CN111445125B - 农业机器人计算任务协同方法、系统、介质和设备 - Google Patents

农业机器人计算任务协同方法、系统、介质和设备 Download PDF

Info

Publication number
CN111445125B
CN111445125B CN202010218480.4A CN202010218480A CN111445125B CN 111445125 B CN111445125 B CN 111445125B CN 202010218480 A CN202010218480 A CN 202010218480A CN 111445125 B CN111445125 B CN 111445125B
Authority
CN
China
Prior art keywords
computing
task
calculation
network
robot
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
CN202010218480.4A
Other languages
English (en)
Other versions
CN111445125A (zh
Inventor
李小敏
朱立学
马稚昱
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.)
Zhongkai University of Agriculture and Engineering
Original Assignee
Zhongkai University of Agriculture and Engineering
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 Zhongkai University of Agriculture and Engineering filed Critical Zhongkai University of Agriculture and Engineering
Priority to CN202010218480.4A priority Critical patent/CN111445125B/zh
Publication of CN111445125A publication Critical patent/CN111445125A/zh
Application granted granted Critical
Publication of CN111445125B publication Critical patent/CN111445125B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06Q10/10—Office automation; Time management
    • G06Q10/103—Workflow collaboration or project management
    • 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
    • G06Q50/02—Agriculture; Fishing; Forestry; Mining
    • 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)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Biophysics (AREA)
  • General Business, Economics & Management (AREA)
  • Biomedical Technology (AREA)
  • Software Systems (AREA)
  • Marketing (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Quality & Reliability (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Educational Administration (AREA)
  • Evolutionary Biology (AREA)
  • Animal Husbandry (AREA)
  • Mining & Mineral Resources (AREA)
  • Primary Health Care (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Agronomy & Crop Science (AREA)
  • Game Theory and Decision Science (AREA)

Abstract

本发明公开了一种农业机器人计算任务协同方法、系统、介质和设备，该方法的主要步骤如下：准备阶段：首先，通过无线网络、有线网络将机器人、边缘服务器、云端服务器连接起来，构建一个网络化的计算网络；基于农业机器人计算任务，采用大数据特征提取方法，获得计算任务的关键特征；然后，在云端服务器对计算任务进行分类；接着采用神经网络算法构建计算资源、计算任务与任务执行时间、精度等参数之间的数学模型。工作阶段：当一个计算任务出现时，采用准备阶段中的分类和神经网络模型，对计算任务进行分类、参数预测，采用(基于分类，预测参数进行评分)评分方法选择并组合当前任务计算子网络，在边缘服务器端，将任务分解，分发给计算子网络节点。最后，将计算结果在其中边缘服务器进行合并。

Description

农业机器人计算任务协同方法、系统、介质和设备
技术领域
本发明涉及农业信息的技术领域，具体涉及一种农业机器人计算任务协同方法、系统、介质和设备。
背景技术
机器人技术作为引领世界未来的颠覆性技术，正在创造新产业、新业态，推动社会生产、消费与应用向智能化转变，进而深刻改变人类社会生活、改变世界。农业成为主要大国发展的重大战略，精准农业、智慧农业等孕育而生。因此农业机器人在农情获取、水果采摘、粮食收割等发挥着积极的作用。随着智慧农业、精准农业的不断发展，越来越多的农业机器人融入农业生产、农业田间管理等环境中。与之同时，一方面，农业机器人需要完成的计算任务越来越多、越来越复杂(诸如图像处理、人工智能分类、运动控制等层面的计算问题)；另一方面，单个农业机器人的计算资源有限。因此，如何基于现有的计算资源，在规定的时间范围完成复杂的计算任务成为当前急需解决的关键问题。
基于此问题，研究者提出了不同的策略与方法。专利“一种基于边缘计算和云计算协同进行计算任务卸载的方法(201811432544.X)”提供一种基于边缘计算和云计算协同进行计算任务卸载的方法，定义最优分配问题并转换为凸优化问题；引入拉格朗日函数求满足KKT约束条件下终端本机、边缘节点及远端云的任务执行量的最优解，使每一个移动终端根据各自对应求最优解所得的终端本机、边缘节点及远端云的任务执行量进行调整及执行。专利“基于云计算的智能交互机器人系统(201710115140.7)”提供了基于云计算的智能交互机器人系统，包括云服务平台、机器人本体、至少一个它体机器人和定位导航模块。专利“边缘计算与云计算协同的智能工厂自动化系统体系架构(201711476777.5)”涉及一种边缘计算与云计算协同的智能工厂自动化体系架构，该系统架构共有五层，从下往上依次为数据采集层、数据高并发接入层、边缘计算处理层、工业SDN网络层和云计算处理层。
但是，上述文献与相关技术提供机器人计算方面的技术，基于单体机器人对计算任务、分配等提供了优化技术，针对农业环境下多个机器人任务协同的方法和技术偏少。少量的计算协同技术与方法，多基于自上而下的视角对云计算与边缘计算之间的计算协同近研究。农业环境下多数任务有下端的机器人发起，为此需要研究基于农业机器人计算任务的协同偏少。
发明内容
为克服现有技术存在的缺陷及不足，本发明提供一种农业机器人计算任务协同方法，根据机器人的特性与功能，动态进行引入其他计算资源合理、高效地完成计算任务。
本发明的第二目的在于，提供一种农业机器人计算任务协同系统；
本发明的第三目的在于，提供一种农业机器人计算任务协同方法的存储介质。
本发明的第四目的在于，提供一种农业机器人计算任务协同方法的存储终端。
为了达到上述第一目的，本发明采用以下技术方案：
一种农业机器人计算任务协同方法，包括下述步骤：
通过网络将农业机器人、边缘服务器以及云服务器构建计算网络；
将农业机器人放置于农业环境中运行一段时间，获取各种计算任务的相关参数；
将计算任务的相关参数发往边缘服务器，边缘服务器按照计算任务的参数，采用层次聚类对计算任务进行分类；
在边缘服务器端，采用特征过滤方法，提取计算任务的关键特征；
在云服务器端，以计算任务类型以及其关键特征为输入，计算时间与精度为输出，采用BP神经网络，构建计算任务模型；
当计算任务出现时，农业机器人将附近可用的计算资源进行清点，将计算任务分解为多个子任务；
将计算子任务与可用计算资源进行组合；
采用已经训练好的BP神经网络对不同组合的资源进行计算时间与精度的预测模型；
根据预测的计算时间与精度对不通组合进行评分；
选择评分最优的组合完成当前计算任务。
作为优选的技术方案，所述计算任务的模型具体为：
假设有n个计算任务样本包含m个特征，计算任务分类算法描述如下：
将每个样本归为一类,共得到n类,每类仅包含一个样本，类与类之间的距离就是它们所包含的样本之间的欧式距离；
找到最接近的两个类并合并成一类,于是总的类数少了一个；
重新计算新的类与所有旧类之间的距离；
计算重新分类后类与类之间的平均距离；
如果平均距离增大重复上述步骤,如果平均距离减小停止分类。
输出每个分类及特征的平均值。
作为优选的技术方案，所述预测模型具体为：
针对云服务器中的数据库中存储的计算任务类型及其他特征数据，进行数据转换，得到规范化的计算任务数据表；
网络初始化：给各连接权重赋一个区间为[-1,1]内的随机数，设定误差函数e，设定计算精度和最大学习次数；
随机选取：随机选取第i个训练样本以及对应的期望输出；
隐含层计算：计算隐含层各神经元的输入和输出；
求偏导数：利用网络期望输出和实际输出，计算误差函数对输出层的各神经元的偏导数；
修正权值：利用输出层各神经元的偏导数和隐含层各神经元的输出来修正链接权值；
修正权值：利用隐含层各神经元的偏导数和输入层各神经元的输入修正链接权值；
计算全局误差：在修正过模型的连接权重之后重新计算新的模型的全局误差；
判断模型合理性：判断当前模型是否满足要求，否则，选择下一个随机学习样本以及对应的期望输出，执行下一次学习。
作为优选的技术方案，所述将计算子任务与可用计算资源进行组合，具体为：
构建计算子任务与计算资源的映射，每一个计算资源可完成计算任务是有一定的上限，同时有些计算资源是不能完成某些子任务；
将子任务分解为n个，计算资源有农业机器人和边缘服务器，根据不同的认为，农业机器人匹配相应的边缘服务器执行对应的任务。
作为优选的技术方案，进行评分的规则为：
以计算时间，计算精度，计算占有的资源，比重分别为30％，30％，40％；
计算时间满足条件：100分，不满足0分。
计算精度按照：
Figure BDA0002425237460000051
计算占用资源评分。
作为优选的技术方案，还包括下述步骤：
将所有计算资源抽象为计算节点，当在该时间段内某个机器人需要在特定的时间内完成计算任务时，任务机器人在周期t初始时刻，相关全网广播计算子网络系统请求信息，该信息包括进行入该计算子网系统的基本评分条件；
计算网络节点接收到信息后，依照统一的基本评分标准，完成评分；满足评分条件的计算网络节点将反馈信息，发送给计算任务机器人
计算任务计算机器人，将满足条件的网络计算节点存储在本地系统。
作为优选的技术方案，还包括下述步骤：
任务机器人基于历史数据和当前任务相关关键参数对计算任务进行分类，并基于任务类型当前本地计算资源、计算环境等对完成任务计算的时间进行粗略估算。
依照计算时间，选择并组合参与该次计算的网络计算节点；
当完成计算节点选择与组合后，任务计算节点将计算任务划分为计算任务分解、分布计算、计算结果合并等步骤，完成任务计算；
任务计算机器人动态选择一个网络计算节点用于任务分解与计算结果合并
分解后的子任务被通过通信网络分发给选择的计算节点，最终完成任务计算。
为了达到上述第二目的，本发明采用以下技术方案：
一种农业机器人计算任务协同系统，包括计算任务相关参数获取模块、计算任务分类模块、关键特征提取模块、计算任务模型构建模块、任务分解模块、资源组合模块、预测模块以及评分模块；
所述计算任务相关参数获取模块，用于将农业机器人放置于农业环境中运行一段时间，获取各种计算任务的相关参数；
所述计算任务分类模块，用于将计算任务的相关参数发往边缘服务器，边缘服务器按照计算任务的参数，采用层次聚类对计算任务进行分类；
所述关键特征提取模块，用于在边缘服务器端，采用特征过滤方法，提取计算任务的关键特征；
所述计算任务模型构建模块，用于在云服务器端，以计算任务类型以及其关键特征为输入，计算时间与精度为输出，采用BP神经网络，构建计算任务模型；
所述任务分解模块，用于当计算任务出现时，农业机器人将附近可用的计算资源进行清点，将计算任务分解为多个子任务；
所述资源组合模块，用于将计算子任务与可用计算资源进行组合；
所述预测模块，用于采用已经训练好的BP神经网络对不同组合的资源进行计算时间与精度的预测；
所述评分模块，用于根据预测的计算时间与精度对不通组合进行评分，选择评分最优的组合完成当前计算任务。
为了达到上述第三目的，本发明采用以下技术方案：
一种存储介质，存储有程序，所述程序被处理器执行时实现上述农业机器人计算任务协同方法。
为了达到上述第四目的，本发明采用以下技术方案：
一种计算设备，包括处理器和用于存储处理器可执行程序的存储器，所述处理器执行存储器存储的程序时，实现上述农业机器人计算任务协同方法。
本发明与现有技术相比，具有如下优点和有益效果：
本发明在农业机器人计算协同的过程，引入大数据、神经网络等方法，对计算任务进行了分类、关键特征提取、计算时间与精度预测等处理，因此在后期的计算任务协同中，可以更好的选择与组合计算资源。与之同时，采用综合评分等方法可以更加合理的进行计算协同。
附图说明
图1为本发明的农业机器人计算任务协同方法流程示意图；
图2为本发明的计算子任务与计算资源进行组合示意图；
图3是本发明的农业机器人计算任务协同系统的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
实施例
所述的农业机器人，由计算单元、数据存储器、通信模块、执行机构等构成。同时，所述的机器人计算协同系统分为机器人、边缘服务器、云服务器三个层面。基于计算资源的视角整个机器人计算资源分为机器人本体计算资源、机器人邻居群计算资源、边缘服务器计算资源、云服务器计算资源。所述的机器人计算协同系统，通过各个组件的通信模块连接起来，形成一个计算协同网络。
如图1所示，本发明一种农业机器人计算任务协同方法，包括下述步骤：
S100、通过网络将农业机器人、边缘服务器以及云服务器构建计算网络；
S200、将农业机器人放置于农业环境中运行一段时间，获取各种计算任务的相关参数；
S300、将计算任务的相关参数发往边缘服务器，边缘服务器按照计算任务的参数，采用层次聚类对计算任务进行分类；
S400、在边缘服务器端，采用特征过滤方法，提取计算任务的关键特征；
S500、在云服务器端，以计算任务类型以及其关键特征为输入，计算时间与精度为输出，采用BP神经网络，构建计算任务模型；
所述计算任务的模型具体为：
假设有n个计算任务样本包含m个特征，计算任务分类算法描述如下：
S501、将每个样本归为一类,共得到n类,每类仅包含一个样本，类与类之间的距离就是它们所包含的样本之间的欧式距离；
S502、找到最接近的两个类并合并成一类,于是总的类数少了一个；
S503、重新计算新的类与所有旧类之间的距离；
S504、计算重新分类后类与类之间的平均距离；
S505、如果平均距离增大重复上述步骤,如果平均距离减小停止分类。
S506、输出每个分类及特征的平均值。
S600、当计算任务出现时，农业机器人将附近可用的计算资源进行清点，将计算任务分解为多个子任务；
S700、将计算子任务与可用计算资源进行组合；具体为：
构建计算子任务与计算资源的映射，每一个计算资源可完成计算任务是有一定的上限，同时有些计算资源是不能完成某些子任务；
将子任务分解为n个，计算资源有农业机器人和边缘服务器，根据不同的认为，农业机器人匹配相应的边缘服务器执行对应的任务。
如图2所示：子任务可以分解为3个(记为1,2,3)，计算资源有3个(A,B,C)，其中A为机器人，B,C为边缘服务器。同时，A，不能执行1号任务。A可执行的子任务上限为1个，B,C可执行的子任务上限为4个。
其组合可以如下图：1-B,2-B,3-B；1-C,2-C,3-C；1-B,2-B,3-C；1-B,2-B,3-A；1-B,2-C,3-C；1-B,2-A,3-C……。
S800、采用已经训练好的BP神经网络对不同组合的资源进行计算时间与精度的预测模型；
所预测模型具体为：
S801、针对云服务器中的数据库中存储的计算任务类型及其他特征数据，进行数据转换，得到规范化的计算任务数据表；
S802、网络初始化：给各连接权重赋一个区间为[-1,1]内的随机数，设定误差函数e，设定计算精度和最大学习次数；
S803、随机选取：随机选取第i个训练样本以及对应的期望输出；
S804、隐含层计算：计算隐含层各神经元的输入和输出；
S805、求偏导数：利用网络期望输出和实际输出，计算误差函数对输出层的各神经元的偏导数；
S806、修正权值：利用输出层各神经元的偏导数和隐含层各神经元的输出来修正链接权值；
S807、修正权值：利用隐含层各神经元的偏导数和输入层各神经元的输入修正链接权值；
S808、计算全局误差：在修正过模型的连接权重之后重新计算新的模型的全局误差；
S809、判断模型合理性：判断当前模型是否满足要求，否则，选择下一个随机学习样本以及对应的期望输出，执行下一次学习。
S900、根据预测的计算时间与精度对不通组合进行评分，选择评分最优的组合完成当前计算任务。
进一步的，进行评分的规则为：
S901、以计算时间，计算精度，计算占有的资源，比重分别为30％，30％，40％；
S902、计算时间满足条件：100分，不满足0分。
计算精度按照：
Figure BDA0002425237460000101
3)计算占有资源评分：
机器人：50分
边缘服务：80分
云服务器：40分
例如，一个计算任务，分为8个子任务。机器人2个，边缘服务器4个，云服务器2个，计算资源综合得分为：
(50*2+80*4+2*40)/8＝62.5
综合，假设一个计算组合，通过预测时间满足条件，计算精度得分为90，计算资源得分为62.5，则该组合的综合得分为：
100*0.3+90*0.3+62.5*0.4＝82分。
更为具体的，在某个时间段内基于空间位置农业机器人通过无线通信模块(诸如WIFI)与其他模块形成，网络拓扑结构稳定的计算协同网络。如图1所示，首先，让农业机器人在农业环境中，诸如(大田，温室等)运行一段时间(诸如几个周期)并将农业机器人的计算任务的相关参数数据通过无线通信网络系统发送给服务器(边缘服务器、云服务器)。然后，服务器采用相关分类算法(贝叶斯、支持向量机等)对农业机器人任务进行分类，并通过神经网络构建任务类型、任务参数等作为输入，计算精度，计算时间作为输出的计算任务预测模型。即通过该预测模型，输入任务类型与相关任务参数可以得到计算时间等指标。与之同时，为了方便后期农业机器人在对计算任务进行分类，方便后期处理；在云服务器端采用大数据中的关键特征等分析方法，进而得出不同任务的关键特征参数。
完成上述步骤后，从网络视角，将所有计算资源抽象为计算节点。当在该时间段内某个机器人需要在特定的时间内(t)完成计算任务时，任务机器人在周期t初始时刻，相关全网广播计算子网络系统请求信息，该信息包括进行入该计算子网系统的基本评分条件(该评分标准依照多种参数，诸如与当前任务机器人之间网络跳数、带宽、当前剩余计算资源等)。然后，计算网络节点接收到信息后，依照统一的基本评分标准，完成评分；满足评分条件的计算网络节点将反馈信息(该信息包含，计算网络节点的编号、计算评分、计算资源相关参数等)，发送给计算任务机器人。接着，计算任务计算机器人，将满足条件的网络计算节点存储在本地系统。首先，任务机器人基于历史数据和当前任务相关关键参数对计算任务进行分类，并基于任务类型当前本地(任务机器人)计算资源、计算环境等对完成任务计算的时间进行粗略估算。依照计算时间，选择并组合参与该次计算的网络计算节点。通常来讲，可以依照网络节点的计算评分，从优到差的顺序进行选择与组合。当完成计算节点选择与组合后，任务计算节点将计算任务划分为计算任务分解、分布计算、计算结果合并等步骤，完成任务计算。依照上述步骤，任务计算机器人动态选择一个网络计算节点用于任务分解与计算结果合并。完成上述步骤后，分解后的子任务被通过通信网络分发给选择的计算节点，最终完成任务计算。
应当注意，尽管在附图中以特定顺序描述了上述实施例的方法操作，但是这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。相反，描绘的步骤可以改变执行顺序。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。
实施例2
如图3所示，本实施例的一种农业机器人计算任务协同系统，包括计算任务相关参数获取模块1、计算任务分类模块2、关键特征提取模块3、计算任务模型构建模块4、任务分解模块5、资源组合模块6、预测模块7以及评分模块8。
所述计算任务相关参数获取模块1，用于将农业机器人放置于农业环境中运行一段时间，获取各种计算任务的相关参数。
所述计算任务分类模块2，用于将计算任务的相关参数发往边缘服务器，边缘服务器按照计算任务的参数，采用层次聚类对计算任务进行分类。
所述关键特征提取模块3，用于在边缘服务器端，采用特征过滤方法，提取计算任务的关键特征。
所述计算任务模型构建模块4，用于在边缘服务器端，以计算任务类型以及其关键特征为输入，计算时间与精度为输出，采用BP神经网络，构建计算任务模型；
所述任务分解模块5，用于当计算任务出现时，农业机器人将附近可用的计算资源进行清点，将计算任务分解为多个子任务。
所述资源组合模块6，用于将计算子任务与可用计算资源进行组合。
所述预测模块7，用于采用已经训练好的BP神经网络对不同组合的资源进行计算时间与精度的预测。
所述评分模块8，用于根据预测的计算时间与精度对不通组合进行评分，选择评分最优的组合完成当前计算任务。
更进一步的，所述计算任务模型构建模块4的工作过程具体为：
假设有n个计算任务样本包含m个特征，计算任务分类算法描述如下：
将每个样本归为一类,共得到n类,每类仅包含一个样本，类与类之间的距离就是它们所包含的样本之间的欧式距离；
找到最接近的两个类并合并成一类,于是总的类数少了一个；
重新计算新的类与所有旧类之间的距离；
计算重新分类后类与类之间的平均距离；
如果平均距离增大重复上述步骤,如果平均距离减小停止分类。
输出每个分类及特征的平均值。
更进一步的，所述预测模型模块7具体为：
针对云服务器中的数据库中存储的计算任务类型及其他特征数据，进行数据转换，得到规范化的计算任务数据表；
网络初始化：给各连接权重赋一个区间为[-1,1]内的随机数，设定误差函数e，设定计算精度和最大学习次数；
随机选取：随机选取第i个训练样本以及对应的期望输出；
隐含层计算：计算隐含层各神经元的输入和输出；
求偏导数：利用网络期望输出和实际输出，计算误差函数对输出层的各神经元的偏导数；
修正权值：利用输出层各神经元的偏导数和隐含层各神经元的输出来修正链接权值；
修正权值：利用隐含层各神经元的偏导数和输入层各神经元的输入修正链接权值；
计算全局误差：在修正过模型的连接权重之后重新计算新的模型的全局误差；
判断模型合理性：判断当前模型是否满足要求，否则，选择下一个随机学习样本以及对应的期望输出，执行下一次学习。
本实施例中各个模块的具体实现可以参见上述实施例1，在此不再一一赘述；需要说明的是，本实施例提供的系统仅以上述各功能模块的划分进行举例说明，在实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。
实施例3
本实施例提供一种存储介质，该存储介质为计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时，实现上述实施例1的农业机器人计算任务协同方法，具体如下：
通过网络将农业机器人、边缘服务器以及云服务器构建计算网络；
将农业机器人放置于农业环境中运行一段时间，获取各种计算任务的相关参数；
将计算任务的相关参数发往边缘服务器，边缘服务器按照计算任务的参数，采用层次聚类对计算任务进行分类；
在边缘服务器端，采用特征过滤方法，提取计算任务的关键特征；
在云服务器端，以计算任务类型以及其关键特征为输入，计算时间与精度为输出，采用BP神经网络，构建计算任务模型；
当计算任务出现时，农业机器人将附近可用的计算资源进行清点，将计算任务分解为多个子任务；
将计算子任务与可用计算资源进行组合；
采用已经训练好的BP神经网络对不同组合的资源进行计算时间与精度的预测模型；
根据预测的计算时间与精度对不通组合进行评分；
选择评分最优的组合完成当前计算任务。
本实施例的存储介质可以是ROM、RAM、磁盘、光盘等储存介质。
实施例4
本实施例还提供一种计算设备，该计算设备包括该计算设备包括处理器和存储器，存储器存储有一个或多个程序，处理器执行存储器存储的程序时，实现上述实施例1的农业机器人计算任务协同方法，具体为：
通过网络将农业机器人、边缘服务器以及云服务器构建计算网络；
将农业机器人放置于农业环境中运行一段时间，获取各种计算任务的相关参数；
将计算任务的相关参数发往边缘服务器，边缘服务器按照计算任务的参数，采用层次聚类对计算任务进行分类；
在边缘服务器端，采用特征过滤方法，提取计算任务的关键特征；
在云服务器端，以计算任务类型以及其关键特征为输入，计算时间与精度为输出，采用BP神经网络，构建计算任务模型；
当计算任务出现时，农业机器人将附近可用的计算资源进行清点，将计算任务分解为多个子任务；
将计算子任务与可用计算资源进行组合；
采用已经训练好的BP神经网络对不同组合的资源进行计算时间与精度的预测模型；
根据预测的计算时间与精度对不通组合进行评分；
选择评分最优的组合完成当前计算任务。
本实施例所述的计算设备可以是台式电脑、笔记本电脑、智能手机、PDA手持终端、平板电脑或其他具有显示功能的终端设备。
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (8)

1.一种农业机器人计算任务协同方法，其特征在于，包括下述步骤：
通过网络将农业机器人、边缘服务器以及云服务器构建计算网络；
将农业机器人放置于农业环境中运行一段时间，获取各种计算任务的相关参数；
将计算任务的相关参数发往边缘服务器，边缘服务器按照计算任务的参数，采用层次聚类对计算任务进行分类；
在边缘服务器端，采用特征过滤方法，提取计算任务的关键特征；
在云服务器端，以计算任务类型以及其关键特征为输入，计算时间与精度为输出，采用BP神经网络，构建计算任务模型；
当计算任务出现时，农业机器人将附近可用的计算资源进行清点，将计算任务分解为多个子任务；
将计算子任务与可用计算资源进行组合，具体为：
构建计算子任务与计算资源的映射，每一个计算资源可完成计算任务是有一定的上限，同时有些计算资源是不能完成某些子任务；
将子任务分解为n个，计算资源有农业机器人和边缘服务器，根据不同的任务，农业机器人匹配相应的边缘服务器执行对应的任务；
构建预测模型，所述预测模型的输入为通过神经网络构建的任务类型和任务参数，输出为计算精度和计算时间；通过该预测模型，输入任务类型与相关任务参数得到预测的计算精度和计算时间；
所述预测模型具体为：
针对云服务器中的数据库中存储的计算任务类型及其他特征数据，进行数据转换，得到规范化的计算任务数据表；
网络初始化：给各连接权重赋一个区间为[-1,1]内的随机数，设定误差函数e，设定计算精度和最大学习次数；
随机选取：随机选取第i个训练样本以及对应的期望输出；
隐含层计算：计算隐含层各神经元的输入和输出；
求偏导数：利用网络期望输出和实际输出，计算误差函数对输出层的各神经元的偏导数；
修正权值：利用输出层各神经元的偏导数和隐含层各神经元的输出来修正链接权值；
修正权值：利用隐含层各神经元的偏导数和输入层各神经元的输入修正链接权值；
计算全局误差：在修正过模型的连接权重之后重新计算新的模型的全局误差；
判断模型合理性：判断当前模型是否满足要求，否则，选择下一个随机学习样本以及对应的期望输出，执行下一次学习；
根据预测的计算时间与精度对不同组合进行评分；
选择评分最优的组合完成当前计算任务。
2.根据权利要求1所述农业机器人计算任务协同方法，其特征在于，所述计算任务的模型具体为：
假设有n个计算任务样本包含m个特征，计算任务分类算法描述如下：
将每个样本归为一类, 共得到n类, 每类仅包含一个样本， 类与类之间的距离就是它们所包含的样本之间的欧式距离；
找到最接近的两个类并合并成一类, 于是总的类数少了一个；
重新计算新的类与所有旧类之间的距离；
计算重新分类后类与类之间的平均距离；
如果平均距离增大重复上述步骤, 如果平均距离减小停止分类；
输出每个分类及特征的平均值。
3.根据权利要求1所述农业机器人计算任务协同方法，其特征在于，进行评分的规则为：
以计算时间，计算精度，计算占有的资源，比重分别为 30%， 30%， 40%；
计算时间满足条件：100分，不满足 0分；
计算精度按照：
；
计算占用资源评分。
4.根据权利要求1所述农业机器人计算任务协同方法，其特征在于，还包括下述步骤：
 将所有计算资源抽象为计算节点，当在该时间段内某个机器人需要在特定的时间内完成计算任务时，任务机器人在周期t初始时刻，相关全网广播计算子网络系统请求信息，该信息包括进行入该计算子网系统的基本评分条件；
计算网络节点接收到信息后，依照统一的基本评分标准，完成评分；满足评分条件的计算网络节点将反馈信息，发送给计算任务机器人
计算任务计算机器人，将满足条件的网络计算节点存储在本地系统。
5.根据权利要求1所述农业机器人计算任务协同方法，其特征在于，还包括下述步骤：
任务机器人基于历史数据和当前任务相关关键参数对计算任务进行分类，并基于任务类型当前本地计算资源、计算环境等对完成任务计算的时间进行粗略估算；
依照计算时间，选择并组合参与该次计算的网络计算节点；
当完成计算节点选择与组合后，任务计算节点将计算任务划分为计算任务分解、分布计算、计算结果合并等步骤，完成任务计算；
任务计算机器人动态选择一个网络计算节点用于任务分解与计算结果合并
分解后的子任务被通过通信网络分发给选择的计算节点，最终完成任务计算。
6.一种农业机器人计算任务协同系统，其特征在于，包括计算任务相关参数获取模块、计算任务分类模块、关键特征提取模块、计算任务模型构建模块、任务分解模块、资源组合模块、预测模块以及评分模块；
所述计算任务相关参数获取模块，用于将农业机器人放置于农业环境中运行一段时间，获取各种计算任务的相关参数；
所述计算任务分类模块，用于将计算任务的相关参数发往边缘服务器，边缘服务器按照计算任务的参数，采用层次聚类对计算任务进行分类；
所述关键特征提取模块，用于在边缘服务器端，采用特征过滤方法，提取计算任务的关键特征；
所述计算任务模型构建模块，用于在云服务器端，以计算任务类型以及其关键特征为输入，计算时间与精度为输出，采用BP神经网络，构建计算任务模型；
所述任务分解模块，用于当计算任务出现时，农业机器人将附近可用的计算资源进行清点，将计算任务分解为多个子任务；
所述资源组合模块，用于将计算子任务与可用计算资源进行组合，具体为：
构建计算子任务与计算资源的映射，每一个计算资源可完成计算任务是有一定的上限，同时有些计算资源是不能完成某些子任务；
将子任务分解为n个，计算资源有农业机器人和边缘服务器，根据不同的任务，农业机器人匹配相应的边缘服务器执行对应的任务；
所述预测模块，用于构建预测模型，所述预测模型的输入为通过神经网络构建的任务类型和任务参数，输出为计算精度和计算时间；通过该预测模型，输入任务类型与相关任务参数得到预测的计算精度和计算时间；
所述预测模型具体为：
针对云服务器中的数据库中存储的计算任务类型及其他特征数据，进行数据转换，得到规范化的计算任务数据表；
网络初始化：给各连接权重赋一个区间为[-1,1]内的随机数，设定误差函数e，设定计算精度和最大学习次数；
随机选取：随机选取第i个训练样本以及对应的期望输出；
隐含层计算：计算隐含层各神经元的输入和输出；
求偏导数：利用网络期望输出和实际输出，计算误差函数对输出层的各神经元的偏导数；
修正权值：利用输出层各神经元的偏导数和隐含层各神经元的输出来修正链接权值；
修正权值：利用隐含层各神经元的偏导数和输入层各神经元的输入修正链接权值；
计算全局误差：在修正过模型的连接权重之后重新计算新的模型的全局误差；
判断模型合理性：判断当前模型是否满足要求，否则，选择下一个随机学习样本以及对应的期望输出，执行下一次学习；
所述评分模块，用于根据预测的计算时间与精度对不同组合进行评分，选择评分最优的组合完成当前计算任务。
7.一种存储介质，存储有程序，其特征在于，所述程序被处理器执行时实现如权利要求1-5任一项所述的农业机器人计算任务协同方法。
8.一种计算设备，包括处理器和用于存储处理器可执行程序的存储器，其特征在于，所述处理器执行存储器存储的程序时，实现权利要求1-5任一项所述的农业机器人计算任务协同方法。
CN202010218480.4A 2020-03-25 2020-03-25 农业机器人计算任务协同方法、系统、介质和设备 Active CN111445125B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010218480.4A CN111445125B (zh) 2020-03-25 2020-03-25 农业机器人计算任务协同方法、系统、介质和设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010218480.4A CN111445125B (zh) 2020-03-25 2020-03-25 农业机器人计算任务协同方法、系统、介质和设备

Publications (2)

Publication Number Publication Date
CN111445125A CN111445125A (zh) 2020-07-24
CN111445125B true CN111445125B (zh) 2023-04-07

Family

ID=71655669

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010218480.4A Active CN111445125B (zh) 2020-03-25 2020-03-25 农业机器人计算任务协同方法、系统、介质和设备

Country Status (1)

Country Link
CN (1) CN111445125B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113905070B (zh) * 2021-09-29 2023-12-01 兴容(上海)信息技术股份有限公司 一种服务提供方法和系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104239194A (zh) * 2014-09-12 2014-12-24 上海交通大学 基于bp神经网络的任务完成时间预测方法
CN104809069A (zh) * 2015-05-11 2015-07-29 中国电力科学研究院 一种基于集成神经网络的源代码漏洞检测方法
CN105976049A (zh) * 2016-04-28 2016-09-28 武汉宝钢华中贸易有限公司 基于混沌神经网络的库存预测模型及其构造方法
CN108288115A (zh) * 2018-03-15 2018-07-17 安徽大学 一种物流企业日常短期快递业务量预测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104239194A (zh) * 2014-09-12 2014-12-24 上海交通大学 基于bp神经网络的任务完成时间预测方法
CN104809069A (zh) * 2015-05-11 2015-07-29 中国电力科学研究院 一种基于集成神经网络的源代码漏洞检测方法
CN105976049A (zh) * 2016-04-28 2016-09-28 武汉宝钢华中贸易有限公司 基于混沌神经网络的库存预测模型及其构造方法
CN108288115A (zh) * 2018-03-15 2018-07-17 安徽大学 一种物流企业日常短期快递业务量预测方法

Also Published As

Publication number Publication date
CN111445125A (zh) 2020-07-24

Similar Documents

Publication Publication Date Title
Rizk et al. Decision making in multiagent systems: A survey
CN111625361B (zh) 一种基于云端服务器和IoT设备协同的联合学习框架
Chen et al. Mean field deep reinforcement learning for fair and efficient UAV control
CN109116349B (zh) 多传感器协同跟踪联合优化决策方法
Fernandez-Marquez et al. Description and composition of bio-inspired design patterns: a complete overview
Kao et al. An ACO-based clustering algorithm
CN110515732B (zh) 一种基于资源受限机器人深度学习推理的任务分配方法
CN114415735B (zh) 面向动态环境的多无人机分布式智能任务分配方法
CN113743479B (zh) 端-边-云车路协同融合感知架构及其构建方法
Mnasri et al. A new multi-agent particle swarm algorithm based on birds accents for the 3D indoor deployment problem
CN114510012A (zh) 一种基于元动作序列强化学习的无人集群演进系统及方法
Agarwal et al. A hybrid genetic algorithm and particle swarm optimization with type-2 fuzzy sets for generating systems of systems architectures
CN111445125B (zh) 农业机器人计算任务协同方法、系统、介质和设备
Albert et al. Survey: mobile sensor networks for target searching and tracking
Zhang et al. A bilevel task allocation method for heterogeneous multi-UUV recovery system
Akselrod et al. Information flow control for collaborative distributed data fusion and multisensor multitarget tracking
Chen et al. Minimizing return gaps with discrete communications in decentralized pomdp
CN115809751B (zh) 一种基于强化学习的两阶段多机器人环境覆盖方法及系统
Zhao et al. An optimization method for satellite data structure design based on improved ant colony algorithm
Wang et al. Multi-objects scalable coordinated learning in internet of things
Naderi et al. A Mapping and State-of-the-Art Survey on Multi-Objective Optimization Methods for Multi-Agent Systems
Prado et al. Flexible fuzzy rule bases evolution with swarm intelligence for meta-scheduling in grid computing
Sari et al. Recent research in finding the optimal path by ant colony optimization
Ding et al. Distributed computing in cyber-physical intelligence: Robotic perception as an example
Schut et al. What is situated evolution?

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