CN106408126A - 一种面向能耗数据并发采集的三阶段优化方法 - Google Patents
一种面向能耗数据并发采集的三阶段优化方法 Download PDFInfo
- Publication number
- CN106408126A CN106408126A CN201610846355.1A CN201610846355A CN106408126A CN 106408126 A CN106408126 A CN 106408126A CN 201610846355 A CN201610846355 A CN 201610846355A CN 106408126 A CN106408126 A CN 106408126A
- Authority
- CN
- China
- Prior art keywords
- dcj
- processor
- stage
- algorithm
- time
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000005457 optimization Methods 0.000 title claims abstract description 35
- 238000005265 energy consumption Methods 0.000 title claims abstract description 25
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 64
- 230000002068 genetic effect Effects 0.000 claims abstract description 19
- 230000007704 transition Effects 0.000 claims description 36
- 210000000349 chromosome Anatomy 0.000 claims description 26
- 230000008569 process Effects 0.000 claims description 23
- 238000013480 data collection Methods 0.000 claims description 12
- 238000013507 mapping Methods 0.000 claims description 8
- 238000011156 evaluation Methods 0.000 claims description 7
- 238000004088 simulation Methods 0.000 claims description 7
- 238000004134 energy conservation Methods 0.000 claims description 6
- 230000004044 response Effects 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 230000002860 competitive effect Effects 0.000 claims description 3
- 230000035772 mutation Effects 0.000 claims description 3
- 230000001960 triggered effect Effects 0.000 claims 2
- 238000012545 processing Methods 0.000 abstract description 3
- 238000012360 testing method Methods 0.000 description 19
- 238000009826 distribution Methods 0.000 description 12
- 230000000694 effects Effects 0.000 description 10
- 238000004891 communication Methods 0.000 description 9
- 238000004519 manufacturing process Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 210000004027 cell Anatomy 0.000 description 4
- 230000001133 acceleration Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 235000006508 Nelumbo nucifera Nutrition 0.000 description 1
- 240000002853 Nelumbo nucifera Species 0.000 description 1
- 235000006510 Nelumbo pentapetala Nutrition 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000000919 ceramic Substances 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 239000008239 natural water Substances 0.000 description 1
- 238000013433 optimization analysis Methods 0.000 description 1
- 238000005498 polishing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 230000007306 turnover Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/22—Design optimisation, verification or simulation using Petri net models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- 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
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Biophysics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Tourism & Hospitality (AREA)
- Evolutionary Biology (AREA)
- Primary Health Care (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Genetics & Genomics (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Manufacturing & Machinery (AREA)
- Data Mining & Analysis (AREA)
- Water Supply & Treatment (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Public Health (AREA)
- Physiology (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
Abstract
一种面向能耗数据并发采集的三阶段优化方法，基于大型能源传感网络中，包括若干个能源节点和能源管理网，所述能源管理网包括能源主控机、数据采集终端和时间处理系统，由数据采集终端将数据采集任务DCJ细分为多个子任务，并在时间处理系统建立时间Petri网，由能源主控机基于贪婪算法和遗传算法提出三阶段优化算法3SOA，来求解DCJ的调度问题；所述3SOA包括第一阶段优化、第二阶段优化和第三阶段优化；本发明通过利用所述3SOA来求解数据采集任务的调度问题，获得DCJ的最小完成时间，优化DCJ的调度的方案，所述3SOA能够显著降低采集完成时间，提升并发效率；并且通过应用表明，所述3SOA能使数据采集的周期从9.8秒降至6秒，并发效率提升了34.45％。
Description
技术领域
本发明涉及数据采集调度技术领域，尤其涉及一种面向能耗数据并发采集的三阶段优化方法。
背景技术
智能能效制造(Smart energy efficient manufacturing，SEEM)需要感知能源消耗、能源质量、设备操作、环境状态等参数。为了满足感知需求，工厂必须装备一个由传感器、网络设备和应用服务器组成的大型传感网络，并实现数据的自动采集。能源数据的实时性对于SEEM的优化分析而言极其重要，许多用户要求在数秒之内得到数据，而随着传感器数量的增加，利用有限的计算资源满足能源数据的变得越来越具有挑战性。
在能源传感网络(Energy Sensor Network，ESN)中，RS485因为拓扑结构简单、通信稳定、通信距离长凳优点而成为通用的通信标准，实际应用中，绝大部分智能传感设备提供RS485接口。由于复杂的车间环境和有限的通信容量，一个能源传感网络往往由多组RS485总线构成，每组RS485总线具有不同的传输质量，连接不同数量的传感设备。数据采集一般由一台或多台主机完成。随着服务器架构从提高单线程程序性能转向通过指令集并行和线程级并行提高程序性能，多核处理器环境下的多线程并发采集是提升数据实时性的有效手段。因此，数据采集调度，即如何将采集任务分配到多个处理器中并发执行，使其完成时间最短，成为备受关注的问题；而数据采集调度问题是一类任务-处理器映射问题，处理器负荷均衡是该问题的关键，因为不均衡的处理器负荷将会导致整个系统等待处理负荷最大的处理器；目前，研究者们去向于在Petri网建模的基础上，采用遗传算法和启发式算法来优化类似处理器调度问题，在最近30年来对负荷均衡问题的研究成果，认为简单高效的贪婪算法是最流行的求解方法；但数据采集调度问题具有两个特点：(1)不同RS485总线上的采集任务之间不存在通信约束；(2)采集任务之间不存在严格的顺序约束；因此，在实际应用中，通常假定共享同一总线的采集任务是完全串行的，将问题简化为总线-处理器之间的映射并采用贪婪算法求解，但如果总线负荷不均衡时，将会导致很低的并发效率，极端的例子是若能源网络中只有一条总线，但是有多个处理器，那么在数据采集过程中只会有一个处理器得到利用，而其他处理器均处于空闲状态，大大限制了多处理器的并发采集效率。
发明内容
本发明的目的在于提出一种并发效率更高、数据采集时间更短的面向能耗数据并发采集的三阶段优化方法。
为达此目的，本发明采用以下技术方案：
一种面向能耗数据并发采集的三阶段优化方法，基于大型能源传感网络中，包括若干个能源节点和能源管理网，所述能源管理网包括能源主控机、数据采集终端和时间处理系统，由数据采集终端将数据采集任务DCJ进一步细分为多个独立的子任务，并在时间处理系统建立一个支持DCJ并发仿真的时间Petri网；在所述时间Petri网模拟的基础上，以DCJ的最小完成时间为目标，由能源主控机基于贪婪算法和遗传算法提出一种数据采集任务在处理器之间分配的三阶段优化算法3SOA，来求解DCJ的调度问题；
所述三阶段优化算法3SOA包括以下三个阶段：
(1)第一阶段优化：采用贪婪算法将DCJ被RS485总线RSB分组后分配给处理器，使处理器负载平衡，获得方案Ω1；
(2)第二阶段优化：根据Ω1，采用贪婪算法在处理器之间调整DCJ从高载荷的处理器转向低载荷的处理器，使处理器负载平衡，获得方案Ω2；
(3)第三阶段优化：根据Ω2，采用遗传算法优化调整每个处理器上的DCJ的排列顺序，使若干个会话的等待时间最小化，获得方案Ω3。
进一步说明，对所述时间Petri网进行建模，首先建立基本网，再合并冗长的节点，包括如下步骤：
A建立基本网：
(1)为每一个s∈S创建一个RSB库所；
(2)对一个DCJ分解的三个子类DCJ，j＝<ja,jb,jc>(j∈J)分别创建三个变迁，λa,λb,λc是一个变迁的时间响应τ；
(3)为每个s∈S在s之间增加一个输入弧和输出弧，对于j∈J(s)每一个弧的权重为1；
(4)对每一个c∈C，为每一个处理器创建一个处理器库所，为每个j∈J(c)的DCJ子模块创建处理库所，按照顺序为库所和变迁增加弧，每个弧的权重为1。
(5)若P是RSB库所或者每个处理器的库所，那么M0(p)＝1,else M0(p)＝0，即所有的RSB和处理器在开始时均为闲置状态；
B合并冗长的节点：
(1)对于处理器C，若ji+1和ji在顺序上相邻，那么jci和jai+1两种变迁可以合并，那么jci和jai+1之间的库所取消，新变迁的时间函数是λci+λai+1。
(2)若被同一处理器处理的连续DCJ之间在RSB上不存在竞争资源的关系，则相应的变迁也可以合并成一个新的变迁，合并后减少中间的库所，新变迁的时间函数为其处理时间的总和；后续的DCJ处理器分配算法将确定需要被合并的DCJ。
进一步说明，所述数据采集任务(DCJ)调度的完成时间(π)，在所述时间Petri网模拟的基础上，采用并行仿真算法进行模拟，包括如下步骤：
(1)给定一个通过J→C映射Ω，构建对应的时间Petri网模型；
(2)参数的定义和初始化，初始值为E＝φ，M＝M0，x＝0；其中E为根据完成时间排列的使能变迁序列，M为当前标识，π(t)为变迁t的完成时间；
(3)对于每个在M0标识状态下的使能变迁，令集合π(t)＝λ(t)，将t加入到E中；
(4)如E不为空，则执行循环
t＝dequeue(E)(将t移出队列E)，x＝π(t)，M＝M-I(t)+O(t)；
(5)输出量x为DCJ调度问题π(Ω)的解。
进一步说明，所述第一阶段优化采用贪婪算法将DCJ由RS485总线RSB分组后分配给处理器，包括如下步骤：
(1)输入一个ESN；
(2)参数定义和初始化，setλ(c)＝0；
(3)根据λ(s)排序的RSB的集合S；
(4)对每个s∈S执行循环；
(4.1)寻找处理器c的λ(c)的最大值；
(4.2)给J(s)分配c；
(4.3)λ(c)＝λ(c)+λ(s)；
(5)循环结束，输出Ω1。
进一步说明，所述第二阶段优化采用贪婪算法在处理器之间调整DCJ从高载荷的处理器转向低载荷的处理器，包括如下步骤：
(1)输入ESN和Ω1；
(2)对每个J(s)(s∈S)，其子模块DCJ根据λb排序；
(3)获取最高负载ch和最低负载cl；
(4)获取J(ch)的头元素，jx＝getqueue(J(ch))；(jx移出队列J(ch))；
(5)重置移动标志bm＝false；
(6)如果λ(ch)-λ(jx)>λ(J)/l且λ(cl)+λ(jx)<λ(J)/l
(6.1)将jx从ch移动到cl，并设定bm＝true；
(6.2)更新处理器负载，λ(ch)＝λ(ch)-λ(jx)，λ(cl)＝λ(cl)+λ(jx)；
(6.3)返回(5)；
(7)如果bm为真，返回(5)；
(8)输出结果Ω2，结束。
进一步说明，所述第三阶段优化采用遗传算法优化调整每个处理器上的DCJ的排列顺序，遵从遗传算法的基本结构，进行编码和解码、亲和度评价、初始化种群、筛选、交叉选择和突变来获取最优的方案Ω3。
进一步说明，所述编码是将DCJ由处理器按照顺序进行分组编码，方程式表示为：Zi＝＜ki-1+1,ki-1+2,...,ki-1+ki＞，其中，ki为第i个处理器ci(i＝0,1,2,…,l,k0＝1)上DCJ的编号；L子序列组成的自然数序列作为染色体，即初始染色体由方程式表示为：Z＝＜Z1,Z2,...,Zi,...,Zl＞；一种新的染色体可以通过重构Zi产生；所述解码是映射ki到相应的DCJ。
进一步说明，所述亲和度评价是将一个Z染色体通过解码转换成一个候选解Ω，x(Ω)通过所述并行仿真算法进行评价；x(Ω)的相反数被视为Z的亲和力，其值越大则解决方案更优。
进一步说明，所述初始化种群是将DCJ的优先顺序由处理器随机生成，将Zi随机置换并转换成Z'i，按照从ki-1+1到ki-1+ki的整数的随机排列形成Z'i＝<Z'1,Z'2,…,Z'i,…,Z'l>，获得新的染色体Z'。
进一步说明，所述交叉选择是从父种群中随机选择两个不同的个体染色体，再通过父种群个体交叉创建两个不同的子染色体，其交叉位点只定位在一个子序列的开始。
本发明的有益效果：本发明通过数据采集终端将数据采集任务DCJ进一步细分为多个独立的子任务，并且能在时间Petri网上进行时间仿真，评价一个工作单元的完成时间，同时为了使一个工作单元的完成时间最小化，通过能源主控机在仿真中基于贪婪算法和遗传算法，利用所述三阶段优化算法(3SOA)来求解数据采集任务的调度问题，获得DCJ的最小完成时间，优化DCJ的调度的方案；并且通过计算测试表明，相比现有仅采用第一阶段优化的传统算法，所述3SOA能够显著降低采集完成时间，提升并发效率；并且通过应用表明，所述3SOA能使数据采集的周期从9.8秒降至6秒，并发效率提升了34.45％。
附图说明
图1是本发明一个实施例的一种面向能耗数据并发采集的三阶段优化方法的示意图；
图2是本发明一个实施例的大型能源传感网络的示意图；
图3是本发明一个实施例的Ω1,Ω2和Ω3中并行率η的直方图；
图4是本发明一个实施例的Ω1,Ω2和Ω3之间不同的η(Δη)的曲线图；
图5是本发明一个实施例的Ω1,Ω2和Ω3的η-σp散点图；
图6是本发明一个实施例的能源管理系统的能耗检测器的显示屏所显示的EDC3.0采集的数据。
具体实施方式
下面结合附图并通过具体实施方式来进一步说明本发明的技术方案。
一种面向能耗数据并发采集的三阶段优化方法，基于大型能源传感网络中，包括若干个能源节点和能源管理网，所述能源管理网包括能源主控机、数据采集终端和时间处理系统，由数据采集终端将数据采集任务DCJ进一步细分为多个独立的子任务，并在时间处理系统建立一个支持DCJ并发仿真的时间Petri网；在所述时间Petri网模拟的基础上，以DCJ的最小完成时间为目标，由能源主控机基于贪婪算法和遗传算法提出一种数据采集任务在处理器之间分配的三阶段优化算法3SOA，来求解DCJ的调度问题；
所述三阶段优化算法3SOA包括以下三个阶段：
(1)第一阶段优化：采用贪婪算法将DCJ被RS485总线RSB分组后分配给处理器，使处理器负载平衡，获得方案Ω1；
(2)第二阶段优化：根据Ω1，采用贪婪算法在处理器之间调整DCJ从高载荷的处理器转向低载荷的处理器，使处理器负载平衡，获得方案Ω2；
(3)第三阶段优化：根据Ω2，采用遗传算法优化调整每个处理器上的DCJ的排列顺序，使若干个会话的等待时间最小化，获得方案Ω3。
目前智能能效制造(Smart energy efficient manufacturing，SEEM)需要依赖于大型传感网络和实时数据采集，而RS485总线(RS485Bus,RSB)是目前传感网络通用的通信接口，其通信的串行性制约了多处理器的并发采集效率；本发明通过数据采集终端将数据采集任务(Data Collection Job,DCJ)的调度问题描述为一个时间Petri网，一个数据采集任务DCJ将被进一步细分为多个独立的子任务，并且能在时间Petri网上进行时间仿真，评价一个工作单元的完成时间，同时为了使一个工作单元的完成时间最小化，通过能源主控机在仿真中基于贪婪算法和遗传算法，利用所述三阶段优化算法(the Three-stageOptimization Algorithm,3SOA)来求解数据采集任务的调度问题，获得DCJ的最小完成时间，优化DCJ的调度的方案；并且通过计算测试表明，相比现有仅采用第一阶段优化的传统算法，所述3SOA能够显著降低采集完成时间，提升并发效率；并且通过应用表明，所述3SOA能使数据采集的周期从9.8秒降至6秒，并发效率提升了34.45％。
进一步说明，对所述时间Petri网进行建模，首先建立基本网，再合并冗长的节点，包括如下步骤：
A建立基本网：
(1)为每一个s∈S创建一个RSB库所；
(2)对一个DCJ分解的三个子类DCJ，j＝<ja,jb,jc>(j∈J)分别创建三个变迁，λa,λb,λc是一个变迁的时间响应τ；
(3)为每个s∈S在s之间增加一个输入弧和输出弧，对于j∈J(s)每一个弧的权重为1；
(4)对每一个c∈C，为每一个处理器创建一个处理器库所，为每个j∈J(c)的DCJ子模块创建处理库所，按照顺序为库所和变迁增加弧，每个弧的权重为1。
(5)若P是RSB库所或者每个处理器的库所，那么M0(p)＝1,else M0(p)＝0，即所有的RSB和处理器在开始时均为闲置状态；
B合并冗长的节点：
(1)对于处理器C，若ji+1和ji在顺序上相邻，那么jci和jai+1两种变迁可以合并，那么jci和jai+1之间的库所取消，新变迁的时间函数是λci+λai+1。
(2)若被同一处理器处理的连续DCJ之间在RSB上不存在竞争资源的关系，则相应的变迁也可以合并成一个新的变迁，合并后减少中间的库所，新变迁的时间函数为其处理时间的总和；后续的DCJ处理器分配算法将确定需要被合并的DCJ。
所述时间Petri网是一个7元集合TPN＝(P,T,I,O,W,M0,τ)，P是库所的集合，T是变迁的集合，I＝P×T是输入弧的集合，O＝T×P是输出弧的集合，M0是初始标记，W是所有弧的权重，τ是关于时间变迁的时间函数；其中在建立基本网中，RSB视为库所，DCJ视为变迁，RSB和DCJ之间的依赖关系视为库所和变迁的输入弧和输出弧，处理器视为用来标记处理状态的库所序列。
通过建立一个支持数据采集任务DCJ并发仿真的时延Petri网模型，为后续得到数据采集任务分配到多个处理器中并发执行，使其完成时间最短的解提供基础条件。
进一步说明，所述数据采集任务(DCJ)调度的完成时间(π)，在所述时间Petri网模拟的基础上，采用并行仿真算法进行模拟，包括如下步骤：
(1)给定一个通过J→C映射Ω，构建对应的时间Petri网模型；
(2)参数的定义和初始化，初始值为E＝φ，M＝M0，x＝0；其中E为根据完成时间排列的使能变迁序列，M为当前标识，π(t)为变迁t的完成时间；
(3)对于每个在M0标识状态下的使能变迁，令集合π(t)＝λ(t)，将t加入到E中；
(4)如E不为空，则执行循环
t＝dequeue(E)(将t移出队列E)，x＝π(t)，M＝M-I(t)+O(t)；
(5)输出量x为DCJ调度问题π(Ω)的解。
将所述DCJ的调度问题通过在所述时间Petri网进行时间仿真，通过所述并行仿真算法，增强了对完成时间的仿真能力，从而实现对基于JPM的执行并性仿真的完成时间的有效评估。
进一步说明，所述第一阶段优化采用贪婪算法将DCJ由RS485总线RSB分组后分配给处理器，包括如下步骤：
(1)输入一个ESN；
(2)参数定义和初始化，setλ(c)＝0；
(3)根据λ(s)排序的RSB的集合S；
(4)对每个s∈S执行循环；
(4.1)寻找处理器c的λ(c)的最大值；
(4.2)给J(s)分配c；
(4.3)λ(c)＝λ(c)+λ(s)；
(5)循环结束，输出Ω1。
在第一个阶段，一个J(s)视为一个基本的调度单元，DCJ调度问题则视为一个纯粹的负载平衡问题；通过所述第一阶段优化，获得方案Ω1，从而保证处理器负载平衡，若同一RSB的DCJ分配到了同一个处理器时则不会有通讯等待。
进一步说明，所述第二阶段优化采用贪婪算法在处理器之间调整DCJ从高载荷的处理器转向低载荷的处理器，包括如下步骤：
(1)输入ESN和Ω1；
(2)对每个J(s)(s∈S)，其子模块DCJ根据λb排序；
(3)获取最高负载ch和最低负载cl；
(4)获取J(ch)的头元素，jx＝getqueue(J(ch))；(jx移出队列J(ch))；
(5)重置移动标志bm＝false；
(6)如果λ(ch)-λ(jx)>λ(J)/l且λ(cl)+λ(jx)<λ(J)/l
(6.1)将jx从ch移动到cl，并设定bm＝true；
(6.2)更新处理器负载，λ(ch)＝λ(ch)-λ(jx)，λ(cl)＝λ(cl)+λ(jx)；
(6.3)返回(5)；
(7)如果bm为真，返回(5)；
(8)输出结果Ω2，结束。
通过所述二阶段优化，调整DCJ从高载荷的处理器转向低载荷的处理器，以适应处理器，并且同时尽可能保证同一个RSB上的DCJ在同一个处理器上，获得方案Ω2，从而保证处理器负载平衡，即处理器的平均负载为λ(J)/l。
进一步说明，所述第三阶段优化采用遗传算法优化调整每个处理器上的DCJ的排列顺序，遵从遗传算法的基本结构，进行编码和解码、亲和度评价、初始化种群、筛选、交叉选择和突变来获取最优的方案Ω3。为了保证第一阶段的优化，在第二阶段还未被移动的DCJ将在第三个阶段优化保持静止，因此将会被处理器合并成为一个变迁组，在一定程度上减小了Petri网的规模，而其他的DCJ在第三阶段优化是可调的，所述第三阶段优化根据Ω2，通过遗传算法优化每个处理器上的DCJ的排列顺序，获得方案Ω3，从而实现若干个会话的等待时间最小化，从而获得DCJ的调度问题的最优解，即DCJ的最小完成时间。
进一步说明，所述编码是将DCJ由处理器按照顺序进行分组编码，方程式表示为：Zi＝＜ki-1+1,ki-1+2,...,ki-1+ki＞，其中，ki为第i个处理器ci(i＝0,1,2,…,l,k0＝1)上DCJ的编号；L子序列组成的自然数序列作为染色体，即初始染色体由方程式表示为：Z＝＜Z1,Z2,...,Zi,...,Zl＞；一种新的染色体可以通过重构Zi产生；所述解码是映射ki到相应的DCJ。
进一步说明，所述亲和度评价是将一个Z染色体通过解码转换成一个候选解Ω，x(Ω)通过所述并行仿真算法进行评价；x(Ω)的相反数被视为Z的亲和力，其值越大则解决方案更优。
进一步说明，所述初始化种群是将DCJ的优先顺序由处理器随机生成，将Zi随机置换并转换成Z'i，按照从ki-1+1到ki-1+ki的整数的随机排列形成Z'i＝<Z'1,Z'2,…,Z'i,…,Z'l>，获得新的染色体Z'。
进一步说明，所述交叉选择是从父种群中随机选择两个不同的个体染色体，再通过父种群个体交叉创建两个不同的子染色体，其交叉位点只定位在一个子序列的开始。所述交叉选择由简单的交叉创建的子染色体打破了对处理器依赖的约束，其交叉位点定位在一个子序列的开始，不同于传统遗传算法的单点交叉中的随机选择交叉位点，从而保持子染色体的有效性。
所述筛选是在两个不同的级别上运行，父类种群中的一定数量的染色体去填补子类种群，其他的父类种群个体则采用轮盘赌轮策略，单个染色体依据概率的大小去填充子种群；所述突变则用来维持种群的遗传多样性；每一个用于交叉选择的个体染色体都有可能发生突变，处理器是随机选择的，及其对应的序列可如初始化种群一样重新排列。
定义补充说明：
(1)能源传感网(Energy Sensor Network，ESN)的规则
ESN是一个三元组(C,S,J)，其中C＝{c1,c2,...,cl}是处理器的集合，S＝{s1,s2,...,sm}是RSB的集合，J＝{j1,j2,..,jn}是DCJ的集合，l是处理器的数量，m是RSB的数量，n是DCJ的数量。J和S之间存在一对多的映射关系J→S，s(j)表示RSB连接着DCJ的状态，J(s)表示在RSB上的DCJ的结合。
(2)DCJ的调度问题
DCJ处理器的映射(Job-Processor Mapping，JPM)是一个多对一关系映射Ω:J→C，其代表了一个DCJ的调度问题，c(j)表示处理器c正在执行DCJ j，J(c)表示处理器上的DCJ的顺序，λ(j)表示j的处理时间，λ(c)表示处理器c的负载。
(3)关于Ω的评价指标
A：DCJ处理时间(λ)，λ表示DCJ的处理时间，λ(j)表示DCJ j的处理时间，λ(J)表示J的整个处理周期的时间，λ(s)表示RSB s的处理时间，λ(c)表示处理器c的负载，其相互关系为：λ(J)＝∑λ(j),j∈J；λ(s)＝∑λ(j),j∈J(s)；λ(c)＝Σλ(j),j∈J(c)。
B：DCJ的完成时间(π)，给定一个JPMΩ，π(Ω)表示处理过程从开始到结束之间的时间间隔；在开始时间为0的情况下，π(Ω)可以表示DCJ的完成时间。
C：加速率(γ)，命名一个JPM为Ω，γ(Ω)由方程表示为：γ(Ω)＝λ(J)/π(Ω)；同时λ(J)也表示同一个处理器上DCJ的完成时间，π(Ω)表示在l个处理器上DCJ的完成时间。
D：并行率(η)，命名一个JPM为Ω，η(Ω)由方程表示为η(Ω)＝λ(J)/(lπ(Ω))；则所述DCJ的调度问题本质上为使π(Ω)最小，同时使γ(Ω)或η(Ω)最大。
4、DCJ子任务
DCJ被分解了三个子任务，即一个DCJ分解为了一个三个子类DCJ，j＝<ja,jb,jc>,其中ja表示装配指令，jb表示通讯会话，jc表示分辨率响应，它们的处理时间分别为λa,λb,λc。实际上整个DCJ执行过程中只有jb占用了RSB，而λb和λc一般消耗较长在数据库访问上；根据Amdahl加速率定律，任务分解降低了连续子任务的比率，加大了加速率。
另外DCJ调度问题设有三个约束条件和两个假设，所述三个约束条件为(1)一个处理器只能一次处理一个DCJ；(2)一个RSB一次只能允许一个通讯会话；(3)一个DCJ的子任务必须按照一定的次序连续不断地处理；所述两个假设为所有的处理器都有相同的计算能力和所有的计算器都处于待处理状态。
本发明通过计算与测试验证，进一步验证所述3SOA提高能源数据采集速度的优化效果；并通过应用型案例进行进一步验证。
1、计算与测试验证
在MATLAB R2013a环境下对3SOA进行编程且在拥有4GBRAM和Windows 7操作系统的个人电脑上进行测试验证；还对各阶段的并发性能指标进行了评价，并进行了阶段性比较。
1.1测试案例的生成
一种测试案例主要包括：处理器、RSBs、DCJs和配置有DCJs的RSBs(DR分布)。前三个代表的是ESN的规模，最后一个代表的是RSB负载平衡度。对于DCJs，使得λa从3ms变化到6ms，λb从10ms变化到20ms，λc从8ms变化到15ms。对于DR分布，使得RSB(NDR)上DCJs的数量从1变化到64。RSB负载可由加工时间表示，RSB负载平衡度可由处理时间分布的标准偏差(σp)表示。为了简化测试用例的生成，将σp用NDR分布的标准差(σn)代替。
一种测试案例通过l×m×n:σn标记：其中，l是处理器的个数，m是RSBs的数目，n是DCJs的数目。当进行测试时，l个处理器和m个RSBs被创建，接着，n个DCJs在子过程时间范围内被随机创建，最后，通过如下所述的轮盘赌算法，DCJs被随机分配给RSBs：
(1)产生一个正态分布的样本Pr＝{p1,p2,..,pm}，其中，期望为n/m，均偏方差为σn；
(2)对于每个DCJ jk，生成一个在0和1之间的随机数rk，如果则将jk分配给RSB si。
1.2测试ESN规模对算法的影响
通过对ESN规模的试验，验证在不同规模上达到的优化效果。设置σn＝6，生成4个案例，分别为2×8×100:6,4×32×200:6,8×64×400:6,16×72×800:6。它们可以通过3SOA完成，Ω1，Ω2和Ω3的π，γ，η可以分别被评估出来。结果列于下面表1中。
Table 1 The results of tests on scale of ESN
从表1中可以看到，在所有情况下，Ω3的π小于Ω2的π，Ω2的π小于Ω1的π。这验证了优化的第二阶段和第三阶段的有效性。
虽然γ是优化的一个性能指标，但它和处理器的数量有关。η和其他参数间没有关联，在不同情况下评价优化效果，它是一个更具可比性的指标。如图3所示，为四种情况下Ω1,Ω2和Ω3中并行率η的直方图；从图中也可以看出不同阶段下的优化效果，同π一样。对于所有案例，Ω2的η明显高于Ω1的η，这表明在Ω1中具有很大的优化潜力，其中，将RSB上的所有DCJs当做连续的。Ω2和Ω3之间的下降验证了解决方案可以通过调整DCJ顺序得到改善。如图4所示，为Ω1,Ω2和Ω3之间不同的η(Δη)的曲线图；从中可以看到，随着规模的扩大，Δη呈上升趋势。随着ESN规模的扩大，DCJ调度问题变得越来越复杂。如果将RSB上的所有DCJs假定为连续的，处理器的能力将会严重浪费且η将变得越来越小，这些同样可以从图3中看到。在图3中，η随着ESN规模的增加而降低。因此，可以得出结论，在大规模ESN下3SOA可以得到更好的优化效果。
1.3测试RSBs上DCJs分布对算法的影响
对分布有DCJs的RSB进行实验，目的是为了验证不同分布的RBS负载的优化效果。在生成测试案例时，尺度参数固定在8×64×400，DR参数σn以1开始从1到20进行迭代。每组参数被复制5次，生成100个测试案例。对案例中的σp进行评估，它们在82.70和512.42间随机分布。因为σp更具有多样性，所以用它代替σn作为分配指标。
100个案例通过3SOA得到解决，且通过Ω1,Ω2和Ω3的η进行了评估。如图5所示，为Ω1,Ω2和Ω3的η-σp散点图；从图5中可以看到，在σp低段，η1(Ω1的η)非常高，而且随着σp的增加迅速下降。这其中的原因是平衡RSB负载产生了Ω1平衡处理器负载，当RSB负载平衡被打破时，平衡处理器负载不能达到，处理器的能力得不到充分利用。
随着σp的增加，η1,η2和η3之间的差距变得越来越大，这表明在ESN中，RSB负载分布的越广，3SOA达到的优化效果更好。随着σp的增加，η2-η1从1.62％增加到38.62％，η3-η2从2.74％增加到11.4％。这验证了第三阶段的优化效果是相当显着的。拥有广分布RSB负载的ESN通过3SOA方法可以使得能源数据采集的效率增加50％以上。
2、应用型案例研究
在计算性测试中验证了3SOA能够提高能源数据采集速度，为了再次确认，进一步采用了应用型案例，本案例来源于一个陶瓷制造企业，该企业消耗电能，天然气，水和压缩空气等资源。为了满足SEEM的需求，该企业建造了一个大规模的ESN自动在设备层面上采集能耗数据和工作状态。ESN中包含了721个电表，95个燃气流量计，29个水流量计和25个压缩空气流量计。它们由82条RSB连接，采集服务器有8个处理器。电表能计量包括累计电量、电流、电压、功率因数、谐波等在内的60多个参数，各流量计能测量累计流量、瞬时流量、温度、压力等参数。因此，一个表计存在一个或多个DCJ，整个网络中DCJ总数达2322个。
因为设备分布的复杂性和分散性，通常采用Zigbee无线网关将RSB和数据服务器连接在一起，结果造成RSB之间的通信质量和采集负载方面存在很大的差异。据统计，λa在2到6ms之间变化,λb在8到35ms之间,λc从5到10ms之间变化,λ(J)时43411ms,σn是9.32,σp是628.46,RSB上DCJ的最小数目为1,最大数目是32,RSB的最小工作载荷是28ms,最大工作载荷是992ms.
进行研究之前，能耗数据采集程序使用java语言编写，只采用DCJ调度的第一阶段优化，认为RSB的所有DCJ都是连续的。其平均完成时间(π)将近10秒，一些能耗数据像流量，流动率，压力等数据不能准确地通过设备层面上的工作状态体现出来。数据采集的原始版本命名为EDC1.0，后来升级增加了第二阶段，命名为EDC2.0，再后来增加了第三阶段，命名为EDC3.0。案例中中EDC的这三个版本分别独立测试，测试的平均性能指标在表2中列出。
Table 2 The average performance indexes of the three versions of EDC
表2中Diff(2.0-1.0)表明EDC2.0和1.0的性能指标差异，Diff(3.0-2.0)和Diff(3.0-1.0)分别表示了EDC3.0和EDC2.0以及EDC3.0和EDC1.0的差异。从表中可以看出EDC3.0的完成时间达到了6055ms(将近6s)，和实时需求差了5s。EDC2.0的η比EDC1.0高了20.85％，而EDC3.0又比EDC2.0高了13.60％，这就证实了EDC1.0对于大规模宽分布的ESN还有较大的提升空间。
案例中的制造企业已经采用了用于SEEM的EDC3.0，它显著提高了能耗数据采集的时效性，如图6所示，可以看到能源管理系统的能耗检测器的显示屏，显示着从EDC3.0采集来的数据。图6中的数据是EDC3.0采集的抛光车间的实时能耗数据，并且关闭，闲置，工作等每个设备的工作状态都可以实时反映出来。越多实时的数据，越能反映出更高的精确度。
综上所述，3SOA在计算案例和应用案例中测试并得到了以下结论：首先3SOA可以显著提高能源数据采集的并行效率，而且在一些大规模宽分布的能源传感网络中更有效果；其次，在应用案例中，相比于考虑RSB所有过程的传统算法，增加第二步优化步骤可以提高20.85％的并行效率；最后增加第三步可以提高13.60％的并行效率。
以上结合具体实施例描述了本发明的技术原理。这些描述只是为了解释本发明的原理，而不能以任何方式解释为对本发明保护范围的限制。基于此处的解释，本领域的技术人员不需要付出创造性的劳动即可联想到本发明的其它具体实施方式，这些方式都将落入本发明的保护范围之内。
Claims (10)
1.一种面向能耗数据并发采集的三阶段优化方法，基于大型能源传感网络中，其特征在于：包括若干个能源节点和能源管理网，所述能源管理网包括能源主控机、数据采集终端和时间处理系统，由数据采集终端将数据采集任务DCJ进一步细分为多个独立的子任务，并在时间处理系统建立一个支持DCJ并发仿真的时间Petri网；在所述时间Petri网模拟的基础上，以DCJ的最小完成时间为目标，由能源主控机基于贪婪算法和遗传算法提出一种数据采集任务在处理器之间分配的三阶段优化算法3SOA，来求解DCJ的调度问题；
所述三阶段优化算法3SOA包括以下三个阶段：
(1)第一阶段优化：采用贪婪算法将DCJ被RS485总线RSB分组后分配给处理器，使处理器负载平衡，获得方案Ω1；
(2)第二阶段优化：根据Ω1，采用贪婪算法在处理器之间调整DCJ从高载荷的处理器转向低载荷的处理器，使处理器负载平衡，获得方案Ω2；
(3)第三阶段优化：根据Ω2，采用遗传算法优化调整每个处理器上的DCJ的排列顺序，使若干个会话的等待时间最小化，获得方案Ω3。
2.根据权利要求1所述的一种面向能耗数据并发采集的三阶段优化方法，其特征在于：对所述时间Petri网进行建模，首先建立基本网，再合并冗长的节点，包括如下步骤：
A建立基本网：
(1)为每一个s∈S创建一个RSB库所；
(2)对一个DCJ分解的三个子类DCJ，j＝<ja,jb,jc>(j∈J)分别创建三个变迁，λa,λb,λc是一个变迁的时间响应τ；
(3)为每个s∈S在s之间增加一个输入弧和输出弧，对于j∈J(s)每一个弧的权重为1；
(4)对每一个c∈C，为每一个处理器创建一个处理器库所，为每个j∈J(c)的DCJ子模块创建处理库所，按照顺序为库所和变迁增加弧，每个弧的权重为1。
(5)若P是RSB库所或者每个处理器的库所，那么M0(p)＝1,elseM0(p)＝0，即所有的RSB和处理器在开始时均为闲置状态；
B合并冗长的节点：
(1)对于处理器C，若ji+1和ji在顺序上相邻，那么jci和jai+1两种变迁可以合并，那么jci和jai+1之间的库所取消，新变迁的时间函数是λci+λai+1。
(2)若被同一处理器处理的连续DCJ之间在RSB上不存在竞争资源的关系，则相应的变迁也可以合并成一个新的变迁，合并后减少中间的库所，新变迁的时间函数为其处理时间的总和；后续的DCJ处理器分配算法将确定需要被合并的DCJ。
3.根据权利要求1所述的一种面向能耗数据并发采集的三阶段优化方法，其特征在于：所述数据采集任务(DCJ)调度的完成时间(π)，在所述时间Petri网模拟的基础上，采用并行仿真算法进行模拟，包括如下步骤：
(1)给定一个通过J→C映射Ω，构建对应的时间Petri网模型；
(2)参数的定义和初始化，初始值为E＝φ，M＝M0，x＝0；其中E为根据完成时间排列的使能变迁序列，M为当前标识，π(t)为变迁t的完成时间；
(3)对于每个在M0标识状态下的使能变迁，令集合π(t)＝λ(t)，将t加入到E中；
(4)如E不为空，则执行循环
t＝dequeue(E)(将t移出队列E)，x＝π(t)，M＝M-I(t)+O(t)；
(5)输出量x为DCJ调度问题π(Ω)的解。
4.根据权利要求1所述的一种面向能耗数据并发采集的三阶段优化方法，其特征在于：所述第一阶段优化采用贪婪算法将DCJ由RS485总线RSB分组后分配给处理器，包括如下步骤：
(1)输入一个ESN；
(2)参数定义和初始化，set λ(c)＝0；
(3)根据λ(s)排序的RSB的集合S；
(4)对每个s∈S执行循环；
(4.1)寻找处理器c的λ(c)的最大值；
(4.2)给J(s)分配c；
(4.3)λ(c)＝λ(c)+λ(s)；
(5)循环结束，输出Ω1。
5.根据权利要求1所述的一种面向能耗数据并发采集的三阶段优化方法，其特征在于：所述第二阶段优化采用贪婪算法在处理器之间调整DCJ从高载荷的处理器转向低载荷的处理器，包括如下步骤：
(1)输入ESN和Ω1；
(2)对每个J(s)(s∈S)，其子模块DCJ根据λb排序；
(3)获取最高负载ch和最低负载cl；
(4)获取J(ch)的头元素，jx＝getqueue(J(ch))；(jx移出队列J(ch))；
(5)重置移动标志bm＝false；
(6)如果λ(ch)-λ(jx)>λ(J)/l且λ(cl)+λ(jx)<λ(J)/l
(6.1)将jx从ch移动到cl，并设定bm＝true；
(6.2)更新处理器负载，λ(ch)＝λ(ch)-λ(jx)，λ(cl)＝λ(cl)+λ(jx)；
(6.3)返回(5)；
(7)如果bm为真，返回(5)；
(8)输出结果Ω2，结束。
6.根据权利要求3所述的一种面向能耗数据并发采集的三阶段优化方法，其特征在于：所述第三阶段优化采用遗传算法优化调整每个处理器上的DCJ的排列顺序，遵从遗传算法的基本结构，进行编码和解码、亲和度评价、初始化种群、筛选、交叉选择和突变来获取最优的方案Ω3。
7.根据权利要求6所述的一种面向能耗数据并发采集的三阶段优化方法，其特征在于：所述编码是将DCJ由处理器按照顺序进行分组编码，方程式表示为：Zi＝＜ki-1+1,ki-1+2,...,ki-1+ki＞，其中，ki为第i个处理器ci(i＝0,1,2,…,l,k0＝1)上DCJ的编号；L子序列组成的自然数序列作为染色体，即初始染色体由方程式表示为：Z＝＜Z1,Z2,...,Zi,...,Zl＞；一种新的染色体可以通过重构Zi产生；所述解码是映射ki到相应的DCJ。
8.根据权利要求7所述的一种面向能耗数据并发采集的三阶段优化方法，其特征在于：所述亲和度评价是将一个Z染色体通过解码转换成一个候选解Ω，x(Ω)通过所述并行仿真算法进行评价；x(Ω)的相反数被视为Z的亲和力，其值越大则解决方案更优。
9.根据权利要求8所述的一种面向能耗数据并发采集的三阶段优化方法，其特征在于：所述初始化种群是将DCJ的优先顺序由处理器随机生成，将Zi随机置换并转换成Z'i，按照从ki-1+1到ki-1+ki的整数的随机排列形成Z'i＝<Z'1,Z'2,…,Z'i,…,Z'l>，获得新的染色体Z'。
10.根据权利要求9所述的一种面向能耗数据并发采集的三阶段优化方法，其特征在于：所述交叉选择是从父种群中随机选择两个不同的个体染色体，再通过父种群个体交叉创建两个不同的子染色体，其交叉位点只定位在一个子序列的开始。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610846355.1A CN106408126B (zh) | 2016-09-23 | 2016-09-23 | 一种面向能耗数据并发采集的三阶段优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610846355.1A CN106408126B (zh) | 2016-09-23 | 2016-09-23 | 一种面向能耗数据并发采集的三阶段优化方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106408126A true CN106408126A (zh) | 2017-02-15 |
| CN106408126B CN106408126B (zh) | 2018-01-30 |
Family
ID=57998222
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610846355.1A Active CN106408126B (zh) | 2016-09-23 | 2016-09-23 | 一种面向能耗数据并发采集的三阶段优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106408126B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107784189A (zh) * | 2017-11-22 | 2018-03-09 | 北京理工大学 | 基于面向对象层次时间Petri网的装配工艺模型建立方法 |
| CN108875155A (zh) * | 2018-05-29 | 2018-11-23 | 广东工业大学 | 一种基于改进遗传算法的陶瓷抛光机能耗优化方法 |
| CN110188102A (zh) * | 2019-05-24 | 2019-08-30 | 重庆邮电大学 | 一种工厂多源能耗数据并行处理系统及方法 |
| CN110584605A (zh) * | 2019-09-10 | 2019-12-20 | 贾英 | 一种相似度匹配的诊断监控综合医疗系统及其匹配方法 |
| CN112270058A (zh) * | 2020-09-28 | 2021-01-26 | 华北理工大学 | 一种基于回声状态网络的光网络多信道传输质量预测方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103024048A (zh) * | 2012-12-17 | 2013-04-03 | 南京邮电大学 | 一种云环境下的资源调度方法 |
| US8776069B2 (en) * | 2010-12-07 | 2014-07-08 | International Business Machines Corporation | Energy and performance optimizing job scheduling |
| CN105159762A (zh) * | 2015-08-03 | 2015-12-16 | 冷明 | 基于贪心策略的启发式云计算任务调度方法 |
-
2016
- 2016-09-23 CN CN201610846355.1A patent/CN106408126B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8776069B2 (en) * | 2010-12-07 | 2014-07-08 | International Business Machines Corporation | Energy and performance optimizing job scheduling |
| CN103024048A (zh) * | 2012-12-17 | 2013-04-03 | 南京邮电大学 | 一种云环境下的资源调度方法 |
| CN105159762A (zh) * | 2015-08-03 | 2015-12-16 | 冷明 | 基于贪心策略的启发式云计算任务调度方法 |
Non-Patent Citations (1)
| Title |
|---|
| 王友钊等: "基于贪心算法和遗传算法的仓储车辆调度算法", 《传感器与微系统》 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107784189A (zh) * | 2017-11-22 | 2018-03-09 | 北京理工大学 | 基于面向对象层次时间Petri网的装配工艺模型建立方法 |
| CN107784189B (zh) * | 2017-11-22 | 2021-05-14 | 北京理工大学 | 基于面向对象层次时间Petri网的装配工艺模型建立方法 |
| CN108875155A (zh) * | 2018-05-29 | 2018-11-23 | 广东工业大学 | 一种基于改进遗传算法的陶瓷抛光机能耗优化方法 |
| CN108875155B (zh) * | 2018-05-29 | 2022-06-07 | 广东工业大学 | 一种基于改进遗传算法的陶瓷抛光机能耗优化方法 |
| CN110188102A (zh) * | 2019-05-24 | 2019-08-30 | 重庆邮电大学 | 一种工厂多源能耗数据并行处理系统及方法 |
| CN110584605A (zh) * | 2019-09-10 | 2019-12-20 | 贾英 | 一种相似度匹配的诊断监控综合医疗系统及其匹配方法 |
| CN112270058A (zh) * | 2020-09-28 | 2021-01-26 | 华北理工大学 | 一种基于回声状态网络的光网络多信道传输质量预测方法 |
| CN112270058B (zh) * | 2020-09-28 | 2023-05-16 | 华北理工大学 | 一种基于回声状态网络的光网络多信道传输质量预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN106408126B (zh) | 2018-01-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106408126B (zh) | 一种面向能耗数据并发采集的三阶段优化方法 | |
| CN105740051B (zh) | 基于改进的遗传算法的云计算资源调度实现方法 | |
| CN104798043B (zh) | 一种数据处理方法和计算机系统 | |
| CN106339351B (zh) | 一种sgd算法优化系统及方法 | |
| CN108537440A (zh) | 一种基于bim的建筑方案工程管理系统 | |
| CN105046327B (zh) | 一种基于机器学习技术的智能电网信息系统及方法 | |
| CN103365727B (zh) | 一种云计算环境中的主机负载预测方法 | |
| CN102176723A (zh) | 一种支持制造资源和能力按需使用和动态协同的制造云系统 | |
| CN109145957A (zh) | 基于大数据的配电网异常指标的识别与处理方法及装置 | |
| CN111693931A (zh) | 智能电能表误差远程计算方法、装置和计算机设备 | |
| CN114493500A (zh) | 基于数字孪生技术的能源设备管理方法及装置 | |
| CN109636213A (zh) | 订单分配、评价方法及装置、电子设备及存储介质 | |
| CN102945198B (zh) | 一种表征高性能计算应用特征的方法 | |
| CN107450983A (zh) | 一种基于虚拟聚类的分级网络资源调度方法及系统 | |
| CN106910017A (zh) | 一种基于用户行为数据挖掘的电能体验分析方法和系统 | |
| Dong et al. | A high-efficient joint’cloud-edge’aware strategy for task deployment and load balancing | |
| CN107273204A (zh) | 用于基因分析的资源分配方法和装置 | |
| CN106026107B (zh) | 一种gpu加速的电力潮流雅可比矩阵的qr分解方法 | |
| CN108769105A (zh) | 一种云环境下的知识服务多任务调度优化方法及其构建的调度系统 | |
| Javadpour et al. | An intelligent energy-efficient approach for managing IoE tasks in cloud platforms | |
| CN108132840A (zh) | 一种分布式系统中的资源调度方法及装置 | |
| CN113191828B (zh) | 一种用户用电价值等级标签构建方法、装置、设备及介质 | |
| CN107908459B (zh) | 一种云计算调度系统 | |
| CN110048886A (zh) | 一种大数据分析任务的高效云配置选择算法 | |
| CN106056248A (zh) | 一种可中断负荷项目用户参与度预测方法 |
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 | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20230712 Address after: 164300 feihui import and export processing base to Russia, Aihui District, Heihe City, Heilongjiang Province Patentee after: HEILONGJIANG RED VALLEY AUTOMOTIVE TEST CO.,LTD. Address before: 293 Zhongshan Avenue West, Tianhe District, Guangzhou, Guangdong 510000 Patentee before: GUANGDONG POLYTECHNIC NORMAL University |
|
| TR01 | Transfer of patent right |