CN110442452B - 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 PDF

Info

Publication number
CN110442452B
CN110442452B CN201910698262.2A CN201910698262A CN110442452B CN 110442452 B CN110442452 B CN 110442452B CN 201910698262 A CN201910698262 A CN 201910698262A CN 110442452 B CN110442452 B CN 110442452B
Authority
CN
China
Prior art keywords
optimal
particle
operation unit
virtual operation
scheduling scheme
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
CN201910698262.2A
Other languages
English (en)
Other versions
CN110442452A (zh
Inventor
张建华
孙幸立
王剑
张振翔
陈凯
张兴生
吴顺风
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.)
Nanjing Nengdi Electrical Technology Co ltd
Original Assignee
Nanjing Nengdi Electrical 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 Nanjing Nengdi Electrical Technology Co ltd filed Critical Nanjing Nengdi Electrical Technology Co ltd
Priority to CN201910698262.2A priority Critical patent/CN110442452B/zh
Publication of CN110442452A publication Critical patent/CN110442452A/zh
Application granted granted Critical
Publication of CN110442452B publication Critical patent/CN110442452B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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

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
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 (1)

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） 按照各虚拟运转单元初次运转，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，代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；
其中，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，其最优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分配，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运转单元的内存分布和CPU占用，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的占用释放表示粒子的垂直速度，自此各虚拟运转单元的内存分布和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，因此在优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；所述的按照各虚拟运转单元初次运转，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运转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，调整虚拟运转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即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。
CN201910698262.2A 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 Active CN110442452B (zh)

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 CN110442452A (zh) 2019-11-12
CN110442452B true 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)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112118312B (zh) * 2020-09-17 2021-08-17 浙江大学 一种面向边缘服务器的网络突发负载疏散方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
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
CN107491341B (zh) * 2017-08-31 2018-09-18 福州大学 一种基于粒子群优化的虚拟机分配方法
CN108182115B (zh) * 2017-12-28 2021-08-31 福州大学 一种云环境下的虚拟机负载均衡方法
CN108469983B (zh) * 2018-04-02 2021-10-19 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

Also Published As

Publication number Publication date
CN110442452A (zh) 2019-11-12

Similar Documents

Publication Publication Date Title
CN108196957A (zh) 一种云环境下的主机负载预测方法
CN103957261A (zh) 一种基于能耗优化的云计算资源分配的方法
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
CN109002926A (zh) 一种高准确性的光伏发电量预测模型及其构建方法和应用
CN110516849A (zh) 一种基于典型日负荷曲线的负荷分类结果评价方法
CN110474353A (zh) 分层式储能系统及其参与的电网调频协调控制方法
CN108155649A (zh) 一种考虑dg不确定性的配电网网架模糊规划方法
CN110009141A (zh) 基于sdae特征提取和svm分类模型的爬坡事件预测方法及系统
CN110442452B (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
Huang et al. Smart energy management system based on reconfigurable AI chip and electrical vehicles
CN113421004B (zh) 输配协同的主动配电网分布式鲁棒扩展规划系统及方法
Jiao et al. Service deployment of C4ISR based on genetic simulated annealing algorithm
CN116520074A (zh) 一种基于云边协同的有源配电网故障定位方法与系统
CN115513945A (zh) 一种基于物联网的分布式电源管理方法
Zhang et al. Large-scale Power Grid Digital Parallel Simulation System based on Supercomputing Technology
Doagou-Mojarrad et al. Probabilistic interactive fuzzy satisfying generation and transmission expansion planning using fuzzy adaptive chaotic binary PSO algorithm
Liang et al. The core of constructing the future power systems computation platform is cloud computing
Tong et al. D2op: A fair dual-objective weighted scheduling scheme in internet of everything
CN110598930A (zh) 一种公交线路优化调整方法及装置
Zhang et al. Range-Constrained and Stable Federated Charging Scheme for Electricity Vehicles
CN118469258B (zh) 一种面向自动化主站实训的孪生资源管理方法和系统
Viganò et al. SmartNet simulation platform
CN116646932B (zh) 基于配电网云边端资源协同的高比例负荷接入方法及系统
CN114696324A (zh) 一种低压配电网调控方法、装置、配电终端及存储介质
CN112446521B (zh) 考虑经济性和安全性的风电场接入系统多目标规划方法

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