CN110570075B - 一种电力业务边缘计算任务分配方法及装置 - Google Patents

一种电力业务边缘计算任务分配方法及装置 Download PDF

Info

Publication number
CN110570075B
CN110570075B CN201910651989.5A CN201910651989A CN110570075B CN 110570075 B CN110570075 B CN 110570075B CN 201910651989 A CN201910651989 A CN 201910651989A CN 110570075 B CN110570075 B CN 110570075B
Authority
CN
China
Prior art keywords
preemptive
information
task
particle
matrix
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
CN201910651989.5A
Other languages
English (en)
Other versions
CN110570075A (zh
Inventor
邵苏杰
徐思雅
辛辰
周俊
司小庆
郭少勇
刘强
刘国峰
丰雷
喻鹏
亓峰
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.)
Beijing University of Posts and Telecommunications
Nanjing Power Supply Co of State Grid Jiangsu Electric Power Co Ltd
Original Assignee
Beijing University of Posts and Telecommunications
Nanjing Power Supply Co of State Grid Jiangsu Electric Power 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 Beijing University of Posts and Telecommunications, Nanjing Power Supply Co of State Grid Jiangsu Electric Power Co Ltd filed Critical Beijing University of Posts and Telecommunications
Priority to CN201910651989.5A priority Critical patent/CN110570075B/zh
Publication of CN110570075A publication Critical patent/CN110570075A/zh
Application granted granted Critical
Publication of CN110570075B publication Critical patent/CN110570075B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06316—Sequencing of tasks or work
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Water Supply & Treatment (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Primary Health Care (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Public Health (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明实施例提供一种电力业务边缘计算任务分配方法及装置，该方法包括：获取非抢占式任务队列信息和边缘节点信息，确定所述非抢占式任务队列信息对应的非抢占式初始粒子位置矩阵和非抢占式初始粒子速度矩阵；通过混合优先级任务排队算法对每个边缘节点信息上的非抢占式任务队列信息进行排列，得到每个边缘节点信息的排列结果信息；通过改进的离散粒子群算法对非抢占式初始粒子位置矩阵、非抢占式初始粒子速度矩阵和排列结果信息进行循环迭代求解，确定最优任务分配向量和最小平均时延信息，通过分开处理进行抢占式调度与非抢占式调度的两种任务，并根据混合优先级任务排队算法和改进的离散粒子群算法得到高效的分配策略。

Description

一种电力业务边缘计算任务分配方法及装置
技术领域
本发明涉及电力技术领域，尤其涉及一种电力业务边缘计算任务分配方法及装置。
背景技术
边缘计算是一种新型的分布式架构，它将终端产生的任务，由网络中心节点，迁移到靠近数据源的边缘节点来处理。电缆实时在线监测系统是电力输送的安全保障。随着智能电网和物联网的发展，越来越多的电缆实时在线监测设备接入网络，产生了大量的业务请求和数据，给传统的云计算架构带来了很大的压力。将边缘计算架构应用于电缆实时在线监测系统，能够极大缓解网络的压力，有效降低任务的时延。
边缘节点本身的计算资源与存储资源相对有限，且现有技术通常可以是中心控制器获取每一边缘计算节点的边缘节点信息，对每一边缘计算节点的调度决策进行评价，从而进行任务调度，但是在实际情况中存在大量时延敏感任务需要处理，使用中心控制器进行决策，并使用开销很大的神经网络算法，或是局部最优的贪心算法，并且对于实时性强的任务，时延难以保证。
因此如何更有效的进行电缆实时在线检测已经成为业界亟待解决的问题。
发明内容
本发明实施例提供一种电力业务边缘计算任务分配方法及装置，用以解决上述背景技术中提出的技术问题，或至少部分解决上述背景技术中提出的技术问题。
第一方面，本发明实施例提供一种电力业务边缘计算任务分配方法，包括：
获取非抢占式任务队列信息和边缘节点信息，确定所述非抢占式任务队列信息对应的非抢占式初始粒子位置矩阵和非抢占式初始粒子速度矩阵；
通过混合优先级任务排队算法对每个边缘节点信息上的非抢占式任务队列信息进行排列，得到每个边缘节点信息的排列结果信息；
通过改进的离散粒子群算法对非抢占式初始粒子位置矩阵、非抢占式初始粒子速度矩阵和排列结果信息进行循环迭代求解，确定最优任务分配向量和最小平均时延信息。
更具体的，所述通过混合优先级任务排队算法对每个边缘节点信息上的非抢占式任务队列信息进行排列，得到每个边缘节点信息的排列结果信息的步骤具体包括：
对所述非抢占式任务队列信息以截止时间进行排序，得到第一排序任务队列信息；
然后通过最早截止时间优先调度规则对所述第一排序任务队列信息进行调度处理，得到每个边缘节点信息的排列结果信息。
更具体的，通过改进的离散粒子群算法对非抢占式初始粒子位置矩阵、非抢占式初始粒子速度矩阵和排列结果信息进行循环迭代求解，确定非抢占式更新位置矩阵和非抢占式更新速度矩阵的步骤，具体包括：
根据粒子位置更新公式对初始非抢占式初始粒子位置矩阵进行迭代更新；
根据随机扰动速度迭代公式对初始非抢占式初始粒子速度矩阵进行迭代更新；
若满足预设条件，则停止迭代，确定非抢占式更新位置矩阵和非抢占式更新速度矩阵。
更具体的，所述随机扰动速度迭代公式为：
Figure BDA0002135544630000021
Figure BDA0002135544630000022
其中，type＝1表示粒子为导航型粒子，type＝2表示粒子为探索型粒子；ω为粒子的惯性系数，c1为粒子的个人最优加速因子，c2为子种群最优加速因子，c3为种群最优加速因子，
Figure BDA0002135544630000031
为粒子在第i次迭代前的最优位置，
Figure BDA0002135544630000032
为第k个子种群在第i次迭代前的最优位置，
Figure BDA0002135544630000033
为种群在第i次迭代前的最优位置，r、r1、r2和r3为随机系数，取值在0到1之间。
更具体的，所述粒子位置更新公式具体为：
Figure BDA0002135544630000034
其中，xjq(i)为第q个任务的位置更新公式，r为[0，1]上的随机数。
更具体的，在所述获取非抢占式任务队列信息和边缘节点信息的步骤之前，所述方法包括：
获取待分配任务队列信息；
根据抢占式任务分配规则，确定抢占式任务队列信息和非抢占式任务队列信息。
第二方面，本发明实施例提供一种电力业务边缘计算任务分配装置，包括：
获取模块，用于获取非抢占式任务队列信息和边缘节点信息，确定所述非抢占式任务队列信息对应的非抢占式初始粒子位置矩阵和非抢占式初始粒子速度矩阵；
排列模块，用于通过混合优先级任务排队算法对每个边缘节点信息上的非抢占式任务队列信息进行排列，得到每个边缘节点信息的排列结果信息；
分配模块，用于通过改进的离散粒子群算法对非抢占式初始粒子位置矩阵、非抢占式初始粒子速度矩阵和排列结果信息进行循环迭代求解，确定最优任务分配向量和最小平均时延信息。
第三方面，本发明实施例提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如第一方面所述电力业务边缘计算任务分配方法的步骤。
第四方面，本发明实施例提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面所述电力业务边缘计算任务分配方法的步骤。
本发明实施例提供的一种电力业务边缘计算任务分配方法及装置，通过分开处理进行抢占式调度与非抢占式调度的两种任务；并且针对粒子群算法中的边缘节点任务排队问题，提出了一种混合优先级任务排队算法，通过以截止时间进行排序并按照以截止时间和任务的运行开销对任务进行合理排队，从而更有效的对边缘节点任务进行排队，同时通过了改进的离散粒子群算法，运用粒子位置更新公式和随机扰动速度迭代公式对非抢占式初始粒子位置矩阵和非抢占式初始粒子速度矩阵进行迭代更新，且改进的离散粒子群算法通过将种群划分多个子种群，并在每个子种群中引入两种不同特点的粒子，拓展了粒子的求解广度，在保证较快收敛速度的基础上，算法的搜索能力得到增强，最终得到高效的分配策略。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明一实施例所描述的基于边缘计算的电缆实时在线监测业务组网架构示意图；
图2为本发明一实施例中所描述的电力业务边缘计算任务分配方法流程示意图；
图3为本发明一实施例所描述的任务平均时延仿真对比图；
图4为本发明一实施例所描述的算法运行时间仿真对比图；
图5为本发明一实施例所描述的部分抢占式与非抢占式调度任务分配算法任务平均时延仿真对比图；
图6为本发明一实施例所描述一种电力业务边缘计算任务分配装置；
图7为本发明一实施例所描述的电子设备结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
图1为本发明一实施例所描述的基于边缘计算的电缆实时在线监测业务组网架构示意图，如图1所示，该组网构架共有三层，即云服务器层、边缘计算节点层和电缆实时在线检测终端层，不同的边缘节点组成边缘计算网络。本发明实施例中所描述的电力业务边缘计算任务分配方法均基于以下约束条件，输电电缆可近似为一条直线，边缘计算节点在直线电缆上是等距分布的；对于电缆实时在线监测系统，其网络资源以及边缘计算节点的计算资源和存储资源是相对充足的，能够应对网络负载较大、任务较多的情况；不同的电缆实时在线监测任务之间没有依赖关系；电缆实时在线监测任务只能分配给距其最近的节点，以及该节点两侧的边缘计算节点，不会向更远节点分配。
例如，如果对第i个边缘计算节点下的任务，任务可被分配给边缘计算节点i，i-1，i+1。假设一条电缆上共有N个边缘计算节点，对于节点i，其下有ni个任务，所有节点任务数目的和为M。对于节点i下的任务j，记为sij，需要用到以下几个任务的参数：任务开始时间tsij，任务截止时间teij，任务运行开销wij，任务最终分配节点k。
图2为本发明一实施例中所描述的电力业务边缘计算任务分配方法流程示意图，如图2所示，包括：
步骤S1，获取非抢占式任务队列信息和边缘节点信息，确定所述非抢占式任务队列信息对应的非抢占式初始粒子位置矩阵和非抢占式初始粒子速度矩阵；
步骤S2，通过混合优先级任务排队算法对每个边缘节点信息上的非抢占式任务队列信息进行排列，得到每个边缘节点信息的排列结果信息；
步骤S3，通过改进的离散粒子群算法对非抢占式初始粒子位置矩阵、非抢占式初始粒子速度矩阵和排列结果信息进行循环迭代求解，确定最优任务分配向量和最小平均时延信息。
具体的，本发明实施例中所描述的非抢占式任务队列信息是指根据抢占式任务分配规则，确定抢占式任务队列信息后，剩余的队列信息即为非抢占式队列信息。
本发明实施例中所描述的混合优先级任务排队算法具体是指首先对任务以截止时间进行排序，然后尽可能优先处理开销小的任务，即在任务满足截止时间的基础上，不断比较两个相邻任务的处理开销，若后方的任务开销较小，并且如果对两个任务在队列中的位置进行交换后，任务仍能满足截止时间需求，则对任务进行交换的算法。
本发明实施例中所描述改进的离散粒子群算法是指基于二进制粒子群算法，将种群划分为多个子种群，记录每个子种群的最大适应度和最优位置，并将每个种群中的粒子划分为导航型粒子和探索型粒子，其中导航型粒子侧重全局最优解，保证算法的下限。探索型粒子侧重自身的探索与子种群最优解，提高算法的上限，从而使得改进的粒子群算法在保证较快的收敛速度的基础上，粒子的搜索能力得到加强，并且粒子的变异机制有助于粒子跳出局部最优解。可以说，改进的离散粒子群算法相比经典的粒子群算法，更高效，更准确，更完善。
本发明实施例中所描述的迭代循环求解具体是指对每个节点的非抢占式任务队列信息进行排列，得到每个节点的上每个任务的任务优先级，从而根据每个任务的任务优先级和粒子位置更新公式对初始非抢占式初始粒子位置矩阵进行迭代更新，随机扰动速度迭代公式对初始非抢占式初始粒子速度矩阵进行迭代更新，得到第一非抢占式更新位置矩阵和第一非抢占式更新速度矩阵，并记录并更新粒子的位置与速度以及粒子个人最优位置、子种群最优位置和种群最优位置，若不满足预设条件，则根据第一非抢占式更新位置矩阵和第一非抢占式更新速度矩阵重新进行排列，再次进行迭代，直至满足预设条件，确定非抢占式更新位置矩阵和非抢占式更新速度矩阵。
对抢占式任务执行分配后，剩余任务数为M，节点数为N。为便于算法对数据的处理，可将所有待分配的任务组成一个长度为M的向量，并记录每个任务的初始节点，即：
Figure BDA0002135544630000071
已知向量中第j个任务的如下参数：任务优先级Pj，任务开始时间tsj，任务截止时间tej，任务开销wj，任务初始节点ij，任务最终分配节点kj，任务j在节点k上任务处理队列中前方的任务总开销为
Figure BDA0002135544630000072
已知节点i的计算能力vi，执行任务分配的时间间隔为τ。
可以将需要求解的任务分配策略看作一个映射，对于任务j，由节点i分配到节点k，可记为：(ij→kj)。
因此，对于每个任务，需要求得它最终分配的节点k，由此，可得到求解的任务分配向量
Figure BDA0002135544630000073
Figure BDA0002135544630000074
考虑初始状态，对于时间mτ，进行一次任务分配，此时每个节点的初始开销向量为：
Figure BDA0002135544630000075
在t时刻(mτ＜t＜mτ+τ)，节点i处理已分配的任务，其开销会满足：
Figure BDA0002135544630000076
基于以上分析，可以得到适应度函数：
Figure BDA0002135544630000077
Figure BDA0002135544630000078
为处理本约束条件，粒子的位置矩阵为任务的节点偏移量：
Figure BDA0002135544630000081
粒子的位置只能在{-1，0，1}中取值，而只要求出偏移值，便可根据任务的初始节点求出最终的任务分配向量。如此，便可根据相应的速度公式来更新位置。
其中速度公式为
Figure BDA0002135544630000082
Figure BDA0002135544630000083
其中，type＝1表示粒子为导航型粒子，type＝2表示粒子为探索型粒子；ω为粒子的惯性系数，c1为粒子的个人最优加速因子，c2为子种群最优加速因子，c3为种群最优加速因子，
Figure BDA0002135544630000084
为粒子在第i次迭代前的最优位置，
Figure BDA0002135544630000085
为第k个子种群在第i次迭代前的最优位置，
Figure BDA0002135544630000086
为种群在第i次迭代前的最优位置，r、r1、r2和r3为随机系数，取值在0到1之间。
综上所述使用任务分配算法在满足约束条件下，得到任务分配向量
Figure BDA0002135544630000087
使适应度函数
Figure BDA0002135544630000088
的值尽可能大。
在上述实施例的基础上，所述通过混合优先级任务排队算法对每个边缘节点信息上的非抢占式任务队列信息进行排列，得到每个边缘节点信息的排列结果信息的步骤具体包括：
对所述非抢占式任务队列信息以截止时间进行排序，得到第一排序任务队列信息；
然后通过最早截止时间优先调度规则对所述第一排序任务队列信息进行调度处理，得到每个边缘节点信息的排列结果信息。
具体为，首先对任务以截止时间进行排序，得到第一排序任务队列信息，然后，在保证任务能够完成的情况下根据任务的运行开销对所述第一排序任务队列进行调整，得到每个边缘节点上的排列结果信息。
执行Taskswap(s，l1，l2)函数，这是一个递归函数，目的是在保证任务在截止时间内完成的前提下，尽可能优先处理开销小的任务，即在任务满足截止时间的基础上，不断比较两个相邻任务的处理开销，若后方的任务开销较小，并且如果对两个任务在队列中的位置进行交换后，任务仍能满足截止时间需求，则对任务进行交换。然后对任务队列递归执行交换函数Taskswap(s，l1，i-1)与Taskswap(s，i+1，l2)。如果存在一些重要性极高，但开销较大的任务，则为保证此任务的时延，可以使此任务在队列中的位置保持不变。；在经过若干次递归处理后，任务的处理顺序将得到调整。
本发明实施例考虑了任务的截止时间和任务开销，在系统负载较小时，在保证此类任务能够完成的情况下，优先处理其他开销较小，但时延相对高的任务，那么就可以进一步提升任务的平均时延，进而提升电缆实时在线监测系统的总体性能。
在上述实施例的基础上，通过改进的离散粒子群算法对非抢占式初始粒子位置矩阵、非抢占式初始粒子速度矩阵和排列结果信息进行循环迭代求解，确定非抢占式更新位置矩阵和非抢占式更新速度矩阵的步骤，具体包括：根据所述非抢占式初始粒子位置矩阵对每个粒子进行模拟任务分配，得到模拟任务分配信息；
根据所述混合优先级任务排队对所述模拟任务分配信息进行排队，得到排列结果信息；
根据所述排列结果信息计算粒子的适应度，确定并记录种群最优位置信息信息、种群最优适应度、子种群最优位置信息和子种群最优适应度信息；
根据粒子位置更新公式对初始非抢占式初始粒子位置矩阵进行迭代更新；
根据随机扰动速度迭代公式对初始非抢占式初始粒子速度矩阵进行迭代更新；
若满足预设条件，则停止迭代，确定非抢占式更新位置矩阵和非抢占式更新速度矩阵。
其中，所述粒子位置更新公式具体为：
Figure BDA0002135544630000101
其中，xjq(i)为第q个任务的位置更新公式，r为[0，1]上的随机数。
其中，所述随机扰动速度迭代公式为：
Figure BDA0002135544630000102
Figure BDA0002135544630000103
其中，type＝1表示粒子为导航型粒子，type＝2表示粒子为探索型粒子；ω为粒子的惯性系数，c1为粒子的个人最优加速因子，c2为子种群最优加速因子，c3为种群最优加速因子，
Figure BDA0002135544630000104
为粒子在第i次迭代前的最优位置，
Figure BDA0002135544630000105
为第k个子种群在第i次迭代前的最优位置，
Figure BDA0002135544630000106
为种群在第i次迭代前的最优位置，r、r1、r2和r3为随机系数，取值在0到1之间。
本发明实施例中所描述的预设条件可以是满足预设迭次数，或满足预设迭代时间。
求解一个n维的向量
Figure BDA0002135544630000107
使函数
Figure BDA0002135544630000108
的取值尽可能大。则可以设置q个种群规模为m的粒子群，这q个子种群又组成一个规模为qm的种群。每个子种群中都包含探索型粒子与导航型粒子。粒子进行若干次迭代，每次迭代中，会记录并更新粒子的位置与速度以及粒子个人最优位置、子种群最优位置和种群最优位置。由此，可得到第k个子种群在第i次迭代的空间坐标矩阵Xj(i)以及粒子群的速度矩阵Vj(i)：
Figure BDA0002135544630000109
Figure BDA00021355446300001010
对于本发明研究的电缆实时在线监测业务边缘计算任务分配问题，若一个任务初始位于节点i，则其可被分配给节点i，节点i-1，节点i+1，由于任务的初始节点是已知的，为表示每个任务的分配节点，x表示此任务相对i的变化量即可，x可取值-1，0，1。在这样的前提下，可设置概率函数，将速度转化为跳变概率：
Figure BDA0002135544630000111
利用速度的方向性，面对x为三个值的情况，仍可利用概率公式进行求解，在这样的概率公式下，粒子位置更新公式为：
Figure BDA0002135544630000112
在粒子群算法中，对粒子的速度增加一个随机扰动，得到随机扰动速度迭代公式。
本发明实施例在每一次迭代过程中，均记录种群最优位置信息、种群最优适应度、子种群最优位置信息和子种群最优适应度信息；然后进行迭代更新，得到更新后的非抢占式位置矩阵和更新后的非抢占式速度矩阵，若不满足预设条件，则根据更新后的非抢占式位置矩阵和更新后的非抢占式速度矩阵进行二次迭代，即根据更新后的非抢占式位置矩阵对每个粒子进行模拟任务分配，得到模拟任务分配信息；
根据所述混合优先级任务排队对所述模拟任务分配信息进行排队，得到排列结果信息；根据所述排列结果信息计算粒子的适应度，确定并记录本次迭代中的第一种群最优位置信息、第一种群最优适应度、第一子种群最优位置信息和第一子种群最优适应度信息；再根据粒子位置更新公式对更新后的非抢占式位置矩阵进行迭代更新；根据随机扰动速度迭代公式对更新后的非抢占式速度矩阵进行迭代更新，若满足预设条件，则停止迭代，若不满足预设条件，则继续迭代，直至满足预设条件为止。
从而迭代更新确定非抢占式更新位置矩阵和非抢占式更新速度矩阵。
在上述实施例的基础上，所述方法包括：
获取待分配任务队列信息；
根据抢占式任务分配规则，确定抢占式任务队列信息和非抢占式任务队列信息。
本发明实施例中所描述的抢占式任务分配规则具体是指执行抢占式调度的任务，其将优先被调度，并且不会有排队时延，但会附加一个抢占式调度时间开销；而非抢占式任务是不会被有限调度的任务，其会有排队时延。
对于一个边缘计算节点i，其计算能力为vi。任务从节点i分配到节点k，由节点i分配到节点k的传输时间设为ti，k，任务分配后其在t时刻节点k任务排队队列前方任务的总开销设为Wkij(t)。任务分配系统每隔时间τ进行一次任务分配。
首先分析任务的时延计算方法，对于一个由终端产生的任务，其时延包含发送时延，传播时延，排队时延，处理时延。
任务的发送时延和传播时延之和：ti，k。
任务的排队时延：
Figure BDA0002135544630000121
即任务队列前方的所有任务开销之和与节点计算能力之比。
任务的处理时延：
Figure BDA0002135544630000122
假设每隔时间τ进行一次任务分配，若m为非负整数，对于时间mτ，对所有节点下待分配的任务进行任务分配，若任务分配前在节点i下的任务sij被分配到节点k，则任务将在节点k下被处理。
对于执行抢占式调度的任务，其将优先被调度，并且不会有排队时延，但会附加一个抢占式调度时间开销；
对于非抢占式调度的任务，如果其分配到的节点执行抢占式调度，则其也会附加一个抢占式调度时间开销。对于初始位于节点i上的任务j，若其在时间为mτ时被分配给节点k，则该任务在节点k上执行抢占式调度的条件是：
teij-(mτ+ti，k)≤td；
对于一个已经被分配的任务，其任务总时延为：
Figure BDA0002135544630000131
其中，抢占式调度门限时间td，抢占式调度时间开销tq，任务分配后节点i是否进行抢占式调度的标志qi(qi＝0表示节点i未进行抢占式调度，qi＝1表示节点i已进行抢占式调度)
上式即为单个任务的时延，可以看出任务由节点i被分配到节点k后的发送时延和传播时延之和为ti，k，而任务分配到本地节点i产生的发送时延和传播时延之和为ti，i，考虑实际情况，若节点i和节点k为不同节点，有：
ti，k＞ti，i；
对所有任务的时延进行求和，得到任务总时延：
Figure BDA0002135544630000132
考虑任务的总数M，得到所有任务的平均时延：
Figure BDA0002135544630000133
最小平均时延信息为minδTavg，，
其时延约束条件为：
Figure BDA0002135544630000134
其节点约束条件为
Figure BDA0002135544630000135
最终结合进行抢占式调度的任务与非抢占式调度的任务，计算最小平均时延Tmin。
在上述实施例的基础上，下面结合仿真实例进行说明：
1、参数设置
本发明使用CPU单元作为单位对任务处理开销进行评估。CPU单元是操作系统时间片的长度，根据Linux系统的进程调度策略，将仿真中的CPU时间片长度定为10ms，默认的CPU的频率为1GHz。在一定的频率范围内，可以CPU认为处理相同任务的时间和CPU频率成正比。仿真用到的相关电缆实时在线监测业务数据如表1所示：
表1仿真使用电缆实时在线监测业务数据(CPU的频率为1GHz)
监测项目 运行开销(cpu单元) 时延需求(ms) 传输频次
塔杆倾斜监测 5 320 30s/次
导线温度监测 2 280 5s/次
风力监测 2 400 5s/次
导线受力监测 5 400 20s/次
覆冰监测 6 600 10s/次
传感器报警 1 80 每10s以一定概率发生
视频监测 10 200 5s/次
在仿真中，每个边缘计算节点下的业务将只包含表1中的业务。为体现边缘计算节点的异构性，不同边缘节点的CPU频率将会有所不同，为便于分析，将边缘节点的CPU频率分为三类，分别为1GHz，1.5GHz，2GHz。如表2：
表2边缘计算节点CPU数据
边缘节点类型 CPU频率 CPU时间片长度
类型一 1GHz 10ms
类型二 1.5GHz 10ms
类型三 2GHz 10ms
在仿真过程中，边缘计算节点的频率将在上表中三种类型中选择。每个边缘节点下包含若干电缆实时在线监测终端，按照不同业务的传输频次，周期(或随机地)生成若干电缆实时在线监测业务。在仿真时，将生成一系列边缘计算节点与电缆实时在线监测终端，在相同的情况下，对不同的算法进行对比。主要对比算法为经典粒子群算法、遗传算法。相关设定如下：
(1)电缆上有若干边缘计算节点，一个边缘计算节点的初始负载在0、2、4之间随机选择(单位：CPU单元)，节点的CPU频率和时间片长度如表2所示。
(2)电缆上分布若干电缆实时在线监测终端，每个终端产生不同的电缆实时在线监测业务，终端任务传播到距离其最近的节点的发送时间与传输时间之和为10ms，到该节点两侧节点的时间为20ms。
(3)改进离散粒子群算法、经典粒子群算法、遗传算法的种群规模数相同，迭代次数分别为90、90、150。对于遗传算法，交叉率为0.6，变异率为0.02。对于改进离散粒子群算法与经典粒子群算法，设gen为当前迭代次数，mgen为最大迭代次数，速度公式中的c1，c2，c3和w满足：
Figure BDA0002135544630000151
其中，c1为粒子的个人最优加速因子，c2为子种群最优加速因子，c3为种群最优加速因子。
2、仿真结果分析
本次仿真主要对比两个方面，算法求得的任务平均时延与算法的运行时间，图3为本发明一实施例所描述的任务平均时延仿真对比图，图4为本发明一实施例所描述的算法运行时间仿真对比图，图5为本发明一实施例所描述的部分抢占式与非抢占式调度任务分配算法任务平均时延仿真对比图，仿真结果如图3、图4和图5所示，
图3和图4分别展示了不同算法的任务平均时延对比以及运行时间对比。由图3可知，对于同一组待分配的任务，使用改进的离散粒子群算法求解，将拥有最小的任务平均时延，这优于经典粒子群算法和遗传算法。由图4可知，在算法运行时间方面，相比经典粒子群算法，改进的离散粒子群算法的运行时间稍微有所增加，主要开销在于对子种群的处理，并且本发明提出的改进离散粒子群算法的运行时间明显低于遗传算法。
图5对比了非抢占式任务分配算法，此算法在求解任务分配策略时同样采用改进的离散粒子群算法，但对所有任务采用非抢占式调度。可以看出，在边缘节点有一定负载的情况下，对于同一组待分配的任务，使用部分抢占式调度算法，相比非抢占式调度算法有着更低的任务平均时延。因此，执行部分抢占式调度不仅能够保证时延敏感任务的及时完成，还能够有效降低任务的平均时延。
综上所述，本发明提出的基于改进离散粒子群算法的电缆实时在线监测业务边缘计算部分抢占式任务分配策略，相对于其他任务分配策略，有着更好的综合性能，适合应用于面向电缆实时在线监测业务的边缘计算场景下的任务分配。
图6为本发明一实施例所描述一种电力业务边缘计算任务分配装置，其特征在于，包括：获取模块610、排列模块620和分配模块630；其中，获取模块610用于获取非抢占式任务队列信息和边缘节点信息，确定所述非抢占式任务队列信息对应的非抢占式初始粒子位置矩阵和非抢占式初始粒子速度矩阵；其中，排列模块620用于通过混合优先级任务排队算法对每个边缘节点信息上的非抢占式任务队列信息进行排列，得到每个边缘节点信息的排列结果信息；其中，分配模块630用于通过改进的离散粒子群算法对非抢占式初始粒子位置矩阵、非抢占式初始粒子速度矩阵和排列结果信息进行循环迭代求解，确定最优任务分配向量和最小平均时延信息。
本发明实施例提供的装置是用于执行上述各方法实施例的，具体流程和详细内容请参照上述实施例，此处不再赘述。
本发明实施例
通过分开处理进行抢占式调度与非抢占式调度的两种任务；并且针对粒子群算法中的边缘节点任务排队问题，提出了一种混合优先级任务排队算法，通过以截止时间进行排序并按照以截止时间和任务的运行开销对任务进行合理排队，从而更有效的对边缘节点任务进行排队，同时通过了改进的离散粒子群算法，运用粒子位置更新公式和随机扰动速度迭代公式对非抢占式初始粒子位置矩阵和非抢占式初始粒子速度矩阵进行迭代更新，且改进的离散粒子群算法通过将种群划分多个子种群，并在每个子种群中引入两种不同特点的粒子，拓展了粒子的求解广度，在保证较快收敛速度的基础上，算法的搜索能力得到增强，最终得到高效的分配策略。
图7为本发明一实施例所描述的电子设备结构示意图，如图7所示，该电子设备可以包括：处理器(processor)710、通信接口(Communications Interface)720、存储器(memory)730和通信总线740，其中，处理器710，通信接口720，存储器730通过通信总线740完成相互间的通信。处理器710可以调用存储器730中的逻辑指令，以执行如下方法：获取非抢占式任务队列信息和边缘节点信息，确定所述非抢占式任务队列信息对应的非抢占式初始粒子位置矩阵和非抢占式初始粒子速度矩阵；通过混合优先级任务排队算法对每个边缘节点信息上的非抢占式任务队列信息进行排列，得到每个边缘节点信息的排列结果信息；通过改进的离散粒子群算法对非抢占式初始粒子位置矩阵、非抢占式初始粒子速度矩阵和排列结果信息进行循环迭代求解，确定最优任务分配向量和最小平均时延信息。
此外，上述的存储器730中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本发明实施例公开一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的方法，例如包括：获取非抢占式任务队列信息和边缘节点信息，确定所述非抢占式任务队列信息对应的非抢占式初始粒子位置矩阵和非抢占式初始粒子速度矩阵；通过混合优先级任务排队算法对每个边缘节点信息上的非抢占式任务队列信息进行排列，得到每个边缘节点信息的排列结果信息；通过改进的离散粒子群算法对非抢占式初始粒子位置矩阵、非抢占式初始粒子速度矩阵和排列结果信息进行循环迭代求解，确定最优任务分配向量和最小平均时延信息。
本发明实施例提供一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储服务器指令，该计算机指令使计算机执行上述各实施例提供的方法，例如包括：获取非抢占式任务队列信息和边缘节点信息，确定所述非抢占式任务队列信息对应的非抢占式初始粒子位置矩阵和非抢占式初始粒子速度矩阵；通过混合优先级任务排队算法对每个边缘节点信息上的非抢占式任务队列信息进行排列，得到每个边缘节点信息的排列结果信息；通过改进的离散粒子群算法对非抢占式初始粒子位置矩阵、非抢占式初始粒子速度矩阵和排列结果信息进行循环迭代求解，确定最优任务分配向量和最小平均时延信息。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (7)

1.一种电力业务边缘计算任务分配方法，其特征在于，包括：
获取非抢占式任务队列信息和边缘节点信息，确定所述非抢占式任务队列信息对应的非抢占式初始粒子位置矩阵和非抢占式初始粒子速度矩阵；
通过混合优先级任务排队算法对每个边缘节点信息上的非抢占式任务队列信息进行排列，得到每个边缘节点信息的排列结果信息；
通过改进的离散粒子群算法对非抢占式初始粒子位置矩阵、非抢占式初始粒子速度矩阵和排列结果信息进行循环迭代求解，确定最优任务分配向量和最小平均时延信息；
其中，所述通过混合优先级任务排队算法对每个边缘节点信息上的非抢占式任务队列信息进行排列，得到每个边缘节点信息的排列结果信息的步骤具体包括：
对所述非抢占式任务队列信息以截止时间进行排序，得到第一排序任务队列信息；
然后通过最早截止时间优先调度规则对所述第一排序任务队列信息进行调度处理，得到每个边缘节点信息的排列结果信息；
其中，所述确定所述非抢占式任务队列信息对应的非抢占式初始粒子位置矩阵的步骤，具体包括：通过改进的离散粒子群算法将所述非抢占式任务队列信息转化为非抢占式初始粒子位置矩阵；
其中，通过改进的离散粒子群算法对非抢占式初始粒子位置矩阵、非抢占式初始粒子速度矩阵和排列结果信息进行循环迭代求解，确定非抢占式更新位置矩阵和非抢占式更新速度矩阵的步骤，具体包括：
根据所述非抢占式初始粒子位置矩阵对每个粒子进行模拟任务分配，得到模拟任务分配信息；
根据所述混合优先级任务排队对所述模拟任务分配信息进行排队，得到排列结果信息；
根据所述排列结果信息计算粒子的适应度，确定并记录种群最优位置信息、种群最优适应度、子种群最优位置信息和子种群最优适应度信息；
根据粒子位置更新公式对初始非抢占式初始粒子位置矩阵进行迭代更新；
根据随机扰动速度迭代公式对初始非抢占式初始粒子速度矩阵进行迭代更新；
若满足预设条件，则停止迭代，确定非抢占式更新位置矩阵和非抢占式更新速度矩阵。
2.根据权利要求1所述电力业务边缘计算任务分配方法，其特征在于，所述随机扰动速度迭代公式为：
Figure FDA0003403579400000021
Figure FDA0003403579400000022
其中，type＝1表示粒子为导航型粒子，type＝2表示粒子为探索型粒子；ω为粒子的惯性系数，c1为粒子的个人最优加速因子，c2为子种群最优加速因子，c3为种群最优加速因子，
Figure FDA0003403579400000023
为粒子在第i次迭代前的最优位置，
Figure FDA0003403579400000024
为第k个子种群在第i次迭代前的最优位置，
Figure FDA0003403579400000025
为种群在第i次迭代前的最优位置，r、r1、r2和r3为随机系数，取值在0到1之间。
3.根据权利要求1所述电力业务边缘计算任务分配方法，其特征在于，所述粒子位置更新公式具体为：
Figure FDA0003403579400000031
其中，xjq(i)为第q个任务的位置更新公式，r为[0,1]上的随机数。
4.根据权利要求1所述电力业务边缘计算任务分配方法，其特征在于，在所述获取非抢占式任务队列信息和边缘节点信息的步骤之前，所述方法包括：
获取待分配任务队列信息；
根据抢占式任务分配规则，确定抢占式任务队列信息和非抢占式任务队列信息。
5.一种电力业务边缘计算任务分配装置，其特征在于，包括：
获取模块，用于获取非抢占式任务队列信息和边缘节点信息，确定所述非抢占式任务队列信息对应的非抢占式初始粒子位置矩阵和非抢占式初始粒子速度矩阵；
排列模块，用于通过混合优先级任务排队算法对每个边缘节点信息上的非抢占式任务队列信息进行排列，得到每个边缘节点信息的排列结果信息；
分配模块，用于通过改进的离散粒子群算法对非抢占式初始粒子位置矩阵、非抢占式初始粒子速度矩阵和排列结果信息进行循环迭代求解，确定最优任务分配向量和最小平均时延信息；
其中，所述排列模块具体用于：
对所述非抢占式任务队列信息以截止时间进行排序，得到第一排序任务队列信息；
然后通过最早截止时间优先调度规则对所述第一排序任务队列信息进行调度处理，得到每个边缘节点信息的排列结果信息；
其中，所述获取模块，具体用于通过改进的离散粒子群算法将所述非抢占式任务队列信息转化为非抢占式初始粒子位置矩阵；
其中，通过改进的离散粒子群算法对非抢占式初始粒子位置矩阵、非抢占式初始粒子速度矩阵和排列结果信息进行循环迭代求解，确定非抢占式更新位置矩阵和非抢占式更新速度矩阵的步骤，具体包括：
根据所述非抢占式初始粒子位置矩阵对每个粒子进行模拟任务分配，得到模拟任务分配信息；
根据所述混合优先级任务排队对所述模拟任务分配信息进行排队，得到排列结果信息；
根据所述排列结果信息计算粒子的适应度，确定并记录种群最优位置信息、种群最优适应度、子种群最优位置信息和子种群最优适应度信息；
根据粒子位置更新公式对初始非抢占式初始粒子位置矩阵进行迭代更新；
根据随机扰动速度迭代公式对初始非抢占式初始粒子速度矩阵进行迭代更新；
若满足预设条件，则停止迭代，确定非抢占式更新位置矩阵和非抢占式更新速度矩阵。
6.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至4任一项所述电力业务边缘计算任务分配方法的步骤。
7.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至4任一项所述电力业务边缘计算任务分配方法的步骤。
CN201910651989.5A 2019-07-18 2019-07-18 一种电力业务边缘计算任务分配方法及装置 Active CN110570075B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910651989.5A CN110570075B (zh) 2019-07-18 2019-07-18 一种电力业务边缘计算任务分配方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910651989.5A CN110570075B (zh) 2019-07-18 2019-07-18 一种电力业务边缘计算任务分配方法及装置

Publications (2)

Publication Number Publication Date
CN110570075A CN110570075A (zh) 2019-12-13
CN110570075B true CN110570075B (zh) 2022-04-05

Family

ID=68773072

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910651989.5A Active CN110570075B (zh) 2019-07-18 2019-07-18 一种电力业务边缘计算任务分配方法及装置

Country Status (1)

Country Link
CN (1) CN110570075B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111241036B (zh) * 2020-01-21 2023-01-10 苏州浪潮智能科技有限公司 一种异步io数据处理方法、装置、设备及介质
CN111445111B (zh) * 2020-03-09 2022-10-04 国网江苏省电力有限公司南京供电分公司 一种基于边缘协同的电力物联网任务分配方法
CN111597025B (zh) * 2020-05-14 2024-02-09 行星算力(深圳)科技有限公司 一种边缘计算调度算法及系统
CN111967714A (zh) * 2020-07-13 2020-11-20 华南理工大学 一种边缘协同决策方法、系统、装置和存储介质
CN111949401B (zh) * 2020-07-31 2024-09-20 中国建设银行股份有限公司 一种任务分配方法和装置
CN112084026B (zh) * 2020-09-02 2024-05-17 国网河北省电力有限公司石家庄供电分公司 基于粒子群的低能耗边缘计算资源部署系统及方法
CN112469059B (zh) * 2020-12-08 2023-05-12 哈尔滨工业大学（深圳） 后到先服务通信系统、发射端设备、介质及信号处理方法
CN112926890B (zh) * 2021-03-31 2023-07-14 中国人民解放军国防科技大学 指挥控制装置及控制方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101320329A (zh) * 2008-07-08 2008-12-10 中国科学院软件研究所 一种基于任务优先级的抢占式人力资源配置方法和系统
TW201317896A (zh) * 2011-10-31 2013-05-01 Univ Nat Taiwan 具搶占功能的即時中斷處理系統及其方法
CN103294531A (zh) * 2012-03-05 2013-09-11 阿里巴巴集团控股有限公司 一种任务分配方法及系统
CN103970603A (zh) * 2014-05-21 2014-08-06 哈尔滨工程大学 一种基于多级反馈队列的事件注入引擎的任务调度方法
CN106293007A (zh) * 2016-08-16 2017-01-04 华中科技大学 一种支持非抢占实时任务集的节能调度方法
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
CN109510869A (zh) * 2018-11-22 2019-03-22 北京信息科技大学 一种基于边缘计算的物联网服务动态卸载方法及装置
CN109547555A (zh) * 2018-03-01 2019-03-29 重庆大学 基于公平性准则的非平衡边缘云网络接入与资源分配机制
CN109819047A (zh) * 2019-02-26 2019-05-28 吉林大学 一种基于激励机制的移动边缘计算资源分配方法
CN109976909A (zh) * 2019-03-18 2019-07-05 中南大学 边缘计算网络中基于学习的低延时任务调度方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101320329A (zh) * 2008-07-08 2008-12-10 中国科学院软件研究所 一种基于任务优先级的抢占式人力资源配置方法和系统
TW201317896A (zh) * 2011-10-31 2013-05-01 Univ Nat Taiwan 具搶占功能的即時中斷處理系統及其方法
CN103294531A (zh) * 2012-03-05 2013-09-11 阿里巴巴集团控股有限公司 一种任务分配方法及系统
CN103970603A (zh) * 2014-05-21 2014-08-06 哈尔滨工程大学 一种基于多级反馈队列的事件注入引擎的任务调度方法
CN106293007A (zh) * 2016-08-16 2017-01-04 华中科技大学 一种支持非抢占实时任务集的节能调度方法
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
CN109547555A (zh) * 2018-03-01 2019-03-29 重庆大学 基于公平性准则的非平衡边缘云网络接入与资源分配机制
CN109510869A (zh) * 2018-11-22 2019-03-22 北京信息科技大学 一种基于边缘计算的物联网服务动态卸载方法及装置
CN109819047A (zh) * 2019-02-26 2019-05-28 吉林大学 一种基于激励机制的移动边缘计算资源分配方法
CN109976909A (zh) * 2019-03-18 2019-07-05 中南大学 边缘计算网络中基于学习的低延时任务调度方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
A survey on the Edge Computing for the Internet of Things;Wei Yu等;《IEEE Access》;20171129;第6900-6919页 *
Secure communication architecture doe internet of things using smartphones and multi-access edge computing in environment monitoring;Mimoza Durresi 等;《Journal of Ambient Intelligence and Humanized Computing》;20180322;第1631-1640页 *
一种面向智能电网数据采集的传感器聚合布局构造算法;邱雪松;《电子与信息学报》;20151031;第37卷(第10期);第2411-2417页 *
边缘计算使能智慧电网;张聪;《大数据》;20190315;第5卷(第2期);第64-78页 *

Also Published As

Publication number Publication date
CN110570075A (zh) 2019-12-13

Similar Documents

Publication Publication Date Title
CN110570075B (zh) 一种电力业务边缘计算任务分配方法及装置
CN110851272B (zh) 基于吞噬的粒子群遗传混合算法的云任务调度方法
CN110717300B (zh) 面向电力物联实时在线监测业务的边缘计算任务分配方法
CN109561148B (zh) 边缘计算网络中基于有向无环图的分布式任务调度方法
CN113193984B (zh) 一种空天地一体化网络资源映射方法及系统
CN109829332B (zh) 一种基于能量收集技术的联合计算卸载方法及装置
CN112911016B (zh) 边端协同计算卸载方法及系统、电子设备和存储介质
CN113918314A (zh) 任务处理方法、边缘计算设备、计算机设备、介质
CN113641417B (zh) 一种基于分支定界法的车辆安全任务卸载方法
CN116541106B (zh) 计算任务卸载方法、计算设备及存储介质
CN112153145A (zh) 5g边缘环境下面向车联网的计算任务卸载方法及装置
CN117042047B (zh) 一种基于任务优先级的资源分配方法、装置、控制器及系统
CN114021507B (zh) 一种自动化集成电路并行仿真方法
CN115629865B (zh) 一种基于边缘计算的深度学习推理任务调度方法
CN110780986B (zh) 一种基于移动边缘计算的物联网任务调度方法及系统
CN113596106B (zh) 基于多边缘服务器协作的时延敏感型切片资源调度方法
CN112437449B (zh) 联合资源分配方法
CN112511652A (zh) 一种边缘计算下的合作计算任务分配方法
CN109450684B (zh) 一种网络切片系统物理节点容量扩充方法及装置
Wang et al. Multi-granularity decomposition for componentized multimedia applications based on graph clustering
CN112738225B (zh) 基于人工智能的边缘计算方法
CN112948087A (zh) 一种基于拓扑排序的任务调度方法及系统
CN113784395A (zh) 一种5g网络切片资源分配方法及系统
CN118113484B (zh) 一种资源调度方法、系统、存储介质及车辆
CN116401071B (zh) 一种用于边缘计算的资源分配方法及系统

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