CN112613761A - 一种基于动态博弈和自适应蚁群算法的服务调度方法 - Google Patents

一种基于动态博弈和自适应蚁群算法的服务调度方法 Download PDF

Info

Publication number
CN112613761A
CN112613761A CN202011571606.2A CN202011571606A CN112613761A CN 112613761 A CN112613761 A CN 112613761A CN 202011571606 A CN202011571606 A CN 202011571606A CN 112613761 A CN112613761 A CN 112613761A
Authority
CN
China
Prior art keywords
service
scheduling
model
algorithm
service scheduling
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
Application number
CN202011571606.2A
Other languages
English (en)
Other versions
CN112613761B (zh
Inventor
刘博�
吴恩举
李玉金
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.)
Beijing University of Technology
Original Assignee
Beijing University of Technology
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 Beijing University of Technology filed Critical Beijing University of Technology
Priority to CN202011571606.2A priority Critical patent/CN112613761B/zh
Publication of CN112613761A publication Critical patent/CN112613761A/zh
Application granted granted Critical
Publication of CN112613761B publication Critical patent/CN112613761B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
    • 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]
    • 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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Physics & Mathematics (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • General Business, Economics & Management (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Educational Administration (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于动态博弈和自适应蚁群算法的服务调度方法，调度中心接收到下游任务发送的服务调度请求之后，从服务调度请求中获得服务资源需求表，并以此为依据对调度模型建模，调度中心将启动服务调度模型，将服务资源需求表输入模型；根据服务资源需求表和当前资源系统状态进行资源节点选择并进行服务调度；在后续服务调度任务中，动态感知体系会感知到这种经验，并据此做出更优的节点选择；分配方式会以很快的速度收敛，此时调度模型按照这种分配方式给出最优调度方案并完成服务请求资源的调度。在基于数据挖掘技术的启发式算法的基础上，这些机制的引入有效破解了单元启发式算法的效率低下和单动态博弈算法效果不理想的双重困境。

Description

一种基于动态博弈和自适应蚁群算法的服务调度方法
技术领域
本发明属于智能调度算法领域，主要用来解决大规模服务调度的算法的执行效率和处理能力。
背景技术
在当今时代，随着5G通信技术和基于大规模数据产生的各类人工智能算法的出现，服务调度算法正在让人们的生活变得越来越便利。可以在想吃东西的时候通过外卖app下单，骑手按照平台规划的方案进行送货；还可以在电商购物，快递员通过调度路线不断传递货物；或者通过打车软件叫车，司机师傅根据调度指令接人并送到目的地。在以上场景中，服务调度算法是整体的核心。每一类服务调度算法的需求都各不相同，主要包括优化执行效率，增强服务调度效果，调度中满足多种约束，得出的调度方案要满足多种服务标准等。在大规模数据下进行服务分配和调度路线规划且希望在规定时间内得到最优解是一个NP-Hard问题。
面对该问题，元启发式算法是当前最好的选择，这类算法的典型代表为遗传算法、蚁群算法、模拟退火算法等。这类算法从仿生学角度出发，寻找在自然界中传递优化信息的媒介，是目前最能挖掘服务和载体间关系的算法。在众多元启发式算法中蚁群算法是应用最为广泛的算法，在蚁群算法中使用方案中分配调度结果值更新信息素来保存迭代优化信息，好的分配选择会被沉淀更多的信息素，从而影响蚁群在方案中的选择，最终得出最佳方案。这些机制保证了对调度过程中对服务间和载体间的信息进行不断探索和迭代优化。所以蚁群算法效果一般可以得到最优解，但是用蚁群算法存在两个主要问题，初始化速度过慢和在强约束条件下效率不稳定容易陷入局部最优。
该类问题中还经常使用基于数学机制的算法，该算法可以部分探索服务和载体间的关系来辅助决策。该类算法的典型代表为基于动态博弈的算法、基于排队论的算法，动态规划算法、贪婪算法等。这类算法在进行调度的过程中会部分考虑服务、载体间的关系。例如基于博弈论的算法通常会构建一个博弈模型，按照一种拍卖机制来竞争资源，这种拍卖机制会将需要优化的各方面都纳入进行综合考虑，经过优化后进入最优的“纳什均衡”状态。这样最终得出的服务调度会比较合理。
发明内容
本发明是创造了一种融合博弈论、数理统计信息以及蚁群算法的调度算法(GMA-ACO)。在基于数据挖掘技术的启发式算法的基础上，通过引入博弈模型来构建服务调度的动态感知的博弈体系，使用minibatch和重分配机制来构建破解服务调度时空局限的算法优化机制，同时还结合数据统计知识的创建了自迭代和自适应的参数调整体系。这些机制的引入有效破解了单元启发式算法的效率低下和单动态博弈算法效果不理想的双重困境。为了获得更好的性能，本调度算法从以下三个角度入手，分别采取了以下措施：
(1)接收服务调度请求时：本发明通过构建结合minibatch和重分配算法的机制来破解服务调度的时空局限性。在一个服务调度流中，服务到来的时间和空间往往呈现多重不均衡性。从时间角度来说，整体服务在到来的时间流中分布并不均衡，某些时间会非常密集，有时候又会非常稀疏。从占用资源的空间角度来说，不同服务占用的资源类型和资源量各不相同，这两种不均衡性使得整个服务调度过程前后间的附加影响是难以估计但是现实存在的。从极端角度来考虑，很有可能当前一分钟来了一个服务占用了多个相当程度的资源，这就出现了下一分钟到来的其它多个服务都被阻塞的情况，这一点在服务分类型且与载体进行相互绑定的服务调度类型影响会更大。既然分配不合理的代价很大，那么使用minibatch机制，在一个时间周期内将到来的服务暂不分配资源，而是汇总后在进行更合理的分配会收到更好地效果。同样，即使服务被分配了，但是同样可能存在分配的并不合理，合理的利用基于博弈论的动态感知体系可以进行服务的重分配。这一机制还可以解决多优先级的服务之间优先调度匹配的问题。
(2)为服务请求分配资源节点时：引入博弈体系来构建服务调度的动态感知决策体系，整个博弈模型可以参考博弈中的拍卖体系。在拍卖过程中多竞争方是根据服务信息和当前自身情况来出价，该价格的大小是根据设定的标准来得出的，最后通过选择其中价格最高一方作为最终的胜利者来结束整个博弈过程。在一个常规的服务调度过程中，为了提高最后的服务调度结果，服务间存在一种非合作型博弈，每一个服务都希望被尽快执行，但是要完成个体间的普遍最优，就必须从整体入手使整体载体的执行时间和利用率以及彼此间的服务负载均衡趋于最优。每一次进行决策前，首先动态的全面更新当前系统的所有信息，面对服务间对载体的争夺，所有的服务都必须根据当前各载体的执行服务数、该服务的可执行载体，服务的执行情况等信息根据动态感知体系进行竞争。最终将该过程的结果与启发式算法节点选择过程相结合，最终最符合提高总体执行效率的载体将会被选择作为最终执行单位。这样就有效的克服了在传统的启发式算法中节点选择的盲目性，避免了通过较多轮次的迭代来优化最终的结果，从而提高了整体运行效率和可靠性。
(3)完成一次服务调度后：为了给后续服务调度过程反馈经验知识，提出了结合数据统计知识的一种自迭代和自适应的参数调整体系。在整个算法模型中，因为服务类型的未知性，设置静态参数会使得算法不能广泛适应多种类型的情景。因此，在整个体系中结合数理统计信息设置了很多自适应的参数设计，从使用的启发式算法中的部分参数，再到上文中提到的minibatch的时间设定，在博弈体系中参数权重的设计都可以通过在执行过程中，将通过动态的感知体系来收集的执行状态信息与反复迭代中收集到的服务信息进行结合来设置各类参数。这一机制的实现使得算法可以有效适应不同特征的服务模型，这一机制的具体优化将会在下文涉及到时进行更详细的说明。
上述三种机制分别破解了启发式算法对约束条件下对大规模服务调度不适用的难题。相比难以在云计算场景中直接应用常规的启发式算法，能够动态的感知服务调度过程中服务和资源的状态信息，在进行节点的选择决策时充分结合了服务和载体间的有效信息，对于服务请求的时空不均衡性也能够合理的规避，这使得模型能够更好的处置多约束的复杂情况。另外该算法的通用性很强，结合自迭代适应的参数设置对不同特征的服务类型都能有效适用。
为了使本发明的服务调度算法在服务调度任务中全过程高效能的发挥作用，该算法依照服务调度流程分为以下七步：接收服务请求信息、启动服务调度模型、开始运行服务调度任务、运行状态自适应调整、调度过程中经验累积、调度结束后方案更新、迭代寻求最优解。
一种基于动态博弈和自适应蚁群算法的服务调度方法，具体执行步骤如下所示：
步骤一：调度中心接收到下游任务发送的服务调度请求之后，从服务调度请求中获得服务资源需求表，并以此为依据对调度模型建模；
步骤二：建模完成后，调度中心将启动服务调度模型，并对服务调度算法中的蚁群参数进行必要的初始化操作，同时将服务资源需求表输入模型；
步骤三：服务调度模型使用结合博弈论的动态感知体系，根据服务资源需求表和当前资源系统状态进行资源节点选择并进行服务调度；
步骤四：服务调度模型根据服务调度运行中的状态会进行自适应调整。在服务调度过程中加入minibatch对服务请求进行分批调度，同时，调度模型会对已经分配资源的服务请求进行资源监控，在必要情况下启动重分配机制进行二次调度，通过minibatch和重分配机制缓解密集型服务请求类型的不均衡性导致的资源紧张问题；
步骤五：在执行完一次服务调度之后，根据该节点上服务完成后的反馈信息，对服务调度算法参数进行局部更新作为经验积累。在后续服务调度任务中，动态感知体系会感知到这种经验，并据此做出更优的节点选择；
步骤六：在执行完一次完整的服务调度之后，调度模型会将调度中表现最好的方案作为最优方案，并根据最优方案的分配方式进行服务调度算法参数的全局更新；
步骤七：调度模型迭代的探索服务分配方式，分配方式会以很快的速度收敛，此时调度模型按照这种分配方式给出最优调度方案并完成服务请求资源的调度。
附图说明
图1为专家服务分配问题模型图。
图2为动态博弈体系感知示意图。
图3为服务状态更新示意图。
图4为算法执行流程图。
具体实施方式
以下结合实例与附图对本发明进行详细说明。
本发明广泛适用于解决各类强约束问题，算法中使用的启发式算法以蚁群算法为例，但是该优化机制可以使用各类启发式的服务调度算法。服务调度问题的典型场景有很多，如物流或云计算资源等领域，为了充分体现本发明性能上的优越性，选取其中难度比较大的一种多约束问题即专家服务调度问题的实际场景进行说明。
整个专家服务调度问题可以描述如下，服务分为很多类型，按照时间顺序依次到来。每个专家有自己擅长的服务，处理时间从十几分钟到几百分钟不等。每个专家最多可以并行解决三个服务，每个服务完成第一次调度后也可以被重分配给其他专家。要求是在尽可能短的时间，按照尽可能负载均衡的方式分配给专家解决。最终的结果以服务专家的负荷标准差，服务的平均响应超时量和服务的总效率作为最终的评判标准。通过一系列选择，最终需要给出所有服务调度请求的分配方案。
在专家服务分配问题中，服务的类型非常复杂，并且服务请求数量大且存在时空不均衡特性，但是可执行服务的专家数量有限，不能即时满足所有服务调度的分配请求，而由于每个专家只支持某些特定的服务类型，这种绑定关系进一步增加了服务调度任务的复杂程度。整个服务调度可以看作一个NP-Hard型问题，这种问题一般需要基于元启发式的算法如蚁群算法来解决，但是强约束带来的选择稀疏性又给算法的应用带来了困难。本发明为这个难题提出的解决过程可参考图4算法执行流程图，服务调度过程的详细步骤如下：
(1)专家服务调度这样的NP-hard问题在服务调度模型中会被解构为若干次专家和服务的一对一问题。虽然服务是动态产生的，调度中心接收到的服务调度请求类型具有较大不确定性，但每个服务类别与每个专家之间具有给定的分配关系。支持每一个服务类别的所有专家则构成了该服务类别可选专家集合，每次属于该类别的服务调度请求进入调度系统并开始分配专家时，调度中心会收集该服务的专家集合内所有专家在该时间点的状态信息，同时计算与每一个专家建立分配关系可能获得的综合性能表现，系统会对收集到的状态信息经过计算后得到分配结果。如果专家集合中有合适的选项，则服务进入执行状态，在服务执行完成后，对专家和服务节点执行状态更新操作，作为后续分配的参考。在服务流中服务调度模型会不断重复上述操作，直到完成所有服务的分配和执行，即完成一次专家服务服务分配过程。专家服务调度问题建模示意图如图1所示。
(2)调度中心启动专家服务调度模型，并将服务调度算法中蚁群迭代的最大循环次数NCmax设置为100次、信息素挥发常数ρ设置为0.15，信息素因子a为2，启发式因子β为6，蚂蚁数量确定为10，Q常数设置为20。由于蚁群在选择节点时需要信息素矩阵，故在这里按照Q/tij的形式来给出选择的方案间的初始信息素值。其中i和j泛指在上一步中形成的可执行表中任一专家i和服务j之间的信息素值。
(3)调度中心开始处理按照时间流到来的服务调度请求，并结合博弈论的动态感知体系进行服务-专家匹配。服务调度模型中蚁群每一次迭代开始时蚂蚁起始点均为按照时间流到来的第一个服务调度请求。在执行服务调度时，会根据蚂蚁k在时刻t时从为服务请求i分配专家j的概率
Figure BDA0002862900510000081
按轮盘赌的方式进行服务调度。
Figure BDA0002862900510000082
Figure BDA0002862900510000083
其中：
Figure BDA0002862900510000084
Figure BDA0002862900510000091
Figure BDA0002862900510000092
Figure BDA0002862900510000093
在这里蚂蚁k指代该步骤中为每个服务调度请求分配专家的蚂蚁，t时刻为任一时刻，j表示当前时刻蚂蚁k需要分配的服务，i表示待选择的执行载体，即专家。公式中Jk(i)是t时刻在专家i的蚂蚁k的禁忌表上的所有待完成的服务。a为信息素因子，表征过去服务调度所积累的经验，β为启发式因子，能够为服务调度提供更多的可选择项。公式(1)通过将当前服务分配的信息素的值和启发式因子值转化为服务选择某个专家的概率，再对这些专家按概率值进行随机选择。
公式(2)中
Figure BDA0002862900510000094
是指t时刻为服务j分配专家i的启发式因子值。一般情况下，启发式因子式通常是基于贪婪原则来降低执行服务代价消耗，在这里将会使用基于博弈论的动态感知决策体系构建的代价公式。公式(3)中tex是指该服务如果分配给当前专家空余容量的最短执行时间。在这里的参数α是当前执行时间与平均执行时间的比值；除了执行时间之外，公式(4)中计算了负载平衡因子，这里的δ是负载平衡率，在这里nloadb的值为待分配的专家执行服务数与总体专家执行服务数的差值，当出现负载不平衡的状态时，δ作为负载平衡率也上升这时应该增加负载平衡因子的权重，发现这两个是正相关关系，故这里可以直接使用负载平衡率作为负载平衡因子的值；同样，公式(5)为服务响应因子，因为不同的专家可响应的服务数不同，因此对于可响应种类数多且执行时间相对较短的专家应该被优先保留，故nequ为可分配专家的可执行种类数和其执行服务的时间均值；公式(6)为超时代价因子，对于待执行的服务来说，不同的服务有不同的最大等待时间，超过最大等待时间则该服务响应超时，超时代价即为等待时间与该任务最大响应时长的差值。如果超时后被重分配，则
Figure BDA0002862900510000102
值为1，超时响应因子将会在该任务被再次分配时作为权衡因素而使用。通过在每次执行决策选择专家时，通过综合感知获取当前服务，专家的状态信息，实现对决策中各因素进行综合考量，有针对性的优化执行时间、负载均衡、服务响应等指标。参数μ，δ，ε，
Figure BDA0002862900510000101
均为根据挖掘到的信息进行动态自适应设定取值，实现对调度的不同阶段自适应的调整参数值。
(4)由于专家服务调度模型为冷启动，任务调度在开始的一段时间内只进行任务调度而不执行本步骤。但当专家负载量低于总体的百分之三十时，将会使用下面的两个机制。
第一步是minibatch，在调度中心为当前服务请求分配专家节点时，使用minibatch机制，在这里设置了两个阈值，tba为时间阈值，设定值为5.0即暂时冻结最近五分钟到来的服务，nba为任务量阈值，设定值为10是为了应对短时间内产生大量任务的情况，通过这种方式使得系统在局部获得更合理的分配方案。分配时使用动态感知体系来为各个服务分配合适的专家。
第二步是重分配机制。在调度场景中，服务区分优先级是很常见的情况，服务调度模型中加入如下重分配机制：如果将一个服务重新分配后，其已经执行的时间加上再次执行完毕的时间小于继续在当前专家处理的时间，便考虑将它拿出来。但并不是会直接按照计算结果来直接进行重分配，而是将其纳入蚁群算法的节点选择中去，将重分配也纳入蚁群整体优化的范畴中来。
(5)根据服务完成后的反馈信息，对服务调度算法参数进行局部更新作为经验积累。当蚂蚁k完成所有服务后，在整个过程中所有的服务和专家的对应关系就是最终的解决方案。完成所有服务的分配和执行后，更新信息素矩阵。为方便下面公式说明，将这一步骤中出现的所有可行方案命名为方案m。
Figure BDA0002862900510000111
其中，
Δτm(i,j)＝(scorem)-1,if(i，j)∈Rm
scorem＝a*Mavg+b*Vstd+c*R (8)
其中，
Figure BDA0002862900510000112
Figure BDA0002862900510000113
Figure BDA0002862900510000114
t+1时刻表示上面出现过的任一时刻t的下一时刻，此时方案m已经构建完成，需要对方案m中方案的信息素进行局部更新。公式(7)中
Figure BDA0002862900510000115
表示t+1时刻方案m中代表专家i和服务j之间的局部信息素更新值。
Figure BDA0002862900510000116
表示前一时刻t时这些方案的信息素量，Rm表示方案m经过的所有服务与专家间构成的分配关系的集合，ρ(t)为t时刻的挥发系数，1-ρ(t)表示t时刻的残留系数，Δτm(t+1)(i,j)是t+1时刻该方案经过的任一存在分配关系的专家i和服务j之间的信息素增量，取值为该方案得分scorem的倒数。公式(8)的scorem是参考在实际生活中对技术专家进行服务分配的基本准则构成的函数式。公式(9)中R表示服务总效率，代表所有服务最短必要处理时间之和除以所有服务停留时长之和，其中
Figure BDA0002862900510000121
为服务j最短必要处理时间，
Figure BDA0002862900510000122
表示服务j处理完成时间。公式(10)中Mj是服务j的响应超时量，值为服务j响应超时时长除以该服务最大响应时长，公式中
Figure BDA0002862900510000123
为服务j开始处理时间，
Figure BDA0002862900510000124
为服务j产生时间，
Figure BDA0002862900510000125
为服务j最大响应时长。公式(11)中Li表示服务技术专家i负荷，值为服务技术专家i的总工作时长除以该专家标准工作时长tstd_load，其中
Figure BDA0002862900510000126
是服务j在服务技术专家i处停留的时长。
在完成每组方案方案信息素的局部更新后，计算所有方案的scorem，得到本次迭代最优方案。
(6)记录当前最优方案，进行信息素的全局更新
Figure BDA0002862900510000127
Figure BDA0002862900510000128
scorebest(t+2)＝min(score(t+1),score(t)) (14)
在全局更新时，使用了当前已有的迭代自适应的更新机制，作为已有自适应机制的补充，可以根据当前优化结果来对挥发系数进行自适应更新权值。t+1时刻得到每一个方案后，对其方案间的信息素进行局部更新，并最终得出本次迭代产生的最优方案的方案值score(t+1)。在下一时刻t+2将会使用公式(12)得出本次全局更新的挥发系数，然后使用公式(13)对本次最优方案的方案的信息素进行全局更新。
在公式(12)中，score(t)为t时刻的全局最优值，score(t+1)为t+1时刻得到的本次迭代最优方案分值，而scorebest(t+2)是score(t+1)、score(t)两者中较小值，表示本次迭代后t+2时刻服务调度算法得到的新全局最优方案分值。这里的信息素挥发系数ρ(t+1)的值是通过对比前后最优方案的提升幅度来进行自适应调整。这样就解决了实际调度中运用蚁群算法遇到的迭代次数过多或者困于局部最优解的问题。公式(13)中的τij(t+2)表示t+2时刻本次迭代的最优方案中任一服务i和专家j的节点信息素的全局更新值。值为残留系数1-ρ(t+1)和t+1时刻方案间局部更新后的信息素值τij(t+1)的乘积与已被初始化的常数Q和scorebest(t+2)比值的和。
(7)反复重复上述迭代蚁群算法中的步骤1至6，直至迭代次数达到设置好的上限NCmax即100次后输出最后求得的最优方案。经过当前当前调度优化机制后，该调度算法可以有效地解决专家派遣服务不均和连续分派服务的场景(例如部分专家可能分配服务量是其他专家的几倍)。服务调度算法可以降低服务的总执行时间，这样就有效提升客户问题的流转效率，优化客户的服务体验。同时，专家间的服务负载趋于均衡，且尽可能使每个专家处理的服务种类尽量丰富，这样可以有效地锻炼专家的技术能力，避免同一类型服务使专家的技术能力退化，最终使得客户，服务提供商和技术专家可以实现三赢，从而带来良好的经济和社会效益。
以上实施例仅为本发明的示例性实施例，不用于限制本发明，本发明的保护范围由权利要求书限定。本领域技术人员可以在本发明的实质和保护范围内，对本发明做出各种修改或等同替换，这种修改或等同替换也应视为落在本发明的保护范围内。

Claims (1)

1.一种基于动态博弈和自适应蚁群算法的服务调度方法，其特征在于：具体执行步骤如下所示：
步骤一：调度中心接收到下游任务发送的服务调度请求之后，从服务调度请求中获得服务资源需求表，并以此为依据对调度模型建模；
步骤二：建模完成后，调度中心将启动服务调度模型，并对服务调度算法中的蚁群参数进行必要的初始化操作，同时将服务资源需求表输入模型；
步骤三：服务调度模型使用结合博弈论的动态感知体系，根据服务资源需求表和当前资源系统状态进行资源节点选择并进行服务调度；
步骤四：服务调度模型根据服务调度运行中的状态会进行自适应调整；在服务调度过程中加入minibatch对服务请求进行分批调度，调度模型会对已经分配资源的服务请求进行资源监控，在必要情况下启动重分配机制进行二次调度，通过minibatch和重分配机制缓解密集型服务请求类型的不均衡性导致的资源紧张问题；
步骤五：在执行完一次服务调度之后，根据该节点上服务完成后的反馈信息，对服务调度算法参数进行局部更新作为经验积累；在后续服务调度任务中，动态感知体系会感知到这种经验，并据此做出更优的节点选择；
步骤六：在执行完一次完整的服务调度之后，调度模型会将调度中表现最好的方案作为最优方案，并根据最优方案的分配方式进行服务调度算法参数的全局更新；
步骤七：调度模型迭代的探索服务分配方式，分配方式会收敛，调度模型按照这种分配方式给出最优调度方案并完成服务请求资源的调度。
CN202011571606.2A 2020-12-27 2020-12-27 一种基于动态博弈和自适应蚁群算法的服务调度方法 Active CN112613761B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011571606.2A CN112613761B (zh) 2020-12-27 2020-12-27 一种基于动态博弈和自适应蚁群算法的服务调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011571606.2A CN112613761B (zh) 2020-12-27 2020-12-27 一种基于动态博弈和自适应蚁群算法的服务调度方法

Publications (2)

Publication Number Publication Date
CN112613761A true CN112613761A (zh) 2021-04-06
CN112613761B CN112613761B (zh) 2024-03-12

Family

ID=75248125

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011571606.2A Active CN112613761B (zh) 2020-12-27 2020-12-27 一种基于动态博弈和自适应蚁群算法的服务调度方法

Country Status (1)

Country Link
CN (1) CN112613761B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113419838A (zh) * 2021-07-16 2021-09-21 北京字节跳动网络技术有限公司 资源调度方法、装置、电子设备及存储介质
CN116723193A (zh) * 2023-03-14 2023-09-08 重庆大学 一种基于车载以太网的负载均衡方法、装置及终端设备
CN116911573A (zh) * 2023-09-07 2023-10-20 南京邮电大学 一种面向智能制造的供应链物流商多任务协同方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109615143A (zh) * 2018-12-18 2019-04-12 中国民航大学 基于多QoS约束的广域信息管理系统任务调度蚁群优化算法
CN110298589A (zh) * 2019-07-01 2019-10-01 河海大学常州校区 基于遗传-蚁群融合算法的动态服务资源调度方法
CN111913800A (zh) * 2020-07-15 2020-11-10 东北大学秦皇岛分校 基于l-aco的云中微服务成本优化的资源分配方法
CN111967643A (zh) * 2020-07-13 2020-11-20 北京工业大学 一种基于贪婪自适应蚁群算法的任务调度方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109615143A (zh) * 2018-12-18 2019-04-12 中国民航大学 基于多QoS约束的广域信息管理系统任务调度蚁群优化算法
CN110298589A (zh) * 2019-07-01 2019-10-01 河海大学常州校区 基于遗传-蚁群融合算法的动态服务资源调度方法
CN111967643A (zh) * 2020-07-13 2020-11-20 北京工业大学 一种基于贪婪自适应蚁群算法的任务调度方法
CN111913800A (zh) * 2020-07-15 2020-11-10 东北大学秦皇岛分校 基于l-aco的云中微服务成本优化的资源分配方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113419838A (zh) * 2021-07-16 2021-09-21 北京字节跳动网络技术有限公司 资源调度方法、装置、电子设备及存储介质
CN116723193A (zh) * 2023-03-14 2023-09-08 重庆大学 一种基于车载以太网的负载均衡方法、装置及终端设备
CN116723193B (zh) * 2023-03-14 2024-08-27 重庆大学 一种基于车载以太网的负载均衡方法、装置及终端设备
CN116911573A (zh) * 2023-09-07 2023-10-20 南京邮电大学 一种面向智能制造的供应链物流商多任务协同方法
CN116911573B (zh) * 2023-09-07 2023-11-14 南京邮电大学 一种面向智能制造的供应链物流商多任务协同方法

Also Published As

Publication number Publication date
CN112613761B (zh) 2024-03-12

Similar Documents

Publication Publication Date Title
CN112613761A (zh) 一种基于动态博弈和自适应蚁群算法的服务调度方法
US20210133534A1 (en) Cloud task scheduling method based on phagocytosis-based hybrid particle swarm optimization and genetic algorithm
CN107168267B (zh) 基于改进粒子群与启发式策略的生产排产方法及系统
CN109617826B (zh) 一种基于布谷鸟搜索的storm动态负载均衡方法
CN111722910B (zh) 一种云作业调度及资源配置的方法
CN108874525A (zh) 一种面向边缘计算环境的服务请求分配方法
CN105656973A (zh) 一种分布式节点组内任务调度方法及系统
CN111967643A (zh) 一种基于贪婪自适应蚁群算法的任务调度方法
CN110717300A (zh) 面向电力物联实时在线监测业务的边缘计算任务分配方法
CN114169543B (zh) 一种基于模型陈旧性与用户参与度感知的联邦学习方法
CN114968510A (zh) 一种基于改进蚁群算法的多目标动态任务调度方法和系统
CN114996001A (zh) 一种分布式机器学习任务gpu资源调度分配方法及系统
CN115658259A (zh) 多重工业网络中基于负载均衡策略和改进蚁群算法的组件调度方法
CN111767146A (zh) 一种基于网络重配置的分布式机器学习系统加速方法
CN106302170A (zh) 一种无线云计算系统的资源分配方法
CN116932201A (zh) 一种面向深度学习训练任务的多资源共享调度方法
CN116107692A (zh) 动态融合遗传算法的边缘容器多目标蚁群优化调度方法
CN115629865A (zh) 一种基于边缘计算的深度学习推理任务调度方法
CN112596910A (zh) 一种多用户mec系统中的云计算资源调度方法
CN112070370A (zh) 中继卫星任务规划方法、系统及存储介质
CN115421885A (zh) 一种分布式多目标云任务的调度方法、装置及云服务系统
CN118396294A (zh) 一种基于量子多智能体强化学习的云制造调度方法
CN118312312A (zh) 基于多目标强化学习的云数据中心负载均衡智能优化方法
CN107168805A (zh) 一种基于虚拟机的资源调度方法
CN114168328A (zh) 一种基于联邦学习的移动边缘节点计算任务调度方法及其系统

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