CN111488208A - 基于可变步长蝙蝠算法的边云协同计算节点调度优化方法 - Google Patents

基于可变步长蝙蝠算法的边云协同计算节点调度优化方法 Download PDF

Info

Publication number
CN111488208A
CN111488208A CN202010204771.8A CN202010204771A CN111488208A CN 111488208 A CN111488208 A CN 111488208A CN 202010204771 A CN202010204771 A CN 202010204771A CN 111488208 A CN111488208 A CN 111488208A
Authority
CN
China
Prior art keywords
edge
algorithm
variable
bat algorithm
bat
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
Application number
CN202010204771.8A
Other languages
English (en)
Other versions
CN111488208B (zh
Inventor
简琤峰
平靖
张美玉
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.)
Zhejiang University of Technology ZJUT
Original Assignee
Zhejiang University of Technology ZJUT
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 Zhejiang University of Technology ZJUT filed Critical Zhejiang University of Technology ZJUT
Priority to CN202010204771.8A priority Critical patent/CN111488208B/zh
Publication of CN111488208A publication Critical patent/CN111488208A/zh
Application granted granted Critical
Publication of CN111488208B publication Critical patent/CN111488208B/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
    • G06F9/48—Program initiating; Program switching, e.g. by interrupt
    • G06F9/4806—Task transfer initiation or dispatching
    • G06F9/4843—Task transfer initiation or dispatching by program, e.g. task dispatcher, supervisor, operating system
    • G06F9/485—Task life-cycle, e.g. stopping, restarting, resuming execution
    • G06F9/4856—Task life-cycle, e.g. stopping, restarting, resuming execution resumption being on a different machine, e.g. task migration, virtual machine migration
    • 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
    • G06F9/505—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 the load
    • 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]
    • G06F9/5061—Partitioning or combining of resources
    • G06F9/5072—Grid computing
    • 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]
    • G06F9/5083—Techniques for rebalancing the load in a distributed system
    • 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)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Multi Processors (AREA)
  • Computer And Data Communications (AREA)

Abstract

本发明涉及一种基于可变步长蝙蝠算法的边云协同计算节点调度优化方法，划分用户提交的加工任务后得到子任务长度的集合，匹配每个边缘服务器节点的边缘设备，定义运行时间评价函数后，利用可变步长蝙蝠算法，基于所述运行时间评价函数计算适应度的评价值，取最低值对应的调度方案为最优的调度方案。本发明在全局搜索产生随机解的过程中引入可变步长的策略来防止划分算子陷入早熟，并模拟自然环境对蝙蝠回声定位产生的影响，添加自然扰动因子、震荡新解来提高全局收敛能力，基于可变步长蝙蝠算法，通过引入可变步长策略和自然扰动因子从而改进原有算法，达到更好的效果；用户数越大，则算法的性能优势越高于其他算法。

Description

基于可变步长蝙蝠算法的边云协同计算节点调度优化方法
技术领域
本发明涉及电数字数据处理的技术领域，特别涉及一种基于可变步长蝙蝠算法的边云协同计算节点调度优化方法。
背景技术
随着5G时代的来临，边缘计算作为一种新兴的计算模型正快速发展。
在云计算调度系统中，可以在边缘端部署子任务调度系统，在网络边缘将子任务调度给边缘节点，可以有效地降低子任务数据传输的成本；但当计算任务受延迟约束时，采用云中心模式处理会影响任务处理的实时性；对于计算密集型任务，由于边缘设备的处理能力或数据存储容量不足，采用边缘计算模式运行会影响应用程序的性能和运行效率；所以，云边协同的调度问题也成为云计算调度系统设计需要考虑的因素，有效的协同调度策略可最大化实时任务的执行效率。
目前的大多数研究仍然在集中式云环境中进行，针对边云协同的调度研究较少，使用的方法以智能优化算法，如遗传算法、粒子群算法等，及基本调度算法，如Max-Min、轮询、加权轮询等为主。
发明内容
本发明解决了现有技术中存在的问题，提出了一种基于可变步长蝙蝠算法的边云协同计算节点调度优化方法，能计算得到最优的实时分配方案序列，优化目标则是最小化计算任务的执行时间以及边缘节点之间的最佳负载。
本发明的技术方案为，一种基于可变步长蝙蝠算法的边云协同计算节点调度优化方法，所述方法包括以下步骤：
步骤1：划分用户提交的加工任务，得到子任务长度的集合L，L＝{L1，L2，L3，…，Lx}，其中，Li为第i个子任务的长度，i为1至x间的整数；
步骤2：令每个边缘服务器节点的边缘设备Mips＝{M1，M2，M3，…，Mz}，其中，Mj表示第j个边缘服务器的计算能力，j为1至z间的整数；
步骤3：定义运行时间评价函数
Figure BDA0002420698250000021
其中，p为调度方案的序号；
步骤4：利用可变步长蝙蝠算法，基于所述运行时间评价函数计算适应度的评价值，取最低值对应的调度方案为最优的调度方案。
优选地，所述步骤1中，每个子任务包括当前子任务的任务长度、位置信息、所需的边缘设备的计算能力需求。
优选地，所述步骤2中，边缘服务器的计算能力基于负载衰减。
优选地，所述步骤3中，
Figure BDA0002420698250000022
其中，Ri表示第i个子任务所需的计算能力需求，
Figure BDA0002420698250000023
表示第k个边缘服务器节点的第j个边缘设备，
Figure BDA0002420698250000024
表示第k个边缘服务器节点的第j个边缘设备的计算能力，Di表示是第i个子任务上传云中心的数据延时，flagi表示第i个子任务是否上传到云中心，如果选择上传，则值为1，否则为0。
优选地，第i个子任务分配给第k个边缘服务器节点的第j个边缘设备为
Figure BDA0002420698250000025
Figure BDA0002420698250000026
优选地，所述步骤4包括以下步骤：
步骤4.1：初始化信息，初始化蝙蝠的位置信息xmn和速度信息vmn，其中，m代表种群中的第m个解，n代表第m个解中的第n个索引值；
步骤4.2：模拟蝙蝠的位置更新和速度更新，得到更新后的位置信息
Figure BDA0002420698250000031
及更新后的速度信息
Figure BDA0002420698250000032
Figure BDA0002420698250000033
其中，Qm＝Qmin+(Qmax-Qmin)×β，Qmax和Qmin分别为频率的最大和最小值，β∈[0，1]是服从均匀分布的随机数，t为迭代的时刻，x*是全局最优解；ω为-1到1之间的服从均匀分布的随机数，τ为扰动幅度；
步骤4.3：在根据步骤3中的时间评价函数确定一个解后，采用蝙蝠的随机游走产生一个新解
Figure BDA0002420698250000034
其中，ε∈[-1，1]，
Figure BDA0002420698250000035
是步长缩放因子，At是t时刻所有蝙蝠的平均响度；
步骤4.4：按照步骤3的时间评价函数公式计算得到的新的适应度评价值fnew；随机生成一个0到1之间的随机数rand，若rand小于响度Ai且fnew小于之前的适应度fi，则更新响度
Figure BDA0002420698250000036
和脉冲发射率
Figure BDA0002420698250000037
Figure BDA0002420698250000038
其中，α和γ为0到1间的随机数；以新的适应度评价值fnew为适应度fi；
步骤4.5：更新当前最佳状态并返回步骤4.2继续搜索迭代，直到终止标准。
优选地，所述步骤4.2中，τ∈(0，0.1]。
优选地，所述步骤4.3中，
Figure BDA0002420698250000039
其中，iter是迭代次数，itermax是最大迭代次数。
优选地，所述步骤4.4中，α和γ值为0.9。
本发明涉及一种基于可变步长蝙蝠算法的边云协同计算节点调度优化方法，划分用户提交的加工任务后得到子任务长度的集合，匹配每个边缘服务器节点的边缘设备，定义运行时间评价函数后，利用可变步长蝙蝠算法，基于所述运行时间评价函数计算适应度的评价值，取最低值对应的调度方案为最优的调度方案。
本发明在全局搜索产生随机解的过程中引入可变步长的策略来防止划分算子陷入早熟，并模拟自然环境对蝙蝠回声定位产生的影响，添加自然扰动因子、震荡新解来提高全局收敛能力，基于可变步长蝙蝠算法，通过引入可变步长策略和自然扰动因子从而改进原有算法，达到更好的效果；用户数越大，则算法的性能优势越高于其他算法。
附图说明
图1为在不同的算法、不同的用户的情况下，边缘节点中由边缘服务器执行的计算任务的平均执行时间，其中，VSSBA所示折线为本发明的平均执行时间折线；
图2为在不同的算法、不同的用户的情况下，边缘调度系统的平均负载，其中，VSSBA所示折线为本发明的平均负载。
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，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做出创造性劳动的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。
本发明涉及一种基于可变步长蝙蝠算法的边云协同计算节点调度优化方法，考虑全局调度模式，即通过改进的可变步长蝙蝠调度算法将任务直接分配给特定边缘节点的边缘服务器，由调度算法计算的调度方案包括边缘节点的id和边缘服务器id，调度问题可以简化为将x个计算子任务Ti分配到y个边缘节点Ci下的z个边缘设备ri上进行调度计算的问题，最后计算得到最优调度方案即最优的调度方案。批量计算任务的总开销达到最小，并且保证边缘调度系统间的负载均衡。
所述方法包括以下步骤。
步骤1：划分用户提交的加工任务，得到子任务长度的集合L，L＝{L1，L2，L3，…，Lx}，其中，Li为第i个子任务的长度，i为1至x间的整数。
所述步骤1中，每个子任务包括当前子任务的任务长度、位置信息、所需的边缘设备的计算能力需求。
步骤2：令每个边缘服务器节点的边缘设备Mips＝{M1，M2，M3，…，Mz}，其中，Mj表示第j个边缘服务器的计算能力，j为1至z间的整数。
所述步骤2中，边缘服务器的计算能力基于负载衰减。
本发明中，为了模拟真实的计算场景，每台边缘服务器处理能力是有限的，其计算能力会根据其任务的负载情况不断衰减，由于负载衰减，将导致计算能力的下降。
步骤3：定义运行时间评价函数
Figure BDA0002420698250000051
其中，p为调度方案的序号。
所述步骤3中，
Figure BDA0002420698250000052
其中，Ri表示第i个子任务所需的加工能力，
Figure BDA0002420698250000053
表示第k个边缘服务器节点的第j个边缘设备，
Figure BDA0002420698250000054
表示第k个边缘服务器节点的第j个边缘设备的计算能力，Di表示是第i个子任务上传云中心的数据延时，flagi表示第i个子任务是否上传到云中心，如果选择上传，则值为1，否则为0。
第i个子任务分配给第k个边缘服务器节点的第j个边缘设备为
Figure BDA0002420698250000055
Figure BDA0002420698250000056
步骤4：利用可变步长蝙蝠算法，基于所述运行时间评价函数计算适应度的评价值，取最低值对应的调度方案为最优的调度方案。
所述步骤4包括以下步骤：
步骤4.1：初始化信息，初始化蝙蝠的位置信息xmn和速度信息vmn，其中，m代表种群中的第m个解，n代表第m个解中的第n个索引值；
步骤4.2：模拟蝙蝠的位置更新和速度更新，得到更新后的位置信息
Figure BDA0002420698250000061
及更新后的速度信息
Figure BDA0002420698250000062
Figure BDA0002420698250000063
其中，Qm＝Qmin+(Qmax-Qmin)×β，Qmax和Qmin分别为频率的最大和最小值，β∈[0，1]是服从均匀分布的随机数，t为迭代的时刻，x*是全局最优解；ω为-1到1之间的服从均匀分布的随机数，τ为扰动幅度；
所述步骤4.2中，τ∈(0，0.1]。
步骤4.3：在根据步骤3中的时间评价函数确定一个解后，采用蝙蝠的随机游走产生一个新解xnew，
Figure BDA0002420698250000064
其中，ε∈[-1，1]，
Figure BDA0002420698250000065
是步长缩放因子，At是t时刻所有蝙蝠的平均响度；
所述步骤4.3中，
Figure BDA0002420698250000066
其中，iter是迭代次数，itermax是最大迭代次数。
步骤4.4：按照步骤3的时间评价函数公式计算得到的新的适应度评价值fnew；随机生成一个0到1之间的随机数rand，若rand小于响度Ai且fnew小于之前的适应度fi，则更新响度
Figure BDA0002420698250000067
和脉冲发射率
Figure BDA0002420698250000068
Figure BDA0002420698250000069
其中，α和γ为0到1间的随机数；以新的适应度评价值fnew为适应度fi；
所述步骤4.4中，α和γ为0.9。
步骤4.5：更新当前最佳状态并返回步骤4.2继续搜索迭代，直到终止标准。
本发明中，步骤4利用可变步长蝙蝠算法，根据步骤3的评价函数计算最优的调度方案，即公式中的p，是由边缘节点的id和边缘服务器id组成的数组。
本发明中，为了防止算法陷入局部最优，步骤4.2使用一种自然扰动因子来对蝙蝠的飞行定位进行类似自然界的外界因素的波动干扰，对公式进行改进，并且引入一个精度ω来判定蝙蝠算子是否陷入早熟，同时为了避免扰动幅度过大导致偏离原来的位置，将扰动幅度限制在10％之内；经过多次实验定值，精度τ的取值为0.1时效果最好。
本发明中，原则上
Figure BDA0002420698250000071
的取值为默认的0.001，但由于局部搜索的位置控制步长缩放因子
Figure BDA0002420698250000072
是固定的,在搜索早期阶段，控制参数较大容易跳过最优解，在搜索后期，控制参数过小，则很容易导致陷入局部最优，因此引入了可变步长策略来动态更新控制参数，使得
Figure BDA0002420698250000073
随迭代次数动态调节。
本发明中，步骤4.4中，第一次计算的全局最优解为初始种群的局部最优解，其后不断迭代寻优。
本发明中，实验使用最新针对边缘计算环境的Edgecloudsim作为仿真平台进行实验，实验运行环境为Windows10 64位操作系统，Intel Core i5-7500CPU，8GB内存；云中心配置一个Master主机，在该主机中配置了四个大型调度服务器，CPU的总计算能力设置为100000，同时配置14个边缘节点，并在每个边缘节点中生成8个边缘服务器；然后模拟场景，其中500到1500个用户同时向云中心调度系统提交任务，用户提交的任务随机生成不同长度的计算任务以及对边缘服务器计算能力的需求；
实验比较；在边缘节点中由边缘服务器执行的计算任务的平均执行时间和边缘调度系统的平均负载，并与常用的调度算法最小负载算法、粒子群算法、遗传算法性能进行对比；
如附图1所示，智能算法的任务处理效率高于常用的最小负荷算法；当用户数小于1000时，智能算法的性能差异不明显；这样做的原因是，每次分配调度时，最小负载算法都需要轮询所有工业设备节点，随着用户数量的不断增加，制造任务也不断增加，并且每次轮询的成本也更高，相反，智能算法通过随机初始值不断更新最优解，并且其性能消耗相对较低，当用户数大于1000时，GA算法的性能优化不如BA算法和本发明提出的算法；
通过可变步长和干扰因子来加速蝙蝠算法的全局收敛性，可以获得良好的优化效果；如图2所示，显示了边缘服务器的平均负载，平均负载在很大程度上反映了调度算法的性能，平均负载越高，计算任务的大部分就集中在某些边缘服务器上，当边缘服务器的计算任务过多时，将导致其性能严重下降，并影响整个系统的性能；从图2可以看出，智能算法的性能明显优于常用的最小负载算法，当用户数小于1200时，智能算法的性能差异不明显，当用户数大于1200时，本发明提出的算法的性能优势明显高于其他算法。
本发明划分用户提交的加工任务后得到子任务长度的集合，匹配每个边缘服务器节点的边缘设备，定义运行时间评价函数后，利用可变步长蝙蝠算法，基于所述运行时间评价函数计算适应度的评价值，取最低值对应的调度方案为最优的调度方案。
本发明在全局搜索产生随机解的过程中引入可变步长的策略来防止划分算子陷入早熟，并模拟自然环境对蝙蝠回声定位产生的影响，添加自然扰动因子、震荡新解来提高全局收敛能力，基于可变步长蝙蝠算法，通过引入可变步长策略和自然扰动因子从而改进原有算法，达到更好的效果；用户数越大，则算法的性能优势越高于其他算法。

Claims (9)

1.一种基于可变步长蝙蝠算法的边云协同计算节点调度优化方法，其特征在于：所述方法包括以下步骤：
步骤1：划分用户提交的加工任务，得到子任务长度的集合L，L＝{L1，L2，L3，…，Lx}，其中，Li为第i个子任务的长度，i为1至x间的整数；
步骤2：令每个边缘服务器节点的边缘设备Mips＝{M1，M2，M3，…，Mz}，其中，Mj表示第j个边缘服务器的计算能力，j为1至z间的整数；
步骤3：定义运行时间评价函数
Figure FDA0002420698240000011
其中，p为调度方案的序号；
步骤4：利用可变步长蝙蝠算法，基于所述运行时间评价函数计算适应度的评价值，取最低值对应的调度方案为最优的调度方案。
2.根据权利要求1所述的一种基于可变步长蝙蝠算法的边云协同计算节点调度优化方法，其特征在于：所述步骤1中，每个子任务包括当前子任务的任务长度、位置信息、所需的边缘设备的计算能力需求。
3.根据权利要求1所述的一种基于可变步长蝙蝠算法的边云协同计算节点调度优化方法，其特征在于：所述步骤2中，边缘服务器的计算能力基于负载衰减。
4.根据权利要求1所述的一种基于可变步长蝙蝠算法的边云协同计算节点调度优化方法，其特征在于：所述步骤3中，
Figure FDA0002420698240000012
Figure FDA0002420698240000013
其中，Ri表示第i个子任务所需的加工能力，
Figure FDA0002420698240000021
表示第k个边缘服务器节点的第j个边缘设备，
Figure FDA0002420698240000022
表示第k个边缘服务器节点的第j个边缘服务器的计算能力，Di表示是第i个子任务上传云中心的数据延时，flagi表示第i个子任务是否上传到云中心，如果选择上传，则值为1，否则为0。
5.根据权利要求4所述的一种基于可变步长蝙蝠算法的边云协同计算节点调度优化方法，其特征在于：第i个子任务分配给第k个边缘服务器节点的第j个边缘设备为
Figure FDA0002420698240000023
Figure FDA0002420698240000024
Figure FDA0002420698240000025
6.根据权利要求4所述的一种基于可变步长蝙蝠算法的边云协同计算节点调度优化方法，其特征在于：所述步骤4包括以下步骤：
步骤4.1：初始化信息，初始化蝙蝠的位置信息xmn和速度信息vmn，其中，m代表种群中的第m个解，n代表第m个解中的第n个索引值；
步骤4.2：模拟蝙蝠的位置更新和速度更新，得到更新后的位置信息
Figure FDA0002420698240000026
及更新后的速度信息
Figure FDA0002420698240000027
其中，Qm＝Qmin+(Qmax-Qmin)×β，Qmax和Qmin分别为频率的最大和最小值，β∈[0，1]是服从均匀分布的随机数，t为迭代的时刻，x*是全局最优解；ω为-1到1之间的服从均匀分布的随机数，τ为扰动幅度；
步骤4.3：在根据步骤3中的时间评价函数确定一个解后，采用蝙蝠的随机游走产生一个新解xnew，
Figure FDA0002420698240000028
其中，ε∈[-1，1]，
Figure FDA0002420698240000031
是步长缩放因子，At是t时刻所有蝙蝠的平均响度；
步骤4.4：按照步骤3的时间评价函数公式计算得到的新的适应度评价值fnew；随机生成一个0到1之间的随机数rand，若rand小于响度Ai且fnew小于之前的适应度fi，则更新响度
Figure FDA0002420698240000032
和脉冲发射率
Figure FDA0002420698240000033
Figure FDA0002420698240000034
其中，α和γ为0到1间的随机数；以新的适应度评价值fnew为适应度fi；
步骤4.5：更新当前最佳状态并返回步骤4.2继续搜索迭代，直到终止标准。
7.根据权利要求6所述的一种基于可变步长蝙蝠算法的边云协同计算节点调度优化方法，其特征在于：所述步骤4.2中，τ∈(0，0.1]。
8.根据权利要求6所述的一种基于可变步长蝙蝠算法的边云协同计算节点调度优化方法，其特征在于：所述步骤4.3中，
Figure FDA0002420698240000035
其中，iter是迭代次数，itermax是最大迭代次数。
9.根据权利要求6所述的一种基于可变步长蝙蝠算法的边云协同计算节点调度优化方法，其特征在于：所述步骤4.4中，α和γ为0.9。
CN202010204771.8A 2020-03-22 2020-03-22 基于可变步长蝙蝠算法的边云协同计算节点调度优化方法 Active CN111488208B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010204771.8A CN111488208B (zh) 2020-03-22 2020-03-22 基于可变步长蝙蝠算法的边云协同计算节点调度优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010204771.8A CN111488208B (zh) 2020-03-22 2020-03-22 基于可变步长蝙蝠算法的边云协同计算节点调度优化方法

Publications (2)

Publication Number Publication Date
CN111488208A true CN111488208A (zh) 2020-08-04
CN111488208B CN111488208B (zh) 2023-10-31

Family

ID=71798837

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010204771.8A Active CN111488208B (zh) 2020-03-22 2020-03-22 基于可变步长蝙蝠算法的边云协同计算节点调度优化方法

Country Status (1)

Country Link
CN (1) CN111488208B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112835684A (zh) * 2021-03-02 2021-05-25 浙江工业大学 一种面向移动边缘计算的虚拟机部署方法
CN113391850A (zh) * 2021-06-02 2021-09-14 中南民族大学 基于边云协同的任务调度方法、装置、设备及存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018072351A1 (zh) * 2016-10-20 2018-04-26 北京工业大学 一种基于粒子群优化算法对支持向量机的优化方法
US20180284747A1 (en) * 2016-05-09 2018-10-04 StrongForce IoT Portfolio 2016, LLC Methods and systems for optimization of data collection and storage using 3rd party data from a data marketplace in an industrial internet of things environment
CN108694077A (zh) * 2017-04-10 2018-10-23 中国科学院声学研究所 基于改进二进制蝙蝠算法的分布式系统任务调度方法
CN108874525A (zh) * 2018-06-22 2018-11-23 浙江大学 一种面向边缘计算环境的服务请求分配方法
CN109819030A (zh) * 2019-01-22 2019-05-28 西北大学 一种基于边缘计算的数据资源预先调度方法
WO2019216975A1 (en) * 2018-05-07 2019-11-14 Strong Force Iot Portfolio 2016, Llc Methods and systems for data collection, learning, and streaming of machine signals for analytics and maintenance using the industrial internet of things
CN110851277A (zh) * 2019-11-08 2020-02-28 中国石油大学(华东) 一种增强现实场景下基于边云协同的任务调度策略

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180284747A1 (en) * 2016-05-09 2018-10-04 StrongForce IoT Portfolio 2016, LLC Methods and systems for optimization of data collection and storage using 3rd party data from a data marketplace in an industrial internet of things environment
WO2018072351A1 (zh) * 2016-10-20 2018-04-26 北京工业大学 一种基于粒子群优化算法对支持向量机的优化方法
CN108694077A (zh) * 2017-04-10 2018-10-23 中国科学院声学研究所 基于改进二进制蝙蝠算法的分布式系统任务调度方法
WO2019216975A1 (en) * 2018-05-07 2019-11-14 Strong Force Iot Portfolio 2016, Llc Methods and systems for data collection, learning, and streaming of machine signals for analytics and maintenance using the industrial internet of things
CN108874525A (zh) * 2018-06-22 2018-11-23 浙江大学 一种面向边缘计算环境的服务请求分配方法
CN109819030A (zh) * 2019-01-22 2019-05-28 西北大学 一种基于边缘计算的数据资源预先调度方法
CN110851277A (zh) * 2019-11-08 2020-02-28 中国石油大学(华东) 一种增强现实场景下基于边云协同的任务调度策略

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
CHENGFENG JIAN *
徐佳;李学俊;丁瑞苗;刘晓;: "移动边缘计算中能耗优化的多重资源计算卸载策略", 计算机集成制造系统, no. 04, pages 58602 - 58609 *
杨戈;赵鑫;黄静;: "面向云计算的任务调度算法综述", no. 03 *
钟远晖;马涛;: "边云协同助力环境探测服务的智能化演进", no. 12 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112835684A (zh) * 2021-03-02 2021-05-25 浙江工业大学 一种面向移动边缘计算的虚拟机部署方法
CN112835684B (zh) * 2021-03-02 2024-03-22 浙江工业大学 一种面向移动边缘计算的虚拟机部署方法
CN113391850A (zh) * 2021-06-02 2021-09-14 中南民族大学 基于边云协同的任务调度方法、装置、设备及存储介质
CN113391850B (zh) * 2021-06-02 2022-08-30 中南民族大学 基于边云协同的任务调度方法、装置、设备及存储介质

Also Published As

Publication number Publication date
CN111488208B (zh) 2023-10-31

Similar Documents

Publication Publication Date Title
CN110365753B (zh) 基于边缘计算的物联网服务低时延负载分配方法及装置
CN111556461B (zh) 一种基于深度q网络的车载边缘网络任务分发卸载方法
CN108958916B (zh) 一种移动边缘环境下工作流卸载优化方法
CN112882815B (zh) 基于深度强化学习的多用户边缘计算优化调度方法
CN109617826B (zh) 一种基于布谷鸟搜索的storm动态负载均衡方法
CN110971706A (zh) Mec中近似最优化与基于强化学习的任务卸载方法
CN111176820B (zh) 一种基于深度神经网络的边缘计算任务的分配方法及装置
CN110968426B (zh) 一种基于在线学习的边云协同k均值聚类的模型优化方法
CN110688219B (zh) 基于反向混沌布谷鸟搜索的自适应权重负载均衡算法
CN113032904B (zh) 模型构建方法、任务分配方法、装置、设备及介质
CN113141317B (zh) 流媒体服务器负载均衡方法、系统、计算机设备、终端
CN113568727A (zh) 一种基于深度强化学习的移动边缘计算任务分配方法
CN112214301B (zh) 面向智慧城市基于用户偏好的动态计算迁移方法及装置
CN111488208A (zh) 基于可变步长蝙蝠算法的边云协同计算节点调度优化方法
CN114268986A (zh) 一种无人机计算卸载与充电服务效能优化方法
CN115033359A (zh) 一种基于时延控制的物联代理多任务调度方法和系统
CN112256413A (zh) 基于物联网的边缘计算任务的调度方法和装置
CN112286686A (zh) 一种基于pso优化的边缘计算任务调度算法
CN115408072A (zh) 基于深度强化学习的快速适应模型构建方法及相关装置
Liu et al. Task scheduling in cloud computing based on improved discrete particle swarm optimization
CN112835684B (zh) 一种面向移动边缘计算的虚拟机部署方法
CN117436485A (zh) 基于权衡时延和精度的多退出点的端-边-云协同系统及方法
CN110768827B (zh) 一种基于群智能算法的任务卸载方法
CN111930435A (zh) 一种基于pd-bpso技术的任务卸载决策方法
US11513866B1 (en) Method and system for managing resource utilization based on reinforcement learning

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