基于遗传算法的作业复制策略,作业复制数Ncopy为:
其中,α为复制比例,是根据具体无线传感器网格环境调整任务的复制比例;PRI(vi)是任务节点vi的任务调度优先级,由下式计算得出:
H(Vi)为执行计算任务节点Vi的高度,H(Vj)为执行计算任务节点Vj的高度,N为执行计算子任务的个数;
由DAG表示的任务图是分层的,每层都有一个高度值,高度值越小,任务调度的优先级就越高,在任务调度的过程中就要优先保证任务的成功执行,高度值用公式表示如下:
其中,iPred(vi)代表vi的前驱节点的集合,H(vi)代表vi的高度。
3.根据权利要求2所述基于能量和通信开销的无线传感器网格任务调度方法,其特征在于,所述基于复制策略的遗传算法包括以下步骤:
(4-1)生成初始群种:
(4-2)计算适应度;
(4-3)选取遗传算法终止时种群中适应值最好的个体作为任务调度的最优解,并将该最优解作为禁忌搜索的初始解,禁忌表置为空;
(4-4)设定最大迭代数maxL和maxBest,如果迭代次数达到maxL或某个禁忌对象出现了maxBest次,则终止算法,否则进入步骤(4-5),终止算法后通过染色体解码并根据任务优先级以一定的概率进行任务复制;
(4-5)由当前解产生领域解,根据藐视准则,如果某个禁忌候选解的目标函数小于最佳状态,则解禁该候选解为当前状态,并更新最佳状态;如果所有的候选解都是禁忌候选解,且都大于最佳状态,解禁最小的候选解为当前状态,并更新最佳状态,进入步骤(4-4);如果某个禁忌候选解的目标函数不小于最佳状态,则进入步骤(4-6);
(4-6)将非禁忌对象对应的最佳解作为当前解,并用该对象替换最早进入禁忌表的对象,进入步骤(4-4)循环操作。
4.根据权利要求3所述基于能量和通信开销的无线传感器网格任务调度方法,其特征在于,生成初始群种包括以下步骤:
(5-1)计算任务图中每个任务的高度H(Vi);
(5-2)计算每个任务的优先级及任务复制数,根据任务复制数复制每个任务;
(5-3)所有任务按高度升序排列,同样高度的任务按随机顺序排列,生成任务序列;
(5-4)将每个任务按步骤(5-2)得到的顺序,逐个随机映射到m个网格计算资源中的一个,生成染色体;
(5-5)按照设定的种群大小pSize,重复步骤(5-3)(5-4)pSize次,生成初始种群。
6.根据权利要求3或5所述基于能量和通信开销的无线传感器网格任务调度方法,其特征在于:遗传算法不满足终止条件时,则依次通过选择、交叉、变异操作直至遗传算法终止。
7.根据权利要求6所述基于能量和通信开销的无线传感器网格任务调度方法,其特征在于:所述的选择操作是采用轮盘赌的选择方式,按照染色体的适应度确定染色体被选择的概率。
8.根据权利要求6所述基于能量和通信开销的无线传感器网格任务调度方法,其特征在于:所述的交叉操作是随机选择两个染色体,再随机选择某个高度,交换这两个染色体中该高度上的所有任务顺序和任务所对应的计算资源的顺序。
9.根据权利要求6所述基于能量和通信开销的无线传感器网格任务调度方法,其特征在于:所述的变异操作是根据设定的变异概率决定本次是否会发生变异,如果会发生变异,随机选择某个染色体上的某个位置,随机映射到新的网格计算资源上。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110176991.5A CN102256369B (zh) | 2011-06-28 | 2011-06-28 | 基于能量和通信开销的无线传感器网格任务调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110176991.5A CN102256369B (zh) | 2011-06-28 | 2011-06-28 | 基于能量和通信开销的无线传感器网格任务调度方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102256369A CN102256369A (zh) | 2011-11-23 |
CN102256369B true CN102256369B (zh) | 2014-05-21 |
Family
ID=44983287
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201110176991.5A Expired - Fee Related CN102256369B (zh) | 2011-06-28 | 2011-06-28 | 基于能量和通信开销的无线传感器网格任务调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102256369B (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103974388B (zh) * | 2013-01-29 | 2017-11-07 | 中国人民解放军总参谋部第六十一研究所 | 一种无线传感器网络数据融合方法及装置 |
CN103491024B (zh) * | 2013-09-27 | 2017-01-11 | 中国科学院信息工程研究所 | 一种面向流式数据的作业调度方法及装置 |
CN103686777B (zh) * | 2013-12-26 | 2016-10-19 | 河海大学常州校区 | 一种基于逆向拍卖策略的无线传感器网络中复杂任务协作求解方法 |
CN107273193A (zh) * | 2017-04-28 | 2017-10-20 | 中国科学院信息工程研究所 | 一种基于dag的面向多计算框架的数据处理方法及系统 |
CN107820276B (zh) * | 2017-10-27 | 2019-09-20 | 北京邮电大学 | 一种无线传感器任务分配方法 |
CN107911834B (zh) * | 2017-12-28 | 2020-09-22 | 西安电子科技大学 | 以数据为中心的无线传感器网络中生命期最优dag构造方法 |
CN109996171B (zh) * | 2019-03-11 | 2020-10-23 | 上海电力学院 | 用于无线传感网络的遗传-禁忌搜索优化的Amorphous定位方法 |
CN110262879B (zh) * | 2019-05-17 | 2021-08-20 | 杭州电子科技大学 | 一种基于平衡探索与利用的蒙特卡洛树搜索方法 |
CN110119317B (zh) * | 2019-05-22 | 2021-02-26 | 湖南大学 | 一种基于遗传算法的云计算任务调度方法和系统 |
CN110635486B (zh) * | 2019-11-11 | 2023-01-06 | 哈尔滨工业大学 | 一种计及配电网络约束条件的负荷调频优化调度方法 |
CN112533207B (zh) * | 2021-02-05 | 2021-05-07 | 浙江地芯引力科技有限公司 | 一种无线传感器的数据验证方法、装置及其系统 |
CN113485819A (zh) * | 2021-08-03 | 2021-10-08 | 北京八分量信息科技有限公司 | 异构任务的预处理方法、装置及相关产品 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1724684A1 (en) * | 2005-05-17 | 2006-11-22 | BUSI Incubateur d'entreprises d'AUVEFGNE | System and method for task scheduling, signal analysis and remote sensor |
CN101068157A (zh) * | 2007-06-07 | 2007-11-07 | 武汉理工大学 | 基于时间和费用约束的网格任务调度方法 |
-
2011
- 2011-06-28 CN CN201110176991.5A patent/CN102256369B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1724684A1 (en) * | 2005-05-17 | 2006-11-22 | BUSI Incubateur d'entreprises d'AUVEFGNE | System and method for task scheduling, signal analysis and remote sensor |
CN101068157A (zh) * | 2007-06-07 | 2007-11-07 | 武汉理工大学 | 基于时间和费用约束的网格任务调度方法 |
Non-Patent Citations (4)
Title |
---|
Baig Zubair A.SGSIA-In-Network Data Preprocessing for Secure Grid-Sensor Integration.《e-Science Grid Computing |
SGSIA-In-Network Data Preprocessing for Secure Grid-Sensor Integration;Baig,Zubair A;《e-Science Grid Computing,2006,e-Science’06, Second IEEE International Conference on》;20061231;4页第1栏-第5页第1栏 * |
刘伟伟.基于复制和动态优先级网格任务调度算法研究.《大连理工大学2009年硕士学位论文》.2010, |
基于复制和动态优先级网格任务调度算法研究;刘伟伟;《大连理工大学2009年硕士学位论文》;20100120;第25页第1段-第34页第2段 * |
Also Published As
Publication number | Publication date |
---|---|
CN102256369A (zh) | 2011-11-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102256369B (zh) | 基于能量和通信开销的无线传感器网格任务调度方法 | |
Liang et al. | Mobility-aware charging scheduling for shared on-demand electric vehicle fleet using deep reinforcement learning | |
CN109753751B (zh) | 一种基于机器学习的mec随机任务迁移方法 | |
Chen et al. | Efficiency and fairness oriented dynamic task offloading in internet of vehicles | |
CN106315319A (zh) | 一种电梯智能预调度方法及系统 | |
CN105843679B (zh) | 自适应众核资源调度方法 | |
CN111611062B (zh) | 云边协同分层计算方法及云边协同分层计算系统 | |
CN114721833A (zh) | 一种基于平台业务类型的智能云端协调方法和装置 | |
CN103701894A (zh) | 动态资源调度方法与系统 | |
Pillac et al. | On the dynamic technician routing and scheduling problem | |
CN104077634B (zh) | 基于多目标优化的主动‑反应式动态项目调度方法 | |
CN114327811A (zh) | 一种任务调度方法、装置、设备及可读存储介质 | |
Huang et al. | Smart energy management system based on reconfigurable AI chip and electrical vehicles | |
Guériau et al. | Constructivist approach to state space adaptation in reinforcement learning | |
Hua et al. | Optimality-guaranteed algorithms on the dynamic shared-taxi problem | |
Xi et al. | Hmdrl: Hierarchical mixed deep reinforcement learning to balance vehicle supply and demand | |
Zhou et al. | A robust deep reinforcement learning approach to driverless taxi dispatching under uncertain demand | |
CN110119268B (zh) | 基于人工智能的工作流优化方法 | |
Wu et al. | A Q-learning method for scheduling shared EVs under uncertain user demand and wind power supply | |
CN111988412A (zh) | 一种多租户服务资源需求智能预测系统及方法 | |
Yu | [Retracted] Research on Optimization Strategy of Task Scheduling Software Based on Genetic Algorithm in Cloud Computing Environment | |
Zuccotto et al. | Reinforcement learning applications in environmental sustainability: a review | |
CN110991931B (zh) | 一种基于双中心q学习的充电场站协同优化控制方法 | |
KR20230125561A (ko) | 나노그리드에서의 최적 에너지 운영 방법 및 시스템 | |
Cao et al. | Research On Regional Traffic Flow Prediction Based On MGCN-WOALSTM |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20140521 Termination date: 20150628 |
|
EXPY | Termination of patent right or utility model |