CN107329831A - 一种基于改进遗传算法的仿真资源调度方法 - Google Patents
一种基于改进遗传算法的仿真资源调度方法 Download PDFInfo
- Publication number
- CN107329831A CN107329831A CN201710512814.7A CN201710512814A CN107329831A CN 107329831 A CN107329831 A CN 107329831A CN 201710512814 A CN201710512814 A CN 201710512814A CN 107329831 A CN107329831 A CN 107329831A
- Authority
- CN
- China
- Prior art keywords
- individual
- population
- father
- adaptive value
- adaptive
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/12—Digital output to print unit, e.g. line printer, chain printer
- G06F3/1201—Dedicated interfaces to print systems
- G06F3/1223—Dedicated interfaces to print systems specifically adapted to use a particular technique
- G06F3/1237—Print job management
- G06F3/126—Job scheduling, e.g. queuing, determine appropriate device
-
- 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
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
- G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
- G06F9/5038—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals considering the execution order of a plurality of tasks, e.g. taking priority or time dependency constraints into consideration
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Human Computer Interaction (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于改进遗传算法的仿真资源调度方法,所述方法包括:S1:初始化生成仿真模型与仿真资源的种群;S2:基于适应度函数计算种群中每个个体的个体适应值;S3:基于单点交叉方法对种群进行交叉操作;S4:基于自适应的变异概率对种群进行变异操作;S5:采用基于累计概率改进的选择算子对种群进行选择操作;S6:重复S1‑S5,达到预定步数后结束,本发明对基于遗传算法,对仿真资源调度进行优化,提高高通量仿真资源调度效率,提高仿真任务的执行效率和仿真系统的吞吐率。
Description
技术领域
本发明涉及仿真资源调度领域。更具体地,涉及一种基于改进遗传算法的仿真资源调度方法。
背景技术
由于高性能高通量仿真应用具有多用户高并发的特点,当多个仿真任务竞争有限的系统资源的时候,高效的任务和资源调度方法能够大幅提高系统的吞吐率。目前已经存在不少的任务调度系统和算法,但是都不是针对高性能高通量仿真设计的专业调度系统,系统的通用性并不能完全针对仿真应用的特点进行专门的优化,因此需要研究在高性能高通量计算系统上的面向仿真应用的任务调度方法,最大化的提高仿真应用的性能和整体吞吐率。
遗传算法是解决复杂组合优化问题的通用框架,与问题的具体领域无关,搜索过程不需要考虑问题的内在性质,只考虑适应度函数,已经广泛应用于函数优化、生产调度、图像处理、机器学习等领域。但针对高通量仿真中模型运行时间未知的情况下,运行遗传算法解决具有依赖关系的模型资源映射时既考虑模型的计算消耗又考虑模型间的通信消耗时,需要提出对遗传算法的改进,让遗传算法更好的适应于任务调度问题和提高遗传算法的优越性。
因此,需要提供一种基于改进遗传算法的仿真资源调度方法,提高高通量仿真资源调度效率,提高任务完成效率和仿真系统的吞吐率。
发明内容
本发明的一个目的在于提供一种基于改进遗传算法的仿真资源调度方法,以提高高通量仿真资源调度效率,提高任务完成效率和仿真系统的吞吐率。
为达到上述目的,本发明采用下述技术方案:
本发明公开了一种基于改进遗传算法的仿真资源调度方法,所述方法包括:
S1:初始化生成仿真模型与仿真资源的种群;
S2:基于适应度函数计算种群中每个个体的个体适应值;
S3:基于单点交叉方法对种群进行交叉操作;
S4:基于自适应的变异概率对种群进行变异操作;
S5:采用基于累计概率改进的选择算子对种群进行选择操作;
S6:重复S1-S5,达到预定步数后结束。
优选地,所述S1结合随机分配原则和优化分配原则初始化所述种群;
所述优化分配原则将具有相同高度的仿真模型分配至不同的仿真资源上,并将仿真模型的高度与仿真资源的计算能力相匹配。
优选地,所述适应度函数用负载不平衡量表示。
优选地,所述适应度函数为负载不平衡量的倒数。
优选地,所述单点交叉方法为
适应度高的个体,等概率的选择仿真模型和者仿真资源进行交叉操作;
适应度低的个体,仿真模型和者仿真资源都进行交叉操作;
编码的仿真模型和者仿真资源使用不同的交叉方法。
优选地,所述S3包括:
S31:从种群中随机选择两个个体作为父个体;
S32:计算两个父个体的适应值,将其中较大的父个体与种群平均适应值比较;
S33:若较大的父个体的适应值小于种群平均适应值,按照单点交叉方法的概率进行仿真模型和仿真资源的交叉操作,或者将该父个体直接复制到新一代种群中;
S34:若较大的父个体的适应值大于种群平均适应值,按照单点交叉方法的概率进行交叉操作,其中交叉操作等概率的选择仿真模型和仿真资源的交叉操作,或者将该父个体直接复制到新一代种群中;
S35:删除所述两个父个体,重复S31-S34,当上一代种群中的个体个数为0时,交叉操作结束。
优选地,所述自适应的变异概率为
当种群各个适应度趋于一致或者趋于局部最优时,变异概率变大;
当群体适应度比较分散时,变异概率变小;
对于适应度值高于群体平均适应值得个体,取较小的变异概率;
对于适应度值低于群体平均适应值得个体,取较大的变异概率。
优选地,所述S4包括:
S41:从种群中随机选择一个个体作为父个体;
S42:计算父个体的适应值,并与种群平均适应值比较;
S43:若父个体的适应值小于种群平均适应值,按照自适应的变异概率进行仿真模型和仿真资源的变异操作,或者将该父个体直接复制到新一代种群中;
S44:若父个体的适应值大于种群平均适应值,按照自适应的变异概率进行变异操作,其中变异操作等概率的选择仿真模型和仿真资源进行变异操作,或者将该父个体直接复制到新一代种群中;
S45:删除所述父个体,重复S41-S44,当上一代种群中的个体个数为0时,交叉操作结束。
优选地于,所述S5包括:
S51:计算每一个个体的适应值;
S52:根据适应值计算出每个个体被选中的概率,根据选中概率随机选择进入下一代的个体;
S53:如果产生的新的种群的最优解的适应值小于上一代的最优解的适应值,则上一代的最优解替换新的种群中最差的个体。
本发明的有益效果如下:
本发明提供了一种仿真资源调度中对遗传算法的改进方法,提出了对生成初始种群的优化、自适应交叉算子、自适应变异算子的改进,而且提出针对具有约束关系的任务调度的编码方式和通过不平衡量反映个体适应度的适应度函数,并证明是有效的。改进的遗传算法具有较强的全局搜索能力,收敛较快,并且可以获得较好的调度方案,从整体上提高了高通量仿真的吞吐率,不仅和随机分配方案比效果优秀,相对于传统的遗传算法效果也更好。
附图说明
下面结合附图对本发明的具体实施方式作进一步详细的说明。
图1示出本发明一种基于改进遗传算法的仿真资源调度方法具体实施例的流程图。
图2示出本发明一种基于改进遗传算法的仿真资源调度方法具体实施例的DAG图。
具体实施方式
为了更清楚地说明本发明,下面结合优选实施例和附图对本发明做进一步的说明。附图中相似的部件以相同的附图标记进行表示。本领域技术人员应当理解,下面所具体描述的内容是说明性的而非限制性的,不应以此限制本发明的保护范围。
仿真中的任务调度,可以具体表述为多约束条件下的仿真模型与系统资源的按需映射问题,即是实现仿真应用运行初期的静态资源分配。影响仿真任务调度的因素有三大类:模型间的约束关系、模型的运行时间等时间因素以及资源之间的通信延迟。使用遗传算法解决仿真调度问题主要需要解决相关参数确定、解的编码、生成初始群体、确定适应度函数和遗传操作等问题。分析已有的编码方式,本发明的编码的改进思路主要是:1、编码既需要表现把哪些模型分配到哪一个的资源上,也需要表现每一个资源上模型的运行顺序。2、保证生成的解都是有效解,且算法相对简单。
如图1所示,本发明公开了一种基于改进遗传算法的仿真资源调度方法。该方法包括:
S1:初始化生成仿真模型与仿真资源的种群。结合随机分配原则和优化分配原则初始化所述种群。所述随机分配原则将具有相同高度的仿真模型分配至不同的仿真资源上,所述优化分配原则将仿真模型的高度与仿真资源的计算能力相匹配。
具体的,在生成初始种群时,尽量把高度相同的一组模型中计算量大的模型分配到计算能力高的资源上。这一做法充分利用了异构资源具有不同的计算能力的特点,使得计算量大的模型可以尽快运行完,增加了仿真的吞吐率。
如图2所示,仿真模型用DAG图来反映模型之间的优先约束关系,各模型的在不同节点上的计算量,以及每一个模型与哪些模型通信,以及他们之间的通信量。用DAG图表示模型,每个节点表示一个模型,节点的编号即模型的编号,模型在DAG中的高度,反映模型在调度中优先级。计算模型在DAG图的高度的思路如下:没有直接前驱节节点的模型的高度为0,否则,该模型的高度为其直接前驱节点集合中高度最大的节点的高度加一。
同时,在生成初始种群时,尽量把高度相同的模型分配到不同的资源上,以此实现最大的并行化,使得独立的模型可以并行运行,后继模型可以较早的开始执行,增加了仿真的吞吐率,缩短了仿真时间。
本发明在生成初始种群的时候,并不是完全的随机的,除了考虑模型间的依赖关系,还希望通过优化操作生成较好的初始种群,从而减少遗传算法的进化时间。在生成初始种群时,结合随机分配与优化分配。防止完全按照的单一策略来分配模型可能造成的性能较高的资源分配了过多的模型,使得各资源负载不平衡,也会造成种群缺少多样性,因此,可按一定概率的随机分配模型。
S2:基于适应度函数计算种群中每个个体的个体适应值。根据仿真模型与资源映射的目标来确定适应度函数。本发明模型资源映射的目标是将模型分配到具有相匹配的处理能力的资源上,同时保证模型之间通信开销最小和仿真系统的吞吐率高。根据模型资源映射目标和在已知模型在各资源上的计算量,模型间的通信量的基础上,本发明决定用负载不平衡量来表示适应度函数。
S3:基于单点交叉方法对种群进行交叉操作。交叉操作是遗传算法中产生新个体的主要手段,种群通过交叉产生新的个体,以此扩展解的搜索空间,达到全局搜索的目的。考虑“适应度高于群体平均值的个体应该对较低的交叉概率,以使优秀的个体进入下一代的机会增大”的思想和考虑模型运行顺序的约束,本发明对单点交叉方法从以下几个方面做了优化:适应度高的个体,等概率的选择仿真模型和者仿真资源进行交叉操作;适应度低的个体,仿真模型和者仿真资源都进行交叉操作;编码的仿真模型和者仿真资源使用不同的交叉方法。适应度是用于评价个体的优劣程度,适应度越大个体越好,反之适应度越小则个体越差。本课题的适应度是指仿真系统的负载平衡量,负载平衡技术是考虑异构的分布式系统中资源计算性能、通讯性能等参数从而保证所有节点高效运行的有效手段。尽量保证各资源的负载平衡,才能更快地推进仿真时钟,加快仿真进程。在选择适应度高和适应度低时可确定选择的范围,例如,可分别选择适应度值位于前20%和适应度值位于后20%的个体。
所述S3可包括:
S31:从种群中随机选择两个个体作为父个体;
S32:计算两个父个体的适应值,将其中较大的父个体与种群平均适应值比较;
S33:若较大的父个体的适应值小于种群平均适应值,按照单点交叉方法的概率进行仿真模型和仿真资源的交叉操作,或者将该父个体直接复制到新一代种群中;
S34:若较大的父个体的适应值大于种群平均适应值,按照单点交叉方法的概率进行交叉操作,其中交叉操作等概率的选择仿真模型和仿真资源的交叉操作,或者将该父个体直接复制到新一代种群中;
S35:删除所述两个父个体,重复S31-S34,当上一代种群中的个体个数为0时,交叉操作结束。
S4:基于自适应的变异概率对种群进行变异操作。变异操作是遗传算法产生新个体的另一个方法,具体来说就是改变个体的某些基因位上的值。同交叉操作一样,考虑“适应度高于群体平均值的个体应该对较低的交叉概率,以使优秀的个体进入下一代的机会增大”的思想和考虑模型运行顺序的约束,本发明采用自适应的变异概率。
所述自适应的变异概率为当种群各个适应度趋于一致或者趋于局部最优时,变异概率变大;当群体适应度比较分散时,变异概率变小。对于适应度值高于群体平均适应值得个体,取较小的变异概率;对于适应度值低于群体平均适应值得个体,取较大的变异概率。适应度趋于一致是指种群的适应度函数基本一致,子代与父代差别减少,如不改变变异概率,计算结果将发散。局部最优是指在一定范围里种群的适应度函数最大,即负载最均衡,根据本领域的常规选择方法确定的一致性进行选择即可。所述S4可包括:
S41:从种群中随机选择一个个体作为父个体;
S42:计算父个体的适应值,并与种群平均适应值比较;
S43:若父个体的适应值小于种群平均适应值,按照自适应的变异概率进行仿真模型和仿真资源的变异操作,或者将该父个体直接复制到新一代种群中;
S44:若父个体的适应值大于种群平均适应值,按照自适应的变异概率进行变异操作,其中变异操作等概率的选择仿真模型和仿真资源进行变异操作,或者将该父个体直接复制到新一代种群中;
S45:删除所述父个体,重复S41-S44,当上一代种群中的个体个数为0时,交叉操作结束。
S5:采用基于累计概率改进的选择算子对种群进行选择操作。选择操作的作用是根据个体的适应值选择优秀的个体直接复制到下一代或是通过交叉操作产生新的个体遗传到下一代,淘汰劣质的个体。在实现选择操作时,需要根据累积概率实现。所述S5可包括:
S51:计算每一个个体的适应值;
S52:根据适应值计算出每个个体被选中的概率,根据选中概率随机选择进入下一代的个体;
S53:如果产生的新的种群的最优解的适应值小于上一代的最优解的适应值,则上一代的最优解替换新的种群中最差的个体。
选择操作的作用是根据个体的适应值选择优秀的个体直接复制到下一代或是通过交叉操作产生新的个体遗传到下一代,淘汰劣质的个体。
S6:重复S1-S5,达到预定步数后结束。
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定,对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动,这里无法对所有的实施方式予以穷举,凡是属于本发明的技术方案所引伸出的显而易见的变化或变动仍处于本发明的保护范围之列。
Claims (9)
1.一种基于改进遗传算法的仿真资源调度方法,其特征在于,所述方法包括:
S1:初始化生成仿真模型与仿真资源的种群;
S2:基于适应度函数计算种群中每个个体的个体适应值;
S3:基于单点交叉方法对种群进行交叉操作;
S4:基于自适应的变异概率对种群进行变异操作;
S5:采用基于累计概率改进的选择算子对种群进行选择操作;
S6:重复S1-S5,达到预定步数后结束。
2.根据权利要求1所述的方法,其特征在于,所述S1结合随机分配原则和优化分配原则初始化所述种群;
所述优化分配原则将具有相同高度的仿真模型分配至不同的仿真资源上,并将仿真模型的高度与仿真资源的计算能力相匹配。
3.根据权利要求1所述的方法,其特征在于,所述适应度函数用负载不平衡量表示。
4.根据权利要求3所述的方法,其特征在于,所述适应度函数为负载不平衡量的倒数。
5.根据权利要求1所述的方法,其特征在于,所述单点交叉方法为
适应度高的个体,等概率的选择仿真模型和仿真资源进行交叉操作;
适应度低的个体,仿真模型和仿真资源都进行交叉操作;
编码的仿真模型和者仿真资源使用不同的交叉方法。
6.根据权利要求1所述的方法,其特征在于,所述S3包括:
S31:从种群中随机选择两个个体作为父个体;
S32:计算两个父个体的适应值,将其中较大的父个体与种群平均适应值比较;
S33:若较大的父个体的适应值小于种群平均适应值,按照单点交叉方法的概率进行仿真模型和仿真资源的交叉操作,或者将该父个体直接复制到新一代种群中;
S34:若较大的父个体的适应值大于种群平均适应值,按照单点交叉方法的概率进行交叉操作,其中交叉操作等概率的选择仿真模型和仿真资源的交叉操作,或者将该父个体直接复制到新一代种群中;
S35:删除所述两个父个体,重复S31-S34,当上一代种群中的个体个数为0时,交叉操作结束。
7.根据权利要求1所述的方法,其特征在于,所述自适应的变异概率为
当种群各个适应度趋于一致或者趋于局部最优时,变异概率变大;
当群体适应度比较分散时,变异概率变小;
对于适应度值高于群体平均适应值得个体,取较小的变异概率;
对于适应度值低于群体平均适应值得个体,取较大的变异概率。
8.根据权利要求1所述的方法,其特征在于,所述S4包括:
S41:从种群中随机选择一个个体作为父个体;
S42:计算父个体的适应值,并与种群平均适应值比较;
S43:若父个体的适应值小于种群平均适应值,按照自适应的变异概率进行仿真模型和仿真资源的变异操作,或者将该父个体直接复制到新一代种群中;
S44:若父个体的适应值大于种群平均适应值,按照自适应的变异概率进行变异操作,其中变异操作等概率的选择仿真模型和仿真资源进行变异操作,或者将该父个体直接复制到新一代种群中;
S45:删除所述父个体,重复S41-S44,当上一代种群中的个体个数为0时,交叉操作结束。
9.根据权利要求1所述的方法,其特征在于,所述S5包括:
S51:计算每一个个体的适应值;
S52:根据适应值计算出每个个体被选中的概率,根据选中概率随机选择进入下一代的个体;
S53:如果产生的新的种群的最优解的适应值小于上一代的最优解的适应值,则上一代的最优解替换新的种群中最差的个体。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710512814.7A CN107329831A (zh) | 2017-06-29 | 2017-06-29 | 一种基于改进遗传算法的仿真资源调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710512814.7A CN107329831A (zh) | 2017-06-29 | 2017-06-29 | 一种基于改进遗传算法的仿真资源调度方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107329831A true CN107329831A (zh) | 2017-11-07 |
Family
ID=60198902
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710512814.7A Pending CN107329831A (zh) | 2017-06-29 | 2017-06-29 | 一种基于改进遗传算法的仿真资源调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107329831A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108320059A (zh) * | 2018-02-22 | 2018-07-24 | 石家庄铁道大学 | 一种工作流调度进化寻优方法及终端设备 |
CN109343966A (zh) * | 2018-11-01 | 2019-02-15 | 西北工业大学 | 一种无人节点的集群组织方法及装置 |
CN109885401A (zh) * | 2019-01-27 | 2019-06-14 | 中国人民解放军国防科技大学 | 基于lpt局部优化的结构化网格负载平衡方法 |
CN111756819A (zh) * | 2020-06-10 | 2020-10-09 | 赣南师范大学 | 基于改进免疫遗传的物联网资源调度优化运行方法 |
CN112463629A (zh) * | 2020-12-11 | 2021-03-09 | 北京航空航天大学 | 一种基于遗传进化的自主无人系统软件配置项调整方法 |
CN112612549A (zh) * | 2020-12-30 | 2021-04-06 | 润联软件系统(深圳)有限公司 | 多边缘服务任务选择卸载方法、装置及相关设备 |
CN113127167A (zh) * | 2021-03-18 | 2021-07-16 | 国家卫星气象中心(国家空间天气监测预警中心) | 一种基于改进遗传算法的异构资源智能并行调度方法 |
WO2022048280A1 (zh) * | 2020-09-04 | 2022-03-10 | 苏州浪潮智能科技有限公司 | 一种分布式的量子计算仿真方法和装置 |
-
2017
- 2017-06-29 CN CN201710512814.7A patent/CN107329831A/zh active Pending
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108320059A (zh) * | 2018-02-22 | 2018-07-24 | 石家庄铁道大学 | 一种工作流调度进化寻优方法及终端设备 |
CN109343966A (zh) * | 2018-11-01 | 2019-02-15 | 西北工业大学 | 一种无人节点的集群组织方法及装置 |
CN109343966B (zh) * | 2018-11-01 | 2023-04-07 | 西北工业大学 | 一种无人节点的集群组织方法及装置 |
CN109885401A (zh) * | 2019-01-27 | 2019-06-14 | 中国人民解放军国防科技大学 | 基于lpt局部优化的结构化网格负载平衡方法 |
CN111756819A (zh) * | 2020-06-10 | 2020-10-09 | 赣南师范大学 | 基于改进免疫遗传的物联网资源调度优化运行方法 |
WO2022048280A1 (zh) * | 2020-09-04 | 2022-03-10 | 苏州浪潮智能科技有限公司 | 一种分布式的量子计算仿真方法和装置 |
CN112463629A (zh) * | 2020-12-11 | 2021-03-09 | 北京航空航天大学 | 一种基于遗传进化的自主无人系统软件配置项调整方法 |
CN112463629B (zh) * | 2020-12-11 | 2022-03-29 | 北京航空航天大学 | 一种基于遗传进化的自主无人系统软件配置项调整方法 |
CN112612549A (zh) * | 2020-12-30 | 2021-04-06 | 润联软件系统(深圳)有限公司 | 多边缘服务任务选择卸载方法、装置及相关设备 |
CN112612549B (zh) * | 2020-12-30 | 2022-06-24 | 润联软件系统(深圳)有限公司 | 多边缘服务任务选择卸载方法、装置及相关设备 |
CN113127167A (zh) * | 2021-03-18 | 2021-07-16 | 国家卫星气象中心(国家空间天气监测预警中心) | 一种基于改进遗传算法的异构资源智能并行调度方法 |
CN113127167B (zh) * | 2021-03-18 | 2023-11-03 | 国家卫星气象中心(国家空间天气监测预警中心) | 一种基于改进遗传算法的异构资源智能并行调度方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107329831A (zh) | 一种基于改进遗传算法的仿真资源调度方法 | |
Zhu et al. | An efficient evolutionary grey wolf optimizer for multi-objective flexible job shop scheduling problem with hierarchical job precedence constraints | |
CN110489229B (zh) | 一种多目标任务调度方法及系统 | |
CN110515735A (zh) | 一种基于改进q学习算法的多目标云资源调度方法 | |
CN106484512B (zh) | 计算单元的调度方法 | |
CN110533183A (zh) | 一种流水线分布式深度学习中异构网络感知的模型划分与任务放置方法 | |
CN104899100B (zh) | 一种用于云系统的资源调度方法 | |
CN104516785B (zh) | 一种云计算资源调度系统及方法 | |
CN109447264B (zh) | 云计算环境下基于vham-r模型的虚拟机放置遗传优化方法 | |
CN111722910A (zh) | 一种云作业调度及资源配置的方法 | |
CN106250650A (zh) | 高通量仿真中模型的资源分配与优化方法 | |
CN110599068A (zh) | 一种基于粒子群优化算法的云资源调度方法 | |
CN108320059A (zh) | 一种工作流调度进化寻优方法及终端设备 | |
CN106227599A (zh) | 一种云计算系统中资源调度的方法及系统 | |
CN108681789A (zh) | 一种云制造服务优化方法 | |
CN114741955A (zh) | 一种基于安全云的多目标优化任务调度方法 | |
CN106843997A (zh) | 一种基于Spark与优化MBBO算法的并行虚拟机聚合方法 | |
CN106201706A (zh) | 一种粒子群服务选择方法和系统 | |
CN113221051A (zh) | 一种基于改进乌鸦搜索算法的Web服务组合优化方法 | |
CN111612124A (zh) | 一种面向任务智能调度的网络结构自适应优化方法 | |
CN110392377A (zh) | 一种5g超密集组网资源分配方法及装置 | |
CN112446484A (zh) | 一种多任务训练集群智能网络系统及集群网络优化方法 | |
CN115794330A (zh) | 一种云计算任务调度方法 | |
CN116339973A (zh) | 基于粒子群优化算法的数字孪生云平台计算资源调度方法 | |
Li et al. | An improved differential evolution task scheduling algorithm based on cloud computing |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171107 |