CN110442452A - 基于粒子群优化算法边缘计算终端硬件资源使用调度方法 - Google Patents
基于粒子群优化算法边缘计算终端硬件资源使用调度方法 Download PDFInfo
- Publication number
- CN110442452A CN110442452A CN201910698262.2A CN201910698262A CN110442452A CN 110442452 A CN110442452 A CN 110442452A CN 201910698262 A CN201910698262 A CN 201910698262A CN 110442452 A CN110442452 A CN 110442452A
- Authority
- CN
- China
- Prior art keywords
- particle
- optimal
- iteration
- constraint
- virtual
- 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
- 239000002245 particle Substances 0.000 title claims abstract description 85
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000004364 calculation method Methods 0.000 title claims abstract description 19
- 238000005457 optimization Methods 0.000 title claims abstract description 7
- 238000009826 distribution Methods 0.000 claims abstract description 26
- 230000003044 adaptive effect Effects 0.000 claims abstract description 16
- 238000012545 processing Methods 0.000 claims abstract description 14
- 238000009472 formulation Methods 0.000 claims abstract description 5
- 239000000203 mixture Substances 0.000 claims abstract description 5
- 230000006870 function Effects 0.000 claims description 8
- 238000004519 manufacturing process Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 description 6
- 239000011800 void material Substances 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009194 climbing Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
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]
- G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
- G06F9/5011—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resources being hardware resources other than CPUs, Servers and Terminals
- G06F9/5016—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resources being hardware resources other than CPUs, Servers and Terminals the resource being the memory
-
- 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
-
- 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
- G06F9/5044—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 hardware capabilities
-
- 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]
-
- 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
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于粒子群优化算法边缘计算终端硬件资源使用调度方法，可以在保障边缘计算终端性能的基础上大幅度降低边缘计算硬件成本。该方法包括以下步骤：1)按照不同功能虚拟成不同的虚拟运转单元；2)按照系统性能最优编制最优调度方案，并编制迭代公式；3)编制各个虚拟运转单元的约束公式；4)完成约束处理子程序注册；5)按照各虚拟单元初次运转，进入粒子群算法初次迭代；6)计算各粒子适应值，主动探求最优资源最优分配；7)重复迭代，将步骤6计算出来的粒子适应值，更新个体与全局最优粒子；8)调用迭代程序探求最优资源最优分配；9)找到全局最优分配；10)调整自己的硬件资源初步达到平衡。
Description
技术领域
本发明涉及一种边缘计算终端硬件资源使用调度方法，更具体地说涉及一种基于粒子群优化算法边缘计算终端硬件资源使用调度方法。
背景技术
2019年1月13日发布的国家电网有限公司2019年“1号文件”中将“打造状态全面感知、信息高效处理、应用便捷灵活的泛在电力物联网”排在年度重点工作首位。至此，“泛在电力物联网”被视为是与电网融合发展的“第二张网络”，成为该公司与“坚强智能电网”相提并论的重点工作，其将综合应用物联网技术、大数据技术、人工智能技术等各项新技术，与新一代电力能源系统相互深度渗透和融合，实现能源电力生产与消费各环节中涉及到的人和物的最大程度地实时在线互联，进而发展成为全面承载并贯通电网生产运行、企业经营管理和对外客户服务等业务的新一代信息通信系统。而构建能源流、业务流、数据流“三流合一”的变电站、储能站、信息站“三站合一”智能电站是实现承载数据流的泛在电力物联网与承载电力流的坚强智能电网必将相辅相成、融合发展，形成强大的价值创造平台的最优方法之一，而信息站面临着接入面广、数据量大、各终端协同控制逻辑复杂，控制实时性高等特点，目前市场上用于“三站合一”的边缘计算终端往往使用了大容量、高运算、高耗能的商业级处理芯片，但是此类级别的芯片在稳定性、可靠性、安全性等方面均与电力系统的行业要求存在差异，泛在电力物联网建设亟需一种高稳定、强安全、低成本的边缘计算终端，因此需要研制开发一种可以在保障边缘计算终端性能的基础上大幅度降低边缘计算硬件成本的资源使用调度方法，以解决现有技术存在的问题。
发明内容
本发明的目的是解决上述现有技术中存在的不足和问题，提供一种基于粒子群优化算法边缘计算终端硬件资源使用调度方法，可以在保障边缘计算终端性能的基础上大幅度降低边缘计算硬件成本。
本发明的技术方案如下：
本发明的基于粒子群优化算法边缘计算终端硬件资源使用调度方法，主要包括以下步骤：
1)按照不同功能虚拟成不同的虚拟运转单元，并注册；
2)按照系统性能最优编制最优调度方案，并根据最优调度方案编制迭代公式；
3)编制各个虚拟运转单元的约束公式；
4)完成约束处理子程序注册；
5)按照各虚拟单元初次运转，进入粒子群算法初次迭代；
6)计算各粒子适应值，主动探求最优资源最优分配；
7)重复迭代，将步骤6计算出来的粒子适应值，带入等式约束处理程序，调整粒子状态到满足负荷需求平衡等式约束，计算各粒子适应值，更新个体与全局最优粒子；
8)调用迭代程序探求最优资源最优分配；
9)找到全局最优分配；
10)各虚拟运转单元按照计算出的最优分配，调整自己的硬件资源初步达到平衡。
本发明上述的方法，其进一步的技术方案是所述的按照不同功能虚拟成不同的虚拟运转单元，并注册，具体步骤为调试人员按照现场实际不同的需求，配置不同的虚拟运转单元，并注册。
本发明上述的方法，其进一步的技术方案还可以是所述的按照系统性能最优编制最优调度方案中其最优调度方案就是硬件资源的最优分配，对于一般的处理器主要是内存和CPU的分配其调度方案就是合理地安排各虚拟运转单元的内存分配和CPU使用，使得在满足硬件资源总量的约束条件下，使各虚拟运转单元获得最优的内存和CPU分布，即使得各虚拟运转单元在最小的内存分布和CPU占用的情况下正常运转。
本发明上述的方法，其进一步的技术方案还可以是所述的根据最优调度方案编制迭代公式主要包括以下步骤：最优调度方案通过不断的调整虚拟单元的内存分布和CPU占用获得，用一个粒子代表某个虚拟运转单元一种调度方案，粒子群为本终端内各个虚拟运转单元的集合，各虚拟运转单元的硬件占用状态标识为粒子状态，内存的申请和释放表示粒子的水平速度，CPU的占用释放标识粒子的垂直速度，自此各虚拟单元的内存分布和CPU占用组合成为一个二维向量，则可以采用主动粒子群算法，找到粒子i在第K次迭代式的位置向量即调度方案，最终找到粒子i自身经历的最优调度方案和和种群主动探索到的现阶段最优调度方案；优化包括粒子群大小、迭代总数、惩罚因子和惯性权重在内的主动探索参数，并初始化迭代程序。
本发明上述的方法，其进一步的技术方案还可以是所述的完成约束处理子程序注册主要包括以下步骤：由于各虚拟运转单元带有许多约束条件，因此在进化的过程中测试粒子是否满足约束条件，并适当的改进约束条件，最终运行真正实用的最优调度方案，其约束条件主要包括出力限制、爬坡速度和硬件资源匹配，并初始化约束处理程序。
本发明上述的方法，其进一步的技术方案还可以是所述的按照各虚拟单元初次运转，进入粒子群算法初次迭代包括以下步骤：按照调试人员初次配置的虚拟单元参数进行初次迭代，产生初始粒子群和初始速度，调用约束条件的相关处理程序，调整虚拟单元所占用的内存和CPU，使得系统硬件初步平衡。
本发明上述的方法，其进一步的技术方案还可以是所述的调用迭代程序探求最优资源最优分配主要包括以下步骤：计算各粒子的适应值，产生第一个迭代的单个粒子(虚拟运转单元)的最优分配和全局最优分布；重复迭代，更新粒子位置，调整粒子状态；输出单个粒子的最优分配和全局最优分布。
本发明具有以下有益效果：
本发明在不增加边缘计算终端硬件成本的前提下，可以保障重要等级较高的运算单元一直处于最优运行状态，提高设备处理能力。大大提高边缘计算终端的的计算能力、稳定性、可靠性。
附图说明
图1为本发明的步骤流程图
图2为本发明的流程图
图3为迭代函数流程图
图4为约束函数流程图
具体实施方式
下面结合附图对本发明技术内容作说明，如图所示本发明的基于粒子群优化算法边缘计算终端硬件资源使用调度方法包括以下步骤：
1)按照不同功能虚拟成不同的虚拟运转单元，并注册；
2)按照系统性能最优编制最优调度方案，并根据最优调度方案编制迭代公式；
3)编制各个虚拟运转单元的约束公式；
4)完成约束处理子程序注册；
5)按照各虚拟单元初次运转，进入粒子群算法初次迭代；
6)计算各粒子适应值，主动探求最优资源最优分配；
7)重复迭代，将步骤6计算出来的粒子适应值，带入等式约束处理程序，调整粒子状态到满足负荷需求平衡等式约束，计算各粒子适应值，更新个体与全局最优粒子；
8)调用迭代程序探求最优资源最优分配；
9)找到全局最优分配；
10)各虚拟运转单元按照计算出的最优分配，调整自己的硬件资源初步达到平衡。
所述的按照不同功能虚拟成不同的虚拟运转单元，并注册，具体步骤为调试人员按照现场实际不同的需求，配置不同的虚拟运转单元，并注册。所述的按照系统性能最优编制最优调度方案中其最优调度方案就是硬件资源的最优分配，对于一般的处理器主要是内存和CPU的分配其调度方案就是合理地安排各虚拟运转单元的内存分配和CPU使用，使得在满足硬件资源总量的约束条件下，使各虚拟运转单元获得最优的内存和CPU分布，即使得各虚拟运转单元在最小的内存分布和CPU占用的情况下正常运转。所述的根据最优调度方案编制迭代公式主要包括以下步骤：最优调度方案通过不断的调整虚拟单元的内存分布和CPU占用获得，用一个粒子代表某个虚拟运转单元一种调度方案，粒子群为本终端内各个虚拟运转单元的集合，各虚拟运转单元的硬件占用状态标识为粒子状态，内存的申请和释放表示粒子的水平速度，CPU的占用释放标识粒子的垂直速度，自此各虚拟单元的内存分布和CPU占用组合成为一个二维向量，则可以采用主动粒子群算法，找到粒子i在第K次迭代式的位置向量即调度方案，最终找到粒子i自身经历的最优调度方案和和种群主动探索到的现阶段最优调度方案；优化包括粒子群大小、迭代总数、惩罚因子和惯性权重在内的主动探索参数，并初始化迭代程序。所述的完成约束处理子程序注册主要包括以下步骤：由于各虚拟运转单元带有许多约束条件，因此在进化的过程中测试粒子是否满足约束条件，并适当的改进约束条件，最终运行真正实用的最优调度方案，其约束条件主要包括出力限制、爬坡速度和硬件资源匹配，并初始化约束处理程序。所述的按照各虚拟单元初次运转，进入粒子群算法初次迭代包括以下步骤：按照调试人员初次配置的虚拟单元参数进行初次迭代，产生初始粒子群和初始速度，调用约束条件的相关处理程序，调整虚拟单元所占用的内存和CPU，使得系统硬件初步平衡。所述的调用迭代程序探求最优资源最优分配主要包括以下步骤：计算各粒子的适应值，产生第一个迭代的单个粒子(虚拟运转单元)的最优分配和全局最优分布；重复迭代，更新粒子位置，调整粒子状态；输出单个粒子的最优分配和全局最优分布。
其步骤主要包括：调试人员按照现场实际不同的需求，配置不同的虚拟运转单元，并注册；最优调度方案问题的决策变量为各虚拟运转单元的占用的内存、CPU使用率，设最优调度方案通过不断调整各虚拟运转单元的硬件资源占用情况，用一个粒子来代表一种调度方案，各虚拟运转单元的硬件资源占用情况表示为粒子状态，各虚拟运转单元的硬件资源占用情况调整量表示为粒子速度。即各虚拟运转单元的硬件资源占用情况组合为二维向量，用粒子位置向量p表示。当系统进入第K次迭代时，第k次迭代时的位置向量(即一个调度方案)，粒子i的位置向量为粒子i自身经历的最优调度方案，整个粒子群的位置向量集为种群由主动性探测得到的现阶段最优调度方案，即全局最优方案。由于各虚拟运转单元带有许多约束条件，因此在进化的过程中式粒子满足约束条件，并适当的改进约束条件，最终活动真正实用的最优调度方案，本发明的约束条件包括出力限制、爬坡速度、硬件资源匹配等的约束公式分为等式约束条件和不等式约束条件，其中等式约束条件为：硬件资源平衡，即各虚拟运转单元占用的硬件资源+固定预留硬件资源+剩余硬件资源＝硬件总资源；不等式约束条件为：各虚拟运转单元硬件资源占用率上下限约束，pimin<pi<pimax；本CPU算法硬件调整速度，dimin<di<dimax。第一步完成约束处理子程序注册，照各虚拟单元初次运转，进入粒子群算法初次迭代，计算各粒子的适应值，产生第一个迭代的单个粒子(虚拟运转单元)的最优分配和全局最优分布，重复迭代，调整粒子状态到满足负荷需求平衡等式约束，计算各粒子适应值，更新个体与全局最优粒子分布，按照更新后的个体与全局最优粒子分布。按照计算出来的单个粒子最优分配和全局最优分配，进行调整终端内各虚拟处理单元的的硬件资源，并达到平衡。
Claims (7)
1.一种基于粒子群优化算法边缘计算终端硬件资源使用调度方法，其特征在于主要包括以下步骤：
1)按照不同功能虚拟成不同的虚拟运转单元，并注册；
2)按照系统性能最优编制最优调度方案，并根据最优调度方案编制迭代公式；
3)编制各个虚拟运转单元的约束公式；
4)完成约束处理子程序注册；
5)按照各虚拟单元初次运转，进入粒子群算法初次迭代；
6)计算各粒子适应值，主动探求最优资源最优分配；
7)重复迭代，将步骤6计算出来的粒子适应值，带入等式约束处理程序，调整粒子状态到满足负荷需求平衡等式约束，计算各粒子适应值，更新个体与全局最优粒子；
8)调用迭代程序探求最优资源最优分配；
9)找到全局最优分配；
10)各虚拟运转单元按照计算出的最优分配，调整自己的硬件资源初步达到平衡。
2.根据权利要求1所述的方法，其特征在于所述的按照不同功能虚拟成不同的虚拟运转单元，并注册，具体步骤为调试人员按照现场实际不同的需求，配置不同的虚拟运转单元，并注册。
3.根据权利要求1所述的方法，其特征在于所述的按照系统性能最优编制最优调度方案中其最优调度方案就是硬件资源的最优分配，对于一般的处理器主要是内存和CPU的分配其调度方案就是合理地安排各虚拟运转单元的内存分配和CPU使用，使得在满足硬件资源总量的约束条件下，使各虚拟运转单元获得最优的内存和CPU分布，即使得各虚拟运转单元在最小的内存分布和CPU占用的情况下正常运转。
4.根据权利要求1所述的方法，其特征在于所述的根据最优调度方案编制迭代公式主要包括以下步骤：最优调度方案通过不断的调整虚拟单元的内存分布和CPU占用获得，用一个粒子代表某个虚拟运转单元一种调度方案，粒子群为本终端内各个虚拟运转单元的集合，各虚拟运转单元的硬件占用状态标识为粒子状态，内存的申请和释放表示粒子的水平速度，CPU的占用释放标识粒子的垂直速度，自此各虚拟单元的内存分布和CPU占用组合成为一个二维向量，则可以采用主动粒子群算法，找到粒子i在第K次迭代式的位置向量即调度方案，最终找到粒子i自身经历的最优调度方案和和种群主动探索到的现阶段最优调度方案；优化包括粒子群大小、迭代总数、惩罚因子和惯性权重在内的主动探索参数，并初始化迭代程序。
5.根据权利要求1所述的方法，其特征在于所述的完成约束处理子程序注册主要包括以下步骤：由于各虚拟运转单元带有许多约束条件，因此在进化的过程中测试粒子是否满足约束条件，并适当的改进约束条件，最终运行真正实用的最优调度方案，其约束条件主要包括出力限制、爬坡速度和硬件资源匹配，并初始化约束处理程序。
6.根据权利要求1所述的方法，其特征在于所述的按照各虚拟单元初次运转，进入粒子群算法初次迭代包括以下步骤：按照调试人员初次配置的虚拟单元参数进行初次迭代，产生初始粒子群和初始速度，调用约束条件的相关处理程序，调整虚拟单元所占用的内存和CPU，使得系统硬件初步平衡。
7.根据权利要求1所述的方法，其特征在于所述的调用迭代程序探求最优资源最优分配主要包括以下步骤：计算各粒子的适应值，产生第一个迭代的单个粒子(虚拟运转单元)的最优分配和全局最优分布；重复迭代，更新粒子位置，调整粒子状态；输出单个粒子的最优分配和全局最优分布。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910698262.2A CN110442452B (zh) | 2019-07-31 | 2019-07-31 | 基于粒子群优化算法边缘计算终端硬件资源使用调度方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910698262.2A CN110442452B (zh) | 2019-07-31 | 2019-07-31 | 基于粒子群优化算法边缘计算终端硬件资源使用调度方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110442452A true CN110442452A (zh) | 2019-11-12 |
| CN110442452B CN110442452B (zh) | 2023-06-20 |
Family
ID=68432487
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910698262.2A Active CN110442452B (zh) | 2019-07-31 | 2019-07-31 | 基于粒子群优化算法边缘计算终端硬件资源使用调度方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110442452B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112118312A (zh) * | 2020-09-17 | 2020-12-22 | 浙江大学 | 一种面向边缘服务器的网络突发负载疏散方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106789312A (zh) * | 2016-12-30 | 2017-05-31 | 南京理工大学 | 一种基于云计算的安全资源优化分配方法 |
| CN107203412A (zh) * | 2017-05-04 | 2017-09-26 | 电子科技大学 | 一种基于膜系统改进粒子群算法的云资源调度优化方法 |
| CN107491341A (zh) * | 2017-08-31 | 2017-12-19 | 福州大学 | 一种基于粒子群优化的虚拟机分配方法 |
| CN108182115A (zh) * | 2017-12-28 | 2018-06-19 | 福州大学 | 一种云环境下的虚拟机负载均衡方法 |
| CN108469983A (zh) * | 2018-04-02 | 2018-08-31 | 西南交通大学 | 一种云环境下的基于粒子群算法的虚拟机部署方法 |
-
2019
- 2019-07-31 CN CN201910698262.2A patent/CN110442452B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106789312A (zh) * | 2016-12-30 | 2017-05-31 | 南京理工大学 | 一种基于云计算的安全资源优化分配方法 |
| CN107203412A (zh) * | 2017-05-04 | 2017-09-26 | 电子科技大学 | 一种基于膜系统改进粒子群算法的云资源调度优化方法 |
| CN107491341A (zh) * | 2017-08-31 | 2017-12-19 | 福州大学 | 一种基于粒子群优化的虚拟机分配方法 |
| CN108182115A (zh) * | 2017-12-28 | 2018-06-19 | 福州大学 | 一种云环境下的虚拟机负载均衡方法 |
| CN108469983A (zh) * | 2018-04-02 | 2018-08-31 | 西南交通大学 | 一种云环境下的基于粒子群算法的虚拟机部署方法 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112118312A (zh) * | 2020-09-17 | 2020-12-22 | 浙江大学 | 一种面向边缘服务器的网络突发负载疏散方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110442452B (zh) | 2023-06-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106155791B (zh) | 一种分布式环境下的工作流任务调度方法 | |
| Goudarzi et al. | A fast hybrid multi-site computation offloading for mobile cloud computing | |
| Liu et al. | Job scheduling model for cloud computing based on multi-objective genetic algorithm | |
| Wang et al. | Robust smart-grid-powered cooperative multipoint systems | |
| CN102801790A (zh) | 基于iec 61850和多代理方法的微网能量管理系统 | |
| EP3979563B1 (en) | Inter-domain data interaction method and apparatus | |
| CN110535700B (zh) | 一种多用户多边缘服务器场景下的计算卸载方法 | |
| CN110519776A (zh) | 一种雾计算系统中的均衡聚类和联合资源分配方法 | |
| CN108281989A (zh) | 一种风电电力系统经济调度方法及装置 | |
| CN109639833A (zh) | 一种基于无线城域网微云负载均衡的任务调度方法 | |
| CN108155649A (zh) | 一种考虑dg不确定性的配电网网架模糊规划方法 | |
| Du et al. | Distributionally robust two-stage energy management for hybrid energy powered cellular networks | |
| CN110442452A (zh) | 基于粒子群优化算法边缘计算终端硬件资源使用调度方法 | |
| Hu et al. | A stochastic ADMM approach to distributed coordinated multicell beamforming for renewables powered wireless cellular networks | |
| CN117493020A (zh) | 一种数据网格的计算资源调度实现方法 | |
| CN115802398A (zh) | 干扰优化方法及装置、存储介质及电子设备 | |
| Chen et al. | Data-driven task offloading method for resource-constrained terminals via unified resource model | |
| Nacef et al. | Efficient energy routing in smart grid networks using fractional knapsack and dijkstra algorithm | |
| Gamal et al. | Mapping and scheduling for non-uniform arrival of virtual network function (VNF) requests | |
| CN116231667A (zh) | 一种基于pcam-gmm的农村配电网源-网-荷-储协调优化方法 | |
| CN114327853A (zh) | 云边混合系统中面向复杂任务的低成本用户关联和计算迁移方法 | |
| Parvez et al. | Latency critical data processing in cloud for smart grid applications | |
| CN106408130B (zh) | 一种用于电力系统经济调度的分布式拍卖方法 | |
| CN113485718B (zh) | 面向边云协同系统中的上下文感知AIoT应用程序部署方法 | |
| Haque et al. | Dynamic clustering for imbalance management through local supply and demand balancing |
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 | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: Edge computing Terminal Hardware Resource Usage Scheduling Method Based on Particle Swarm Optimization Algorithm Granted publication date: 20230620 Pledgee: Bank of China Limited by Share Ltd. Nanjing Jiangning branch Pledgor: NANJING NENGDI ELECTRICAL TECHNOLOGY Co.,Ltd. Registration number: Y2024980026084 |