CN108491273A - 基于云计算的空气污染数据采集分析系统 - Google Patents

基于云计算的空气污染数据采集分析系统 Download PDF

Info

Publication number
CN108491273A
CN108491273A CN201810275876.5A CN201810275876A CN108491273A CN 108491273 A CN108491273 A CN 108491273A CN 201810275876 A CN201810275876 A CN 201810275876A CN 108491273 A CN108491273 A CN 108491273A
Authority
CN
China
Prior art keywords
subtask
cloud computing
task
application server
air pollution
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
Application number
CN201810275876.5A
Other languages
English (en)
Inventor
钟建明
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.)
Shenzhen Huitong Intelligent Technology Co Ltd
Original Assignee
Shenzhen Huitong Intelligent 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 Shenzhen Huitong Intelligent Technology Co Ltd filed Critical Shenzhen Huitong Intelligent Technology Co Ltd
Priority to CN201810275876.5A priority Critical patent/CN108491273A/zh
Publication of CN108491273A publication Critical patent/CN108491273A/zh
Pending legal-status Critical Current

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
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5083—Techniques for rebalancing the load in a distributed system
    • 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]
    • G06F9/5061—Partitioning or combining of resources
    • G06F9/5066—Algorithms for mapping a plurality of inter-dependent sub-tasks onto a plurality of physical CPUs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/10—Protocols in which an application is distributed across nodes in the network
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/10—Protocols in which an application is distributed across nodes in the network
    • H04L67/1001—Protocols in which an application is distributed across nodes in the network for accessing one among a plurality of replicated servers
    • H04L67/1004—Server selection for load balancing
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/10—Protocols in which an application is distributed across nodes in the network
    • H04L67/1001—Protocols in which an application is distributed across nodes in the network for accessing one among a plurality of replicated servers
    • H04L67/1004—Server selection for load balancing
    • H04L67/1008—Server selection for load balancing based on parameters of servers, e.g. available memory or workload

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Mathematical Physics (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Computer Hardware Design (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了基于云计算的空气污染数据采集分析系统，包括多个用于完成空气污染参数采集的环境质量采集设备，与所述环境质量采集设备通信连接、用于数据处理及系统任务调度的云计算数据处理平台，所述云计算数据处理平台包括任务划分模块、任务调度管理模块和应用服务器资源池；任务划分模块用于对任务进行切分，得到N个子任务；任务调度管理模块用于将所述N个子任务分配给应用服务器资源池中的n个应用服务器进行处理。

Description

基于云计算的空气污染数据采集分析系统
技术领域
本发明涉及空气污染数据采集和分析技术领域，具体涉及基于云计算的空气污染数据采集分析系统。
背景技术
随着工业化的不断发展，环境污染也日趋严重，空气中的细颗粒物(PM2.5)浓度越来越高，全国多个城市雾霾频发，公众对于空气质量的关注度不断提升，而目前许多城市的环境空气监测中心站点较少，加之信息化水平不够发达，难以满足公众详细了解空气质量状况的需求。
云计算是并行计算、分布式计算和网格计算的发展，或者说是这些计算机科学概念的商业实现。“云计算”技术是一个很新、很大的技术范畴，如果将“云计算”技术运用在监测系统管理上，需要在理论进行研究，同时需要对系统进行一个有效的设计。
发明内容
针对上述问题，本发明提供基于云计算的空气污染数据采集分析系统。
本发明的目的采用以下技术方案来实现：
提供了基于云计算的空气污染数据采集分析系统，包括多个用于完成空气污染参数采集的环境质量采集设备，与所述环境质量采集设备通信连接、用于数据处理及系统任务调度的云计算数据处理平台，所述云计算数据处理平台包括任务划分模块、任务调度管理模块和应用服务器资源池；任务划分模块用于对任务进行切分，得到N个子任务；任务调度管理模块用于将所述N个子任务分配给应用服务器资源池中的n个应用服务器进行处理。
优选地，还包括管理工作站，管理工作站用于对整个系统进行操作管理。
优选地，所述环境质量采集设备包括多种用于检测空气污染物特征因子的特征因子检测仪器，以及PM2.5监测设备。
其中，所述空气监测数据包括如下一种或多种数据：
PM2.5、NO2、SO2、NT3以及硫化氢气体。
优选地，云计算数据处理平台还包括数据库服务器，数据库服务器用于存储历史空气污染参数。
进一步地，云计算数据处理平台还包括数据展示模块，数据展示模块用于对空气污染参数进行展示。
本发明的有益效果为：可以检测到每个点的污染情况，利用环境质量采集设备结合最新云计算平台，满足环保部门对环境监控的需求，并为环保行政执法提供信息化支持；采用云计算技术，让多台应用服务器均衡承担繁重并发数据处理任务，避免了单机拥塞或单机故障造成的不良影响，同时便于扩展，在最小的经济投资下保证服务需要和系统可靠。
附图说明
利用附图对本发明作进一步说明，但附图中的实施例不构成对本发明的任何限制，对于本领域的普通技术人员，在不付出创造性劳动的前提下，还可以根据以下附图获得其它的附图。
图1是本发明一个示例性实施例的系统结构框图；
图2是本发明一个示例性实施例的云计算数据处理平台的结构框图。
附图标记：
环境质量采集设备1、云计算数据处理平台2、管理工作站3、任务划分模块10、任务调度管理模块20、应用服务器资源池30、数据库服务器40、数据展示模块50。
具体实施方式
结合以下实施例对本发明作进一步描述。
参见图1、图2，本实施例提供的基于云计算的空气污染数据采集分析系统，包括多个用于完成空气污染参数采集的环境质量采集设备1，与所述环境质量采集设备1通信连接、用于数据处理及系统任务调度的云计算数据处理平台2，所述云计算数据处理平台2包括任务划分模块10、任务调度管理模块20和应用服务器资源池30；任务划分模块10用于对任务进行切分，得到N个子任务；任务调度管理模块20用于将所述N个子任务分配给应用服务器资源池30中的n个应用服务器进行处理。
进一步地，基于云计算的空气污染数据采集分析系统还包括管理工作站4，管理工作站4用于对整个系统进行操作管理。系统管理员可以通过管理工作站4对基于云计算的空气污染数据采集分析系统进行管理操作和维护。
进一步地，云计算数据处理平台2还包括数据库服务器40，数据库服务器40用于存储历史空气污染参数。数据库服务器40采用双机热备的方式。每台数据库服务器40的硬盘存储均采用磁盘阵列的模式。云计算数据处理平台2还包括数据展示模块50，数据展示模块50用于对空气污染参数进行展示。
在一个实施例中，所述环境质量采集设备1包括多种用于检测空气污染物特征因子的特征因子检测仪器，以及PM2.5监测设备。
本发明上述实施例可以检测到每个点的污染情况，利用环境质量采集设备结合最新云计算平台，满足环保部门对环境监控的需求，并为环保行政执法提供信息化支持；采用云计算技术，让多台应用服务器均衡承担繁重并发数据处理任务，避免了单机拥塞或单机故障造成的不良影响，同时便于扩展，在最小的经济投资下保证服务需要和系统可靠。
任务的执行效率与任务完成时间有着直接关系，基于此，在一个实施例中，通过求解以下数学模型得到子任务分配的具体方案：
Subject to
Fθx≤Fθy,θ＝1,…,N
式中，F表示完成所述N个子任务消耗的时间，W为每个应用服务器分配到的子任务数，为第i个应用服务器完成第j个子任务的任务执行时间，为第i个应用服务器完成第j个子任务的任务通信时间，为第i个应用服务器完成第j个子任务的任务存储时间，Fθx为第θ个子任务的预计执行时间，Fθy为第θ个子任务的期待执行时间。
本实施例创新性地设定了上述的数学模型。基于求解上述数学模型得到子任务分配的具体方案，能够使得对子任务的分配能够按照时间消耗的约束条件分配给合适的应用服务器进行处理，从而有效地减少任务执行的时间，保障任务的执行效率，进而有效降低云计算数据处理平台2的能量消耗。
上述数学模型可采用现有的各种算法进行求解，例如采用贪心算法、拉格朗日算法、惩罚函数法、粒子群算法等。
作为一种最优选的方式，本实施例结合遗传算法和蚁群优化算法求解所述数学模型，具体为：
(1)采用间接编码的方式，染色体的长度等于子任务的数量N，其中的基因与N个子任务一一对应，基因的值为该基因所对应的子任务占用的应用服务器编号；
(2)随机生成初始染色体种群，对当前的染色体种群进行应用选择、变异和交叉操作，直至当前染色体种群满足预设的算法终止条件，生成遗传算法的最优解；
(3)选取遗传算法得到的最优解的前8％染色体作为遗传优化解集合，将其转化为蚁群算法中各节点信息素的初始值；
(4)将每个子任务模拟成一只蚂蚁，每只蚂蚁根据得到的排序后的概率值来选择应用服务器；
(5)进行局部和全局的信息素的更新，根据每个任务分配结果求解上述数学模型，记录当前最优解，对产生的当前最优解进行归并，生成子任务分配的最优化方案。
其中，其中在δ时刻第α只蚂蚁选择应用服务器β的概率的计算公式为：
式中，Hβ(δ)为δ时刻应用服务器β的信息素浓度，Hγ(δ)为δ时刻应用服务器γ的信息素浓度，Pβ(δ)为δ时刻应用服务器β的综合处理能力，Pγ(δ)为δ时刻应用服务器γ的综合处理能力，2代表应用服务器信息素的重要程度，2代表应用服务器综合处理能力的重要程度。
本实施例融合了遗传算法和蚁群算法的优点，在早期调度任务数量较少时，利用遗传算法的全局快速搜索能力来提高收敛速度，后期调度任务数量教唆时，利用蚁群算法的优化快速精确求解能力来提高收敛速度，提高了云计算数据处理平台2的负载均衡性能。
其中，定义遗传算法的适应度函数L(t)为：
式中，F(t)表示当前种群中第t个染色体完成所述N个子任务消耗的时间，F(max)为当前染色体种群中所有染色体中F(t)的最大值，F(min)为当前染色体种群中所有染色体中F(t)的最小值，C为设定的调整系数。
本实施例基于任务执行消耗时间创新性地定义了遗传算法的适应度函数，以任务执行消耗时间最小为目标，对资源进行调度，能够降低基于云计算的空气污染数据采集分析系统的能耗，提高任务分配的效率。
在一个实施例中，对当前的染色体种群进行应用选择，具体包括：
(1)选取新一代的染色体种群时，若新染色体的适应度优于或等于父代染色体时，则用新染色体替换掉相应的父代染色体，若新染色体的适应度劣于父代染色体时，抛弃新染色体；
(2)根据下述概率函数，采用轮盘赌方法选择最优解以外的其他染色体：
式中，表示第g代染色体种群中第t个染色体的选择概率，Lg(t)为第g代染色体种群中第t个染色体的适应度，＝g为第g代染色体种群的平均适应度，Lg(max)为第g代染色体种群中所有染色体的适应度的最大值，Lg(min)为第g代染色体种群中所有染色体的适应度的最小值，Lg(u)为第g代染色体种群中第u个染色体的适应度，size为种群规模。
本实施例能够确保下一代染色体种群整体能够得到进化，本实施例还设定了轮盘赌方法对应的概率函数，通过采用上述概率函数，能够使得适应度值较大的染色体在选择过程中被保留的概率增加，而适应度值较小的染色体相对被保留的概率减小，有利于对应用服务器进行较优调度，进一步降低基于云计算的空气污染数据采集分析系统的能耗。
最后应当说明的是，以上实施例仅用以说明本发明的技术方案，而非对本发明保护范围的限制，尽管参照较佳实施例对本发明作了详细地说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的实质和范围。

Claims (7)

1.基于云计算的空气污染数据采集分析系统，其特征是，包括多个用于完成空气污染参数采集的环境质量采集设备，与所述环境质量采集设备通信连接、用于数据处理及系统任务调度的云计算数据处理平台，所述云计算数据处理平台包括任务划分模块、任务调度管理模块和应用服务器资源池；任务划分模块用于对任务进行切分，得到N个子任务；任务调度管理模块用于将所述N个子任务分配给应用服务器资源池中的n个应用服务器进行处理。
2.根据权利要求1所述的基于云计算的空气污染数据采集分析系统，其特征是，还包括管理工作站，管理工作站用于对整个系统进行操作管理。
3.根据权利要求2所述的基于云计算的空气污染数据采集分析系统，其特征是，所述环境质量采集设备包括多种用于检测空气污染物特征因子的特征因子检测仪器，以及PM2.5监测设备。
4.根据权利要求1所述的基于云计算的空气污染数据采集分析系统，其特征是，云计算数据处理平台还包括数据库服务器，数据库服务器用于存储历史空气污染参数。
5.根据权利要求4所述的基于云计算的空气污染数据采集分析系统，其特征是，云计算数据处理平台还包括数据展示模块，数据展示模块用于对空气污染参数进行展示。
6.根据权利要求1-5任一项所述的基于云计算的空气污染数据采集分析系统，其特征是，通过求解以下数学模型得到子任务分配的具体方案：
Subject to
Fθx≤Fθy,θ＝1,…,N
式中，F表示完成所述N个子任务消耗的时间，W为每个应用服务器分配到的子任务数，为第i个应用服务器完成第j个子任务的任务执行时间，为第i个应用服务器完成第j个子任务的任务通信时间，为第i个应用服务器完成第j个子任务的任务存储时间，Fθx为第θ个子任务的预计执行时间，Fθy为第θ个子任务的期待执行时间。
7.根据权利要求6所述的基于云计算的空气污染数据采集分析系统，其特征是，结合遗传算法和蚁群优化算法求解所述数学模型，具体为：
(1)采用间接编码的方式，染色体的长度等于子任务的数量N，其中的基因与N个子任务一一对应，基因的值为该基因所对应的子任务占用的应用服务器编号；
(2)随机生成初始染色体种群，对当前的染色体种群进行应用选择、变异和交叉操作，直至当前染色体种群满足预设的算法终止条件，生成遗传算法的最优解；
(3)选取遗传算法得到的最优解的前8％染色体作为遗传优化解集合，将其转化为蚁群算法中各节点信息素的初始值；
(4)将每个子任务模拟成一只蚂蚁，每只蚂蚁根据得到的排序后的概率值来选择应用服务器；
(5)进行局部和全局的信息素的更新，根据每个任务分配结果求解上述数学模型，记录当前最优解，对产生的当前最优解进行归并，生成子任务分配的最优化方案；
其中，其中在δ时刻第α只蚂蚁选择应用服务器β的概率的计算公式为：
式中，Hβ(δ)为δ时刻应用服务器β的信息素浓度，Hγ(δ)为δ时刻应用服务器γ的信息素浓度，Pβ(δ)为δ时刻应用服务器β的综合处理能力，Pγ(δ)为δ时刻应用服务器γ的综合处理能力，a代表应用服务器信息素的重要程度，a代表应用服务器综合处理能力的重要程度。
CN201810275876.5A 2018-03-30 2018-03-30 基于云计算的空气污染数据采集分析系统 Pending CN108491273A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810275876.5A CN108491273A (zh) 2018-03-30 2018-03-30 基于云计算的空气污染数据采集分析系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810275876.5A CN108491273A (zh) 2018-03-30 2018-03-30 基于云计算的空气污染数据采集分析系统

Publications (1)

Publication Number Publication Date
CN108491273A true CN108491273A (zh) 2018-09-04

Family

ID=63317659

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810275876.5A Pending CN108491273A (zh) 2018-03-30 2018-03-30 基于云计算的空气污染数据采集分析系统

Country Status (1)

Country Link
CN (1) CN108491273A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116362522A (zh) * 2023-06-01 2023-06-30 广东鑫钻节能科技股份有限公司 基于多点分布模型的数字能源氮气站数据处理方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103345657A (zh) * 2013-04-02 2013-10-09 江苏大学 云计算环境下基于遗传和蚁群的任务调度方法
CN103970609A (zh) * 2014-04-24 2014-08-06 南京信息工程大学 一种基于改进蚁群算法的云数据中心任务调度方法
CN104123214A (zh) * 2013-04-26 2014-10-29 阿里巴巴集团控股有限公司 基于运行时数据的任务执行进度度量和展示的方法及系统
CN204807982U (zh) * 2015-06-23 2015-11-25 智慧云谷科技（苏州）有限公司 一种基于云计算的分布式环境监测与保护系统
CN106447173A (zh) * 2016-09-05 2017-02-22 北京理工大学 一种支持任意流程结构的云工作流调度方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103345657A (zh) * 2013-04-02 2013-10-09 江苏大学 云计算环境下基于遗传和蚁群的任务调度方法
CN104123214A (zh) * 2013-04-26 2014-10-29 阿里巴巴集团控股有限公司 基于运行时数据的任务执行进度度量和展示的方法及系统
CN103970609A (zh) * 2014-04-24 2014-08-06 南京信息工程大学 一种基于改进蚁群算法的云数据中心任务调度方法
CN204807982U (zh) * 2015-06-23 2015-11-25 智慧云谷科技（苏州）有限公司 一种基于云计算的分布式环境监测与保护系统
CN106447173A (zh) * 2016-09-05 2017-02-22 北京理工大学 一种支持任意流程结构的云工作流调度方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
刘燕，等；: "基于大数据和物联网的空气质量预测监测研究", 《通信学报》 *
宾厚，著；: "《低碳物流视角下的城市共同配送系统研究 2016年8月第1版》", 31 August 2016, 中南大学出版社 *
段凯蓉，等；: "基于多目标免疫系统算法的云任务调度策略", 《计算机应用》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116362522A (zh) * 2023-06-01 2023-06-30 广东鑫钻节能科技股份有限公司 基于多点分布模型的数字能源氮气站数据处理方法及系统
CN116362522B (zh) * 2023-06-01 2023-08-11 广东鑫钻节能科技股份有限公司 基于多点分布模型的数字能源氮气站数据处理方法及系统

Similar Documents

Publication Publication Date Title
Xu et al. Intelligent resource management in blockchain-based cloud datacenters
Liu et al. Job scheduling model for cloud computing based on multi-objective genetic algorithm
CN110389820B (zh) 一种基于v-TGRU模型进行资源预测的私有云任务调度方法
CN1956457B (zh) 用于安排网格计算系统中的网格作业的方法和设备
Chen et al. iEMS for large scale charging of electric vehicles: Architecture and optimal online scheduling
CN107404523A (zh) 云平台自适应资源调度系统和方法
CN107203412A (zh) 一种基于膜系统改进粒子群算法的云资源调度优化方法
Liu et al. Handling recoverable temporal violations in scientific workflow systems: a workflow rescheduling based strategy
CN106708625A (zh) 一种基于最小费用最大流的大规模资源调度系统及方法
CN108132840A (zh) 一种分布式系统中的资源调度方法及装置
Supreeth et al. Hybrid genetic algorithm and modified-particle swarm optimization algorithm (GA-MPSO) for predicting scheduling virtual machines in educational cloud platforms
CN108170531A (zh) 一种基于深度信念网络的云数据中心请求流调度方法
Xu et al. Optimized renewable energy use in green cloud data centers
Zainab et al. Distributed tree-based machine learning for short-term load forecasting with apache spark
CN109522120B (zh) 一种基于Hadoop的智能家居管理平台
CN108491273A (zh) 基于云计算的空气污染数据采集分析系统
Chen et al. Research on workflow scheduling algorithms in the cloud
CN110262880A (zh) 一种面向分布式数据中心能耗开销优化的作业调度方法
Yu [Retracted] Research on Optimization Strategy of Task Scheduling Software Based on Genetic Algorithm in Cloud Computing Environment
CN108537429A (zh) 基于云计算的电能质量智能监测系统
CN112954022A (zh) 一种基于智能变电站的多并发实时通信方法及装置
Chettaoui et al. A decentralized periodic replication strategy based on knapsack problem
Caux et al. Smart datacenter electrical load model for renewable sources management
CN108226436A (zh) 一种分布式多参数水质监测系统
Liu A Programming Model for the Cloud Platform

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: 20180904