CN113435097B - 一种应用于多目标工作流调度的方法 - Google Patents

一种应用于多目标工作流调度的方法 Download PDF

Info

Publication number
CN113435097B
CN113435097B CN202110724886.4A CN202110724886A CN113435097B CN 113435097 B CN113435097 B CN 113435097B CN 202110724886 A CN202110724886 A CN 202110724886A CN 113435097 B CN113435097 B CN 113435097B
Authority
CN
China
Prior art keywords
population
constraint
particles
optimization problem
follows
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
CN202110724886.4A
Other languages
English (en)
Other versions
CN113435097A (zh
Inventor
黄星
卢宇
林兵
胡靖伟
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.)
Fujian Normal University
Original Assignee
Fujian Normal 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 Fujian Normal University filed Critical Fujian Normal University
Priority to CN202110724886.4A priority Critical patent/CN113435097B/zh
Publication of CN113435097A publication Critical patent/CN113435097A/zh
Application granted granted Critical
Publication of CN113435097B publication Critical patent/CN113435097B/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
    • 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]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

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

Abstract

本发明涉及一种应用于多目标工作流调度的方法，其保留了工作流调度约束优化问题的最佳粒子集合，并且在进化过程中能够提供更多的搜索方向、提供更多的子代进化的可能性，利用动态权重来调整搜索进程中的侧重方向，并且在在快速优化的情况下，利用反向学习的正弦余弦算法来进行粒子更新，采用以上技术方案，将多目标工作流调度问题分解和反向种群的正弦余弦优化来提升工作流调度问题的准确性，本发明能够在测试函数维度较高，较为复杂的情况下，快速准确找到最小值，避免陷入局部优化的困境。

Description

一种应用于多目标工作流调度的方法
技术领域
本发明涉及多目标云工作流调度领域，具体涉及了一种应用于多目标工作流调度的方法。
背景技术
近年来，由于科技的发展，需要的计算量逐渐增大，云计算快速发展，云计算是一种分布式系统计算的方法，能够根据需求提供算力。在云计算环境下，很多学者使用工作流来构建应用并利用云计算平台来执行应用。如何优化云计算环境下的工作流调度是当前热点。云计算环境下的工作流调度面临着优化目标，如缩短工作流执行时间、减少执行成本等。所以云工作流调度优化问题可以看作为约束优化问题。
解决约束优化问题的传统优化方法包括解析法等，但是传统的优化方法无法解决高维的非线性、不可微分的复杂约束优化问题，并且工作流调度问题通常为复杂约束优化问题，是一种多项式复杂程度的非确定性问题，会产生很大的算法时间复杂度。由于进化算法适合求解多项式复杂程度的非确定性问题，所以多目标进化算法能够通过进化算法来解决多目标优化问题。提出诸如正弦余弦算法，是一种基于正弦余弦函数数学特征的元启发式算法；带约束优化的水循环算法，它是基于对水循环过程的观察来解决问题。对于多目标工作流调度的约束优化问题，众多学者采用单一进化算法的改进，例如改进运用花朵差分授粉算法来解决工作流调度问题，但利用进化算法直接求解多目标约束问题会造成各个目标无法均衡优化，无法合理评估多目标工作流调度问题的解是否达到最优解。
发明内容
针对现有技术的不足，本发明提供一种提升调度效率和优化准确性的应用于多目标工作流调度的方法。
本发明的一种应用于多目标工作流调度的方法，其包括步骤如下：
S1:将工作流调度优化问题抽象为约束优化问题，约束优化问题目标分别为缩短工作流执行时间、减少工作流执行成本；
S2：运用多目标优化方法将约束优化问题目标进行转化，获得多目标约束优化问题的种群；
S3:初始化种群，并通过种群反向学习得到反向种群，将初始化的种群和反向种群合并，得到粒子更新的种群；
S4:通过辅助和等价目标框架来分解多目标约束优化问题的粒子更新的种群，通过动态权重调整辅助和等价目标框架中各个子问题的收敛情况，能够搜寻到更多的进化方向；
S5:评估分解后的种群中所有粒子的适应度值，保存适应度最好的粒子，并判断是否达到最大迭代次数，是则，输出最优粒子；
S6:分解后的种群中的最优粒子通过正弦余弦优化的方式得到工作流调度的解。
进一步，所述步骤S2包括：
S2-1：运用多目标优化方法将约束优化问题目标的缩短工作流执行时间转化如下：
Figure BDA0003138200460000021
其中，EFT表示任务t的完成时间，EFTi为ti任务的完成时间，ti为当前任务，vmti为执行当前任务的虚拟机；
S2-2：运用多目标优化方法将约束优化问题目标的减少工作流执行成本转化如下：
Figure BDA0003138200460000022
其中，tk和tj分别为第k个vm虚拟机上执行的第一个任务和最后一个任务，vme为虚拟机执行任务所需要的单价；
S2-3：多目标约束优化问题的种群
Figure BDA0003138200460000023
Figure BDA0003138200460000024
S2-4：多目标约束优化问题的种群传输条件为：
Ti,trans＜Tmax
Ti,trans为任务ti传输入到虚拟机的时间，不能超过最大的容忍时间；
S2-5：多目标约束优化问题的种群的约束条件
Figure BDA0003138200460000025
如下所示：
Figure BDA0003138200460000026
其中，
Figure BDA0003138200460000027
目标函数的等式约束的违反程度，取得0和|Ti,trans-Tmax-ε|之间的最大值，ε为等式约束中的可容忍误差。
进一步，所述步骤S3包括：
S3-1：初始化种群，第i个粒子的适应度函数值为
Figure BDA0003138200460000031
受到的约束条件为/>
Figure BDA0003138200460000032
S3-2：设置种群中粒子为x＝(x1,x2,…..xd)且xi∈[a,b],a和b为粒子取值的上下限，设置x的对立解为xop＝(xop 1,xop 2,…..xop d),xop的数学表达式如下：
Figure BDA0003138200460000033
其中j∈(0,d)；
S3-3：合并初始种群和反向种群，得到粒子更新的种群：
P＝OP∪Pinit
其中OP为反向种群，Pinit为初始化的种群，P为粒子更新的种群。
进一步，所述步骤S4包括：
S4-1：更新的种群P中各个粒子往更优的进化方向进化，设置
Figure BDA0003138200460000034
为更新的种群P中的最优粒子，/>
Figure BDA0003138200460000035
的计算方法如下：
Figure BDA0003138200460000036
/>
其中，ΩF其代表可行解集合；
S4-2：令
Figure BDA0003138200460000037
为/>
Figure BDA0003138200460000038
和最优个体/>
Figure BDA0003138200460000039
的适应度差值，/>
Figure BDA00031382004600000310
的表达式如下：
Figure BDA00031382004600000311
S4-3：更新的种群P的个体适应度值：
Figure BDA00031382004600000312
其中，
Figure BDA00031382004600000313
为/>
Figure BDA00031382004600000314
和最优个体/>
Figure BDA00031382004600000315
的适应度差值，w1i,w2i,w3i为权重，能够在调整各类函数在/>
Figure BDA00031382004600000316
的问题中适应度差值、约束函数、原始目标函数的比重；
S4-4：动态调整权值，使
Figure BDA00031382004600000317
收敛到一个等价目标问题，加权规则表述如下：
Figure BDA00031382004600000318
S4-5：t为循环的代数，在
Figure BDA00031382004600000319
中，w1i和w2i为线性增加，w3i为线性递减；权重的规则表述如下：
Figure BDA00031382004600000320
Figure BDA00031382004600000321
Figure BDA0003138200460000041
其中，λ为子问题的数量，γ∈(0,1)是关于约束条件的常量偏差值，t是循环代数，Tmax是最大循环代数的值。
进一步，所述步骤S6包括：
分解后的目标中的最优粒子xi+1通过正弦余弦优化：
Figure BDA0003138200460000042
Figure BDA0003138200460000043
式子中的A是决定粒子搜索空间波动大小的参数，t为当前迭代次数，T为最大迭代次数，ρ为常数，xbest为搜索平衡算法的搜索和开发性能，当C>1时，算法强调的是探索，当C<1时，算法强调的是开发过程，b能够决定粒子在搜索空间的位置是远离xbest还是靠近xbest，参数C为[0,2]之间的随机数。
与现有技术相比，本发明通过多目标工作流调度问题分解和反向种群的正弦余弦优化减少例如死亡罚函数和可行性规则的优越性等强加于可行解的偏好的影响，达到均衡考虑各个目标，避免侧重一个目标而忽视另一个目标，从而能够降低工作流调度问题的复杂度，并且合理均衡优化多目标工作流的各个目标，同时在进化过程中提高算法粒子进化的准确性，提升优化工作流调度的效率和准确性。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，在附图中：
图1为本发明实施例中的流程示意图；
具体实施方式
请参见图1，实施案例一种应用于多目标工作流调度的方法，其包括步骤如下：
S1:将工作流调度优化问题抽象为约束优化问题，约束优化问题目标分别为缩短工作流执行时间、减少工作流执行成本；
S2：运用多目标优化方法将约束优化问题目标进行转化，获得多目标约束优化问题的种群；
S3:初始化种群，并通过种群反向学习得到反向种群，将初始化的种群和反向种群合并，得到粒子更新的种群；
S4:通过辅助和等价目标框架来分解多目标约束优化问题的粒子更新的种群，通过动态权重调整辅助和等价目标框架中各个子问题的收敛情况，能够搜寻到更多的进化方向；
S5:评估分解后的种群中所有粒子的适应度值，保存适应度最好的粒子，并判断是否达到最大迭代次数，是则，输出最优粒子；
S6:分解后的种群中的最优粒子通过正弦余弦优化的方式得到工作流调度的解。
实施方案的中所述步骤S2的进一步实施步骤包括：
S2-1：运用多目标优化方法将约束优化问题目标的缩短工作流执行时间转化如下：
Figure BDA0003138200460000051
其中，EFT表示任务t的完成时间，EFTi为ti任务的完成时间，ti为当前任务，vmti为执行当前任务的虚拟机；
S2-2：运用多目标优化方法将约束优化问题目标的减少工作流执行成本转化如下：
Figure BDA0003138200460000052
其中，tk和tj分别为第k个vm虚拟机上执行的第一个任务和最后一个任务，vme为虚拟机执行任务所需要的单价；
S2-3：多目标约束优化问题的种群
Figure BDA0003138200460000053
Figure BDA0003138200460000054
S2-4：多目标约束优化问题的种群传输条件为：
Ti,trans＜Tmax
Ti,trans为任务ti传输入到虚拟机的时间，不能超过最大的容忍时间；
S2-5：多目标约束优化问题的种群的约束条件
Figure BDA0003138200460000055
如下所示：
Figure BDA0003138200460000056
其中，
Figure BDA0003138200460000057
目标函数的等式约束的违反程度，取得0和|Ti,trans-Tmax-ε|之间的最大值，ε为等式约束中的可容忍误差。/>
实施方案的中所述步骤S3的进一步实施步骤包括：
S3-1：初始化种群，第i个粒子的适应度函数值为
Figure BDA0003138200460000058
受到的约束条件为/>
Figure BDA0003138200460000059
S3-2：设置种群中粒子为x＝(x1,x2,…..xd)且xi∈[a,b],a和b为粒子取值的上下限，设置x的对立解为xop＝(xop 1,xop 2,…..xop d),xop的数学表达式如下：
Figure BDA0003138200460000061
其中j∈(0,d)；
S3-3：合并初始种群和反向种群，得到粒子更新的种群：
P＝OP∪Pinit
其中OP为反向种群，Pinit为初始化的种群，P为粒子更新的种群。
实施方案的中所述步骤S4的进一步实施步骤包括：
S4-1：更新的种群P中各个粒子往更优的进化方向进化，设置
Figure BDA0003138200460000062
为更新的种群P中的最优粒子，/>
Figure BDA0003138200460000063
的计算方法如下：
Figure BDA0003138200460000064
其中，ΩF其代表可行解集合；
S4-2：令
Figure BDA0003138200460000065
为/>
Figure BDA0003138200460000066
和最优个体/>
Figure BDA0003138200460000067
的适应度差值，/>
Figure BDA0003138200460000068
的表达式如下：
Figure BDA0003138200460000069
S4-3：更新的种群P的个体适应度值：
Figure BDA00031382004600000610
其中，
Figure BDA00031382004600000611
为/>
Figure BDA00031382004600000612
和最优个体/>
Figure BDA00031382004600000613
的适应度差值，w1i,w2i,w3i为权重，能够在调整各类函数在/>
Figure BDA00031382004600000614
的问题中适应度差值、约束函数、原始目标函数的比重；
S4-4：动态调整权值，使
Figure BDA00031382004600000615
收敛到一个等价目标问题，加权规则表述如下：
Figure BDA00031382004600000616
S4-5：t为循环的代数，在
Figure BDA00031382004600000617
中，w1i和w2i为线性增加，w3i为线性递减；权重的规则表述如下：
Figure BDA00031382004600000618
Figure BDA00031382004600000619
Figure BDA00031382004600000620
其中，λ为子问题的数量，γ∈(0,1)是关于约束条件的常量偏差值，t是循环代数，Tmax是最大循环代数的值。
实施方案的中所述步骤S6的进一步实施步骤包括：
分解后的目标中的最优粒子xi+1通过正弦余弦优化：
Figure BDA0003138200460000071
Figure BDA0003138200460000072
式子中的A是决定粒子搜索空间波动大小的参数，t为当前迭代次数，T为最大迭代次数，ρ为常数，xbest为搜索平衡算法的搜索和开发性能，当C>1时，算法强调的是探索，当C<1时，算法强调的是开发过程，b能够决定粒子在搜索空间的位置是远离xbest还是靠近xbest，参数C为[0,2]之间的随机数。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (2)

1.一种应用于多目标工作流调度的方法，其特征在于：
包括如下步骤：
S1:将工作流调度优化问题抽象为约束优化问题，约束优化问题目标分别为缩短工作流执行时间、减少工作流执行成本；
S2：运用多目标优化方法将约束优化问题目标进行转化，获得多目标约束优化问题的种群；步骤S2包括：
S2-1：运用多目标优化方法将约束优化问题目标的缩短工作流执行时间转化如下：
Figure FDA0004148346660000011
其中，EFT表示任务t的完成时间，EFTi为ti任务的完成时间，ti为当前任务，vmti为执行当前任务的虚拟机；
S2-2：运用多目标优化方法将约束优化问题目标的减少工作流执行成本转化如下：
Figure FDA0004148346660000012
其中，tk和tj分别为第k个vm虚拟机上执行的第一个任务和最后一个任务，vme为虚拟机执行任务所需要的单价；
S2-3：多目标约束优化问题的种群
Figure FDA0004148346660000019
Figure FDA0004148346660000013
S2-4：多目标约束优化问题的种群传输条件为：
Ti,trans＜Tmax
其中，Ti,trans为任务ti传输入到虚拟机的时间，不能超过最大的容忍时间；
S2-5：多目标约束优化问题的种群的约束条件
Figure FDA0004148346660000014
Figure FDA0004148346660000015
其中，
Figure FDA0004148346660000016
目标函数的等式约束的违反程度，取得0和|Ti,trans-Tmax-ε|之间的最大值，ε为等式约束中的可容忍误差；
S3:初始化种群，并通过种群反向学习得到反向种群，将初始化的种群和反向种群合并，得到粒子更新的种群；步骤S3包括：
S3-1：初始化种群，第i个粒子的适应度函数值为
Figure FDA0004148346660000017
受到的约束条件为/>
Figure FDA0004148346660000018
S3-2：设置种群中粒子为x＝(x1,x2,…..xd)且xi∈[a,b],a和b为粒子取值的上下限，设置x的对立解为xop＝(xop 1,xop 2,…..xop d),xop的数学表达式如下：
Figure FDA0004148346660000021
其中j∈(0,d)；
S3-3：合并初始种群和反向种群，得到粒子更新的种群：
P＝OP∪Pinit
其中，OP为反向种群，Pinit为初始化的种群，P为粒子更新的种群；
S4:通过辅助和等价目标框架来分解多目标约束优化问题的粒子更新的种群，通过动态权重调整辅助和等价目标框架中各个子问题的收敛情况，能够搜寻到更多的进化方向；步骤S4包括：
S4-1：更新的种群P中各个粒子往更优的进化方向进化，设置
Figure FDA0004148346660000022
为更新的种群P中的最优粒子，/>
Figure FDA0004148346660000023
的计算方法如下：
Figure FDA0004148346660000024
其中，ΩF其代表可行解集合；
S4-2：令
Figure FDA0004148346660000025
为/>
Figure FDA0004148346660000026
和最优个体/>
Figure FDA0004148346660000027
的适应度差值，/>
Figure FDA0004148346660000028
的表达式如下：
Figure FDA0004148346660000029
S4-3：更新的种群P的个体适应度值：
Figure FDA00041483466600000210
其中，
Figure FDA00041483466600000211
为/>
Figure FDA00041483466600000212
和最优个体/>
Figure FDA00041483466600000213
的适应度差值，w1i,w2i,w3i为权重，能够在调整各类函数在/>
Figure FDA00041483466600000214
的问题中适应度差值、约束函数、原始目标函数的比重；
S4-4：动态调整权值，使
Figure FDA00041483466600000215
收敛到一个等价目标问题，加权规则表述如下：
Figure FDA00041483466600000216
S4-5：t为循环的代数，在
Figure FDA00041483466600000217
中，w1i和w2i为线性增加，w3i为线性递减；权重的规则表述如下：
Figure FDA00041483466600000218
Figure FDA0004148346660000031
Figure FDA0004148346660000032
其中，λ为子问题的数量，γ∈(0,1)是关于约束条件的常量偏差值，t是循环代数，Tmax是最大循环代数的值；
S5:评估分解后的种群中所有粒子的适应度值，保存适应度最好的粒子，并判断是否达到最大迭代次数，是则，输出最优粒子；
S6:分解后的种群中的最优粒子通过正弦余弦优化的方式得到工作流调度的解。
2.根据权利要求1所述一种应用于多目标工作流调度的方法，其特征在于：
所述步骤S6包括：
分解后的目标中的最优粒子xi+1通过正弦余弦优化：
Figure FDA0004148346660000033
Figure FDA0004148346660000034
式子中的A是决定粒子搜索空间波动大小的参数，t为当前迭代次数，T为最大迭代次数，ρ为常数，xbest为搜索平衡算法的搜索和开发性能，当C>1时，算法强调的是探索，当C<1时，算法强调的是开发过程，b能够决定粒子在搜索空间的位置是远离xbest还是靠近xbest，参数C为[0,2]之间的随机数。
CN202110724886.4A 2021-06-29 2021-06-29 一种应用于多目标工作流调度的方法 Active CN113435097B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110724886.4A CN113435097B (zh) 2021-06-29 2021-06-29 一种应用于多目标工作流调度的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110724886.4A CN113435097B (zh) 2021-06-29 2021-06-29 一种应用于多目标工作流调度的方法

Publications (2)

Publication Number Publication Date
CN113435097A CN113435097A (zh) 2021-09-24
CN113435097B true CN113435097B (zh) 2023-05-23

Family

ID=77757572

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110724886.4A Active CN113435097B (zh) 2021-06-29 2021-06-29 一种应用于多目标工作流调度的方法

Country Status (1)

Country Link
CN (1) CN113435097B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108133260A (zh) * 2018-01-17 2018-06-08 浙江理工大学 基于实时状态监控的多目标粒子群优化的工作流调度方法
CN109670689A (zh) * 2018-12-06 2019-04-23 杭州电子科技大学 一种基于免疫粒子群的科学工作流多目标调度方法
WO2019136892A1 (zh) * 2018-01-15 2019-07-18 大连民族大学 一种复杂网络社区检测的方法
CN111813506A (zh) * 2020-07-17 2020-10-23 华侨大学 一种基于粒子群算法资源感知计算迁移方法、装置及介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107590603B (zh) * 2017-09-11 2018-11-13 合肥工业大学 基于改进变邻域搜索和差分进化算法的调度方法及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019136892A1 (zh) * 2018-01-15 2019-07-18 大连民族大学 一种复杂网络社区检测的方法
CN108133260A (zh) * 2018-01-17 2018-06-08 浙江理工大学 基于实时状态监控的多目标粒子群优化的工作流调度方法
CN109670689A (zh) * 2018-12-06 2019-04-23 杭州电子科技大学 一种基于免疫粒子群的科学工作流多目标调度方法
CN111813506A (zh) * 2020-07-17 2020-10-23 华侨大学 一种基于粒子群算法资源感知计算迁移方法、装置及介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
面向工作流可靠性计算的多子群协同进化算法;孙勇;谭文安;张全全;沈腾腾;;小型微型计算机系统(02);全文 *

Also Published As

Publication number Publication date
CN113435097A (zh) 2021-09-24

Similar Documents

Publication Publication Date Title
Bodha et al. A player unknown's battlegrounds ranking based optimization technique for power system optimization problem
Khamari et al. A modified moth swarm algorithm-based hybrid fuzzy PD–PI controller for frequency regulation of distributed power generation system with electric vehicle
Hao et al. Arithmetic optimization algorithm based on elementary function disturbance for solving economic load dispatch problem in power system
Li et al. A novel adaptive L-SHADE algorithm and its application in UAV swarm resource configuration problem
Zhang et al. A new manufacturing service selection and composition method using improved flower pollination algorithm
Valluru et al. Stabilization of nonlinear inverted pendulum system using MOGA and APSO tuned nonlinear PID controller
Tabak et al. Levy flight and fitness distance balance-based coyote optimization algorithm for effective automatic generation control of PV-based multi-area power systems
Guo et al. Design and evaluation of fuzzy adaptive particle swarm optimization based maximum power point tracking on photovoltaic system under partial shading conditions
Lin et al. An effective binary artificial bee colony algorithm for maximum set k-covering problem
CN113435097B (zh) 一种应用于多目标工作流调度的方法
Hu et al. ℓ-DARTS: Light-weight differentiable architecture search with robustness enhancement strategy
Zhao et al. Research on cloud computing task scheduling based on improved particle swarm optimization
Long et al. A constrained multi-objective optimization algorithm using an efficient global diversity strategy
Zhang et al. Tent chaos and nonlinear convergence factor whale optimization algorithm
Shahzad et al. Optimal planning of distributed energy storage systems in active distribution networks using advanced heuristic optimization techniques
Weng et al. Boosted backtracking search optimization with information exchange for photovoltaic system evaluation
Huang et al. A novel parameter optimisation method of hydraulic turbine regulating system based on fuzzy differential evolution algorithm and fuzzy PID controller
Li et al. Parameter optimization of linear quadratic controller based on genetic algorithm
Kumar et al. Fractional‐order filter‐based enhanced full state feedback control design with multi‐objective formulation using grey wolf optimization algorithm
Ya-Li et al. An improved cultural particle swarm optimization algorithm based on feedback mechanism for economic load dispatch problems
Duan et al. A Complex‐Valued Encoding Multichain Seeker Optimization Algorithm for Engineering Problems
Liu et al. A Large-Scale Multi-objective Brain Storm Optimization Algorithm Based on Direction Vectors and Variance Analysis
Tano et al. Accelerating Radiation Sn Transport Solves Using Artificial Neural Networks
CN114336696B (zh) 一种兆瓦级氢储能电站容量配置方法及系统
Wei et al. Multi-objective optimal load distribution based on improved gravitational search algorithm in power plants

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