CN111897650A - 一种基于启发式搜索的标注云服务器分配方法 - Google Patents
一种基于启发式搜索的标注云服务器分配方法 Download PDFInfo
- Publication number
- CN111897650A CN111897650A CN202010718453.3A CN202010718453A CN111897650A CN 111897650 A CN111897650 A CN 111897650A CN 202010718453 A CN202010718453 A CN 202010718453A CN 111897650 A CN111897650 A CN 111897650A
- Authority
- CN
- China
- Prior art keywords
- individual
- cloud server
- population
- value
- station
- 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
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
- G06F9/5027—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
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种基于启发式搜索的标注云服务器分配方法,利用启发式信息来改进差分演化算法,并利用改进后的差分演化算法来实现标注云服务器的分配。在改进的差分演化算法中,利用正弦启发式扰动权值策略来调整差分演化算法的控制参数,并利用个体的适应值的排序序号作为启发式信息来选择种群中的个体执行变异操作,提升算法的收敛速度,从而提高所分配的标注云服务器的综合运算性能。
Description
技术领域
本发明涉及服务器分配技术领域,尤其涉及一种基于启发式搜索的标注云服务器分配方法。
背景技术
人工智能技术已经在很大程度上提升了人类社会的生产效率。目前,人工智能技术的基础是海量的标注数据集。然而,对海量数据集进行标注是一项成本非常高的任务。为了更加高效地获取海量的标注数据集,研究人员提出了基于弱监督与自学习算法的智能标注方法。虽然智能标注方法能够提高数据集的标注效率,但是智能标注方法是一项计算密集型的任务。智能标注方法通常需要大规模的计算资源。为此,人们需要建立云计算平台来实现海量数据集的智能标注。
在基于云计算平台的智能标注系统中,常常需要解决一个标注云服务器分配问题:云计算平台装备了NS台标注云服务器,其中每台标注云服务器都具有单位时间运算性能度量值RTmi,单位时间能耗度量值ECmi和单位数据块传输耗时度量值DVmi,其中mi=1,2,...,NS;对于一个给定的智能标注任务,需要从NS台标注云服务器中选择出服务器来执行给定的智能标注任务,要求所选择出来的服务器的单位时间运算性能度量值之和最大化,并且要求所选择出来的服务器的单位时间能耗度量值之和不超过能耗上限LE,同时还要求所选择出来的服务器的单位数据量传输耗时度量值之和不超过传输耗时上限LC。该标注云服务器分配问题是一个NP完全问题,当标注任务的规模较大时,传统标注云服务器分配方法难以求解出满意的解。
差分演化算法是一种启发式搜索算法,它在求解许多NP完全问题中获得了较为满意的解。然而,传统差分演化算法在求解标注云服务器分配问题时,容易出现收敛速度慢的问题,从而导致所分配出来的标注云服务器的综合运算性能不够的缺点。
发明内容
本发明的目的在于针对背景技术中的缺陷,提出一种基于启发式搜索的标注云服务器分配方法,克服了传统差分演化算法在求解标注云服务器分配问题时,容易出现收敛速度慢的问题,提高所分配的标注云服务器的综合运算性能。
为达此目的,本发明采用以下技术方案:
一种基于启发式搜索的标注云服务器分配方法,具体步骤如下:
步骤1,输入标注云服务器数量NS;然后输入NS台标注云服务器的单位时间运算性能度量值RTdi,单位时间能耗度量值ECdi和单位数据块传输耗时度量值DVdi,其中服务器下标di=1,2,...,NS;
步骤2,输入能耗上限LE和传输耗时上限LC;
步骤3,初始化种群规模PN和最大搜索代数MaxS;
步骤4,设置当前搜索代数cs=0;
步骤5,根据公式(1)随机生成PN个体,然后将所生成的PN个体组成种群:
DXpi,di=rand(0,1) (1)
其中,DXpi=[DXpi,1DXpi,2...DXpi,di...DXpi,NS]表示种群中第pi个个体,并且个体DXpi存储了NS台标注云服务器的分配权重;DXpi,di表示个体DXpi中所存储的第di台标注云服务器的分配权重;rand(0,1)表示在[0,1]之间产生随机实数的函数;个体下标pi=1,2,...,PN;维度下标di=1,2,...,NS;
步骤6,计算种群中PN个体的适应值,然后找出适应值最小的个体保存到最佳个体BestX;其中,对于种群中第pi个个体DXpi,其适应值fit(DXpi)的计算过程为:首先将个体DXpi所存储的NS台标注云服务器的分配权重解码为状态向量SXpi,然后按公式(2)计算个体DXpi的适应值fit(DXpi):
其中,max表示取最大值函数;RTdi为第di台标注云服务器的单位时间运算性能度量值;ECdi为第di台标注云服务器的单位时间能耗度量值;DVdi为第di台标注云服务器的单位数据块传输耗时度量值;SXpi中存储了NS台标注云服务器的分配状态;SXpi,di表示SXpi中所存储的第di台标注云服务器的分配状态;pw1表示能耗惩罚因子;pw2表示传输耗时惩罚因子;pe1表示能耗可行程度;pe2表示传输耗时可行程度;
步骤7,设置留守步长因子BFpi=0.5,留守交叉率BRpi=0.5;
步骤8,根据公式(3)计算正弦启发式扰动权值DW:
其中,sin表示正弦函数,π表示圆周率;
步骤9,随机产生一个[0,1]之间的随机实数pkf,然后根据公式(4)计算当前步长因子CFpi:
步骤10,随机产生一个[0,1]之间的随机实数pkr,然后根据公式(5)计算当前交叉率CRpi:
步骤11,对种群中所有个体的适应值按照从小到大的顺序进行排序,并令Rankpi为种群中第pi个个体的适应值的排序序号;其中,个体下标pi=1,2,...,PN;
步骤12,按照公式(6)利用个体的适应值的排序序号作为启发式信息生成种群中所有个体的选择概率:
其中,PSIpi表示种群中第pi个个体的选择概率;exp表示以自然常数e为底数的指数函数;log表示以自然常数e为底数的对数函数;
步骤13,根据种群中每个个体的选择概率,采用轮盘赌选择方法从种群中选择出一个个体记为WSX,然后在[1,PN]之间随机产生两个不相同的正整数dr1和dr2;
步骤14,根据公式(7)执行变异操作算子生成变异个体DVpi:
DVpi=WSX+CFpi×(DXdr1-DXdr2) (7)
其中DXdr1表示种群中第dr1个个体;DXdr2表示种群中第dr2个个体;
步骤15,根据公式(8)执行交叉操作算子生成候选个体DUpi:
其中,DUpi,di表示候选个体DUpi所存储的第di台标注云服务器的分配权重;DVpi,di表示变异个体DVpi所存储的第di台标注云服务器的分配权重;维度下标di=1,2,...,NS;
步骤16,计算候选个体DUpi的适应值;
步骤17,如果候选个体DUpi的适应值小于个体DXpi的适应值,则在种群中用候选个体DUpi替换个体DXpi,否则保持个体DXpi不变;
步骤18,如果候选个体DUpi的适应值小于个体DXpi的适应值,则设置留守步长因子BFpi=CFpi,否则保持留守步长因子BFpi不变;
步骤19,如果候选个体DUpi的适应值小于个体DXpi的适应值,则设置留守交叉率BRpi=CRpi,否则保持留守交叉率BRpi不变;
步骤20,找出适应值最小的个体保存到最佳个体BestX;然后设置当前搜索代数cs=cs+1;
步骤21,如果当前搜索代数cs大于最大搜索代数MaxS,则转到步骤22,否则转到步骤8;
步骤22,将最佳个体BestX中所存储的NS台标注云服务器的分配权重解码出标注云服务器的分配状态,即得到标注云服务器的分配结果。
有益效果:
本发明利用启发式信息来改进差分演化算法,并利用改进后的差分演化算法来实现标注云服务器的分配。在改进的差分演化算法中,利用正弦启发式扰动权值策略来调整差分演化算法的控制参数,并利用个体的适应值的排序序号作为启发式信息来选择种群中的个体执行变异操作,提升算法的收敛速度,从而提高所分配的标注云服务器的综合运算性能。
附图说明
图1是本发明的一个实施例的正弦启发式扰动权值图。
具体实施方式
下面结合附图并通过具体实施方式来进一步说明本发明的技术方案。
本发明的一种基于启发式搜索的标注云服务器分配方法,具体步骤如下:
步骤1,输入标注云服务器数量NS=100;然后输入100台标注云服务器的单位时间运算性能度量值RTdi,单位时间能耗度量值ECdi和单位数据块传输耗时度量值DVdi,其中服务器下标di=1,2,...,100;
所述标注云服务器指的是用于执行标注任务的云服务器;所述标注云服务器的单位时间运算性能度量值指的是标注云服务器在1秒钟内执行的浮点运算指令的数量;单位时间能耗度量值指的是标注云服务器在1小时内耗电量;单位数据块传输耗时度量值指的是标注云服务器传输100兆数据块所耗费的时间;
步骤2,输入能耗上限LE=56000和传输耗时上限LC=28;
步骤3,初始化种群规模PN=100和最大搜索代数MaxS=5000;
步骤4,设置当前搜索代数cs=0;
步骤5,根据公式(1)随机生成PN个体,然后将所生成的PN个体组成种群:
DXpi,di=rand(0,1) 公式(1)
其中,DXpi=[DXpi,1DXpi,2...DXpi,di...DXpi,NS]表示种群中第pi个个体,并且个体DXpi存储了NS台标注云服务器的分配权重;所述分配权重是[0,1]范围内的实数;DXpi,di表示个体DXpi中所存储的第di台标注云服务器的分配权重;rand(0,1)表示在[0,1]之间产生随机实数的函数;个体下标pi=1,2,...,PN;维度下标di=1,2,...,NS;
步骤6,计算种群中PN个体的适应值,然后找出适应值最小的个体保存到最佳个体BestX;其中,对于种群中第pi个个体DXpi,其适应值fit(DXpi)的计算过程为:首先将个体DXpi所存储的NS台标注云服务器的分配权重解码为状态向量SXpi,然后按公式(2)-公式(4)计算个体DXpi的适应值fit(DXpi):
其中,max表示取最大值函数;RTdi为第di台标注云服务器的单位时间运算性能度量值;ECdi为第di台标注云服务器的单位时间能耗度量值;DVdi为第di台标注云服务器的单位数据块传输耗时度量值;SXpi中存储了NS台标注云服务器的分配状态;SXpi,di表示SXpi中所存储的第di台标注云服务器的分配状态;pw1表示能耗惩罚因子;pw2表示传输耗时惩罚因子;pe1表示能耗可行程度;pe2表示传输耗时可行程度;
所述将个体DXpi所存储的NS台标注云服务器的分配权重解码为状态向量SXpi指的是对个体DXpi所存储的NS台标注云服务器的分配权重进行四舍五入得到NS个值为0或1的整数,然后将得到的NS个值为0或1的整数依次保存到状态向量SXpi中;状态向量SXpi中所存储的NS个值为0或1的整数就是NS台标注云服务器的分配状态,其中值为1表示对应的标注云服务器分配来执行标注任务;值为0表示对应的标注云服务器不分配来执行标注任务;
步骤7,设置留守步长因子BFpi=0.5,留守交叉率BRpi=0.5;
步骤8,根据公式(5)计算正弦启发式扰动权值DW:
其中,sin表示正弦函数,π表示圆周率;
步骤9,随机产生一个[0,1]之间的随机实数pkf,然后根据公式(6)计算当前步长因子CFpi:
步骤10,随机产生一个[0,1]之间的随机实数pkr,然后根据公式(7)计算当前交叉率CRpi:
步骤11,对种群中所有个体的适应值按照从小到大的顺序进行排序,并令Rankpi为种群中第pi个个体的适应值的排序序号;其中,个体下标pi=1,2,...,PN;
步骤12,按照公式(8)利用个体的适应值的排序序号作为启发式信息生成种群中所有个体的选择概率:
其中,PSIpi表示种群中第pi个个体的选择概率;exp表示以自然常数e为底数的指数函数;log表示以自然常数e为底数的对数函数;
步骤13,根据种群中每个个体的选择概率,采用轮盘赌选择方法从种群中选择出一个个体记为WSX,然后在[1,PN]之间随机产生两个不相同的正整数dr1和dr2;
步骤14,根据公式(9)执行变异操作算子生成变异个体DVpi:
DVpi=WSX+CFpi×(DXdr1-DXdr2) 公式(9)
其中DXdr1表示种群中第dr1个个体;DXdr2表示种群中第dr2个个体;
步骤15,根据公式(10)执行交叉操作算子生成候选个体DUpi:
其中,DUpi,di表示候选个体DUpi所存储的第di台标注云服务器的分配权重;DVpi,di表示变异个体DVpi所存储的第di台标注云服务器的分配权重;维度下标di=1,2,...,NS;
步骤16,计算候选个体DUpi的适应值;
步骤17,如果候选个体DUpi的适应值小于个体DXpi的适应值,则在种群中用候选个体DUpi替换个体DXpi,否则保持个体DXpi不变;
步骤18,如果候选个体DUpi的适应值小于个体DXpi的适应值,则设置留守步长因子BFpi=CFpi,否则保持留守步长因子BFpi不变;
步骤19,如果候选个体DUpi的适应值小于个体DXpi的适应值,则设置留守交叉率BRpi=CRpi,否则保持留守交叉率BRpi不变;
步骤20,找出适应值最小的个体保存到最佳个体BestX;然后设置当前搜索代数cs=cs+1;
步骤21,如果当前搜索代数cs大于最大搜索代数MaxS,则转到步骤22,否则转到步骤8;
步骤22,将最佳个体BestX中所存储的NS台标注云服务器的分配权重解码出标注云服务器的分配状态,即得到标注云服务器的分配结果。
以上结合具体实施例描述了本发明的技术原理。这些描述只是为了解释本发明的原理,而不能以任何方式解释为对本发明保护范围的限制。基于此处的解释,本领域的技术人员不需要付出创造性的劳动即可联想到本发明的其它具体实施方式,这些方式都将落入本发明的保护范围之内。
Claims (1)
1.一种基于启发式搜索的标注云服务器分配方法,其特征在于:具体步骤如下:
步骤1,输入标注云服务器数量NS;然后输入NS台标注云服务器的单位时间运算性能度量值RTdi,单位时间能耗度量值ECdi和单位数据块传输耗时度量值DVdi,其中服务器下标di=1,2,...,NS;
步骤2,输入能耗上限LE和传输耗时上限LC;
步骤3,初始化种群规模PN和最大搜索代数MaxS;
步骤4,设置当前搜索代数cs=0;
步骤5,根据公式(1)随机生成PN个体,然后将所生成的PN个体组成种群:
DXpi,di=rand(0,1) (1)
其中,DXpi=[DXpi,1 DXpi,2 ... DXpi,di ... DXpi,NS]表示种群中第pi个个体,并且个体DXpi存储了NS台标注云服务器的分配权重;DXpi,di表示个体DXpi中所存储的第di台标注云服务器的分配权重;rand(0,1)表示在[0,1]之间产生随机实数的函数;个体下标pi=1,2,...,PN;维度下标di=1,2,...,NS;
步骤6,计算种群中PN个体的适应值,然后找出适应值最小的个体保存到最佳个体BestX;其中,对于种群中第pi个个体DXpi,其适应值fit(DXpi)的计算过程为:首先将个体DXpi所存储的NS台标注云服务器的分配权重解码为状态向量SXpi,然后按公式(2)计算个体DXpi的适应值fit(DXpi):
其中,max表示取最大值函数;RTdi为第di台标注云服务器的单位时间运算性能度量值;ECdi为第di台标注云服务器的单位时间能耗度量值;DVdi为第di台标注云服务器的单位数据块传输耗时度量值;SXpi中存储了NS台标注云服务器的分配状态;SXpi,di表示SXpi中所存储的第di台标注云服务器的分配状态;pw1表示能耗惩罚因子;pw2表示传输耗时惩罚因子;pe1表示能耗可行程度;pe2表示传输耗时可行程度;
步骤7,设置留守步长因子BFpi=0.5,留守交叉率BRpi=0.5;
步骤8,根据公式(3)计算正弦启发式扰动权值DW:
其中,sin表示正弦函数,π表示圆周率;
步骤9,随机产生一个[0,1]之间的随机实数pkf,然后根据公式(4)计算当前步长因子CFpi:
步骤10,随机产生一个[0,1]之间的随机实数pkr,然后根据公式(5)计算当前交叉率CRpi:
步骤11,对种群中所有个体的适应值按照从小到大的顺序进行排序,并令Rankpi为种群中第pi个个体的适应值的排序序号;其中,个体下标pi=1,2,...,PN;
步骤12,按照公式(6)利用个体的适应值的排序序号作为启发式信息生成种群中所有个体的选择概率:
其中,PSIpi表示种群中第pi个个体的选择概率;exp表示以自然常数e为底数的指数函数;log表示以自然常数e为底数的对数函数;
步骤13,根据种群中每个个体的选择概率,采用轮盘赌选择方法从种群中选择出一个个体记为WSX,然后在[1,PN]之间随机产生两个不相同的正整数dr1和dr2;
步骤14,根据公式(7)执行变异操作算子生成变异个体DVpi:
DVpi=WSX+CFpi×(DXdr1-DXdr2) (7)
其中DXdr1表示种群中第dr1个个体;DXdr2表示种群中第dr2个个体;
步骤15,根据公式(8)执行交叉操作算子生成候选个体DUpi:
其中,DUpi,di表示候选个体DUpi所存储的第di台标注云服务器的分配权重;DVpi,di表示变异个体DVpi所存储的第di台标注云服务器的分配权重;维度下标di=1,2,...,NS;
步骤16,计算候选个体DUpi的适应值;
步骤17,如果候选个体DUpi的适应值小于个体DXpi的适应值,则在种群中用候选个体DUpi替换个体DXpi,否则保持个体DXpi不变;
步骤18,如果候选个体DUpi的适应值小于个体DXpi的适应值,则设置留守步长因子BFpi=CFpi,否则保持留守步长因子BFpi不变;
步骤19,如果候选个体DUpi的适应值小于个体DXpi的适应值,则设置留守交叉率BRpi=CRpi,否则保持留守交叉率BRpi不变;
步骤20,找出适应值最小的个体保存到最佳个体BestX;然后设置当前搜索代数cs=cs+1;
步骤21,如果当前搜索代数cs大于最大搜索代数MaxS,则转到步骤22,否则转到步骤8;
步骤22,将最佳个体BestX中所存储的NS台标注云服务器的分配权重解码出标注云服务器的分配状态,即得到标注云服务器的分配结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010718453.3A CN111897650B (zh) | 2020-07-23 | 2020-07-23 | 一种基于启发式搜索的标注云服务器分配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010718453.3A CN111897650B (zh) | 2020-07-23 | 2020-07-23 | 一种基于启发式搜索的标注云服务器分配方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111897650A true CN111897650A (zh) | 2020-11-06 |
CN111897650B CN111897650B (zh) | 2022-03-22 |
Family
ID=73190821
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010718453.3A Active CN111897650B (zh) | 2020-07-23 | 2020-07-23 | 一种基于启发式搜索的标注云服务器分配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111897650B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112559145A (zh) * | 2020-12-09 | 2021-03-26 | 广东奥博信息产业股份有限公司 | 面向数据标注的云服务组合方法 |
CN112801380A (zh) * | 2021-02-02 | 2021-05-14 | 广东奥博信息产业股份有限公司 | 一种面向数据标注云服务器的负载预测方法 |
CN113919474A (zh) * | 2021-09-13 | 2022-01-11 | 中国电建集团江西省电力建设有限公司 | 一种面向光伏运维数据的约简方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140282583A1 (en) * | 2013-03-15 | 2014-09-18 | International Business Machines Corporation | Dynamic memory management with thread local storage usage |
CN107977990A (zh) * | 2018-01-27 | 2018-05-01 | 江西理工大学 | 基于正弦启发式搜索的图像配准方法 |
CN109345572A (zh) * | 2018-08-08 | 2019-02-15 | 中国科学院自动化研究所 | 混沌启发式搜索优化的弓网图像配准方法及装置 |
-
2020
- 2020-07-23 CN CN202010718453.3A patent/CN111897650B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140282583A1 (en) * | 2013-03-15 | 2014-09-18 | International Business Machines Corporation | Dynamic memory management with thread local storage usage |
CN107977990A (zh) * | 2018-01-27 | 2018-05-01 | 江西理工大学 | 基于正弦启发式搜索的图像配准方法 |
CN109345572A (zh) * | 2018-08-08 | 2019-02-15 | 中国科学院自动化研究所 | 混沌启发式搜索优化的弓网图像配准方法及装置 |
Non-Patent Citations (2)
Title |
---|
MIGUEL LEON: ""Improving Differential Evolution with Adaptive and Local Search Methods"", 《MALARDALEN UHIVERSITY SWEDEH》 * |
曾秀: ""狼群算法的改进研究及其在机器人路径规划中的应用"", 《中国优秀硕士学位论文全文数据库 (信息科技辑)》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112559145A (zh) * | 2020-12-09 | 2021-03-26 | 广东奥博信息产业股份有限公司 | 面向数据标注的云服务组合方法 |
CN112559145B (zh) * | 2020-12-09 | 2022-04-08 | 广东奥博信息产业股份有限公司 | 面向数据标注的云服务组合方法 |
CN112801380A (zh) * | 2021-02-02 | 2021-05-14 | 广东奥博信息产业股份有限公司 | 一种面向数据标注云服务器的负载预测方法 |
CN113919474A (zh) * | 2021-09-13 | 2022-01-11 | 中国电建集团江西省电力建设有限公司 | 一种面向光伏运维数据的约简方法 |
CN113919474B (zh) * | 2021-09-13 | 2022-03-15 | 中国电建集团江西省电力建设有限公司 | 一种面向光伏运维数据的约简方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111897650B (zh) | 2022-03-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111897650B (zh) | 一种基于启发式搜索的标注云服务器分配方法 | |
CN107275801A (zh) | 一种l型阵列天线的基于获得性遗传的阵元排布方法 | |
CN109934331A (zh) | 用于执行人工神经网络正向运算的装置和方法 | |
CN110059875B (zh) | 基于分布式鲸鱼优化算法的公共自行车需求量预测方法 | |
CN109215344B (zh) | 用于城市道路短时交通流量预测的方法和系统 | |
Wu et al. | A deadline-aware estimation of distribution algorithm for resource scheduling in fog computing systems | |
CN113359849B (zh) | 一种针对运动目标的多无人机协同快速搜索方法 | |
CN109858798B (zh) | 关联改造措施与电压指标的电网投资决策建模方法及装置 | |
Lin et al. | Genetic algorithm for shortest driving time in intelligent transportation systems | |
CN103279796A (zh) | 一种优化遗传算法进化质量的方法 | |
Fu et al. | A novel firefly algorithm based on improved learning mechanism | |
CN108920790A (zh) | 一种基于历史数据的公共建筑用电模式识别模型建立方法 | |
Luo et al. | Modified shuffled frog leaping algorithm based on new searching strategy | |
Yuan et al. | A distributed link prediction algorithm based on clustering in dynamic social networks | |
CN116128148A (zh) | 光伏电站出力预测网络训练方法、预测方法、装置及设备 | |
CN116431281A (zh) | 一种基于鲸鱼优化算法的虚拟机迁移方法 | |
Zhang et al. | Energy allocation for vehicle-to-grid settings: A low-cost proposal combining DRL and VNE | |
Cao et al. | A quantum-inspired bacterial swarming optimization algorithm for discrete optimization problems | |
CN114519457A (zh) | 基于粒子群的省级智慧能源服务平台任务调度方法及系统 | |
CN113985196A (zh) | 一种电网分布式故障定位方法、装置、记录媒体及系统 | |
CN113325129A (zh) | 一种基于动态种群的大气污染物溯源算法 | |
Ye | Optimization of resource scheduling based on genetic algorithm in cloud computing environment | |
CN115185655B (zh) | 基于基因频次改进的云计算平台任务调度方法 | |
GAO et al. | Logistics distribution path planning based on genetic algorithm | |
CN117742966B (zh) | 一种基于边缘计算的计算模式生成方法、系统及存储介质 |
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 |
Denomination of invention: A Heuristic Search Based Labeling ECS Allocation Method Effective date of registration: 20220930 Granted publication date: 20220322 Pledgee: Guangdong Shunde Rural Commercial Bank Co.,Ltd. science and technology innovation sub branch Pledgor: GUANGDONG OKING INFORMATION INDUSTRY CO.,LTD. Registration number: Y2022980017199 |
|
PE01 | Entry into force of the registration of the contract for pledge of patent right |