CN113391893A - 基于改进蚁群的任务调度方法、装置、设备及存储介质 - Google Patents

基于改进蚁群的任务调度方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN113391893A
CN113391893A CN202110617694.3A CN202110617694A CN113391893A CN 113391893 A CN113391893 A CN 113391893A CN 202110617694 A CN202110617694 A CN 202110617694A CN 113391893 A CN113391893 A CN 113391893A
Authority
CN
China
Prior art keywords
target
ant colony
preset
task scheduling
data
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
CN202110617694.3A
Other languages
English (en)
Inventor
路松峰
夏瑞
汤先毅
尹帆
吴俊军
徐科
郑波尽
朱建新
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.)
Huazhong University of Science and Technology
South Central Minzu University
Original Assignee
Huazhong University of Science and Technology
South Central University for Nationalities
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 Huazhong University of Science and Technology, South Central University for Nationalities filed Critical Huazhong University of Science and Technology
Priority to CN202110617694.3A priority Critical patent/CN113391893A/zh
Publication of CN113391893A publication Critical patent/CN113391893A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本发明属于云计算技术领域，公开了一种基于改进蚁群的任务调度方法、装置设备及存储介质。该方法包括：获取数据采集指令，以使数据采集器根据所述数据采集指令反馈目标数据；通过预设改进蚁群模型对所述目标数据进行任务调度，以获取所述目标数据对应的目标路径；将所述目标数据通过所述目标路径发送至目标云端服务器，以完成任务调度。通过上述方式，在传统的蚁群算法上加以改进，利用改进的蚁群模型进行任务调度，保证了在任务调度的过程中数据传输的实时性，提高了调度的稳定性，同时基于改进的蚁群算法去查找任务调度过程中的目标路径，避免了调度过程中边缘设备负载过大而导致的系统瘫痪。

Description

基于改进蚁群的任务调度方法、装置、设备及存储介质
技术领域
本发明涉及云计算技术领域，尤其涉及一种基于改进蚁群的任务调度方法、装置、设备及存储介质。
背景技术
现有技术中，时间敏感网络下的工业物联网需要保证实时网络具有确定的网络延迟与延迟抖动。当大量的数据通过数据链路层在网络中进行传输时，会造成网络的延迟，主要包括链路的信号传播延迟、端口转发数据时的处理延迟、端口队列中的排队延迟以及数据在线路中串行传输时的传输延迟。受限于物理硬件，多个数据包不能同时通过同一个输出端口，导致在任务调度中数据传输有延迟，同时调度的顺序不一致导致调度过程不够稳定。
上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供一种基于改进蚁群的任务调度方法、装置、设备及存储介质，旨在解决现有技术任务调度中数据传输有延迟以及调度过程不够稳定的技术问题。
为实现上述目的，本发明提供了一种基于改进蚁群的任务调度方法，所述方法包括以下步骤:
获取数据采集指令，以使数据采集器根据所述数据采集指令反馈目标数据；
通过预设改进蚁群模型对所述目标数据进行任务调度，以获取所述目标数据对应的目标路径；
将所述目标数据通过所述目标路径发送至目标云端服务器，以完成任务调度。
根据所述数据采集指令确定对应的目标终端信息；
将所述数据采集指令和所述目标终端信息发送至数据采集器，以使数据采集器根据所述数据采集指令和所述目标终端信息反馈目标数据。
可选地，所述获取数据采集指令，以使数据采集器根据所述数据采集指令反馈目标数据，包括：
根据所述数据采集指令确定对应的目标终端信息；
将所述数据采集指令和所述目标终端信息发送至数据采集器，以使数据采集器根据所述数据采集指令和所述目标终端信息反馈目标数据。
可选地，所述通过预设改进蚁群模型对所述目标数据进行任务调度，以获取所述目标数据对应的目标路径，包括：
获取预设网络拓扑图；
基于所述预设网络拓扑图采用预设改进蚁群游走规则对所述目标数据进行游走，以获得所述目标数据对应的目标游走链；
根据所述目标游走链确定对应的路径集合；
基于所述路径集合确定对应的目标路径。
可选地，所述基于所述预设网络拓扑图采用预设改进蚁群游走规则对所述目标数据进行游走，以获得所述目标数据对应的目标游走链，包括：
获取预设参数；
将所述预设参数初始化，以得到目标参数；
选取所述预设网络拓扑图中与所述数据采集器连接的边缘侧设备节点为第一边缘节点；
基于所述目标参数和所述第一边缘节点根据预设路径构建规则开始游走，以得到目标边缘节点；
连接所述第一边缘节点和目标边缘节点，以获得所述目标数据对应的目标游走链。
可选地，所述基于所述目标参数和所述第一边缘节点根据预设路径构建规则开始游走，以得到目标边缘节点，包括：
将所述第一边缘节点添加至预设禁忌表，以得到更新后的第一可游走边缘节点表；
基于所述第一可游走边缘表、所述目标参数以及所述第一边缘节点根据预设路径构建规则开始游走，以得到初始边缘节点；
将所述初始边缘节点添加至预设禁忌表，以得到更新后的第二可游走边缘节点表；
基于所述第二可游走节点表、所述目标参数以及所述初始边缘节点根据预设路径构建规则开始游走，以得到目标边缘节点。
可选地，所述基于所述第二可游走节点表、所述目标参数以及所述初始边缘节点根据预设路径构建规则开始游走，以得到目标边缘节点之前，还包括：
判断所述第二边缘游走节点表中的边缘节点数量是否达到预设节点阈值；
若所述第二边缘游走节点表中的边缘节点数量未达到预设节点阈值，则执行基于所述第二可游走节点表、所述目标参数以及所述初始边缘节点根据预设路径构建规则开始游走，以得到目标边缘节点的步骤。
可选地，所述基于所述路径集合确定对应的目标路径之前，还包括：
判断所述路径集合中的路径数量是否超过预设路径数量；
若所述路径数量超过所述预设路径数量，则执行基于所述路径集合确定对应的目标路径的步骤。
此外，为实现上述目的，本发明还提出一种基于改进蚁群的任务调度装置，所述基于改进蚁群的任务调度装置包括：
获取模块，用于获取数据采集指令，以使数据采集器根据所述数据采集指令反馈目标数据；
调度模块，用于通过预设改进蚁群模型对所述目标数据进行任务调度，以获取所述目标数据对应的目标路径；
发送模块，用于将所述目标数据通过所述目标路径发送至目标云端服务器，以完成任务调度。
此外，为实现上述目的，本发明还提出一种基于改进蚁群的任务调度设备，所述基于改进蚁群的任务调度设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于改进蚁群的任务调度程序，所述基于改进蚁群的任务调度程序配置为实现如上文所述的基于改进蚁群的任务调度方法的步骤。
此外，为实现上述目的，本发明还提出一种存储介质，所述存储介质上存储有基于改进蚁群的任务调度程序，所述基于改进蚁群的任务调度程序被处理器执行时实现如上文所述的基于改进蚁群的任务调度方法的步骤。
本发明通过获取数据采集指令，以使数据采集器根据所述数据采集指令反馈目标数据；通过预设改进蚁群模型对所述目标数据进行任务调度，以获取所述目标数据对应的目标路径；将所述目标数据通过所述目标路径发送至目标云端服务器，以完成任务调度。通过上述方式，在传统的蚁群算法上加以改进，利用改进的蚁群模型进行任务调度，保证了在任务调度的过程中数据传输的实时性，提高了调度的稳定性，同时基于改进的蚁群算法去查找任务调度过程中的目标路径，避免了调度过程中边缘设备负载过大而导致的系统瘫痪。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的基于改进蚁群的任务调度设备的结构示意图；
图2为本发明基于改进蚁群的任务调度方法第一实施例的流程示意图；
图3为本发明基于改进蚁群的任务调度方法第二实施例的流程示意图；
图4为本发明基于改进蚁群的任务调度方法一实施例的整体流程示意图；
图5为本发明基于改进蚁群的任务调度装置第一实施例的结构框图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
参照图1，图1为本发明实施例方案涉及的硬件运行环境的基于改进蚁群的任务调度设备结构示意图。
如图1所示，该基于改进蚁群的任务调度设备可以包括：处理器1001，例如中央处理器(Central Processing Unit，CPU)，通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(WIreless-FIdelity，WI-FI)接口)。存储器1005可以是高速的随机存取存储器(RandomAccess Memory，RAM)存储器，也可以是稳定的非易失性存储器(Non-Volatile Memory，NVM)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解，图1中示出的结构并不构成对基于改进蚁群的任务调度设备的限定，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。
如图1所示，作为一种存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及基于改进蚁群的任务调度程序。
在图1所示的基于改进蚁群的任务调度设备中，网络接口1004主要用于与网络服务器进行数据通信；用户接口1003主要用于与用户进行数据交互；本发明基于改进蚁群的任务调度设备中的处理器1001、存储器1005可以设置在基于改进蚁群的任务调度设备中，所述基于改进蚁群的任务调度设备通过处理器1001调用存储器1005中存储的基于改进蚁群的任务调度程序，并执行本发明实施例提供的基于改进蚁群的任务调度方法。
本发明实施例提供了一种基于改进蚁群的任务调度方法，参照图2，图2为本发明一种基于改进蚁群的任务调度方法第一实施例的流程示意图。
本实施例中，所述基于改进蚁群的任务调度方法包括以下步骤：
步骤S10：获取数据采集指令，以使数据采集器根据所述数据采集指令反馈目标数据。
需要说明的是，本实施例的执行主体为边缘层设备，边缘层设备包括但不限于边缘层设备和路由设备，边缘层设备可以将目标数据传输到应用层的云端服务器。
可以理解的是，所述数据采集指令是云端服务器发出的指令，所述数据采集器指的是系统的数据采集适配器。
在具体实现中，所述目标数据是终端设备即底层设备需要卸载到云端的无效数据。
为了能够更为准确的获得目标数据，提高获取数据的效率，进一步地，所述获取数据采集指令，以使数据采集器根据所述数据采集指令反馈目标数据，包括：根据所述数据采集指令确定对应的目标终端信息；将所述数据采集指令和所述目标终端信息发送至数据采集器，以使数据采集器根据所述数据采集指令和所述目标终端信息反馈目标数据。
需要说明的是，在获取到数据采集指令后，需要识别数据采集指令中所包含终端的地址信息，从而确定对应的目标终端。
应当理解的是，在确定了对应的目标终端后，将数据采集指令和目标终端信息都发送至对应的数据采集适配器，数据采集适配器基于数据采集指令在获取对应的目标终端的目标数据，边缘层设备接收数据采集适配器所反馈的目标数据。
步骤S20：通过预设改进蚁群模型对所述目标数据进行任务调度，以获取所述目标数据对应的目标路径。
需要说明的是，在得到目标数据后，边缘层设备需要选择从数据采集适配器到云端服务器的最短路径作为目标路径将目标数据进行传输，以实现目标数据的任务调度。
需要说明的是，预设改进蚁群模型指的是基于传统蚁群算法进行改进后的改进蚁群算法模型。通过预设数据库中的目标数据，边缘层设备、云端服务器以及数据采集适配器对基于改进蚁群算法的初始模型进行训练，最终得到预设改进蚁群算法。
可以理解的是，所述预设改进蚁群模型中的改进蚁群算法是在传统蚁群算法的基础上，改变了传统蚁群中的信息素挥发的百分比，改进后的蚁群算法中初始信息素
Figure BDA0003097467630000061
式中A为一个常数，allowedk(i)表示蚂蚁k下一步可以选择的边缘层设备节点集合，count(allowedk(i))可以计算当前边缘层设备节点的相邻的不可通行节点个数，在当前节点周围不可通行的节点数量越多、距离越近，该路径的初始信息素就越小，反之越大。信息素更新量
Figure BDA0003097467630000062
式中，R为一个常数，distij表示边缘层设备i和边缘层设备j之间的距离，loadj表示边缘层设备j当前的负载大小，ε和μ为平衡系数，取值范围为[0，1]，用于维持距离和负载分别对于信息素更新量的相对重要程度，同时，全局信息素更新规则为
Figure BDA0003097467630000071
式中(1-ρ)就是信息素的维持系数，m是常数，n为蚁群数量，τmax限制了每条链路上的信息素浓度的范围，信息素挥发的百分比ρ的初始值为0.9，在蚁群的迭代中为连续性的变化，符合衰变率方程，在第t次迭代时的信息素挥发率ρ(t)符合如下公式：
Figure BDA0003097467630000072
其中t为迭代次数，k为常数，k越大，衰变越快，k越小，衰变越慢。同时在改进后的蚁群算法中具有的最优解表的大小为5，能够记录5个最优解的路径、负载服务器、以及距离等信息。
步骤S30：将所述目标数据通过所述目标路径发送至目标云端服务器，以完成任务调度。
需要说明的是，在根据改进蚁群模型查找到对应的目标路径后，边缘层设备将目标数据通过目标路径传输到目标服务器，最终完成调度任务，将需要卸载的目标数据进行卸载。
本实施例通过获取数据采集指令，以使数据采集器根据所述数据采集指令反馈目标数据；通过预设改进蚁群模型对所述目标数据进行任务调度，以获取所述目标数据对应的目标路径；将所述目标数据通过所述目标路径发送至目标云端服务器，以完成任务调度。通过上述方式，在传统的蚁群算法上加以改进，利用改进的蚁群模型进行任务调度，保证了在任务调度的过程中数据传输的实时性，提高了调度的稳定性，同时基于改进的蚁群算法去查找任务调度过程中的目标路径，避免了调度过程中边缘设备负载过大而导致的系统瘫痪。
参考图3，图3为本发明一种基于改进蚁群的任务调度方法第二实施例的流程示意图。
基于上述第一实施例，本实施例基于改进蚁群的任务调度方法在所述步骤S20，包括：
步骤S201：获取预设网络拓扑图。
需要说明的是，所述预设网络拓扑图为G＝(V,E)，其中G为无向图，V为边缘层设备节点集合，包括但不限于边缘服务器节点和路由器节点，E是相邻节点的链路集合，包括但不限于路由器至路由器、路由器至服务器、服务器至服务器的链路。
步骤S202：基于所述预设网络拓扑图采用预设改进蚁群游走规则对所述目标数据进行游走，以获得所述目标数据对应的目标游走链。
需要说明的是，在得到预设的网络拓扑图后，需要根据预设的游走规则进行节点选取，最终连接连接选取后的节点链路，以得到对应的目标游走链。
为了能够获取使获取到的目标游走链上的边缘层设备的负载在合理范围内，同时游走链的长度也能够更短，提高调度的效率，进一步地，所述基于所述预设网络拓扑图采用预设改进蚁群游走规则对所述目标数据进行游走，以获得所述目标数据对应的目标游走链，包括：获取预设参数；将所述预设参数初始化，以得到目标参数；选取所述预设网络拓扑图中与所述数据采集器连接的边缘侧设备节点为第一边缘节点；基于所述目标参数和所述第一边缘节点根据预设路径构建规则开始游走，以得到目标边缘节点；连接所述第一边缘节点和目标边缘节点，以获得所述目标数据对应的目标游走链。
需要说明的是，所述目标参数指的是初始化后的初始信息素浓度τ0，挥发系数ρ，信息素因子α，启发因子的相对影响程度β，最大迭代次数MaxNum，最优解表最大重复次数MaxN、以及信息素更新平衡系数ε和μ，用来维持边缘节点之间的距离和边缘节点上的负载分别对于信息素更新量的相对重要程度。
可以理解的是，所述第一边缘节点即为源节点，指的是与数据采集适配器直接相连的边缘层设备，所述目标边缘节点指的是距离目标云端服务器最近的边缘层设备。
可以理解的是，路径构建规则指的是基于目标参数和第一边缘节点按照相邻节点选取概率和相邻链路上的信息素浓度选取下一条链路。
例如，设蚂蚁总数为m，dij(i,j＝1,2,...n)表示节点i,j之间的距离，τij(t)表示t时刻节点i,j之间残留信息素的浓度，蚂蚁k按照当前所有链路上信息素浓度按照轮盘赌的方式选取下一条链路，则蚂蚁k在t时刻选择链路i→j的概率为
Figure BDA0003097467630000081
α越大，信息素的浓度在转移中起的作用越大，β越大，表示启发函数在转移中的作用越大，蚂蚁会以较大的概率转移到距离短的相邻接待你，ηij(k)为启发因子，即有边缘节点i转移到边缘节点j的期望程度。当蚂蚁经过一个边缘节点时会释放信息素，在释放信息素的同时，各个节点间连接路径上的信息素逐渐消失，当所有的蚂蚁选择完所有的节点后，各个边缘节点间连接路径上的信息素浓度需要进行全局实时更新。
全局信息素更新规则为
Figure BDA0003097467630000091
为了得到更为符合标准的目标边缘节点，防止边缘层设备因负载过大而影响工作效率，进一步地，所述基于所述目标参数和所述第一边缘节点根据预设路径构建规则开始游走，以得到目标边缘节点，包括：将所述第一边缘节点添加至预设禁忌表，以得到更新后的第一可游走边缘节点表；基于所述第一可游走边缘表、所述目标参数以及所述第一边缘节点根据预设路径构建规则开始游走，以得到初始边缘节点；将所述初始边缘节点添加至预设禁忌表，以得到更新后的第二可游走边缘节点表；基于所述第二可游走节点表、所述目标参数以及所述初始边缘节点根据预设路径构建规则开始游走，以得到目标边缘节点。
需要说明的是，在得到第一边缘节点即源节点后，将源节点加入预设禁忌表tabuk，当蚂蚁基于第二可游走节点表、目标参数和第一边缘节点游走和得到的初始边缘节点，都应将经过的初始边缘节点加入预设禁忌表tabuk，加入预设禁忌表后的边缘节点在蚂蚁k以后的路径选择中都无法被选择。第二边缘节点表为蚂蚁可以选择的节点表。
在具体实现中，蚂蚁基于目标参数以及初始边缘节点游走后，判断当前的节点是否为离目标云端服务器最近的边缘节点，若是，则寻路成功，当前节点即为目标边缘节点，并计算当前边缘节点设备的适应度，将它加入最优解表或备用表。
为了更为准确的进行节点选取，避免重复路径的出现，进一步地，所述基于所述第二可游走节点表、所述目标参数以及所述初始边缘节点根据预设路径构建规则开始游走，以得到目标边缘节点之前，还包括：判断所述第二边缘游走节点表中的边缘节点数量是否达到预设节点阈值；若所述第二边缘游走节点表中的边缘节点数量未达到预设节点阈值，则执行基于所述第二可游走节点表、所述目标参数以及所述初始边缘节点根据预设路径构建规则开始游走，以得到目标边缘节点的步骤。
需要说明的是，开始时，allowedk中有n-1个元素，随着时间的推进，allowedk中的元素不断被减少，直至为0，若当前第二可游走边缘节点表中的边缘节点数量不为0。当第二可游走边缘节点表中的边缘节点数量为0时，完成一次迭代，并循环进行下一次。
步骤S203：根据所述目标游走链确定对应的路径集合。
需要说明的是，所述路径集合为根据蚂蚁游走之后所得到的最优解路径集合表以及备用路径集合表，备用路径集合表是用来存储一定数量的次优解，当信息流过大导致最优解仍然无法满足要求时使用，或者在最优解路径集合表中的某一边缘层设备A的适应度低于备用路径集合表中的边缘层设备B时，可以进行路径替换，由次优解B处理一定数量的信息，在当前A处理完当前信息后再进行数据接收。
步骤S204：基于所述路径集合确定对应的目标路径。
需要说明的是，在得到最优解路径集合表和备用路径集合表后，根据当前的实际情况进一步选择对应的目标路径。
为了在选择目标路径使能进行全面考虑，得到最合适的路径集合，进一步地，所述基于所述路径集合确定对应的目标路径之前，还包括：判断所述路径集合中的路径数量是否超过预设路径数量；若所述路径数量超过所述预设路径数量，则执行基于所述路径集合确定对应的目标路径的步骤。
需要说明的是，根据改进蚁群模型中的最优解表中需要记录5条最优解的路径，则需要判断路径数量是否满足预设路径的数量，同时在蚂蚁完成多次迭代后，判断当前最大迭代次数Num是否与最大迭代次数MaxNum相等，若相等，并则得到当前的最优解路径集合表和备用路径集合表，迭代次数Num必须大于1。
如图4所示，在确定网络拓扑图后，基于网络拓扑图开始搜索，将参数初始化，在确定源节点后，选择下一个边缘节点，并判断当前节点是否为目的节点，如果不是，则判断当前allowedk是否为空，若是，判断并更新最优解表和备用表，全局更新信息素，当最大迭代次数Num是否与最大迭代次数MaxNum相等时，输出最优解表和备用表。
本实施例通过获取预设网络拓扑图；基于所述预设网络拓扑图采用预设改进蚁群游走规则对所述目标数据进行游走，以获得所述目标数据对应的目标游走链；根据所述目标游走链确定对应的路径集合；基于所述路径集合确定对应的目标路径。通过改进蚁群模型进行路径选择，解决了在路径选择的调度中延时抖动不确定的问题，避免了在路径选择时陷入局部最优解以及收敛不稳定的情况出现，能够实现云边数据传输最优路径的发现。
此外，参照图5，本发明实施例还提出一种基于改进蚁群的任务调度装置，所述基于改进蚁群的任务调度装置包括：
获取模块10，用于获取数据采集指令，以使数据采集器根据所述数据采集指令反馈目标数据。
调度模块20，用于通过预设改进蚁群模型对所述目标数据进行任务调度，以获取所述目标数据对应的目标路径。
发送模块30，用于将所述目标数据通过所述目标路径发送至目标云端服务器，以完成任务调度。
本实施例通过获取数据采集指令，以使数据采集器根据所述数据采集指令反馈目标数据；通过预设改进蚁群模型对所述目标数据进行任务调度，以获取所述目标数据对应的目标路径；将所述目标数据通过所述目标路径发送至目标云端服务器，以完成任务调度。通过上述方式，在传统的蚁群算法上加以改进，利用改进的蚁群模型进行任务调度，保证了在任务调度的过程中数据传输的实时性，提高了调度的稳定性，同时基于改进的蚁群算法去查找任务调度过程中的目标路径，避免了调度过程中边缘设备负载过大而导致的系统瘫痪。
在一实施例中，所述获取模块10，还用于根据所述数据采集指令确定对应的目标终端信息；
将所述数据采集指令和所述目标终端信息发送至数据采集器，以使数据采集器根据所述数据采集指令和所述目标终端信息反馈目标数据。
在一实施例中，所述调度模块20，还用于获取预设网络拓扑图；
基于所述预设网络拓扑图采用预设改进蚁群游走规则对所述目标数据进行游走，以获得所述目标数据对应的目标游走链；
根据所述目标游走链确定对应的路径集合；
基于所述路径集合确定对应的目标路径。
在一实施例中，所述调度模块20，还用于获取预设参数；
将所述预设参数初始化，以得到目标参数；
选取所述预设网络拓扑图中与所述数据采集器连接的边缘侧设备节点为第一边缘节点；
基于所述目标参数和所述第一边缘节点根据预设路径构建规则开始游走，以得到目标边缘节点；
连接所述第一边缘节点和目标边缘节点，以获得所述目标数据对应的目标游走链。
在一实施例中，所述调度模块20，还用于将所述第一边缘节点添加至预设禁忌表，以得到更新后的第一可游走边缘节点表；
基于所述第一可游走边缘表、所述目标参数以及所述第一边缘节点根据预设路径构建规则开始游走，以得到初始边缘节点；
将所述初始边缘节点添加至预设禁忌表，以得到更新后的第二可游走边缘节点表；
基于所述第二可游走节点表、所述目标参数以及所述初始边缘节点根据预设路径构建规则开始游走，以得到目标边缘节点。
在一实施例中，所述调度模块20，还用于判断所述第二边缘游走节点表中的边缘节点数量是否达到预设节点阈值；
若所述第二边缘游走节点表中的边缘节点数量未达到预设节点阈值，则执行基于所述第二可游走节点表、所述目标参数以及所述初始边缘节点根据预设路径构建规则开始游走，以得到目标边缘节点的步骤。
在一实施例中，所述调度模块20，还用于判断所述路径集合中的路径数量是否超过预设路径数量；
若所述路径数量超过所述预设路径数量，则执行基于所述路径集合确定对应的目标路径的步骤。
此外，本发明实施例还提出一种存储介质，所述存储介质上存储有基于改进蚁群的任务调度程序，所述基于改进蚁群的任务调度程序被处理器执行时实现如上文所述的基于改进蚁群的任务调度方法的步骤。
由于本存储介质采用了上述所有实施例的全部技术方案，因此至少具有上述实施例的技术方案所带来的所有有益效果，在此不再一一赘述。
需要说明的是，以上所描述的工作流程仅仅是示意性的，并不对本发明的保护范围构成限定，在实际应用中，本领域的技术人员可以根据实际的需要选择其中的部分或者全部来实现本实施例方案的目的，此处不做限制。
另外，未在本实施例中详尽描述的技术细节，可参见本发明任意实施例所提供的基于改进蚁群的任务调度方法，此处不再赘述。
此外，需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。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(如只读存储器(Read Only Memory，ROM)/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，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的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种基于改进蚁群的任务调度方法，其特征在于，所述基于改进蚁群的任务调度方法包括：
获取数据采集指令，以使数据采集器根据所述数据采集指令反馈目标数据；
通过预设改进蚁群模型对所述目标数据进行任务调度，以获取所述目标数据对应的目标路径；
将所述目标数据通过所述目标路径发送至目标云端服务器，以完成任务调度。
2.如权利要求1所述的基于改进蚁群的任务调度方法，其特征在于，所述获取数据采集指令，以使数据采集器根据所述数据采集指令反馈目标数据，包括：
根据所述数据采集指令确定对应的目标终端信息；
将所述数据采集指令和所述目标终端信息发送至数据采集器，以使数据采集器根据所述数据采集指令和所述目标终端信息反馈目标数据。
3.如权利要求1所述的基于改进蚁群的任务调度方法，其特征在于，所述通过预设改进蚁群模型对所述目标数据进行任务调度，以获取所述目标数据对应的目标路径，包括：
获取预设网络拓扑图；
基于所述预设网络拓扑图采用预设改进蚁群游走规则对所述目标数据进行游走，以获得所述目标数据对应的目标游走链；
根据所述目标游走链确定对应的路径集合；
基于所述路径集合确定对应的目标路径。
4.如权利要求3所述的基于改进蚁群的任务调度方法，其特征在于，所述基于所述预设网络拓扑图采用预设改进蚁群游走规则对所述目标数据进行游走，以获得所述目标数据对应的目标游走链，包括：
获取预设参数；
将所述预设参数初始化，以得到目标参数；
选取所述预设网络拓扑图中与所述数据采集器连接的边缘侧设备节点为第一边缘节点；
基于所述目标参数和所述第一边缘节点根据预设路径构建规则开始游走，以得到目标边缘节点；
连接所述第一边缘节点和目标边缘节点，以获得所述目标数据对应的目标游走链。
5.如权利要求4所述的基于改进蚁群的任务调度方法，其特征在于，所述基于所述目标参数和所述第一边缘节点根据预设路径构建规则开始游走，以得到目标边缘节点，包括：
将所述第一边缘节点添加至预设禁忌表，以得到更新后的第一可游走边缘节点表；
基于所述第一可游走边缘表、所述目标参数以及所述第一边缘节点根据预设路径构建规则开始游走，以得到初始边缘节点；
将所述初始边缘节点添加至预设禁忌表，以得到更新后的第二可游走边缘节点表；
基于所述第二可游走节点表、所述目标参数以及所述初始边缘节点根据预设路径构建规则开始游走，以得到目标边缘节点。
6.如权利要求5所述的基于改进蚁群的任务调度方法，其特征在于，所述基于所述第二可游走节点表、所述目标参数以及所述初始边缘节点根据预设路径构建规则开始游走，以得到目标边缘节点之前，还包括：
判断所述第二边缘游走节点表中的边缘节点数量是否达到预设节点阈值；
若所述第二边缘游走节点表中的边缘节点数量未达到预设节点阈值，则执行基于所述第二可游走节点表、所述目标参数以及所述初始边缘节点根据预设路径构建规则开始游走，以得到目标边缘节点的步骤。
7.如权利要求3所述的基于改进蚁群的任务调度方法，其特征在于，所述基于所述路径集合确定对应的目标路径之前，还包括：
判断所述路径集合中的路径数量是否超过预设路径数量；
若所述路径数量超过所述预设路径数量，则执行基于所述路径集合确定对应的目标路径的步骤。
8.一种基于改进蚁群的任务调度装置，其特征在于，所述基于改进蚁群的任务调度装置包括：
获取模块，用于获取数据采集指令，以使数据采集器根据所述数据采集指令反馈目标数据；
调度模块，用于通过预设改进蚁群模型对所述目标数据进行任务调度，以获取所述目标数据对应的目标路径；
发送模块，用于将所述目标数据通过所述目标路径发送至目标云端服务器，以完成任务调度。
9.一种基于改进蚁群的任务调度设备，其特征在于，所述设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于改进蚁群的任务调度程序，所述基于改进蚁群的任务调度程序配置为实现如权利要求1至7中任一项所述的基于改进蚁群的任务调度方法。
10.一种存储介质，其特征在于，所述存储介质上存储有基于改进蚁群的任务调度程序，所述基于改进蚁群的任务调度程序被处理器执行时实现如权利要求1至7任一项所述的基于改进蚁群的任务调度方法。
CN202110617694.3A 2021-06-02 2021-06-02 基于改进蚁群的任务调度方法、装置、设备及存储介质 Pending CN113391893A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110617694.3A CN113391893A (zh) 2021-06-02 2021-06-02 基于改进蚁群的任务调度方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110617694.3A CN113391893A (zh) 2021-06-02 2021-06-02 基于改进蚁群的任务调度方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN113391893A true CN113391893A (zh) 2021-09-14

Family

ID=77619833

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110617694.3A Pending CN113391893A (zh) 2021-06-02 2021-06-02 基于改进蚁群的任务调度方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN113391893A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114866452A (zh) * 2022-05-18 2022-08-05 中电信数智科技有限公司 基于AIOps的SRv6分布式报文转发方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111459628A (zh) * 2020-03-12 2020-07-28 重庆邮电大学 基于改进量子蚁群算法的Spark平台任务调度方法
CN111857141A (zh) * 2020-07-13 2020-10-30 武汉理工大学 一种机器人路径规划方法、装置、设备及存储介质
CN112084035A (zh) * 2020-09-21 2020-12-15 西安理工大学 一种基于蚁群算法的任务调度方法及系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111459628A (zh) * 2020-03-12 2020-07-28 重庆邮电大学 基于改进量子蚁群算法的Spark平台任务调度方法
CN111857141A (zh) * 2020-07-13 2020-10-30 武汉理工大学 一种机器人路径规划方法、装置、设备及存储介质
CN112084035A (zh) * 2020-09-21 2020-12-15 西安理工大学 一种基于蚁群算法的任务调度方法及系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114866452A (zh) * 2022-05-18 2022-08-05 中电信数智科技有限公司 基于AIOps的SRv6分布式报文转发方法及系统

Similar Documents

Publication Publication Date Title
CN112702401B (zh) 一种电力物联网多任务协同分配方法及装置
CN107529656B (zh) 一种社交网络社区的划分方法及服务器
US20140215045A1 (en) Method and device for resource matching in vpc migration
WO2019218439A1 (zh) 网络访问的调度方法、系统、设备及存储介质
US20150363240A1 (en) System for controlling resources, control pattern generation apparatus, control apparatus, method for controlling resources and program
CN103530182A (zh) 一种作业调度方法和装置
Gelenbe et al. Cognitive packet network for bilateral asymmetric connections
CN113821318A (zh) 一种物联网跨域子任务组合协同计算方法及系统
CN106934454B (zh) 三维片上网络中基于Petri网的测试规划方法
CN111885493B (zh) 一种基于改进布谷鸟搜索算法的微云部署方法
CN113391893A (zh) 基于改进蚁群的任务调度方法、装置、设备及存储介质
CN112463337A (zh) 一种用于移动边缘计算环境下的工作流任务迁移方法
CN116302389A (zh) 一种基于改进蚁群算法的任务调度方法
Awad et al. A swarm intelligence-based approach for dynamic data replication in a cloud environment
CN115118728A (zh) 基于蚁群算法的边缘负载均衡任务调度方法
CN117670005A (zh) 基于蚁群算法的超算互联网多目标工作流优化方法及系统
Shefu et al. Fruit fly optimization algorithm for network-aware web service composition in the cloud
Fan et al. DRL-D: Revenue-aware online service function chain deployment via deep reinforcement learning
Yao et al. A SMDP-based forwarding scheme in named data networking
CN110222023B (zh) 基于Spark与蚁群优化的多目标并行属性约简方法
Ebrahim et al. Privacy-aware load balancing in fog networks: A reinforcement learning approach
CN115277572B (zh) 一种多源点多汇点网络的拥塞控制方法及系统
CN114900522B (zh) 一种基于蒙特卡洛树搜索的服务功能链迁移方法
CN113672372B (zh) 一种基于强化学习的多边缘协同负载均衡任务调度方法
CN115756803A (zh) 面向异构计算系统的任务调度方法、装置、设备及介质

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