CN112035224B - 一种适用于智能工厂的雾计算调度方法 - Google Patents
一种适用于智能工厂的雾计算调度方法 Download PDFInfo
- Publication number
- CN112035224B CN112035224B CN202010692917.8A CN202010692917A CN112035224B CN 112035224 B CN112035224 B CN 112035224B CN 202010692917 A CN202010692917 A CN 202010692917A CN 112035224 B CN112035224 B CN 112035224B
- Authority
- CN
- China
- Prior art keywords
- chromosomes
- population
- chromosome
- mutation
- fog computing
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 22
- 238000004364 calculation method Methods 0.000 title claims abstract description 14
- 210000000349 chromosome Anatomy 0.000 claims abstract description 98
- 230000035772 mutation Effects 0.000 claims abstract description 28
- 238000013468 resource allocation Methods 0.000 claims abstract description 4
- 238000004422 calculation algorithm Methods 0.000 claims description 25
- 230000002068 genetic effect Effects 0.000 claims description 22
- 230000008859 change Effects 0.000 claims description 9
- 239000003595 mist Substances 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 3
- 230000002028 premature Effects 0.000 abstract description 5
- 230000006870 function Effects 0.000 description 9
- 230000008569 process Effects 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000014509 gene expression Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000012804 iterative process Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000011282 treatment Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Genetics & Genomics (AREA)
- Artificial Intelligence (AREA)
- Physiology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种适用于智能工厂的雾计算调度方法，包括以下步骤：根据给定的容器应用任务和雾计算节点随机生成多个染色体，并组成一个种群，其中，染色体代表了容器应用集合与雾计算节点的对应关系；计算当前种群中每个染色体的适应度值；使用区间划分轮盘赌选择算子和区间划分交叉变异算子对种群中的染色体进行选择和更新；判断当前种群是否满足种群迭代条件，若满足则完成资源分配。本发明能够跳出局部最优解并且避免早熟现象的发生，增加全局寻优能力，得到更优解。
Description
技术领域
本发明涉及工业物联网雾计算技术领域，特别是涉及一种适用于智能工厂的雾计算调度方法。
背景技术
随着新一代信息技术的发展，许多传统工厂开始向智能工厂转型。如何对智能工厂中海量数据进行处理，从而提高工厂的生产效率仍然是一个严峻的问题。与传统工厂相比，智能工厂需要处理海量的数据，其采用的方式是利用远端云计算，但是这种方式存在许多弊端，例如：时延比较大、带宽的要求比较高，以及存在安全和隐私无法保证。雾计算的出现能够缓解这些问题，它将计算、存储、控制和网络功能转移到从端到云的连续介质中，从而能够减少数据传输时延和所需带宽。它允许一群相邻的终端用户、网络边缘和访问设备协同完成需要资源的任务。因此，许多原本需要云计算完成的计算任务可以通过数据产生设备周边的分散计算资源在网络边缘有效完成。
原本工厂中的任务需要专门的技术人员部署在每一台节点上，但是面对工厂中庞大的节点，这会浪费大量的人力资源。智能工厂的雾计算资源可以通过容器技术和相关自动编排的工具实现资源虚拟化和服务自动化部署。容器是一种虚拟化的技术，与虚拟机相比，它更加轻量、并且可以快速地在不同的操作平台上部署。目前常见的有Docker容器。相关的编排工具有Kubernetes，这是一个能够跨越且管理多个不同计算节点上的容器的平台工具。我们可以使用Docker将智能工厂中的应用容器化，然后使用Kubernetes对Docker容器自动化部署到合适的雾计算节点上。智能工厂中，任务和雾计算资源的管理分配是一个非线性问题，因此可以使用启发式算法进行解决，比如遗传算法，但是传统遗传算法存在只能进行单目标优化、轮盘赌算法容易陷入局部最优，并且迭代效率太慢等缺点，而Kubernetes内置的调度算法也存在时延较高、资源使用率低等缺点。
传统的遗传算法，按照适者生存和优胜劣汰的原理，逐代(generation)演化产生出越来越好的近似解，在每一代，根据问题域中个体的适应度(fitness)大小选择(selection)个体，并借助于自然遗传学的遗传算子(genetic operators)选择合适的个体进行组合交叉(crossover)和变异(mutation)，产生出代表新的解集的种群。但是在应用于智能工厂时，传统的遗传算法无法处理双目标问题，对于一些无效的结果没有进行合理的处理，并且存在迭代速度慢，结果局部最优等情况。
Kubernetes的缺省调度策略是调度完一个容器应用后才能调度下一个容器应用，因此这种情况带来的是局部最优，如果直接使用Kubernetes的缺省调度器，会造成整个雾计算集群资源使用的不均衡，从而无法充分的利用资源，并且智能工厂中任务的计算时延会增加。
发明内容
本发明所要解决的技术问题是提供一种适用于智能工厂的雾计算调度方法，能够跳出局部最优解并且避免早熟现象的发生，增加全局寻优能力，得到更优解。
本发明解决其技术问题所采用的技术方案是：提供一种适用于智能工厂的雾计算调度方法，包括以下步骤：
(1)根据给定的容器应用任务和雾计算节点随机生成多个染色体，并组成一个种群，其中，染色体代表了容器应用集合与雾计算节点的对应关系；
(2)计算当前种群中每个染色体的适应度值；
(3)使用区间划分轮盘赌选择算子和区间划分交叉变异算子对种群中的染色体进行选择和更新；
(4)判断当前种群是否满足种群迭代条件，若满足则完成资源分配，否则返回步骤(2)。
所述步骤(1)中还包括对生成的染色体进行筛选得到有效染色体和无效染色体的步骤。
对于所述有效染色体计算它们的任务计算时间；对于无效染色体，统计无效染色体中资源使用过度的雾计算节点，将资源使用过度的雾计算节点上的容器应用随机分配给资源使用量低于阈值的雾计算节点，并生成新的染色体。
所述步骤(3)中使用区间划分交叉变异算子对种群中的染色体进行更新时：按照种群中各个染色体的适应度值的大小分成突变区间、保留区间和渐变区间，其中，突变区间中染色体的适应度值小于渐变区间中染色体的适应度值，渐变区间中染色体的适应度值小于保留区间中染色体的适应度值；对于不同区间里面的染色体采取不同的交叉变异算子。
所述对于不同区间里面的染色体采取不同的交叉变异算子时，对于保留区间内的染色体采用直接保留的方式进入下一次迭代；对于突变区间里面的染色体采用突变的方式产生新的染色体；对于渐变区间里的染色体采用区间划分轮盘赌选择算子选择出父代，并通过交叉遗传的方式将染色体进行保留。
所述步骤(3)中使用区间划分轮盘赌选择算子对种群中的染色体进行选择时：选出种群中适应度值为最优的染色体以及最差的染色体，然后将适应度值在最优与最差这个区间划分为M个等级，将种群的各染色体按照其自身适应度值分配至相应的等级区域；计算M个等级区域中每一个等级区域的染色体平均适应度值；根据得到每一个等级区域的染色体平均适应度值计算每一个染色体被选中的概率，并根据得到的概率对种群中的染色体进行选择。
所述每一个染色体被选中的概率为其中，Pm为当前等级区域的染色体平均适应度值除以M个等级区域的染色体平均适应度值之和，/>为染色体xi的适应度值除以它所处的等级区域中全部染色体的适应度值之和。
有益效果
由于采用了上述的技术方案，本发明与现有技术相比，具有以下的优点和积极效果：本发明在原有遗传算法的基础上，使用区间划分的思想对遗传算法的选择算子、交叉变异算子进行改进，将个体按照遗传算法中的适应度函数值划分为多个区间，对于不同区间的个体进行不同的处理，使得种群在迭代的过程中能够跳出局部最优解并且避免早熟现象的发生，增加全局寻优能力，得到更优解。
附图说明
图1是本发明的流程图；
图2是本发明与传统遗传算法的性能比较仿真图。
具体实施方式
下面结合具体实施例，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。
本发明的实施方式涉及一种适用于智能工厂的雾计算调度方法，如图1所示，包括以下步骤：
首先，根据给定的容器应用任务和雾计算节点，随机初始化一个种群。种群中每个个体为一组基于字符串的表达式，代表了容器应用集合与雾计算节点的对应关系，可以称之为染色体。在调度容器应用的时候，一个雾计算节点上面可以部署多个容器应用，一个容器应用可以部署在任意一个雾计算节点中，染色体的表达式例子如表1所示。表1中的染色体表示在主机pm1中部署了五个容器应用，分别：{ms1,ms2,ms3,ms4,ms5}。
表1染色体表达式表
在调度开始的时候随机生成多个染色体，组成一个种群，将所有的容器应用部署到不同的雾计算节点上，因为雾计算节点的资源有限，如果某个染色体上的一个雾计算节点上面部署了太多的容器以至于超过了该雾计算节点的固有资源，那么这个染色体就是无效的。因此首先在任务初始化的时候需要对产生的染色体体进行一次筛选，对于有效染色体计算它们的任务计算时间。对于无效染色体，本实施方式提出的解决方案是：统计无效个体中资源使用过度的雾计算节点；将资源使用过度的雾计算节点上的容器应用随机分配给资源使用量为0，或者资源使用较少的雾计算节点；生成新的子个体。
传统的遗传算法选择优秀个体，交叉、变异，产生下一代使用的方法叫做轮盘赌选择算子。轮盘赌选择算子的思想就是按照适应度值的大小选择个体进行交叉、变异然后产生下一代个体。
传统的轮盘赌算子思想：个体被选中的概率与其适应度函数值成正比，设群体大小为：N，个体xi的适应度为f(xi)，则个体xi的选择概率为：
虽然这种选择算子构造简单、应用广泛，但是存在缺陷，因为根据适应度的大小来选择个体，适应度函数大的个体选中的概率较大，这样虽然能保留优秀的基因，但是会导致种群的个体多样性较差，会使种群趋向于局部最优，无法得到更好的结果。因此为了避免这种情况，过早的收敛而放弃一些搜索子空间，本实施方式提出了一种使用区间划分思想优化的选择算子：区间划分轮盘赌选择算子。
区间划分的轮盘选择操作：
1、根据算法中的适应度函数、计算得到种群中所有个体的适应度值；
2、选出整个种群中，适应度值为最优的个体以及最差的个体，然后将适应度值在最优与最差这个区间内划分为M个等级，将种群的个体按照适应度值分配至相应的等级区域；
3、计算M个等级区域中每一个等级区域的染色体平均适应度值，即这个等级区域中所有染色体的适应度值之和除以这个等级区域的个体数目；
4、M个等级区域中，假设每个等级区域被选中的概率为Pm，其中，Pm为当前等级区域的染色体平均适应度值除以全部M个等级区域的染色体平均适应度值之和，计算Pm；
5、假设M个等级区域中每个等级区域内个体xi被选中的概率为为该个体的适应度值除以它所处的等级区域中全部个体的适应度值之和，计算/>
6、计算整个种群中每一个个体被选中的概率
若将整个种群定义为P，一个种群里面有N个个体，通过适应度函数计算得到个体xi的适应度值为f(xi)。在第T次迭代的时候，整个种群P中的个体的适应度值可以表示为：
P(T)＝{f(x1),f(x2),f(x3),…,f(xN)}
f(xi)max,f(xj)min分别代表种群P中适应度值的最优值和最差值，因此种群P的子空间的适应度值的大小范围为：
所以可以将第T次迭代的种群P划分为：
其中：
因此在区间/>中的个体xi被选中的概率/>为：/>
使用代表/>这个区间的平均适应度值。
因此结合前面的分析可以使用：代表/>这个区间被选择的概率。
所以个体xi被选中的概率为：
从公式(1)中可以看出P(xi)与nm成反比，因此可以看出如果某一个区间的个体数量过大，那么其被选择的概率会有所降低，如果区间的个体数量较小，那么被选择的概率就会变大。所以当整个种群中所有个体的适应度差异过大的时候，区间划分的轮盘赌选择算子能够避免适应度较差的个体被提早淘汰，并且能够提高选择的多样性。同时能够自动避免选择的个体集中于某一区域，所以最后的结果能够跳出局部最优，得到全局范围内的近似最优解。
传统的遗传算法使用轮盘赌算子选择出合适的个体后，就会采用交叉、变异的方式获得下一代个体。但是传统的遗传算法对种群的进化采取统一的交叉变异算子的方式，这样既不利于优秀个体的保留，也不利于产生更加优秀的个体。因此本实施方式中采用了区间划分的交叉变异算子，经过适应度函数计算种群中染色体的适应度后，将种群按照适应度函数的大小分成不同的区间，分别为适应度较低的突变区间和适应度函数较高的保留区间，以及适应度适中的渐变区间。然后对于不同区间里面的染色体采取不同的交叉变异算子，对种群的染色体进行更新。
对于适应度值高的个体，采用直接保留的方式，从而保证每一次迭代的过程中，最优秀的个体能够保存下来。对于适应度低的个体，采用突变的方式改变其染色体，从而能够有机会将适应度值低的个体突变成适应度高的优秀个体，并且使得种群在迭代的过程中能够跳出局部最优解并且避免早熟现象的发生，增加全局寻优能力。对于适应度值适中的个体，用上述区间划分轮盘赌选择算子，选择出父代然后通过交叉遗传的方式将较优秀的个体保留下来。
由此可见，本发明解决了传统遗传算法在处理智能工厂资源分配问题时迭代速度慢，结果局部最优以及Kubernetes内置调度算法在处理智能工厂资源分配问题时资源使用的不均衡、计算时延较大的问题。
下面通过一个具体的实例来进一步说明本发明。
该实例采用的背景是一个生产袜子的智能制造工厂Socks Shop开展仿真实验，实验中的参数值来自于对Socks Shop的分析。Socks Shop是一个微服务的Demo应用，模拟了一个生产袜子的智能制造工厂的实际运行情况，每个容器应用对于资源的使用的情况来自于对这个Demo的负载测试，某个任务所需要的每个容器应用的个数来自于CustomerBehavior Model Graph(CBMG)的分析。
在Socks Shop这个Demo中，处理一个用户的请求为一个任务，这个任务可以通过表2中的所有容器应用的协作来完成。
表2 Socks Shop中的容器应用表
表2中Consumes表示容器应用与其他容器应用之间的消费关系，NUM表示完成这个任务所需要的某个容器应用的个数，CPU、Memory分别代表容器应用在雾计算节点上运行时，对CPU和内存的最低要求。
将本实施方式中的方法与传统遗传算法进行仿真比较。仿真实验中，种群大小为200，迭代次数为4000，横坐标是迭代次数，任务完成时间、集群均衡度。
图2中的(a)和(b)分别表示本实施方式和传统遗传算法求解后得到的集群均衡度和任务计算时间，同样可以看到本实施方式采用的方法在迭代次数为500左右的时候就已经取得了比传统遗传算法更好的结果，而传统遗传算法要迭代到1500次左右才能取到最优解。因此可以得出两个结论，第一，本发明最终取得的结果都优于传统遗传算法。第二，本发明能够在更少的迭代次数中达到最优，并且当两者的迭代次数相同的时候，本发明的结果总是优于传统遗传算法。
Claims (5)
1.一种适用于智能工厂的雾计算调度方法，其特征在于，包括以下步骤：
(1)根据给定的容器应用任务和雾计算节点随机生成多个染色体，并组成一个种群，其中，染色体代表了容器应用集合与雾计算节点的对应关系；
(2)计算当前种群中每个染色体的适应度值；
(3)使用区间划分轮盘赌选择算子和区间划分交叉变异算子对种群中的染色体进行选择和更新；其中，使用区间划分交叉变异算子对种群中的染色体进行更新时：按照种群中各个染色体的适应度值的大小分成突变区间、保留区间和渐变区间，其中，突变区间中染色体的适应度值小于渐变区间中染色体的适应度值，渐变区间中染色体的适应度值小于保留区间中染色体的适应度值；对于不同区间里面的染色体采取不同的交叉变异算子；所述对于不同区间里面的染色体采取不同的交叉变异算子时，对于保留区间内的染色体采用直接保留的方式进入下一次迭代；对于突变区间里面的染色体采用突变的方式产生新的染色体；对于渐变区间里的染色体采用区间划分轮盘赌选择算子选择出父代，并通过交叉遗传的方式将染色体进行保留；
(4)判断当前种群是否满足种群迭代条件，若满足则完成资源分配，否则返回步骤(2)。
2.根据权利要求1所述的适用于智能工厂的雾计算调度方法，其特征在于，所述步骤(1)中还包括对生成的染色体进行筛选得到有效染色体和无效染色体的步骤。
3.根据权利要求2所述的适用于智能工厂的雾计算调度方法，其特征在于，对于所述有效染色体计算它们的任务计算时间；对于无效染色体，统计无效染色体中资源使用过度的雾计算节点，将资源使用过度的雾计算节点上的容器应用随机分配给资源使用量低于阈值的雾计算节点，并生成新的染色体。
4.根据权利要求1所述的适用于智能工厂的雾计算调度方法，其特征在于，所述步骤(3)中使用区间划分轮盘赌选择算子对种群中的染色体进行选择时：选出种群中适应度值为最优的染色体以及最差的染色体，然后将适应度值在最优与最差这个区间划分为M个等级，将种群的各染色体按照其自身适应度值分配至相应的等级区域；计算M个等级区域中每一个等级区域的染色体平均适应度值；根据得到每一个等级区域的染色体平均适应度值计算每一个染色体被选中的概率，并根据得到的概率对种群中的染色体进行选择。
5.根据权利要求4所述的适用于智能工厂的雾计算调度方法，其特征在于，所述每一个染色体被选中的概率为其中，Pm为当前等级区域的染色体平均适应度值除以M个等级区域的染色体平均适应度值之和，/>为染色体xi的适应度值除以它所处的等级区域中全部染色体的适应度值之和。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010692917.8A CN112035224B (zh) | 2020-07-17 | 2020-07-17 | 一种适用于智能工厂的雾计算调度方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010692917.8A CN112035224B (zh) | 2020-07-17 | 2020-07-17 | 一种适用于智能工厂的雾计算调度方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112035224A CN112035224A (zh) | 2020-12-04 |
| CN112035224B true CN112035224B (zh) | 2024-03-12 |
Family
ID=73579305
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010692917.8A Active CN112035224B (zh) | 2020-07-17 | 2020-07-17 | 一种适用于智能工厂的雾计算调度方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112035224B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103927584A (zh) * | 2014-04-17 | 2014-07-16 | 湖北欣纬应急科技有限公司 | 一种基于遗传算法的资源调度优化方法 |
| CN104281877A (zh) * | 2014-09-18 | 2015-01-14 | 北京航空航天大学 | 一种基于改进遗传聚类的人类活动区域分类方法 |
| CN108197708A (zh) * | 2017-12-14 | 2018-06-22 | 河海大学 | 一种基于Spark的并行化遗传算法 |
| CN109800071A (zh) * | 2019-01-03 | 2019-05-24 | 华南理工大学 | 一种基于改进遗传算法的云计算任务调度方法 |
| CN110412938A (zh) * | 2019-05-31 | 2019-11-05 | 太原理工大学 | 基于过渡特征简化的多型腔结构件加工工步序列决策方法 |
| CN110889552A (zh) * | 2019-11-26 | 2020-03-17 | 中国计量大学 | 一种基于最优参数遗传算法的苹果自动装箱路径优化方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2003038749A1 (en) * | 2001-10-31 | 2003-05-08 | Icosystem Corporation | Method and system for implementing evolutionary algorithms |
-
2020
- 2020-07-17 CN CN202010692917.8A patent/CN112035224B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103927584A (zh) * | 2014-04-17 | 2014-07-16 | 湖北欣纬应急科技有限公司 | 一种基于遗传算法的资源调度优化方法 |
| CN104281877A (zh) * | 2014-09-18 | 2015-01-14 | 北京航空航天大学 | 一种基于改进遗传聚类的人类活动区域分类方法 |
| CN108197708A (zh) * | 2017-12-14 | 2018-06-22 | 河海大学 | 一种基于Spark的并行化遗传算法 |
| CN109800071A (zh) * | 2019-01-03 | 2019-05-24 | 华南理工大学 | 一种基于改进遗传算法的云计算任务调度方法 |
| CN110412938A (zh) * | 2019-05-31 | 2019-11-05 | 太原理工大学 | 基于过渡特征简化的多型腔结构件加工工步序列决策方法 |
| CN110889552A (zh) * | 2019-11-26 | 2020-03-17 | 中国计量大学 | 一种基于最优参数遗传算法的苹果自动装箱路径优化方法 |
Non-Patent Citations (8)
| Title |
|---|
| The rank ordering of genotypic fitness values predicts genetic constraint on natural selection on landscapes lacking sign epistasis;Weinreich, DM;GENETICS;20051101;全文 * |
| 一种基于多样化成长策略的遗传算法;袁煜明;范文慧;杨雨田;赵常宏;孙元栋;;控制与决策;20091215(12);全文 * |
| 一种基于改进遗传算法的雾计算任务调度策略;韩奎奎;谢在鹏;吕鑫;;计算机科学(04);139-140页 * |
| 基于动态入侵的自适应遗传算法研究;耿辉;武妍;;计算机工程与应用(07);全文 * |
| 基于蚁群遗传算法的高校排课系统;谭保华;彭伟;;计算机仿真;20081215(12);全文 * |
| 提高遗传算法计算速度的研究;王勇;王宏亮;;辽宁石油化工大学学报(02);全文 * |
| 改进的遗传算法求解火力分配优化问题;董朝阳;路遥;王青;;兵工学报;20160115(01);全文 * |
| 韩奎奎 ; 谢在鹏 ; 吕鑫 ; .一种基于改进遗传算法的雾计算任务调度策略.计算机科学.2018,(04),139-140页. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112035224A (zh) | 2020-12-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Chen et al. | Energy-efficient offloading for DNN-based smart IoT systems in cloud-edge environments | |
| Zhu et al. | Task scheduling for multi-cloud computing subject to security and reliability constraints | |
| Rahbari et al. | Task offloading in mobile fog computing by classification and regression tree | |
| Goudarzi et al. | A fast hybrid multi-site computation offloading for mobile cloud computing | |
| Wang et al. | Load balancing task scheduling based on genetic algorithm in cloud computing | |
| CN107995039B (zh) | 面向云软件服务的资源自学习与自适应分配方法 | |
| Nanjappan et al. | An adaptive neuro-fuzzy inference system and black widow optimization approach for optimal resource utilization and task scheduling in a cloud environment | |
| Zou et al. | An improved differential evolution algorithm for the task assignment problem | |
| CN111722910A (zh) | 一种云作业调度及资源配置的方法 | |
| Lagwal et al. | Load balancing in cloud computing using genetic algorithm | |
| Subramoney et al. | Multi-swarm PSO algorithm for static workflow scheduling in cloud-fog environments | |
| CN115686846B (zh) | 边缘计算中融合图神经网络和强化学习的容器集群在线部署方法 | |
| CN117271101B (zh) | 一种算子融合方法、装置、电子设备及存储介质 | |
| Shukla et al. | FAT-ETO: Fuzzy-AHP-TOPSIS-Based efficient task offloading algorithm for scientific workflows in heterogeneous fog–cloud environment | |
| Cardellini et al. | Self-adaptive container deployment in the fog: A survey | |
| CN112187535A (zh) | 雾计算环境下服务器部署方法及装置 | |
| Zhou et al. | Digital twin-empowered network planning for multi-tier computing | |
| Li et al. | Data analytics for fog computing by distributed online learning with asynchronous update | |
| Cheng et al. | Resilient edge service placement under demand and node failure uncertainties | |
| Kumar et al. | QoS‐aware resource scheduling using whale optimization algorithm for microservice applications | |
| CN112035224B (zh) | 一种适用于智能工厂的雾计算调度方法 | |
| CN110366253B (zh) | 基于认知无线网络的信道分配方法、设备及存储介质 | |
| Asgari et al. | An effiecient approach for resource auto-scaling in cloud environments | |
| CN115834386A (zh) | 面向边缘计算环境中的智能服务部署方法、系统及终端 | |
| Gharajeh | A knowledge and intelligent-based strategy for resource discovery on IaaS cloud systems |
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 |