CN112070370B - 中继卫星任务规划方法、系统及存储介质 - Google Patents
中继卫星任务规划方法、系统及存储介质 Download PDFInfo
- Publication number
- CN112070370B CN112070370B CN202010850247.8A CN202010850247A CN112070370B CN 112070370 B CN112070370 B CN 112070370B CN 202010850247 A CN202010850247 A CN 202010850247A CN 112070370 B CN112070370 B CN 112070370B
- Authority
- CN
- China
- Prior art keywords
- task
- scheduling scheme
- resources
- initial scheduling
- initial
- 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 50
- 230000008569 process Effects 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 abstract description 76
- 230000005540 biological transmission Effects 0.000 abstract description 17
- 230000007246 mechanism Effects 0.000 abstract description 8
- 238000010586 diagram Methods 0.000 description 15
- 238000003875 gradient-accelerated spectroscopy Methods 0.000 description 7
- 230000003044 adaptive effect Effects 0.000 description 5
- 230000006872 improvement Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000036962 time dependent Effects 0.000 description 3
- 102100022084 GRIP1-associated protein 1 Human genes 0.000 description 2
- 101000900683 Homo sapiens GRIP1-associated protein 1 Proteins 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 238000012217 deletion Methods 0.000 description 2
- 230000037430 deletion Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000003780 insertion Methods 0.000 description 2
- 230000037431 insertion Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000010845 search algorithm Methods 0.000 description 2
- PCTMTFRHKVHKIS-BMFZQQSSSA-N (1s,3r,4e,6e,8e,10e,12e,14e,16e,18s,19r,20r,21s,25r,27r,30r,31r,33s,35r,37s,38r)-3-[(2r,3s,4s,5s,6r)-4-amino-3,5-dihydroxy-6-methyloxan-2-yl]oxy-19,25,27,30,31,33,35,37-octahydroxy-18,20,21-trimethyl-23-oxo-22,39-dioxabicyclo[33.3.1]nonatriaconta-4,6,8,10 Chemical compound C1C=C2C[C@@H](OS(O)(=O)=O)CC[C@]2(C)[C@@H]2[C@@H]1[C@@H]1CC[C@H]([C@H](C)CCCC(C)C)[C@@]1(C)CC2.O[C@H]1[C@@H](N)[C@H](O)[C@@H](C)O[C@H]1O[C@H]1/C=C/C=C/C=C/C=C/C=C/C=C/C=C/[C@H](C)[C@@H](O)[C@@H](C)[C@H](C)OC(=O)C[C@H](O)C[C@H](O)CC[C@@H](O)[C@H](O)C[C@H](O)C[C@](O)(C[C@H](O)[C@H]2C(O)=O)O[C@H]2C1 PCTMTFRHKVHKIS-BMFZQQSSSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Operations Research (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Educational Administration (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- Computational Mathematics (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Algebra (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种中继卫星任务规划方法、系统及存储介质，在搜索过程中自适应选择邻域结构，指导算法的搜索方向，从而有效避免陷入局部最优。通过构建一个多中继卫星多用户航天器大规模任务申请的应用场景，将AVND‑TL与其他经典的启发式、元启发式算法比较，验证了断点续传机制和AVND‑TL算法在任务完成率和天线利用率等方面的增益。
Description
技术领域
本发明涉及中继卫星任务规划技术，具体是一种中继卫星任务规划方法、系统及存储介质。
背景技术
公开号为CN110113212A的发明专利申请和论文(李夏苗,陈新江,伍国华,贺川,龙运军.考虑断点续传的中继卫星调度模型及启发式算法[J].航空学报,2019,40(11):274-289.)的技术成果适合对调度时间有较高要求的中继卫星任务规划场景，不适合对调度方案质量有较高要求的中继卫星任务规划场景。
发明内容
本发明所要解决的技术问题是，针对现有技术不足，提供一种中继卫星任务规划方法、系统及存储介质，提高调度任务完成率和天线利用率。
为解决上述技术问题，本发明所采用的技术方案是：一种中继卫星任务规划方法，其包括以下步骤：
S1、判断是否满足更新邻域结构选择概率条件，若是，则更新邻域结构选择概率，进入步骤S2；否则，直接进入步骤S2；
S2、选择邻域结构，并在所选择的邻域结构内搜索再调度方案；
S3、判断所述再调度方案是否优于初始调度方案，若优于，则判断当前邻域搜索是否被禁忌，若是，则返回步骤S1；否则，将所述再调度方案设为优化调度方案，并将当前邻域搜索添加至禁忌表，并释放达到解禁条件的邻域搜索；若不优于，则返回步骤S1；
S4、重复步骤S1～S3，当达到设定的迭代次数时，输出优化调度方案，即得到最优调度方案。
本发明的方法融合了自适应邻域选择机制和对历史搜索的记忆性，能实时指导算法的搜索方向，有效避免陷入局部最优。
步骤S1中，当Itr/I＝c时，则判定满足更新邻域结构选择概率条件；其中，Itr为当前迭代次数；I为设定的迭代间隔；c为正整数。每隔一定周期更新邻域结构选择概率，实时动态地指导算法的搜索方向。
步骤S1中，利用以下规则更新第k个邻域结构的选择概率prok：
prok＝pro′k/∑k＝1,2pro′k；
其中，η为惯性权重因子；selk为最近I次选代过程中，第k个邻域结构被选中的次数；suck表示利用第k个邻域结构产生再分配方案的次数。
本发明对调度方案质量提升程度较高的邻域结构将具有更高的选择概率，即对解(调度方案)提升程度更高的邻域结构将更容易被选中。
步骤S2中，所述邻域结构包括两种，其中第一种邻域结构包括以下算子：算子A：随机选择一个初始调度方案，释放该初始调度方案占用的调度资源，并将该初始调度方案重新分配到同一天线上的其他可用资源上，得到再调度任务；算子B：随机选择一个初始调度方案，释放该初始调度方案占用的调度资源，并将该初始调度方案重新分配到另一天线上的其他可用资源上，得到再调度任务；算子C：随机选择一个初始调度方案，释放该初始调度方案的调度资源，并将该初始调度方案拆分成若干个子任务后再重新分配到同一天线上的其他可用资源上，得到再调度任务；
算子D：随机选择一个初始调度方案，释放该初始调度方案的调度资源，并将该初始调度方案拆分成若干个子任务后再重新分配到另一天线上的其他可用资源上，得到再调度任务；
算子E：随机选择一个初始调度方案，释放该初始调度方案占用的调度资源，并将该初始调度方案重新分配到同一天线上的其他可用资源上，此时原调度失败任务经任务拆分后调度成功，得到再调度任务；
算子F：随机选择一个初始调度方案，释放该初始调度方案占用的调度资源，并将该初始调度方案重新分配到另一天线上的其他可用资源上，此时原调度失败任务经任务拆分后调度成功，得到再调度任务；
算子G：随机选择一个初始调度方案，释放该初始调度方案占用的调度资源，并将该初始调度方案拆分成若干个子任务后再重新分配到同一天线上的其他可用资源，此时原未调度任务经任务拆分后调度成功，得到再调度任务；
算则H：随机选择一个初始调度方案，释放该初始调度方案占用的调度资源，并将该初始调度方案拆分成若干个子任务后再重新分配到另一天线上的其他可用资源，此时原未调度任务经任务拆分后调度成功，得到再调度任务；
第二种邻域结构包括以下算子：
算子I：随机选择一个初始调度方案，删除该初始调度方案，释放该初始调度方案原先占用的资源，并在同一天线资源上插入未调度任务，得到再调度任务；
算子J：随机选择一个初始调度方案，删除该初始调度方案，释放该初始调度方案原先占用的资源，并将未调度的任务拆分后在与被删除任务的同一天线资源上插入未调度任务，得到再调度任务；
算子K：随机选择一个初始调度方案，删除该初始调度方案，释放该初始调度方案原先占用的资源，并将未调度的任务拆分后在与被删除任务的不同天线资源上插入未调度任务，得到再调度任务。
本发明的两种邻域结构内含多个算子，使得算法对解空间的搜索更加多样化。
步骤S2中，利用轮盘赌函数选择邻域结构，并利用邻域搜索函数搜索所述再调度方案。使用轮盘赌函数，保证对解提升程度更高的邻域结构将更容易被选中。
本发明所述初始调度任务获取过程包括：
A)对所有任务进行排序，并根据排序结果生成任务集T；
B)获取任务集T中的所有不需拆分的任务，所述所有不需拆分的任务构成任务集合Tβ；为每个任务生成可用资源集合；
C)判断任务集合Tβ是否为空，若否，则选择各任务可用资源集合中最小冲突度的可用时间窗口调度当前任务，并刷新当前任务的可见时间窗口；判断当前任务能否以完整形式调度，若能，则当前任务调度成功，对下一个任务，返回步骤B)；否则，将当前任务添加至任务集Tα；其中，Tα表示任务集T中拆分成功的任务集；若任务集合Tβ为空，进入步骤D)；
D)对当前任务的子任务进行资源匹配，生成子任务可用资源集合；
E)判断Tα是否为空，若Tα为空，则结束调度；否则，遍历当前任务的所有子任务，对所有子任务进行调度，并判断当前任务能否以断点续传方式调度，若能，则当前任务调度成功，对于下一个任务，返回步骤D)；否则，对下一个任务，返回步骤D)。
通过上述获取过程，可以保证在短时间内生成较高质量的初始调度方案。
步骤B)中，当前任务t的可用资源集合AVTtβ的生成过程包括：当[stst,stet]和满足/>时，则/>其中，[stst,stet]为当前任务t的服务时间窗口；dt为当前任务t的需求服务时长；/>为当前任务t的可见时间窗口。以此快速生成任务可用资源集合。
步骤C)中，任务i的可用时间窗口冲突度/>的计算公式为：
其中，为任务i、j在天线r中的可用时间窗/>的交集部分的面积；/>为任务i、j调度时段冲突的边界条件与所述交集部分重叠区域的面积；Tβ′＝Tβ，Tα′表示Tα中任务拆分后的子任务集合；VTtr为任务t在天线r上的可见时间窗口集合；R为中继卫星天线集合,R＝{1,2,…,r}。
本发明将冲突度量化为任务在其可用时间窗口内与其他任务发生冲突的概率，计算精确，且计算量小。
作为一个发明构思，本发明还提供了一种中继卫星任务规划系统，包括计算机设备；所述计算机设备被配置或编程为用于执行本发明上述方法的步骤。
作为一个发明构思，本发明还提供了一种计算机可读存储介质，其存储有程序；该程序被配置为用于执行本发明上述方法的步骤。
与现有技术相比，本发明所具有的有益效果为：本发明克服了传统精确式算法求解调度方案时间过长和现有技术求解速度快但调度方案质量偏低的局限性，能在合理时间内获得质量较高的调度方案，适用于对调度质量有较高要求的中继卫星应用场景。
附图说明
图1为任务的时效性特征图；
图2为任务资源匹配方法示意图；
图3为任务可用时段冲突示意图；
图4为本发明冲突度计算方法示意图；
图5为TSCBT发明流程图；
图6为在同一个资源上重新分配任务示意图；
图7为在不同资源上重新分配任务示意图；
图8为任务拆分后在同一资源上重新分配任务示意图；
图9为任务拆分后在不同资源上分配任务示意图；
图10为在同一资源上重新分配任务(原未调度任务经任务拆分后调度成功)示意图；
图11为在不同资源上分配任务(原未调度任务经任务拆分后调度成功)示意图；
图12为任务拆分后在同一资源上重新分配任务(原未调度任务经任务拆分后调度成功)示意图；
图13为任务拆分后在不同资源上重新分配任务(原未调度任务经任务拆分后调度成功)示意图；
图14为将未调度任务分配给被删除任务的同一资源示意图；
图15为将未调度的任务拆分后分配给被删除任务的同一资源示意图；
图16为将未调度的任务拆分后分配给被删除任务的不同资源示意图；
图17为本发明AVND-TL方法流程图；
图18为天线利用率对比结果图；
图19为不同调度模式对比图。
具体实施方式
表1列出了本发明所涉及的主要变量符号。
表1变量符号
A.问题描述
并行机调度问题为经典的NP-hard问题，而中继卫星任务规划问题比并行机调度问题更为复杂，其约束主要包括任务需求约束和天线使用约束等，由此可见，中继卫星任务规划问题具备NP-hard特性。
B.任务需求特征
任务需求的基本要素可用一个六元组{pt,stst,stet,dt,Rt,ust}表示，任务的时效性特征可以总结为图1，其中adjust为执行任务前中继卫星天线的对准时间，rec为任务结束后天线的复位时间。
C.中继卫星任务规划模型
任务拆分在调度过程中动态进行。假设任务t经过拆分后的子任务集合为{t1,t2…tn}，用Tα表示T中拆分成功的任务集，T′α表示Tα中任务拆分后子任务集合，则有
Tα′＝{tn|ZC(t)＝{t1,t2,…,tn},t∈Tα} (1)
式中：ZC(t)表示原任务与子任务之间的转化关系，即ZC(t)＝{t1,t2…tn}可抽象表示为将任务t拆分成n个子任务。
用Tβ表示T中不需进行拆分的任务集，即有
T＝Tα∪Tβ (2)
同理，将Tβ转化为子任务集T′β，即有
T′β＝Tβ (3)
综上所述，可将原任务集T转化为子任务集即有
定义0-1变量xtrj，若任务t在其与天线r的第j个可见时间窗口内被调度，xtrj＝1，否则xtrj＝0。参考论文(李夏苗,陈新江,伍国华,贺川,龙运军.考虑断点续传的中继卫星调度模型及启发式算法[J].航空学报,2019,40(11):274-289.)的建模方法，以最大化任务完成率为优化目标，以任务需求约束、资源使用约束为约束条件，建立考虑断点续传的中继卫星任务规划模型如下。
其中，f表示任务完成率，|T|表示用户提交申请的任务总数。
针对问题和模型特点设计了考虑断点续传的两阶段调度算法(TSCBT)和结合禁忌表的自适应变邻域搜索下降(AVND-TL)。利用TSCBT生成初始调度方案，再利用AVND-TL对初始调度方案进行改进优化。
本发明提出一种考虑断点续传的两阶段调度算法(TSCBT)来获得问题的初始解，考虑断点续传的两阶段调度算法主要包括以下4个步骤：①任务资源匹配；②任务拆分；③计算可用时间窗口冲突度；④资源刷新。
A.任务资源匹配
任务资源匹配示意图如图2所示。在资源与任务匹配过程中，对比服务时间窗口[stst,stet]、任务需求服务时长dt、可见时间窗口三者的时序关系，生成当前任务可用资源集合。任务资源匹配具体方法如下。
对于当前任务t，当[stst,stet]和满足
则可见时间窗口可用，记/>为任务t在可见时间窗口/>内的可用时段，且令Tβ∪{t}，其中AVTtβ为任务t的可用时间窗口集合。
B.任务拆分
提出了一种考虑断点续传的任务拆分方法，该方法是在调度过程中对任务的动态处理。根据资源匹配结果，对于任务t，若其所有可用时间窗口不满足任务需求服务时长，即
我们将任务t拆分成子任务t1和t2，我们定义
且令Tα∪{t}，其中AVTtα是子任务可用时间窗口集合。假设为任务t持续时间最长的可用时间窗口，为了最小化任务拆分次数，选择/>作为子任务t1的调度资源，然后运用同样的方法选择子任务t2的调度资源。即子任务t1和t2满足
值得注意的是，如果t2的所有可用时间窗口都不满足其需求服务时长时，又可将t2拆分成更细小的子任务，即t1和t2拆分后的子任务都可视为原任务t的子任务。设tn为原任务t拆分后的第n个子任务，所有的子任务满足以下约束
C.计算可用时间窗口冲突度
由于任务执行时刻存在不确定性，即任务服务时段可在其可用时间窗内滑动，而不同任务的可用时间窗口可能存在交叉重叠。同时受天线使用约束(同一天线同一时刻仅能执行一项任务)限制，不同任务在同一天线下的可用时间窗口可能存在冲突，如图3所示。
为了量化可用时间窗口冲突度，引用论文(李夏苗,陈新江,伍国华,贺川,龙运军.考虑断点续传的中继卫星调度模型及启发式算法[J].航空学报,2019,40(11):274-289.)中任务可用时间窗口冲突度计算方法。在二维空间中表示任意两个任务i、j可用时间窗的时效特征关系，如图4所示。其中横纵坐标分别表示调度周期，分别表示任务i、j的可用时间窗口。定义矩形ABCD的面积为/>阴影部分的面积为/>则任务i的可用时间窗口/>冲突度/>为
D TSCBT算法流程
综上所示，TSCBT算法流程如图5所示。
TSCBT算法作为初始解构造算法，包括以下步骤：
步骤1，任务资源匹配；
步骤2，任务拆分；
步骤3，计算可用时间窗口冲突度；
步骤4，任务调度，资源刷新。
步骤1任务资源匹配是根据任务提交的服务时间窗口、任务需求服务时长和可见时间窗口，为任务匹配当前可用资源，根据匹配结果产生每个任务的可用资源集合。步骤2任务拆分是根据当前任务的资源匹配结果，判断任务是否需要进行拆分，若没有满足任务的服务时长需求的可用资源，则将原任务拆分成若干个子任务。需要注意的是，任务拆分操作是在任务规划过程中实时动态地进行。根据步骤1的资源匹配结果和步骤2的任务拆分结果，同一任务可能有多个可用时间窗口，因此步骤3用于计算每个可用时间窗口的冲突度。任务冲突度反映了任务在某个可用时间窗口内执行时与其他任务冲突的概率。如果任务被成功调度，它将占用天线的可用时间。由于天线使用的限制(即同一天线同一时刻只能执行一项任务)，步骤4在任务调度成功后将刷新其的可见时间窗口。
作为一种初始解构造算法，TSCBT算法将任务规划过程划分为完整任务分配阶段和断点续传任务分配阶段。在完整任务分配阶段，首先为运用任务资源匹配方法为每个任务生成可用资源集合AVTtβ。然后计算当前任务每个可用时间窗口的持续时间和冲突度最后运用基于最小冲突度的资源选择策略对当前任务进行调度。如果任务成功调度，则刷新可见时间窗口集合VTtr并将此任务添加至调度方案P。如果当前任务不能以完整任务分配方式调度，则将其添加至断点续传任务集合Tα。在断点续传任务分配阶段，首先为运用任务资源匹配方法依次为断点续传任务集合Tα中的任务生成可用资源集合AVTtα，并根据资源匹配结果将当前任务拆分成n个子任务。然后计算所有子任务的可用时间窗口的持续时间由于任务切换时天线会有一定的空转时间，所以本发明使用基于最小任务拆分次数的资源选择策略进行子任务调度。如果原任务的所有子任务都能成功调度，则刷新可见时间窗口集合VTtr并将此任务添加至调度方案P。如果任意一个子任务调度失败，则原任务调度失败。
本发明提出一种结合禁忌表策略的自适应变邻域搜索下降算法(AVND-TL)，以TSCBT获得的解为初始解，对其进行改进。
AVND-TL具备自适应邻域选择机制，能在搜索过程中实时动态地变换邻域搜索，更好地指导算法对解空间的搜索。此外，结合禁忌表策略可以记忆近期执行的搜索操作，并通过禁止某些搜索操作，避免算法对某些解的短期重访或循环访问(因为循环和重访会导致计算机开销增加而解的质量难以提高)。
A.邻域结构
AVND-TL设计了两种任务重分配邻域结构。
(1)邻域结构1
邻域结构1在每次迭代过程中，随机选择一个已分配的任务，在满足约束条件下，将其重新分配到其他可用资源中执行(其他可用资源可以是同一天线或不同天线的可用资源)。邻域结构1包括以下几类算子。
·在同一资源上重新分配任务
应用条件：已调度成功任务能在同一天线的其他可用资源上调度。
步骤：此算子随机选择一个已调度的任务，释放其将其占用的调度资源，并将其重新分配到同一天线上的其他可用资源，如图6所示。
·在不同资源上分配任务
应用条件：已调度成功任务能在不同天线的可用资源上调度。
步骤：此算子随机选择一个已调度的任务，释放其将其占用的调度资源，并将其重新分配到另一天线上的其他可用资源，如图7所示。
·任务拆分后在同一资源上重新分配任务
应用条件：已调度成功任务经任务拆分后能在同一天线的其他可用资源上调度。
步骤：此算子随机选择一个已调度的任务，释放其将其占用的调度资源，并将其拆分成若干个子任务后(以拆分成2个子任务为例，2-1和2-2分别表示任务2经拆分后的子任务1额子任务2，下同)再重新分配到同一天线上的其他可用资源，如图8所示。
·任务拆分后在不同资源上分配任务
应用条件：已调度成功任务经任务拆分后能在不同天线的可用资源上调度。
步骤：此算子随机选择一个已调度的任务，释放其将其占用的调度资源，并将其拆分成若干个子任务后(以拆分成2个子任务为例)再重新分配到另一天线上的其他可用资源，如图9所示。
·在同一资源上重新分配任务(原未调度任务经任务拆分后调度成功)
应用条件：已调度成功任务能在同一天线的其他可用资源上调度，且原未调度任务经任务拆分后调度成功。
步骤：此算子随机选择一个已调度的任务，释放其将其占用的调度资源，并将其重新分配到同一天线上的其他可用资源，此时原调度失败任务经任务拆分后调度成功(以拆分成2个子任务为例)，如图10所示。
·在不同资源上分配任务(原未调度任务经任务拆分后调度成功)
应用条件：已调度成功任务能在不同天线的可用资源上调度，且原未调度任务经任务拆分后调度成功。
步骤：此算子随机选择一个已调度的任务，释放其将其占用的调度资源，并将其重新分配到另一天线上的其他可用资源，此时原未调度任务经任务拆分后调度成功(以拆分成2个子任务为例)，如图11所示。
·任务拆分后在同一资源上重新分配任务(原未调度任务经任务拆分后调度成功)
应用条件：已调度成功任务经任务拆分后能在同一天线的其他可用资源上调度，且原未调度任务经任务拆分后调度成功。
步骤：此算子随机选择一个已调度的任务，释放其将其占用的调度资源，并将其拆分成若干个子任务后(以拆分成2个子任务为例)再重新分配到同一天线上的其他可用资源，此时原未调度任务经任务拆分后调度成功(以拆分成2个子任务为例)，如图12所示。
·任务拆分后在不同资源上重新分配任务(原未调度任务经任务拆分后调度成功)
应用条件：已调度成功任务经任务拆分后能在不同天线的可用资源上调度，且原未调度任务经任务拆分后调度成功。
步骤：此算子随机选择一个已调度的任务，释放其将其占用的调度资源，并将其拆分成若干个子任务后(以拆分成2个子任务为例)再重新分配到不同天线上的可用资源，此时原未调度任务经任务拆分后调度成功(以拆分成2个子任务为例)，如图13所示。
(2)邻域结构2
邻域结构2为随机选择一个已分配的任务，在满足约束条件下，删除该任务，并释放其原先占用的资源，将这些资源分配给未调度的任务。邻域结构2包括以下几类算子。
·将未调度任务分配给被删除任务的同一资源
应用条件：释放被删除任务所占用资源后，未调度任务能在同一天线的可用资源上调度成功。
步骤：此算子随机选择一个已分配的任务，删除该任务，并释放其原先占用的资源，并在同一天线资源上插入未调度任务，如图14所示。
·将未调度的任务拆分后分配给被删除任务的同一资源
应用条件：释放被删除任务所占用资源后，未调度任务经过任务拆分后能在同一天线的可用资源上调度成功。
步骤：此算子随机选择一个已分配的任务，删除该任务，并释放其原先占用的资源，并将未调度的任务拆分后(以将一个未成功调度的任务拆分为2个子任务为例)在与被删除任务的同一天线资源上插入未调度任务，如图15所示。
·将未调度的任务拆分后分配给被删除任务的不同资源
应用条件：释放被删除任务所占用资源后，未调度任务经过任务拆分后能在不同天线的可用资源上调度成功。
步骤：此算子随机选择一个已分配的任务，删除该任务，并释放其原先占用的资源，并将未调度的任务拆分后(以将一个未调度的任务拆分为2个子任务为例)在与被删除任务的不同天线资源上插入未调度任务，如图16所示。
两种邻域结构本质上是将任务重新分配，故将其称为任务再分配邻域结构。值得注意的是，假设在调度方案中，将任务t拆分成若干个子任务进行调度，当选择其进行插入或删除操作时，其对应的子任务都应进行相应插入或删除操作。
针对以上两种邻域结构设置两种解接受准则：①如果新解的目标函数值(任务完成率)比旧解高，则新解将被接受；②如果新解的目标函数值(任务完成率)与旧解相等，则当换入任务的优先级或权重高于换出任务，新解将被接受。
B.自适应邻域选择机制
本发明提出一种自适应邻域结构动态选择机制，该机制在搜索过程中实时更新不同邻域结构的选择概率，进而指导算法的搜索方向。假设prok(k＝1,2)表示选择邻域结构k的概率。在算法初始化时，设定prok＝0.5,k＝1,2，每隔一定的迭代次数I，通过以下规则更新每个邻域结构的选择概率。
prok＝pro′k/∑k＝1,2pro′k (13)
式中：η为惯性权重因子，表示上一迭代周期的邻域结构选择概率所占比重；1-η表示当前迭代周期的邻域结构选择概率所占比重；selk为最近I次选代过程中，第k个邻域结构被选中的次数；suck表示利用第k个邻域结构产生了更高质量的解的次数。
C.禁忌策略
同时，引入禁忌表策略：一旦新解被接受，则产生新解的任务再分配操作将会被加入到禁忌表中，在迭代过程中，禁忌列表中的任务被禁止实施再分配操作，直至它被释放为止。如果禁忌表已满，则最先加入禁忌表的任务将最先被释放。
D.AVND-TL算法流程
综上所示，AVND-TL算法流程如图17所示。
AVND-TL算法作为初始解改进算法，包括以下步骤：
步骤1，初始化算法参数；
步骤2，运用TSCBT构造算法的初始解；
步骤3，以轮盘赌方式选择邻域结构，在选定邻域结构内进行邻域解(再调度方案任务)搜索，若搜索到的邻域解优于目前最优解(即再调度方案任务完成率高于初始调度方案)，则更新目前最优解，并将相应的搜索操作添加进禁忌表；
步骤4，若达到邻域结构选择概率更新条件：每隔100次搜索，更新邻域选择概率；
步骤5，当某搜索操作的禁忌时长等于禁忌表长度时，解禁相关操作；
步骤6，重复步骤3～步骤5，直至达到算法终止条件：迭代次数大于等于3000，算法结束，输出当前最优解。
在算法初始化阶段，令邻域选择概率prok＝0.5,k＝1,2，当前迭代次数Itr＝1，迭代间隔I＝100，禁忌表tabulist为空集，禁忌长度LTL＝30，权重因子η＝0.8，总的迭代次数TItr＝3000。从式(12)-(13)可知，对解的提升程度更高的邻域结构具有更大的选择概率。首先运用TSCBT算法获得初始解x0并令目前所获得的最好解x*等于x0。之后运用轮盘赌函数RouletteWheel(pro1，pro2)选择邻域结构。最后，运用邻域搜索函数FindNeighbor(x,Nk)获得邻域解x′，并比较x′与x*的优劣。如果x′优于x*，令x*＝x′并将产生优解的任务重分配操作添加至禁忌表。重复以上过程，直至满足算法终止条件。
以下通过仿真实验验证本发明的可行性。
A.实验场景配置
在仿真实验构建一个调度周期为2019-10-08 00:00:00至2019-10-09 00:00:00(86400s)，由最多7颗中继卫星、20个用户航天器组成的共30个中继卫星应用场景，每颗中继卫星携带一副单址天线用于执行常规任务，天线对准时间为360s，复位时间为240s。
为了测试本发明所提出的算法的性能，在上面构建的中继卫星任务规划应用场景中，依次分析不同任务规模、不同用户航天器数量、不同中继卫星数量和不同服务时长对算法的影响。分30组实验进行测试，各组实验具体参数设置如表2所示，其中Num_T表示任务申请数，Num_US表示用户航天器数量，Num_R表示中继卫星数量。运用正态分布生成任务需求服务时长，其中mean和std分别表示正态分布的期望值和标准差。
表2实验参数设置
B.实验结果
运用AVND-TL对上述30组不同参数设置的调度场景进行测试，同时，在同一中继卫星任务规划场景下，将AVND-TL与最大权重最先服务算法(HWFS)、基于最小冲突度的启发算法(MCD)、TSCBT、基于邻域结构1的GRASP算法(GRASP1)、基于邻域结构2的GRASP算法(GRASP2)、变邻域搜索算法(VND)和自适应变邻域搜索算法(AVND)比较。其中，在HWFS中，具有最大权重的任务将首先被分配到合适的可用资源中，HWFS不对可用资源进行冲突风险评估。MCD除了不考虑任务的断点续传，其余算法步骤与TSCBT一致。每个实验算例重复运行20次取平均值，如表3所示。
C.不同任务规模对算法的影响
以C1-C7为实验算例，测试不同任务规模对算法的影响，实验结果如表3所示。结果表明，7种算法的任务完成率均随任务规模的增大而增大，当到达一定程度之后，任务完成率增长速度明显减缓。这是因为在当前算法性能下，中继卫星天线资源已接近其最大利用率。同时，从表3也可以看出，随着任务规模的增大，7种算法的任务完成数的增长速度远小于任务规模的增长速度，算法运行时间也随之增长，可见任务规模对调度工作和算法性能有较大影响。
D不同用户航天器规模对算法的影响
以C8-C14为实验算例，测试不同用户航天器数量对算法的影响，实验结果如表3所示。结果表明，7种算法的任务完成率和平均运行时间随用户航天器数量的波动呈现小幅度波动，可见用户航天器数量对算法性能和调度工作影响较小。E.不同中继卫星规模对算法的影响
以C15-C20为实验算例，测试不同中继卫星数量对算法的影响，实验结果如表3所示。结果表明，7种算法的任务完成率均随中继卫星数量的增多而增大，当到达一定程度之后，任务完成率增长速度明显减缓。这是因为此时任务可用资源已接近其最大利用率，任务完成率难以实现进一步增长。同时，随着中继卫星数量的增多，7种算法运行时间也随之增长，可见中继卫星数量对调度工作和算法性能有较大影响。
F.不同任务需求服务时长对算法的影响
以C21-C30为实验算例，测试不同任务服务时长对任务完成率和天线利用率的影响，实验结果如图18和表3所示。结果表明，随着任务服务时长的增长，任务完成率逐渐降低，最后趋于平缓。同时，相比于没有考虑断点续传的HPFS算法和MCD算法，AVND-TL算法及其他考虑断点续传应用模式的算法的天线利用率变化较为平缓，且天线利用率远高于HPFS算法和MCD算法。这也说明了考虑断点续传的中继卫星应用模式对提高服务时长较长的任务调度成功率和天线利用率有明显的增益。
G.不同邻域结构对比
结合表3，以C1-C30为实验算例，讨论不同邻域结构对算法的影响。结果表明，相同应用场景下，GRASP1求解效果始终优于GRASP2，说明邻域结构1在提高算法的寻优能力上优于邻域结构2，但GRASP1算法运行时间也高于GRASP2，这是典型的“以时间换精度”。虽然GRASP[11]求解效果较优，但是AVND-TL的解决方案AVND-TL在所有实验算例的求解结果都优于GRASP，说明AVND-TL在解决中继卫星任务规划问题上比GRASP更有效。
H.不同调度模式对比
本节总结了不同任务规划方法的任务完成率，以C1-30为实验算例，将不同中继卫星应用模式下任务完成情况总结如图19和表3所示。在所有的实验案例中，使用断点续传方式后任务完成率的提高都有所不同。如果资源充足，使用断点续传模式(如C1和C20-C22)不会显著提高任务完成率。在资源稀缺的情况下，使用断点续传模式(如C6-C7和C15)可以显著提高任务完成率。
值得注意的是，AVND-TL不仅求解效果优于VND，且算法运行时间低于VND，这验证了自适应邻域结构选择机制的有效性。同样，AVND-TL的解优于AVND的解，说明禁忌表可以有效地帮助算法避免陷入局部最优。
综上所述，在求解同一应用场景的中继卫星任务规划问题时，AVND-TL算法求解结果总是优于其他算法，考虑断点续传的中继卫星应用模式和AVND-TL算法能有效提高任务完成率和中继系统效能。此外，实验结果也表明TSCBT算法适用于对调度时间有较高要求的中继卫星应用场景，AVND-TL算法适用于对调度质量有较高要求的中继卫星应用场景。
表3实验结果
/>
本发明首先在阐述任务拆分机制的基础上，构建了考虑断点续传的中继卫星任务规划模型。该模型统一表征了原任务与子任务的内在联系，对创新和开发中继卫星系统应用模式具有一定的借鉴意义。其次，针对可滑动时间窗口冲突度难以量化的问题，提出了基于冲突风险评估的冲突度计算方法。根据其原理衍生的基于最小冲突度的冲突规避策略能有效地降低资源损耗和提高任务完成率。接着，以TSCBT为初始解求解算法，AVND-TL算法对初始解进行改进。AVND-TL算法具备邻域结构的自适应选择机制和对搜索历史的记忆性，实现在搜索过程中实时动态地更新邻域选择概率。TSCBT算法适用于对调度时间有较高要求的中继卫星应用场景，AVND-TL算法适用于对调度质量有较高要求的中继卫星应用场景。最后通过大量仿真实验验证了本发明所提断点续传应用模式和AVND-TL在任务完成率和天线利用率等方面的增益。
Claims (7)
1.一种中继卫星任务规划方法，其特征在于，包括以下步骤：
S1、判断是否满足更新邻域结构选择概率条件，若是，则更新邻域结构选择概率，进入步骤S2；否则，直接进入步骤S2；
S2、选择邻域结构，并在所选择的邻域结构内搜索再调度方案；
S3、判断所述再调度方案是否优于初始调度方案，若优于，则判断当前邻域搜索是否被禁忌，若是，则返回步骤S1；否则，将所述再调度方案设为优化调度方案，并将当前邻域搜索添加至禁忌表，并释放达到解禁条件的邻域搜索；若不优于，则返回步骤S1；
S4、重复步骤S1～S3，当达到设定的迭代次数时，输出优化调度方案，即得到最优调度方案；
初始调度任务获取过程包括：
A)对所有任务进行排序，并根据排序结果生成任务集T；
B)获取任务集T中的所有不需拆分的任务，所述所有不需拆分的任务构成任务集合Tβ；为每个任务生成可用资源集合；
C)判断任务集合Tβ是否为空，若否，则选择各任务可用资源集合中最小冲突度的可用时间窗口调度当前任务，并刷新当前任务的可见时间窗口；判断当前任务能否以完整形式调度，若能，则当前任务调度成功，对下一个任务，返回步骤B)；否则，将当前任务添加至任务集Tα；其中，Tα表示任务集T中拆分成功的任务集；若任务集合Tβ为空，进入步骤D)；
D)对当前任务的子任务进行资源匹配，生成子任务可用资源集合；
E)判断Tα是否为空，若Tα为空，则结束调度；否则，遍历当前任务的所有子任务，对所有子任务进行调度，并判断当前任务能否以断点续传方式调度，若能，则当前任务调度成功，对于下一个任务，返回步骤D)；否则，对下一个任务，返回步骤D)；
步骤B)中，当前任务t的可用资源集合AVTtβ的生成过程包括：当[stst,stet]和满足/>时，则/>其中，[stst,stet]为当前任务t的服务时间窗口；dt为当前任务t的需求服务时长；/>为当前任务t的可见时间窗口；/>为当前任务t持续时间最长的可用时间窗口；
步骤C)中，任务i的可用时间窗口冲突度/>的计算公式为：
其中，为任务i、j在天线r中的可用时间窗/>的交集部分的面积；/>为任务i、j调度时段冲突的边界条件与所述交集部分重叠区域的面积；/>T′β＝Tβ，T′α表示Tα中任务拆分后的子任务集合；VTtr为任务t在天线r上的可见时间窗口集合；R为中继卫星天线集合,R＝{1,2,…,r}。
2.根据权利要求1所述的中继卫星任务规划方法，其特征在于，步骤S1中，当Itr/I＝c时，则判定满足更新邻域结构选择概率条件；其中，Itr为当前迭代次数；I为设定的迭代间隔；c为正整数。
3.根据权利要求1所述的中继卫星任务规划方法，其特征在于，步骤S1中，利用以下规则更新第k个邻域结构的选择概率prok：
prok＝pro′k/∑k＝1,2pro′k；
其中，η为惯性权重因子；selk为最近I次选代过程中，第k个邻域结构被选中的次数；suck表示利用第k个邻域结构产生再分配方案的次数。
4.根据权利要求1所述的中继卫星任务规划方法，其特征在于，步骤S2中，所述邻域结构包括两种，其中第一种邻域结构包括以下算子：
算子A：随机选择一个初始调度方案，释放该初始调度方案占用的调度资源，并将该初始调度方案重新分配到同一天线上的其他可用资源上，得到再调度任务；
算子B：随机选择一个初始调度方案，释放该初始调度方案占用的调度资源，并将该初始调度方案重新分配到另一天线上的其他可用资源上，得到再调度任务；
算子C：随机选择一个初始调度方案，释放该初始调度方案的调度资源，并将该初始调度方案拆分成若干个子任务后再重新分配到同一天线上的其他可用资源上，得到再调度任务；
算子D：随机选择一个初始调度方案，释放该初始调度方案的调度资源，并将该初始调度方案拆分成若干个子任务后再重新分配到另一天线上的其他可用资源上，得到再调度任务；
算子E：随机选择一个初始调度方案，释放该初始调度方案占用的调度资源，并将该初始调度方案重新分配到同一天线上的其他可用资源上，此时原调度失败任务经任务拆分后调度成功，得到再调度任务；
算子F：随机选择一个初始调度方案，释放该初始调度方案占用的调度资源，并将该初始调度方案重新分配到另一天线上的其他可用资源上，此时原调度失败任务经任务拆分后调度成功，得到再调度任务；
算子G：随机选择一个初始调度方案，释放该初始调度方案占用的调度资源，并将该初始调度方案拆分成若干个子任务后再重新分配到同一天线上的其他可用资源，此时原未调度任务经任务拆分后调度成功，得到再调度任务；
算则H：随机选择一个初始调度方案，释放该初始调度方案占用的调度资源，并将该初始调度方案拆分成若干个子任务后再重新分配到另一天线上的其他可用资源，此时原未调度任务经任务拆分后调度成功，得到再调度任务；
第二种邻域结构包括以下算子：
算子I：随机选择一个初始调度方案，删除该初始调度方案，释放该初始调度方案原先占用的资源，并在同一天线资源上插入未调度任务，得到再调度任务；
算子J：随机选择一个初始调度方案，删除该初始调度方案，释放该初始调度方案原先占用的资源，并将未调度的任务拆分后在与被删除任务的同一天线资源上插入未调度任务，得到再调度任务；
算子K：随机选择一个初始调度方案，删除该初始调度方案，释放该初始调度方案原先占用的资源，并将未调度的任务拆分后在与被删除任务的不同天线资源上插入未调度任务，得到再调度任务。
5.根据权利要求1所述的中继卫星任务规划方法，其特征在于，步骤S2中，利用轮盘赌函数选择邻域结构，并利用邻域搜索函数搜索所述再调度方案。
6.一种中继卫星任务规划系统，其特征在于，包括计算机设备；所述计算机设备被配置或编程为用于执行权利要求1～5之一所述的步骤。
7.一种计算机可读存储介质，其特征在于，其存储有程序；该程序被配置为用于执行权利要求1～5之一所述的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010850247.8A CN112070370B (zh) | 2020-08-21 | 2020-08-21 | 中继卫星任务规划方法、系统及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010850247.8A CN112070370B (zh) | 2020-08-21 | 2020-08-21 | 中继卫星任务规划方法、系统及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112070370A CN112070370A (zh) | 2020-12-11 |
| CN112070370B true CN112070370B (zh) | 2024-03-08 |
Family
ID=73658834
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010850247.8A Active CN112070370B (zh) | 2020-08-21 | 2020-08-21 | 中继卫星任务规划方法、系统及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112070370B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116594745A (zh) * | 2023-05-11 | 2023-08-15 | 阿里巴巴达摩院(杭州)科技有限公司 | 任务执行方法、系统、芯片及电子设备 |
| CN117371764A (zh) * | 2023-12-05 | 2024-01-09 | 十方星链(苏州)航天科技有限公司 | 中继卫星的任务规划方法、装置、设备及存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107239661A (zh) * | 2017-06-05 | 2017-10-10 | 中国电子科技集团公司第五十四研究所 | 一种遥感卫星观测任务规划方法 |
| CN108388958A (zh) * | 2018-01-31 | 2018-08-10 | 中国地质大学（武汉） | 一种二维姿态机动卫星任务规划技术研究的方法及装置 |
| CN109087023A (zh) * | 2018-08-23 | 2018-12-25 | 中南大学 | 一种基于分治策略的多星观测分层调度方法及系统 |
| CN109948944A (zh) * | 2019-03-27 | 2019-06-28 | 中南林业科技大学 | 一种卫星任务调度方法及系统 |
| CN110113212A (zh) * | 2019-05-16 | 2019-08-09 | 中南大学 | 一种适于断点续传的中继卫星单址天线调度方法 |
-
2020
- 2020-08-21 CN CN202010850247.8A patent/CN112070370B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107239661A (zh) * | 2017-06-05 | 2017-10-10 | 中国电子科技集团公司第五十四研究所 | 一种遥感卫星观测任务规划方法 |
| CN108388958A (zh) * | 2018-01-31 | 2018-08-10 | 中国地质大学（武汉） | 一种二维姿态机动卫星任务规划技术研究的方法及装置 |
| CN109087023A (zh) * | 2018-08-23 | 2018-12-25 | 中南大学 | 一种基于分治策略的多星观测分层调度方法及系统 |
| CN109948944A (zh) * | 2019-03-27 | 2019-06-28 | 中南林业科技大学 | 一种卫星任务调度方法及系统 |
| CN110113212A (zh) * | 2019-05-16 | 2019-08-09 | 中南大学 | 一种适于断点续传的中继卫星单址天线调度方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112070370A (zh) | 2020-12-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Blythe et al. | Task scheduling strategies for workflow-based applications in grids | |
| Rahman et al. | A dynamic critical path algorithm for scheduling scientific workflow applications on global grids | |
| CN112070370B (zh) | 中继卫星任务规划方法、系统及存储介质 | |
| CN108154317B (zh) | 多云环境下基于实例自适应分配整合的工作流组调度方法 | |
| CN107038070A (zh) | 一种云环境下执行可靠性感知的并行任务调度方法 | |
| CN113760553A (zh) | 一种基于蒙特卡洛树搜索的混部集群任务调度方法 | |
| CN115543626A (zh) | 采用异构计算资源负载均衡调度的电力缺陷图像仿真方法 | |
| CN110196773B (zh) | 统一调度计算资源的多时间尺度安全校核系统及方法 | |
| Eswari et al. | Effective task scheduling for heterogeneous distributed systems using firefly algorithm | |
| CN111061565A (zh) | 一种Spark环境下的两段式流水线任务调度方法及系统 | |
| Santos et al. | Rate monotonic scheduling in hard real-time systems | |
| Józefowska et al. | A heuristic approach to allocating the continuous resource in discrete–continuous scheduling problems to minimize the makespan | |
| Yang et al. | Design of kubernetes scheduling strategy based on LSTM and grey model | |
| US8589944B2 (en) | Method and system for task mapping to iteratively improve task assignment in a heterogeneous computing system | |
| Hu et al. | An optimal resource allocator of elastic training for deep learning jobs on cloud | |
| CN115756789A (zh) | 一种针对深度学习推理服务系统的gpu调度优化方法 | |
| CN113238873B (zh) | 一种用于航天器资源优化配置的方法 | |
| CN116932201A (zh) | 一种面向深度学习训练任务的多资源共享调度方法 | |
| CN112698911B (zh) | 一种基于深度强化学习的云作业调度方法 | |
| CN115564374A (zh) | 协同多任务重分配方法、装置、设备及可读存储介质 | |
| CN111950869A (zh) | 改进航天测控网调度问题初始解的迭代求解方法及系统 | |
| Nasr et al. | Task scheduling optimization in heterogeneous distributed systems | |
| Srinivasan et al. | A heuristic-based car shop scheduling application | |
| CN114860435B (zh) | 基于任务选择过程强化学习的大数据作业调度方法 | |
| Li et al. | Resource allocation for componentized multimedia service in ubiquitous computing power environment |
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 |