CN112559145B - 面向数据标注的云服务组合方法 - Google Patents

面向数据标注的云服务组合方法 Download PDF

Info

Publication number
CN112559145B
CN112559145B CN202011428841.4A CN202011428841A CN112559145B CN 112559145 B CN112559145 B CN 112559145B CN 202011428841 A CN202011428841 A CN 202011428841A CN 112559145 B CN112559145 B CN 112559145B
Authority
CN
China
Prior art keywords
cloud service
bat
population
individual
value
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
Application number
CN202011428841.4A
Other languages
English (en)
Other versions
CN112559145A (zh
Inventor
陈远存
谭力江
郭肇禄
许益美
蔡岳城
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong Oking Information Industry Co ltd
Original Assignee
Guangdong Oking Information Industry Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangdong Oking Information Industry Co ltd filed Critical Guangdong Oking Information Industry Co ltd
Priority to CN202011428841.4A priority Critical patent/CN112559145B/zh
Publication of CN112559145A publication Critical patent/CN112559145A/zh
Application granted granted Critical
Publication of CN112559145B publication Critical patent/CN112559145B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G06F9/5066—Algorithms for mapping a plurality of inter-dependent sub-tasks onto a plurality of physical CPUs
    • 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)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种面向数据标注的云服务组合方法。本发明应用改进的蝙蝠仿生算法来实现数据标注领域中的云服务组合。在改进的蝙蝠仿生算法中，首先用户输入数据标注的子任务数量，云服务集合，以及综合可靠性指标下限值；其次，随机产生蝙蝠个体组成种群；再次，利用历史优秀位置与历史优秀位置的平均值生成定向位置，然后利用定向位置来指导每个蝙蝠个体的搜索方向。本发明综合利用了历史优秀位置与历史优秀位置的平均值来指导搜索方向，能够减少陷入局部最优的概率，可以提高数据标注中云服务组合的效率。

Description

面向数据标注的云服务组合方法
技术领域
本发明涉及云计算领域，尤其是涉及一种面向数据标注的云服务组合方法。
背景技术
人工智能技术的基础是海量的标注数据。为了实现对海量的数据进行标注，工程技术人员通常需要构建云计算系统完成数据标注的计算任务。在面向数据标注的云计算系统中，数据标注任务通常都是组合一定数量的云服务来完成执行过程。在数据标注任务的执行过程中，常常需要解决一个云服务组合问题。具体而言，数据标注领域中的云服务组合问题指的是：给定的一个由TN个子任务构成的数据标注任务，并且要求TN个子任务分别从TN个云服务集合ST1,ST2,...,STtj,...,STTN中选择云服务来完成执行过程；其中，下标tj＝1,2,...,TN；对于第tj个子任务，需要从第tj个云服务集合
Figure BDA0002825872660000011
中选择出一个云服务来完成执行过程；其中，第tj个云服务集合STtj中具有SNtj个云服务，STtj,ci＝{STtj,ci,1,STtj,ci,2}表示云服务集合STtj中的第ci个云服务，并且STtj,ci,1表示云服务集合STtj中第ci个云服务的响应时间指标值；STtj,ci,2表示云服务集合STtj中第ci个云服务的可靠性指标值；其中，下标ci＝1,2,...,SNtj；现需要对给定的数据标注任务的TN子任务选择出云服务组合起来完成其执行过程，要求所选择出来的云服务组合起来的综合响应时间指标值最小化，还要求云服务组合起来的综合可靠性指标值必须不小于综合可靠性指标下限值LMR。
数据标注领域中的云服务组合问题是一个NP完全性问题，传统直接搜索方法难以在工程上可接受的时间内获得综合指标值较高的云服务组合。为此，工程技术人员采用智能优化算法来实现云服务组合[谭文安,赵尧.基于混沌遗传算法的Web服务组合[J].计算机集成制造系统,2018,24(07):1822-1829]。蝙蝠仿生算法是一种新近提出的智能优化算法，它在许多工程领域中获到了较满意的效果。然而，传统蝙蝠仿生算法应用于数据标注中云服务组合时容易陷入局部最优，存在着云服务组合效率不高的缺点。
发明内容
本发明提供一种面向数据标注的云服务组合方法。它在一定程度上克服了传统蝙蝠仿生算法应用于数据标注中云服务组合时容易陷入局部最优的缺点。本发明能够提高数据标注中云服务组合的效率。
为了实现上述目的，本发明提供了一种面向数据标注的云服务组合方法，所述方法包括以下步骤：
步骤1，用户输入数据标注的子任务数量TN，输入TN个云服务集合，然后输入综合可靠性指标下限值LMR；
步骤2，用户输入蝙蝠个体的数量BN，最大频率fa，最小频率fi，最大代数MaxIT；
步骤3，设置当前代数t＝0；
步骤4，按公式(1)随机生成BN个蝙蝠个体的当前位置和当前速度，然后将BN个蝙蝠个体组成种群：
Figure BDA0002825872660000021
其中，下标ki＝1,2,...,BN，下标tj＝1,2,...,TN；rand表示服从均匀分布的随机实数产生函数；
Figure BDA0002825872660000022
表示种群中第ki个蝙蝠个体的当前位置，它存储了TN个子任务所选择的云服务的顺序权值，并且
Figure BDA0002825872660000023
表示种群中第ki个蝙蝠个体的当前位置中所存储的第tj个子任务所选择的云服务的顺序权值；
Figure BDA0002825872660000024
表示种群中第ki个蝙蝠个体的当前速度，并且
Figure BDA0002825872660000025
表示种群中第ki个蝙蝠个体的当前速度的第tj维度；SNtj表示第tj个云服务集合中的云服务数量；
步骤5，计算种群中每个蝙蝠个体的当前位置的适应值；对于种群中第ki个蝙蝠个体，其当前位置的适应值的计算过程为：首先从种群中第ki个蝙蝠个体的当前位置
Figure BDA0002825872660000026
中提取出TN个子任务所选择的云服务的顺序权值，并保存到顺序权值列表WX中，再对顺序权值列表WX中所保存的顺序权值进行四舍五入得到TN个整数，将得到的TN个整数依次保存在云服务选择列表LX中，然后按公式(2)计算种群中第ki个蝙蝠个体的当前位置的适应值BFitki：
Figure BDA0002825872660000031
其中，LXtj表示第tj个子任务所选择的云服务的序号；pck是惩罚因子；QT表示云服务组合的综合响应时间指标值；MIS表示云服务组合的综合可靠性指标值与综合可靠性指标下限值的差距值；
Figure BDA0002825872660000032
表示第tj个云服务集合中的第LXtj个云服务的响应时间指标值；
Figure BDA0002825872660000033
表示第tj个云服务集合中的第LXtj个云服务的可靠性指标值；max表示取最大值函数；
步骤6，找出种群中当前位置的适应值最小的蝙蝠个体记为最优蝙蝠个体GBA；
步骤7，设置种群中每个蝙蝠个体的历史优秀位置
Figure BDA0002825872660000034
然后设置种群中每个蝙蝠个体的定向位置
Figure BDA0002825872660000035
步骤8，计算种群中所有蝙蝠个体的历史优秀位置的平均值MeanPB；
步骤9，在[0,1]之间随机产生一个实数pkr；
步骤10，根据公式(3)计算种群中每个蝙蝠个体的候选位置HBki：
Figure BDA0002825872660000036
其中，rc和ru是[0,1]之间的随机实数；PBrq表示从种群中随机选择出来一个蝙蝠个体的历史优秀位置；
步骤11，如果候选位置HBki的适应值小于定向位置YBki的适应值，则设置YBki＝HBki，否则保持YBki不变；
步骤12，根据公式(4)计算种群中每个蝙蝠个体的新一代速度和新一代位置：
Figure BDA0002825872660000037
其中，rbw是[0,1]之间的随机实数；cbf表示当前频率；
Figure BDA0002825872660000041
表示种群中第ki个蝙蝠个体的新一代速度；
Figure BDA0002825872660000042
表示种群中第ki个蝙蝠个体的新一代位置；
步骤13，在[0,1]之间随机产生一个实数pur，如果pur小于0.1，则转到步骤14，否则转到步骤15；
步骤14，根据公式(5)执行精英搜索：
Figure BDA0002825872660000043
其中，ras表示[0,1]之间的随机实数；PBrk1和PBrk2是从种群中随机选择出来的两个蝙蝠个体的历史优秀位置；
步骤15，计算种群中每个蝙蝠个体的新一代位置
Figure BDA0002825872660000044
的适应值；
步骤16，如果新一代位置
Figure BDA0002825872660000045
的适应值小于历史优秀位置PBki的适应值，则设置
Figure BDA0002825872660000046
否则保持PBki不变；
步骤17，如果新一代位置
Figure BDA0002825872660000047
的适应值小于GBA的适应值，则设置最优蝙蝠个体GBA＝PBki，否则保持最优蝙蝠个体GBA不变；
步骤18，设置当前代数t＝t+1；
步骤19，如果当前代数t小于最大代数MaxIT，则转到步骤8，否则转到步骤20；
步骤20，从最优蝙蝠个体GBA中提取出TN个子任务所选择的云服务的顺序权值，利用得到的顺序权值解码出云服务组合方案。
本发明的有益效果为：传统蝙蝠仿生算法直接利用种群中的最优蝙蝠个体来引导搜索方向，这使得所有蝙蝠个体都指向最优蝙蝠个体进行搜索，难以有效地保证种群的多样性，容易陷入局部最优。针对传统蝙蝠仿生算法存在的缺点，本发明应用改进的蝙蝠仿生算法来实现数据标注领域中的云服务组合。在改进的蝙蝠仿生算法中，一方面，以一定的概率将最优蝙蝠个体设置为搜索定向位置，保证算法的局部搜索能力；另一方面，记录种群中每个蝙蝠个体的历史优秀位置，并将历史优秀位置与历史优秀位置的平均值进行融合生成搜索定向位置，在一定程度上增强了种群的多样性，减少陷入局部最优的概率，从而提高数据标注中云服务组合的效率。
附图说明
图1为本发明的面向数据标注的云服务组合方法流程图；
图2为顺序权值解码出云服务组合方案的过程图。
具体实施方式
下面通过实施例，并结合附图，对本发明的技术方案作进一步具体的说明。
如图1所示为本发明的面向数据标注的云服务组合方法流程图，图2所示为顺序权值解码出云服务组合方案的过程图，下面结合图1和图2来阐述根据本公开的实施方式的一种面向数据标注的云服务组合方法。
实施例：
本实施例结合图1，本发明的具体实施步骤如下：
步骤1，用户输入数据标注的子任务数量TN＝50，输入TN个云服务集合，然后输入综合可靠性指标下限值LMR＝0.98；所述数据标注指的是对给定的数据打上标签；其中，给定的数据包括但不限于文本数据、图像数据和语音数据；所述云服务集合由多个云服务组成，并且云服务指的提供计算机软件资源和硬件资源的计算机系统；
步骤2，用户输入蝙蝠个体的数量BN＝100，最大频率fa＝2.5，最小频率fi＝0.5，最大代数MaxIT＝600；
步骤3，设置当前代数t＝0；
步骤4，按公式(1)随机生成BN个蝙蝠个体的当前位置和当前速度，然后将BN个蝙蝠个体组成种群：
Figure BDA0002825872660000051
其中，下标ki＝1,2,...,BN，下标tj＝1,2,...,TN；rand表示服从均匀分布的随机实数产生函数；
Figure BDA0002825872660000052
表示种群中第ki个蝙蝠个体的当前位置，它存储了TN个子任务所选择的云服务的顺序权值，并且
Figure BDA0002825872660000053
表示种群中第ki个蝙蝠个体的当前位置中所存储的第tj个子任务所选择的云服务的顺序权值；
Figure BDA0002825872660000061
表示种群中第ki个蝙蝠个体的当前速度，并且
Figure BDA0002825872660000062
表示种群中第ki个蝙蝠个体的当前速度的第tj维度；SNtj表示第tj个云服务集合中的云服务数量；
步骤5，计算种群中每个蝙蝠个体的当前位置的适应值；对于种群中第ki个蝙蝠个体，其当前位置的适应值的计算过程为：首先从种群中第ki个蝙蝠个体的当前位置
Figure BDA0002825872660000063
中提取出TN个子任务所选择的云服务的顺序权值，并保存到顺序权值列表WX中，再对顺序权值列表WX中所保存的顺序权值进行四舍五入得到TN个整数，将得到的TN个整数依次保存在云服务选择列表LX中，然后按公式(2)计算种群中第ki个蝙蝠个体的当前位置的适应值BFitki：
Figure BDA0002825872660000064
其中，LXtj表示第tj个子任务所选择的云服务的序号；pck是惩罚因子；QT表示云服务组合的综合响应时间指标值；MIS表示云服务组合的综合可靠性指标值与综合可靠性指标下限值的差距值；
Figure BDA0002825872660000065
表示第tj个云服务集合中的第LXtj个云服务的响应时间指标值；
Figure BDA0002825872660000066
表示第tj个云服务集合中的第LXtj个云服务的可靠性指标值；max表示取最大值函数；
所述云服务的响应时间指标值是范围在[0,1]的值，其中，云服务的响应时间指标值为0表示该云服务的响应时间小于其他所有云服务的响应时间；云服务的响应时间指标值为0.1表示该云服务的响应时间小于所有云服务中90％的云服务的响应时间；云服务的响应时间指标值为0.2表示该云服务的响应时间小于所有云服务中80％的云服务的响应时间；……；云服务的响应时间指标值为0.9表示该云服务的响应时间小于所有云服务中10％的云服务的响应时间；云服务的响应时间指标值为1表示该云服务的响应时间大于其他所有云服务的响应时间；
所述云服务的可靠性指标值是范围在[0,1]的值，其中，云服务的可靠性指标值为0表示该云服务的失效率为100％；云服务的可靠性指标值为0.1表示该云服务的失效率为90％；云服务的可靠性指标值为0.2表示该云服务的失效率为80％；……；云服务的可靠性指标值为0.9表示该云服务的失效率为10％；云服务的可靠性指标值为0.99表示该云服务的失效率为1％；
步骤6，找出种群中当前位置的适应值最小的蝙蝠个体记为最优蝙蝠个体GBA；
步骤7，设置种群中每个蝙蝠个体的历史优秀位置
Figure BDA0002825872660000071
然后设置种群中每个蝙蝠个体的定向位置
Figure BDA0002825872660000072
步骤8，计算种群中所有蝙蝠个体的历史优秀位置的平均值MeanPB；
步骤9，在[0,1]之间随机产生一个实数pkr；
步骤10，根据公式(3)计算种群中每个蝙蝠个体的候选位置HBki：
Figure BDA0002825872660000073
其中，rc和ru是[0,1]之间的随机实数；PBrq表示从种群中随机选择出来一个蝙蝠个体的历史优秀位置；
步骤11，如果候选位置HBki的适应值小于定向位置YBki的适应值，则设置YBki＝HBki，否则保持YBki不变；
步骤12，根据公式(4)计算种群中每个蝙蝠个体的新一代速度和新一代位置：
Figure BDA0002825872660000074
其中，rbw是[0,1]之间的随机实数；cbf表示当前频率；
Figure BDA0002825872660000075
表示种群中第ki个蝙蝠个体的新一代速度；
Figure BDA0002825872660000076
表示种群中第ki个蝙蝠个体的新一代位置；
步骤13，在[0,1]之间随机产生一个实数pur，如果pur小于0.1，则转到步骤14，否则转到步骤15；
步骤14，根据公式(5)执行精英搜索：
Figure BDA0002825872660000081
其中，ras表示[0,1]之间的随机实数；PBrk1和PBrk2是从种群中随机选择出来的两个蝙蝠个体的历史优秀位置；
步骤15，计算种群中每个蝙蝠个体的新一代位置
Figure BDA0002825872660000082
的适应值；
步骤16，如果新一代位置
Figure BDA0002825872660000083
的适应值小于历史优秀位置PBki的适应值，则设置
Figure BDA0002825872660000084
否则保持PBki不变；
步骤17，如果新一代位置
Figure BDA0002825872660000085
的适应值小于GBA的适应值，则设置最优蝙蝠个体GBA＝PBki，否则保持最优蝙蝠个体GBA不变；
步骤18，设置当前代数t＝t+1；
步骤19，如果当前代数t小于最大代数MaxIT，则转到步骤8，否则转到步骤20；
步骤20，从最优蝙蝠个体GBA中提取出TN个子任务所选择的云服务的顺序权值，利用得到的顺序权值解码出云服务组合方案；所述顺序权值解码出云服务组合方案的过程如图2所示。

Claims (1)

1.面向数据标注的云服务组合方法，其特征在于，包括以下步骤：
步骤1，用户输入数据标注的子任务数量TN，输入TN个云服务集合，然后输入综合可靠性指标下限值LMR；
步骤2，用户输入蝙蝠个体的数量BN，最大频率fa，最小频率fi，最大代数MaxIT；
步骤3，设置当前代数t＝0；
步骤4，按公式(1)随机生成BN个蝙蝠个体的当前位置和当前速度，然后将BN个蝙蝠个体组成种群：
Figure FDA0003500306290000011
其中，下标ki＝1,2,...,BN，下标tj＝1,2,...,TN；rand表示服从均匀分布的随机实数产生函数；
Figure FDA0003500306290000012
表示种群中第ki个蝙蝠个体的当前位置，它存储了TN个子任务所选择的云服务的顺序权值，并且
Figure FDA0003500306290000013
表示种群中第ki个蝙蝠个体的当前位置中所存储的第tj个子任务所选择的云服务的顺序权值；
Figure FDA0003500306290000014
表示种群中第ki个蝙蝠个体的当前速度，并且
Figure FDA0003500306290000015
表示种群中第ki个蝙蝠个体的当前速度的第tj维度；SNtj表示第tj个云服务集合中的云服务数量；
步骤5，计算种群中每个蝙蝠个体的当前位置的适应值；对于种群中第ki个蝙蝠个体，其当前位置的适应值的计算过程为：首先从种群中第ki个蝙蝠个体的当前位置
Figure FDA0003500306290000016
中提取出TN个子任务所选择的云服务的顺序权值，并保存到顺序权值列表WX中，再对顺序权值列表WX中所保存的顺序权值进行四舍五入得到TN个整数，将得到的TN个整数依次保存在云服务选择列表LX中，然后按公式(2)计算种群中第ki个蝙蝠个体的当前位置的适应值BFitki：
Figure FDA0003500306290000021
其中，LXtj表示第tj个子任务所选择的云服务的序号；pck是惩罚因子；QT表示云服务组合的综合响应时间指标值；MIS表示云服务组合的综合可靠性指标值与综合可靠性指标下限值的差距值；
Figure FDA0003500306290000022
表示第tj个云服务集合中的第LXtj个云服务的响应时间指标值；
Figure FDA0003500306290000023
表示第tj个云服务集合中的第LXtj个云服务的可靠性指标值；max表示取最大值函数；
所述云服务的响应时间指标值是范围在[0,1]的值，其中，云服务的响应时间指标值为0表示该云服务的响应时间小于其他所有云服务的响应时间；云服务的响应时间指标值为0.1表示该云服务的响应时间小于所有云服务中90％的云服务的响应时间；云服务的响应时间指标值为0.2表示该云服务的响应时间小于所有云服务中80％的云服务的响应时间，如此类推；
所述云服务的可靠性指标值是范围在[0,1]的值，其中，云服务的可靠性指标值为0表示该云服务的失效率为100％；云服务的可靠性指标值为0.1表示该云服务的失效率为90％；云服务的可靠性指标值为0.2表示该云服务的失效率为80％，如此类推；
步骤6，找出种群中当前位置的适应值最小的蝙蝠个体记为最优蝙蝠个体GBA；
步骤7，设置种群中每个蝙蝠个体的历史优秀位置
Figure FDA0003500306290000024
然后设置种群中每个蝙蝠个体的定向位置
Figure FDA0003500306290000025
步骤8，计算种群中所有蝙蝠个体的历史优秀位置的平均值MeanPB；
步骤9，在[0,1]之间随机产生一个实数pkr；
步骤10，根据公式(3)计算种群中每个蝙蝠个体的候选位置HBki：
Figure FDA0003500306290000031
其中，rc和ru是[0,1]之间的随机实数；PBrq表示从种群中随机选择出来一个蝙蝠个体的历史优秀位置；
步骤11，如果候选位置HBki的适应值小于定向位置YBki的适应值，则设置YBki＝HBki，否则保持YBki不变；
步骤12，根据公式(4)计算种群中每个蝙蝠个体的新一代速度和新一代位置：
Figure FDA0003500306290000032
其中，rbw是[0,1]之间的随机实数；cbf表示当前频率；
Figure FDA0003500306290000033
表示种群中第ki个蝙蝠个体的新一代速度；
Figure FDA0003500306290000034
表示种群中第ki个蝙蝠个体的新一代位置；
步骤13，在[0,1]之间随机产生一个实数pur，如果pur小于0.1，则转到步骤14，否则转到步骤15；
步骤14，根据公式(5)执行精英搜索：
Figure FDA0003500306290000035
其中，ras表示[0,1]之间的随机实数；PBrk1和PBrk2是从种群中随机选择出来的两个蝙蝠个体的历史优秀位置；
步骤15，计算种群中每个蝙蝠个体的新一代位置
Figure FDA0003500306290000036
的适应值；
步骤16，如果新一代位置
Figure FDA0003500306290000037
的适应值小于历史优秀位置PBki的适应值，则设置
Figure FDA0003500306290000038
否则保持PBki不变；
步骤17，如果新一代位置
Figure FDA0003500306290000041
的适应值小于GBA的适应值，则设置最优蝙蝠个体GBA＝PBki，否则保持最优蝙蝠个体GBA不变；
步骤18，设置当前代数t＝t+1；
步骤19，如果当前代数t小于最大代数MaxIT，则转到步骤8，否则转到步骤20；
步骤20，从最优蝙蝠个体GBA中提取出TN个子任务所选择的云服务的顺序权值，利用得到的顺序权值解码出云服务组合方案。
CN202011428841.4A 2020-12-09 2020-12-09 面向数据标注的云服务组合方法 Active CN112559145B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011428841.4A CN112559145B (zh) 2020-12-09 2020-12-09 面向数据标注的云服务组合方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011428841.4A CN112559145B (zh) 2020-12-09 2020-12-09 面向数据标注的云服务组合方法

Publications (2)

Publication Number Publication Date
CN112559145A CN112559145A (zh) 2021-03-26
CN112559145B true CN112559145B (zh) 2022-04-08

Family

ID=75060688

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011428841.4A Active CN112559145B (zh) 2020-12-09 2020-12-09 面向数据标注的云服务组合方法

Country Status (1)

Country Link
CN (1) CN112559145B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105976298A (zh) * 2016-06-02 2016-09-28 广东工业大学 一种基于离散蝙蝠算法的物流运输调度方法
CN107688862A (zh) * 2017-10-12 2018-02-13 电子科技大学 基于ba‑grnn的绝缘子等值盐密积累速率预测方法
CN108694077A (zh) * 2017-04-10 2018-10-23 中国科学院声学研究所 基于改进二进制蝙蝠算法的分布式系统任务调度方法
CN111897650A (zh) * 2020-07-23 2020-11-06 广东奥博信息产业股份有限公司 一种基于启发式搜索的标注云服务器分配方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105976298A (zh) * 2016-06-02 2016-09-28 广东工业大学 一种基于离散蝙蝠算法的物流运输调度方法
CN108694077A (zh) * 2017-04-10 2018-10-23 中国科学院声学研究所 基于改进二进制蝙蝠算法的分布式系统任务调度方法
CN107688862A (zh) * 2017-10-12 2018-02-13 电子科技大学 基于ba‑grnn的绝缘子等值盐密积累速率预测方法
CN111897650A (zh) * 2020-07-23 2020-11-06 广东奥博信息产业股份有限公司 一种基于启发式搜索的标注云服务器分配方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
"A Novel Bat Algorithm with Multiple Strategies";Yechuang Wang et al.;《MDPI》;20191231;第1-17页 *
"基于混合蝙蝠算法的梯级水电站群优化调度研究";唐海东等;《水电与抽水蓄能》;20151231;第36-40页 *

Also Published As

Publication number Publication date
CN112559145A (zh) 2021-03-26

Similar Documents

Publication Publication Date Title
Severinson et al. Block-diagonal and LT codes for distributed computing with straggling servers
CN108829501B (zh) 一种基于改进遗传算法的批处理科学工作流任务调度算法
Zhao et al. An improved particle swarm optimization with decline disturbance index (DDPSO) for multi-objective job-shop scheduling problem
Xu et al. A multiple priority queueing genetic algorithm for task scheduling on heterogeneous computing systems
CN104199912B (zh) 一种任务处理的方法及装置
CN109144719A (zh) 移动云计算系统中基于马尔科夫决策过程的协作卸载方法
CN109445386A (zh) 一种基于onba的云制造任务最短生产时间调度方法
CN101616074A (zh) 基于量子进化的组播路由优化方法
Rezoug et al. A self-adaptive harmony search combined with a stochastic local search for the 0-1 multidimensional knapsack problem
CN112559145B (zh) 面向数据标注的云服务组合方法
US20230069079A1 (en) Statistical K-means Clustering
CN114648232A (zh) 基于改进黑猩猩优化算法的云端化资源柔性作业调度方法
CN106033332B (zh) 一种数据处理方法及设备
Li et al. An efficient local search algorithm for minimum weighted vertex cover on massive graphs
Chen et al. A knowledge-based scheduling method for multi-satellite range system
Deep et al. A novel hybrid genetic algorithm for constrained optimization
CN114980216A (zh) 基于移动边缘计算的依赖型任务卸载系统及方法
CN111260036B (zh) 一种神经网络加速方法和装置
US10402230B2 (en) System allocating links for data packets in an electronic system
Sreenivas et al. An overview of harmony search algorithm applied in identical parallel machine scheduling
CN116627663B (zh) 一种数据中心运维管理方法及系统
Nguyen et al. Jointly optimize coding and node selection for distributed computing over wireless edge networks
Göktürk et al. Fast and high-quality influence maximization on multiple GPUs
CN115185655B (zh) 基于基因频次改进的云计算平台任务调度方法
Liu et al. A hybrid algorithm for the permutation flowshop scheduling problem without intermediate buffers

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: Data annotation oriented cloud service composition method

Effective date of registration: 20220930

Granted publication date: 20220408

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