CN113568747A - 基于任务分类与时序预测的云机器人资源调度方法及系统 - Google Patents
基于任务分类与时序预测的云机器人资源调度方法及系统 Download PDFInfo
- Publication number
- CN113568747A CN113568747A CN202110852192.9A CN202110852192A CN113568747A CN 113568747 A CN113568747 A CN 113568747A CN 202110852192 A CN202110852192 A CN 202110852192A CN 113568747 A CN113568747 A CN 113568747A
- Authority
- CN
- China
- Prior art keywords
- task
- scheduling
- cloud robot
- cloud
- virtual machine
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 75
- 230000003068 static effect Effects 0.000 claims abstract description 22
- 230000002068 genetic effect Effects 0.000 claims description 5
- 238000010801 machine learning Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims 1
- 238000004458 analytical method Methods 0.000 abstract description 3
- 238000007781 pre-processing Methods 0.000 abstract 1
- 230000000007 visual effect Effects 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000007689 inspection Methods 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
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
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
- G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/901—Indexing; Data structures therefor; Storage structures
- G06F16/9024—Graphs; Linked lists
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- 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
- G06F2009/4557—Distribution of virtual machine instances; Migration and load balancing
-
- 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)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于任务分类与时序预测的云机器人资源调度方法及系统,涉及云计算资源调度技术领域,该方法包括:步骤S1:获取云机器人的作业任务序列;步骤S2:根据云机器人作业任务与云端虚拟机的依赖关系对任务进行分类;步骤S3:获取对各个作业任务作业时长的估计值;步骤S4:将云机器人作业任务调度转化为由有向无环图DAG表达的工作流调度问题;步骤S5:根据作业任务特性,对步骤S4中生成的DAG图进行简化;步骤S6:利用各类静态调度方法对最终的DAG图进行求解。本发明能够通过一些预处理手段,使得最终可以对云机器人作业任务进行静态的分析,能够从全局角度找到调度问题更优的解决方案。
Description
技术领域
本发明涉及云计算资源调度技术领域,具体地,涉及一种基于任务分类与时序预测的云机器人资源调度方法及系统。
背景技术
本发明针对的云机器人的资源调度问题,主要考虑的是云作业任务与云端不同虚拟机之间的映射问题。
云计算任务的调度问题是云计算方向的热门课题,在云计算任务中,通过将大量的云作业任务合理地映射到有限量的虚拟机上,可以达成工作流的最早时间完成或工作负载均衡等服务质量指标。然而专门针对云机器人的资源调度方法却鲜有研究。云机器人的资源调度方法与传统云计算任务的资源调度的最大区别在于,云机器人的作业任务由机器人与云端计算资源共同完成,有着更大的异构性,不同类别的任务对于虚拟机的依赖关系不同。
以配电站的智能巡检机器人作业为例,在作业过程中,有着智能导航、视觉识别、机械臂操作等任务。其中,智能导航任务需要占用一个虚拟机,并且直到导航结束为止持续占用该虚拟机,其占用时间与计算量无关,只与机器人到达导航位置的时长有关;而视觉识别任务则是传统的云计算任务,其需要占用一个虚拟机,并且持续时长与该任务的计算量以及所占用虚拟机的计算能力有关;至于机械臂操作任务,其由机器人本地自主完成,在工作流中需要占用一段时间,但不需要占用任何云端数据资源。
当前,对于云机器人的任务调度方案通常采用动态的调度方案,任务调度的中间件在机器人任务执行过程中被动地接收新的任务信息,并且仅根据当前的云端虚拟机负载情况与当前加入的新任务信息做出判断,不考虑不同的任务类型带来的潜在任务序列关系。
公开号为CN111447097A的中国发明专利,公开了一种云平台资源调度管理方法及系统,包括根据业务需求部署至少由两台软件机器人组成的云平台集群,并初始化云平台集群;通过选举将云平台集群中的软件机器人分为一个领袖软件机器人和多个群众软件机器人;领袖软件机器人根据来自客户端的事务请求和/或群众软件机器人实时上报的工作状态,生产调度信息,该调度信息通过调度主题消息中间件发送给群众软件机器人,群众软件机器人根据调度信息执行各自的任务,并实时向领袖软件机器人上报工作状态和任务结果;循环执行以上步骤,直至完成客户端的事务请求;该发明通过实现机器人技术的云平台资源调度体系,提高系统自动运维能力,降低维护人员工作量。
这类动态的调度方案,虽然也能一定程度上地解决云机器人地资源调度问题,但是相对于静态方法,动态方法掌握的信息少,从而仅能考虑各个局部的最优解,无法从全局的角度出发寻找最优解。
发明内容
针对现有技术中的缺陷,本发明提供一种基于任务分类与时序预测的云机器人资源调度方法及系统。
根据本发明提供的一种基于任务分类与时序预测的云机器人资源调度方法及系统,所述方案如下:
第一方面,提供了一种基于任务分类与时序预测的云机器人资源调度方法,所述方法包括:
步骤S1:获取云机器人的作业任务序列;
步骤S2:根据云机器人作业任务与云端虚拟机的依赖关系对任务进行分类;
步骤S3:获取对各个作业任务作业时长的估计值;
步骤S4:将云机器人作业任务调度转化为由有向无环图DAG表达的工作流调度问题;
步骤S5:根据作业任务特性,对步骤S4中生成的DAG图进行简化;
步骤S6:利用各类静态调度方法对最终的DAG图进行求解。
优选的,所述步骤S1中所获取的任务序列需要能够在任务开始前完整获取。
优选的,所述步骤S2中对云机器人作业任务与虚拟机依赖关系的分类,具体而言包括:需要占用一台虚拟机一定时长的任务、需要占用一台虚拟机进行一定计算量的任务以及不需要占用虚拟机但需要一定时长的任务。
优选的,所述步骤S3中对作业任务时长的估计,通过历史任务执行情况进行估计,也能通过机器学习方法进行获取。
优选的,所述步骤S4中转化后的DAG图,需要带有工作流中各个任务之间的依赖关系、各个工作流的任务类别信息、预估的工作时长信息、计算量信息以及各个任务所需的虚拟机最低计算能力在内的相关信息。
优选的,所述步骤S5中的转化方案根据步骤S6所需采用的静态调度方法进行调整。
优选的,所述步骤S6中所能选的任务调度方法包括列表调度算法和遗传算法在内的相关算法。
第二方面,提供了一种基于任务分类与时序预测的云机器人资源调度系统,所述系统包括:
模块M1:获取云机器人的作业任务序列;
模块M2:根据云机器人作业任务与云端虚拟机的依赖关系对任务进行分类;
模块M3:获取对各个作业任务作业时长的估计值;
模块M4:将云机器人作业任务调度转化为由有向无环图DAG表达的工作流调度问题;
模块M5:根据作业任务特性,对模块M4中生成的DAG图进行简化;
模块M6:利用各类静态调度方法对最终的DAG图进行求解。
优选的,所述模块M1中所获取的任务序列需要能够在任务开始前完整获取。
优选的,所述模块M2中对云机器人作业任务与虚拟机依赖关系的分类,具体而言包括:需要占用一台虚拟机一定时长的任务、需要占用一台虚拟机进行一定计算量的任务以及不需要占用虚拟机但需要一定时长的任务。
与现有技术相比,本发明具有如下的有益效果:
1.相对于传统云计算工作流调度方法,本发明聚焦于云机器人这一特定应用场景,考虑了云机器人作业任务与传统云计算调度的差异,提出了按照不同任务对于虚拟机的依赖关系进行任务分类。相比较于仅考虑云端资源的调度方法,由于该分类方法能够充分考虑到不占用虚拟机资源的机器人边缘操作,所以能够更完善地优化云机器人的静态任务调度方法,使调度结果更好地满足所提出的质量指标;
2.当前对云机器人任务的调度方案一般基于动态调度方法,而本发明提出的方法基于对不同类型任务时序的预测,生成了DAG图,从而能够应用基于DAG图的静态调度方法。由于静态调度下掌握了更多的信息,能从全局角度进行优化,而动态方法只能进行局部最优化。所以本发明最终通过静态调度方法设计的调度方案,能够获得相较于传统动态方法而言更接近于全局最优解的调度结果。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1为本发明提出的基于任务分类与时序预测的云机器人资源调度方案的算法流程图;
图2为本发明提出的基于任务分类的云机器人任务序列有向无环图DAG示例。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明,但不以任何形式限制本发明。应当指出的是,对本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变化和改进。这些都属于本发明的保护范围。
本发明实施例提供了一种基于任务分类与时序预测的云机器人资源调度方法,具体包括如下步骤:
步骤S1:获取云机器人的作业任务序列,任务序列需要能够在任务开始前完整获取。根据云机器人的作业任务要求,如配电站作业操作票等,获取需要执行的完整任务序列。
步骤S2:根据云机器人作业任务与云端虚拟机的依赖关系对任务进行分类;具体而言包括:需要占用一台虚拟机一定时长的任务、需要占用一台虚拟机进行一定计算量的任务以及不需要占用虚拟机但需要一定时长的任务。例如视觉识别等操作;不需要占用虚拟机而需要占用一定时长进行的操作,例如机器人本身的运动过程等。
步骤S3:获取对各个作业任务作业时长的估计值;获取作业时长估计值的方法包括但不限于:根据以往作业记录进行估算;通过机器学习方法,根据当前位置与目标位置等对导航等操作进行时间预测等等。该方法对时间估计的准确度要求较低,一般而言保持在±30%误差以内即可。
步骤S4:将云机器人作业任务调度转化为由有向无环图DAG表达的工作流调度问题;转化后的DAG图,需要带有工作流中各个任务之间的依赖关系、各个工作流的任务类别信息、预估的工作时长信息、计算量信息以及各个任务所需的虚拟机最低计算能力在内的相关信息。
该有向无环图包括了预测工作流的完整信息:包括了各个作业任务的依赖关系类型、预估的时间长度、任务的运算量、任务对虚拟机的最低算力要求、虚拟机之间的通信代价等。
步骤S5:根据作业任务特性,对步骤S4中生成的DAG图进行简化;转化方案根据步骤S6所需采用的静态调度方法进行调整,其主要目的在于简化步骤S4所提出的带有任务类别信息的DAG图,使得其更贴近于所采取的静态调度方法的需要。
可以根据云架构特点对DAG图进行简化。例如:对虚拟机的带宽进行平均划分,将虚拟机通信代价转化为通信时间,从而与固定时间类型的任务进行归一化表达;可以将步骤S2中提及的两类占用一定时长的任务转化为带算力限制并占用一定时长的任务依赖关系,与通信时间归一化,对DAG图进行简化,使得该方法能更好地适用列表调度、遗传算法等静态调度方法。
步骤S6:利用各类静态调度方法对最终的DAG图进行求解。所能选的任务调度方法,只要经过步骤S5的预处理后可以满足其运算要求,都可以采用,包括列表调度算法和遗传算法在内的相关算法。例如基于简化后的DAG图,可以根据场景特点与需求,采用列表调度方法或者遗传算法等静态调度方法进行求解,得到全局优化后的资源调度方案。
接下来,对本发明进行更为具体的说明。
本发明提供的一种基于任务分类与时序预测的云机器人资源调度方法,参照图1所示,为本发明实施例提出的基于任务分类与时序预测的云机器人任务序列的算法流程图。以配电站智能机器人的巡检工作作为实施例。其一个简单的云机器人协同巡检流程参照图2所示,其中圆形节点表示占用虚拟机进行的定计算量任务,方块节点表示占用虚拟机进行的定时长任务,三角形节点表示不占用虚拟机进行的定时长任务。此处的定时长表示的是任务执行时长与计算量无关。
参照图1所示,本实施例可以包括以下步骤:
由操作人员发放作业操作票,云端对操作票进行语义解析后获取任务序列。
本实施例中,按照本发明提出的任务分类方法,对任务序列中的不同任务进行分类,分类依据为不同任务与虚拟机的依赖关系以及所需要的时长是否依赖于计算量。以图2所示的配电房巡检任务为例:SLAM导航任务需要占用虚拟机资源,并且导航需要的时长与计算量无关,与机器人本身需要多久到达目标位置相关。所以将其分类为占用虚拟机进行的定时长任务。视觉识别任务由云端对发送来的图像进行识别,从而读出开关位置或者拍摄到的表盘读数,其执行时长与视觉运算量有关,受到虚拟机计算能力的影响,将其分类为需要占用虚拟机进行的定计算量任务。机械臂操作由机器人本地进行,虽然不占用虚拟机,但是其本身需要耗费进行一定时间,所以将其分类为不占用虚拟机进行的定时长任务。
本实施例中,需要对分类后任务中的两类定时长任务进行时序预测,可以通过机器学习或者由历史作业记录进行估值的方法,对SLAM导航所需时长以及机械臂操作时长进行估值。
本实施例中,对于时序预测的精确度要求不高。显然更为精确的估值有助于本发明所提出的方法更准确地对时序进行判断,但是一般而言,只要估值误差在30%以内,可以认为该方法是有效的。
本实施例中,结合任务分类与时序预测结果,可以获得如图2所示的有向无环图DAG。该图可以用于表征一组云机器人工作序列的工作流,箭头表示两个任务之间的顺序依赖关系。
本实施例中,采用列表调度法对工作流进行静态调度,所以可以对图2所示的有向无环图进行简化。简化方法包括但不限于,将定时长任务节点转化为两个计算量为0的定计算量任务节点,并用一段耗时等于原本定时长任务时长的依赖关系连接两个节点。该简化方法可以使得途中仅剩下定计算量节点以及耗费一定时长的依赖关系,使得DAG图更为简洁,方便采用列表调度方法进行调度。
本实施例中,最终采用经典的列表调度方法进行调度,利用每个任务自身与其所有子任务在所有虚拟机上的平均耗费的计算时长作为评判值,对DAG图中的各个任务进行优先级评定,并根据评判结果对任务进行优先级排序。按照排序结果,从优先级高的任务开始依次进行虚拟机的分配。
本发明实施例提供了一种基于任务分类与时序预测的云机器人资源调度方法,聚焦于云机器人这一特定应用场景,考虑了云机器人作业任务与传统云计算调度的差异,提出了按照不同任务对于虚拟机的依赖关系进行任务分类。本发明基于对不同类型任务时序的预测,生成了DAG图,从而能够应用基于DAG图的静态调度方法。通过静态调度方法设计的调度方案,能够获得相较于传统动态方法而言更接近于全局最优解的调度结果。
本领域技术人员知道,除了以纯计算机可读程序代码方式实现本发明提供的系统及其各个装置、模块、单元以外,完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统及其各个装置、模块、单元以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同功能。所以,本发明提供的系统及其各项装置、模块、单元可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置、模块、单元也可以视为硬件部件内的结构;也可以将用于实现各种功能的装置、模块、单元视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
以上对本发明的具体实施例进行了描述。需要理解的是,本发明并不局限于上述特定实施方式,本领域技术人员可以在权利要求的范围内做出各种变化或修改,这并不影响本发明的实质内容。在不冲突的情况下,本申请的实施例和实施例中的特征可以任意相互组合。
Claims (10)
1.一种基于任务分类与时序预测的云机器人资源调度方法,其特征在于,包括:
步骤S1:获取云机器人的作业任务序列;
步骤S2:根据云机器人作业任务与云端虚拟机的依赖关系对任务进行分类;
步骤S3:获取对各个作业任务作业时长的估计值;
步骤S4:将云机器人作业任务调度转化为由有向无环图DAG表达的工作流调度问题;
步骤S5:根据作业任务特性,对步骤S4中生成的DAG图进行简化;
步骤S6:利用各类静态调度方法对最终的DAG图进行求解。
2.根据权利要求1所述的基于任务分类与时序预测的云机器人资源调度方法,其特征在于,所述步骤S1中所获取的任务序列需要能够在任务开始前完整获取。
3.根据权利要求1所述的基于任务分类与时序预测的云机器人资源调度方法,其特征在于,所述步骤S2中对云机器人作业任务与虚拟机依赖关系的分类,具体而言包括:需要占用一台虚拟机一定时长的任务、需要占用一台虚拟机进行一定计算量的任务以及不需要占用虚拟机但需要一定时长的任务。
4.根据权利要求1所述的基于任务分类与时序预测的云机器人资源调度方法,其特征在于,所述步骤S3中对作业任务时长的估计,通过历史任务执行情况进行估计,也能通过机器学习方法进行获取。
5.根据权利要求1所述的基于任务分类与时序预测的云机器人资源调度方法,其特征在于,所述步骤S4中转化后的DAG图,需要带有工作流中各个任务之间的依赖关系、各个工作流的任务类别信息、预估的工作时长信息、计算量信息以及各个任务所需的虚拟机最低计算能力在内的相关信息。
6.根据权利要求1所述的基于任务分类与时序预测的云机器人资源调度方法,其特征在于,所述步骤S5中的转化方案根据步骤S6所需采用的静态调度方法进行调整。
7.根据权利要求1所述的基于任务分类与时序预测的云机器人资源调度方法,其特征在于,所述步骤S6中所能选的任务调度方法包括列表调度算法和遗传算法在内的相关算法。
8.一种基于任务分类与时序预测的云机器人资源调度系统,其特征在于,包括:
模块M1:获取云机器人的作业任务序列;
模块M2:根据云机器人作业任务与云端虚拟机的依赖关系对任务进行分类;
模块M3:获取对各个作业任务作业时长的估计值;
模块M4:将云机器人作业任务调度转化为由有向无环图DAG表达的工作流调度问题;
模块M5:根据作业任务特性,对模块M4中生成的DAG图进行简化;
模块M6:利用各类静态调度方法对最终的DAG图进行求解。
9.根据权利要求8所述的基于任务分类与时序预测的云机器人资源调度系统,其特征在于,所述模块M1中所获取的任务序列需要能够在任务开始前完整获取。
10.根据权利要求8所述的基于任务分类与时序预测的云机器人资源调度系统,其特征在于,所述模块M2中对云机器人作业任务与虚拟机依赖关系的分类,具体而言包括:需要占用一台虚拟机一定时长的任务、需要占用一台虚拟机进行一定计算量的任务以及不需要占用虚拟机但需要一定时长的任务。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110852192.9A CN113568747B (zh) | 2021-07-27 | 2021-07-27 | 基于任务分类与时序预测的云机器人资源调度方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110852192.9A CN113568747B (zh) | 2021-07-27 | 2021-07-27 | 基于任务分类与时序预测的云机器人资源调度方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113568747A true CN113568747A (zh) | 2021-10-29 |
CN113568747B CN113568747B (zh) | 2024-04-12 |
Family
ID=78168063
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110852192.9A Active CN113568747B (zh) | 2021-07-27 | 2021-07-27 | 基于任务分类与时序预测的云机器人资源调度方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113568747B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114493164A (zh) * | 2021-12-30 | 2022-05-13 | 重庆特斯联智慧科技股份有限公司 | 基于边缘计算的机器人任务解析方法和系统 |
CN115526426A (zh) * | 2022-10-27 | 2022-12-27 | 广东广信通信服务有限公司 | 一种基于时序数据预测rpa机器人任务执行量的方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103942102A (zh) * | 2014-04-14 | 2014-07-23 | 桂林电子科技大学 | 基于双优先级的实时任务调度方法 |
CN109284180A (zh) * | 2018-08-30 | 2019-01-29 | 百度在线网络技术(北京)有限公司 | 一种任务调度方法、装置、电子设备及存储介质 |
CN109784663A (zh) * | 2018-12-20 | 2019-05-21 | 西北大学 | 一种工作流调度方法与装置 |
CN111666152A (zh) * | 2020-05-18 | 2020-09-15 | 中国电子科技集团公司电子科学研究院 | 面向异构计算平台的任务调度方法、设备及存储介质 |
CN112181620A (zh) * | 2020-09-27 | 2021-01-05 | 郑州轻工业大学 | 云环境下虚拟机服务能力感知的大数据工作流调度方法 |
-
2021
- 2021-07-27 CN CN202110852192.9A patent/CN113568747B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103942102A (zh) * | 2014-04-14 | 2014-07-23 | 桂林电子科技大学 | 基于双优先级的实时任务调度方法 |
CN109284180A (zh) * | 2018-08-30 | 2019-01-29 | 百度在线网络技术(北京)有限公司 | 一种任务调度方法、装置、电子设备及存储介质 |
CN109784663A (zh) * | 2018-12-20 | 2019-05-21 | 西北大学 | 一种工作流调度方法与装置 |
CN111666152A (zh) * | 2020-05-18 | 2020-09-15 | 中国电子科技集团公司电子科学研究院 | 面向异构计算平台的任务调度方法、设备及存储介质 |
CN112181620A (zh) * | 2020-09-27 | 2021-01-05 | 郑州轻工业大学 | 云环境下虚拟机服务能力感知的大数据工作流调度方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114493164A (zh) * | 2021-12-30 | 2022-05-13 | 重庆特斯联智慧科技股份有限公司 | 基于边缘计算的机器人任务解析方法和系统 |
CN114493164B (zh) * | 2021-12-30 | 2024-04-09 | 重庆特斯联智慧科技股份有限公司 | 基于边缘计算的机器人任务解析方法和系统 |
CN115526426A (zh) * | 2022-10-27 | 2022-12-27 | 广东广信通信服务有限公司 | 一种基于时序数据预测rpa机器人任务执行量的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113568747B (zh) | 2024-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110737529B (zh) | 一种面向短时多变大数据作业集群调度自适应性配置方法 | |
US11868890B2 (en) | Workflow optimization | |
Heindl et al. | A case study on value-based requirements tracing | |
CN105956021A (zh) | 一种适用于分布式机器学习的自动化任务并行的方法及其系统 | |
US11579933B2 (en) | Method for establishing system resource prediction and resource management model through multi-layer correlations | |
CN110083528A (zh) | 测试任务的分配方法、装置、计算机设备及存储介质 | |
CN113568747B (zh) | 基于任务分类与时序预测的云机器人资源调度方法及系统 | |
US11017339B2 (en) | Cognitive labor forecasting | |
CN115543577B (zh) | 基于协变量的Kubernetes资源调度优化方法、存储介质及设备 | |
CN111181773A (zh) | 面向异构边云协同智能系统的多组件应用的延迟预测方法 | |
JP2021520560A (ja) | 半導体後端工場をスケジューリングするための方法 | |
CN116467061B (zh) | 一种任务执行的方法、装置、存储介质及电子设备 | |
Qian et al. | A workflow-aided Internet of things paradigm with intelligent edge computing | |
CN115543624A (zh) | 异构算力编排调度方法、系统、设备及存储介质 | |
Venkataswamy et al. | Rare: Renewable energy aware resource management in datacenters | |
CN113010296B (zh) | 基于形式化模型的任务解析与资源分配方法及系统 | |
CN110389817B (zh) | 多云系统的调度方法、装置和计算机可读介质 | |
CN116757650B (zh) | 一种基于机器学习的项目管理及资源调度的方法 | |
CN108052378B (zh) | 一种面向复杂仿真工作流应用的利润敏感的任务调度方法 | |
CN116643877A (zh) | 算力资源调度方法、算力资源调度模型的训练方法和系统 | |
Braune et al. | Applying genetic algorithms to the optimization of production planning in a real-world manufacturing environment | |
Süß et al. | GORBA: A Global Optimising Resource Broker Embedded in a Grid Resource Management System. | |
Sapienza et al. | Inclusion of ethical aspects in multi-criteria decision analysis | |
CN111861012A (zh) | 一种测试任务执行时间预测方法及最优执行节点选择方法 | |
US7937356B2 (en) | Apparatus, and associated method, for assessing viability of communication system arrangement transformation |
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 |