CN113191534A - 物流资源分配方法、装置、设备及存储介质 - Google Patents

物流资源分配方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN113191534A
CN113191534A CN202110399331.7A CN202110399331A CN113191534A CN 113191534 A CN113191534 A CN 113191534A CN 202110399331 A CN202110399331 A CN 202110399331A CN 113191534 A CN113191534 A CN 113191534A
Authority
CN
China
Prior art keywords
task
storage
population
individual
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.)
Pending
Application number
CN202110399331.7A
Other languages
English (en)
Inventor
钱忠杰
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.)
Dongpu Software Co Ltd
Original Assignee
Dongpu Software 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 Dongpu Software Co Ltd filed Critical Dongpu Software Co Ltd
Priority to CN202110399331.7A priority Critical patent/CN113191534A/zh
Publication of CN113191534A publication Critical patent/CN113191534A/zh
Pending legal-status Critical Current

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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • 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
    • 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
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • G06Q10/083—Shipping

Landscapes

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

Abstract

本发明涉及物流资源管控领域，公开了一种物流资源分配方法、装置、设备及存储介质。该方法包括：获取待管控物流资源对应的初始存储任务种群，根据各第一存储任务的预置存储效率，采用预置加速遗传策略对对应的任务个体进行持续重组，直到初始存储任务种群满足预置优化条件时停止重组，得到最优存储任务种群；采用预置动态分配策略，将待管控物流资源预分配至各第二存储任务对应的处理节点，得到待管控物流资源在各处理节点的初始分配决策序列；直到初始分配决策序列满足分配条件时停止分配，将初始分配决策序列作为最优分配决策序列。本发明实现了在多个通用服务器上实现物流资源的云存储，提升了通用服务器的存储利用率和优化了系统负载均衡。

Description

物流资源分配方法、装置、设备及存储介质
技术领域
本发明涉及物流资源管控领域，尤其涉及一种物流资源分配方法、装置、设备及存储介质。
背景技术
当前社会经济发展步伐加速，尤其是物流行业，呈井喷式发展。快递数量呈现惊人的增长速度，如此庞大的快递数量，也伴随着物流资源存储的急剧上升，对物流行业来说，物流资源的存储技术优化是一个严峻的挑战。面对业务的快速发展和数据巨量增长，传统做法是以采购更高性能的软件的主要服务器来应对，而在物流资源增长速度持续提升时，服务器性能迭代的速度在实际中亦无法随时更替，服务器横向拓展性低，无疑使得物流资源增长时，物流数据的处理效率逐渐下降。故现有物流资源的数据处理方法存在拓展性差的技术问题。
发明内容
本发明的主要目的在于解决现有物流资源的数据处理方法存在拓展性差的技术问题的问题。
本发明第一方面提供了一种物流资源分配方法，包括：获取待管控物流资源对应的初始存储任务种群，其中，所述初始存储任务种群包括多个任务个体；计算每个任务个体的存储效率，并根据每个任务个体的存储效率，计算每个任务个体在所述初始存储任务种群的适应度；基于每个任务个体在所述初始存储任务种群的适应度，采用预置加速遗传策略对每个任务个体进行重组，得到新的存储任务种群；若所述新的存储任务种群满足预置优化条件时，输出最优存储任务种群，并采用预置动态分配策略生成最优分配决策序列，将所述最优存储任务种群中的每个任务个体按照所述最优决策分配序列分配至目标数据处理集群对应的存储节点上。
可选的，在本发明第一方面的第一种实现方式中，所述采用预置动态分配策略生成最优分配决策序列包括：根据各所述任务个体对应的待存储数据分布和目标数据处理集群中各存储节点的预置负载能力，将所述最优存储任务种群中的每个任务个体分配至目标数据处理集群对应的存储节点，得到初始分配决策序列；判断所述初始分配决策序列是否满足预置分配条件；若满足，则输出最优分配决策序列，否则重新对所述最优存储任务种群中的每个任务个体进行分配，直到得到的初始分配决策序列满足所述分配条件时停止，输出最优分配决策序列。
可选的，在本发明第一方面的第二种实现方式中，所述根据各所述任务个体对应的待存储数据分布和目标数据处理集群中各存储节点的预置负载能力，将所述最优存储任务种群中的每个任务个体分配至目标数据处理集群对应的存储节点，得到初始分配决策序列包括：分别确定所述最优存储任务种群中每个任务个体包含的存储任务，以及对目标数据处理集群中各存储节点进行虚拟化处理，得到多个存储子节点；根据各所述任务个体对应的存储数据分布，确定各所述存储任务对应的存储数据分布，并根据各所述存储任务对应的存储数据分布，计算各所述存储任务对应的初始状态变量；根据各所述存储节点的预置负载能力，确定各所述存储子节点的负载能力，并根据各所述存储子节点的负载能力和所述初始状态变量，依次计算各所述存储子节点的最优决策变量；根据各所述存储子节点的最优决策变量，依次将各所述存储任务分配至对应的存储子节点，得到初始分配决策序列。
可选的，在本发明第一方面的第三种实现方式中，所述基于每个任务个体在所述初始存储任务种群的适应度，采用预置加速遗传策略对每个任务个体进行重组，得到新的存储任务种群包括：基于每个任务个体在所述初始存储任务种群的适应度，确定预置遗传算法对应的早熟阈值、及所述初始存储任务种群中每个任务个体的适应度分布；检测预置遗传算法的早熟指标，并判断所述早熟指标是否小于所述早熟阈值；若所述早熟指标小于所述早熟阈值，则变更所述遗传算法中的预置重组阈值，得到加速遗传算法；根据所述初始存储任务种群中每个任务个体的适应度分布，采用所述加速遗传算法对每个任务个体进行重组，得到新的存储任务种群。
可选的，在本发明第一方面的第四种实现方式中，所述根据所述初始存储任务种群中每个任务个体的适应度分布，采用所述加速遗传算法对每个任务个体进行重组，得到新的存储任务种群包括：根据所述初始存储任务种群中每个任务个体的适应度分布，计算所述初始存储任务种群中每个任务个体的繁殖选取概率；根据每个任务个体的繁殖选取概率，判断每个任务个体是否满足所述初始存储任务种群的预置种群规模；若满足，则将对应的任务个体作为父代任务个体，并分别将每两个任务个体进行随机匹配；采用预置繁殖算法分别对随机匹配成功的每两个任务个体进行交叉重组，输出对应的子代任务个体，并对各所述子代任务个体进行组合，得到新的存储任务种群。
可选的，在本发明第一方面的第五种实现方式中，所述采用预置繁殖算法分别对随机匹配成功的每两个任务个体进行交叉重组，输出对应的子代任务个体包括：在预置交叉概率区间内随机生成匹配成功的每两个任务个体的交叉概率，并将交叉概率小于预置交叉概率阈值的每两个任务个体进行交叉转换处理，得到多个子代任务个体；在预置变异概率区间内随机生成各所述子代任务个体的变异概率，并将变异概率小于预置变异概率阈值的子代任务个体进行变异变换处理。
本发明第二方面提供了一种物流资源分配装置，包括：
获取模块，用于获取待管控物流资源对应的初始存储任务种群，其中，所述初始存储任务种群包括多个任务个体；适应度计算模块，用于计算每个任务个体的存储效率，并根据每个任务个体的存储效率，计算每个任务个体在所述初始存储任务种群的适应度；重组模块，用于基于每个任务个体在所述初始存储任务种群的适应度，采用预置加速遗传策略对每个任务个体进行重组，得到新的存储任务种群；分配模块，用于若所述新的存储任务种群满足预置优化条件时，输出最优存储任务种群，并采用预置动态分配策略生成最优分配决策序列，将所述最优存储任务种群中的每个任务个体按照所述最优决策分配序列分配至目标数据处理集群对应的存储节点上。
可选的，在本发明第二方面的第一种实现方式中，所述分配模块包括：分配单元，用于根据各所述任务个体对应的待存储数据分布和目标数据处理集群中各存储节点的预置负载能力，将所述最优存储任务种群中的每个任务个体分配至目标数据处理集群对应的存储节点，得到初始分配决策序列；判别单元，用于判断所述初始分配决策序列是否满足预置分配条件；若满足，则输出最优分配决策序列，否则重新对所述最优存储任务种群中的每个任务个体进行分配，直到得到的初始分配决策序列满足所述分配条件时停止，输出最优分配决策序列。
可选的，在本发明第二方面的第二种实现方式中，所述分配单元还用于：分别确定所述最优存储任务种群中每个任务个体包含的存储任务，以及对目标数据处理集群中各存储节点进行虚拟化处理，得到多个存储子节点；根据各所述任务个体对应的存储数据分布，确定各所述存储任务对应的存储数据分布，并根据各所述存储任务对应的存储数据分布，计算各所述存储任务对应的初始状态变量；根据各所述存储节点的预置负载能力，确定各所述存储子节点的负载能力，并根据各所述存储子节点的负载能力和所述初始状态变量，依次计算各所述存储子节点的最优决策变量；根据各所述存储子节点的最优决策变量，依次将各所述存储任务分配至对应的存储子节点，得到初始分配决策序列。
可选的，在本发明第二方面的第三种实现方式中，所述重组模块包括：确定单元，用于基于每个任务个体在所述初始存储任务种群的适应度，确定预置遗传算法对应的早熟阈值、及所述初始存储任务种群中每个任务个体的适应度分布；检测单元，用于检测预置遗传算法的早熟指标，并判断所述早熟指标是否小于所述早熟阈值；加速单元，用于若所述早熟指标小于所述早熟阈值，则变更所述遗传算法中的预置重组阈值，得到加速遗传算法；重组单元，用于根据所述初始存储任务种群中每个任务个体的适应度分布，采用所述加速遗传算法对每个任务个体进行重组，得到新的存储任务种群。
可选的，在本发明第二方面的第四种实现方式中，所述重组单元还用于：根据所述初始存储任务种群中每个任务个体的适应度分布，计算所述初始存储任务种群中每个任务个体的繁殖选取概率；根据每个任务个体的繁殖选取概率，判断每个任务个体是否满足所述初始存储任务种群的预置种群规模；若满足，则将对应的任务个体作为父代任务个体，并分别将每两个任务个体进行随机匹配；采用预置繁殖算法分别对随机匹配成功的每两个任务个体进行交叉重组，输出对应的子代任务个体，并对各所述子代任务个体进行组合，得到新的存储任务种群。
可选的，在本发明第二方面的第五种实现方式中，所述重组单元还用于：在预置交叉概率区间内随机生成匹配成功的每两个任务个体的交叉概率，并将交叉概率小于预置交叉概率阈值的每两个任务个体进行交叉转换处理，得到多个子代任务个体；在预置变异概率区间内随机生成各所述子代任务个体的变异概率，并将变异概率小于预置变异概率阈值的子代任务个体进行变异变换处理。
本发明第三方面提供了一种物流资源分配设备，包括：存储器和至少一个处理器，所述存储器中存储有指令；所述至少一个处理器调用所述存储器中的所述指令，以使得所述物流资源分配设备执行上述的物流资源分配方法。
本发明的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述的物流资源分配方法。
本发明提供的技术方案中，通过加速遗传策略对存储任务进行调度，以及采用动态分配策略对物流资源进行分配，其中，将待管控物流资源的初始存储任务种群通过加速遗传策略进行持续重组，直到得到一个最优的存储任务种群，以确定各任务个体最佳任务调度的第二存储任务；然后通过重组后的最优存储任务种群中各第二存储任务的处理节点，采用东热爱分配策略，对待管控物流资源进行持续分配，直到得到各处理节点处理待管控物流资源的最优分配决策序列，实现了对物流资源的集群环境处理，提升集群环境中各任务个体的资源利用率，以及优化了集群环境中各任务个体的负载均衡。
附图说明
图1为本发明实施例中物流资源分配方法的一个实施例示意图；
图2为本发明实施例中物流资源分配方法的另一个实施例示意图；
图3为本发明实施例中物流资源分配装置的一个实施例示意图；
图4为本发明实施例中物流资源分配装置的另一个实施例示意图；
图5为本发明实施例中物流资源分配设备的一个实施例示意图。
具体实施方式
本发明实施例提供了一种物流资源分配方法、装置、设备及存储介质，获取待管控物流资源对应的初始存储任务种群，根据各第一存储任务的预置存储效率，采用预置加速遗传策略对对应的任务个体进行持续重组，直到初始存储任务种群满足预置优化条件时停止重组，得到最优存储任务种群；采用预置动态分配策略，将待管控物流资源预分配至各第二存储任务对应的处理节点，得到待管控物流资源在各处理节点的初始分配决策序列；直到初始分配决策序列满足分配条件时停止分配，将初始分配决策序列作为最优分配决策序列。本发明实现了在多个通用服务器上实现物流资源的云存储，提升了通用服务器的存储利用率和优化了系统负载均衡。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”或“具有”及其任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解，下面对本发明实施例的具体流程进行描述，请参阅图1，本发明实施例中物流资源分配方法的一个实施例包括：
101、获取待管控物流资源对应的初始存储任务种群中的多个任务个体；
可以理解的是，本发明的执行主体可以为物流资源分配装置，还可以是终端或者服务器，具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。
本实施例中，待管控物流资源指的是需要进行存储的物流资源，具体在集群式环境中对物流资源进行云存储，即采用多个服务器中对同一个物流资源进行存储，其中，涉及的问题包括：如何调度不同服务器的存储任务对一个物流资源的不同部分进行存储？本发明采用加速遗传策略对存储任务进行调度；以及如何将一个物流资源均衡分配至各个服务器中进行存储？本发明采用分配策略对物流资源进行分配。
另外，初始存储任务种群包含存储待管控物流资源细分的多个任务个体，其中，任务个体的前后排序顺序具有时序性，任务个体内包含对待管控物流资源的多个存储任务。
具体的，初始存储任务种群可以采用编码格式进行表达，编码方式包括二进制编码、浮点编码、自然数编码，例如通过对实际存储任务进行自然数编码，存储任务类型包括存储任务A、存储任务B、存储任务C，对应编码为[1，2，3]，待调度管控物流资源调度存储任务的顺序为[3，2，2，1，3，2，1，3，1，2，2，3，3，1，1]；再进一步确定各任务个体上的存储任务分布，比如涉及的任务个体以及存储任务分布包括：S1：{4，7，9，14，15}，S2：{2，3，6，10，11}，S3：{1，5，8，12，13}，即任务个体S1上顺序运行第4，7，9，14，15个存储任务，任务个体S2上顺序运行第2，3，6，10，11个存储任务，任务个体S3上顺序运行第1，5，8，12，13个存储任务。
102、计算每个任务个体的存储效率，并根据每个任务个体的存储效率，计算每个任务个体在初始存储任务种群的适应度；
本实施例中，各存储任务在对应的存储节点中均有固定的存储效率，可以通过EES(Expected Efficiency to Store)矩阵进行表示，EES[i，j]表示第i个存储任务在第j个存储节点上的存储效率。
根据每个任务个体中各存储任务的存储效率，即可计算每个任务个体的的存储效率，具体可以通过以下公式进行计算：
Figure BDA0003019797780000071
其中，storage(s，i)是第s个存储节点存储第i个存储任务的效率值，n为第s个存储节点中存储任务的数量，N为自然数。
然后，可以根据各任务个体的存储效率，进一步计算每个任务个体在初始存储任务种群中适应度，具体可以通过以下公式进行计算：
Figure BDA0003019797780000072
其中，1≤i≤SCALE，SCALE为初始存储任务种群的规模，1≤k≤M，M为存储任务的总数，Sk为第i个任务个体中的第k个存储任务，EFFi(Sk)为第i个任务个体的存储任务的存储效率。
103、基于每个任务个体在初始存储任务种群的适应度，采用预置加速遗传策略对每个任务个体进行重组，得到新的存储任务种群；
本实施例中，加速遗传策略的操作过程是将两个父代的任务个体的部分结构加以替换重组，生成两个新的子代任务个体，以此循环，不断扩展搜索空间，最终达到全局搜索的目的，在全局集群环境中寻找最优的存储任务种群。加速遗传策略对各任务个体进行持续重组主要包括以下三个流程：
第一步是存储任务的选择，通过各存储任务的存储效率值，确定各任务个体对整个初始存储任务种群的适应度，并选取对初始存储任务种群适应度高的存储任务进行后续的繁殖迭代，将适应度低的存储任务剔除。
第二步是存储任务的繁殖迭代，将两个存储任务的部分结构进行重组得到新的存储任务，保留原存储任务的适应特征同时，产生新的存储任务的适应特征；最后根据新的存储任务，对存储个体进行存储，即可得到新的存储任务种群，其中，对于新的存储任务还进行变异处理，以防初始存储任务过早收敛。
第三步是对存储任务的于预置阈值时，提高繁殖迭代概率，以提升进化速度。繁殖迭代进行加速进化处理，通过在存储任务的繁殖迭代中加入过早收敛指标，检测存储任务在繁殖迭代过程中是否会过早收敛，并在过早收敛指标低。
104、若新的存储任务种群满足预置优化条件时，输出最优存储任务种群，并采用预置动态分配策略生成最优分配决策序列，将最优存储任务种群中的每个任务个体按照最优决策分配序列分配至目标数据处理集群对应的存储节点上。
本实施例中，通过预置优化条件确定初始存储任务种群是否重组得到最优存储任务种群，具体优化条件可以包括：1)任务个体中各存储任务计算耗费的资源限制，例如计算时间、计算占用的内存等；2)一个任务个体已经满足预置的最优适应度；各任务个体的适应度己经达到饱和，继续繁殖迭代不会产生适应度更优的任务个体；3)繁殖迭代的次数；4)以上两种或多种的组合。
本实施例中，动态分配策略主要利用每个存储任务的负载能力，将存储个体分配至目标数据处理集群对应的存储节点，根据目标数据处理集群对应的存储节点的数量，将存储个体的存储过程分为多个存储阶段；在初始阶段，确定当前的状态变量，即各存储任务的数据分布，后续计算每个阶段的数据分配的决策变量，即各存储阶段分配到的存储任务，前一个存储阶段的状态变量和决策变量可以确定下一个存储阶段的决策变量，以此循环，知道计算出每个存储阶段的决策变量，并依据存储变量将每个存储任务分配至各个存储节点中，以完成对存储个体的分配，即可得到最优分配决策序列，即每个存储任务在每个存储节点的分布。
具体的，比如3个任务个体分别包括3个存储任务[A11、A12、A13、A21、A22、A23、A31、A32、A33]，分配完成后第一个存储节点分配到存储任务{A21、A22、A23}，第二个存储节点分配到存储任务{A31、A32、A33}，第三个存储节点分配到存储任务{A11、A12、A13}，则最优分配决策序列则为[A21、A22、A23、A31、A32、A33、A11、A12、A13]。
本发明实施例中，通过加速遗传策略对存储任务进行调度，以及采用动态分配策略对物流资源进行分配，其中，将待管控物流资源的初始存储任务种群通过加速遗传策略进行持续重组，直到得到一个最优的存储任务种群，以确定各任务个体最佳任务调度的第二存储任务；然后通过重组后的最优存储任务种群中各第二存储任务的处理节点，采用东热爱分配策略，对待管控物流资源进行持续分配，直到得到各处理节点处理待管控物流资源的最优分配决策序列，实现了对物流资源的集群环境处理，提升集群环境中各任务个体的资源利用率，以及优化了集群环境中各任务个体的负载均衡。
请参阅图2，本发明实施例中物流资源分配方法的另一个实施例包括：
201、获取待管控物流资源对应的初始存储任务种群中的多个任务个体；
202、计算每个任务个体的存储效率，并根据每个任务个体的存储效率，计算每个任务个体在初始存储任务种群的适应度；
203、基于每个任务个体在初始存储任务种群的适应度，确定预置遗传算法对应的早熟阈值、及初始存储任务种群中每个任务个体的适应度分布；
本实施例中，在常规的遗传算法中国加入加速进化策略，通过加入早熟阈值，检测遗传算法在遗传过程中是否出现早熟的情况，在出现的早熟时，提升遗传算法中的交叉概率和变异概率，抑制遗传算法的收敛速度。
具体的，早熟阈值的确定基于每个任务个体在初始存储任务种群的适应度，通过计算上一代每个任务个体的平均适应度a*10b，并将b作为早熟阈值。
204、检测预置遗传算法的早熟指标，并判断早熟指标是否小于早熟阈值；
205、若早熟指标小于早熟阈值，则变更遗传算法中的预置重组阈值，得到加速遗传算法；
本实施例中，在检测到遗传算法的早熟指标小于早熟阈值时，则确定采用遗传算法当前的交叉概率和变异概率，会导致初始存储任务种群早熟，得到的最优存储任务种群仅具有局部存储任务调度的特征表达，而无法对整体目标数据处理集群的存储任务调度具有全局的特征表达。故此时根据实际情况，提高遗传算法中的交叉概率和变异概率，比如提高10倍、将交叉概率和变异概率均提升至100％等。
206、根据初始存储任务种群中每个任务个体的适应度分布，采用加速遗传算法对每个任务个体进行重组，得到新的存储任务种群；
本实施例中，若检测到遗传算法可能导致初始存储任务种群出现早熟的情况，则可以通过提升交叉概率和变异概率的加速遗传算法对每个任务个体进行重组，具体包括以下步骤：
1)根据初始存储任务种群中每个任务个体的适应度分布，计算初始存储任务种群中每个任务个体的繁殖选取概率；
2)根据每个任务个体的繁殖选取概率，判断每个任务个体是否满足初始存储任务种群的预置种群规模；
3)若满足，则将对应的任务个体作为父代任务个体，并分别将每两个任务个体进行随机匹配；
4)采用预置繁殖算法分别对随机匹配成功的每两个任务个体进行交叉重组，输出对应的子代任务个体，并对各子代任务个体进行组合，得到新的存储任务种群。
本实施例中，根据初始存储任务种群中各任务个体的适应度分布，可以通过蚁群算法，计算每个任务个体的繁殖选取概率P(t)；若繁殖选取概率P(t)-1/SCALE≤0，则判定对应的任务个体不满足初始存储任务种群的预置种群规模，反之则判定对应的任务个体满足初始存储任务种群的预置种群规模，其中，SCALE为初始存储任务种群的种群规模，比如初始存储任务种群中包含10个存储任务，则SACLE＝10；将满足种群规模的任务个体作为父代任务个体进行子代任务个体的繁殖，具体包括以下步骤：
4.1)在预置交叉概率区间内随机生成匹配成功的每两个任务个体的交叉概率，并将交叉概率小于预置交叉概率阈值的每两个任务个体进行交叉转换处理，得到多个子代任务个体；
4.2)在预置变异概率区间内随机生成各子代任务个体的变异概率，并将变异概率小于预置变异概率阈值的子代任务个体进行变异变换处理。
本实施例中，在交叉概率区间(p1，p2)随机生成每两个任务个体的交叉概率Pa，若Pa小于预先设置的交叉概率阈值Pc，则执行交叉转换，产生两个新的子代任务个体，具体计算公式为：
g1＝PaG1+(1-Pa)G2；
g2＝PaG2+(1-Pa)G1
其中，g1，g2为子代任务个体，G1，G2为父代任务个体。
本实施例中，在变异概率区间(p3，p4)随机生成子代任务个体的变异概率Pb，若Pb小于预先设置的Pm，则对该子代任务个体进行变异转换，产生一个新的子代任务个体，其中，变异转换处理可以包括交换、重置和/或位移等。比如，原子代任务个体中的存储任务为[2，2，1，3，3，3，2，1，2，1，2，3，2，3，2]，将第9位置的存储任位移至第3位置，则可以得到新的子代任务个体[2，2，2，1，3，3，3，2，1，2，1，2，3，2，3，2]。
207、若新的存储任务种群满足预置优化条件时，输出最优存储任务种群；
208、根据各任务个体对应的待存储数据分布和目标数据处理集群中各存储节点的预置负载能力，将最优存储任务种群中的每个任务个体分配至目标数据处理集群对应的存储节点，得到初始分配决策序列；
209、判断初始分配决策序列是否满足预置分配条件；
本实施例中，动态分配策略实际在于确定每个存储阶段的状态变量和决策变量，而每个存储阶段的状态变量与各任务个体的带存储任务分布相关，决策变量与目标数据处理集群中每个存储节点的负载能力相关，故通过各任务个体对应的待存储数据分布和目标数据处理集群中各存储节点的预置负载能力，即可实现对任务个体的分配。另外，此处分配得到的初始分配决策序列与待存储任务分布和存储节点的负载能力相关，并不能确定待管控物流资源总体的数据内容，故预先设置分配条件，即初始分配决策序列需达到待管控物流资源总体的数据内容，才能确定该初始分配决策序列是最优的。
210、若满足，则输出最优分配决策序列，否则重新对最优存储任务种群中的每个任务个体进行分配，直到得到的初始分配决策序列满足分配条件时停止，输出最优分配决策序列，将最优存储任务种群中的每个任务个体按照最优决策分配序列分配至目标数据处理集群对应的存储节点上。
本实施例中，动态分配策略主要包括以下几个步骤：
(1)分别确定最优存储任务种群中每个任务个体包含的存储任务，以及对目标数据处理集群中各存储节点进行虚拟化处理，得到多个存储子节点；
本实施例中，最优存储任务种群中每个任务个体可以分为多各存储任务分配至不同的存储子节点分别进行存储，比如将CData的多个任务个体通过一致性哈希分布策略分为m个存储任务，并分配至n个存储子节点中进行存储，即动态分配策略在于将m个存储任务合理分配至n个存储子节点中，保证各存储子节点的存储效率和负载能力达到最优的组合。
(2)根据各任务个体对应的存储数据分布，确定各存储任务对应的存储数据分布，并根据各存储任务对应的存储数据分布，计算各存储任务对应的初始状态变量；
本实施例中，通过n个存储子节点处理m个存储任务，即将m个存储任务分配至n个存储子节点进行处理，其中，在动态分配策略中，每个当前存储子节点的数据分配均受上一个存储子节点的存储任务的状态变量控制，其中，状态变量用于表示m个存储任务的分配状态，以m个存储任务的内存占用大小表示，此处初始状态变量指的是，在对第n个存储子节点分配后待管控物流资源的分配状态，即全部m个存储任务的内存占用分布，比如m＝50，则初始状态变量为：[V1，V2，……，V50]。
(3)根据各存储节点的预置负载能力，确定各存储子节点的负载能力，并根据各存储子节点的负载能力和初始状态变量，依次计算各存储子节点的最优决策变量；
本实施例中，根据第i(i∈1，2……，n)个存储子节点的负载能力，确定第i个存储任务的决策变量边界值[u(i)min，u(i)max]，并通过初始状态变量x(i+1)以预先设置的步长遍历取值区间[u(i)min，u(i)max]，得到最优决策变量u(i)，并根据逆推法和状态转移方程：x(i+1)＝x(i)-u(i)，确定每个存储子节点的最优决策变量。
(4)根据各存储子节点的最优决策变量，依次将各存储任务分配至对应的存储子节点，得到初始分配决策序列。
本实施例中，通过各存储子节点的最优决策变量和动态规划方程计算每一个存储子节点分配到的存储任务，并将数据记录至数据集合Notedata[i]{x(i+1)，u(i)，V(x(i)，i)}中，将各个数据集合进行整合，即可得到各存储任务在各存储子节点的初始分配决策序列。
本发明实施例中，详细介绍了在物流资源分配过程中，对存储任务的调度以及存储任务在目标数据处理集群中存储节点的分配，其中，存储任务的调度基于加速遗传算法中对初始存储任务种群的交叉和变异，并通过加速进化策略防止生成的最优出存储任务种群早熟，对存储任务在存储节点进行全局调度；然后通过初始存储任务种群在各分配的状态变量和决策变量，采用反推的方法逐渐计算出各存储任务在各存储节点的最优分配决策序列，以实现在数据处理集群中处理高速增长的物流资源，提升物流资源处理系统的横向拓展性能。
上面对本发明实施例中物流资源分配方法进行了描述，下面对本发明实施例中物流资源分配装置进行描述，请参阅图3，本发明实施例中物流资源分配装置一个实施例包括：
获取模块301，用于获取待管控物流资源对应的初始存储任务种群，其中，所述初始存储任务种群包括多个任务个体；
适应度计算模块302，用于计算每个任务个体的存储效率，并根据每个任务个体的存储效率，计算每个任务个体在所述初始存储任务种群的适应度；
重组模块303，用于基于每个任务个体在所述初始存储任务种群的适应度，采用预置加速遗传策略对每个任务个体进行重组，得到新的存储任务种群；
分配模块304，用于若所述新的存储任务种群满足预置优化条件时，输出最优存储任务种群，并采用预置动态分配策略生成最优分配决策序列，将所述最优存储任务种群中的每个任务个体按照所述最优决策分配序列分配至目标数据处理集群对应的存储节点上。
本发明实施例中，通过加速遗传策略对存储任务进行调度，以及采用动态分配策略对物流资源进行分配，其中，将待管控物流资源的初始存储任务种群通过加速遗传策略进行持续重组，直到得到一个最优的存储任务种群，以确定各任务个体最佳任务调度的第二存储任务；然后通过重组后的最优存储任务种群中各第二存储任务的处理节点，采用东热爱分配策略，对待管控物流资源进行持续分配，直到得到各处理节点处理待管控物流资源的最优分配决策序列，实现了对物流资源的集群环境处理，提升集群环境中各任务个体的资源利用率，以及优化了集群环境中各任务个体的负载均衡。
请参阅图4，本发明实施例中物流资源分配装置的另一个实施例包括：
获取模块301，用于获取待管控物流资源对应的初始存储任务种群，其中，所述初始存储任务种群包括多个任务个体；
适应度计算模块302，用于计算每个任务个体的存储效率，并根据每个任务个体的存储效率，计算每个任务个体在所述初始存储任务种群的适应度；
重组模块303，用于基于每个任务个体在所述初始存储任务种群的适应度，采用预置加速遗传策略对每个任务个体进行重组，得到新的存储任务种群；
分配模块304，用于若所述新的存储任务种群满足预置优化条件时，输出最优存储任务种群，并采用预置动态分配策略生成最优分配决策序列，将所述最优存储任务种群中的每个任务个体按照所述最优决策分配序列分配至目标数据处理集群对应的存储节点上。
在本实施例中，所述分配模块304包括：分配单元3041，用于根据各所述任务个体对应的待存储数据分布和目标数据处理集群中各存储节点的预置负载能力，将所述最优存储任务种群中的每个任务个体分配至目标数据处理集群对应的存储节点，得到初始分配决策序列；判别单元3042，用于判断所述初始分配决策序列是否满足预置分配条件；若满足，则输出最优分配决策序列，否则重新对所述最优存储任务种群中的每个任务个体进行分配，直到得到的初始分配决策序列满足所述分配条件时停止，输出最优分配决策序列。
在本实施例中，所述分配单元3041还用于：
分别确定所述最优存储任务种群中每个任务个体包含的存储任务，以及对目标数据处理集群中各存储节点进行虚拟化处理，得到多个存储子节点；
根据各所述任务个体对应的存储数据分布，确定各所述存储任务对应的存储数据分布，并根据各所述存储任务对应的存储数据分布，计算各所述存储任务对应的初始状态变量；
根据各所述存储节点的预置负载能力，确定各所述存储子节点的负载能力，并根据各所述存储子节点的负载能力和所述初始状态变量，依次计算各所述存储子节点的最优决策变量；
根据各所述存储子节点的最优决策变量，依次将各所述存储任务分配至对应的存储子节点，得到初始分配决策序列。
在本实施例中，所述重组模块303包括：
确定单元3031，用于基于每个任务个体在所述初始存储任务种群的适应度，确定预置遗传算法对应的早熟阈值、及所述初始存储任务种群中每个任务个体的适应度分布；
检测单元3032，用于检测预置遗传算法的早熟指标，并判断所述早熟指标是否小于所述早熟阈值；
加速单元3033，用于若所述早熟指标小于所述早熟阈值，则变更所述遗传算法中的预置重组阈值，得到加速遗传算法；
重组单元3034，用于根据所述初始存储任务种群中每个任务个体的适应度分布，采用所述加速遗传算法对每个任务个体进行重组，得到新的存储任务种群。
在本实施例中，所述重组单元3034还用于：根据所述初始存储任务种群中每个任务个体的适应度分布，计算所述初始存储任务种群中每个任务个体的繁殖选取概率；根据每个任务个体的繁殖选取概率，判断每个任务个体是否满足所述初始存储任务种群的预置种群规模；若满足，则将对应的任务个体作为父代任务个体，并分别将每两个任务个体进行随机匹配；采用预置繁殖算法分别对随机匹配成功的每两个任务个体进行交叉重组，输出对应的子代任务个体，并对各所述子代任务个体进行组合，得到新的存储任务种群。
在本实施例中，所述重组单元3034还用于：在预置交叉概率区间内随机生成匹配成功的每两个任务个体的交叉概率，并将交叉概率小于预置交叉概率阈值的每两个任务个体进行交叉转换处理，得到多个子代任务个体；在预置变异概率区间内随机生成各所述子代任务个体的变异概率，并将变异概率小于预置变异概率阈值的子代任务个体进行变异变换处理。
本发明实施例中，详细介绍了在物流资源分配过程中，对存储任务的调度以及存储任务在目标数据处理集群中存储节点的分配，其中，存储任务的调度基于加速遗传算法中对初始存储任务种群的交叉和变异，并通过加速进化策略防止生成的最优出存储任务种群早熟，对存储任务在存储节点进行全局调度；然后通过初始存储任务种群在各分配的状态变量和决策变量，采用反推的方法逐渐计算出各存储任务在各存储节点的最优分配决策序列，以实现在数据处理集群中处理高速增长的物流资源，提升物流资源处理系统的横向拓展性能。
上面图3和图4从模块化功能实体的角度对本发明实施例中的物流资源分配装置进行详细描述，下面从硬件处理的角度对本发明实施例中物流资源分配设备进行详细描述。
图5是本发明实施例提供的一种物流资源分配设备的结构示意图，该物流资源分配设备500可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(central processing units，CPU)510(例如，一个或一个以上处理器)和存储器520，一个或一个以上存储应用程序533或数据532的存储介质530(例如一个或一个以上海量存储设备)。其中，存储器520和存储介质530可以是短暂存储或持久存储。存储在存储介质530的程序可以包括一个或一个以上模块(图示没标出)，每个模块可以包括对物流资源分配设备500中的一系列指令操作。更进一步地，处理器510可以设置为与存储介质530通信，在物流资源分配设备500上执行存储介质530中的一系列指令操作。
物流资源分配设备500还可以包括一个或一个以上电源540，一个或一个以上有线或无线网络接口550，一个或一个以上输入输出接口560，和/或，一个或一个以上操作系统531，例如Windows Serve，Mac OS X，Unix，Linux，FreeBSD等等。本领域技术人员可以理解，图5示出的物流资源分配设备结构并不构成对物流资源分配设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
本发明还提供一种物流资源分配设备，所述计算机设备包括存储器和处理器，存储器中存储有计算机可读指令，计算机可读指令被处理器执行时，使得处理器执行上述各实施例中的所述物流资源分配方法的步骤。
本发明还提供一种计算机可读存储介质，该计算机可读存储介质可以为非易失性计算机可读存储介质，该计算机可读存储介质也可以为易失性计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在计算机上运行时，使得计算机执行所述物流资源分配方法的步骤。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(read-only memory，ROM)、随机存取存储器(random access memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种物流资源分配方法，其特征在于，所述物流资源分配方法包括：
获取待管控物流资源对应的初始存储任务种群，其中，所述初始存储任务种群包括多个任务个体；
计算每个任务个体的存储效率，并根据每个任务个体的存储效率，计算每个任务个体在所述初始存储任务种群的适应度；
基于每个任务个体在所述初始存储任务种群的适应度，采用预置加速遗传策略对每个任务个体进行重组，得到新的存储任务种群；
若所述新的存储任务种群满足预置优化条件时，输出最优存储任务种群，并采用预置动态分配策略生成最优分配决策序列，将所述最优存储任务种群中的每个任务个体按照所述最优决策分配序列分配至目标数据处理集群对应的存储节点上。
2.根据权利要求1所述的物流资源分配方法，其特征在于，所述采用预置动态分配策略生成最优分配决策序列包括：
根据各所述任务个体对应的待存储数据分布和目标数据处理集群中各存储节点的预置负载能力，将所述最优存储任务种群中的每个任务个体分配至目标数据处理集群对应的存储节点，得到初始分配决策序列；
判断所述初始分配决策序列是否满足预置分配条件；
若满足，则输出最优分配决策序列，否则重新对所述最优存储任务种群中的每个任务个体进行分配，直到得到的初始分配决策序列满足所述分配条件时停止，输出最优分配决策序列。
3.根据权利要求2所述的物流资源分配方法，其特征在于，所述根据各所述任务个体对应的待存储数据分布和目标数据处理集群中各存储节点的预置负载能力，将所述最优存储任务种群中的每个任务个体分配至目标数据处理集群对应的存储节点，得到初始分配决策序列包括：
分别确定所述最优存储任务种群中每个任务个体包含的存储任务，以及对目标数据处理集群中各存储节点进行虚拟化处理，得到多个存储子节点；
根据各所述任务个体对应的存储数据分布，确定各所述存储任务对应的存储数据分布，并根据各所述存储任务对应的存储数据分布，计算各所述存储任务对应的初始状态变量；
根据各所述存储节点的预置负载能力，确定各所述存储子节点的负载能力，并根据各所述存储子节点的负载能力和所述初始状态变量，依次计算各所述存储子节点的最优决策变量；
根据各所述存储子节点的最优决策变量，依次将各所述存储任务分配至对应的存储子节点，得到初始分配决策序列。
4.根据权利要求1所述的物流资源分配方法，其特征在于，所述基于每个任务个体在所述初始存储任务种群的适应度，采用预置加速遗传策略对每个任务个体进行重组，得到新的存储任务种群包括：
基于每个任务个体在所述初始存储任务种群的适应度，确定预置遗传算法对应的早熟阈值、及所述初始存储任务种群中每个任务个体的适应度分布；
检测预置遗传算法的早熟指标，并判断所述早熟指标是否小于所述早熟阈值；
若所述早熟指标小于所述早熟阈值，则变更所述遗传算法中的预置重组阈值，得到加速遗传算法；
根据所述初始存储任务种群中每个任务个体的适应度分布，采用所述加速遗传算法对每个任务个体进行重组，得到新的存储任务种群。
5.根据权利要求4所述的物流资源分配方法，其特征在于，所述根据所述初始存储任务种群中每个任务个体的适应度分布，采用所述加速遗传算法对每个任务个体进行重组，得到新的存储任务种群包括：
根据所述初始存储任务种群中每个任务个体的适应度分布，计算所述初始存储任务种群中每个任务个体的繁殖选取概率；
根据每个任务个体的繁殖选取概率，判断每个任务个体是否满足所述初始存储任务种群的预置种群规模；
若满足，则将对应的任务个体作为父代任务个体，并分别将每两个任务个体进行随机匹配；
采用预置繁殖算法分别对随机匹配成功的每两个任务个体进行交叉重组，输出对应的子代任务个体，并对各所述子代任务个体进行组合，得到新的存储任务种群。
6.根据权利要求5所述的物流资源分配方法，其特征在于，所述采用预置繁殖算法分别对随机匹配成功的每两个任务个体进行交叉重组，输出对应的子代任务个体包括：
在预置交叉概率区间内随机生成匹配成功的每两个任务个体的交叉概率，并将交叉概率小于预置交叉概率阈值的每两个任务个体进行交叉转换处理，得到多个子代任务个体；
在预置变异概率区间内随机生成各所述子代任务个体的变异概率，并将变异概率小于预置变异概率阈值的子代任务个体进行变异变换处理。
7.一种物流资源分配装置，其特征在于，所述物流资源分配装置包括：
获取模块，用于获取待管控物流资源对应的初始存储任务种群，其中，所述初始存储任务种群包括多个任务个体；
适应度计算模块，用于计算每个任务个体的存储效率，并根据每个任务个体的存储效率，计算每个任务个体在所述初始存储任务种群的适应度；
重组模块，用于基于每个任务个体在所述初始存储任务种群的适应度，采用预置加速遗传策略对每个任务个体进行重组，得到新的存储任务种群；
分配模块，用于若所述新的存储任务种群满足预置优化条件时，输出最优存储任务种群，并采用预置动态分配策略生成最优分配决策序列，将所述最优存储任务种群中的每个任务个体按照所述最优决策分配序列分配至目标数据处理集群对应的存储节点上。
8.根据权利要求7所述的物流资源分配装置，其特征在于，所述分配模块包括：
分配单元，用于根据各所述任务个体对应的待存储数据分布和目标数据处理集群中各存储节点的预置负载能力，将所述最优存储任务种群中的每个任务个体分配至目标数据处理集群对应的存储节点，得到初始分配决策序列；
判别单元，用于判断所述初始分配决策序列是否满足预置分配条件；若满足，则输出最优分配决策序列，否则重新对所述最优存储任务种群中的每个任务个体进行分配，直到得到的初始分配决策序列满足所述分配条件时停止，输出最优分配决策序列。
9.一种物流资源分配设备，其特征在于，所述物流资源分配设备包括：存储器和至少一个处理器，所述存储器中存储有指令；
所述至少一个处理器调用所述存储器中的所述指令，以使得所述物流资源分配设备执行如权利要求1-6中任意一项所述的物流资源分配方法。
10.一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，其特征在于，所述指令被处理器执行时实现如权利要求1-6中任一项所述物流资源分配方法。
CN202110399331.7A 2021-04-14 2021-04-14 物流资源分配方法、装置、设备及存储介质 Pending CN113191534A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110399331.7A CN113191534A (zh) 2021-04-14 2021-04-14 物流资源分配方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110399331.7A CN113191534A (zh) 2021-04-14 2021-04-14 物流资源分配方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN113191534A true CN113191534A (zh) 2021-07-30

Family

ID=76975770

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110399331.7A Pending CN113191534A (zh) 2021-04-14 2021-04-14 物流资源分配方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN113191534A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114493453A (zh) * 2022-01-30 2022-05-13 圆通速递有限公司 一种基于区块链技术的末端物流运力共享服务平台

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114493453A (zh) * 2022-01-30 2022-05-13 圆通速递有限公司 一种基于区块链技术的末端物流运力共享服务平台
CN114493453B (zh) * 2022-01-30 2022-11-15 圆通速递有限公司 一种基于区块链技术的末端物流运力共享服务平台

Similar Documents

Publication Publication Date Title
CN110489229B (zh) 一种多目标任务调度方法及系统
CN108572873B (zh) 一种解决Spark数据倾斜问题的负载均衡方法及装置
Mehta et al. Comparing solution methods for the machine reassignment problem
CN110347515B (zh) 一种适合边缘计算环境的资源优化分配方法
CN108427602B (zh) 一种分布式计算任务的协同调度方法及装置
Yin et al. An improved genetic algorithm for task scheduling in cloud computing
CN115237580B (zh) 面向智能计算的流水并行训练自适应调整系统、方法
CN111813500B (zh) 一种多目标云工作流调度方法及装置
CN107861796A (zh) 一种支持云数据中心能耗优化的虚拟机调度方法
CN110362388A (zh) 一种资源调度方法及装置
Zhou et al. Deep reinforcement learning-based algorithms selectors for the resource scheduling in hierarchical cloud computing
Khodar et al. New scheduling approach for virtual machine resources in cloud computing based on genetic algorithm
CN113191534A (zh) 物流资源分配方法、装置、设备及存储介质
CN112884248B (zh) 一种大规模云服务流程的优化方法
CN108108242B (zh) 基于大数据的存储层智能分发控制方法
US20210390405A1 (en) Microservice-based training systems in heterogeneous graphic processor unit (gpu) cluster and operating method thereof
TWI740895B (zh) 應用歸屬服務集群的分配方法和裝置
Vigliotti et al. A green network-aware VMs placement mechanism
CN112286623A (zh) 一种信息处理方法及装置、存储介质
Thakor et al. PDLB: an effective prediction-based dynamic load balancing algorithm for clustered heterogeneous computational environment
CN113407336B (zh) 基于禁忌搜索优化算法的全比较数据分发方法
CN114980216A (zh) 基于移动边缘计算的依赖型任务卸载系统及方法
Chowdhury et al. Clustered based VM placement strategies
Ray et al. A load balancing approach to resource provisioning in cloud infrastructure with a grouping genetic algorithm
Wang et al. A genetic algorithm based efficient static load distribution strategy for handling large-scale workloads on sustainable computing systems

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