CN112346839A - 一种基于进化算法的关联任务调度方法 - Google Patents
一种基于进化算法的关联任务调度方法 Download PDFInfo
- Publication number
- CN112346839A CN112346839A CN202011229524.XA CN202011229524A CN112346839A CN 112346839 A CN112346839 A CN 112346839A CN 202011229524 A CN202011229524 A CN 202011229524A CN 112346839 A CN112346839 A CN 112346839A
- Authority
- CN
- China
- Prior art keywords
- task
- resource
- scheduling
- ant
- pheromone
- 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
- G06F9/48—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
- G06N3/004—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)
- 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
本发明属于计算机任务调度领域;具体地涉及一种基于进化算法的关联任务调度方法;所述方法包括利用蚁群算法中每只蚂蚁可以独立搜索可行解的方式来对最优任务调度方案进行搜索;为了解决蚁群算法在迭代前期,信息素浓度增大可能导致算法过早收敛、陷入局部最优的问题,对蚂蚁的调度路径选择策略和调度路径信息素更新方式进行了改进,综合考虑了节点的工作状态、计算花费以及调度路径被选择的次数,增大蚂蚁在选择调度路径时,探索新路径,使得蚁群迭代搜索不容易陷入局部最优解;利用遗传算法加速了蚁群后期的迭代收敛;本发明能够避免蚁群算法陷入局部最优解,增强遗传算法的迭代收敛,在任务调度过程中节约了大量的能耗和时耗。
Description
技术领域
本发明属于计算机任务调度领域;具体地涉及一种基于进化算法的关联任务调度方法。
背景技术
随着具备星间链路的卫星通信技术的发展,由于其具有覆盖范围大、较少依赖于地面基站的特点,卫星通信互联网开始广泛应用于天气预报、航天航海等领域中,随着这些应用需求的增长,产生了海量的数据存储和计算需求,这对集群计算机的性能提出了更高的要求。可考虑两种方式来提升性能:升级设备和提升计算机处理效率。这其中,升级设备是一种能简单地直接提高整个系统集群的处理性能的可行方式,但这种方式会带来成本的巨额增涨,且目前计算机计算性能的提升已经处于瓶颈状态,其更新换代的速度已经无法满足人们日益增涨的数据处理性能需求。故研究专家们将目光转向了处理效率的提高,即研究如何才能提高整个集群计算机的处理效率。
优化集群资源调度架构中的任务调度方案,提升资源利用率,缩短任务跨度和计算花费,是现在集群计算的研发重点,也将是未来一段时间内的发展方向。在传统的任务调度方案优化研究中,大多数是基于独立任务调度问题的研究,关联任务调度问题较少受到关注。最大化系统的资源利用率,最小化用户的计算花费以及任务完成时间,是关联任务调度问题的研究方向之一,启发式算法可被用于解决此类资源调度的组合优化问题。
启发式算法常常通过现有的某种生命体行为模式或某种特别的自然现象,作为直观经验来构造算法模型,求解问题得出可行解。比如常见的:蚁群算法、粒子群算法、遗传算法、模拟退火算法、猫群算法等等。虽然现有技术中对蚁群算法和遗传算法的融合进行了大量的研究;但是这些技术中所采用的蚁群算法容易陷入局部最优解,抑制了遗传算法的迭代收敛,导致任务调度过程中浪费了大量的能耗和时耗。
发明内容
本发明要解决的问题是如何最大化集群系统的资源利用率,做到最小化任务长度和任务计算花费。本发明提供一种基于启发式算法的任务调度方法,能够有效的降低任务计算花费和任务长度,做到资源利用率的最大化。
本发明为了解决上述问题采用以下技术方案:本发明将蚁群算法和遗传算法融合,同时最小化任务长度和任务的计算花费。综合考虑了任务之间的数据传输依赖,以及节点之间的性能差异;改进了蚁群算法中蚂蚁的路径选择方式,优化了路径的信息素更新规则,对有不同结果的蚂蚁做出不同的信息素更新;同时衰减了在同一轮可行调度方案探索是,相同路径被多次选择的可能性。
一种基于进化算法的关联任务调度方法,所述方法包括以下步骤:
S1、每只蚂蚁节点根据状态影响因子和信息素抑制因子改进的调度路径选择策略来选择出任务调度路径;
S2、当所有蚂蚁都完成了对任务集中每个任务的调度路径搜索,寻找出本轮迭代中的最佳调度方案;
S3、将本轮迭代的所有蚂蚁对应的最佳调度方案与当前的最佳调度方案进行比较,将二者中更优的方案更新为当前的最优调度方案;
S4、将步骤S3更新后的当前的最优调度方案作为遗传迭代的初始种群;
S5、对初始种群中每个染色体进行适应度评价和遗传操作评价,迭代寻找比当前的最佳调度方案更优的可行调度方案;
S6、当超过遗传的最大遗传迭代次数时,根据搜索的可行调度方案结果来对当前最佳调度方案进行更新;
S7、判断当前的蚁群迭代次数是否满足迭代结束条件,若满足则输出步骤S6中更新得到的最佳调度方案,结束迭代;否则返回步骤S1继续蚁群对调度方案的迭代搜索。
本发明所述一种基于启发式算法的关联任务调度方法,采用上述技术方案与现有技术相比,具有以下技术效果:
1)本发明的关联任务调度方法,分析了关联任务调度问题研究中存在的问题,指出关联任务调度中,前序任务是否执行完毕,以及其数据传输到达后续任务的具体时间,将对任务调度性能产生影响。本文以最小化任务长度和任务的计算花费为目标,寻找较优的局部最优解;
2)本发明的蚂蚁任务调度路径选择策略,综合考虑了计算节点的工作状态以及其计算能力,结合信息素抑制机制,将任务对应的实际完成时间和计算花费作为启发信息,引入路径概率选择公式中,对调度路径选择策略进行优化,增大了蚂蚁探索新路径的可能性;
3)本发明对信息素浓度更新规则进行了改进,提出了动态局部信息素更新规则和全局信息素更新规则,采用了动态衰减信息素浓度的方式结合最佳蚂蚁奖励机制,对蚁群信息素浓度更新方式进行改进。增加了较优调度路径对蚂蚁选择调度路径的影响,使得蚂蚁尽可能探索未知路径,同时也朝着最优解的方向收敛;
4)本发明提出的关联任务调度方法,主要针对解决了信息素浓度对蚂蚁进行不同路径选择行为的影响。将遗传算法引入到蚁群算法的每一次迭代中,将蚁群算法搜索得到的可行调度方案作为遗传算法的初始种群,利用遗传算法来搜索蚁群搜索到的最优解附近的更优解,加速了蚁群算法的后期收敛速度。
本发明针对关联任务调度问题进行研究,以最小化任务跨度和用户计算花费为目标,利用启发式算法解决多目标优化问题的优势,来实现关联任务调度问题中任务跨度和用户计算花费的优化。利用蚁群算法中每只蚂蚁可以独立搜索可行解的方式来对最优任务调度方案进行搜索;为了解决蚁群算法在迭代前期,信息素浓度增大可能导致算法过早收敛、陷入局部最优的问题,对蚂蚁的调度路径选择策略和调度路径信息素更新方式进行了改进,综合考虑了节点的工作状态、计算花费以及调度路径被选择的次数,增大蚂蚁在选择调度路径时探索较少被蚂蚁选择的路径的可能性,使得蚁群迭代搜索不容易陷入局部最优解;利用遗传算法加速蚁群后期的迭代收敛,最终提出了一种基于进化算法的关联任务调度方法。
附图说明
图1为本发明的一种基于进化算法的关联任务调度方法的流程图;
图2是本发明的遗传迭代部分中染色体个体的单点交叉方式示意图;
图3是本发明针对关联任务调度问题进行研究仿真的仿真结果图;
图4是本发明的基于进化算法的关联任务调度方法的具体应用流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅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。
下面结合说明书附图对本发明的具体实施方式作进一步详细的说明。
本发明采用了改进了蚂蚁对调度路径的选择策略,以及调度路径上的信息素浓度更新方式。对最佳蚂蚁和普通蚂蚁做出不同的信息素浓度更新。将遗传算法引入到每一次蚁群的迭代过程中,利用遗传算法来加快蚁群后期迭代收敛的速度;本发明提供一种基于进化算法的关联任务调度方法,能够有效的降低任务计算花费和任务长度,做到资源利用率的最大化。
本发明将蚁群算法和遗传算法融合,同时最小化任务长度和任务的计算花费。综合考虑了任务之间的数据传输依赖,以及节点之间的性能差异;改进了蚁群算法中蚂蚁的调度路径选择方式,优化了路径的信息素更新规则,对有不同结果的蚂蚁做出不同的信息素更新;同时衰减了在同一轮可行调度方案探索时,相同路径被多次选择的可能性。
图1是本发明的一种基于进化算法的关联任务调度方法的流程图,如图1所示,所述方法包括以下步骤:
S1、每只蚂蚁节点根据状态影响因子和信息素抑制因子改进的调度路径选择策略来选择出任务调度路径;
其中,所述状态影响因子和信息素抑制因子改进的调度路径选择策略包括产生一个随机数,判断该随机数与随机数阈值的大小,若小于或等于随机数阈值,则基于状态影响因子和信息素抑制因子选择出资源节点,将资源任务分配给所述资源节点;若大于随机数阈值,则基于状态影响因子和信息素抑制因子计算出将资源任务分配给资源节点的概率,采用轮盘赌选择出最佳调度路径。
本实施例中调度路径选择策略综合考虑了节点的工作状态、计算花费以及调度路径被选择的次数,增大蚂蚁在选择调度路径时探索较少被蚂蚁选择的路径的可能性。
改进后的调度路径选择策略,其路径选择方式如下:对任务ti分配资源节点时,生成一个随机数q。
此时存在两种情况,q≤q0或者q>q0,其中,q0表示随机数阈值,q0∈[0,1],为常数。
当q≤q0时,蚂蚁选取能够获得最大Fi,j值的资源节点sj,将资源任务ti分配给该资源节点sj。
Fi,j的计算方法如下:
其中,ζi,j表示资源任务i分配给资源节点j所带来的状态影响;τi,j表示把资源任务i分配给资源节点j产生的信息素浓度;α表示信息素浓度对蚂蚁选路的权重;ηi,j表示动态的启发因子;β表示启发因子对蚂蚁选录的权重;表示动态的启发因子;γ表示启发因子对蚂蚁选路的权重。
当q>q0时,蚂蚁根据以下计算公式计算出路径的被选择概率,然后利用轮盘赌,选出最佳调度路径。将资源任务分配给资源节点的概率的计算公式表示为:
其中,Pi,j表示把资源任务i分配给资源节点j的概率;ζi,j表示资源任务i分配给资源节点j所带来的状态影响;τi,j表示把资源任务i分配给资源节点j产生的信息素浓度;α表示信息素浓度对蚂蚁选路的权重;ηi,j表示动态的启发因子;β表示启发因子对蚂蚁选录的权重;表示动态的启发因子;γ表示启发因子对蚂蚁选路的权重;Ri,j表示资源任务i分配给资源节点j后的信息素浓度抑制;allow表示处于可用状态的资源节点。
其中调度路径选择策略综合考虑了节点的工作状态、计算花费以及调度路径被选择的次数,增大蚂蚁在选择调度路径时探索较少被蚂蚁选择的路径的可能性;其中,Ri,j代表信息素抑制因子,这个抑制因子的计算公式表示为:
其中,list为可利用的工作节点记录表,包含了集群中正处于工作状态的计算节点,链表长度为list_m;ti表示资源任务i;sj表示资源节点j。
在调度路径选择策略中,为了缓解蚂蚁在迭代初期,对搜索到的较优解不断增加信息素浓度,从而将较少被选择和较多被选择路径的信息素浓度差异加大的现象,引入了信息素浓度抑制;其中,ζi,j代表节点状态影响因子;这个影响因子的计算公式表示为:
其中,k表示蚂蚁种群数量;iteration为当前的蚂蚁迭代次数,δ为常量,counti,j为当前iteration-1次迭代中,将任务ti分配给节点sj的蚂蚁总数;max(ηi,s)、是启发因子的最大值。
S2、当所有蚂蚁都完成了对任务集中每个任务的调度路径搜索,寻找出本轮迭代中的最佳调度方案;
在一个优选实施例中,当步骤S1中每只蚂蚁节点选择出任务调度路径后,利用局部更新规则更新该条路径的信息素浓度;当步骤S2中所有蚂蚁都完成了对任务集中每个任务的调度路径搜索后,得到k个调度方案,在这些方案中找出最佳调度方案,利用全局更新规则进行全局的信息素更新。
信息素更新表示为:
其中,(τi,j)*表示蚂蚁节点把资源任务i分配给资源节点j更新后的信息素浓度;ρ0表示信息素浓度衰减因子;τi,j表示把资源任务i分配给资源节点j时产生的信息素浓度;ρ表示信息素的挥发系数;表示蚂蚁k把资源任务i分配给资源节点j时产生的信息素浓度;Q为信息素总量,makespank表示蚂蚁k分配任务的总完成时间。
S3、将本轮迭代的所有蚂蚁对应的最佳调度方案与当前的最佳调度方案进行比较,将二者中更优的方案更新为当前的最优调度方案;
S4、将步骤S3更新后的当前的最优调度方案作为遗传迭代的初始种群;
S5、对初始种群中每个染色体进行适应度评价和遗传操作评价,迭代寻找比当前的最佳调度方案更优的可行调度方案;
其中遗传迭代部分主要包含了适应度评价、遗传操作。其中适应度评价公式如下:
f(i)=(Makespani)-1+(Costi)-1,(i=1,2,3,……,num)
其中,num为种群个体总数,Makespan和Cost为任务的总完成时间和总花费。
其中遗传操作中染色体(调度方案)个体被选择概率q(j)的计算公式如下:
在遗传操作中染色体的交叉概率决定是否将两个被选择的种群个体进行两两交叉,产生新的子代个体。在判断是否交叉时,先生成一个随机数,若随机数大于Pcross,则这两个染色体不进行交叉,直接进行变异操作;若随机数小于等于Pcross,则将被选择的染色体两两交叉。染色体(调度方案)个体两两进行交叉的概率计算公式如下所示:
其中,favg为种群的平均适应度,fnum_max为种群个体中的最大适应度值,fmax为当前交叉个体的最大适应度值,pcross为当前交叉个体的交叉概率。
染色体的变异可以防止种群陷入早熟导致的局部最优现象。本发明中利用随机数指定要变异的位置点。染色体变异概率pm为常数,根据pm决定当前染色体是否被变异。若当前时刻存在一个空闲节点,则将基因位变异为此空闲节点的编号,否则随机选择一个可利用节点作为其新的基因值。图2描绘了本发明采取的单点变异方式。
S6、当超过遗传的最大遗传迭代次数时,根据搜索的可行调度方案结果来对当前最佳调度方案进行更新;
S7、判断当前的蚁群迭代次数是否满足迭代结束条件,若满足则输出步骤S6中更新得到的最佳调度方案,结束迭代;否则返回步骤S1继续蚁群对调度方案的迭代搜索。
在一个具体的实际应用中,如图3所示,一种基于进化算法的关联任务调度方法包括如下步骤:
对任务进行DAG预处理:
多任务DAG任务调度问题是当前研究的热点,为了提高任务调度的效率以及资源利用率,各个DAG的调度顺序以及每个DAG内部任务之间的调度顺序成为了研究调度任务问题的关键;本实施例中将提交到系统中的作业进行切分,一个作业可切分出一个由多个待处理的关联任务组成的待处理任务集,故多个作业切分后可得到多个待处理任务集。对任务集进行依赖分析,得到依赖关系矩阵,根据这个依赖关系矩阵来计算任务所对应的优先级,并按降序排列这些任务。
初始化k只蚂蚁以及相关参数:
在本实施例中,首先初始化k只蚂蚁,以及各不同调度路径上的信息素浓度、蚁群的最大迭代次数iteration。
每只蚂蚁根据调度路径选择策略分配任务,并记录可行的调度方案:
每个蚂蚁都按照上述实施例的方法选择出分配任务,例如某蚂蚁决定将任务ti分配给资源节点sj,并将这个分配方案作为可行的调度方案;可以理解的是,本发明中,ti和i指代的同一资源任务;sj和j指代的同一资源节点;
判断所有蚂蚁是否都完成任务分配:
每个蚂蚁按照上一个过程的操作,直至让所有的蚂蚁都完成任务分配,完成任务分配后,记录当前的最优调度方案,例如蚂蚁1将任务t1分配给资源节点s1,将任务t2分配给资源节点s2等;将这个最优调度方案转发至遗传算法部分。
记录当前的最优调度方案,将所有蚂蚁形成的调度方案作为遗传初始种群;
进行适应度评价,并采用选择、交叉和变异操作;
判断是否达到遗传算法的最大迭代次数,如果达到,则比较经遗传算法迭代后的最优调度方案和当前记录的最优调度方案,将这两者进行比较,选择最优的结果进行更新,并记录调度路径上的信息素浓度;
判断是否满足蚁群算法的最大迭代次数,如果满足,则输出最终的结果,否则进行进行蚁群算法和遗传算法的过程,直至输出最终的最优调度方案。
将上述所设计的任务调度方法,应用到WorkflowSim模拟的仿真任务管理环境中,对所提算法进行了性能测试,仿真结果如图3所示。从图3中可知,从实验结果可看出,针对关联任务调度问题,与其他方法相比本发明所提方法(AT-GAAC)缩短了任务长度,降低了任务的计算花费,其中,GA-PSO表示粒子群算法与遗传算法混合优化算法,GA算法表示遗传算法,PSO表示粒子群算法。
本发明针对关联任务调度问题进行研究,以最小化任务跨度和用户计算花费为目标,利用启发式算法解决多目标优化问题的优势,来实现关联任务调度问题中任务跨度和用户计算花费的优化。利用蚁群算法中每只蚂蚁可以独立搜索可行解的方式来对最优任务调度方案进行搜索;为了解决蚁群算法在迭代前期,信息素浓度增大可能导致算法过早收敛、陷入局部最优的问题,对蚂蚁的调度路径选择策略和调度路径信息素更新方式进行了改进,综合考虑了节点的工作状态、计算花费以及调度路径被选择的次数,增大蚂蚁在选择调度路径时探索较少被蚂蚁选择的路径的可能性,使得蚁群迭代搜索不容易陷入局部最优解;利用遗传算法加速了蚁群后期的迭代收敛。
上述描述中结合附图对本发明的实施方式作了详细说明,但是本发明并不限于上述实施方式,在本领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下做出各种变动。
在本发明的描述中,需要理解的是,术语“同轴”、“底部”、“一端”、“顶部”、“中部”、“另一端”、“上”、“一侧”、“顶部”、“内”、“外”、“前部”、“中央”、“两端”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
在本发明中,除非另有明确的规定和限定,术语“安装”、“设置”、“连接”、“固定”、“旋转”等术语应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或成一体;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通或两个元件的相互作用关系,除非另有明确的限定,对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (9)
1.一种基于进化算法的关联任务调度方法,其特征在于,所述方法包括以下步骤:
S1、每只蚂蚁节点根据状态影响因子和信息素抑制因子改进的调度路径选择策略来选择出任务调度路径;
S2、当所有蚂蚁都完成了对任务集中每个任务的调度路径搜索,寻找出本轮迭代中的最佳调度方案;
S3、将本轮迭代的所有蚂蚁对应的最佳调度方案与当前的最佳调度方案进行比较,将二者中更优的方案更新为当前的最优调度方案;
S4、将步骤S3更新后的当前的最优调度方案作为遗传迭代的初始种群;
S5、对初始种群中每个染色体进行适应度评价和遗传操作评价,迭代寻找比当前的最佳调度方案更优的可行调度方案;
S6、当超过遗传的最大遗传迭代次数时,根据搜索的可行调度方案结果来对当前最佳调度方案进行更新;
S7、判断当前的蚁群迭代次数是否满足迭代结束条件,若满足则输出步骤S6中更新得到的最佳调度方案,结束迭代;否则返回步骤S1继续蚁群对调度方案的迭代搜索。
2.根据权利要求1所述的一种基于进化算法的关联任务调度方法,其特征在于,所述状态影响因子和信息素抑制因子改进的调度路径选择策略包括产生一个随机数,判断该随机数与随机数阈值的大小,若小于或等于随机数阈值,则基于状态影响因子和信息素抑制因子选择出资源节点,将资源任务分配给所述资源节点;若大于随机数阈值,则基于状态影响因子和信息素抑制因子计算出将资源任务分配给资源节点的概率,采用轮盘赌选择出最佳调度路径。
9.根据权利要求1所述的一种基于进化算法的关联任务调度方法,其特征在于,在步骤S5中,所述遗传操作包括利用随机数指定要变异的位置点;染色体变异概率pm为常数,根据pm决定当前染色体是否被变异;若当前时刻存在一个空闲节点,则将基因位变异为此空闲节点的编号,否则随机选择一个可利用节点作为其新的基因值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011229524.XA CN112346839B (zh) | 2020-11-06 | 2020-11-06 | 一种基于进化算法的关联任务调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011229524.XA CN112346839B (zh) | 2020-11-06 | 2020-11-06 | 一种基于进化算法的关联任务调度方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112346839A true CN112346839A (zh) | 2021-02-09 |
CN112346839B CN112346839B (zh) | 2023-06-20 |
Family
ID=74428405
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011229524.XA Active CN112346839B (zh) | 2020-11-06 | 2020-11-06 | 一种基于进化算法的关联任务调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112346839B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113009821A (zh) * | 2021-02-10 | 2021-06-22 | 上海海事大学 | 一种基于信息素初始分配和动态更新的蚁群算法优化方法 |
CN113395103A (zh) * | 2021-06-11 | 2021-09-14 | 中国人民解放军国防科技大学 | 考虑容量限制的导航系统星间路由规划方法及装置 |
CN113961320A (zh) * | 2021-09-16 | 2022-01-21 | 大连华锐重工集团股份有限公司 | 一种自适应增益集群调度控制方法 |
CN114435631A (zh) * | 2022-02-17 | 2022-05-06 | 广州大学 | 一种航天器自主控制系统 |
CN114781950A (zh) * | 2022-06-22 | 2022-07-22 | 中国人民解放军32035部队 | 基于蚁群算法的雷达资源调度策略、装置以及电子设备 |
CN115018373A (zh) * | 2022-07-01 | 2022-09-06 | 湖南第一师范学院 | 一种基于解空间转化的双行车调度方法、系统及应用 |
CN116521340A (zh) * | 2023-04-27 | 2023-08-01 | 福州慧林网络科技有限公司 | 一种基于大带宽网络的低延时并行数据处理系统及方法 |
CN116684885A (zh) * | 2023-05-17 | 2023-09-01 | 中远海运科技股份有限公司 | 一种基于遗传蚁群模拟退火混合算法的卫星通信链路优化方法 |
CN117073684A (zh) * | 2023-08-22 | 2023-11-17 | 广东技术师范大学 | 一种基于多任务蚁群算法的城市车辆导航方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2328308A1 (en) * | 2009-11-27 | 2011-06-01 | Alcatel Lucent | Method for building a path according to adaptation functions using an ant colony |
CN103345657A (zh) * | 2013-04-02 | 2013-10-09 | 江苏大学 | 云计算环境下基于遗传和蚁群的任务调度方法 |
CN111860754A (zh) * | 2020-07-15 | 2020-10-30 | 无锡弘宜智能科技有限公司 | 基于蚁群以及遗传算法的agv调度方法 |
-
2020
- 2020-11-06 CN CN202011229524.XA patent/CN112346839B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2328308A1 (en) * | 2009-11-27 | 2011-06-01 | Alcatel Lucent | Method for building a path according to adaptation functions using an ant colony |
CN103345657A (zh) * | 2013-04-02 | 2013-10-09 | 江苏大学 | 云计算环境下基于遗传和蚁群的任务调度方法 |
CN111860754A (zh) * | 2020-07-15 | 2020-10-30 | 无锡弘宜智能科技有限公司 | 基于蚁群以及遗传算法的agv调度方法 |
Non-Patent Citations (3)
Title |
---|
刘中强;游晓明;刘升;: "一种启发式动态信息素更新策略的蚁群算法", 计算机工程与应用, no. 20, pages 20 - 27 * |
王永贵;韩瑞莲;: "基于改进蚁群算法的云环境任务调度研究", 计算机测量与控制, no. 05, pages 1 - 3 * |
赵俊普; 殷进勇; 金同标; 曾玮妮: "遗传蚁群算法在云计算资源调度中的应用", 计算机工程与设计, vol. 38, no. 3, pages 693 - 697 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113009821A (zh) * | 2021-02-10 | 2021-06-22 | 上海海事大学 | 一种基于信息素初始分配和动态更新的蚁群算法优化方法 |
CN113395103A (zh) * | 2021-06-11 | 2021-09-14 | 中国人民解放军国防科技大学 | 考虑容量限制的导航系统星间路由规划方法及装置 |
CN113961320A (zh) * | 2021-09-16 | 2022-01-21 | 大连华锐重工集团股份有限公司 | 一种自适应增益集群调度控制方法 |
CN114435631A (zh) * | 2022-02-17 | 2022-05-06 | 广州大学 | 一种航天器自主控制系统 |
CN114435631B (zh) * | 2022-02-17 | 2023-08-04 | 广州大学 | 一种航天器自主控制系统 |
CN114781950A (zh) * | 2022-06-22 | 2022-07-22 | 中国人民解放军32035部队 | 基于蚁群算法的雷达资源调度策略、装置以及电子设备 |
CN115018373A (zh) * | 2022-07-01 | 2022-09-06 | 湖南第一师范学院 | 一种基于解空间转化的双行车调度方法、系统及应用 |
CN116521340A (zh) * | 2023-04-27 | 2023-08-01 | 福州慧林网络科技有限公司 | 一种基于大带宽网络的低延时并行数据处理系统及方法 |
CN116521340B (zh) * | 2023-04-27 | 2023-10-10 | 福州慧林网络科技有限公司 | 一种基于大带宽网络的低延时并行数据处理系统及方法 |
CN116684885A (zh) * | 2023-05-17 | 2023-09-01 | 中远海运科技股份有限公司 | 一种基于遗传蚁群模拟退火混合算法的卫星通信链路优化方法 |
CN117073684A (zh) * | 2023-08-22 | 2023-11-17 | 广东技术师范大学 | 一种基于多任务蚁群算法的城市车辆导航方法 |
CN117073684B (zh) * | 2023-08-22 | 2024-03-19 | 广东技术师范大学 | 一种基于多任务蚁群算法的城市车辆导航方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112346839B (zh) | 2023-06-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112346839A (zh) | 一种基于进化算法的关联任务调度方法 | |
Mansouri et al. | Hybrid task scheduling strategy for cloud computing by modified particle swarm optimization and fuzzy theory | |
Li et al. | Multipopulation cooperative particle swarm optimization with a mixed mutation strategy | |
CN108182115B (zh) | 一种云环境下的虚拟机负载均衡方法 | |
CN112016812B (zh) | 多无人机任务调度方法、系统及存储介质 | |
Zhou et al. | Multiobjective evolutionary algorithms: A survey of the state of the art | |
Li et al. | An improved cuckoo search algorithm with self-adaptive knowledge learning | |
CN109522104B (zh) | 利用差分进化算法优化Iaas两目标任务调度的方法 | |
Abdel‐Basset et al. | IEGA: an improved elitism‐based genetic algorithm for task scheduling problem in fog computing | |
CN111813506A (zh) | 一种基于粒子群算法资源感知计算迁移方法、装置及介质 | |
Zhou et al. | Deep reinforcement learning-based methods for resource scheduling in cloud computing: A review and future directions | |
CN110008023B (zh) | 基于遗传算法的云计算系统预算约束随机任务调度方法 | |
Wang et al. | Ensemble particle swarm optimization and differential evolution with alternative mutation method | |
CN113485826A (zh) | 一种边缘服务器负载均衡方法、系统 | |
CN111885493B (zh) | 一种基于改进布谷鸟搜索算法的微云部署方法 | |
Awad et al. | A swarm intelligence-based approach for dynamic data replication in a cloud environment | |
Meng et al. | Heterogeneous ant colony optimization based on adaptive interactive learning and non-zero-sum game | |
CN116321189A (zh) | 一种面向边缘计算中基于深度强化学习的服务器部署方法 | |
Li et al. | IPSOMC: An improved particle swarm optimization and membrane computing based algorithm for cloud computing | |
CN111290853B (zh) | 一种基于自适应改进遗传算法的云数据中心调度方法 | |
Yang et al. | A polychromatic sets theory based algorithm for the input/output scheduling problem in AS/RSs | |
Li et al. | Automatic design of intercell scheduling heuristics | |
CN110689320A (zh) | 一种基于协同进化算法的大规模多目标项目调度方法 | |
You et al. | An ABC algorithm with recombination | |
Al-Betar et al. | Equilibrium optimizer: a comprehensive survey |
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 | ||
CP03 | Change of name, title or address | ||
CP03 | Change of name, title or address |
Address after: 401120 39-1, Building 1, No. 64, Middle Huangshan Avenue, Yubei District, Chongqing Patentee after: China Star Network Application Co.,Ltd. Address before: 618 Liangjiang Avenue, Longxing Town, Yubei District, Chongqing Patentee before: Dongfanghong Satellite Mobile Communication Co.,Ltd. |