CN106155791B - 一种分布式环境下的工作流任务调度方法 - Google Patents

一种分布式环境下的工作流任务调度方法 Download PDF

Info

Publication number
CN106155791B
CN106155791B CN201610511549.6A CN201610511549A CN106155791B CN 106155791 B CN106155791 B CN 106155791B CN 201610511549 A CN201610511549 A CN 201610511549A CN 106155791 B CN106155791 B CN 106155791B
Authority
CN
China
Prior art keywords
task
directed acyclic
acyclic graph
workflow
node
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
CN201610511549.6A
Other languages
English (en)
Other versions
CN106155791A (zh
Inventor
段贵多
刘贵松
罗光春
秦科
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.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
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 University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN201610511549.6A priority Critical patent/CN106155791B/zh
Publication of CN106155791A publication Critical patent/CN106155791A/zh
Application granted granted Critical
Publication of CN106155791B publication Critical patent/CN106155791B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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

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)

Abstract

本发明公开了一种分布式计算环境下的工作流任务调度方法，使用有向无环图来描述工作流任务和资源，根据节点权值信息和边权值信息计算平均任务执行时间和平均任务传输时间，以据此判断工作流任务类型并进行分类模型处理，将具有数据依赖关系的任务分割成了若干个独立的任务集，每个任务集包含一个或者若干个任务，且每个任务集中的多个任务具有数据依赖关系，从而将工作流任务转化成了“独立任务”。任务集将计算数据量比较大或者数据传输量比较大的任务聚拢在一起，同时降低了需要独立分配的任务数量，从整体上提高了后期任务调度性能。另外，当工作流任务数量增加时，仅需加强对任务的聚拢操作，无需再对所有的任务进行处理，具有更好的扩展性。

Description

一种分布式环境下的工作流任务调度方法
技术领域
本发明属于分布式计算下工作流任务调度技术、工作流任务建模技术，特别涉及一种分布式计算环境下的工作流任务调度方法。
背景技术
分布式计算环境中任务调度是最重要的部分，并且在整个分布式基础设施中也发挥着不可替代的作用。分布式计算环境下的任务调度要求在考虑时间、成本、可靠性、可用性、吞吐量、资源利用率的情况下找到任务资源分配的最佳方案。
分布式计算环境下的任务调度主要分为独立任务调度和工作流任务调度。工作流任务中包含了若干个任务，且这若干个任务间具有数据依赖关系。现有的方法在进行工作流任务调度时，以降低任务执行成本为主要目标，例如，基于小位置值规则的粒子群优化任务调度方法，根据小位置值规则更新粒子位置信息，收敛速度快，能够最小化任务调度执行成本；基于双目标优化的异构最早时间完成算法，充分考虑用户对预算和截止时间的要求进行任务调度，并取得了较好的效果。但是，上述算法均未考虑工作流任务之间的数据依赖关系对任务调度效果产生的影响，导致工作流任务通信成本较高、执行完成时间较长，工作流任务调度效率低下。
发明内容
本发明为解决现有技术中存在的以上问题，提供了一种分布式计算环境下的工作流任务调度方法，考虑了工作流任务之间的数据依赖关系对任务调度效果产生的影响，降低了工作流任务通信成本以及执行完成时间，提高了工作流任务调度效率。
为了实现上述目的，本发明采用的技术方案是：
一种分布式计算环境下的工作流任务调度方法，包括以下步骤：
步骤1：使用有向无环图对需要进行调度的工作流任务进行描述，得到工作流任务有向无环图；使用有向无环图对分布式计算环境下的计算资源进行描述，得到计算资源有向无环图；
步骤2：根据工作流任务有向无环图以及计算资源有向无环图，计算平均任务执行时间t1、平均数据传输时间t2；
步骤3：若t1＞t2,则被调度工作流任务为计算密集型任务，进入步骤4；若t1＜t2,则所述工作流任务为IO密集型任务，进入步骤5；
步骤4：根据计算密集型任务的有向无环图的节点权值进行所述有向无环图的更新和分解，得到若干个任务集，进入步骤6；
步骤5：根据IO密集型任务的有向无环图的边权值进行所述有向无环图的更新和分解，得到若干个任务集，进入步骤6；
步骤6：将得到的若干个任务集根据各任务集的计算数据量进行排序，并将计算资源根据其计算能力大小进行排序；
步骤7：根据步骤6的排序结果，将计算数据量大的任务集分配给计算能力大的计算资源。
上述方案中，所述步骤1包括工作流任务有向无环图中节点的总数为I，其中，第i个节点的权值wi表示任务计算数据量，i∈[1,2,…,I]；工作流任务有向无环图中边的总数为M,其中，第m个边的权值vm表示任务之间的数据传输量，m∈[1,2,…,M]；计算资源有向无环图中节点的总数为J,其中，第j个节点的权值wj表示资源计算能力，j∈[1,2,…,J]；计算资源有向无环图中边的总数为N,其中，第n个边的权值vn表示资源间的数据传输能力，n∈[1,2,…,N]；
上述方案中，所述步骤2中平均任务执行时间t1计算公式为：
平均数据传输时间t2计算公式为：
上述方案中，所述步骤4包括以下几个步骤：
步骤4.1：计算工作流任务有向无环图从根节点到每一个叶子节点路径上节点权值之和；
步骤4.2：根据步骤4.1的计算结果选取工作流任务有向无环图中节点权值之和最大的路径，将选取的路径上的节点聚拢为一个根节点，将聚拢得到的根节点的权值更新为选取的路径各节点权值之和，将更新后的根节点从工作流任务有向无环图中剔除，被剔除的根节点构成一个独立的任务集；
步骤4.3：重复步骤4.2，直至工作流任务有向无环图中的节点均为独立的任务集，得到若干个任务集，进入步骤6。
上述方案中，所述步骤5包括以下几个步骤：
步骤5.1：计算工作流任务有向无环图从根节点到每一个叶子节点路径上边权值之和；
步骤5.2：根据步骤5.1的计算结果选取工作流任务有向无环图中边权值之和最大的路径，将选取的路径上的节点聚拢为一个根节点，将聚拢得到的根节点的权值更新为选取的路径各节点权值之和，将更新后的根节点从工作流任务有向无环图中剔除，被剔除的根节点构成一个独立的任务集；
步骤5.3：重复步骤5.2，直至工作流任务有向无环图中的节点均为独立的任务集，得到若干个任务集，进入步骤6；
上述方案中，所述步骤6中任务集的计算数据量为任务集中各任务的计算数据量之和。
本发明的有益效果是：
1)本发明中工作流任务模型处理时划分任务集的方法将计算数据量比较大或者数据传输量比较大的任务聚拢在一起，降低了需要独立分配的任务数量，从整体上提高了后期任务调度性能。
2)当工作流任务数量增加时，本发明仅需加强对任务的聚拢操作，无需再对所有的任务进行处理，具有更好的扩展性。
3)本发明考虑了工作流任务之间的数据依赖关系对任务调度效果产生的影响，通过工作流任务模型处理，将具有复杂数据依赖关系的工作流任务简化为看似相互独立的任务集，方便了后期进行高效的任务调度，降低了工作流任务通信成本以及执行完成时间，提高了工作流任务调度效率，满足了用户对任务高效处理的需求。
附图说明
图1为本发明中工作流任务模型处理示意图；
图2为本发明中任务调度流程；、
图3为本发明中计算密集型工作流任务有向无环图；
图4为本发明中步骤4.1示意图；
图5为本发明中步骤4.2示意图；
图6为本发明中步骤4.3示意图
图7为本发明中IO密集型工作流任务有向无环图；
图8为本发明中步骤5.1示意图；
图9为本发明中步骤5.2示意图；
图10为本发明中步骤5.3示意图；
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述。
本发明提出了一种分布式计算环境下的工作流任务调度方法，参见图1-2，整个方法的实现包括以下步骤：
步骤1：使用有向无环图对需要进行调度的工作流任务进行描述，得到工作流任务有向无环图；使用有向无环图对分布式计算环境下的计算资源进行描述，得到计算资源有向无环图；工作流任务有向无环图中节点的总数为I，其中，第i个节点的权值wi表示任务计算数据量，i∈[1,2,…,I]；工作流任务有向无环图中边的总数为M,其中，第m个边的权值vm表示任务之间的数据传输量，m∈[1,2,…,M]；计算资源有向无环图中节点的总数为J,其中，第j个节点的权值wj表示资源计算能力，j∈[1,2,…,J]；计算资源有向无环图中边的总数为N,其中，第n个边的权值vn表示资源间的数据传输能力，n∈[1,2,…,N]；
步骤2：根据工作流任务有向无环图以及计算资源有向无环图，计算平均任务执行时间t1、平均数据传输时间t2；
平均任务执行时间t1计算公式为：
平均数据传输时间t2计算公式为：
步骤3：若t1＞t2,则被调度工作流任务为计算密集型任务，进入步骤4；若t1＜t2,则所述工作流任务为IO密集型任务，进入步骤5；
步骤4：根据计算密集型任务的有向无环图的节点权值进行所述有向无环图的更新和分解，得到若干个任务集，进入步骤6；
步骤4.1：计算工作流任务有向无环图从根节点到每一个叶子节点路径上节点权值之和；
步骤4.2：根据步骤4.1的计算结果选取工作流任务有向无环图中节点权值之和最大的路径，将选取的路径上的节点聚拢为一个根节点，将聚拢得到的根节点的权值更新为选取的路径各节点权值之和，将更新后的根节点从工作流任务有向无环图中剔除，被剔除的根节点构成一个独立的任务集；
步骤4.3：重复步骤4.2，直至工作流任务有向无环图中的节点均为独立的任务集；进入步骤6；
步骤5：根据IO密集型任务的有向无环图的边权值进行所述有向无环图的更新和分解，得到若干个任务集，进入步骤6；
步骤5.1：计算工作流任务有向无环图从根节点到每一个叶子节点路径上边权值之和；
步骤5.2：根据步骤5.1的计算结果选取工作流任务有向无环图中边权值之和最大的路径，将选取的路径上的节点聚拢为一个根节点，将聚拢得到的根节点的权值更新为选取的路径各节点权值之和，将更新后的根节点从工作流任务有向无环图中剔除，被剔除的根节点构成一个独立的任务集；
步骤5.3：重复步骤5.2，直至工作流任务有向无环图中的节点均为独立的任务集；进入步骤6；
步骤6：将得到的若干个任务集根据任务集的权值大小进行排序，并将计算资源根据其计算能力大小进行排序；
步骤7：根据步骤6的排序结果，将权值大的任务集分配给计算能力大的计算资源。
实施例1
结合图3中工作流任务有向无环图对该实施例进行说明：
步骤1：使用有向无环图对需要进行调度的工作流任务进行描述，得到工作流任务有向无环图，如图3所示；使用有向无环图对分布式计算环境下的计算资源进行描述，得到计算资源有向无环图；工作流任务有向无环图中节点的总数为5，其中，第i个节点的权值wi表示任务计算数据量，i∈[1,2,…,5]；工作流任务有向无环图中边的总数为4,其中，第m个边的权值vm表示任务之间的数据传输量，m∈[1,2,3,4]；计算资源有向无环图中节点的总数 为J,其中，第j个节点的权值wj表示资源计算能力，j∈[1,2,…,J]；计算资源有向无环图中边的总数为N,其中，第n个边的权值vn表示资源间的数据传输能力，n∈[1,2,…,N]；
步骤2：根据工作流任务有向无环图以及计算资源有向无环图，计算平均任务执行时间t1、平均数据传输时间t2；该实施例中则：
步骤3：由于t1＞t2,则被调度工作流任务为计算密集型任务，进入步骤4；
步骤4：根据计算密集型任务的有向无环图的节点权值进行所述有向无环图的更新和分解，得到若干个任务集，进入步骤6；
步骤4.1：如图4所示，计算工作流任务有向无环图从根节点到每一个叶子节点路径上节点权值之和，分别为15和10；
步骤4.2：根据步骤4.1的计算结果选取出工作流任务有向无环图中节点权值之和最大的路径5-3-7，如图5所示，将选取的路径上的节点聚拢为一个根节点，将聚拢得到的根节点的权值更新为选取的路径各节点权值之和，即15，将更新后的根节点从工作流任务有向无环图中剔除，被剔除的根节点构成一个独立的任务集(5,3,7)；该任务集包含任务5、任务3、任务7，且计算数据量为15；更新后的工作流任务有向无环图中的节点均为独立的任务集；
步骤4.3：如图6所示，得到三个任务集，分别为(5,3,7)、(2)、(4)，各任务集计算数据量分别为15、2、4；
步骤6：将得到的若干个任务集根据任务集的权值大小进行排序，并将计算资源根据其计算能力大小进行排序；
步骤7：根据步骤6的排序结果，将权值大的任务集分配给计算能力大的计算资源。
实施例2
结合图7中IO密集型工作流任务有向无环图对该实施例进行说明：
步骤1：使用有向无环图对需要进行调度的工作流任务进行描述，得到工作流任务有向无环图，如图7所示；使用有向无环图对分布式计算环境下的计算资源进行描述，得到计算资源有向无环图；工作流任务有向无环图中节点的总数为5，其中，第i个节点的权值wi表示任务计算数据量，i∈[1,2,…,5]；工作流任务有向无环图中边的总数为4,其中，第m个边的权值vm表示任务之间的数据传输量，m∈[1,2,3,4]；计算资源有向无环图中节点的总数为J,其中，第j个节点的权值wj表示资源计算能力，j∈[1,2,…,J]；计算资源有向无环图中边的总数为N,其中，第n个边的权值vn表示资源间的数据传输能力，n∈[1,2,…,N]；
步骤2：根据工作流任务有向无环图以及计算资源有向无环图，计算平均任务执行时间t1、平均数据传输时间t2；该实施例中则：
步骤3：由于t1＜t2,则所述工作流任务为IO密集型任务，进入步骤5；
步骤5：根据IO密集型任务的有向无环图的边权值进行所述有向无环图的更新和分解，得到若干个任务集，进入步骤6；
步骤5.1：如图8所示，计算工作流任务有向无环图从根节点到每一个叶子节点路径上边权值之和，分别为5和9；
步骤5.2：根据步骤5.1的计算结果选取出工作流任务有向无环图中边权值之和最大的路径为1-2-5，如图9所示，将选取的路径上的节点聚拢为一个根节点，将聚拢得到的根节点的权值更新为选取的路径各节点权值之和，即8，将更新后的根节点从工作流任务有向无环图中剔除，被剔除的根节点构成一个独立的任务集(1,2,5)；该任务集包含任务1、任务2、任务5，且计算数据量为8；更新后的工作流任务有向无环图中的节点均为独立的任务集；
步骤5.3：如图10所示，得到三个任务集，分别为(1,2,5)、(4)、(3)，各任务集计算数据量分别为8、4、3；
步骤6：将得到的若干个任务集根据任务集的权值大小进行排序，并将计算资源根据其计算能力大小进行排序；
步骤7：根据步骤6的排序结果，将权值大的任务集分配给计算能力大的计算资源。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，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 (6)

1.一种分布式计算环境下的工作流任务调度方法，其特征在于包括以下步骤：
步骤1：使用有向无环图对需要进行调度的工作流任务进行描述，得到工作流任务有向无环图；使用有向无环图对分布式计算环境下的计算资源进行描述，得到计算资源有向无环图；
步骤2：根据工作流任务有向无环图以及计算资源有向无环图，计算平均任务执行时间t1、平均数据传输时间t2；
步骤3：若t1＞t2,则被调度工作流任务为计算密集型任务，进入步骤4；若t1＜t2,则所述工作流任务为IO密集型任务，进入步骤5；
步骤4：根据计算密集型任务的有向无环图的节点权值进行所述有向无环图的更新和分解，得到若干个任务集，进入步骤6；
步骤5：根据IO密集型任务的有向无环图的边权值进行所述有向无环图的更新和分解，得到若干个任务集，进入步骤6；
步骤6：将得到的若干个任务集根据各任务集的计算数据量进行排序，并将计算资源根据其计算能力大小进行排序；
步骤7：根据步骤6的排序结果，将计算数据量大的任务集分配给计算能力大的计算资源。
2.根据权利要求1所述分布式计算环境下的工作流任务调度方法，其特征在于，所述步骤1包括工作流任务有向无环图中节点的总数为I，其中，第i个节点的权值wi表示任务计算数据量，i∈[1,2,…,I]；工作流任务有向无环图中边的总数为M，其中，第m个边的权值vm表示任务之间的数据传输量，m∈[1,2,…,M]；计算资源有向无环图中节点的总数为J，其中，第j个节点的权值wj表示资源计算能力，j∈[1,2,…,J]；计算资源有向无环图中边的总数为N,其中，第n个边的权值vn表示资源间的数据传输能力，n∈[1,2,…,N]。
3.根据权利要求2所述分布式计算环境下的工作流任务调度方法，其特征在于，所述步骤2中平均任务执行时间t1计算公式为：
平均数据传输时间t2计算公式为：
4.根据权利要求1所述分布式计算环境下的工作流任务调度方法，其特征在于，所述步骤4包括以下几个步骤：
步骤4.1：计算工作流任务有向无环图从根节点到每一个叶子节点路径上节点权值之和；
步骤4.2：根据步骤4.1的计算结果选取工作流任务有向无环图中节点权值之和最大的路径，将选取的路径上的节点聚拢为一个根节点，将聚拢得到的根节点的权值更新为选取的路径各节点权值之和，将更新后的根节点从工作流任务有向无环图中剔除，被剔除的根节点构成一个独立的任务集；
步骤4.3：重复步骤4.2，直至工作流任务有向无环图中的节点均为独立的任务集，得到若干个任务集，进入步骤6。
5.根据权利要求1所述分布式计算环境下的工作流任务调度方法，其特征在于，所述步骤5包括以下几个步骤：
步骤5.1：计算工作流任务有向无环图从根节点到每一个叶子节点路径上边权值之和；
步骤5.2：根据步骤5.1的计算结果选取工作流任务有向无环图中边权值之和最大的路径，将选取的路径上的节点聚拢为一个根节点，将聚拢得到的根节点的权值更新为选取的路径各节点权值之和，将更新后的根节点从工作流任务有向无环图中剔除，被剔除的根节点构成一个独立的任务集；
步骤5.3：重复步骤5.2，直至工作流任务有向无环图中的节点均为独立的任务集，得到若干个任务集，进入步骤6。
6.根据权利要求1或2中任意一项所述的分布式计算环境下的工作流任务调度方法，其特征在于，所述步骤6中任务集的计算数据量为任务集中各任务的计算数据量之和。
CN201610511549.6A 2016-06-30 2016-06-30 一种分布式环境下的工作流任务调度方法 Active CN106155791B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610511549.6A CN106155791B (zh) 2016-06-30 2016-06-30 一种分布式环境下的工作流任务调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610511549.6A CN106155791B (zh) 2016-06-30 2016-06-30 一种分布式环境下的工作流任务调度方法

Publications (2)

Publication Number Publication Date
CN106155791A CN106155791A (zh) 2016-11-23
CN106155791B true CN106155791B (zh) 2019-05-07

Family

ID=57351133

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610511549.6A Active CN106155791B (zh) 2016-06-30 2016-06-30 一种分布式环境下的工作流任务调度方法

Country Status (1)

Country Link
CN (1) CN106155791B (zh)

Families Citing this family (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108268312A (zh) * 2016-12-30 2018-07-10 北京国双科技有限公司 任务调度方法和调度器
CN108696559B (zh) * 2017-04-11 2021-08-20 华为技术有限公司 流处理方法及装置
CN107526639B (zh) * 2017-08-16 2021-07-09 杭州朗和科技有限公司 资源编排的方法、介质、装置和计算设备
CN107528914B (zh) * 2017-09-12 2020-05-12 电子科技大学 数据分片的资源征用调度方法
US10802880B2 (en) * 2017-09-19 2020-10-13 Huawei Technologies Co., Ltd. System and method for distributed resource requirement and allocation
CN109725989B (zh) * 2017-10-31 2020-07-31 阿里巴巴集团控股有限公司 一种任务执行的方法及装置
CN109960570B (zh) * 2017-12-14 2021-09-03 北京图森智途科技有限公司 一种多模块调度方法、装置及系统
CN108108245B (zh) * 2017-12-18 2020-11-20 天津科技大学 一种云平台宽节点科学工作流的混合型调度方法及系统
CN108170861B (zh) * 2018-01-25 2020-07-03 中润普达(十堰)大数据中心有限公司 一种基于动态规划的分布式数据库系统协同优化方法
CN108491255B (zh) * 2018-02-08 2020-11-03 昆仑智汇数据科技(北京)有限公司 自助式MapReduce数据优化分配方法及系统
CN109165087A (zh) * 2018-08-28 2019-01-08 哈尔滨理工大学 基于朴素贝叶斯的云计算资源调度算法
CN109298921B (zh) * 2018-08-28 2020-04-28 哈尔滨理工大学 一种基于贝叶斯网络的分布式计算任务调度算法
CN109376137B (zh) * 2018-12-17 2021-03-23 中国人民解放军战略支援部队信息工程大学 一种文件处理方法及装置
CN110990059B (zh) * 2019-11-28 2021-11-19 中国科学院计算技术研究所 一种用于倾斜数据的流式计算引擎运行方法及系统
CN112114960B (zh) * 2020-08-06 2022-11-01 河南大学 一种适应互联网场景的遥感影像并行集群处理的调度策略
CN112416579B (zh) * 2020-11-10 2023-05-19 电子科技大学 一种时间敏感的多方数据融合激励方法
CN112363819A (zh) * 2020-12-02 2021-02-12 深圳市房多多网络科技有限公司 大数据任务动态编排调度方法、装置及计算设备

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103699446A (zh) * 2013-12-31 2014-04-02 南京信息工程大学 基于量子粒子群优化算法的多目标工作流动态调度方法
CN103838627A (zh) * 2014-03-18 2014-06-04 北京工业大学 一种基于工作流吞吐量最大化的工作流调度方法
CN103995735A (zh) * 2013-02-14 2014-08-20 韩国电子通信研究院 用于调度工作流作业的设备和方法
CN104536806A (zh) * 2014-12-26 2015-04-22 东南大学 一种云环境下的工作流应用弹性资源供应方法
CN105068863A (zh) * 2015-07-16 2015-11-18 福州大学 多云环境下带截止日期约束工作流的基于代价驱动调度方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120283863A1 (en) * 2011-05-02 2012-11-08 Interface Technologies Resource scheduling and adaptive control software for cutting room operations

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103995735A (zh) * 2013-02-14 2014-08-20 韩国电子通信研究院 用于调度工作流作业的设备和方法
CN103699446A (zh) * 2013-12-31 2014-04-02 南京信息工程大学 基于量子粒子群优化算法的多目标工作流动态调度方法
CN103838627A (zh) * 2014-03-18 2014-06-04 北京工业大学 一种基于工作流吞吐量最大化的工作流调度方法
CN104536806A (zh) * 2014-12-26 2015-04-22 东南大学 一种云环境下的工作流应用弹性资源供应方法
CN105068863A (zh) * 2015-07-16 2015-11-18 福州大学 多云环境下带截止日期约束工作流的基于代价驱动调度方法

Also Published As

Publication number Publication date
CN106155791A (zh) 2016-11-23

Similar Documents

Publication Publication Date Title
CN106155791B (zh) 一种分布式环境下的工作流任务调度方法
CN101441580B (zh) 分布式并行计算平台系统及其计算任务分配方法
Liu et al. Minimization of offloading delay for two-tier UAV with mobile edge computing
CN103699446A (zh) 基于量子粒子群优化算法的多目标工作流动态调度方法
CN112766813A (zh) 一种空天协同观测复杂任务调度方法及系统
CN103295100A (zh) 项目管理进度编排方法和系统
CN109409773A (zh) 一种基于合同网机制的对地观测资源动态规划方法
CN109784663B (zh) 一种工作流调度方法与装置
CN109272138A (zh) 分拣设备格口数量优化方法及装置
CN108737462A (zh) 一种基于图论的云计算数据中心任务调度方法
CN106095582A (zh) 云平台的任务执行方法
Zhou et al. A novel task scheduling algorithm integrated with priority and greedy strategy in cloud computing
Zhou et al. Scheduling workflow in cloud computing based on ant colony optimization algorithm
CN114938372B (zh) 一种基于联邦学习的微网群请求动态迁移调度方法及装置
CN108427602A (zh) 一种分布式计算任务的协同调度方法及装置
CN109040193A (zh) 基于无依赖子任务的移动设备云资源分配方法
Wang et al. Joint service caching, resource allocation and computation offloading in three-tier cooperative mobile edge computing system
Xie et al. Multi-objective optimization of data deployment and scheduling based on the minimum cost in geo-distributed cloud
Wei et al. A multi-objective algorithm for joint energy replenishment and data collection in wireless rechargeable sensor networks
Bhatt et al. Review Paper on PSO in workflow scheduling and Cloud Model enhancing Search mechanism in Cloud Computing
CN105872109A (zh) 云平台负载运行方法
Li et al. Batch jobs load balancing scheduling in cloud computing using distributional reinforcement learning
Fan et al. Executing time and cost-aware task scheduling in hybrid cloud using a modified DE algorithm
Ananth et al. Game theoretic approaches for job scheduling in cloud computing: A survey
CN115185651A (zh) 一种基于云计算的工作流优化调度算法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant