CN108833550B - 一种感知农业优化调度的方法及装置 - Google Patents

一种感知农业优化调度的方法及装置 Download PDF

Info

Publication number
CN108833550B
CN108833550B CN201810643840.8A CN201810643840A CN108833550B CN 108833550 B CN108833550 B CN 108833550B CN 201810643840 A CN201810643840 A CN 201810643840A CN 108833550 B CN108833550 B CN 108833550B
Authority
CN
China
Prior art keywords
request
result
iteration
analysis
agricultural
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
CN201810643840.8A
Other languages
English (en)
Other versions
CN108833550A (zh
Inventor
王智明
徐雷
毋涛
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.)
China United Network Communications Group Co Ltd
Original Assignee
China United Network Communications Group 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 China United Network Communications Group Co Ltd filed Critical China United Network Communications Group Co Ltd
Priority to CN201810643840.8A priority Critical patent/CN108833550B/zh
Publication of CN108833550A publication Critical patent/CN108833550A/zh
Application granted granted Critical
Publication of CN108833550B publication Critical patent/CN108833550B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/02—Arrangements for optimising operational condition

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种感知农业优化调度的方法及装置，属于智能农业技术领域，其可至少部分解决现有的感知农业系统的时延性高、流量成本高的问题。本发明的感知农业优化调度的方法包括：通过分析第一请求得出第一结果，第一请求为在边缘平台层的部分感知农业请求；将第一结果传输给用户；将第二请求传输至优化分析层，第二请求为在优化分析层的剩余感知农业请求；将第二请求进行优化调度分析，得出第二结果；将第一结果和第二结果上传至云端。按照请求执行的难易程度对不同的请求进行分析得出结果，不仅可以减少感知农业系统处理的时延性，而且可以减少运行过程中产生的流量，合理配置资源，从而提高感知农业系统的使用性能以及工作效率。

Description

一种感知农业优化调度的方法及装置
技术领域
本发明属于智能农业技术领域，具体涉及一种感知农业优化调度的方法及装置。
背景技术
感知农业系统是将物联网技术应用到传统农业中，运用传感器和软件通过互联网与手机等终端设备进行连接，实现数据指令的发送。然而，随着物联网迅猛发展，边缘终端设备的数量迅速增加，而边缘终端产生的数据量也迅速增加。集中式数据处理不能有效处理边缘终端设备所产生的海量数据，边缘计算已被业界普遍认定为下一代数字化转型的主要趋势之一。移动边缘计算(Mobile Edge Computing,MEC)是将传统云计算平台的部分计算任务迁移到接入域，并将传统业务与互联网业务进行深度融合，减少传统业务交付的端到端时延，进而带给运营商的运作带来全新模式，并建立全新的产业链及生态圈。
现有技术中的感知农业系统在处理快速增长的农业业务时，会出现时延性高、流量成本高等问题，从而降低感知农业系统的使用性能以及工作效率。
发明内容
本发明至少部分解决现有的感知农业系统的时延性高、流量成本高的问题，提供一种可改善农业系统的时延性、流量成本高等问题的感知农业优化调度的方法及装置。
解决本发明技术问题所采用的技术方案是一种感知农业优化调度的方法，包括：
通过分析第一请求得出第一结果，所述第一请求为在边缘平台层的部分感知农业请求；
将所述第一结果传输给用户；
将第二请求传输至优化分析层，所述第二请求为在所述边缘平台层的剩余感知农业请求；
将第二请求进行优化调度分析，得出第二结果；
将所述第一结果和所述第二结果上传至云端。
进一步优选的是，所述优化调度分析的方法包括：根据所述第二请求设置迭代初始参数；将当前的迭代次数加1；对所述第二请求进行多维空间多层隐藏的分析，并且得出第三结果。
进一步优选的是，判断所述第三结果是否满足深度优化分析评价条件；若所述第三结果满足所述深度优化分析评价条件，则所述优化调度分析结束；若所述第三结果不满足所述深度优化分析评价条件，则返回将当前的所述迭代次数加1的步骤。
进一步优选的是，返回将当前的所述迭代次数加1的步骤之后还包括：判断所述迭代次数是否超过最大迭代次数；若所述迭代次数超过所述最大迭代次数，则所述优化调度分析结束；若所述迭代次数未超过所述最大迭代次数，则返回判断所述第三结果是否满足所述深度优化分析评价条件的步骤。
进一步优选的是，根据以下公式对所述第二请求进行多维空间多层隐藏的分析：
Figure GDA0003056338800000021
其中，
Figure GDA0003056338800000022
Figure GDA0003056338800000023
k表示第k次迭代，k≤d，d为最大迭代次数，
Figure GDA0003056338800000024
为第k次迭代的延时，
Figure GDA0003056338800000025
为迭代的流量成本，LminG为历史最小时延，CminG为历史最小流量成本，
Figure GDA0003056338800000026
为第k次迭代的信息向量，MminG为历史最小信息向量，MminK为第k次迭代的最小信息向量，
Figure GDA0003056338800000027
为第k+1次迭代的信息向量，
Figure GDA0003056338800000028
为第k+1次迭代的奖励增强记忆学习因子，
Figure GDA0003056338800000029
为第k+1次迭代的惩罚遗忘因子，
Figure GDA0003056338800000031
为第K次迭代的平均信息向量，
Figure GDA0003056338800000032
为第k次迭代的平均时延，
Figure GDA0003056338800000033
为第k次迭代的平均流量成本，α∈(1，0)，β∈(1，0)，α+β＝1，D表示方差，E表示数学期望，i、j、t分别表示三维模型的所述第三结果的三个坐标，m、n、p分别为三维模型的所述第三结果的三个坐标的最大值。
进一步优选的是，根据以下公式判断所述第三结果是否满足所述深度优化分析评价条件：
Figure GDA0003056338800000034
其中，ε为大于0小于1的随机数，&&表示逻辑与，P表示概率。
进一步优选的是，通过分析所述第一请求得出所述第一结果之前还包括：将第三请求传送至传输层，形成第四请求，所述第三请求为通过感知层的消息获取的感知农业请求；将所述第四请求通过边缘网管层传输至边缘平台层，形成所述第一请求以及所述第二请求。
解决本发明技术问题所采用的技术方案是一种感知农业优化调度的装置，包括：
分析单元，用于分析第一请求得出第一结果，所述第一请求为在边缘平台层的部分感知农业请求；
传输单元，用于将所述第一结果传输给用户、将第二请求传输至优化分析层以及将所述第一结果和第二结果上传至云端，所述第二请求为在所述边缘平台层的剩余感知农业请求；
优化调度分析单元，用于将第二请求进行优化调度分析，得出所述第二结果。
进一步优选的是，优化调度分析单元包括：设置模块，用于根据所述第二请求设置迭代初始参数；分析模块，用于对所述第二请求进行多维空间多层隐藏的分析，并且得出第三结果；判断模块，用于判断所述第三结果是否满足深度优化分析评价条件以及判断迭代次数是否超过最大迭代次数。
进一步优选的是，根据以下公式对所述第二请求进行多维空间多层隐藏的分析：
Figure GDA0003056338800000041
其中，
Figure GDA0003056338800000042
Figure GDA0003056338800000043
k表示第k次迭代，k≤d，d为最大迭代次数，
Figure GDA0003056338800000044
为第k次迭代的延时，
Figure GDA0003056338800000045
为迭代的流量成本，LminG为历史最小时延，CminG为历史最小流量成本，
Figure GDA0003056338800000046
为第k次迭代的信息向量，MminG为历史最小信息向量，MminK为第k次迭代的最小信息向量，
Figure GDA0003056338800000047
为第k+1次迭代的信息向量，
Figure GDA0003056338800000048
为第k+1次迭代的奖励增强记忆学习因子，
Figure GDA0003056338800000049
为第k+1次迭代的惩罚遗忘因子，
Figure GDA00030563388000000410
为第K次迭代的平均信息向量，
Figure GDA00030563388000000411
为第k次迭代的平均时延，
Figure GDA00030563388000000412
为第k次迭代的平均流量成本，α∈(1，0)，β∈(1，0)，α+β＝1，D表示方差，E表示数学期望，i、j、t分别表示三维模型的所述第三结果的三个坐标，m、n、p分别为三维模型的所述第三结果的三个坐标的最大值。
根据以下公式判断所述第三结果是否满足深度优化分析评价条件：
Figure GDA00030563388000000413
其中，ε为大于0小于1的随机数，&&表示逻辑与，P表示概率。
本发明的一种感知农业优化调度的方法中，首先将在边缘平台层的请求分为容易执行的第一请求以及不容易执行的第二请求，其次，将第二请求传输至优化分析层并进行优化调度分析，最终将所得的第一结果和第二结果上传至云端。按照请求执行的难易程度对不同的请求进行分析得出结果，不仅可以减少感知农业系统处理的时延性，而且可以减少运行过程中产生的流量，合理配置资源，从而提高感知农业系统的使用性能以及工作效率。
通过移动边缘计算对第二请求进行优化调度分析，在保证分析结果准确的前提下，可以进一步减少感知农业系统处理的时延性以及运行过程中产生的流量，从而进一步提高感知农业系统的使用性能以及工作效率。
附图说明
图1为本发明的实施例的一种感知农业优化调度的方法的流程示意图；
图2为本发明的实施例的另一种感知农业优化调度的方法的流程示意图；
图3为本发明的实施例的另一种感知农业优化调度的方法的优化调度分析的流程示意图；
图4为本发明的实施例的一种感知农业优化调度的装置的组成示意框图。
具体实施方式
为使本领域技术人员更好地理解本发明的技术方案，下面结合附图和具体实施方式对本发明作进一步详细描述。
实施例1：
如图1所示，本实施例提供一种感知农业优化调度的方法，包括：
S101、通过分析第一请求得出第一结果，第一请求为在边缘平台层的部分感知农业请求。
其中，这里所说的边缘平台层可以由若干感知边缘服务器组成，感知边缘服务器可以为用户提供一个进入网络的通道、为用户提供与其他服务器设备通讯的功能或者为用户提供其他的服务。第一请求可以认为是为容易执行的请求。
S102、将第一结果传输给用户。
其中，这里所说的第一结果是根据第一请求在边缘平台层得出的分析结果，并且通过边缘平台层的感知边缘服务器传输给用户。
S103、将第二请求传输至优化分析层，第二请求为在边缘平台层的剩余感知农业请求。
其中，这里所说的第二请求可以认为是为不容易执行的请求。优化分析层可以由若干优化调度器和感知管理数据库组成，从而实现对来自感知农业优化信息的处理，即处理除迁移到感知边缘服务器外的第二请求。
S104、将第二请求进行优化调度分析，得出第二结果。
其中，这里所说的优化调度分析是通过移动边缘计算对第二请求进行分析，从而得出第二结果。
S105、将第一结果和第二结果上传至云端。
其中，首先在农业核心云层可以通过虚拟专用网络(VPN)隧道控制优化调度器，完成第二结果的核心处理；再将第一结果以及处理后的第二结果上传至云端。
本实施例的一种感知农业优化调度的方法，首先将在边缘平台层的请求分为容易执行的第一请求以及不容易执行的第二请求，其次，将第二请求传输至优化分析层并进行优化调度分析，最终将所得的第一结果和第二结果上传至云端。按照请求执行的难易程度对不同的请求进行分析得出结果，不仅可以减少感知农业系统处理的时延性，而且可以减少运行过程中产生的流量，合理配置资源，从而提高感知农业系统的使用性能以及工作效率。
实施例2：
如图2所示，本实施例提供一种感知农业优化调度的方法，包括：
S201、将第三请求传送至传输层，形成第四请求，第三请求为通过感知层的消息获取的感知农业请求。
其中，这里所说的感知层的感知设备通过传输层的微基站、WIFI接收站以及卫星网络接入到传输层。感知设备可以包括风力传感器、温湿度传感器、人体检测传感器、水位传感器、电磁传感器、光谱传感器、射频识别(RFID)传感器、视频传感器、GPS定位、广谱气体传感器等。这里所说的“请求”为由传感器等感知到的需要进行相应处理的异常，例如湿度传感器感测到某大棚湿度过低，即可发出湿度过低的请求。
S202、将第四请求通过边缘网管层传输至边缘平台层，形成第一请求以及第二请求。
其中，感知层的传输层的微基站、WIFI接收站以及卫星网络通过因特网直接或者间接的与边缘网管层连接，从而完成第四请求的传输。当第四请求传输至边缘平台层，通过边缘平台层设备的分析，将第四请求分为容易执行的第一请求以及不容易执行的第二请求，从而更使得处理请求的效率更高。这里所说的是否“易执行”是指针对该请求是否容易做出反馈。
S203、通过分析第一请求得出第一结果，第一请求为在边缘平台层的部分感知农业请求。
其中，这里所说的边缘平台层可以由若干感知边缘服务器组成，感知边缘服务器可以为用户提供一个进入网络的通道、为用户提供与其他服务器设备通讯的功能或者为用户提供其他的服务。第一请求可以认为是为容易执行的请求。
S204、将第一结果传输给用户。
其中，这里所说的第一结果是根据第一请求在边缘平台层得出的分析结果，并且通过边缘平台层的感知边缘服务器传输给用户。这里所说的结果是针对请求的处理方式的结果，如针对以上湿度过低的请求，其结果可以是对大棚喷水以加湿。
S205、将第二请求传输至优化分析层，第二请求为在边缘平台层的剩余感知农业请求。
其中，这里所说的第二请求可以认为是为不容易执行的请求。优化分析层可以由若干优化调度器和感知管理数据库组成，从而实现对来自感知农业优化信息的处理，即处理除迁移到感知边缘服务器外的第二请求。
S206、将第二请求进行优化调度分析，得出第二结果。
其中，这里所说的优化调度分析是通过移动边缘计算对第二请求进行分析，从而得出第二结果。
其中，如图3所示，优化调度分析的方法包括：
S2061、根据第二请求设置迭代初始参数。
首先，根据每隔预置时间主动上报和定期被询问机制获取的请求将信息进行汇总，其次，根据汇总的信息设置迭代初始参数，这里所说的汇总的信息包括第二请求。例如，设置的迭代初始参数应该小于等于最大迭代数，例如50。
S2062、将当前的迭代次数加1。
这里所说的迭代次数加1之后的迭代次数不得超多最大迭代数50。
S2063、对第二请求进行多维空间多层隐藏的分析，并且得出第三结果。
这里所说的第三结果可以是一种三维形式的分析结果。
根据以下公式对所述第二请求进行多维空间多层隐藏的分析：
Figure GDA0003056338800000081
其中，
Figure GDA0003056338800000082
Figure GDA0003056338800000083
k表示第k次迭代，k≤d，d为最大迭代次数，
Figure GDA0003056338800000084
为第k次迭代的延时，
Figure GDA0003056338800000085
为迭代的流量成本，LminG为历史最小时延，CminG为历史最小流量成本，
Figure GDA0003056338800000086
为第k次迭代的信息向量，MminG为历史最小信息向量，MminK为第k次迭代的最小信息向量，
Figure GDA0003056338800000087
为第k+1次迭代的信息向量，
Figure GDA0003056338800000088
为第k+1次迭代的奖励增强记忆学习因子，
Figure GDA0003056338800000089
为第k+1次迭代的惩罚遗忘因子，
Figure GDA0003056338800000091
为第K次迭代的平均信息向量，
Figure GDA0003056338800000092
为第k次迭代的平均时延，
Figure GDA0003056338800000093
为第k次迭代的平均流量成本，α∈(1，0)，β∈(1，0)，α+β＝1，D表示方差，E表示数学期望，i、j、t分别表示三维模型的所述第三结果的三个坐标，m、n、p分别为三维模型的所述第三结果的三个坐标的最大值。
随后，将计算出的最小的Zk和与其对应的M进行进一步的判断。
S2064、判断第三结果是否满足深度优化分析评价条件。
若第三结果满足深度优化分析评价条件，则优化调度分析结束；若第三结果不满足深度优化分析评价条件，则返回将当前的迭代次数加1的步骤。
根据以下公式判断所述第三结果是否满足深度优化分析评价条件：
Figure GDA0003056338800000094
其中，ε为大于0小于1的随机数，&&表示逻辑与，P表示概率。
需要说明的是将计算出的最小的Zk和与其对应的M放入以上评价公式进行深度优化分析评价。
S2065、判断迭代次数是否超过最大迭代次数。
若迭代次数超过最大迭代次数，则优化调度分析结束；若迭代次数未超过最大迭代次数，则返回判断所述第三结果是否满足深度优化分析评价条件的步骤。
其中，这里所说的最大迭代次数为50为例。
S207、将第一结果和第二结果上传至云端。
其中，首先在农业核心云层可以通过虚拟专用网络(VPN)隧道控制优化调度器，完成第二结果的核心处理；再将第一结果以及处理后的第二结果上传至云端。
本发明的一种感知农业优化调度的方法中，首先将在边缘平台层的请求分为容易执行的第一请求以及不容易执行的第二请求，其次，将第二请求传输至优化分析层并进行优化调度分析，最终将所得的第一结果和第二结果上传至云端。按照请求执行的难易程度对不同的请求进行分析得出结果，不仅可以减少感知农业系统处理的时延性，而且可以减少运行过程中产生的流量，合理配置资源，从而提高感知农业系统的使用性能以及工作效率。
通过移动边缘计算对第二请求进行优化调度分析，在保证分析结果准确的前提下，可以进一步减少感知农业系统处理的时延性以及运行过程中产生的流量，从而进一步提高感知农业系统的使用性能以及工作效率。
实施例3：
如图4所示，本实施例提供一种感知农业优化调度的装置包括分析单元、传输单元以及优化调度分析单元。
其中，分析单元用于分析第一请求得出第一结果，第一请求为在边缘平台层的部分感知农业请求。
其中，传输单元用于将第一结果传输给用户、将第二请求传输至优化分析层以及将第一结果和第二结果上传至云端，第二请求为在边缘平台层的剩余感知农业请求。
其中，优化调度分析单元用于将第二请求进行优化调度分析，得出第二结果。优化调度分析单元包括设置模块、分析模块、判断模块。设置模块用于根据第二请求设置迭代初始参数。分析模块用于对第二请求进行多维空间多层隐藏的分析，并且得出第三结果。判断模块用于判断所述第三结果是否满足深度优化分析评价条件以及判断所述迭代次数是否超过最大迭代次数。
根据以下公式对所述第二请求进行多维空间多层隐藏的分析：
Figure GDA0003056338800000101
其中，
Figure GDA0003056338800000102
Figure GDA0003056338800000111
k表示第k次迭代，k≤d，d为最大迭代次数，
Figure GDA0003056338800000112
为第k次迭代的延时，
Figure GDA0003056338800000113
为迭代的流量成本，LminG为历史最小时延，CminG为历史最小流量成本，
Figure GDA0003056338800000114
为第k次迭代的信息向量，MminG为历史最小信息向量，MminK为第k次迭代的最小信息向量，
Figure GDA0003056338800000115
为第k+1次迭代的信息向量，
Figure GDA0003056338800000116
为第k+1次迭代的奖励增强记忆学习因子，
Figure GDA0003056338800000117
为第k+1次迭代的惩罚遗忘因子，
Figure GDA0003056338800000118
为第K次迭代的平均信息向量，
Figure GDA0003056338800000119
为第k次迭代的平均时延，
Figure GDA00030563388000001110
为第k次迭代的平均流量成本，α∈(1，0)，β∈(1，0)，α+β＝1，D表示方差，E表示数学期望，i、j、t分别表示三维模型的所述第三结果的三个坐标，m、n、p分别为三维模型的所述第三结果的三个坐标的最大值。
根据以下公式判断所述第三结果是否满足深度优化分析评价条件：
Figure GDA00030563388000001111
其中，ε为大于0小于1的随机数，&&表示逻辑与，P表示概率。
本发明的一种感知农业优化调度的装置，不仅改善感知农业系统的时延性，而且减少感知农业系统运行时产生的流量，从而提高感知农业系统的使用性能以及工作效率。
可以理解的是，以上实施方式仅仅是为了说明本发明的原理而采用的示例性实施方式，然而本发明并不局限于此。对于本领域内的普通技术人员而言，在不脱离本发明的精神和实质的情况下，可以做出各种变型和改进，这些变型和改进也视为本发明的保护范围。

Claims (6)

1.一种感知农业优化调度的方法，其特征在于，包括：
通过分析第一请求得出第一结果，所述第一请求为在边缘平台层的部分感知农业请求；
将所述第一结果传输给用户；
将第二请求传输至优化分析层，所述第二请求为在所述边缘平台层的剩余感知农业请求；
将所述第二请求进行优化调度分析，得出第二结果；
将所述第一结果和所述第二结果上传至云端；
其中，所述优化调度分析的方法包括：
根据所述第二请求设置迭代初始参数；
将当前的迭代次数加1；
对所述第二请求进行多维空间多层隐藏的分析，并且得出第三结果；
判断所述第三结果是否满足深度优化分析评价条件；
若所述第三结果满足所述深度优化分析评价条件，则所述优化调度分析结束；
若所述第三结果不满足所述深度优化分析评价条件，则返回将当前的所述迭代次数加1的步骤；
其中，根据以下公式对所述第二请求进行多维空间多层隐藏的分析：
Figure FDA0003056338790000011
Figure FDA0003056338790000012
其中，
Figure FDA0003056338790000013
Figure FDA0003056338790000014
k表示第k次迭代，k≤d，d为最大迭代次数，
Figure FDA0003056338790000015
为第k次迭代的延时，
Figure FDA0003056338790000016
为迭代的流量成本，LminG为历史最小时延，CminG为历史最小流量成本，
Figure FDA0003056338790000017
为第k次迭代的信息向量，MminG为历史最小信息向量，MminK为第k次迭代的最小信息向量，
Figure FDA0003056338790000021
为第k+1次迭代的信息向量，
Figure FDA0003056338790000022
为第k+1次迭代的奖励增强记忆学习因子，
Figure FDA0003056338790000023
为第k+1次迭代的惩罚遗忘因子，
Figure FDA0003056338790000024
为第K次迭代的平均信息向量，
Figure FDA0003056338790000025
为第k次迭代的平均时延，
Figure FDA0003056338790000026
为第k次迭代的平均流量成本，α∈(1，0)，β∈(1，0)，α+β＝1，D表示方差，E表示数学期望，i、j、t分别表示三维模型的所述第三结果的三个坐标，m、n、p分别为三维模型的所述第三结果的三个坐标的最大值。
2.根据权利要求1所述的感知农业优化调度的方法，其特征在于，返回将当前的所述迭代次数加1的步骤之后还包括：
判断所述迭代次数是否超过最大迭代次数；
若所述迭代次数超过所述最大迭代次数，则所述优化调度分析结束；
若所述迭代次数未超过所述最大迭代次数，则返回判断所述第三结果是否满足所述深度优化分析评价条件的步骤。
3.根据权利要求1所述的感知农业优化调度的方法，其特征在于，根据以下公式判断所述第三结果是否满足所述深度优化分析评价条件：
Figure FDA0003056338790000027
其中，ε为大于0小于1的随机数，&&表示逻辑与，P表示概率。
4.根据权利要求1所述的感知农业优化调度的方法，其特征在于，通过分析所述第一请求得出所述第一结果之前还包括：
将第三请求传送至传输层，形成第四请求，所述第三请求为通过感知层的消息获取的感知农业请求；
将所述第四请求通过边缘网管层传输至边缘平台层，形成所述第一请求以及所述第二请求。
5.一种感知农业优化调度的装置，其特征在于，包括：
分析单元，用于分析第一请求得出第一结果，所述第一请求为在边缘平台层的部分感知农业请求；
传输单元，用于将所述第一结果传输给用户、将第二请求传输至优化分析层以及将所述第一结果和第二结果上传至云端，所述第二请求为在所述边缘平台层的剩余感知农业请求；
优化调度分析单元，用于将第二请求进行优化调度分析，得出所述第二结果；
其中，优化调度分析单元包括：
设置模块，用于根据所述第二请求设置迭代初始参数；
分析模块，用于对所述第二请求进行多维空间多层隐藏的分析，并且得出第三结果；
判断模块，用于判断所述第三结果是否满足深度优化分析评价条件以及判断迭代次数是否超过最大迭代次数；
其中，根据以下公式对所述第二请求进行多维空间多层隐藏的分析：
Figure FDA0003056338790000031
Figure FDA0003056338790000032
其中，
Figure FDA0003056338790000033
Figure FDA0003056338790000034
k表示第k次迭代，k≤d，d为最大迭代次数，
Figure FDA0003056338790000035
为第k次迭代的延时，
Figure FDA0003056338790000036
为迭代的流量成本，LminG为历史最小时延，CminG为历史最小流量成本，
Figure FDA0003056338790000037
为第k次迭代的信息向量，MminG为历史最小信息向量，MminK为第k次迭代的最小信息向量，
Figure FDA0003056338790000038
为第k+1次迭代的信息向量，
Figure FDA0003056338790000039
为第k+1次迭代的奖励增强记忆学习因子，
Figure FDA00030563387900000310
为第k+1次迭代的惩罚遗忘因子，
Figure FDA00030563387900000311
为第K次迭代的平均信息向量，
Figure FDA00030563387900000312
为第k次迭代的平均时延，
Figure FDA00030563387900000313
为第k次迭代的平均流量成本，α∈(1，0)，β∈(1，0)，α+β＝1，D表示方差，E表示数学期望，i、j、t分别表示三维模型的所述第三结果的三个坐标，m、n、p分别为三维模型的所述第三结果的三个坐标的最大值。
6.根据权利要求5所述的感知农业优化调度的装置，其特征在于，根据以下公式判断所述第三结果是否满足深度优化分析评价条件：
Figure FDA0003056338790000041
其中，ε为大于0小于1的随机数，&&表示逻辑与，P表示概率。
CN201810643840.8A 2018-06-21 2018-06-21 一种感知农业优化调度的方法及装置 Active CN108833550B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810643840.8A CN108833550B (zh) 2018-06-21 2018-06-21 一种感知农业优化调度的方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810643840.8A CN108833550B (zh) 2018-06-21 2018-06-21 一种感知农业优化调度的方法及装置

Publications (2)

Publication Number Publication Date
CN108833550A CN108833550A (zh) 2018-11-16
CN108833550B true CN108833550B (zh) 2021-06-15

Family

ID=64141863

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810643840.8A Active CN108833550B (zh) 2018-06-21 2018-06-21 一种感知农业优化调度的方法及装置

Country Status (1)

Country Link
CN (1) CN108833550B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110298512B (zh) * 2019-07-02 2021-06-29 中国联合网络通信集团有限公司 行驶方案优化方法、负载均衡分析器、智能驾驶优化系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106231607A (zh) * 2016-09-21 2016-12-14 北京佰才邦技术有限公司 一种资源分配的方法及基站
WO2017132951A1 (zh) * 2016-02-04 2017-08-10 华为技术有限公司 服务迁移方法、装置及系统
CN107846704A (zh) * 2017-10-26 2018-03-27 北京邮电大学 一种基于移动边缘计算的资源分配及基站服务部署方法
CN108063773A (zh) * 2018-02-11 2018-05-22 清华大学 一种基于移动边缘计算的应用服务接入方法及装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017132951A1 (zh) * 2016-02-04 2017-08-10 华为技术有限公司 服务迁移方法、装置及系统
CN106231607A (zh) * 2016-09-21 2016-12-14 北京佰才邦技术有限公司 一种资源分配的方法及基站
CN107846704A (zh) * 2017-10-26 2018-03-27 北京邮电大学 一种基于移动边缘计算的资源分配及基站服务部署方法
CN108063773A (zh) * 2018-02-11 2018-05-22 清华大学 一种基于移动边缘计算的应用服务接入方法及装置

Also Published As

Publication number Publication date
CN108833550A (zh) 2018-11-16

Similar Documents

Publication Publication Date Title
CN112181666A (zh) 一种基于边缘智能的设备评估和联邦学习重要性聚合方法、系统、设备和可读存储介质
CN108093030B (zh) 一种基于云服务器的人工智能模型部署方法
CN110968426B (zh) 一种基于在线学习的边云协同k均值聚类的模型优化方法
CN108984307B (zh) 计算任务迁移方法及计算任务迁移器
US11693380B1 (en) Distribution methods and distribution systems for greenspace irrigation water of smart cities based on internet of things
CN113687875B (zh) 一种车联网中车辆任务卸载方法及装置
CN110633138A (zh) 一种基于边缘计算的自动驾驶服务卸载方法
CN111417066A (zh) 定位方法、装置、电子设备和计算机可读存储介质
CN108462965A (zh) 一种铁塔需求站址共享规划方法
CN104581749A (zh) 一种移动网络数据业务业务量的预测方法和装置
CN112988285A (zh) 任务卸载方法和装置、电子设备及存储介质
CN108833550B (zh) 一种感知农业优化调度的方法及装置
CN113822460A (zh) 一种交通流量预测方法、装置、电子设备和存储介质
Chen et al. Joint optimization of sensing and computation for status update in mobile edge computing systems
CN112272074B (zh) 一种基于神经网络的信息传输速率控制方法及系统
CN115984084B (zh) 一种基于动态可拆分网络的遥感分布式数据处理方法
Yu et al. Multi-attribute missing data reconstruction based on adaptive weighted nuclear norm minimization in IoT
CN116112981A (zh) 一种基于边缘计算的无人机任务卸载方法
CN110909036A (zh) 功能模块的推荐方法及装置
CN112799928B (zh) 基于知识图谱的工业app关联性分析方法、装置及介质
CN114444987A (zh) 一种户型图的自动化分析方法及装置
CN108848514B (zh) 数据通信优化方法及数据通信优化器
US20240070569A1 (en) System and method for clustered pricing for task price estimates
CN117528552B (zh) 一种基于5g的手机数据传输方法和系统
CN110084511B (zh) 一种无人机配型方法、装置、设备及可读存储介质

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
GR01 Patent grant
GR01 Patent grant