CN113259159B - 一种农业物联网任务统筹方法及系统 - Google Patents
一种农业物联网任务统筹方法及系统 Download PDFInfo
- Publication number
- CN113259159B CN113259159B CN202110509716.4A CN202110509716A CN113259159B CN 113259159 B CN113259159 B CN 113259159B CN 202110509716 A CN202110509716 A CN 202110509716A CN 113259159 B CN113259159 B CN 113259159B
- Authority
- CN
- China
- Prior art keywords
- task
- node
- nodes
- calculation
- service
- 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
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/142—Network analysis or design using statistical or mathematical methods
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Algebra (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Pure & Applied Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种农业物联网任务统筹方法及系统,该方法包括:利用M个服务节点与N个任务节点的博弈关系,根据数学模块确定各任务节点的最大化效用函数;在t′时刻服务节点根据各任务节点的算力需求向N个任务节点发送算力效率策略;各任务节点根据接收到的算力效率策略和对应的最大化效用函数经过设定次数的第一迭代,获得各任务节点的算力需求策略;判断是否达到第二迭代停止条件;若未达到第二迭代停止条件,则按照设定步长更新,返回步骤“在τ时刻服务节点根据各任务节点的算力需求向N个任务节点发送算力效率策略”;若达到第二迭代停止条件,则确定各服务节点发送的算力效率策略和各任务节点的算力需求策略。本发明降低了计算时延。
Description
技术领域
本发明涉及资源匹配技术领域,特别是涉及一种农业物联网任务统筹方法及系统。
背景技术
随着5G、物联网和人工智能技术的迅猛发展,越来越多的信息化设备在农业中得到了应用,业界普遍认为信息化、智能化是未来农业的发展方向。农产品生产过程中每时每刻都会产生海量的信息,为了完成在复杂生产环境下的智能决策,农业物联网需要在较短时间内完成大量的数据传输、存储以及处理,感知实时的农情状况、目标特征以及环境信息等来实现安全、高效的农业生产。目前,农业物联网中,传感系统有限的计算能力与云平台之间不稳定的回程链路将大幅增加任务的服务时延,无法满足智能农业物联网对的物联网应用需求。
发明内容
本发明的目的是提供一种农业物联网任务统筹方法及系统,降低了时延。
为实现上述目的,本发明提供了如下方案:
一种农业物联网任务统筹方法,包括:
构建M个服务节点和N个任务节点的数学模型;各所述服务节点为提供运算服务的节点,各任务节点为具有计算任务的节点;
利用M个服务节点与N个任务节点的博弈关系,根据所述数学模块确定各任务节点的最大化效用函数;
在τ时刻服务节点根据各任务节点的算力需求向N个任务节点发送算力效率策略;
各任务节点根据接收到的算力效率策略和对应的最大化效用函数经过设定次数的第一迭代,获得各任务节点的算力需求策略;
判断是否达到第二迭代停止条件;
若未达到第二迭代停止条件,则按照设定步长更新τ,返回步骤“在τ时刻服务节点根据各任务节点的算力需求向N个任务节点发送算力效率策略”;
若达到第二迭代停止条件,则确定各服务节点发送的算力效率策略和各任务节点的算力需求策略。
可选地,进行所述第二迭代时,所述所有任务节点的算力需求策略之和小于等于所有服务节点提供的算力效率策略之和。
其中,flocal表示任务节点的计算能力,ftotal表示服务节点提供的总计算资源,R表示节点距离,y表示增长因子,e表示单位损耗系数,pi表示任务节点功率,γ1表示效用函数时间折扣因子,γ2效用函数支出折扣因子,C为固定常数,D表示所有任务节点的计算数据量,α表示计算1bit数据需要CPU执行的周期数,β表示压缩率,a表示时间影响因子,b表示能耗影响因子,m等于M,k表示CPU结构的能量系数。
可选地,当前各服务节点发送的算力效率策略与上一次第二迭代发送的算力效率策略的差值的平方的平均值小于第一设定阈值,且当前各任务节点获得的算力需求策略与上一次第二迭代获得的算力需求策略的差值的平方的平均值小于第二设定阈值时为达到迭代停止条件,否则为未达到迭代停止条件。
本发明还公开了一种农业物联网任务统筹系统,包括:
服务节点与任务节点的数学模块构建模块,用于构建M个服务节点和N个任务节点的数学模型;各所述服务节点为提供运算服务的节点,各任务节点为具有计算任务的节点;
任务节点的最大化效用函数确定模块,用于利用M个服务节点与N个任务节点的博弈关系,根据所述数学模块确定各任务节点的最大化效用函数;
服务节点发送算力效率策略模块,用于在τ时刻服务节点根据各任务节点的算力需求向N个任务节点发送算力效率策略;
各任务节点的算力需求策略获得模块,用于各任务节点根据接收到的算力效率策略和对应的最大化效用函数经过设定次数的第一迭代,获得各任务节点的算力需求策略;
判断模块,用于判断是否达到第二迭代停止条件;
步长更新模块,当未达到第二迭代停止条件时,用于按照设定步长更新τ,返回服务节点发送算力效率策略模块;
策略输出模块,当达到第二迭代停止条件,用于确定各服务节点发送的算力效率策略和各任务节点的算力需求策略。
可选地,进行所述第二迭代时,所述所有任务节点的算力需求策略之和小于等于所有服务节点提供的算力效率策略之和。
其中,flocal表示任务节点的计算能力,ftotal表示服务节点提供的总计算资源,R表示节点距离,y表示增长因子,e表示单位损耗系数,pi表示任务节点功率,γ1表示效用函数时间折扣因子,γ2效用函数支出折扣因子,C为固定常数,D表示所有任务节点的计算数据量,α表示计算1bit数据需要CPU执行的周期数,β表示压缩率,a表示时间影响因子,b表示能耗影响因子,m等于M,k表示CPU结构的能量系数,Vt表示任务节点的集合。
可选地,,当前各服务节点发送的算力效率策略与上一次第二迭代发送的算力效率策略的差值的平方的平均值小于第一设定阈值,且当前各任务节点获得的算力需求策略与上一次第二迭代获得的算力需求策略的差值的平方的平均值小于第二设定阈值时为达到迭代停止条件,否则为未达到迭代停止条件。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明根据M个服务节点与N个任务节点的博弈关系,通过任务节点根据服务节点发送算力效率策略的进行第一迭代,通过第二迭代服务节点根据各任务节点的算力需要发送算力效率策略,直到满足第二迭代的停止条件,从而使各任务节点之间和各服务节点之间均达到算力效率的纳什均衡,进而能够更有效的利用计算资源,降低计算延时。
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性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一种农业物联网任务统筹方法流程示意图;
图2为本发明一种农业物联网任务统筹系统结构示意图。
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。
本发明的目的是提供一种农业物联网任务统筹方法及系统,降低了时延。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明一种农业物联网任务统筹方法流程示意图,如图1所示,一种农业物联网任务统筹方法,包括:
步骤101:构建M个服务节点和N个任务节点的数学模型;各所述服务节点为提供运算服务的节点,各任务节点为具有计算任务的节点。
步骤102:利用M个服务节点与N个任务节点的博弈关系,根据所述数学模块确定各任务节点的最大化效用函数。
步骤103:在τ时刻服务节点根据各任务节点的算力需求向N个任务节点发送算力效率策略。各服务节点均根据各任务节点的算力需求向N个任务节点发送算力效率策略。
步骤104:各任务节点根据接收到的算力效率策略和对应的最大化效用函数经过设定次数的第一迭代,获得各任务节点的算力需求策略。
步骤105:判断是否达到第二迭代停止条件。
若未达到第二迭代停止条件,则执行步骤106。
步骤106:按照设定步长更新τ,返回步骤103。
若达到第二迭代停止条件,则执行步骤107。
步骤107:确定各服务节点发送的算力效率策略和各任务节点的算力需求策略。
进行所述第二迭代时,所述所有任务节点的算力需求策略之和小于等于所有服务节点提供的算力效率策略之和。
其中,flocal表示任务节点的计算能力,ftotal表示服务节点提供的总计算资源,R表示节点距离,y表示增长因子,e表示单位损耗系数,pi表示任务节点功率,γ1表示效用函数时间折扣因子,γ2效用函数支出折扣因子,C为固定常数,D表示所有任务节点的计算数据量,α表示计算1bit数据需要CPU执行的周期数,β表示压缩率,a表示时间影响因子,b表示能耗影响因子,m等于M,k表示CPU结构的能量系数,Vt表示任务节点的集合。
当前各服务节点发送的算力效率策略与上一次第二迭代发送的算力效率策略的差值的平方的平均值小于第一设定阈值,且当前各任务节点获得的算力需求策略与上一次第二迭代获得的算力需求策略的差值的平方的平均值小于第二设定阈值时为达到迭代停止条件,否则为未达到迭代停止条件。
下面以具体说明本发明一种农业物联网任务统筹方法。
本发明考虑在使用智能农业物联网环境中,布设有N+M个独立运行的节点,每个节点有相应的传感器组和微型计算平台。每个计算平台间通过无线网络进行组网可以实现数据的传输,但传输的效率因各个节点的布局位置差异存在不同。每个独立的传感器节点有ζ的概率产生一个计算任务,每个节点可以选择本地运算或者向有空闲计算资源的其他节点进行本地-边缘协同运算来在任务的容忍时间内完成任务。
Step1:建立系统问题的数学模型,将农业智能物联网任务数学化表达。
假设系统中存在M个可提供运算服务的节点,简称服务节点,和N个需要计算任务的节点,简称任务节点,服务节点的集合表示为任务节点的集合表示为每个服务节点当前没有任务执行,可以向任务节点提供协同算力支持,服务节点s可以提供的算力上限为fs max。N个任务节点彼此竞争M个待运算节点的算力资源,为了提高任务节点对任务完成的满意度,任务节点需要向服务节点请求一定的算力资源来降低时延,服务节点制定可提供算力的效率来最大化自身的收益。由于在当前的系统中任务节点有多个服务节点可供选择,各个任务节点的最大算力上限不同且各个任务节点的单位算力效率不一致,可以在不同的服务节点请求不同的算力大小,因此,任务节点根据自身的任务量以及不同服务节点的策略来决定在各服务节点的算力请求量来最大化自身收益。
智能农业物联网任务通常有各类应用任务(光温水预警需求、土壤养分最优化需求等)。将需要应用的任务记为T,任务假设可以分割交给不同的计算节点并行计算。计算任务T的数据量为Dbit。通常衡量一个任务计算量的指标是CPU周期数,可以通过c=αD来计算出Dbit数据量的任务需要的计算资源,其中α代表计算1bit数据需要CPU执行多少个周期来完成,α由任务类型来决定,对于计算复杂的任务,α通常较大。假设统筹任务的返回值大小正比与任务数据量大小,r=βD,β表示压缩率。通常任务的返回值是远小于任务的输入值的,β趋向于0,但对于智能控制类等任务,其处理过程像是一个解压缩的过程,其任务返回值的数据量要大于任务的输入值,β大于1,需要根据任务类型设置不同的β值。所以任务T可以用一个四元组表示<D,α,tmax,β>,智能农业物联网任务通常有各类智能最优种植环境、灾害预警的功能,最优化环境任务优先级通常较小而灾害预警任务需要较高的任务优先级,任务优先级由下面公式计算得出:
其意义为在最晚完成时间tmax内,每秒应该处理的bit数。优先级高的任务每秒要处理的数量要多,所以需要请求更多的算力,在更多的设备上来并行执行来节约时间。
在本发明中,假设在农作物种植环境中在每个时间段,有一定概率产生一个数据量较大的任务,依靠单个节点传感器自身的算力无法在任务最晚完成时间完成,因此需要请求组网内其他有着空闲算力的节点计算资源,并将统筹到对应节点去。
Step2:建立服务节点(计算服务提供方)和任务节点(计算服务需求方)博弈关系,得到量化可解的最优化方程。
在本发明者中M个服务节点充当领导者,N个任务节点充当跟随者。领导者与跟随者是多对多的关系,因此该博弈为多主多从式博弈。领导者是算力资源的拥有者并且制定分配策略,跟随者是计算资源的需求者,需要制定计算能力的请求策略。一方面,任务节点想尽可能地购买更多的算力来降低处理时延来提高满意度,但提供越多的算力,服务节点的使用效率会降低,因此,在主从博弈中算力激励机制受限于服务节点为了提高自身收益所制定的的单位算力效率。
s.t.:ft,i<fi max
0≤a≤1,0≤b≤1,a+b=1
γ1>0,γ2>0
D>0
C<0
α>0,β>0
y>0
e>0
0<k<1
Pmin≤pi≤Pmax
i∈Vs,t∈Vt
其中,flocal表示任务节点的计算能力,ftotal表示服务节点提供的总计算资源,R表示节点距离,y表示增长因子,e表示单位损耗系数,pi表示任务节点功率,γ1表示效用函数时间折扣因子,γ2效用函数支出折扣因子,C为固定常数且小于0,D表示所有任务节点的计算数据量,α表示计算1bit数据需要CPU执行的周期数,β表示压缩率,a表示时间影响因子,b表示能耗影响因子,m等于M,k表示CPU结构的能量系数。
ftime表示任务节点的时间敏感因子,越大要求的计算优先级越高,fpay表示任务节点的效率敏感因子,越大说明越不能接受效率较低的服务节点。
a+b=1,a、b的取值由ftime、fpay决定,表明了用户对能耗和时间的敏感程度。通过设置不同的a、b的值,可以动态权衡在任务统筹时的能耗支出和计算时延,当b趋向于1时,任务节点更愿意倾向于本地计算,但系统内任务的最晚完成时间是在本地计算无法满足需求的,所以任务节点选择不分配时,通常任务节点的效用值为负数。任务节点根据服务节点发来的策略,制定自己的最优需求策略,由于每个服务节点的算力有限,因此各个任务节点之间的需求策略会相互影响,所有任务节点的策略集合(算力需求策略集合)表示为:F=(f1,f2,...,fn),n=N,其中任务节点t的策略可表示为ft=(ft,1,ft,2,...,ft,m),t∈Vt,最优策略可表示为各任务节点的目标是最大化效用函数,即 表示除任务节点t之外的其他任务节点。
Step3:计算服务节点与任务节点算力的量化资源与约束条件。
对于服务提供节点s来说,它的策略为单位算力的效率ps。对于任务节点t而言,其策略是在各个服务节点请求算力策略ft,s,ft,s表示任务节点t在服务节点s购买的计算资源,且满足0≤ft,s≤fs max。所有的任务节点在服务节点s的总算力购买量必须满足服务节点和任务节点的之间的博弈分为两部分。第一阶段,服务节点公布自己的单位算力效率ps,并向所有的任务节点发送自己的策略。任务节点在收到不同服务节点的效率策略后来彼此竞争,确定本任务节点在各个服务节点的算力需求。此时,各个任务节点之间的竞争是一个非合作博弈问题,纳什均衡是该问题的解。在第二阶段,服务节点根据任务节点的请求需求策略,重新制定自身的效率策略来获取更高的收益。
Step4:设计各类节点达到纳什均衡的策略算法,并进行计算机迭代计算得到计算服务节点与任务节点的最佳平衡策略。
本发明所构建的模型中的跟随者任务节点t无法获取其他任务节点的决策f-t,且领导者服务节点s也不知道其他服务节点的策略p-s,因此本发明根据进化博弈论的最优反应动态思想,提出智能农业物联网中基于多主多从博弈模型的任务统筹方法。此方法是一种分布式循环迭代算法,且博弈中的每个跟随者只需要获知一些局部信息。此方法的假设博弈中的任务节点和服务节点是都是有限理性的,在τ时刻服务节点s一旦给出效率策略ps(τ),那么任务节点可以迅速调整自身的算力请求策略达到纳什均衡,而服务节点的均衡需要通过多次迭代不断的决策调整,来逼近均衡解。在时刻t′,服务节点向所有的任务节点发布单位算力的效率策略p(τ)=(p1,p2…pm),任务节点根据收到的效率策略,结合任务信息以及自身的对效率和时间的敏感程度来调整在各个任务节点的算力需求量来达到自身收益的最大化。
因为各任务节点的任务的优先级并不一样,优先级高的任务迫切地需要计算资源,因此可适当优先,制定不同的策略来收获更多奖励。服务节点s发布基础值并根据各任务的优先级制定差异值,差异值正比于任务优先级,因此服务节点s向任务节点t计算资源值由下式表示:
任务节点的算力需求变化率与自身的效用函数的梯度成正比。
其中,τ是时间变量,任务节点效用函数的凹函数特征保证了本发明的迭代算法能够在有限次迭代后稳定的收敛到纳什均衡点。在此次博弈中需要进行多次迭代才能达到纳什均衡。任务节点t的初始决策ft(0)=(0,0,...,0),为了鼓励统筹,在ft,s=0时应大于0。统筹每次迭代的时间间隔称为Δτ,在迭代周期Δτ内,τ+1时刻的算力需求,迭代公式为:
其中Ltask>0表示任务节点的算力需求决策调整步长。在所有的任务节点达到纳什均衡后,服务节点在τ+1时刻根据各个任务节点的算力需求策略,通过迭代公式来调整自己的效率策略,公式如下:
其中Lservice表示服务节点的需求策略调整步长,服务节点在迭代周期ΔΓ中,服务节点效用函数对于效率的偏导数可以通过趋向于0的变化量θ来计算。
服务节点应该保持效率策略不变直到任务节点的算力请求策略达到纳什均衡,这一迭代过程为ΔΓ,一个ΔΓ包含若干个Δτ。在经过多次动态调整后,服务节点得到最优效率策略P*,任务节点得到最优购买策略F*,各自收益最大化,迭代的最终结果为服务节点、任务节点均达到了纳什均衡,在此状态下,任何一个参与者不能通过私自改变策略得到更高的收益,可实现博弈完美纳什均衡。
Step5:设计博弈迭代算法的退出条件,让迭代算法能够快速收敛,能到所要的最终博弈结果。
在现有的研究中,迭代结束的条件为调整后的策略和调整前的策略之差绝对值小于收敛精度ε。但在博弈参与者较多时,想让策略集中的每个策略都与前一策略之差小于ε比较困难,总有一两个策略难以收敛,为解决这一问题,参考了方差和机器学习中平方损失函数,发明设计此迭代循环算法的退出条件为调整前策略与调整后策略的差值平方的和除以节点数小于一个事先设计的阈值。
当D值(Dp(p(τ+1),p(τ))和Df(f(τ+1),f(τ)))越大,说明前后策略的偏离程度较大,前后策略未收敛,当D<ε,ε→0成立时,迭代结束。
图2为本发明一种农业物联网任务统筹系统结构示意图,如图2所示,一种农业物联网任务统筹系统,包括:
服务节点与任务节点的数学模块构建模块201,用于构建M个服务节点和N个任务节点的数学模型;各所述服务节点为提供运算服务的节点,各任务节点为具有计算任务的节点;
任务节点的最大化效用函数确定模块202,用于利用M个服务节点与N个任务节点的博弈关系,根据所述数学模块确定各任务节点的最大化效用函数;
服务节点发送算力效率策略模块203,用于在τ时刻服务节点根据各任务节点的算力需求向N个任务节点发送算力效率策略;
各任务节点的算力需求策略获得模块204,用于各任务节点根据接收到的算力效率策略和对应的最大化效用函数经过设定次数的第一迭代,获得各任务节点的算力需求策略;
判断模块205,用于判断是否达到第二迭代停止条件;
步长更新模块206,当未达到第二迭代停止条件时,用于按照设定步长更新τ,返回服务节点发送算力效率策略模块203;
策略输出模块207,当达到第二迭代停止条件,用于确定各服务节点发送的算力效率策略和各任务节点的算力需求策略。
进行所述第二迭代时,所述所有任务节点的算力需求策略之和小于等于所有服务节点提供的算力效率策略之和。
其中,flocal表示任务节点的计算能力,ftotal表示服务节点提供的总计算资源,R表示节点距离,y表示增长因子,e表示单位损耗系数,pi表示任务节点功率,γ1表示效用函数时间折扣因子,γ2效用函数支出折扣因子,C为固定常数,D表示所有任务节点的计算数据量,α表示计算1bit数据需要CPU执行的周期数,β表示压缩率,a表示时间影响因子,b表示能耗影响因子,m等于M,k表示CPU结构的能量系数。
当前各服务节点发送的算力效率策略与上一次第二迭代发送的算力效率策略的差值的平方的平均值小于第一设定阈值,且当前各任务节点获得的算力需求策略与上一次第二迭代获得的算力需求策略的差值的平方的平均值小于第二设定阈值时为达到迭代停止条件,否则为未达到迭代停止条件。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种农业物联网任务统筹方法,其特征在于,包括:
构建M个服务节点和N个任务节点的数学模型;各所述服务节点为提供运算服务的节点,各任务节点为具有计算任务的节点;
利用M个服务节点与N个任务节点的博弈关系,根据所述数学模型确定各任务节点的最大化效用函数;
在τ时刻服务节点根据各任务节点的算力需求向N个任务节点发送算力效率策略;
各任务节点根据接收到的算力效率策略和对应的最大化效用函数经过设定次数的第一迭代,获得各任务节点的算力需求策略;
判断是否达到第二迭代停止条件;
若未达到第二迭代停止条件,则按照设定步长更新τ,返回步骤“在τ时刻服务节点根据各任务节点的算力需求向N个任务节点发送算力效率策略”;
若达到第二迭代停止条件,则确定各服务节点发送的算力效率策略和各任务节点的算力需求策略。
2.根据权利要求1所述的农业物联网任务统筹方法,其特征在于,进行所述第二迭代时,所述所有任务节点的算力需求策略之和小于等于所有服务节点提供的算力效率策略之和。
其中,flocal表示任务节点的计算能力,ftotal表示服务节点提供的总计算资源,R表示节点距离,y表示增长因子,e表示单位损耗系数,pi表示任务节点功率,γ1表示效用函数时间折扣因子,γ2效用函数支出折扣因子,C为固定常数,D表示所有任务节点的计算数据量,α表示计算1bit数据需要CPU执行的周期数,β表示压缩率,a表示时间影响因子,b表示能耗影响因子,m等于M,k表示CPU结构的能量系数,i∈Vs,Vs表示服务节点的集合,Vt表示任务节点的集合,ft,i表示任务节点t在服务节点i购买的计算资源。
4.根据权利要求1所述的农业物联网任务统筹方法,其特征在于,当前各服务节点发送的算力效率策略与上一次第二迭代发送的算力效率策略的差值的平方的平均值小于第一设定阈值,且当前各任务节点获得的算力需求策略与上一次第二迭代获得的算力需求策略的差值的平方的平均值小于第二设定阈值时为达到迭代停止条件,否则为未达到迭代停止条件。
5.一种农业物联网任务统筹系统,其特征在于,包括:
服务节点与任务节点的数学模型构建模块,用于构建M个服务节点和N个任务节点的数学模型;各所述服务节点为提供运算服务的节点,各任务节点为具有计算任务的节点;
任务节点的最大化效用函数确定模块,用于利用M个服务节点与N个任务节点的博弈关系,根据所述数学模型确定各任务节点的最大化效用函数;
服务节点发送算力效率策略模块,用于在τ时刻服务节点根据各任务节点的算力需求向N个任务节点发送算力效率策略;
各任务节点的算力需求策略获得模块,用于各任务节点根据接收到的算力效率策略和对应的最大化效用函数经过设定次数的第一迭代,获得各任务节点的算力需求策略;
判断模块,用于判断是否达到第二迭代停止条件;
步长更新模块,当未达到第二迭代停止条件时,用于按照设定步长更新τ,返回服务节点发送算力效率策略模块;
策略输出模块,当达到第二迭代停止条件,用于确定各服务节点发送的算力效率策略和各任务节点的算力需求策略。
6.根据权利要求5所述的农业物联网任务统筹系统,其特征在于,进行所述第二迭代时,所述所有任务节点的算力需求策略之和小于等于所有服务节点提供的算力效率策略之和。
其中,flocal表示任务节点的计算能力,ftotal表示服务节点提供的总计算资源,R表示节点距离,y表示增长因子,e表示单位损耗系数,pi表示任务节点功率,γ1表示效用函数时间折扣因子,γ2效用函数支出折扣因子,C为固定常数,D表示所有任务节点的计算数据量,α表示计算1bit数据需要CPU执行的周期数,β表示压缩率,a表示时间影响因子,b表示能耗影响因子,m等于M,k表示CPU结构的能量系数,Vt表示任务节点的集合,i∈Vs,Vs表示服务节点的集合,ft,i表示任务节点t在服务节点i购买的计算资源。
8.根据权利要求5所述的农业物联网任务统筹系统,其特征在于,当前各服务节点发送的算力效率策略与上一次第二迭代发送的算力效率策略的差值的平方的平均值小于第一设定阈值,且当前各任务节点获得的算力需求策略与上一次第二迭代获得的算力需求策略的差值的平方的平均值小于第二设定阈值时为达到迭代停止条件,否则为未达到迭代停止条件。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110509716.4A CN113259159B (zh) | 2021-05-11 | 2021-05-11 | 一种农业物联网任务统筹方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110509716.4A CN113259159B (zh) | 2021-05-11 | 2021-05-11 | 一种农业物联网任务统筹方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113259159A CN113259159A (zh) | 2021-08-13 |
CN113259159B true CN113259159B (zh) | 2022-06-10 |
Family
ID=77222567
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110509716.4A Active CN113259159B (zh) | 2021-05-11 | 2021-05-11 | 一种农业物联网任务统筹方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113259159B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102158974A (zh) * | 2010-02-11 | 2011-08-17 | 华为技术有限公司 | 协作资源调度方法、装置、基站及系统 |
CN103813411A (zh) * | 2014-01-16 | 2014-05-21 | 南京邮电大学 | 一种基于博弈论的多接入带宽分配方法 |
US10387179B1 (en) * | 2014-12-16 | 2019-08-20 | Amazon Technologies, Inc. | Environment aware scheduling |
CN110381161A (zh) * | 2019-07-29 | 2019-10-25 | 东南大学 | 电力物联网系统中基于博弈论的资源调度方法 |
CN111969657A (zh) * | 2020-08-26 | 2020-11-20 | 华北电力大学(保定) | 一种基于谈判博弈的多能源站系统经济优化运行方法 |
-
2021
- 2021-05-11 CN CN202110509716.4A patent/CN113259159B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102158974A (zh) * | 2010-02-11 | 2011-08-17 | 华为技术有限公司 | 协作资源调度方法、装置、基站及系统 |
CN103813411A (zh) * | 2014-01-16 | 2014-05-21 | 南京邮电大学 | 一种基于博弈论的多接入带宽分配方法 |
US10387179B1 (en) * | 2014-12-16 | 2019-08-20 | Amazon Technologies, Inc. | Environment aware scheduling |
CN110381161A (zh) * | 2019-07-29 | 2019-10-25 | 东南大学 | 电力物联网系统中基于博弈论的资源调度方法 |
CN111969657A (zh) * | 2020-08-26 | 2020-11-20 | 华北电力大学(保定) | 一种基于谈判博弈的多能源站系统经济优化运行方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113259159A (zh) | 2021-08-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113516250B (zh) | 一种联邦学习方法、装置、设备以及存储介质 | |
CN112367109B (zh) | 空地网络中由数字孪生驱动的联邦学习的激励方法 | |
Zhou et al. | Multi-population parallel self-adaptive differential artificial bee colony algorithm with application in large-scale service composition for cloud manufacturing | |
CN111163521B (zh) | 移动边缘计算中一种分布式异构环境下的资源分配方法 | |
CN111401744B (zh) | 一种移动边缘计算中不确定性环境下的动态任务卸载方法 | |
Li et al. | Deep reinforcement learning: Framework, applications, and embedded implementations | |
CN112513886B (zh) | 信息处理方法、信息处理装置和信息处理程序 | |
Yang et al. | A new adaptive neural network and heuristics hybrid approach for job-shop scheduling | |
CN113810233B (zh) | 一种在随机网络中基于算网协同的分布式计算卸载方法 | |
CN111429142B (zh) | 一种数据处理方法、装置及计算机可读存储介质 | |
CN111694664B (zh) | 一种边缘服务器的计算卸载分配方法 | |
US11861702B2 (en) | Method and apparatus for renewable energy allocation based on reinforcement learning | |
Huang et al. | Market-based dynamic resource allocation in Mobile Edge Computing systems with multi-server and multi-user | |
CN110264007A (zh) | 股票交易控制方法及装置 | |
He et al. | Intent-based resource matching strategy in cloud | |
CN113259159B (zh) | 一种农业物联网任务统筹方法及系统 | |
CN116489708B (zh) | 面向元宇宙的云边端协同的移动边缘计算任务卸载方法 | |
CN113504949A (zh) | Mar客户端在边缘计算中的任务卸载与参数优化方法及系统 | |
CN112633396A (zh) | 基于注意力机制的机器学习模型的融合方法 | |
JP2024068611A (ja) | ネストされた連合学習によるマルチエージェント自己組織化デマンドレスポンス方法及びシステム | |
CN110851268A (zh) | 一种基于拥塞博弈的边缘调度优化方法 | |
CN111027709B (zh) | 信息推荐方法、装置、服务器及存储介质 | |
CN116472538A (zh) | 用于量化神经网络的方法和系统 | |
CN112330450B (zh) | 算力交易处理方法、装置、区块链的节点及存储介质 | |
Liu et al. | Resource allocation strategy based on improved auction algorithm in mobile edge computing environment |
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 |