CN113220437A - 一种工作流多目标调度方法及装置 - Google Patents

一种工作流多目标调度方法及装置 Download PDF

Info

Publication number
CN113220437A
CN113220437A CN202110611200.0A CN202110611200A CN113220437A CN 113220437 A CN113220437 A CN 113220437A CN 202110611200 A CN202110611200 A CN 202110611200A CN 113220437 A CN113220437 A CN 113220437A
Authority
CN
China
Prior art keywords
llh
algorithm
population
iteration
iea
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
CN202110611200.0A
Other languages
English (en)
Other versions
CN113220437B (zh
Inventor
陈进朝
杜承烈
韩朋城
何昱
王佳辉
王丽芳
蒋泽军
刘一帆
杜晓燕
白璐
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.)
Northwestern Polytechnical University
Original Assignee
Northwestern Polytechnical University
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 Northwestern Polytechnical University filed Critical Northwestern Polytechnical University
Priority to CN202110611200.0A priority Critical patent/CN113220437B/zh
Publication of CN113220437A publication Critical patent/CN113220437A/zh
Application granted granted Critical
Publication of CN113220437B publication Critical patent/CN113220437B/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
    • G06F9/44—Arrangements for executing specific programs
    • G06F9/455—Emulation; Interpretation; Software simulation, e.g. virtualisation or emulation of application or operating system execution engines
    • G06F9/45533—Hypervisors; Virtual machine monitors
    • G06F9/45558—Hypervisor-specific management and integration aspects
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种工作流多目标调度方法及装置，用以解决现有云计算工作流调度存在生成包含多个解的帕累托集合，存在工作流的执行时间长和执行成本较大的问题。该方法包括采用LLH算法低层次启发式算法库包括的至少两种LLH算法分别对初始种群按照设定迭代次数运行，确定设定迭代次数后各个LLH算法包括的第一非支配解、第一HV(LLH)、第一RNI(LLH)和第一IEA(LLH)；确定各个LLH算法对应的第一CF选择函数；将最大第一CF对应的LLH算法确定为第一LLH算法，根据第一LLH算法所对应的策略更新初始种群中的个体；当确定第一LLH算法对应的累计迭代次数等于全部LLH算法的累计迭代最大值时，将外部种群中存储的非支配解确定为工作流多目标调度的帕累托集合。

Description

一种工作流多目标调度方法及装置
技术领域
本发明涉及分布式计算技术领域，更具体的涉及一种工作流多目标调度方法及装置。
背景技术
如今的大规模科学和工业应用，比如气候模拟、灾害预警、物联网系统等，可以表示为一个工作流。应用中的处理组件对应工作流中的任务，组件之间的数据传递确定任务的数据依赖关系。工作流已经成为目前最重要的表示大规模应用的模型。由于任务的数目非常多，以及多样化的拓扑结构，比如度分布和任务之间的依赖关系，这些工作流通常是非常复杂的。为了满足用户的各种服务质量(quality of service，QoS)需求，这些工作流应用通常部署在分布式系统上执行。分布式系统包含大量的计算资源，可以同时执行多个任务，从而提升工作流应用的性能。传统的多处理器系统、集群、网格到如今最流行的云计算系统都被广泛用来执行工作流应用。相比传统的分布式系统，云计算系统提供按需的资源访问和按使用量计价的模式，更适合于执行工作流应用。由于盈利最大化是云计算厂商的首要目标，因此在执行工作流应用时，既需要考虑工作流的性能，如执行时间，也需要考虑工作流的执行成本。执行时间和执行成本是两个互相冲突的目标，也是云计算用户最关注的两个QoS需求，如何在两者之间取得平衡是工作流调度的关键。
云计算系统中工作流调度问题是非常复杂的，通常具有NP-hard和多目标的特征。研究人员通常采用启发式方法(heuristic)解决工作流调度问题，这些方法依赖问题特定的知识执行，通常能够在合理的时间内得到计算有效的解。但是，由于工作流结构的多样性，特定的启发式方法并不总能得到行之有效的解。超启发式方法(hyper-heuristic)可以很好的解决这个问题。超启发式方法控制一组启发式方法，在不同的迭代阶段根据特定的性能指标采用不同的启发式方法，充分的利用各个启发式方法的优点，避免了单个启发式方法可能陷入局部最优的情况，从而生成更好的解。目前有少量的为工作流调度问题设计的超启发式方法，但是它们都是面向单目标优化问题的。云计算工作流调度问题本质上是一个多目标优化问题，工作流的完成时间和执行成本都是需要考虑的因素，生成的不是一个解而是一个包含许多解的帕累托集合(Pareto set)。
综上所述，现有的云计算工作流调度存在生成包含多个解的帕累托集合，存在工作流的执行时间长和执行成本较大的问题。
发明内容
本发明实施例提供一种工作流多目标调度方法及装置，用以解决现有云计算工作流调度存在生成包含多个解的帕累托集合，存在工作流的执行时间长和执行成本较大的问题。
本发明实施例提供一种工作流多目标调度方法，包括：
采用LLH低层次启发式算法库包括的至少两种LLH算法分别对工作流多目标调度包括的初始种群按照设定迭代次数运行，确定设定迭代次数后各个所述LLH算法包括的第一非支配解、第一HV(LLH)、第一RNI(LLH)和第一IEA(LLH)；
根据各个所述LLH算法的对应的累计迭代次数以及所述LLH算法所对应的第一HV(LLH)、第一IEA(LLH)和第一RNI(LLH)，确定各个所述LLH算法对应的第一CF选择函数；
将最大第一CF对应的所述LLH算法确定为第一LLH算法，根据所述第一LLH算法所对应的策略更新初始种群中的个体，将所述第一LLH算法对所述初始种群进行一次迭代所得到的第二非支配解存储至所述外部种群中；
当确定所述第一LLH算法对应的累计迭代次数等于全部LLH算法的累计迭代最大值时，将所述外部种群中存储的非支配解确定为工作流多目标调度的帕累托集合。
优选地，所述将所述第一LLH算法对所述初始种群进行一次迭代，具体包括：
采用所述第一LLH算法对所述初始种群进行一次迭代，确定所述第一LLH算法对应的累计迭代次数、所述第一LLH算法进行一次迭代后所对应的第二非支配解、第二HV(LLH)、第二IEA(LLH)和第二RNI(LLH)；
根据所述第一LLH算法的对应的累计迭代次数以及所述第一LLH算法所对应的第二HV(LLH)、第二IEA(LLH)和第二RNI(LLH)，确定所述第一LLH算法的第二CF。
优选地，所述确定设定迭代次数后各个所述LLH算法包括的第一非支配解之后，还包括：
将各个所述LLH算法包括的第一非支配解存储至所述外部种群，当确定所述外部种群包括的非支配解的数量大于初始设定值时，采用拥挤距离机制删除所述外部种群内的非支配解，直至所述外部种群包括的非支配解的数量小于初始设定值。
优选地，根据下列公式确定各个所述LLH算法对应的第一CF：
CF(LLH)＝f1*HV(LLF)+f2*RNI(LLH)+f3*IEA(LLH)+f4*NOC(LLH)
其中，NOC(LLH)＝(Gcurr-GLLH)/Gmax，Gcurr表示各个所述LLH算法所对应的累计迭代次数的总和，GLLH表示各个所述LLH算法所对应的累计迭代次数，Gmax表示全部LLH算法的累计迭代最大值；f1为HV(LLH)的权重系数，f2为RNI(LLH)的权重系数，f3为IEA(LLH)的权重系数，f4为NOC(LLH)的权重系数，f1+f2+f3+f4＝1，HV(LLH)表示各个LLH算法生成的非支配解围成的超体积，，RNI(LLH)表示外部种群中包括的各个LLH算法所对应的非支配解所占外部种群总非支配解的比率，IEA(LLH)表示各个LLH算法所对应的第一非支配解对外部种群的影响。
优选地，所述IEA(LLH)通过下列公式确定：
IEA＝(mum1+mum2)/|EA|
其中，mum1表示从外部种群中被剔除的非支配解的数量，mum1表示添加至外部种群的各个LLH算法所对应的非支配解的数量，|EA|表示外部种群中包括的非支配解的数量。
优选地，所述LLH算法至少包括以下一种：
EMO；
HPSO；
CMSOS；
MOS；
所述根据所述第一LLH算法所对应的策略更新初始种群中的个体，具体包括：
所述EMO和所述MODE采用交叉和变异算子更新初始种群中的个体；
所述CMSOS采用共生、共栖和寄生算子更新初始种群中的个体；
所述MOS采用速度和位置更新模式更新初始种群中的个体。
本发明实施例还提供一种工作流多目标调度装置，包括：
第一确定单元，用于采用LLH低层次启发式算法库包括的至少两种LLH算法分别对工作流多目标调度包括的初始种群按照设定迭代次数运行，确定设定迭代次数后各个所述LLH算法包括的第一非支配解、第一HV(LLH)、第一RNI(LLH)和第一IEA(LLH)；
第二确定单元，用于根据各个所述LLH算法的对应的累计迭代次数以及所述LLH算法所对应的第一HV(LLH)、第一IEA(LLH)和第一RNI(LLH)，确定各个所述LLH算法对应的第一CF选择函数；
第三确定单元，用于将最大第一CF对应的所述LLH算法确定为第一LLH算法，根据所述第一LLH算法所对应的策略更新初始种群中的个体，将所述第一LLH算法对所述初始种群进行一次迭代所得到的第二非支配解存储至所述外部种群中；
第四确定单元，用于当确定所述第一LLH算法对应的累计迭代次数等于全部LLH算法的累计迭代最大值时，将所述外部种群中存储的非支配解确定为工作流多目标调度的帕累托集合。
优选地，所述第三确定单元具体用于：
采用所述第一LLH算法对所述初始种群进行一次迭代，确定所述第一LLH算法对应的累计迭代次数、所述第一LLH算法进行一次迭代后所对应的第二非支配解、第二HV(LLH)、第二IEA(LLH)和第二RNI(LLH)；
根据所述第一LLH算法的对应的累计迭代次数以及所述第一LLH算法所对应的第二HV(LLH)、第二IEA(LLH)和第二RNI(LLH)，确定所述第一LLH算法的第二CF。
优选地，所述第一确定单元还用于：
将各个所述LLH算法包括的第一非支配解存储至所述外部种群，当确定所述外部种群包括的非支配解的数量大于初始设定值时，采用拥挤距离机制删除所述外部种群内的非支配解，直至所述外部种群包括的非支配解的数量小于初始设定值。
优选地，根据下列公式确定各个所述LLH算法对应的第一CF：
CF(LLH)＝f1*HV(LLF)+f2*RNI(LLH)+f3*IEA(LLH)+f4*NOC(LLH)
其中，NOC(LLH)＝(Gcurr-GLLH)/Gmax，Gcurr表示各个所述LLH算法所对应的累计迭代次数的总和，GLLH表示各个所述LLH算法所对应的累计迭代次数，Gmax表示全部LLH算法的累计迭代最大值；f1为HV(LLH)的权重系数，f2为RNI(LLH)的权重系数，f3为IEA(LLH)的权重系数，f4为NOC(LLH)的权重系数，f1+f2+f3+f4＝1，HV(LLH)表示各个LLH算法生成的非支配解围成的超体积，，RNI(LLH)表示外部种群中包括的各个LLH算法所对应的非支配解所占外部种群总非支配解的比率，IEA(LLH)表示各个LLH算法所对应的第一非支配解对外部种群的影响；IEA＝(mum1+mum2)/|EA|，mum1表示从外部种群中被剔除的非支配解的数量，mum1表示添加至外部种群的各个LLH算法所对应的非支配解的数量，|EA|表示外部种群中包括的非支配解的数量。
本发明实施例提供一种工作流多目标调度方法及装置，采用LLH算法低层次启发式算法库包括的至少两种LLH算法分别对初始种群按照设定迭代次数运行，确定设定迭代次数后各个所述LLH算法包括的第一非支配解、第一HV(LLH)、第一RNI(LLH)和第一IEA(LLH)；根据各个所述LLH算法的对应的累计迭代次数以及所述LLH算法所对应的第一HV(LLH)、第一IEA(LLH)和第一RNI(LLH)，确定各个所述LLH算法对应的第一CF选择函数；将最大第一CF对应的所述LLH算法确定为第一LLH算法，根据所述第一LLH算法所对应的策略更新初始种群中的个体，将所述第一LLH算法对所述初始种群进行一次迭代所得到的第二非支配解存储至所述外部种群中；当确定所述第一LLH算法对应的累计迭代次数等于全部LLH算法的累计迭代最大值时，将所述外部种群中存储的非支配解确定为工作流多目标调度的帕累托集合。该方法采用具有不同特征的LLH算法组成低层次启发式算法库，根据每个LLH算法迭代后所得到的性能指标确定不同的CF，将具有最大值的CF所对应的LLH算法确定的下次迭代的第一LLH算法，将第一LLH算法迭代后所得到的第二非支配存储至外部种群，当确定第一LLH算法的累计迭代次数大于最大迭代次数时，将外部种群所包括非支配解确定为工作流多目标调度的解。该方法不需要问题特定的知识，能够为各种类型的工作流应用产生计算有效的解，具有很强的适用性；可以在一次运行过程中产生一组帕累托最优解，用户可以根据自身的QoS需求选择合适的调度方案，平衡工作流的执行时间和执行成本；再者，低层次启发式算法库所包括的LLH算法可以根据系统和应用更改替换，具有很强的通用性。该方法解决现有云计算工作流调度存在生成包含多个解的帕累托集合，存在工作流的执行时间长和执行成本较大的问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种工作流多目标调度方法流程示意图；
图2为本发明实施例提供的工作流多目标调度方法执行框架结构示意图；
图3为本发明实施例提供的一种工作流多目标调度装置结构示意图。
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。
图1示例性的示出了本发明实施例提供的一种工作流多目标调度方法流程示意图，该方法至少可以工作流调度问题中。
本发明实施例提供的工作流多目标调度方法，可以为云计算系统中的工作流产生一组帕累托最优解，每个解具有不同的执行时间和执行成本。具体地，该方法包括以下步骤：
步骤101，采用LLH算法低层次启发式算法库包括的至少两种LLH算法分别对初始种群按照设定迭代次数运行，确定设定迭代次数后各个所述LLH算法包括的第一非支配解、第一HV(LLH)、第一RNI(LLH)和第一IEA(LLH)；
步骤102，根据各个所述LLH算法的对应的累计迭代次数以及所述LLH算法所对应的第一HV(LLH)、第一IEA(LLH)和第一RNI(LLH)，确定各个所述LLH算法对应的第一CF选择函数；
步骤103，将最大第一CF对应的所述LLH算法确定为第一LLH算法，根据所述第一LLH算法所对应的策略更新初始种群中的个体，将所述第一LLH算法对所述初始种群进行一次迭代所得到的第二非支配解存储至所述外部种群中；
步骤104，当确定所述第一LLH算法对应的累计迭代次数等于全部LLH算法的累计迭代最大值时，将所述外部种群中存储的非支配解确定为工作流多目标调度的帕累托集合。
需要说明的是，上述四个步骤可以分为三个阶段，即LLH算法库选择、在线学习以及迭代优化，其中，LLH算法库作为超启发式算法不可或缺的部分，对于算法的性能有着决定性的影响；在线学习部分可以快速的获取各个LLH算法的大致性能，为方法后续的部分提供参考；迭代优化部分根据预设的最大迭代次数以及在线学习部分获取的各个LLH算法的性能，在每次迭代中采用选择函数选择最佳的LLH算法更新初始种群中的个体。
在本发明实施例所提供的四个步骤中，其中，步骤101介绍了部分在线学习过程，步骤102、步骤103和步骤104介绍了迭代优化过程。在介绍步骤101之前，需要先介绍初始化阶段。
在本发明实施例中，在对云系统的工作流产生一系列帕累托解之前，需要先确定低层次启发式(Low Level Heuristic，LLH算法)算法库以及该低层次启发式算法库所包括的LLH算法，一般来说，在构建LLH算法库时需要考虑以下问题：待解决的问题类型、选择的启发式方法的类型以及启发式方法的数目。
具体地，本发明实施例中待解决的问题为云计算系统中工作流的执行费用和执行时间最小化问题，云计算系统是分布式计算领域最新的资源供应范式，而工作流是一组具有依赖关系的任务集合，因此，在选择启发式方法时，本发明实施例只考虑分布式计算系统中任务多目标优化算法。
在实际应用中，启发式方法大致可以两大类：构建式元启发式方法和扰动式元启发式方法。其中，构建式元启发式方法，比如蚁群算法，在每次迭代时都需要从头开始构建完整的解决方案，而扰动式元启发式方法比如遗传算法和粒子群算法直接作用于完整的解决方案上，通过交叉、变异、倒置、插入等操作生成新的解。目前的大多数分布式计算系统的工作流多目标优化算法属于扰动式元启发式方法范畴，可选的扰动式元启发式方法比较多。同时，现有工作在构建LLH算法时通常选用同类型的算法，因为同类算法具有相似的底层实现，便于算法之间的数据交流，更好的共享种群中个体的信息，因此，本发明实施例中选择面向工作流多目标优化的扰动式元启发式方法。
启发式方法的数目也在很大程度上影响着超启发式方法的性能。一般来说，LLH算法库中的启发式方法越多，可以组成的方法执行序列就越多，解决多目标工作流调度问题的能力就越强。但是，对于超启发式算法的高层次启发式策略而言，越多的超启发式方法就意味着更多的调度开销以及更复杂的操纵策略。因此，有必要选择合理的超启发式方法数目。在本发明实施例中，经过对超启发式算法和启发式方法的权衡，确定LLH算法库内可以包括四种不同的LLH算法。
需要说明的是，这里组成LLH算法库的LLH算法为有效的多目标算法，在本发明实施例中，选择了以下四种行之有效的多目标优化方法构建超启发式方法的LLH算法库，分别为EMO(evolutionary multi-objective optimization，进化多目标优化方法)，HPSO(Hybrid Particle Swarm Optimization，混合粒子群优化方法)，CMSOS(chaoticsymbiotic organisms search，混沌共生生物搜索方法)以及MOS(multi-objectivescheduling，多目标调度方法)。这四种多目标优化算法都是为分布式计算系统中任务多目标调度设计的，也都是扰动式的启发式方法。EMO是一个基于多目标遗传算法框架NSGA-II的多目标优化方法，CMSOS是一个基于共生生物搜索SOS的两目标优化算法，MOS是一个多目标的粒子群优化算法，MODE的核心则是差分进化算法DE。
其中，EMO是一个基于遗传算法GA的多目标优化方法，HPSO和MOS采用的是粒子群优化方法PSO，CMSOS利用的是共生生物搜索方法SOS。这些方法都是扰动式的元启发式方法，作用在初始种群中的个体之上，通过自身的交叉、变异、速度更新、共生等操作生成新解。这些方法基于相同的种群，采用不同的算子生成新解，但是它们之间可以轻易地进行信息交换，从而更好地引导种群的进化。同时，这些方法基于不同的自然原理，适用于不同的工作流优化问题，通过将它们组合到一起，可以扩展超启发式方法的适用范围，能够解决更多的工作流多目标优化问题。
进一步地，当确定上述LLH算法库包括的LLH算法之后，则可以进行初始化。具体地，对于EMO算法，其交叉率和变异率分别设置为1和1/N，其中N为工作流中任务的数目；为MOS算法设置权重系数、个体认知系数以及社会认知系数，为MODE设置缩放因子和交叉因子。在实际应用中，CMSOS不需要特殊的参数。
进一步地，设置初始种群中个体的数目N以及方法的最大迭代次数，存储非支配解的外部种群(External Archive，EA)的初始设定值也设定为N。其中，最大迭代次数表示参与迭代的所有LLH算法的累计迭代次数的总和的最大值。在本发明实施例中，采用随机策略初始化种群，即对于初始种群中的每个个体，方法为工作流中的每个任务随机分配一个虚拟机，建立调度方案，并评价每个个体对应调度方案的执行费用和执行时间。
需要说明的是，在实际应用中，用于进化的初始种群中个体的数量N可以设置为50，100等等。由于外部种群中存储的非支配解的最大数目(即初始种群规模)，因此，一般情况下，会将外部种群的初始设定值与初始种群所包括的个体的数量设定为相同值。在本发明实施例中，N为正整数。
在步骤101中，采用LLH算法库包括的四种LLH算法，分别对工作流多目标调度包括的初始种群按照设定的迭代次数进行运行，然后确定迭代后各个LLH算法在种群多样性和收敛性上的表现，同时确定各个LLH算法在迭代后生产的第一非支配解，并将上述第一非支配解存储至外部种群中。
在本发明实施例中，外部种群用于存储非支配解，但是因外部种群能够存储的非支配解的数量是预先设定的，即初始设定值。因为LLH算法每次的对初始种群进行迭代之后都会产生新解，这些新解中有些是非支配解，当这些非支配解持续添加到外部种群中之后，会导致外部种群所包括的非支配解的数量大于初始设定值。当外部种群所包括的非支配解的数量超过初始设定值之后，则会采用拥挤距离剔除一部分非支配解，直至外部种群内所包括的非支配解的数量不大于初始设定值。
在本发明实施例中，通过以下三个指标来评价各个LLH算法在多样性和收敛性上的表现：
(1)超体积(hypervolume，HV)：超体积计算解集合所覆盖的目标函数空间的大小。Hypervolume的值越大越能体现该LLH算法的性能，HV(LLH)代表LLH算法生成的非支配解围成的超体积；
(2)Ratio of non-dominated individuals(RNI)：RNI表示种群中非支配个体所占总体的比率。如果RNI＝1，表示种群中的个体都是非支配个体。
(3)Impact on the External Archive(IEA):IEA表示LLH算法新生成的非支配解对外部种群的影响，体现在外部种群被剔除的非支配解的数量num1以及新添加到外部种群非支配解的数量num2。IEA＝(num1+num2)/|EA|，其中|EA|是外部种群中的非支配解的数目。IEA越大，说明LLH算法方法生成的非支配解的数量。
需要说明的是，在实际应用中，各个LLH算法针对初始种群进行迭代后，都会产生非支配解，而在本发明实施例中，因为各个LLH算法可能会针对初始种群进行多次迭代，因每次迭代后都会产生不同的非支配解，为了区别每次产生的非支配解，在本发明实施例中，将第一次产生的非支配解称为第一非支配解，第二次产生的非支配解称为第二非支配解，以后得的的非支配解依次类推。
再者，由于各个LLH算法针对初始种群进行迭代后，不仅产生非支配解，还会得到其他参数，比如HV(LLH)、RNI(LLH)和IEA(LLH)，为了对多次迭代产生的多个HV(LLH)，多个RNI(LLH)和多个IEA(LLH)进行区分，在本发明实施例中，将第一次产生的HV(LLH)称为第一HV(LLH)，第一次产生的RNI(LLH)称为第一RNI(LLH)，将第一次产生的IEA(LLH)称为第一IEA(LLH)，相应地，第二次产生的HV(LLH)称为第二HV(LLH)，第二次产生的RNI(LLH)称为第二RNI(LLH)，将第二次产生的IEA(LLH)称为第二IEA(LLH)，以后得的HV(LLH)、RNI(LLH)和IEA(LLH)均依次类推。
需要说明的是，在对初始种群按照设定迭代次数运行时，这里的的设定迭代次数可以是四次，可以是五次，还可以是六次，在本发明实施例中，对设定迭代次数的具体数值不做限定。
在步骤102中，在初次执行之后，可以计算各个LLH算法的性能，具体地，先确定各个LLH算法的HV(LLH)以及各个LLH算法所得到的第一非支配解在外部种群中的比率RNI(LLH)。进一步地，在将各个LLH算法得到的第一非支配解存储至外部种群中，然后确定IEA(LLH)，将各个LLH算法的得到的IEA(LLH)值确定为LLH算法对外部种群的第一IEA(LLH)。
进一步地，当确定的各个LLH算法对初始种群执行过设定迭代次数之后，则可以确定各个LLH算法的第一选择函数(choice function，CF)，同时采用合理的接受方法(acceptance method，AM)判断是否要接受各个LLH算法方法生成的第一非支配解。
其中，通过下列公式(1)确定各个LLH算法的第一CF：
CF(LLH)＝f1*HV(LLH)+f2*RNI(LLH)+f3*IEA(LLH)+f4*NOC(LLH) (1)
其中，NOC(LLH)＝(Gcurr-GLLH)/Gmax，Gcurr表示各个LLH算法所对应的累计迭代次数的总和，GLLH表示各个LLH算法所对应的累计迭代次数，Gmax表示全部LLH算法的累计迭代最大值；f1为HV(LLH)的权重系数，f2为RNI(LLH)的权重系数，f3为IEA(LLH)的权重系数，f4为NOC(LLH)的权重系数，f1+f2+f3+f4＝1，HV(LLH)表示各个LLH算法生成的非支配解围成的超体积，RNI(LLH)表示外部种群中包括的各个LLH算法所对应的非支配解所占外部种群总非支配解的比率，IEA(LLH)表示各个LLH算法所对应的第一非支配解对外部种群的影响。
需要说明的是，在本发明实施例中，由于各个LLH算法对初始种群进行一个迭代次数，则需要计算每个LLH算法所对应的CF，为了对每个迭代次数之后所得的的CF进行区分，将第一次确定的各个LLH算法的CF称为第一CF，将第二次确定的各个LLH算法的CF称为第二CF，以后得的CF依次类推。
在步骤103中，在步骤102中已经确定了各个LLH算法所对应的第一CF之后，则可以对各个LLH算法所对应的第一CF进行比较，从中选择最大第一CF，然后将最大第一CF所对应的一个LLH算法确定为第一LLH算法。
进一步地，当确定第一LLH算法之后，则可以执行该第一LLH算法，即该第一LLH算法对初始种群进行一次迭代，然后得到此次迭代之后，第一LLH算法所对应的第二非支配解、第二HV(LLH)、第二IEA(LLH)和第二RNI(LLH)。然后将第二非支配解存储至外部种群中，在本发明实施例中，采用All-move的方式接受新生成的第二非支配解。All-move意味着不管新生成的第二非支配解是否提升了原有非支配解的质量，方法都接受这些解。同时，新生成的第二非支配解都会加入到外部种群中，同时更新外部种群中的非支配解。
需要说明的是，当将最大第一CF所对应的一个LLH算法确定为第一LLH算法之后，则可以根据第一LLH算法所对应的策略更新初始种群中的个体，其中，每个LLH算法所对应的策略分别为：EMO和所述MODE采用交叉和变异算子更新初始种群中的个体；CMSOS采用共生、共栖和寄生算子更新初始种群中的个体；MOS采用速度和位置更新模式更新初始种群中的个体。
再者，由于第一LLH算法是从四个LLH算法中选择出来的，因此，四个LLH算法分别针对初始种群进行迭代的次数就会有所不同，因此，当该第一LLH算法完成一次迭代之后，则需要统计该第一LLH算法所对应的累计迭代次数。
在步骤104中，当确认第一LLH算法所对应的累计迭代次数等于全部LLH算法的累计迭代最大值，即第一LLH算法所对应的累计迭代次数等于所有LLH算法的累计迭代次数的总和的最大值时，则可以确定当前外部种群中存储的多个非支配解为多工作流目标调度的帕累托集合。
需要说明的是，上述所有LLH算法累计迭代次数的总和的最大值，是在初始化是预先设定的一个数值。
进一步地，若确认第一LLH算法所对应的累计迭代次数不大于全部LLH算法的累计迭代最大值时，则可以将第一LLH算法运行一次迭代之后所得的的第二非支配解存储至外部种群之后，根据确定的第二HV(LLH)、第二IEA(LLH)和第二RNI(LLH)，再次通过公式(1)确定第一LLH算法所对应的第二CF，需要说明的是，在通过公式(1)确定第一LLH算法所对应的第二CF时，带入公式(1)中的各个参数分别为第二HV(LLH)、第二IEA(LLH)和第二RNI(LLH)，即当第一LLH算法一次迭代运行之后，则可以用迭代后所得的参数更新迭代之前的参数，比如，用第二HV(LLH)、第二IEA(LLH)和第二RNI(LLH)三个参数更新前一次迭代后所得到的三个参数第一HV(LLH)、第一IEA(LLH)和第一RNI(LLH)。
当确定了第一LLH算法所对应的第二CF之后，则可以将第一LLH算法所对应的第二CF和上一次不包括最大第一CF的各个LLH算法所得到的第一CF进行比较，再次从中选择一个最大值，然后将这个最大值所对应的LLH算法确认为第二LLH算法，第二LLH算法再次对初始种群进行一次迭代，确认第二LLH算法的累计迭代次数，当确认这个第二LLH算法的所对应的累计迭代次数等于所有LLH算法累计迭代次数的总和的最大值时，则结束执行，并输出外部种群所包括的非支配解；若确认这个第二LLH算法的所对应的累计迭代次数小于所有LLH算法累计迭代次数的总和的最大值时，则重复执行步骤步骤103和步骤104。
本发明实施例提供的工作流多目标调度方法，其根据工作流调度问题的特征，选择一组具有不同特征的启发式方法组成底层算法库；结合反馈机制和性能指标设计合理的选择函数作为高层次的启发式方法；利用一个外部种群存储种群进化中产生的所有非支配解，同时利用各个启发式方法自身的策略决定是否接受新生成的解。利用在线学习机制评价各个启发式方法的性能，进而根据种群的进化状态在每次迭代时选择有效的启发式方法。本发明实施例提供的工作流多目标调度方法的整体框架如图2所示，该方法主要包括两个部分：低层次启发式算法库和高层次启发式策略。其中，低层次启发式算法库由参与执行的启发式方法组成。由于启发式方法采用不同的策略生成和接受新解，因此不同启发式方法在不同类型的工作流和迭代阶段中表现不一致。通过提供多个启发式方法，可以综合各个方法的优势，规避方法的缺点，能够更好的解决工作流调度问题。本发明实施例中采用的LLH算法方法均是扰动性元启发式方法，这些方法作用于完整的解决方案，通过特定的运算符生成新的解决方案。
高层次启发式(High Level Heuristic，HLH)策略的目的在于根据采用的低层次启发式方法的性能，智能地引导搜索过程。因此，在每次迭代开始时，HLH策略为种群选择一个合适的LLH算法方法，选择的依据是各个LLH算法方法在种群多样性、收敛性上的表现，以及方法的执行次数。本发明实施例设计的HLH策略是一个基于在线学习的策略，根据各个LLH算法方法的执行性能动态更新LLH算法方法的性能参数，进而及时调整每次迭代时使用的LLH算法方法。通过智能地选择LLH算法的方法，本发明实施例可以引导种群快速向真实的帕累托前沿收敛，并提高获得的帕累托前沿的收敛性和多样性。
与现有技术相比，本发明实施例提供的工作流多目标调度方法，其具有如下优势：1、超启发式方法不需要问题特定的知识，能够为不同结构的工作流应用产生计算优秀的帕累托前沿，具有很强的适用性。2、各个LLH算法可以在一次运行过程中产生一组帕累托最优解，用户可以根据自身的QoS需求选择合适的调度方案，平衡工作流的执行时间和执行成本。3、底层算法库中的启发式方法可以根据所研究工作流调度问题的资源特征和工作流特征更改替换，具有很强的通用性。
基于同一发明构思，本发明实施例提供了一种工作流多目标调度装置，由于该装置解决技术问题的原理与一种工作流多目标调度方法相似，因此该装置的实施可以参见方法的实施，重复之处不再赘述。
图3为本发明实施例提供的一种工作流多目标调度装置结构示意图，如图3所示，该装置主要包括第一确定单元301，第二确定单元302，第三确定单元303和第四确定单元304。
第一确定单元301，用于采用LLH低层次启发式算法库包括的至少两种LLH算法分别对工作流多目标调度包括的初始种群按照设定迭代次数运行，确定设定迭代次数后各个所述LLH算法包括的第一非支配解、第一HV(LLH)、第一RNI(LLH)和第一IEA(LLH)；
第二确定单元302，用于根据各个所述LLH算法的对应的累计迭代次数以及所述LLH算法所对应的第一HV(LLH)、第一IEA(LLH)和第一RNI(LLH)，确定各个所述LLH算法对应的第一CF选择函数；
第三确定单元303，用于将最大第一CF对应的所述LLH算法确定为第一LLH算法，根据所述第一LLH算法所对应的策略更新初始种群中的个体，将所述第一LLH算法对所述初始种群进行一次迭代所得到的第二非支配解存储至所述外部种群中；
第四确定单元304，用于当确定所述第一LLH算法对应的累计迭代次数等于全部LLH算法的累计迭代最大值时，将所述外部种群中存储的非支配解确定为工作流多目标调度的帕累托集合。
优选地，所述第三确定单元303具体用于：
采用所述第一LLH算法对所述初始种群进行一次迭代，确定所述第一LLH算法对应的累计迭代次数、所述第一LLH算法进行一次迭代后所对应的第二非支配解、第二HV(LLH)、第二IEA(LLH)和第二RNI(LLH)；
根据所述第一LLH算法的对应的累计迭代次数以及所述第一LLH算法所对应的第二HV(LLH)、第二IEA(LLH)和第二RNI(LLH)，确定所述第一LLH算法的第二CF。
优选地，所述第一确定单元301还用于：
将各个所述LLH算法包括的第一非支配解存储至所述外部种群，当确定所述外部种群包括的非支配解的数量大于初始设定值时，采用拥挤距离机制删除所述外部种群内的非支配解，直至所述外部种群包括的非支配解的数量小于初始设定值。
优选地，根据下列公式确定各个所述LLH算法对应的第一CF：
CF(LLH)＝f1*HV(LLF)+f2*RNI(LLH)+f3*IEA(LLH)+f4*NOC(LLH)
其中，NOC(LLH)＝(Gcurr-GLLH)/Gmax，Gcurr表示各个所述LLH算法所对应的累计迭代次数的总和，GLLH表示各个所述LLH算法所对应的累计迭代次数，Gmax表示全部LLH算法的累计迭代最大值；f1为HV(LLH)的权重系数，f2为RNI(LLH)的权重系数，f3为IEA(LLH)的权重系数，f4为NOC(LLH)的权重系数，f1+f2+f3+f4＝1，HV(LLH)表示各个LLH算法生成的非支配解围成的超体积，，RNI(LLH)表示外部种群中包括的各个LLH算法所对应的非支配解所占外部种群总非支配解的比率，IEA(LLH)表示各个LLH算法所对应的第一非支配解对外部种群的影响；IEA＝(mum1+mum2)/|EA|，mum1表示从外部种群中被剔除的非支配解的数量，mum1表示添加至外部种群的各个LLH算法所对应的非支配解的数量，|EA|表示外部种群中包括的非支配解的数量。
应当理解，以上一种工作流多目标调度装置包括的单元仅为根据该设备装置实现的功能进行的逻辑划分，实际应用中，可以进行上述单元的叠加或拆分。并且该实施例提供的一种工作流多目标调度装置所实现的功能与上述实施例提供的一种工作流多目标调度方法一一对应，对于该装置所实现的更为详细的处理流程，在上述方法实施例一中已做详细描述，此处不再详细描述。
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，本发明可采用完全硬件实施例、完全软件实施例、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、CD-ROM、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。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (10)

1.一种工作流多目标调度方法，其特征在于，包括：
采用LLH低层次启发式算法库包括的至少两种LLH算法分别对工作流多目标调度包括的初始种群按照设定迭代次数运行，确定设定迭代次数后各个所述LLH算法包括的第一非支配解、第一HV(LLH)、第一RNI(LLH)和第一IEA(LLH)；
根据各个所述LLH算法的对应的累计迭代次数以及所述LLH算法所对应的第一HV(LLH)、第一IEA(LLH)和第一RNI(LLH)，确定各个所述LLH算法对应的第一CF选择函数；
将最大第一CF对应的所述LLH算法确定为第一LLH算法，根据所述第一LLH算法所对应的策略更新初始种群中的个体，将所述第一LLH算法对所述初始种群进行一次迭代所得到的第二非支配解存储至所述外部种群中；
当确定所述第一LLH算法对应的累计迭代次数等于全部LLH算法的累计迭代最大值时，将所述外部种群中存储的非支配解确定为工作流多目标调度的帕累托集合。
2.如权利要求1所述的方法，其特征在于，所述将所述第一LLH算法对所述初始种群进行一次迭代，具体包括：
采用所述第一LLH算法对所述初始种群进行一次迭代，确定所述第一LLH算法对应的累计迭代次数、所述第一LLH算法进行一次迭代后所对应的第二非支配解、第二HV(LLH)、第二IEA(LLH)和第二RNI(LLH)；
根据所述第一LLH算法的对应的累计迭代次数以及所述第一LLH算法所对应的第二HV(LLH)、第二IEA(LLH)和第二RNI(LLH)，确定所述第一LLH算法的第二CF。
3.如权利要求1所述的方法，其特征在于，所述确定设定迭代次数后各个所述LLH算法包括的第一非支配解之后，还包括：
将各个所述LLH算法包括的第一非支配解存储至所述外部种群，当确定所述外部种群包括的非支配解的数量大于初始设定值时，采用拥挤距离机制删除所述外部种群内的非支配解，直至所述外部种群包括的非支配解的数量小于初始设定值。
4.如权利要求1所述的方法，其特征在于，根据下列公式确定各个所述LLH算法对应的第一CF：
CF(LLH)＝f1*HV(LLF)+f2*RNI(LLH)+f3*IEA(LLH)+f4*NOC(LLH)
其中，NOC(LLH)＝(Gcurr-GLLH)/Gmax，Gcurr表示各个所述LLH算法所对应的累计迭代次数的总和，GLLH表示各个所述LLH算法所对应的累计迭代次数，Gmax表示全部LLH算法的累计迭代最大值；f1为HV(LLH)的权重系数，f2为RNI(LLH)的权重系数，f3为IEA(LLH)的权重系数，f4为NOC(LLH)的权重系数，f1+f2+f3+f4＝1，HV(LLH)表示各个LLH算法生成的非支配解围成的超体积，，RNI(LLH)表示外部种群中包括的各个LLH算法所对应的非支配解所占外部种群总非支配解的比率，IEA(LLH)表示各个LLH算法所对应的第一非支配解对外部种群的影响。
5.如权利要求4所述的方法，其特征在于，所述IEA(LLH)通过下列公式确定：
IEA＝(mum1+mum2)/|EA|
其中，mum1表示从外部种群中被剔除的非支配解的数量，mum1表示添加至外部种群的各个LLH算法所对应的非支配解的数量，|EA|表示外部种群中包括的非支配解的数量。
6.如权利要求1所述的方法，其特征在于，所述LLH算法至少包括以下一种：
EMO；
HPSO；
CMSOS；
MOS；
所述根据所述第一LLH算法所对应的策略更新初始种群中的个体，具体包括：
所述EMO和所述MODE采用交叉和变异算子更新初始种群中的个体；
所述CMSOS采用共生、共栖和寄生算子更新初始种群中的个体；
所述MOS采用速度和位置更新模式更新初始种群中的个体。
7.一种工作流多目标调度装置，其特征在于，包括：
第一确定单元，用于采用LLH低层次启发式算法库包括的至少两种LLH算法分别对工作流多目标调度包括的初始种群按照设定迭代次数运行，确定设定迭代次数后各个所述LLH算法包括的第一非支配解、第一HV(LLH)、第一RNI(LLH)和第一IEA(LLH)；
第二确定单元，用于根据各个所述LLH算法的对应的累计迭代次数以及所述LLH算法所对应的第一HV(LLH)、第一IEA(LLH)和第一RNI(LLH)，确定各个所述LLH算法对应的第一CF选择函数；
第三确定单元，用于将最大第一CF对应的所述LLH算法确定为第一LLH算法，根据所述第一LLH算法所对应的策略更新初始种群中的个体，将所述第一LLH算法对所述初始种群进行一次迭代所得到的第二非支配解存储至所述外部种群中；
第四确定单元，用于当确定所述第一LLH算法对应的累计迭代次数等于全部LLH算法的累计迭代最大值时，将所述外部种群中存储的非支配解确定为工作流多目标调度的帕累托集合。
8.如权利要求7所述的装置，其特征在于，所述第三确定单元具体用于：
采用所述第一LLH算法对所述初始种群进行一次迭代，确定所述第一LLH算法对应的累计迭代次数、所述第一LLH算法进行一次迭代后所对应的第二非支配解、第二HV(LLH)、第二IEA(LLH)和第二RNI(LLH)；
根据所述第一LLH算法的对应的累计迭代次数以及所述第一LLH算法所对应的第二HV(LLH)、第二IEA(LLH)和第二RNI(LLH)，确定所述第一LLH算法的第二CF。
9.如权利要求7所述的装置，其特征在于，所述第一确定单元还用于：
将各个所述LLH算法包括的第一非支配解存储至所述外部种群，当确定所述外部种群包括的非支配解的数量大于初始设定值时，采用拥挤距离机制删除所述外部种群内的非支配解，直至所述外部种群包括的非支配解的数量小于初始设定值。
10.如权利要求7所述的装置，其特征在于，根据下列公式确定各个所述LLH算法对应的第一CF：
CF(LLH)＝f1*HV(LLF)+f2*RNI(LLH)+f3*IEA(LLH)+f4*NOC(LLH)
其中，NOC(LLH)＝(Gcurr-GLLH)/Gmax，Gcurr表示各个所述LLH算法所对应的累计迭代次数的总和，GLLH表示各个所述LLH算法所对应的累计迭代次数，Gmax表示全部LLH算法的累计迭代最大值；f1为HV(LLH)的权重系数，f2为RNI(LLH)的权重系数，f3为IEA(LLH)的权重系数，f4为NOC(LLH)的权重系数，f1+f2+f3+f4＝1，HV(LLH)表示各个LLH算法生成的非支配解围成的超体积，，RNI(LLH)表示外部种群中包括的各个LLH算法所对应的非支配解所占外部种群总非支配解的比率，IEA(LLH)表示各个LLH算法所对应的第一非支配解对外部种群的影响；IEA＝(mum1+mum2)/|EA|，mum1表示从外部种群中被剔除的非支配解的数量，mum1表示添加至外部种群的各个LLH算法所对应的非支配解的数量，|EA|表示外部种群中包括的非支配解的数量。
CN202110611200.0A 2021-06-01 2021-06-01 一种工作流多目标调度方法及装置 Active CN113220437B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110611200.0A CN113220437B (zh) 2021-06-01 2021-06-01 一种工作流多目标调度方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110611200.0A CN113220437B (zh) 2021-06-01 2021-06-01 一种工作流多目标调度方法及装置

Publications (2)

Publication Number Publication Date
CN113220437A true CN113220437A (zh) 2021-08-06
CN113220437B CN113220437B (zh) 2022-11-01

Family

ID=77082591

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110611200.0A Active CN113220437B (zh) 2021-06-01 2021-06-01 一种工作流多目标调度方法及装置

Country Status (1)

Country Link
CN (1) CN113220437B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111679637A (zh) * 2020-05-29 2020-09-18 浙江财经大学 一种制造系统中柔性多任务调度方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130117752A1 (en) * 2011-11-07 2013-05-09 Sap Ag Heuristics-based scheduling for data analytics
CN107967171A (zh) * 2017-12-01 2018-04-27 电子科技大学 一种云环境下基于遗传算法的多工作流调度方法
CN109992355A (zh) * 2019-01-30 2019-07-09 北京理工大学 一种基于改进非支配遗传算法的多目标云工作流调度方法
CN110909787A (zh) * 2019-11-18 2020-03-24 安徽大学 基于聚类的进化算法进行多目标批调度优化的方法和系统
CN111813500A (zh) * 2020-07-09 2020-10-23 西北工业大学 一种多目标云工作流调度方法及装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130117752A1 (en) * 2011-11-07 2013-05-09 Sap Ag Heuristics-based scheduling for data analytics
CN107967171A (zh) * 2017-12-01 2018-04-27 电子科技大学 一种云环境下基于遗传算法的多工作流调度方法
CN109992355A (zh) * 2019-01-30 2019-07-09 北京理工大学 一种基于改进非支配遗传算法的多目标云工作流调度方法
CN110909787A (zh) * 2019-11-18 2020-03-24 安徽大学 基于聚类的进化算法进行多目标批调度优化的方法和系统
CN111813500A (zh) * 2020-07-09 2020-10-23 西北工业大学 一种多目标云工作流调度方法及装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
EHAB NABIELALKHANAK，SAI PECKLEE: "A hyper-heuristic cost optimisation approach for Scientific Workflow Scheduling in cloud computing", 《FUTURE GENERATION COMPUTER SYSTEMS》 *
PENGCHENG HAN，CHENGLIE DU，JINCHAO CHEN，FUYUAN LING: "Cost and makespan scheduling of workflows in clouds using list multiobjective optimization technique", 《JOURNAL OF SYSTEMS ARCHITECTURE》 *
付亚平等: "基于自适应多种群策略的混合多目标优化算法", 《系统工程学报》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111679637A (zh) * 2020-05-29 2020-09-18 浙江财经大学 一种制造系统中柔性多任务调度方法

Also Published As

Publication number Publication date
CN113220437B (zh) 2022-11-01

Similar Documents

Publication Publication Date Title
Shen et al. Mathematical modeling and multi-objective evolutionary algorithms applied to dynamic flexible job shop scheduling problems
Drake et al. Recent advances in selection hyper-heuristics
Mansouri et al. Hybrid task scheduling strategy for cloud computing by modified particle swarm optimization and fuzzy theory
Liang et al. Logistics-involved QoS-aware service composition in cloud manufacturing with deep reinforcement learning
Zhu et al. An efficient evolutionary grey wolf optimizer for multi-objective flexible job shop scheduling problem with hierarchical job precedence constraints
Ghambari et al. An improved artificial bee colony algorithm and its application to reliability optimization problems
Chutima et al. Multi-objective two-sided mixed-model assembly line balancing using particle swarm optimisation with negative knowledge
CN106134136B (zh) 计算针对广域网上的数据传送的长期调度
CN109271320B (zh) 一种上位多目标测试用例优先级排序方法
CN106228265B (zh) 基于改进粒子群优化的总拖期运输计划调度方法
Xiao et al. A cooperative coevolution hyper-heuristic framework for workflow scheduling problem
Zhang et al. Permutation-based particle swarm optimization for resource-constrained project scheduling
Genova et al. A survey of solving approaches for multiple objective flexible job shop scheduling problems
Da Silva et al. A hybrid memetic approach for fully automated multi-objective web service composition
WO2019154215A1 (zh) 机器人运行路径生成方法、计算设备及存储介质
Chandra et al. Web service selection using modified artificial bee colony algorithm
Abdullah et al. Integrated MOPSO algorithms for task scheduling in cloud computing
CN109298930A (zh) 一种基于多目标优化的云工作流调度方法及装置
Sallam et al. Evolutionary framework with reinforcement learning-based mutation adaptation
Sajadi et al. A new fuzzy multi-objective multi-mode resource-constrained project scheduling model
CN113220437B (zh) 一种工作流多目标调度方法及装置
Peng et al. Genetic algorithm‐based task scheduling in cloud computing using MapReduce framework
Khan et al. A multi-perspective revisit to the optimization methods of Neural Architecture Search and Hyper-parameter optimization for non-federated and federated learning environments
Park et al. Practical Human Resource Allocation in Software Projects Using Genetic Algorithm.
Zhou et al. A novel mission planning method for UAVs’ course of action

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