CN109451012A - 一种端云协同负载均衡调度方法、系统及存储介质 - Google Patents
一种端云协同负载均衡调度方法、系统及存储介质 Download PDFInfo
- Publication number
- CN109451012A CN109451012A CN201811294810.7A CN201811294810A CN109451012A CN 109451012 A CN109451012 A CN 109451012A CN 201811294810 A CN201811294810 A CN 201811294810A CN 109451012 A CN109451012 A CN 109451012A
- Authority
- CN
- China
- Prior art keywords
- particle
- algorithm
- fitness
- selection
- end cloud
- 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 54
- 238000003860 storage Methods 0.000 title claims abstract description 10
- 239000002245 particle Substances 0.000 claims abstract description 160
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 82
- 238000005457 optimization Methods 0.000 claims abstract description 19
- 230000002068 genetic effect Effects 0.000 claims abstract description 18
- 230000035772 mutation Effects 0.000 claims description 29
- 210000000349 chromosome Anatomy 0.000 claims description 25
- 238000011067 equilibration Methods 0.000 claims description 19
- 238000000605 extraction Methods 0.000 claims description 10
- 230000004083 survival effect Effects 0.000 claims description 7
- 239000012634 fragment Substances 0.000 claims description 4
- 230000014759 maintenance of location Effects 0.000 claims description 4
- 230000008901 benefit Effects 0.000 claims description 3
- 238000005265 energy consumption Methods 0.000 abstract description 10
- 230000008569 process Effects 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 238000009395 breeding Methods 0.000 description 4
- 230000001488 breeding effect Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000000354 decomposition reaction Methods 0.000 description 3
- 244000144992 flock Species 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 108090000623 proteins and genes Proteins 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000005086 pumping Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000002759 chromosomal effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 238000011369 optimal treatment Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000011282 treatment Methods 0.000 description 1
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
- H04L67/10—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
-
- 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
- H04L67/50—Network services
- H04L67/60—Scheduling or organising the servicing of application requests, e.g. requests for application data transmissions using the analysis and optimisation of the required network resources
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/50—Reducing energy consumption in communication networks in wire-line communication networks, e.g. low power modes or reduced link rate
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Biophysics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Signal Processing (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computer Networks & Wireless Communication (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种端云协同负载均衡调度方法、系统及存储介质，方法包括：采用扫描法计算得到初始种群；计算初始种群中所有粒子的适应度；根据粒子的适应度，进行粒子选取；分别采用交叉算法和变异算法对选取的粒子进行优化；对优化后的粒子进行速度更新以及位置更新操作，得到最优粒子。本发明将粒子群算法与遗传算法相结合，解决了现有粒子群优化算法的求解精度低的问题，通过遗传算法中的交叉算法和变异算法来进行粒子优化，降低了查找最优值的时间开销且降低了资源能耗，可广泛应用于云计算技术领域。
Description
技术领域
本发明涉及云计算技术领域，尤其是一种端云协同负载均衡调度方法、系统及存储介质。
背景技术
随着物联网和大数据的热潮不断兴起，数据量每天以PB级的增长速度飞速上升。数据量的急剧增加给云端服务器造成了很大压力，这时候，边缘计算概念的提出为云端服务器减轻了压力。边缘计算是指靠近物或数据源头的网络边缘侧，融合网络，计算，存储，应用核心能力的开放平台。边缘计算与云计算互相协同，共同致力于各行各业的数字化转型，逐步形成了以边缘计算为主导的云计算模式。针对不同时刻多DAG任务的到来，如何确保在异构节点上能够得到最佳的处理效率其实是一个NP完全难题。目前，现有方法对异构节点的处理性能千差万别，但普遍存在时间开销大和资源能耗大的缺点。
发明内容
为解决上述技术问题，本发明的目的在于：提供一种时间开销小且资源能耗少的端云协同负载均衡调度方法、系统及存储介质。
本发明一方面所采取的技术方案为：
一种端云协同负载均衡调度方法，包括以下步骤：
采用扫描法计算得到初始种群；
计算初始种群中所有粒子的适应度；
根据粒子的适应度，进行粒子选取；
分别采用交叉算法和变异算法对选取的粒子进行优化；
对优化后的粒子进行速度更新以及位置更新操作，得到最优粒子。
进一步，所述采用扫描法计算得到初始种群这一步骤，其具体为：通过扫描法创建初始染色体，并基于初始染色体生成初始种群。
进一步，所述根据粒子的适应度，进行粒子选取这一步骤，具体为：根据粒子的适应度，采用轮盘赌算法、锦标赛算法或精英保留策略进行粒子选取。
进一步，所述根据粒子的适应度，采用轮盘赌算法进行粒子选取这一步骤，其包括以下步骤：
根据当前粒子的适应度，通过预设的抽取概率进行粒子抽取；
计算抽取的粒子的生存概率；
根据粒子的生存概率，生成下一代粒子；
将下一代粒子作为当前粒子，并返回执行根据当前粒子的适应度，通过预设的抽取概率进行粒子抽取的步骤，直至当前粒子满足预设的要求。
进一步，所述采用交叉算法对选取的粒子进行优化这一步骤，其具体为：采用单点交叉方式，对粒子中的染色体片段进行交换，生成新的子代染色体。
进一步，所述采用变异算法和变异算法对选取的粒子进行优化这一步骤，包括以下步骤：
随机选取粒子中染色体的突变位置；所述突变位置包括突变的基因片段或者突变的基因点；
根据选取的突变位置，进行变量翻转操作；
根据变量翻转操作的结果，生成新的子代染色体。
进一步，所述对优化后的粒子进行速度更新以及位置更新操作，得到最优粒子这一步骤，包括以下步骤：
获取种群中所有粒子的位置和速度；
选取所有粒子中的最佳位置；
根据选取的最佳位置，对粒子的位置、速度以及适应度进行调整；
当粒子的适应度满足预设的条件时，生成最优粒子。
本发明另一方面所采取的技术方案是：
一种端云协同负载均衡调度系统，包括：
种群初始化模块，用于采用扫描法计算得到初始种群；
适应度计算模块，用于计算初始种群中所有粒子的适应度；
粒子选取模块，用于根据粒子的适应度，进行粒子选取；
优化模块，用于分别采用交叉算法和变异算法对选取的粒子进行优化；
生成模块，用于对优化后的粒子进行速度更新以及位置更新操作，得到最优粒子。
本发明另一方面所采取的技术方案是：
一种端云协同负载均衡调度系统，包括：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现所述的端云协同负载均衡调度方法。
本发明另一方面所采取的技术方案是：
一种存储介质，其中存储有处理器可执行的指令，所述处理器可执行的指令在由处理器执行时用于执行所述的端云协同负载均衡调度方法。
本发明的有益效果是：本发明将粒子群算法与遗传算法相结合，解决了现有粒子群优化算法的求解精度低的问题，通过遗传算法中的交叉算法和变异算法来进行粒子优化，降低了查找最优值的时间开销且降低了资源能耗。
附图说明
图1为本发明一种端云协同负载均衡调度方法的步骤流程图。
具体实施方式
下面结合说明书附图和具体实施例对本发明作进一步解释和说明。对于本发明实施例中的步骤编号，其仅为了便于阐述说明而设置，对步骤之间的顺序不做任何限定，实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
本发明综合考虑了计算节点的处理性能，能耗情况，最早响应时间以及网络通信质量等因素，在粒子群算法中引入遗传算法的交叉算法、变异算法及种群分割策略，将两种算法有机结合成粒子群算法与遗传算法的混合优化算法，进而用于任务调度。对于遗传算法来讲，传统的遗传算法中变异算法是对群体中的部分个体实施随机变异，与历史状态和当前状态无关。而粒子群算法中粒子则能保持历史状态和当前状态。遗传算法的进化初期，变异有助于局部搜索和增加种群的多样性；在进化后期，群体已基本趋于稳定，变异算法反而会破坏这种稳定。变异概率过大会使遗传模式遭到破坏，过小又会使搜索过程缓慢甚至停滞不前。通过在粒子群算法中引入遗传算法的交叉操作，以及改进种群分割策略，且用粒子群算法重构变异算法来进行算法的改进。从用遗传算法来模拟粒子群算法的角度出发，本发明利用粒子群算法来重构遗传算法和进行种群分割。从宏观上来看，其行为是粒子群算法；从微观来看，其行为是遗传算法，本发明构成了遗传-粒子群混合算法。
参照图1，具体地，本发明实施例提供了一种端云协同负载均衡调度方法，包括以下步骤：
S1、采用扫描法计算得到初始种群；
进一步作为步骤S1的优选实施方式，所述步骤S1具体为：
通过扫描法创建初始染色体，并基于初始染色体生成初始种群。
具体地，种群的初始化就是依据编码规则给出种群的初始解。本实施例采用扫描法求解初始种群的过程是：通过扫描法形成一套路径配送的完整方案，将该方案作为遗传操作中的一条染色体；重复上述的路径配送过程，直至得到种群数量为N的染色体，具体流程如下：
S11、过配送中心与某配送点生成射线，然后绕着射线顺时针转动。
S12、根据转动形成的扇面区域，累计扇面覆盖的配送点需求量之和，直至满足运量约束条件后，停止转动并构成一个客户群。
S13、采用节约插入算法将该客户群优化为一条有序的子路径。
S14、以原射线末位置为新射线的初始位并重复执行上述过程，直至形成一条包含所有子路径的染色体序列。
S15、将射线顺位偏移某一角度，同样按以上方法产生第二染色体，最终形成N/2条染色体的种群。
S16、为保证种群多样性，对上述方法逆时针做同样操作，再形成N/2条染色体；其中，子路径内部是一个路径优化的序列组合，子路径之间同样按序列编号排列。
S2、计算初始种群中所有粒子的适应度；
具体地，对环境适应度高的个体参与繁殖的机会比较多，后代就会越来越多。适应度低的个体参与繁殖的机会比较少，后代就会越来越少。因此，本实施例的适应度与求解的目标有关。
其中，粒子适应度的计算公式为：
Fitness＝a*execution(cost)+b*execution(time)+c*energy(consumption)，
其中0<a<1，0<b<1，0<c<1。execution(cost)代表粒子的执行时间花费；execution(time)代表粒子的执行时间开销；energy(consumption)代表粒子的能耗开销；
energy(consumption):EC(actual)＝EC(max)-EC(min)，EC(actual)代表实际能耗；EC(max)代表能耗最大值；EC(min)代表能耗最小值。
S3、根据粒子的适应度，进行粒子选取；
进一步作为步骤S3的优选实施方式，所述步骤S3具体为：根据粒子的适应度，采用轮盘赌算法、锦标赛算法或精英保留策略进行粒子选取。
具体地，本实施例采用轮盘赌算法进行粒子选取，其具体包括以下步骤：
根据当前粒子的适应度，通过预设的抽取概率进行粒子抽取；
计算抽取的粒子的生存概率；
根据粒子的生存概率，生成下一代粒子；
将下一代粒子作为当前粒子，并返回执行根据当前粒子的适应度，通过预设的抽取概率进行粒子抽取的步骤，直至当前粒子满足预设的要求。
对环境适应度高的个体参与繁殖的机会比较多，后代就会越来越多。适应度低的个体参与繁殖的机会比较少，后代就会越来越少。本实施例的适应度指的是求解的目标。
适者生存其实指的是对后代的一种选择策略，常见的选择策略有轮盘赌、锦标赛、精英保留策略。本实施例采用轮盘赌策略，即按照一定的概率抽取子代，重复n次，每个个体被抽中的概率pi为：其中，i代表第i次抽取；j代表第j次抽取；f(xi)代表第i个个体的适应度；xi代表第i个个体。
S4、分别采用交叉算法和变异算法对选取的粒子进行优化；
进一步作为优选的实施方式，所述采用交叉算法对选取的粒子进行优化这一步骤，其具体为：采用单点交叉方式，对粒子中的染色体片段进行交换，生成新的子代染色体。
具体地，交叉操作指的是交换染色体片段产生后代两个新的后代，采用典型的单点交叉方式：随机选择一个交叉位置，然后对换交叉点后的子串产生新的子代。
进一步作为优选的实施方式，所述采用变异算法和变异算法对选取的粒子进行优化这一步骤，包括以下步骤：
随机选取粒子中染色体的突变位置；所述突变位置包括突变的基因片段或者突变的基因点；
根据选取的突变位置，进行变量翻转操作；
根据变量翻转操作的结果，生成新的子代染色体。
具体地，变异操作指的是染色体的某个基因片段或者某个基因点发生突变。突变的作用，是希望能够摆脱局部最优点，进一步得到更优的粒子。
S5、对优化后的粒子进行速度更新以及位置更新操作，得到最优粒子。
进一步作为步骤S5的优选实施方式，所述步骤S5包括以下步骤：
S51、获取种群中所有粒子的位置和速度；
S52、选取所有粒子中的最佳位置；
S53、根据选取的最佳位置，对粒子的位置、速度以及适应度进行调整；
S54、当粒子的适应度满足预设的条件时，生成最优粒子。
具体地，本实施例以鸟群寻食策略为例，本实施例将粒子比喻成鸟，将种群比喻成鸟群，鸟根据自身经验(自己经过的最高点)、以及鸟群中所有鸟经验(所有粒子中的最高点)进行探索，每次寻食的飞行时间是1(迭代1次)，速度是v，这一次飞过的路程s＝v*1(x的变化量)，假如有奖励就过去，没有就停留在原地，再结合自身经验以及别人的经验思考，决定下一秒的飞行动作。综上，由于每次飞行时间是固定的，因此位移＝速度位移＝速度，所以只需要考虑该如何结合其他信息来确定下一秒的飞行速度即可。
所述飞行速度的计算公式为：
其中，表示在当前时刻下第i个粒子第d个维度的速度；w代表惯性权重，用于记录当前自身的速度，通常为非负数，调节解的搜索范围，为0时则失去自身速度的记忆；c1代表加速度，用于调节学习的最大步长，当c1为0时则不考虑自身经验，会导致丧失群体多样性，就是每个点都向当前最高点移动；r1代表随机函数，取值范围为[0,1]；pbestid代表自身历史经验中的适应度最高的位置信息；c2代表加速度，用于调节学习的最大步长、解的搜索空间，当c2为0时则不考虑他人的经验，没有信息共享，会导致收敛变慢；r2代表随机函数，取值范围为[0,1]；gbestid代表所有粒子的历史经验中适应度最高的位置信息；代表第k次迭代粒子i位置矢量的第d维分量。
由于飞行的时间是固定为1的，则下一秒我的位置为：
从公式中可以看出，速度的更新由3个部分组成：分别是惯性、自身经验以及群体经验。在公式中下标i表示第i个粒子，下标d表示第d个维度，上标k表示当前时刻。表示在当前时刻下第i个粒子第d个维度的速度。
交叉变异操作采用个体内部两位互换方法,比如：假设染色体变异前为(9,4,2,3,6,5,8,7,5,4)，其中选择变异的位置是2和4，则变异之后的结果为：(9,3,2,4,6,5,8,7,5,4),对于新得到的个体一般都采用保留优秀个体的策略，即当新粒子的适应度值优于旧粒子时，用新粒子取代旧粒子。交叉操作是通过Pbest和Gbest进行交叉选择全局最优解粒子，变异操作对自身进行变异，从而得到更好的优秀粒子。
最终，由于适应度越大，解越优。因此，在当本实施例选取的最优个体的适应度达到给定的阈值，或者最优个体的适应度和群体适应度不再上升时，再或者迭代次数达到预设的代数时，算法终止，输出最优解。
本发明实施例还提供了一种端云协同负载均衡调度系统，包括：
种群初始化模块，用于采用扫描法计算得到初始种群；
适应度计算模块，用于计算初始种群中所有粒子的适应度；
粒子选取模块，用于根据粒子的适应度，进行粒子选取；
优化模块，用于分别采用交叉算法和变异算法对选取的粒子进行优化；
生成模块，用于对优化后的粒子进行速度更新以及位置更新操作，得到最优粒子。
本发明实施例还提供了一种端云协同负载均衡调度系统，包括：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现所述的端云协同负载均衡调度方法。
上述方法实施例中的内容均适用于本系统实施例中，本系统实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
此外，本发明实施例还提供了一种存储介质，其中存储有处理器可执行的指令，所述处理器可执行的指令在由处理器执行时用于执行所述的端云协同负载均衡调度方法。
综上所述，本发明一种端云协同负载均衡调度方法、系统及存储介质具有以下优点：
1、对于现有技术中计算节点的性能参差不齐，节点异构性高的问题，本发明为了使任务能更好的分配到各个处理节点上，提高了整个异构节点系统的处理效率，本发明综合考虑了粒子群算法的优缺点，针对任务的响应时间、计算节点性能以及能耗等情况进行了改进。
2、本发明的负载均衡调度算法采用的是粒子群算法和遗传算法相结合；由于现有的粒子群算法对于初始速度的权重要求比较高，如果初始权重值设置较高，那么它的收敛速度就会很差，而且可能会直接越过局部最优值；如果初始速度权重值设置过小，就会导致粒子陷入局部最优值，无法得到全局最优值；另外，基于惯性权重不变的粒子群优化算法虽然加快了算法的收敛速度，但后期表现性不佳，求解精度低；因此，本发明借助遗传算法中的交叉算法和变异算法来增强全局搜索的收敛性，加快了粒子速度收敛，降低了寻找全局最优值的时间耗费。
3、本发明将局部搜索和变异操作同时混合到PSO算法中，通过适当的调节，发挥各自的优势，提高算法的开发性能，增加变异操作防止算法早熟，共同提升PSO算法的全局寻优能力
4、本发明加快了粒子收敛速度，并且减少了寻找最优值的迭代次数。
以上是对本发明的较佳实施进行了具体说明，但本发明并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
Claims (10)
1.一种端云协同负载均衡调度方法，其特征在于：包括以下步骤：
采用扫描法计算得到初始种群；
计算初始种群中所有粒子的适应度；
根据粒子的适应度，进行粒子选取；
分别采用交叉算法和变异算法对选取的粒子进行优化；
对优化后的粒子进行速度更新以及位置更新操作，得到最优粒子。
2.根据权利要求1所述的一种端云协同负载均衡调度方法，其特征在于：所述采用扫描法计算得到初始种群这一步骤，其具体为：通过扫描法创建初始染色体，并基于初始染色体生成初始种群。
3.根据权利要求1所述的一种端云协同负载均衡调度方法，其特征在于：所述根据粒子的适应度，进行粒子选取这一步骤，具体为：根据粒子的适应度，采用轮盘赌算法、锦标赛算法或精英保留策略进行粒子选取。
4.根据权利要求3所述的一种端云协同负载均衡调度方法，其特征在于：所述根据粒子的适应度，采用轮盘赌算法进行粒子选取这一步骤，其包括以下步骤：
根据当前粒子的适应度，通过预设的抽取概率进行粒子抽取；
计算抽取的粒子的生存概率；
根据粒子的生存概率，生成下一代粒子；
将下一代粒子作为当前粒子，并返回执行根据当前粒子的适应度，通过预设的抽取概率进行粒子抽取的步骤，直至当前粒子满足预设的要求。
5.根据权利要求1所述的一种端云协同负载均衡调度方法，其特征在于：所述采用交叉算法对选取的粒子进行优化这一步骤，其具体为：采用单点交叉方式，对粒子中的染色体片段进行交换，生成新的子代染色体。
6.根据权利要求1所述的一种端云协同负载均衡调度方法，其特征在于：所述采用变异算法和变异算法对选取的粒子进行优化这一步骤，包括以下步骤：
随机选取粒子中染色体的突变位置；所述突变位置包括突变的基因片段或者突变的基因点；
根据选取的突变位置，进行变量翻转操作；
根据变量翻转操作的结果，生成新的子代染色体。
7.根据权利要求1所述的一种端云协同负载均衡调度方法，其特征在于：所述对优化后的粒子进行速度更新以及位置更新操作，得到最优粒子这一步骤，包括以下步骤：
获取种群中所有粒子的位置和速度；
选取所有粒子中的最佳位置；
根据选取的最佳位置，对粒子的位置、速度以及适应度进行调整；
当粒子的适应度满足预设的条件时，生成最优粒子。
8.一种端云协同负载均衡调度系统，其特征在于：包括：
种群初始化模块，用于采用扫描法计算得到初始种群；
适应度计算模块，用于计算初始种群中所有粒子的适应度；
粒子选取模块，用于根据粒子的适应度，进行粒子选取；
优化模块，用于分别采用交叉算法和变异算法对选取的粒子进行优化；
生成模块，用于对优化后的粒子进行速度更新以及位置更新操作，得到最优粒子。
9.一种端云协同负载均衡调度系统，其特征在于：包括：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现如权利要求1-7中任一项所述的端云协同负载均衡调度方法。
10.一种存储介质，其中存储有处理器可执行的指令，其特征在于：所述处理器可执行的指令在由处理器执行时用于执行如权利要求1-7中任一项所述的端云协同负载均衡调度方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811294810.7A CN109451012B (zh) | 2018-11-01 | 2018-11-01 | 一种端云协同负载均衡调度方法、系统及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811294810.7A CN109451012B (zh) | 2018-11-01 | 2018-11-01 | 一种端云协同负载均衡调度方法、系统及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109451012A true CN109451012A (zh) | 2019-03-08 |
| CN109451012B CN109451012B (zh) | 2021-06-08 |
Family
ID=65550095
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811294810.7A Active CN109451012B (zh) | 2018-11-01 | 2018-11-01 | 一种端云协同负载均衡调度方法、系统及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109451012B (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110569117A (zh) * | 2019-08-26 | 2019-12-13 | 南瑞集团有限公司 | 基于优化粒子群的供电所智能云平台任务调度算法及系统 |
| CN110809275A (zh) * | 2019-11-08 | 2020-02-18 | 福州大学 | 基于无线城域网的微云节点放置方法 |
| CN110851272A (zh) * | 2019-10-30 | 2020-02-28 | 内蒙古农业大学 | 基于吞噬的粒子群遗传混合算法的云任务调度方法 |
| CN111132179A (zh) * | 2019-12-26 | 2020-05-08 | 宜通世纪物联网研究院(广州)有限公司 | 一种小区调度方法、系统、装置和存储介质 |
| CN111966495A (zh) * | 2020-08-21 | 2020-11-20 | 内蒙古工业大学 | 数据处理方法和装置 |
| CN112070275A (zh) * | 2020-08-14 | 2020-12-11 | 青岛海信网络科技股份有限公司 | 一种轨道交通路网协同限流的方法和装置及设备 |
| CN112163754A (zh) * | 2020-09-22 | 2021-01-01 | 深圳市北斗智能科技有限公司 | 人员调度规划的方法、装置和计算机存储介质 |
| CN113132445A (zh) * | 2020-01-10 | 2021-07-16 | 阿里巴巴集团控股有限公司 | 资源调度方法、设备、网络系统及存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104615869A (zh) * | 2015-01-22 | 2015-05-13 | 广西大学 | 一种基于相似度排挤的多种群模拟退火混合遗传算法 |
| CN105019348A (zh) * | 2015-07-20 | 2015-11-04 | 东南大学 | 基于免疫粒子群-齿行法的桁架结构分层优化方法 |
| CN106022473A (zh) * | 2016-05-23 | 2016-10-12 | 大连理工大学 | 一种融合粒子群和遗传算法的基因调控网络构建方法 |
| CN106960244A (zh) * | 2017-03-14 | 2017-07-18 | 北京无线电测量研究所 | 一种遗传算法与粒子群算法并行融合的进化算法 |
-
2018
- 2018-11-01 CN CN201811294810.7A patent/CN109451012B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104615869A (zh) * | 2015-01-22 | 2015-05-13 | 广西大学 | 一种基于相似度排挤的多种群模拟退火混合遗传算法 |
| CN105019348A (zh) * | 2015-07-20 | 2015-11-04 | 东南大学 | 基于免疫粒子群-齿行法的桁架结构分层优化方法 |
| CN106022473A (zh) * | 2016-05-23 | 2016-10-12 | 大连理工大学 | 一种融合粒子群和遗传算法的基因调控网络构建方法 |
| CN106960244A (zh) * | 2017-03-14 | 2017-07-18 | 北京无线电测量研究所 | 一种遗传算法与粒子群算法并行融合的进化算法 |
Non-Patent Citations (1)
| Title |
|---|
| 张庆科: "粒子群优化算法及差分进行算法研究", 《优秀博士论文全文数据库》 * |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110569117A (zh) * | 2019-08-26 | 2019-12-13 | 南瑞集团有限公司 | 基于优化粒子群的供电所智能云平台任务调度算法及系统 |
| CN110851272B (zh) * | 2019-10-30 | 2022-02-11 | 内蒙古农业大学 | 基于吞噬的粒子群遗传混合算法的云任务调度方法 |
| CN110851272A (zh) * | 2019-10-30 | 2020-02-28 | 内蒙古农业大学 | 基于吞噬的粒子群遗传混合算法的云任务调度方法 |
| CN110809275A (zh) * | 2019-11-08 | 2020-02-18 | 福州大学 | 基于无线城域网的微云节点放置方法 |
| CN110809275B (zh) * | 2019-11-08 | 2021-09-28 | 福州大学 | 基于无线城域网的微云节点放置方法 |
| CN111132179A (zh) * | 2019-12-26 | 2020-05-08 | 宜通世纪物联网研究院(广州)有限公司 | 一种小区调度方法、系统、装置和存储介质 |
| CN111132179B (zh) * | 2019-12-26 | 2023-03-10 | 宜通世纪物联网研究院(广州)有限公司 | 一种小区调度方法、系统、装置和存储介质 |
| CN113132445B (zh) * | 2020-01-10 | 2023-04-28 | 阿里巴巴集团控股有限公司 | 资源调度方法、设备、网络系统及存储介质 |
| CN113132445A (zh) * | 2020-01-10 | 2021-07-16 | 阿里巴巴集团控股有限公司 | 资源调度方法、设备、网络系统及存储介质 |
| CN112070275A (zh) * | 2020-08-14 | 2020-12-11 | 青岛海信网络科技股份有限公司 | 一种轨道交通路网协同限流的方法和装置及设备 |
| CN111966495B (zh) * | 2020-08-21 | 2022-02-01 | 内蒙古工业大学 | 数据处理方法和装置 |
| CN111966495A (zh) * | 2020-08-21 | 2020-11-20 | 内蒙古工业大学 | 数据处理方法和装置 |
| CN112163754A (zh) * | 2020-09-22 | 2021-01-01 | 深圳市北斗智能科技有限公司 | 人员调度规划的方法、装置和计算机存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109451012B (zh) | 2021-06-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109451012A (zh) | 一种端云协同负载均衡调度方法、系统及存储介质 | |
| CN112346839B (zh) | 一种基于进化算法的关联任务调度方法 | |
| CN108038507A (zh) | 基于粒子群优化的局部感受野极限学习机图像分类方法 | |
| CN101616074B (zh) | 基于量子进化的组播路由优化方法 | |
| He et al. | Three-stage Stackelberg game enabled clustered federated learning in heterogeneous UAV swarms | |
| Karakostas | Multi-objective optimization in spatial planning: Improving the effectiveness of multi-objective evolutionary algorithms (non-dominated sorting genetic algorithm II) | |
| CN111885493B (zh) | 一种基于改进布谷鸟搜索算法的微云部署方法 | |
| Alam et al. | Artificial bee colony algorithm with self-adaptive mutation: a novel approach for numeric optimization | |
| Peya et al. | Distance based sweep nearest algorithm to solve capacitated vehicle routing problem | |
| Sheng et al. | Quantum-behaved particle swarm optimization with novel adaptive strategies | |
| Rizzo et al. | Review of phylogenetic tree construction | |
| Ono et al. | Multi-objective particle swarm optimization for robust optimization and its hybridization with gradient search | |
| Wang et al. | Evolutionary harmony search algorithm with metropolis acceptance criterion for travelling salesman problem | |
| Zhuo et al. | Self-organized emergence of navigability on small-world networks | |
| Wang et al. | A hybrid binary harmony search algorithm inspired by ant system | |
| CN108631327A (zh) | 一种基于粒子群优化算法对配电网无功优化方法 | |
| Tian et al. | Optimizing for a resource-constrained multi-project scheduling problem with planned resource unavailability | |
| Liu | Shortest path selection algorithm for cold chain logistics transportation based on improved artificial bee colony | |
| Zhang et al. | An improved particle swarm optimization algorithm based on immune system | |
| CN114565236B (zh) | 一种双碳目标下的电力综合能源系统调度方法及装置 | |
| Zhao et al. | An improved extreme learning machine with adaptive growth of hidden nodes based on particle swarm optimization | |
| CN109711097A (zh) | 一种基于正余弦机制混沌蚱蜢算法的悬臂梁设计方法 | |
| Murata et al. | Genetic network programming with automatically defined groups for assigning proper roles to multiple agents | |
| Chen et al. | An Algorithm for Solving The Traveling Salesman Problem | |
| Zhang et al. | Research on electrical load distribution using an improved bacterial foraging algorithm |
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 | ||
| CP01 | Change in the name or title of a patent holder |
Address after: 510630 room 1101, building 1, No.16 Keyun Road, Tianhe District, Guangzhou City, Guangdong Province (office use only) Patentee after: Guangdong Yitong Lianyun Intelligent Information Co.,Ltd. Address before: 510630 room 1101, building 1, No.16 Keyun Road, Tianhe District, Guangzhou City, Guangdong Province (office use only) Patentee before: YITONG CENTURY INTERNET OF THINGS RESEARCH INSTITUTE (GUANGZHOU) Co.,Ltd. |
|
| CP01 | Change in the name or title of a patent holder |