CN112231117A - 基于动态向量混合遗传算法的云机器人服务选择方法及系统 - Google Patents
基于动态向量混合遗传算法的云机器人服务选择方法及系统 Download PDFInfo
- Publication number
- CN112231117A CN112231117A CN202011092671.7A CN202011092671A CN112231117A CN 112231117 A CN112231117 A CN 112231117A CN 202011092671 A CN202011092671 A CN 202011092671A CN 112231117 A CN112231117 A CN 112231117A
- Authority
- CN
- China
- Prior art keywords
- service
- robot
- cloud
- genetic algorithm
- hybrid genetic
- 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
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 64
- 239000013598 vector Substances 0.000 title claims abstract description 46
- 230000002068 genetic effect Effects 0.000 title claims abstract description 43
- 238000010187 selection method Methods 0.000 title claims abstract description 22
- 238000000034 method Methods 0.000 claims abstract description 26
- 238000012163 sequencing technique Methods 0.000 claims abstract description 7
- 238000004891 communication Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 14
- 238000003860 storage Methods 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 5
- 238000013441 quality evaluation Methods 0.000 claims description 4
- 230000008901 benefit Effects 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 14
- 238000012545 processing Methods 0.000 description 6
- 238000007728 cost analysis Methods 0.000 description 5
- 238000013461 design Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000004659 sterilization and disinfection Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
- G06F9/54—Interprogram communication
- G06F9/547—Remote procedure calls [RPC]; Web services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
- G06F9/4881—Scheduling strategies for dispatcher, e.g. round robin, multi-level priority queues
-
- 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
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Computation (AREA)
- Genetics & Genomics (AREA)
- Physiology (AREA)
- Geometry (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Computer Hardware Design (AREA)
- Feedback Control In General (AREA)
Abstract
本发明属于云机器人服务调度领域,提供了一种基于动态向量混合遗传算法的云机器人服务选择方法及系统。其中,基于动态向量混合遗传算法的云机器人服务选择方法包括获取设定场景下服务器人的服务调度序列;初始化服务器人消费参数,云服务平台的资源调度消耗参数、云服务模型参数,基于动态向量的混合遗传算法调度模型及预设迭代次数及Qos指标参数,通过动态的Qos排序和随机的dropout保留最好的候选服务集,根据候选服务集对应的花费选择最优服务。其有效地利用了动态向量加速更新和混合遗传算法更容易寻找全局解集独特优势,结合云端服务模型系统改善调度性能,提高了收敛速度,使得机器人能够更快、更好的调用智能化云服务。
Description
技术领域
本发明属于云机器人服务调度领域,尤其涉及一种基于动态向量混合遗传算法的云机器人服务选择方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息,不必然构成在先技术。
服务机器人已经广泛应用于如迎宾、无接触消毒配送等多种现实场景中。但由于其本体计算能力、资源有限,大多数机器人只能应用于特定小场景,在很大程度上限制了服务机器人的发展。随着云计算的不断发展,不断成为一种新的资源提供和分布式计算范式,以其无限的服务和计算能力推动了服务机器人的发展。但是一味地提升服务质量,将会导致机器人端的巨大消费成本,云端资源的过度浪费。因此,如何根据机器人的需求选择高质量的服务同时、合理利用云端资源是一个十分难以解决的难题。
服务机器人的云服务调度系统相比于传统的云服务调度系统而言,所需考虑的不仅仅是云端资源的调度,此外也需要考虑机器人本体的特性、服务的特性及机器人和云端交互的特性。目前关于云服务调度的研究方法有:基于规则调度、基于预测调度和基于智能优化算法等;然而目前的方法均未考虑机器人端特性,其服务特性考虑单一。在实际的应用场景中,需要结合机器人端、交互端和云端的特性来均衡设计,单一的优化算法也存在稳定性差的缺点,难以被广泛使用。
发明人在研发的过程中发现,现有的优化调度算法,存在稳定性差、耗费成本巨大缺点。此外,先前的研究并未将机器人端、交互段和云端结合,因此,难以将理论分析应用于实际评价。
发明内容
为了解决上述背景技术中存在的至少一项技术问题,本发明提供一种基于动态向量混合遗传算法的云机器人服务选择方法及系统,其有效地利用了动态向量加速更新和混合遗传算法更容易寻找全局解集独特优势,结合云端服务模型系统改善调度性能,提高了收敛速度,使得机器人能够更快、更好的调用智能化云服务。
为了实现上述目的,本发明采用如下技术方案:
本发明的第一个方面提供一种基于动态向量混合遗传算法的云机器人服务选择方法,其包括:
获取设定场景下服务器人的服务调度序列;
初始化服务器人消费参数,云服务平台的资源调度消耗参数、云服务模型参数,基于动态向量的混合遗传算法调度模型及预设迭代次数及Qos指标参数,通过动态的Qos排序和随机的dropout保留最好的候选服务集,根据候选服务集对应的花费选择最优服务。
本发明的第二个方面提供一种基于动态向量混合遗传算法的云机器人服务选择系统,其包括:
服务调度序列获取模块,其用于获取设定场景下服务器人的服务调度序列;
服务调度选择模块,其用于初始化服务器人消费参数,云服务平台的资源调度消耗参数、云服务模型参数,基于动态向量的混合遗传算法调度模型及预设迭代次数及Qos指标参数,通过动态的Qos排序和随机的dropout保留最好的候选服务集,根据候选服务集对应的花费选择最优服务。
本发明的第三个方面提供一种计算机可读存储介质。
一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上述所述的基于动态向量混合遗传算法的云机器人服务选择方法中的步骤。
本发明的第四个方面提供一种计算机设备。
一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述所述的基于动态向量混合遗传算法的云机器人服务选择方法中的步骤。
与现有技术相比,本发明的有益效果是:
(1)本发明不仅在服务机器人调度系统中引入了服务模型和机器人模型,还增加了调用系统设计,保证了系统稳定性和普适性,提高了机器人的调用水平及其智能性。
(2)本发明借助云服务平台,可以从海量数据获取云端服务的特性参数,如响应时间、处理时常等,提高服务质量,并从根本上提升机器人智力水平。
(3)本发明不仅在算法模型中引入动态向量,增加了算法模型的可靠性和鲁棒性,同时保证在最短的时间内收敛,并且取得符合服务机器人需求的云服务。
(4)本发明有效地利用了动态向量加速更新和混合遗传算法更容易寻找全局解集独特优势,结合云端服务模型系统改善调度性能,提高了收敛速度,使得机器人能够更快、更好的调用智能化云服务。
本发明附加方面的优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1是本发明实施例的云服务调度算法的设计方法的流程图;
图2是本发明实施例的云服务平台资源调度消耗模型示意图;
图3是本发明实施例的两阶段服务选择过程模型示意图;
图4是本发明实施例的服务调用模型在机器人调用时仿真效果图;
图5(a)是迭代100次时不同数目的服务调用时间成本分析图;
图5(b)是迭代500次时不同数目的服务调用时间成本分析图;
图5(c)是迭代700次时不同数目的服务调用时间成本分析图;
图5(d)是迭代1000次时不同数目的服务调用时间成本分析图;
图6是本发明实施例的服务机器人调用不同服务所花费的成本分析图;
图7(a)是本发明实施例的在调用100次服务时,不同算法耗费的成本图;
图7(b)是本发明实施例的在调用500次服务时,不同算法耗费的成本图;
图8(a)是本发明实施例的在调用100次服务时,不同算力的机器人耗费的成本图;
图8(b)是本发明实施例的在调用500次服务时,不同算力的机器人耗费的成本图;
图9(a)是本发明实施例的在调用100次服务时,不同算力的云服务平台耗费的成本图;
图9(b)是本发明实施例的在调用500次服务时,不同算力的云服务平台耗费的成本图;
图10(a)是本发明实施例的采用固定权重和动态的损耗收敛曲线;
图10(b)是本发明实施例的采用固定权重和动态的时间波动曲线。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本发明提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本发明的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例一
参照图1,本实施例的一种基于动态向量混合遗传算法的云机器人服务选择方法,其包括:
步骤1:获取设定场景下服务器人的服务调度序列。
具体地,服务机器人调度服务序列如下:
<SR1,SR2,…,SRm>
其中,SRx包含{<s11,sp11,cp11>,<s12,sp12,cp12>,…,<smn,spmn,cpmn>};SRx表示为服务的序列集合,smn为服务序列集合m中的第n个服务。cpmn为云服务平台定价集合m中第n个服务价格,spmn为云服务定价集合m中第n个服务价格。
步骤2:初始化服务器人消费参数,云服务平台的资源调度消耗参数、云服务模型参数,基于动态向量的混合遗传算法调度模型及预设迭代次数及Qos指标参数,通过动态的Qos排序和随机的dropout(丢弃操作)保留最好的候选服务集,根据候选服务集对应的花费选择最优服务。
在具体实施中,基于服务器人消费参数构建不同场景下的异构服务机器人消费模型,得到服务器人的机器人的局部计算花费总成本及服务机器人通信成本。
异构服务机器人消费模型由调用服务的通信成本和本地计算成本及服务调度序列三部分组成。
服务机器人局部计算成本模型如下:
其中,RLCk表示第k个机器人的局部计算花费总成本,RCj表示第j个机器人算力计算成本,Δtj表示对应的第j个机器人服务运行的时间长度,RPj表示第j个机器人本体计算一次所消耗的能量模型。RCPU和RPC分别表示对应的第j个机器人单位时间内的花费。
服务机器人通信成本模型如下:
其中,RCCk表示第k个机器人的通信总成本,FLj和FL'j分别表示第j个机器人在发送的数据信息量,FDj表示第j个机器人接收的数据信息量。RFj表示第j个机器人本体的传输能力,CLCj表示第j个机器人局部信道传输能力。SCj和DSCj分别表示第j个机器人发送数据和接收数据的花费。
其中,基于云服务平台的资源调度消耗参数构建云服务平台资源调度消耗模型,得到运行在特定虚拟机或者特定容器下的花费及服务通信成本。
本实施例定义服务机器人云服务平台消耗模型包含两个重要的组成部分,分别为物理机器成本和服务通信成本。
物理机器成本模型如下:
其中,POC表示运行在特定虚拟机或者特定容器下的花费,PCSDj表示第j个服务器上特定服务处理的数据量,PCYj表示第j个服务器CPU的使用速率,PCDj表示第j个服务器硬盘的使用速率,PCMj
上述模型主要包含三个部分的花费,表示第j个服务器存储的使用量。
分别是CPU、硬盘和存储,相应的单位成本为分别为UCPC、UCDC和UCMC。pw为三个部分所占的权重系数,满足如下条件:
服务通信成本模型如下:
参阅附图2,该模型主要包含集群内通信成本和集群间通信成本。在实际的应用中,集群内的带宽视作无限大,因此通信时间是可以忽略不计的,因为本设计只考虑集群间的成本。
其中,PSj表示第j个服务再不同集群间的通信单位成本,SDj和SD'j表示为网关需要发送和接收的第j个服务数据量,PFj表示第j个服务的数据传输速率。
具体地,基于云服务模型参数构建出服务机器人云服务质量评价模型,得到服务完成速率。
服务机器人云服务质量评价模型将云服务的属性划分为正向属性和负向属性,即对服务起到正向推动作用或者反向推动作用。本实施例采用的属性列表如下:
由于不同的服务属性之间存在不同的规格,因此采用下述方案对评价模型进行归一化处理:
基于动态向量的混合遗传算法调度模型,参考附图3,结合两阶段选择过程:①通过动态的Qos排序和随机的dropout(丢弃操作)保留最好的候选服务集,公式如下:其中为最好的topS(S为设定的个数)服务集合,LPh为候选的服务集合②根据其对应的花费选择合适的服务。
主要的步骤模型如下:
通过动态的Qos排序和随机的dropout(丢弃操作)保留最好的候选服务集的过程中,其最终的优化目标为:服务器人的机器人的局部计算花费总成本、服务机器人通信成本、运行在特定虚拟机或者特定容器下的花费及服务通信成本最小。
最终的优化目标模型如下:
其中SCR为服务完成速率,即机器人在单位时间内完成的服务调用。
在根据候选服务集对应的花费选择最优服务的过程中,根据动态向量初始位置判断迭代次数是否达到上限或最优的均衡位置被找到中两者任一者成立且满足质量要求,若是,则输出当前云服务平台为服务机器人提供的服务序列;否则,重复上述迭代过程,直至误差满足设定条件。
本实施例提出的基于动态向量的混合遗传算法模型,利用了动态向量加速更新和混合遗传算法更容易寻找全局解集独特优势,结合云端服务模型系统改善调度性能,提高了收敛速度,使得机器人能够更快、更好的调用智能化云服务。
下面对本实施例提出的基于动态向量的混合遗传算法模型的设计方法进行仿真验证。
服务机器人在家庭环境下调用云服务服务的仿真结果如图4所示,从图中可以看出,本实施例所提出的DVHGA可以克服经典调度算法不收敛的缺点。该算法在小于100迭代时便可以寻找最优解,具有成本低、效率高的特点。这些优越的特性使得调度器能够在一个合理的时间对云服务进行调度选择,并使整个系统的成本最小化。
从图5(a)、5(b)、5(c)和5(d)中可以看到随着服务调用次数的增多,本实施例设计的DVHGA在时间成本上始终优于其他现进的算法,首先,随着服务数量的增加,每种算法的整体调度时间也随之增加,耗时算法的最长的总时间长达3秒,该种情况可能会阻塞调度程序,并可能导致服务质量下降。然而,DVHGA可以在1秒内完成,保证了调度效率。其次,遗传算法在求解调度时间方面占主导地位,而对于离散调度问题,这些算法往往存在难以收敛错误。最后,随着服务数量的增加,DVHGA算法与其他算法之间的耗时差距越来越大。从中可以看出,本实施例设计的算法模型在调用不同服务时具有较好的性能。图6是实施例一在调用不同服务所花费的成本分析图,图7(a)和7(b)是调用500次服务时,不同算法耗费的成本图,图8(a)和8(b)是调用500次服务时,不同算力的机器人耗费的成本图,图9(a)和9(b)是调用500次服务时,不同算力的云服务平台耗费的成本图。从中可以知道本实施例所设计的算法模型,可以保证系统的各部分耗费的成本最小。图10(a)和10(b)是实施例一算法采用固定权重和动态的损耗收敛曲线和时间波动曲线。从图中可以看出,动态向量参数法可以比传统的固定参数法更优越、成本更低。此外,系统波动的时间在于可以忽略的范围。
本实施例提出的基于动态向量的混合遗传算法模型,利用了动态向量加速更新和混合遗传算法更容易寻找全局解集独特优势,结合云端服务模型系统改善调度性能,提高了收敛速度。通过仿真实验更好的验证了算法的高效性和低成本性,使得机器人能够更快、更好的调用智能化云服务。
实施例二
本实施例提供了一种基于动态向量混合遗传算法的云机器人服务选择系统,其包括:
服务调度序列获取模块,其用于获取设定场景下服务器人的服务调度序列;
服务调度选择模块,其用于初始化服务器人消费参数,云服务平台的资源调度消耗参数、云服务模型参数,基于动态向量的混合遗传算法调度模型及预设迭代次数及Qos指标参数,通过动态的Qos排序和随机的dropout保留最好的候选服务集,根据候选服务集对应的花费选择最优服务。
本实施例的基于动态向量混合遗传算法的云机器人服务选择系统中的各个模块的具体实施过程与实施例一所述的基于动态向量混合遗传算法的云机器人服务选择方法中的步骤一一对应,此处不再累述。
实施例三
本实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上述实施例一所述的基于动态向量混合遗传算法的云机器人服务选择方法中的步骤。
实施例四
本实施例提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述实施例一所述的基于动态向量混合遗传算法的云机器人服务选择方法中的步骤。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(RandomAccessMemory,RAM)等。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于动态向量混合遗传算法的云机器人服务选择方法,其特征在于,包括:
获取设定场景下服务器人的服务调度序列;
初始化服务器人消费参数,云服务平台的资源调度消耗参数、云服务模型参数,基于动态向量的混合遗传算法调度模型及预设迭代次数及Qos指标参数,通过动态的Qos排序和随机的dropout保留最好的候选服务集,根据候选服务集对应的花费选择最优服务。
2.如权利要求1所述的基于动态向量混合遗传算法的云机器人服务选择方法,其特征在于,基于服务器人消费参数构建不同场景下的异构服务机器人消费模型,得到服务器人的机器人的局部计算花费总成本及服务机器人通信成本。
3.如权利要求2所述的基于动态向量混合遗传算法的云机器人服务选择方法,其特征在于,基于云服务平台的资源调度消耗参数构建云服务平台资源调度消耗模型,得到运行在特定虚拟机或者特定容器下的花费及服务通信成本。
4.如权利要求3所述的基于动态向量混合遗传算法的云机器人服务选择方法,其特征在于,通过动态的Qos排序和随机的dropout保留最好的候选服务集的过程中,其最终的优化目标为:服务器人的机器人的局部计算花费总成本、服务机器人通信成本、运行在特定虚拟机或者特定容器下的花费及服务通信成本最小。
5.如权利要求1所述的基于动态向量混合遗传算法的云机器人服务选择方法,其特征在于,基于云服务模型参数构建出服务机器人云服务质量评价模型,得到服务完成速率。
6.如权利要求5所述的基于动态向量混合遗传算法的云机器人服务选择方法,其特征在于,通过动态的Qos排序和随机的dropout保留最好的候选服务集的过程中,服务完成速率不低于95%。
7.如权利要求1所述的基于动态向量混合遗传算法的云机器人服务选择方法,其特征在于,在根据候选服务集对应的花费选择最优服务的过程中,根据动态向量初始位置判断迭代次数是否达到上限或最优的均衡位置被找到中两者任一者成立且满足质量要求,若是,则输出当前云服务平台为服务机器人提供的服务序列;否则,重复上述迭代过程,直至误差满足设定条件。
8.一种基于动态向量混合遗传算法的云机器人服务选择系统,其特征在于,包括:
服务调度序列获取模块,其用于获取设定场景下服务器人的服务调度序列;
服务调度选择模块,其用于初始化服务器人消费参数,云服务平台的资源调度消耗参数、云服务模型参数,基于动态向量的混合遗传算法调度模型及预设迭代次数及Qos指标参数,通过动态的Qos排序和随机的dropout保留最好的候选服务集,根据候选服务集对应的花费选择最优服务。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-7中任一项所述的基于动态向量混合遗传算法的云机器人服务选择方法中的步骤。
10.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-7中任一项所述的基于动态向量混合遗传算法的云机器人服务选择方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011092671.7A CN112231117B (zh) | 2020-10-13 | 2020-10-13 | 基于动态向量混合遗传算法的云机器人服务选择方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011092671.7A CN112231117B (zh) | 2020-10-13 | 2020-10-13 | 基于动态向量混合遗传算法的云机器人服务选择方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112231117A true CN112231117A (zh) | 2021-01-15 |
CN112231117B CN112231117B (zh) | 2023-05-09 |
Family
ID=74113478
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011092671.7A Active CN112231117B (zh) | 2020-10-13 | 2020-10-13 | 基于动态向量混合遗传算法的云机器人服务选择方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112231117B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114221990A (zh) * | 2021-12-17 | 2022-03-22 | 武汉长江鲲鹏生态创新科技有限公司 | 一种云平台下组合服务优选方法 |
CN116991246A (zh) * | 2023-09-27 | 2023-11-03 | 之江实验室 | 用于导览机器人的算法调度方法、装置及导览机器人系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103576829A (zh) * | 2012-08-01 | 2014-02-12 | 复旦大学 | 基于混合遗传算法的云计算虚拟机动态调度方法 |
CN104932938A (zh) * | 2015-06-16 | 2015-09-23 | 中电科软件信息服务有限公司 | 一种基于遗传算法的云资源调度方法 |
WO2016165392A1 (zh) * | 2015-04-17 | 2016-10-20 | 华南理工大学 | 一种基于遗传算法的云计算资源调度方法 |
CN108880887A (zh) * | 2018-06-20 | 2018-11-23 | 山东大学 | 基于微服务的陪护机器人云服务系统及方法 |
CN110688224A (zh) * | 2019-09-23 | 2020-01-14 | 苏州大学 | 混合云服务流程调度方法 |
-
2020
- 2020-10-13 CN CN202011092671.7A patent/CN112231117B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103576829A (zh) * | 2012-08-01 | 2014-02-12 | 复旦大学 | 基于混合遗传算法的云计算虚拟机动态调度方法 |
WO2016165392A1 (zh) * | 2015-04-17 | 2016-10-20 | 华南理工大学 | 一种基于遗传算法的云计算资源调度方法 |
CN104932938A (zh) * | 2015-06-16 | 2015-09-23 | 中电科软件信息服务有限公司 | 一种基于遗传算法的云资源调度方法 |
CN108880887A (zh) * | 2018-06-20 | 2018-11-23 | 山东大学 | 基于微服务的陪护机器人云服务系统及方法 |
CN110688224A (zh) * | 2019-09-23 | 2020-01-14 | 苏州大学 | 混合云服务流程调度方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114221990A (zh) * | 2021-12-17 | 2022-03-22 | 武汉长江鲲鹏生态创新科技有限公司 | 一种云平台下组合服务优选方法 |
CN116991246A (zh) * | 2023-09-27 | 2023-11-03 | 之江实验室 | 用于导览机器人的算法调度方法、装置及导览机器人系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112231117B (zh) | 2023-05-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112286677B (zh) | 一种面向资源受限边缘云的物联网应用优化部署方法 | |
CN109561148A (zh) | 边缘计算网络中基于有向无环图的分布式任务调度方法 | |
CN108920280A (zh) | 一种单用户场景下的移动边缘计算任务卸载方法 | |
CN110109753A (zh) | 基于多维度约束遗传算法的资源调度方法及系统 | |
CN108416465B (zh) | 一种移动云环境下的工作流优化方法 | |
CN108694077A (zh) | 基于改进二进制蝙蝠算法的分布式系统任务调度方法 | |
CN103401939A (zh) | 一种采用混合调度策略的负载均衡方法 | |
CN108055292B (zh) | 一种虚拟机向物理机映射的优化方法 | |
CN112231117A (zh) | 基于动态向量混合遗传算法的云机器人服务选择方法及系统 | |
CN112153145A (zh) | 5g边缘环境下面向车联网的计算任务卸载方法及装置 | |
CN111988787B (zh) | 一种任务的网络接入和服务放置位置选择方法及系统 | |
CN111176840A (zh) | 分布式任务的分配优化方法和装置、存储介质及电子装置 | |
CN113992677A (zh) | 一种延迟与能耗联合优化的mec计算卸载方法 | |
KR20230007941A (ko) | 에지 컴퓨팅 기반 산업용 사물 인터넷 환경에서 강화학습을 활용한 태스크 오프로딩 방법 | |
CN113590279A (zh) | 一种面向多核边缘计算服务器的任务调度和资源分配方法 | |
CN115714820A (zh) | 一种分布式的微服务调度优化方法 | |
CN114429195A (zh) | 混合专家模型训练的性能优化方法和装置 | |
CN116209084A (zh) | 一种能量收集mec系统中任务卸载和资源分配方法 | |
CN114980216A (zh) | 基于移动边缘计算的依赖型任务卸载系统及方法 | |
CN115604853A (zh) | 边缘计算的车辆依赖任务卸载方法及系统 | |
CN115801896A (zh) | 算力网络节点分配方法、装置、电子设备及存储介质 | |
CN112019510B (zh) | 一种深度神经网络架构的自适应搜索方法和系统 | |
Cavallo et al. | A LAHC-based job scheduling strategy to improve big data processing in geo-distributed contexts | |
CN114884953A (zh) | 一种基于mec协作的车联网资源分配方法 | |
CN114327925A (zh) | 一种电力数据实时计算调度优化方法及系统 |
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 |