CN113315659B - 一种面向智能工厂的任务协同规划方法及系统 - Google Patents

一种面向智能工厂的任务协同规划方法及系统 Download PDF

Info

Publication number
CN113315659B
CN113315659B CN202110577727.6A CN202110577727A CN113315659B CN 113315659 B CN113315659 B CN 113315659B CN 202110577727 A CN202110577727 A CN 202110577727A CN 113315659 B CN113315659 B CN 113315659B
Authority
CN
China
Prior art keywords
edge node
task
edge
cost
internet
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
CN202110577727.6A
Other languages
English (en)
Other versions
CN113315659A (zh
Inventor
陈泽仁
张天魁
陈潮彬
徐琪
章园
王宇敬
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.)
Jiangxi Xinbingrui Technology Co ltd
Original Assignee
Jiangxi Xinbingrui Technology 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 Jiangxi Xinbingrui Technology Co ltd filed Critical Jiangxi Xinbingrui Technology Co ltd
Priority to CN202110577727.6A priority Critical patent/CN113315659B/zh
Publication of CN113315659A publication Critical patent/CN113315659A/zh
Application granted granted Critical
Publication of CN113315659B publication Critical patent/CN113315659B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • H04L41/08—Configuration management of networks or network elements
    • H04L41/0803—Configuration setting
    • H04L41/0823—Configuration setting characterised by the purposes of a change of settings, e.g. optimising configuration for enhancing reliability
    • H04L41/0826—Configuration setting characterised by the purposes of a change of settings, e.g. optimising configuration for enhancing reliability for reduction of network costs
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y10/00—Economic sectors
    • G16Y10/25—Manufacturing
    • 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
    • H04L41/08—Configuration management of networks or network elements
    • H04L41/0893—Assignment of logical groups to network elements
    • 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
    • H04L67/10—Protocols in which an application is distributed across nodes in the network
    • 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)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Manufacturing & Machinery (AREA)
  • Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请提供一种面向智能工厂的任务协同规划方法及系统，该方法包括如下步骤：收集边缘协同智能架构中物联网设备与边缘节点设备的交互信息数据；计算边缘节点位置部署成本；获取边缘节点位置部署成本取最优解时的各个边缘节点的位置数据；依据边缘节点的位置数据和计算资源信息数据，计算各个边缘节点的推选成本，获取推选成本最低的边缘节点作为核心节点设备；在核心节点设备处，收集当前任务周期的任务信息数据；根据任务信息数据，对任务执行成本进行计算；获取任务执行成本取最优解时的任务协同策略。本申请降低了人工智能生产任务中核心节点设备的选择成本、边缘节点位置部署成本，以及使得任务执行成本损耗更少、任务处理时延更小。

Description

一种面向智能工厂的任务协同规划方法及系统
技术领域
本申请涉及数据处理技术领域，尤其涉及一种面向智能工厂的任务协同规划方法及系统。
背景技术
近年来，全球各主要经济体都在大力推进制造业的复兴。其中智能生产是智能制造的主线，而智能工厂是智能生产的主要载体。在工业4.0、工业互联网、物联网、云计算等热潮下，全球众多优秀制造企业都开展了智能工厂建设实践。为了加速智能工厂落地实践，多种算法应运而生，其中，将人工智能算法应用于智能生产成为了一种热门的技术。
但由于智能工厂中物联网(IoTs,Internet of Things)设备常常存在计算能力较弱，电池容量较低的弱点，如何更加有效地处理人工智能生产任务中产生的大量数据成为了一个棘手的难题，在此背景下，边缘计算(Edge Computing,EC)作为一种具有发展潜力的技术，能够帮助在网络边缘进行数据处理和计算。因此，提出了边缘智能算法，其将边缘计算与人工智能相互结合，能够发挥两者双向共赢的优势：一方面，边缘数据可以借助智能算法释放潜力，提供更高的可用性。另一方面，边缘计算能为智能算法提供更多的数据和应用场景。
尽管边缘智能算法为智能生产提供了一种解决技术方案，但是其中仍存在许多难点问题，重点包括智能算法的资源需求与边缘设备受限于资源之间的矛盾以及智能任务需求多样与边缘设备能力单一之间的矛盾等。针对以上难点问题国内外均展开了研究，然而目前国内外研究大部分存在着以下不足：
1)提出的边缘协同智能架构研究或多或少都基于云边架构，需要依赖于云服务器的计算能力，因此，需要云服务器至边缘节点链路始终保持完整。然而，相对于边边链路，边云链路更易受攻击，受到的信息安全威胁更大，导致边云链路维护成本较高。
2)目前国内外的智能生产算法大多缺乏考虑人工智能任务的并行化执行方式，因此，针对人工智能化生产存在优化性不足的问题。
3)目前，现阶段的边缘智能算法设计多数仅注重于一对一的任务分配，忽略了边缘节点之间的任务协同问题。
4)现有的边缘智能算法大部分都忽略了边缘节点的位置部署设计，出现因位置设计不合理导致的传输成本增大的问题。
因此，如何实现在处理人工智能生产任务中降低核心节点设备选择成本、边缘节点位置部署成本，以及使得任务执行成本损耗更少、任务处理时延更小、能耗更低的分布式边缘协同智能架构成为亟待解决的技术问题。
发明内容
本申请的目的在于提供一种面向智能工厂的任务协同规划方法及系统，降低了人工智能生产任务中核心节点设备的选择成本、边缘节点位置部署成本，以及使得任务执行成本损耗更少、任务处理时延更小、能耗更低。
为达到上述目的，本申请提供一种面向智能工厂的任务协同规划方法，该方法包括如下步骤：
收集边缘协同智能架构中物联网设备与边缘节点设备的交互信息数据；
根据交互信息数据，计算边缘节点位置部署成本；
获取边缘节点位置部署成本取最优解时的各个边缘节点设备的位置数据，以及计算资源信息数据；
依据边缘节点设备的位置数据和计算资源信息数据，计算各个边缘节点设备的推选成本，获取推选成本最低的边缘节点设备作为核心节点设备；
在核心节点设备处，收集当前任务周期的任务信息数据；
根据任务信息数据，对任务执行成本进行计算；
获取任务执行成本取最优解时的任务协同策略，并输出任务协同策略结果。
如上的，其中，预先在边缘节点网络中建立自组织网络，搭建基于自组织网络的边缘协同智能架构,设在边缘节点网络中由M个可供任务计算的边缘节点组成自组织网络，并且设任务协作策略更新的周期为TS，在周期TS中共有K个物联网设备。
如上的，其中，计算边缘节点位置部署成本的方法包括如下子步骤：
根据交互信息数据，确定物联网设备与各个边缘节点设备交互次数超过预设阈值的物联网设备集合；
基于物联网设备集合，计算边缘节点设备位置部署成本。
如上的，其中，获取边缘节点设备位置部署成本取最优解时的各个边缘节点设备的位置数据的方法包括：
初始化边缘节点设备的位置部署矩阵u0，并令边缘节点设备m的第一代位置变量为
Figure GDA0003517268550000031
根据当前迭代中各个边缘节点设备位置变量得到边缘节点设备位置部署成本的凸函数；
计算该凸函数的最优解，并动态调整步长，得到下一代的解；
判断边缘节点设备位置部署成本是否稳定收敛或者达到最大迭代次数，若是，则输出边缘节点设备位置数据；否则，返回获得新的凸函数。
如上的，其中，获取推选成本最低的边缘节点设备作为核心节点设备的方法包括：
依据边缘节点设备的位置数据和计算资源信息数据，各个边缘节点设备计算自身的推选成本；
各个边缘节点设备获取相邻边缘节点设备的推选成本；
各个边缘节点设备将所有相邻边缘节点设备的推选成本与自身的推选成本进行比较，获取推选成本最低的边缘节点设备作为待选核心节点设备；
所有待选核心节点设备互相交互，分别比较推选成本，迭代出推选成本最低的边缘节点设备作为核心节点设备。
如上的，其中，限制各个物联网设备能够卸载的最大节点数量，采取分组变量优化的方法获得任务执行成本最低的任务协同策略。
如上的，其中，交互信息数据包括物联网设备每个周期所产生的平均需要卸载的任务输入数据量、每周期中物联网设备与边缘节点设备所产生的平均完成卸载交互的次数。
如上的，其中，任务信息数据包括(Ip,Op,ξp)T，其中,T表示当前任务周期；Ip表示任务p的输入数据量；Op表示任务p的计算完成后的结果数据量；ξp表示任务p需要的计算量。
本申请还提供一种面向智能工厂的任务协同规划系统，该系统包括：基于自组织网络的边缘协同智能架构，边缘协同智能架构包括多个物联网设备和多个边缘节点设备；多个物联网设备与多个边缘节点设备通信连接；
数据收集装置，用于收集所述边缘协同智能架构中所述物联网设备与所述边缘节点设备的交互信息数据；
数据处理器，用于根据交互信息数据，计算边缘节点设备位置部署成本；
获取模块，用于获取边缘节点设备位置部署成本取最优解时的各个边缘节点设备的位置数据，以及计算资源信息数据；
数据处理器，还用于依据边缘节点设备的位置数据和计算资源信息数据，计算各个边缘节点设备的推选成本，获取推选成本最低的边缘节点设备作为核心节点设备；
数据收集装置，还用于在核心节点设备处，收集当前任务周期的任务信息数据；
数据处理器，还根据任务信息数据，对任务执行成本进行计算；
获取模块，还用于获取任务执行成本取最优解时的任务协同策略，并输出任务协同策略结果。
如上的，其中，多个物联网设备将任务卸载发送给边缘节点设备，边缘节点设备进行任务协同计算，获取任务协同策略结果，并将任务协同策略结果发送给物联网设备。
本申请实现的有益效果如下：
(1)本申请通过优化核心节点设备选择成本、边缘节点设备位置部署成本和任务执行成本，有效降低了任务卸载协同过程中产生的时延与能耗，更好地降低了生产成本。
(2)本申请在仅有边缘节点设备的纯分布式边缘协同智能架构下，根据人工智能生产任务的特点、不同边缘节点设备的计算能力与不同任务的计算量进行多任务调度与边缘节点协同，设计任务执行成本，更加适用于智能生产场景，在面向智能生产任务协同时，考虑核心节点设备的选择成本损耗，使得核心节点设备的选择更加符合实际场景。
(3)本申请通过合理设置时延与能耗的敏感系数，实现物联网设备对于时延与能耗的敏感性需求。
(4)本申请依据边缘协同智能架构的特点，根据任务量的长期统计信息，设计边缘节点设备的位置部署方案，在智能生产中获得长期的利益。
附图说明
为了更清楚地说明本申请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申请中记载的一些实施例，对于本领域技术人员来讲，还可以根据这些附图获得其他的附图。
图1为本申请实施例的一种面向智能工厂的任务协同规划方法的流程图。
图2为本申请实施例的计算边缘节点设备位置部署成本的方法流程图。
图3为本申请实施例的获取边缘节点设备位置数据的方法流程图。
图4为本申请实施例的获取核心节点设备的方法流程图。
图5为本申请实施例的一种面向智能工厂的任务协同规划系统的结构示意图。
图6为本申请实施例的边缘协同智能架构的结构示意图。
附图标记：10-边缘协同智能架构；20-数据收集装置；30-数据处理器；40-获取模块；11-物联网设备；12-边缘节点设备；100-任务协同规划系统。
具体实施方式
下面结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域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，都属于本申请保护的范围。
实施例一
如图1所示，本申请提供一种面向智能工厂的任务协同规划方法，该方法包括如下步骤：
步骤S1，收集边缘协同智能架构中物联网设备与边缘节点设备的交互信息数据。
预先在边缘节点网络中建立自组织网络，搭建基于自组织网络的边缘协同智能架构,设在边缘节点网络中由M个可供任务计算的边缘节点设备组成自组织网络，并且设任务协作策略更新的周期为TS，在周期TS中共有K个物联网(IoTs)设备。
基于自组织网络的虚拟云不需依赖远程服务器，而是由一组移动设备协同计算并完成任务。
定义边缘协同智能架构中的系统总成本如下：
Figure GDA0003517268550000061
其中,f表示系统总成本；
Figure GDA0003517268550000062
表示任务的执行成本，
Figure GDA0003517268550000063
表示边缘节点设备的位置部署成本、ZS表示核心节点设备的推选成本；M表示可供任务计算的边缘节点设备总个数。
历史信息收集模块中，由系统对长期历史统计交互信息数据进行收集，交互信息数据包括物联网(IoTs)设备每个周期TS所产生的平均需要卸载的任务输入数据量
Figure GDA0003517268550000064
每周期TS中物联网(IoTs)设备与边缘节点设备m所产生的平均完成卸载交互的次数
Figure GDA0003517268550000071
步骤S2，根据交互信息数据，计算边缘节点设备位置部署成本。
如图2所示，步骤S2包括如下子步骤：
步骤S210，根据交互信息数据，确定物联网设备与各个边缘节点设备交互次数超过预设阈值的物联网设备集合Am。
作为本发明的一个具体实施例，若物联网设备与各个边缘节点设备交互次数均未超过预设阈值，则无需重新对边缘节点设备位置进行部署，否则，重新对边缘节点设备的位置进行部署。
具体的，比较每周期TS中物联网设备与边缘节点设备m所产生的平均完成卸载交互的次数
Figure GDA0003517268550000072
与预设阈值aS的大小，若
Figure GDA0003517268550000073
大于或等于aS，则将该物联网设备作为集合Am中的一个元素。具体的表示为：
Figure GDA0003517268550000074
k表示
Figure GDA0003517268550000075
大于或等于aS的物联网设备。
步骤S220，基于物联网设备集合Am，计算边缘节点设备位置部署成本。
具体的，边缘节点设备位置部署成本计算公式如下：
Figure GDA0003517268550000076
其中，
Figure GDA0003517268550000077
表示边缘节点设备位置部署成本；rm,k表示边缘节点设备m与物联网(IoTs)设备k之间的信号传输速度；
Figure GDA0003517268550000078
表示属于集合Am的物联网(IoTs)设备每个周期TS所产生的平均需要卸载的任务输入数据量。
其中，信号传输速度rm,k的计算公式如下：
Figure GDA0003517268550000079
其中，rm,k与边缘节点设备m的位置
Figure GDA00035172685500000710
有关；BI为边缘节点设备用于与物联网(IoTs)设备通信链路的总带宽，pI为物联网(IoTs)设备的信号发送功率，
Figure GDA00035172685500000711
表示边缘节点设备与物联网设备距离为1m的信道增益，dm,k为边缘节点设备m与物联网(IoTs)设备k的距离；σ2表示噪声功率。
步骤S3，获取边缘节点设备位置部署成本取最优解时的各个边缘节点设备的位置数据，以及计算资源信息数据。
具体的，利用连续凸近似方法获取边缘节点设备位置部署成本取最优解时的各个边缘节点设备的位置数据。
如图3所示，步骤S3包括如下子步骤：
步骤S310，初始化边缘节点设备的位置部署矩阵u0，并令边缘节点设备m的第一代位置变量为
Figure GDA0003517268550000081
步骤S320，根据当前迭代中各个边缘节点设备位置变量得到边缘节点设备位置部署成本
Figure GDA0003517268550000082
的凸函数。
步骤S330，采用凸优化工具箱计算该凸函数的最优解，并依据Armijo(不精确的一维搜索)准则动态调整步长，得到下一代的解。
步骤S340，判断边缘节点设备位置部署成本是否稳定收敛或者达到最大迭代次数，若是，则输出边缘节点设备位置数据，以及各个边缘节点设备的计算资源信息数据；否则，返回到步骤S320。
作为本发明的具体实施例，用u表示边缘节点设备的位置部署矩阵，矩阵元素
Figure GDA0003517268550000083
表示边缘节点设备m的位置矢量。
步骤S4，依据边缘节点设备的位置数据和计算资源信息数据，计算各个边缘节点设备的推选成本，获取推选成本最低的边缘节点设备作为核心节点设备。
如图4所示，步骤S4包括如下子步骤：
步骤S410，依据边缘节点设备的位置数据和计算资源信息数据，各个边缘节点设备计算自身的推选成本。
其中，计算资源信息数据包括边缘节点m(m∈M)所剩的计算资源与初始计算资源。
具体的，各个边缘节点设备的推选成本计算公式如下：
Figure GDA0003517268550000084
其中，Qm＝{j|节点j属于边缘节点m的邻居节点}表示与边缘节点m直接相连的相邻节点集合，ZS表示边缘节点设备的推选成本；cm和c0分别为边缘节点m(m∈M)所剩的计算资源与初始计算资源，IN表示邻居节点之间交换信息时的固定开销，II表示边缘节点设备向物联网设备收集任务信息(包括任务的计算量、任务的输入数据量等信息)时的固定开销，
Figure GDA0003517268550000091
表示边缘节点设备m的相邻节点至边缘节点设备m的平均传输速率，
Figure GDA0003517268550000092
表示物联网设备k至边缘节点设备m的平均传输速率。
步骤S420，各个边缘节点设备获取相邻边缘节点设备的推选成本。
步骤S430，各个边缘节点设备将所有相邻边缘节点设备的推选成本与自身的推选成本进行比较，获取推选成本最低的边缘节点设备作为待选核心节点设备。
步骤S440，所有待选核心节点设备互相交互，分别比较推选成本，迭代出推选成本最低的边缘节点设备作为核心节点设备。
步骤S5，在核心节点设备处，收集当前任务周期的任务信息数据。
具体的，核心节点设备推选完成后，由核心节点设备的任务信息收集模块向各个物联网设备收集本任务周期的任务信息。
任务信息数据包括(Ip,Op,ξp)T，其中,T表示当前任务周期；Ip表示任务p的输入数据量；Op表示任务p的计算完成后的结果数据量；ξp表示任务p需要的计算量。
步骤S6，根据任务信息数据，对任务执行成本进行计算。
假设在智能生产过程的任务协作策略更新周期为TS中，物联网设备共产生了P项任务需要进行计算，任务可以根据任务信息选择将不同的部分在本地或者边缘节点设备网络中协同执行。
步骤S6包括：
步骤S610，设定任务分配变量矩阵为λ。
具体的，任务分配变量矩阵的元素为λm,p(m∈(M+1),p∈P)。矩阵元素λm,p(m∈(M+1),p∈P)为在[0,1]区间中的连续变量，表示任务p中比例为λm,p的部分选择在边缘节点设备m进行执行。
当λm,p>0时，物联网设备k向边缘节点设备m发送卸载请求，边缘节点设备m协助其完成比例为λm,p的部分任务计算，λm,p＝0则相反。若m＝M+1，并且当λM+1,p>0时，说明物联网设备k比例为λM+1,p的任务通过本地执行计算，否则相反。
步骤S620，通过并行方式执行生产任务。
具体的，通过并行方式执行人工智能生产任务。
步骤S630，计算任务执行成本。
具体的，任务执行成本的计算公式为：
Figure GDA0003517268550000101
其中，
Figure GDA0003517268550000102
分别为任务p在边缘节点设备与本地设备的任务执行时间，
Figure GDA0003517268550000103
为任务p的卸载至边缘的传输时延，
Figure GDA0003517268550000104
分别表示卸载至边缘节点设备与本地执行时物联网设备的能量损耗，其均与协同策略矩阵λ(任务分配变量矩阵)有关。β1,β2分别表示时延和能耗成本在总成本中所占的权重，0≤β1,β2≤1并且β1+β2＝1，两个权重分别表示物联网设备对计算时延与能耗的敏感性。
步骤S7，获取任务执行成本取最优解时的任务协同策略，并输出任务协同策略结果。
具体的，限制各个物联网设备能够卸载的最大节点数量，采取分组变量优化的方法获得任务执行成本最低的任务协同策略。
步骤S8，对任务协同策略结果进行广播。
实施例二
如图5和6所示，本申请提供一种面向智能工厂的任务协同规划系统100，该系统包括：基于自组织网络的边缘协同智能架构10，边缘协同智能架构10包括多个物联网设备11和多个边缘节点设备12；多个物联网设备11与多个边缘节点设备12通信连接；多个边缘节点设备12之间进行任务协同。
数据收集装置20，用于收集所述边缘协同智能架构中所述物联网设备与所述边缘节点设备的交互信息数据；
数据处理器30，用于根据交互信息数据，计算边缘节点设备位置部署成本；
获取模块40，用于获取边缘节点设备位置部署成本取最优解时的各个边缘节点设备的位置数据，以及计算资源信息数据；
数据处理器30，还用于依据边缘节点设备的位置数据和计算资源信息数据，计算各个边缘节点设备的推选成本，获取推选成本最低的边缘节点设备作为核心节点设备；
数据收集装置20，还用于在核心节点设备处，收集当前任务周期的任务信息数据；
数据处理器30，还根据任务信息数据，对任务执行成本进行计算；
获取模块40，还用于获取任务执行成本取最优解时的任务协同策略，并输出任务协同策略结果。
如图6所示，多个物联网设备11获取视频数据、图像数据和温湿度数据等，对获取的数据进行预处理，对数据进行预处理后形成任务。多个物联网设备11将任务卸载发送给边缘节点设备12，边缘节点设备12进行任务协同计算，获取任务协同策略结果，并将任务协同策略结果发送给物联网设备11。
本申请实现的有益效果如下：
(1)本申请通过优化核心节点设备选择成本、边缘节点设备位置部署成本和任务执行成本，有效降低了任务卸载协同过程中产生的时延与能耗，更好地降低了生产成本。
(2)本申请在仅有边缘节点设备的纯分布式边缘协同智能架构下，根据人工智能生产任务的特点、不同边缘节点设备的计算能力与不同任务的计算量进行多任务调度与边缘节点协同，设计任务执行成本，更加适用于智能生产场景，在面向智能生产任务协同时，考虑核心节点设备的选择成本损耗，使得核心节点设备的选择更加符合实际场景。
(3)本申请通过合理设置时延与能耗的敏感系数，实现物联网设备对于时延与能耗的敏感性需求。
(4)本申请依据边缘协同智能架构的特点，根据任务量的长期统计信息，设计边缘节点设备的位置部署方案，在智能生产中获得长期的利益。
上所述仅为本发明的实施方式而已，并不用于限制本发明。对于本领域技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原理的内所做的任何修改、等同替换、改进等，均应包括在本发明的权利要求范围之内。

Claims (9)

1.一种面向智能工厂的任务协同规划方法，其特征在于，该方法包括如下步骤：
收集边缘协同智能架构中物联网设备与边缘节点的交互信息数据；
根据交互信息数据，计算边缘节点位置部署成本；
获取边缘节点位置部署成本取最优解时的各个边缘节点的位置数据，以及计算资源信息数据；
依据边缘节点的位置数据和计算资源信息数据，计算各个边缘节点的推选成本，获取推选成本最低的边缘节点作为核心节点；
在核心节点处，收集当前任务周期的任务信息数据；
根据任务信息数据，对任务执行成本进行计算；
获取任务执行成本取最优解时的任务协同策略，并输出任务协同策略结果；
其中，边缘节点位置部署成本计算公式如下：
Figure FDA0003543497580000011
其中，
Figure FDA0003543497580000012
表示边缘节点位置部署成本；rm,k表示边缘节点m与物联网设备k之间的信号传输速度；
Figure FDA0003543497580000016
表示属于集合Am的物联网设备每个周期TS所产生的平均需要卸载的任务输入数据量；集合Am为根据交互信息数据确定的物联网设备与各个边缘节点交互次数超过预设阈值的物联网设备集合；
其中，信号传输速度rm,k的计算公式如下：
Figure FDA0003543497580000013
其中，rm,k与边缘节点m的位置数据
Figure FDA0003543497580000014
有关；BI为边缘节点用于与物联网设备通信链路的总带宽，pI为物联网设备的信号发送功率，
Figure FDA0003543497580000015
表示边缘节点与物联网设备距离为1m的信道增益，dm,k为边缘节点m与物联网设备k的距离；σ2表示噪声功率；
其中，各个边缘节点的推选成本计算公式如下：
Figure FDA0003543497580000021
其中，
Qm＝{j|边缘节点j属于边缘节点m的邻居节点}表示与边缘节点m直接相连的相邻节点集合，ZS表示边缘节点的推选成本；cm和c0分别为边缘节点m所剩的计算资源与初始计算资源，m∈M，M表示可供任务计算的边缘节点总个数，IN表示邻居节点之间交换信息时的固定开销，II表示边缘节点向物联网设备收集任务信息时的固定开销，收集任务信息包括任务的计算量或任务的输入数据量，
Figure FDA0003543497580000022
表示边缘节点m的相邻节点至边缘节点m的平均传输速率，
Figure FDA0003543497580000023
表示物联网设备k至边缘节点m的平均传输速率。
2.根据权利要求1所述的面向智能工厂的任务协同规划方法，其特征在于，预先在边缘节点网络中建立自组织网络，搭建基于自组织网络的边缘协同智能架构,设在边缘节点网络中由M个可供任务计算的边缘节点组成自组织网络，并且设任务协作策略更新的周期为TS，在周期TS中共有K个物联网设备。
3.根据权利要求1所述的面向智能工厂的任务协同规划方法，其特征在于，获取边缘节点位置部署成本取最优解时的各个边缘节点的位置数据的方法包括：
初始化边缘节点的位置部署矩阵u0，并令边缘节点m的第一代位置变量为
Figure FDA0003543497580000024
根据当前迭代中各个边缘节点位置变量得到边缘节点位置部署成本的凸函数；
计算该凸函数的最优解，并动态调整步长，得到下一代的解；
判断边缘节点位置部署成本是否稳定收敛或者达到最大迭代次数，若是，则输出边缘节点位置数据；否则，返回获得新的凸函数。
4.根据权利要求1所述的面向智能工厂的任务协同规划方法，其特征在于，获取推选成本最低的边缘节点作为核心节点的方法包括：
各个边缘节点获取相邻边缘节点的推选成本；
各个边缘节点将所有相邻边缘节点的推选成本与自身的推选成本进行比较，获取推选成本最低的边缘节点作为待选核心节点；
所有待选核心节点互相交互，分别比较推选成本，迭代出推选成本最低的边缘节点作为核心节点。
5.根据权利要求1所述的面向智能工厂的任务协同规划方法，其特征在于，限制各个物联网设备能够卸载的最大节点数量，采取分组变量优化的方法获得任务执行成本最低的任务协同策略。
6.根据权利要求1所述的面向智能工厂的任务协同规划方法，其特征在于，
交互信息数据包括物联网设备每个周期所产生的平均需要卸载的任务输入数据量和每周期中物联网设备与边缘节点所产生的平均完成卸载交互的次数。
7.根据权利要求1所述的面向智能工厂的任务协同规划方法，其特征在于，任务信息数据包括(Ip,Op,ξp)T，其中,T表示当前任务周期；Ip表示任务p的输入数据量；Op表示任务p的计算完成后的结果数据量；ξp表示任务p需要的计算量。
8.一种面向智能工厂的任务协同规划系统，其特征在于，该系统包括：基于自组织网络的边缘协同智能架构，边缘协同智能架构包括多个物联网设备和多个边缘节点；多个物联网设备与多个边缘节点通信连接；
数据收集装置，用于收集所述边缘协同智能架构中所述物联网设备与所述边缘节点的交互信息数据；
数据处理器，用于根据交互信息数据，计算边缘节点位置部署成本；
获取模块，用于获取边缘节点位置部署成本取最优解时的各个边缘节点的位置数据，以及计算资源信息数据；
数据处理器，还用于依据边缘节点的位置数据和计算资源信息数据，计算各个边缘节点的推选成本，获取推选成本最低的边缘节点作为核心节点；
数据收集装置，还用于在核心节点处，收集当前任务周期的任务信息数据；
数据处理器，还根据任务信息数据，对任务执行成本进行计算；
获取模块，还用于获取任务执行成本取最优解时的任务协同策略，并输出任务协同策略结果；
其中，边缘节点位置部署成本计算公式如下：
Figure FDA0003543497580000041
其中，
Figure FDA0003543497580000042
表示边缘节点位置部署成本；rm,k表示边缘节点m与物联网设备k之间的信号传输速度；
Figure FDA0003543497580000043
表示属于集合Am的物联网设备每个周期TS所产生的平均需要卸载的任务输入数据量；集合Am为根据交互信息数据，确定物联网设备与各个边缘节点交互次数超过预设阈值的物联网设备集合；
其中，信号传输速度rm,k的计算公式如下：
Figure FDA0003543497580000044
其中，rm,k与边缘节点m的位置数据
Figure FDA0003543497580000045
有关；BI为边缘节点用于与物联网设备通信链路的总带宽，pI为物联网设备的信号发送功率，
Figure FDA0003543497580000046
表示边缘节点与物联网设备距离为1m的信道增益，dm,k为边缘节点m与物联网设备k的距离；σ2表示噪声功率；
其中，各个边缘节点的推选成本计算公式如下：
Figure FDA0003543497580000047
其中，Qm＝{j|边缘节点j属于边缘节点m的邻居节点}表示与边缘节点m直接相连的相邻节点集合，ZS表示边缘节点的推选成本；cm和c0分别为边缘节点m所剩的计算资源与初始计算资源，m∈M，M表示可供任务计算的边缘节点总个数，IN表示邻居节点之间交换信息时的固定开销，II表示边缘节点向物联网设备收集任务信息时的固定开销，收集任务信息包括任务的计算量或任务的输入数据量，
Figure FDA0003543497580000048
表示边缘节点m的相邻节点至边缘节点m的平均传输速率，
Figure FDA0003543497580000049
表示物联网设备k至边缘节点m的平均传输速率。
9.根据权利要求8所述的面向智能工厂的任务协同规划系统，其特征在于，多个物联网设备将任务卸载发送给边缘节点，边缘节点进行任务协同计算，获取任务协同策略结果，并将任务协同策略结果发送给物联网设备。
CN202110577727.6A 2021-05-26 2021-05-26 一种面向智能工厂的任务协同规划方法及系统 Active CN113315659B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110577727.6A CN113315659B (zh) 2021-05-26 2021-05-26 一种面向智能工厂的任务协同规划方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110577727.6A CN113315659B (zh) 2021-05-26 2021-05-26 一种面向智能工厂的任务协同规划方法及系统

Publications (2)

Publication Number Publication Date
CN113315659A CN113315659A (zh) 2021-08-27
CN113315659B true CN113315659B (zh) 2022-04-22

Family

ID=77375120

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110577727.6A Active CN113315659B (zh) 2021-05-26 2021-05-26 一种面向智能工厂的任务协同规划方法及系统

Country Status (1)

Country Link
CN (1) CN113315659B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114172810B (zh) * 2021-12-14 2023-09-22 北京恒泰实达科技股份有限公司 一种基于物联网技术的可视化导播流程控制方法
CN116795069B (zh) * 2023-08-29 2023-11-14 成都拓林思软件有限公司 一种基于边缘计算的智能制造方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111953759A (zh) * 2020-08-04 2020-11-17 国网河南省电力公司信息通信公司 基于强化学习的协同计算任务卸载和迁移的方法及装置
CN112004239A (zh) * 2020-08-11 2020-11-27 中国科学院计算机网络信息中心 一种基于云边协同的计算卸载方法及系统

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109684075B (zh) * 2018-11-28 2023-04-07 深圳供电局有限公司 一种基于边缘计算和云计算协同进行计算任务卸载的方法
US11711268B2 (en) * 2019-04-30 2023-07-25 Intel Corporation Methods and apparatus to execute a workload in an edge environment
CN110769059B (zh) * 2019-10-28 2021-08-17 中国矿业大学 一种面向区域性边缘计算物联网的协作服务部署与业务分配方法
CN111585916B (zh) * 2019-12-26 2023-08-01 国网辽宁省电力有限公司电力科学研究院 基于云边协同的lte电力无线专网任务卸载和资源分配方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111953759A (zh) * 2020-08-04 2020-11-17 国网河南省电力公司信息通信公司 基于强化学习的协同计算任务卸载和迁移的方法及装置
CN112004239A (zh) * 2020-08-11 2020-11-27 中国科学院计算机网络信息中心 一种基于云边协同的计算卸载方法及系统

Also Published As

Publication number Publication date
CN113315659A (zh) 2021-08-27

Similar Documents

Publication Publication Date Title
CN113315659B (zh) 一种面向智能工厂的任务协同规划方法及系统
CN108809695B (zh) 一种面向移动边缘计算的分布上行链路卸载策略
CN111093203A (zh) 一种基于环境感知的服务功能链低成本智能部署方法
WO2023040022A1 (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
CN113207136A (zh) 一种联合优化计算卸载和资源分配的方法及装置
CN110381161B (zh) 电力物联网系统中基于博弈论的资源调度方法
CN114340016A (zh) 一种电网边缘计算卸载分配方法及系统
CN113641504A (zh) 用于提升多智能体强化学习边缘计算效果的信息交互方法
CN115879723A (zh) 一种基于云边端一体化平台的算力资源调度系统及调度方法
CN114650228A (zh) 一种异构网络中基于计算卸载的联邦学习调度方法
CN113573363A (zh) 基于深度强化学习的mec计算卸载与资源分配方法
CN113821346B (zh) 基于深度强化学习的边缘计算中计算卸载与资源管理方法
CN111796880A (zh) 一种边缘云计算任务的卸载调度方法
Zhu et al. Dynamic task offloading in power grid internet of things: A fast-convergent federated learning approach
CN117156492A (zh) 一种基于深度强化学习的联合服务缓存、通信与计算的双时间尺度资源分配方法
CN112312299A (zh) 服务卸载方法、装置及系统
Zhou et al. Robust Risk-Sensitive Task Offloading for Edge-Enabled Industrial Internet of Things
CN114884957B (zh) 空天地网络中的计算任务卸载方法、装置和电子设备
CN116820603A (zh) 一种基于深度强化学习的智慧工厂冗余卸载方法
CN116170881A (zh) 一种基于边缘计算的跨域资源分配与卸载方法及系统
CN113157344B (zh) 移动边缘计算环境下基于drl的能耗感知任务卸载方法
CN112969157B (zh) 一种无人机网络负载均衡方法
CN112333810A (zh) 一种基于tmpa算法的分层无线传感器网络拓扑优化方法
Cen et al. Resource Allocation Strategy Using Deep Reinforcement Learning in Cloud-Edge Collaborative Computing Environment
El Ghmary et al. Multi-task Offloading and Computational Resources Management in a 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