CN113791871A - 一种面向多目标的云计算任务策略调度方法及系统 - Google Patents
一种面向多目标的云计算任务策略调度方法及系统 Download PDFInfo
- Publication number
- CN113791871A CN113791871A CN202111122840.1A CN202111122840A CN113791871A CN 113791871 A CN113791871 A CN 113791871A CN 202111122840 A CN202111122840 A CN 202111122840A CN 113791871 A CN113791871 A CN 113791871A
- Authority
- CN
- China
- Prior art keywords
- optimal solution
- dayflies
- current
- dimension
- iterations
- 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
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
- G06F9/44—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
- G06F9/46—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
-
- 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
- G06F9/44—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
Abstract
本发明涉及一种面向多目标的云计算任务策略调度方法及系统,首先基于各子任务在各虚拟机上执行时间计算执行全部子任务所花费的最大时间;其次根据各虚拟机的执行成本计算总执行成本;然后基于所述总执行成本和所述执行全部子任务所花费的最大时间构建适应度函数;最后利用所述适应度函数和蜉蝣算法进行任务策略调度,输出虚拟机调度表。本发明提出了面向多目标的任务调度策略,从任务调度算法方面进行改进,提出改进的蜉蝣算法,使用自适应变异因子提升蜉蝣算法的局部搜索性能,不仅提升了任务完成时间,还减少了任务花费时间。
Description
技术领域
本发明涉及云计算调度领域,特别是涉及一种面向多目标的云计算任务策略调度方法及系统。
背景技术
云计算是近几年来迅速发展迅速的一种新型计算模式,它是一种融合了传统分布式计算、网格计算、并行计算的数据服务系统,通过网络将软件与硬件资源集中成一个大型的“资源池”。用户根据自身对于计算力、存储空间等服务的需求通过租用的方式来获取云计算提供的服务。随着现今各种用户需求的不断变化,如何更好地满足用户就成为了云计算行业发展的首要目标。其中,云计算任务调度是将任务合理分配到合适的计算资源执行的步骤,是云计算相关研究中的热点。
迄今为止,国内外研究学者通过大量研究已经提出了多种方法来解决云计算调度问题,主要分为传统算法与启发式算法两类。对于传统调度算法,Liang等人通过经典的Min-Min与Max-Min算法并通过有线安排计算量过小或过大的任务方式缩短总任务完成时间;Pradhan等人提出改进的Round Robin算法,减少了任务的等待时间,提高了资源的利用率。Krishnaveni等人通过Sufferage算法缩短了总任务的完成时间。但这些算法都只考虑了任务完成时间,对于花费成本没有重视。
发明内容
本发明的目的是提供一种面向多目标的云计算任务策略调度方法及系统,以实现均衡任务完成时间以及成本控制。
为实现上述目的,本发明提供了一种面向多目标的云计算任务策略调度方法,所述方法包括:
基于各子任务在各虚拟机上执行时间计算执行全部子任务所花费的最大时间;
根据各虚拟机的执行成本计算总执行成本;
基于所述总执行成本和所述执行全部子任务所花费的最大时间构建适应度函数;
利用所述适应度函数和蜉蝣算法进行任务策略调度,输出虚拟机调度表。
可选地,所述利用所述适应度函数和蜉蝣算法进行任务策略调度,输出虚拟机调度表,具体包括:
步骤S41:初始化种群参数;
步骤S42:利用适应度函数计算雄性蜉蝣i第t次迭代的适应度值,并判断雄性蜉蝣i第t次迭代的适应度值是否小于当前蜉蝣个体最优解pbest;如果小于当前蜉蝣个体最优解pbest,则将雄性蜉蝣i第t次迭代的适应度值作为当前蜉蝣个体最优解pbest,并执行“步骤S43”;如果大于当前蜉蝣个体最优解pbest,则执行“步骤S44”;
步骤S43:判断当前蜉蝣个体最优解pbest是否小于当前全局最优解gbest;如果小于当前全局最优解gbest,则将当前蜉蝣个体最优解pbest作为当前全局最优解gbest,并执行“步骤S44”;如果大于当前全局最优解gbest,则执行“步骤S44”;
步骤S44:更新雄性蜉蝣i在j维度t+1次迭代的速度和位置;
步骤S45:利用所述适应度函数计算雌性蜉蝣i第t次迭代的适应度值,并判断雌性蜉蝣i第t次迭代的适应度值是否小于当前蜉蝣个体最优解pbest;如果小于当前蜉蝣个体最优解pbest,则将雌性蜉蝣i第t次迭代的适应度值作为当前蜉蝣个体最优解pbest,并执行“步骤S46”;如果大于当前蜉蝣个体最优解pbest,则执行“步骤S47”;
步骤S46:判断当前蜉蝣个体最优解pbest是否小于当前全局最优解gbest;如果小于当前全局最优解gbest,则将当前蜉蝣个体最优解pbest作为当前全局最优解gbest,并执行“步骤S47”;如果大于当前全局最优解gbest,则执行“步骤S47”;
步骤S47:更新雌性蜉蝣i在j维度t+1次迭代的速度和位置;
步骤S48:将雌性蜉蝣K与雄性蜉蝣K进行交配,判断K是否小于nc/2+1;如果小于nc/2+1,则令K=K+1,并返回“步骤S48”,如果大于或等于nc/2+1,则对子代蜉蝣进行自适应变异;计算自适应变异后子代蜉蝣的适应度,并判断自适应变异后子代蜉蝣的适应度是否小于当前全局最优解gbest,如果小于当前全局最优解gbest,则将自适应变异后子代蜉蝣的适应度作为当前全局最优解gbest,并执行“步骤S49”;如果大于当前全局最优解gbest,则执行“步骤S49”;其中,nc表示产生子代蜉蝣的数量;
步骤S49:将自适应变异后的子代蜉蝣分成雌雄两组,并替换种群中适应度值较大的雌雄蜉蝣,并判断迭代次数t是否大于或等于最大迭代次数Kmax;如果迭代次数t大于或等于最大迭代次数Kmax,则将当前全局最优解对应的蜉蝣位置作为虚拟机调度表输出;如果迭代次数t小于最大迭代次数Kmax,则返回“步骤S42”。
可选地,所述更新雄性蜉蝣i在j维度t+1次迭代的速度和位置,具体包括:
步骤S441:根据计算雄性蜉蝣i在j维度t+1次迭代的速度;其中,vij t+1表示雄性蜉蝣i在j维度t+1次迭代的速度,xij t表示雄性蜉蝣i在j维度t次迭代的位置,a1、a2均表示学习因子,β表示视距,rp和rg分别表示当前雄性蜉蝣i在j维度t+1次迭代的位置与当前蜉蝣个体最优解pbest和当前雄性蜉蝣i在j维度t+1次迭代的位置与当前全局最优解gbest的笛卡尔距离,g表示惯性系数;
步骤S442:根据xij t+1=xij t+vij t+1更新雄性蜉蝣i在j维度t+1次迭代的位置;其中,vij t+1表示雄性蜉蝣i在j维度t+1次迭代的速度,xij t+1表示雄性蜉蝣i在j维度t+1次迭代的位置。
可选地,所述更新雌性蜉蝣i在j维度t+1次迭代的速度和位置,具体包括:
步骤S471:根据计算雌性蜉蝣i在j维度t+1次迭代的速度;其中,表示雌性蜉蝣i在j维度t+1次迭代的速度,f(yi)表示雌性蜉蝣i对应的适应度,f(xi)表示雄性蜉蝣i对应的适应度,表示雌性蜉蝣i在j维度t次迭代的位置,表示雄性蜉蝣i在j维度t次迭代的位置,fl表示随机游走系数,r表示0-1之间的随机数,rm表示雌性蜉蝣与雄性蜉蝣之间的笛卡尔距离,a2均表示学习因子,β表示视距,g表示惯性系数;
可选地,所述基于所述总执行成本和所述执行全部子任务所花费的最大时间构建适应度函数,具体公式为:
f(x)=λ1min(Makespan)+(1-λ1)min(Ctotal);
其中,λ1表示适应系数,f(x)表示适应度值,Ctotal表示总执行成本,Makespan表示执行全部子任务所花费的最大时间。
本发明还提供一种面向多目标的云计算任务策略调度系统,所述系统包括:
最大时间确定模块,用于基于各子任务在各虚拟机上执行时间计算执行全部子任务所花费的最大时间;
总执行成本确定模块,用于根据各虚拟机的执行成本计算总执行成本;
适应度函数构建模块,用于基于所述总执行成本和所述执行全部子任务所花费的最大时间构建适应度函数;
任务策略调度模块,用于利用所述适应度函数和蜉蝣算法进行任务策略调度,输出虚拟机调度表。
可选地,所述任务策略调度模块,具体包括:
初始化单元,用于初始化种群参数;
第一判断单元,用于利用适应度函数计算雄性蜉蝣i第t次迭代的适应度值,并判断雄性蜉蝣i第t次迭代的适应度值是否小于当前蜉蝣个体最优解pbest;如果小于当前蜉蝣个体最优解pbest,则将雄性蜉蝣i第t次迭代的适应度值作为当前蜉蝣个体最优解pbest,并执行“第二判断单元”;如果大于当前蜉蝣个体最优解pbest,则执行“第一更新单元”;
第二判断单元,用于判断当前蜉蝣个体最优解pbest是否小于当前全局最优解gbest;如果小于当前全局最优解gbest,则将当前蜉蝣个体最优解pbest作为当前全局最优解gbest,并执行“第一更新单元”;如果大于当前全局最优解gbest,则执行“第一更新单元”;
第一更新单元,用于更新雄性蜉蝣i在j维度t+1次迭代的速度和位置;
第三判断单元,用于利用所述适应度函数计算雌性蜉蝣i第t次迭代的适应度值,并判断雌性蜉蝣i第t次迭代的适应度值是否小于当前蜉蝣个体最优解pbest;如果小于当前蜉蝣个体最优解pbest,则将雌性蜉蝣i第t次迭代的适应度值作为当前蜉蝣个体最优解pbest,并执行“第四判断单元”;如果大于当前蜉蝣个体最优解pbest,则执行“第二更新单元”;
第四判断单元,用于判断当前蜉蝣个体最优解pbest是否小于当前全局最优解gbest;如果小于当前全局最优解gbest,则将当前蜉蝣个体最优解pbest作为当前全局最优解gbest,并执行“第二更新单元”;如果大于当前全局最优解gbest,则执行“第二更新单元”;
第二更新单元,用于更新雌性蜉蝣i在j维度t+1次迭代的速度和位置;
第五判断单元,用于将雌性蜉蝣K与雄性蜉蝣K进行交配,判断K是否小于nc/2+1;如果小于nc/2+1,则令K=K+1,并返回“第五判断单元”,如果大于或等于nc/2+1,则对子代蜉蝣进行自适应变异;计算自适应变异后子代蜉蝣的适应度,并判断自适应变异后子代蜉蝣的适应度是否小于当前全局最优解gbest,如果小于当前全局最优解gbest,则将自适应变异后子代蜉蝣的适应度作为当前全局最优解gbest,并执行“任务策略调度单元”;如果大于当前全局最优解gbest,则执行“任务策略调度单元”;其中,nc表示产生子代蜉蝣的数量;
任务策略调度单元,用于将自适应变异后的子代蜉蝣分成雌雄两组,并替换种群中适应度值较大的雌雄蜉蝣,并判断迭代次数t是否大于或等于最大迭代次数Kmax;如果迭代次数t大于或等于最大迭代次数Kmax,则将当前全局最优解对应的蜉蝣位置作为虚拟机调度表输出;如果迭代次数t小于最大迭代次数Kmax,则返回“第一判断单元”。
可选地,所述第一更新单元,具体包括:
第一速度更新子单元,用于根据计算雄性蜉蝣i在j维度t+1次迭代的速度;其中,vij t+1表示雄性蜉蝣i在j维度t+1次迭代的速度,xij t表示雄性蜉蝣i在j维度t次迭代的位置,a1、a2均表示学习因子,β表示视距,rp和rg分别表示当前雄性蜉蝣i在j维度t+1次迭代的位置与当前蜉蝣个体最优解pbest和当前雄性蜉蝣i在j维度t+1次迭代的位置与当前全局最优解gbest的笛卡尔距离,g表示惯性系数;
第一位置更新子单元,用于根据xij t+1=xij t+vij t+1更新雄性蜉蝣i在j维度t+1次迭代的位置;其中,vij t+1表示雄性蜉蝣i在j维度t+1次迭代的速度,xij t+1表示雄性蜉蝣i在j维度t+1次迭代的位置。
可选地,所述第二更新单元,具体包括:
第二速度更新子单元,用于根据计算雌性蜉蝣i在j维度t+1次迭代的速度;其中,表示雌性蜉蝣i在j维度t+1次迭代的速度,f(yi)表示雌性蜉蝣i对应的适应度,f(xi)表示雄性蜉蝣i对应的适应度,表示雌性蜉蝣i在j维度t次迭代的位置,表示雄性蜉蝣i在j维度t次迭代的位置,fl表示随机游走系数,r表示0-1之间的随机数,rm表示雌性蜉蝣与雄性蜉蝣之间的笛卡尔距离,a2均表示学习因子,β表示视距,g表示惯性系数;
本发明还一种面向多目标的云计算任务策略调度系统,所述系统包括:
服务接口,用于接收用户发送的云任务;
任务管理器,与所述服务接口连接,用于通过MAP/Reduce编程模型将云任务分解成多个子任务放置到云任务列表中;
任务调度器,与所述任务管理器连接,用于采用权利要求1-5任一项所述的方法进行任务策略调度,输出虚拟机调度表;
资源信息服务器,与所述任务调度器连接,用于根据虚拟机调度表进行任务调度。
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:
本发明涉及一种面向多目标的云计算任务策略调度方法及系统,首先基于各子任务在各虚拟机上执行时间计算执行全部子任务所花费的最大时间;其次根据各虚拟机的执行成本计算总执行成本;然后基于所述总执行成本和所述执行全部子任务所花费的最大时间构建适应度函数;最后利用所述适应度函数和蜉蝣算法进行任务策略调度,输出虚拟机调度表。本发明提出了面向多目标的任务调度策略,从任务调度算方面进行改进,提出改进的蜉蝣算法,使用自适应变异因子提升蜉蝣算法的局部搜索性能,不仅提升了任务完成时间,还减少了任务花费时间。
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为本发明面向多目标的云计算任务策略调度方法流程图;
图2为本发明利用所述适应度函数和蜉蝣算法进行任务策略调度流程图;
图3为本发明蜉蝣淘汰流程图;
图4为本发明在时间上的优化结果示意图;
图5为本发明在任务成本上的优化结果示意图;
图6为本发明面向多目标的云计算任务策略调度系统结构图一;
图7为本发明面向多目标的云计算任务策略调度系统结构图二。
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面向多目标的云计算任务策略调度方法及系统,以实现均衡任务完成时间以及成本控制。
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。
实施例1
如图1所示,本发明公开一种面向多目标的云计算任务策略调度方法,所述方法包括:
步骤S1:基于各子任务在各虚拟机上执行时间计算执行全部子任务所花费的最大时间。
步骤S2:根据各虚拟机的执行成本计算总执行成本。
步骤S3:基于所述总执行成本和所述执行全部子任务所花费的最大时间构建适应度函数。
步骤S4:利用所述适应度函数和蜉蝣算法进行任务策略调度,输出虚拟机调度表。
下面对各个步骤进行详细论述:
步骤S1:基于各子任务在各虚拟机上执行时间计算执行全部子任务所花费的最大时间,具体包括:
步骤S11:获取云任务,并将所述云任务切割成多个子任务,构成子任务集;所述子任务集Task={T1,T2,T3,Ti,...,Tn},其中,n表示切割后的子任务总数量,Ti表示第i个需要执行的子任务。且全部子任务都将以非抢占的形式执行(子任务一旦开始将不能被停止,直至执行完毕),并暂不考虑因故障而中断的情况。
步骤S12:构建虚拟机调度集,所述虚拟机调度集Vm={Vm1,Vm2,Vm3,Vmi,…,Vmm},其中,m表示虚拟机总数量,Vmi表示第i个虚拟机。所述虚拟机又称可用虚拟资源节点。
步骤S13:根据计算子任务Ti在虚拟机Vmi上执行时间;其中,Ti_length表示子任务Ti的长度,Vmi_mip表示虚拟机Vmi的处理速度,Ti_finishTime表示子任务Ti在虚拟机Vmi上执行时间。
步骤S2:根据各虚拟机的执行成本计算总执行成本,具体包括:
步骤S21:根据Ci_vm=Vmi_time*Vmi_price+Vmi_BW*Vmi_BW_price计算各虚拟机的执行成本;其中,Vmi_time表示第i个虚拟机的运行时长,Vmi_price表示第i个虚拟机单位时间内的价格,Vmi_BW表示虚拟机带宽花费,Vmi_BW_price表示带宽价格,Ci_vm表示第i个虚拟机的执行成本。
步骤S3:基于所述总执行成本和所述执行全部子任务所花费的最大时间构建适应度函数,具体公式为:
f(x)=λ1min(Makespan)+(1-λ1)min(Ctotal);
其中,λ1表示适应系数,取值0-1之间常数,f(x)表示适应度值,Ctotal表示总执行成本,Makespan表示执行全部子任务所花费的最大时间。
如图2所示,利用所述适应度函数和蜉蝣算法进行任务策略调度,输出虚拟机调度表,具体包括:
步骤S41:初始化种群参数;所述种群参数包括:种群大小N,雄性蜉蝣个数N1,雌性蜉蝣个数N2,产生子代蜉蝣的数量nc,学习因子a1、a2,视距β,生成种群的初始位置及速度,最大迭代次数Kmax,当前全局最优解gbest,所有蜉蝣的位置,根据适应度函数计算出所有蜉蝣适应度f(x)的最小值作为当前蜉蝣个体最优解pbest。N>N1+N2。所述位置使用由虚拟机与子任务组成的多维数组。
步骤S42:利用所述适应度函数计算雄性蜉蝣i第t次迭代的适应度值,并判断雄性蜉蝣i第t次迭代的适应度值是否小于当前蜉蝣个体最优解pbest;如果小于当前蜉蝣个体最优解pbest,则将雄性蜉蝣i第t次迭代的适应度值作为当前蜉蝣个体最优解pbest,并执行“步骤S43”;如果大于当前蜉蝣个体最优解pbest,则执行“步骤S44”。
步骤S43:判断当前蜉蝣个体最优解pbest是否小于当前全局最优解gbest;如果小于当前全局最优解gbest,则将当前蜉蝣个体最优解pbest作为当前全局最优解gbest,并执行“步骤S44”;如果大于当前全局最优解gbest,则执行“步骤S44”。
步骤S44:更新雄性蜉蝣i在j维度t+1次迭代的速度和位置,具体包括:
步骤S441:根据计算雄性蜉蝣i在j维度t+1次迭代的速度;其中,vij t+1表示雄性蜉蝣i在j维度t+1次迭代的速度,xij t表示雄性蜉蝣i在j维度t次迭代的位置,a1、a2均表示学习因子,β表示视距,rp和rg分别表示当前雄性蜉蝣i在j维度t+1次迭代的位置与当前蜉蝣个体最优解pbest和当前雄性蜉蝣i在j维度t+1次迭代的位置与当前全局最优解gbest的笛卡尔距离,g表示惯性系数。i为大于1的正整数,j为大于1的正整数。
笛卡尔距离计算公式为:
步骤S442:根据xij t+1=xij t+vij t+1更新雄性蜉蝣i在j维度t+1次迭代的位置;其中,vij t+1表示雄性蜉蝣i在j维度t+1次迭代的速度,xij t+1表示雄性蜉蝣i在j维度t+1次迭代的位置。
步骤S45:利用所述适应度函数计算雌性蜉蝣i第t次迭代的适应度值,并判断雌性蜉蝣i第t次迭代的适应度值是否小于当前蜉蝣个体最优解pbest;如果小于当前蜉蝣个体最优解pbest,则将雌性蜉蝣i第t次迭代的适应度值作为当前蜉蝣个体最优解pbest,并执行“步骤S46”;如果大于当前蜉蝣个体最优解pbest,则执行“步骤S47”。
步骤S46:判断当前蜉蝣个体最优解pbest是否小于当前全局最优解gbest;如果小于当前全局最优解gbest,则将当前蜉蝣个体最优解pbest作为当前全局最优解gbest,并执行“步骤S47”;如果大于当前全局最优解gbest,则执行“步骤S47”。
步骤S47:更新雌性蜉蝣i在j维度t+1次迭代的速度和位置,具体包括:
步骤S471:根据计算雌性蜉蝣i在j维度t+1次迭代的速度;其中,表示雌性蜉蝣i在j维度t+1次迭代的速度,f(yi)表示雌性蜉蝣i对应的适应度,f(xi)表示雄性蜉蝣i对应的适应度,表示雌性蜉蝣i在j维度t次迭代的位置,表示雄性蜉蝣i在j维度t次迭代的位置,fl表示随机游走系数,r表示0-1之间的随机数,rm表示雌性蜉蝣与雄性蜉蝣之间的笛卡尔距离,a2均表示学习因子,β表示视距。i为大于1的正整数,j为大于1的正整数。
步骤S48:将雌性蜉蝣K与雄性蜉蝣K进行交配,判断K是否小于nc/2+1;如果小于nc/2+1,则令K=K+1,并返回“步骤S48”,如果大于或等于nc/2+1,则对子代蜉蝣进行自适应变异;计算自适应变异后子代蜉蝣的适应度,并判断自适应变异后子代蜉蝣的适应度是否小于当前全局最优解gbest,如果小于当前全局最优解gbest,则将自适应变异后子代蜉蝣的适应度作为当前全局最优解gbest,并执行“步骤S49”;如果大于当前全局最优解gbest,则执行“步骤S49”。
步骤S49:将自适应变异后的子代蜉蝣分成雌雄两组,并替换种群中适应度值较大的雌雄蜉蝣,如图3所示,并判断迭代次数t是否大于或等于最大迭代次数Kmax;如果迭代次数t大于或等于最大迭代次数Kmax,则将当前全局最优解对应的蜉蝣位置作为虚拟机调度表输出;如果迭代次数t小于最大迭代次数Kmax,则返回“步骤S42”。
采用本发明实施例1的方法进行任务策略调度,在时间上的优化结果如图4所示,在任务成本上的优化结果如图5所示。
实施例2
如图6所示,本发明还提供一种面向多目标的云计算任务策略调度系统,所述系统包括:
最大时间确定模块601,用于基于各子任务在各虚拟机上执行时间计算执行全部子任务所花费的最大时间。
总执行成本确定模块602,用于根据各虚拟机的执行成本计算总执行成本。
适应度函数构建模块603,用于基于所述总执行成本和所述执行全部子任务所花费的最大时间构建适应度函数。
任务策略调度模块604,用于利用所述适应度函数和蜉蝣算法进行任务策略调度,输出虚拟机调度表。
作为一种可选的实施方式,本发明所述任务策略调度模块604,具体包括:
初始化单元,用于初始化种群参数。
第一判断单元,用于利用适应度函数计算雄性蜉蝣i第t次迭代的适应度值,并判断雄性蜉蝣i第t次迭代的适应度值是否小于当前蜉蝣个体最优解pbest;如果小于当前蜉蝣个体最优解pbest,则将雄性蜉蝣i第t次迭代的适应度值作为当前蜉蝣个体最优解pbest,并执行“第二判断单元”;如果大于当前蜉蝣个体最优解pbest,则执行“第一更新单元”。
第二判断单元,用于判断当前蜉蝣个体最优解pbest是否小于当前全局最优解gbest;如果小于当前全局最优解gbest,则将当前蜉蝣个体最优解pbest作为当前全局最优解gbest,并执行“第一更新单元”;如果大于当前全局最优解gbest,则执行“第一更新单元”。
第一更新单元,用于更新雄性蜉蝣i在j维度t+1次迭代的速度和位置。
第三判断单元,用于利用所述适应度函数计算雌性蜉蝣i第t次迭代的适应度值,并判断雌性蜉蝣i第t次迭代的适应度值是否小于当前蜉蝣个体最优解pbest;如果小于当前蜉蝣个体最优解pbest,则将雌性蜉蝣i第t次迭代的适应度值作为当前蜉蝣个体最优解pbest,并执行“第四判断单元”;如果大于当前蜉蝣个体最优解pbest,则执行“第二更新单元”。
第四判断单元,用于判断当前蜉蝣个体最优解pbest是否小于当前全局最优解gbest;如果小于当前全局最优解gbest,则将当前蜉蝣个体最优解pbest作为当前全局最优解gbest,并执行“第二更新单元”;如果大于当前全局最优解gbest,则执行“第二更新单元”。
第二更新单元,用于更新雌性蜉蝣i在j维度t+1次迭代的速度和位置。
第五判断单元,用于将雌性蜉蝣K与雄性蜉蝣K进行交配,判断K是否小于nc/2+1;如果小于nc/2+1,则令K=K+1,并返回“第五判断单元”,如果大于或等于nc/2+1,则对子代蜉蝣进行自适应变异;计算自适应变异后子代蜉蝣的适应度,并判断自适应变异后子代蜉蝣的适应度是否小于当前全局最优解gbest,如果小于当前全局最优解gbest,则将自适应变异后子代蜉蝣的适应度作为当前全局最优解gbest,并执行“任务策略调度单元”;如果大于当前全局最优解gbest,则执行“任务策略调度单元”;其中,nc表示产生子代蜉蝣的数量。
任务策略调度单元,用于将自适应变异后的子代蜉蝣分成雌雄两组,并替换种群中适应度值较大的雌雄蜉蝣,并判断迭代次数t是否大于或等于最大迭代次数Kmax;如果迭代次数t大于或等于最大迭代次数Kmax,则将当前全局最优解对应的蜉蝣位置作为虚拟机调度表输出;如果迭代次数t小于最大迭代次数Kmax,则返回“第一判断单元”。
作为一种可选的实施方式,本发明所述第一更新单元,具体包括:
第一速度更新子单元,用于根据计算雄性蜉蝣i在j维度t+1次迭代的速度;其中,vij t+1表示雄性蜉蝣i在j维度t+1次迭代的速度,xij t表示雄性蜉蝣i在j维度t次迭代的位置,a1、a2均表示学习因子,β表示视距,rp和rg分别表示当前雄性蜉蝣i在j维度t+1次迭代的位置与当前蜉蝣个体最优解pbest和当前雄性蜉蝣i在j维度t+1次迭代的位置与当前全局最优解gbest的笛卡尔距离,g表示惯性系数。
第一位置更新子单元,用于根据xij t+1=xij t+vij t+1更新雄性蜉蝣i在j维度t+1次迭代的位置;其中,vij t+1表示雄性蜉蝣i在j维度t+1次迭代的速度,xij t+1表示雄性蜉蝣i在j维度t+1次迭代的位置。
可选地,所述第二更新单元,具体包括:
第二速度更新子单元,用于根据计算雌性蜉蝣i在j维度t+1次迭代的速度;其中,表示雌性蜉蝣i在j维度t+1次迭代的速度,f(yi)表示雌性蜉蝣i对应的适应度,f(xi)表示雄性蜉蝣i对应的适应度,表示雌性蜉蝣i在j维度t次迭代的位置,表示雄性蜉蝣i在j维度t次迭代的位置,fl表示随机游走系数,r表示0-1之间的随机数,rm表示雌性蜉蝣与雄性蜉蝣之间的笛卡尔距离,a2均表示学习因子,β表示视距,g表示惯性系数。
作为一种可选的实施方式,本发明所述基于所述总执行成本和所述执行全部子任务所花费的最大时间构建适应度函数,具体公式为:
f(x)=λ1min(Makespan)+(1-λ1)min(Ctotal);
其中,λ1表示适应系数,f(x)表示适应度值,Ctotal表示总执行成本,Makespan表示执行全部子任务所花费的最大时间。
与实施例1相同的公式以及步骤,在此不再一一赘述。
实施例3
如图7所示,本发明还一种面向多目标的云计算任务策略调度系统,所述系统包括:
服务接口702,用于接收用户701发送的云任务。
任务管理器703,与所述服务接口702连接,用于通过MAP/Reduce编程模型将云任务分解成多个子任务(即图7中的云任务1-n)放置到云任务列表(即独立云任务列表)中。
任务调度器704,与所述任务管理器703连接,用于采用实施例1中方法进行任务策略调度,输出虚拟机调度表。
资源信息服务器705,与任务调度器704连接,用于根据虚拟机调度表进行任务调度。
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 (10)
1.一种面向多目标的云计算任务策略调度方法,其特征在于,所述方法包括:
基于各子任务在各虚拟机上执行时间计算执行全部子任务所花费的最大时间;
根据各虚拟机的执行成本计算总执行成本;
基于所述总执行成本和所述执行全部子任务所花费的最大时间构建适应度函数;
利用所述适应度函数和蜉蝣算法进行任务策略调度,输出虚拟机调度表。
2.根据权利要求1所述的面向多目标的云计算任务策略调度方法,其特征在于,所述利用所述适应度函数和蜉蝣算法进行任务策略调度,输出虚拟机调度表,具体包括:
步骤S41:初始化种群参数;
步骤S42:利用适应度函数计算雄性蜉蝣i第t次迭代的适应度值,并判断雄性蜉蝣i第t次迭代的适应度值是否小于当前蜉蝣个体最优解pbest;如果小于当前蜉蝣个体最优解pbest,则将雄性蜉蝣i第t次迭代的适应度值作为当前蜉蝣个体最优解pbest,并执行“步骤S43”;如果大于当前蜉蝣个体最优解pbest,则执行“步骤S44”;
步骤S43:判断当前蜉蝣个体最优解pbest是否小于当前全局最优解gbest;如果小于当前全局最优解gbest,则将当前蜉蝣个体最优解pbest作为当前全局最优解gbest,并执行“步骤S44”;如果大于当前全局最优解gbest,则执行“步骤S44”;
步骤S44:更新雄性蜉蝣i在j维度t+1次迭代的速度和位置;
步骤S45:利用所述适应度函数计算雌性蜉蝣i第t次迭代的适应度值,并判断雌性蜉蝣i第t次迭代的适应度值是否小于当前蜉蝣个体最优解pbest;如果小于当前蜉蝣个体最优解pbest,则将雌性蜉蝣i第t次迭代的适应度值作为当前蜉蝣个体最优解pbest,并执行“步骤S46”;如果大于当前蜉蝣个体最优解pbest,则执行“步骤S47”;
步骤S46:判断当前蜉蝣个体最优解pbest是否小于当前全局最优解gbest;如果小于当前全局最优解gbest,则将当前蜉蝣个体最优解pbest作为当前全局最优解gbest,并执行“步骤S47”;如果大于当前全局最优解gbest,则执行“步骤S47”;
步骤S47:更新雌性蜉蝣i在j维度t+1次迭代的速度和位置;
步骤S48:将雌性蜉蝣K与雄性蜉蝣K进行交配,判断K是否小于nc/2+1;如果小于nc/2+1,则令K=K+1,并返回“步骤S48”,如果大于或等于nc/2+1,则对子代蜉蝣进行自适应变异;计算自适应变异后子代蜉蝣的适应度,并判断自适应变异后子代蜉蝣的适应度是否小于当前全局最优解gbest,如果小于当前全局最优解gbest,则将自适应变异后子代蜉蝣的适应度作为当前全局最优解gbest,并执行“步骤S49”;如果大于当前全局最优解gbest,则执行“步骤S49”;其中,nc表示产生子代蜉蝣的数量;
步骤S49:将自适应变异后的子代蜉蝣分成雌雄两组,并替换种群中适应度值较大的雌雄蜉蝣,并判断迭代次数t是否大于或等于最大迭代次数Kmax;如果迭代次数t大于或等于最大迭代次数Kmax,则将当前全局最优解对应的蜉蝣位置作为虚拟机调度表输出;如果迭代次数t小于最大迭代次数Kmax,则返回“步骤S42”。
3.根据权利要求2所述的面向多目标的云计算任务策略调度方法,其特征在于,所述更新雄性蜉蝣i在j维度t+1次迭代的速度和位置,具体包括:
步骤S441:根据计算雄性蜉蝣i在j维度t+1次迭代的速度;其中,vij t+1表示雄性蜉蝣i在j维度t+1次迭代的速度,xij t表示雄性蜉蝣i在j维度t次迭代的位置,a1、a2均表示学习因子,β表示视距,rp和rg分别表示当前雄性蜉蝣i在j维度t+1次迭代的位置与当前蜉蝣个体最优解pbest和当前雄性蜉蝣i在j维度t+1次迭代的位置与当前全局最优解gbest的笛卡尔距离,g表示惯性系数;
步骤S442:根据xij t+1=xij t+vij t+1更新雄性蜉蝣i在j维度t+1次迭代的位置;其中,vij t+1表示雄性蜉蝣i在j维度t+1次迭代的速度,xij t+1表示雄性蜉蝣i在j维度t+1次迭代的位置。
4.根据权利要求2所述的面向多目标的云计算任务策略调度方法,其特征在于,所述更新雌性蜉蝣i在j维度t+1次迭代的速度和位置,具体包括:
步骤S471:根据计算雌性蜉蝣i在j维度t+1次迭代的速度;其中,表示雌性蜉蝣i在j维度t+1次迭代的速度,f(yi)表示雌性蜉蝣i对应的适应度,f(xi)表示雄性蜉蝣i对应的适应度,表示雌性蜉蝣i在j维度t次迭代的位置,表示雄性蜉蝣i在j维度t次迭代的位置,fl表示随机游走系数,r表示0-1之间的随机数,rm表示雌性蜉蝣与雄性蜉蝣之间的笛卡尔距离,a2均表示学习因子,β表示视距,g表示惯性系数;
5.根据权利要求1所述的面向多目标的云计算任务策略调度方法,其特征在于,所述基于所述总执行成本和所述执行全部子任务所花费的最大时间构建适应度函数,具体公式为:
f(x)=λ1min(Makespan)+(1-λ1)min(Ctotal);
其中,λ1表示适应系数,f(x)表示适应度值,Ctotal表示总执行成本,Makespan表示执行全部子任务所花费的最大时间。
6.一种面向多目标的云计算任务策略调度系统,其特征在于,所述系统包括:
最大时间确定模块,用于基于各子任务在各虚拟机上执行时间计算执行全部子任务所花费的最大时间;
总执行成本确定模块,用于根据各虚拟机的执行成本计算总执行成本;
适应度函数构建模块,用于基于所述总执行成本和所述执行全部子任务所花费的最大时间构建适应度函数;
任务策略调度模块,用于利用所述适应度函数和蜉蝣算法进行任务策略调度,输出虚拟机调度表。
7.根据权利要求6所述的面向多目标的云计算任务策略调度系统,其特征在于,所述任务策略调度模块,具体包括:
初始化单元,用于初始化种群参数;
第一判断单元,用于利用适应度函数计算雄性蜉蝣i第t次迭代的适应度值,并判断雄性蜉蝣i第t次迭代的适应度值是否小于当前蜉蝣个体最优解pbest;如果小于当前蜉蝣个体最优解pbest,则将雄性蜉蝣i第t次迭代的适应度值作为当前蜉蝣个体最优解pbest,并执行“第二判断单元”;如果大于当前蜉蝣个体最优解pbest,则执行“第一更新单元”;
第二判断单元,用于判断当前蜉蝣个体最优解pbest是否小于当前全局最优解gbest;如果小于当前全局最优解gbest,则将当前蜉蝣个体最优解pbest作为当前全局最优解gbest,并执行“第一更新单元”;如果大于当前全局最优解gbest,则执行“第一更新单元”;
第一更新单元,用于更新雄性蜉蝣i在j维度t+1次迭代的速度和位置;
第三判断单元,用于利用所述适应度函数计算雌性蜉蝣i第t次迭代的适应度值,并判断雌性蜉蝣i第t次迭代的适应度值是否小于当前蜉蝣个体最优解pbest;如果小于当前蜉蝣个体最优解pbest,则将雌性蜉蝣i第t次迭代的适应度值作为当前蜉蝣个体最优解pbest,并执行“第四判断单元”;如果大于当前蜉蝣个体最优解pbest,则执行“第二更新单元”;
第四判断单元,用于判断当前蜉蝣个体最优解pbest是否小于当前全局最优解gbest;如果小于当前全局最优解gbest,则将当前蜉蝣个体最优解pbest作为当前全局最优解gbest,并执行“第二更新单元”;如果大于当前全局最优解gbest,则执行“第二更新单元”;
第二更新单元,用于更新雌性蜉蝣i在j维度t+1次迭代的速度和位置;
第五判断单元,用于将雌性蜉蝣K与雄性蜉蝣K进行交配,判断K是否小于nc/2+1;如果小于nc/2+1,则令K=K+1,并返回“第五判断单元”,如果大于或等于nc/2+1,则对子代蜉蝣进行自适应变异;计算自适应变异后子代蜉蝣的适应度,并判断自适应变异后子代蜉蝣的适应度是否小于当前全局最优解gbest,如果小于当前全局最优解gbest,则将自适应变异后子代蜉蝣的适应度作为当前全局最优解gbest,并执行“任务策略调度单元”;如果大于当前全局最优解gbest,则执行“任务策略调度单元”;其中,nc表示产生子代蜉蝣的数量;
任务策略调度单元,用于将自适应变异后的子代蜉蝣分成雌雄两组,并替换种群中适应度值较大的雌雄蜉蝣,并判断迭代次数t是否大于或等于最大迭代次数Kmax;如果迭代次数t大于或等于最大迭代次数Kmax,则将当前全局最优解对应的蜉蝣位置作为虚拟机调度表输出;如果迭代次数t小于最大迭代次数Kmax,则返回“第一判断单元”。
8.根据权利要求7所述的面向多目标的云计算任务策略调度系统,其特征在于,所述第一更新单元,具体包括:
第一速度更新子单元,用于根据计算雄性蜉蝣i在j维度t+1次迭代的速度;其中,vij t+1表示雄性蜉蝣i在j维度t+1次迭代的速度,xij t表示雄性蜉蝣i在j维度t次迭代的位置,a1、a2均表示学习因子,β表示视距,rp和rg分别表示当前雄性蜉蝣i在j维度t+1次迭代的位置与当前蜉蝣个体最优解pbest和当前雄性蜉蝣i在j维度t+1次迭代的位置与当前全局最优解gbest的笛卡尔距离,g表示惯性系数;
第一位置更新子单元,用于根据xij t+1=xij t+vij t+1更新雄性蜉蝣i在j维度t+1次迭代的位置;其中,vij t+1表示雄性蜉蝣i在j维度t+1次迭代的速度,xij t+1表示雄性蜉蝣i在j维度t+1次迭代的位置。
9.根据权利要求7所述的面向多目标的云计算任务策略调度系统,其特征在于,所述第二更新单元,具体包括:
第二速度更新子单元,用于根据计算雌性蜉蝣i在j维度t+1次迭代的速度;其中,表示雌性蜉蝣i在j维度t+1次迭代的速度,f(yi)表示雌性蜉蝣i对应的适应度,f(xi)表示雄性蜉蝣i对应的适应度,表示雌性蜉蝣i在j维度t次迭代的位置,表示雄性蜉蝣i在j维度t次迭代的位置,fl表示随机游走系数,r表示0-1之间的随机数,rm表示雌性蜉蝣与雄性蜉蝣之间的笛卡尔距离,a2均表示学习因子,β表示视距,g表示惯性系数;
10.一种面向多目标的云计算任务策略调度系统,其特征在于,所述系统包括:
服务接口,用于接收用户发送的云任务;
任务管理器,与所述服务接口连接,用于通过MAP/Reduce编程模型将云任务分解成多个子任务放置到云任务列表中;
任务调度器,与所述任务管理器连接,用于采用如权利要求1-5中任一项所述的方法进行任务策略调度,输出虚拟机调度表;
资源信息服务器,与所述任务调度器连接,用于根据虚拟机调度表进行任务调度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111122840.1A CN113791871B (zh) | 2021-09-24 | 2021-09-24 | 一种面向多目标的云计算任务策略调度方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111122840.1A CN113791871B (zh) | 2021-09-24 | 2021-09-24 | 一种面向多目标的云计算任务策略调度方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113791871A true CN113791871A (zh) | 2021-12-14 |
CN113791871B CN113791871B (zh) | 2023-08-22 |
Family
ID=78879229
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111122840.1A Active CN113791871B (zh) | 2021-09-24 | 2021-09-24 | 一种面向多目标的云计算任务策略调度方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113791871B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210133534A1 (en) * | 2019-10-30 | 2021-05-06 | Inner Mongolia Agricultural University | Cloud task scheduling method based on phagocytosis-based hybrid particle swarm optimization and genetic algorithm |
CN112860409A (zh) * | 2021-03-09 | 2021-05-28 | 合肥工业大学 | 基于李雅普诺夫优化的移动云计算随机任务序列调度方法 |
CN113128618A (zh) * | 2021-05-10 | 2021-07-16 | 江西理工大学 | 基于kd树和混沌蜉蝣优化算法的并行谱聚类方法 |
CN113316196A (zh) * | 2021-05-10 | 2021-08-27 | 北京科技大学 | 基于边缘缓存的星地协同网络中的资源分配方法及装置 |
-
2021
- 2021-09-24 CN CN202111122840.1A patent/CN113791871B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210133534A1 (en) * | 2019-10-30 | 2021-05-06 | Inner Mongolia Agricultural University | Cloud task scheduling method based on phagocytosis-based hybrid particle swarm optimization and genetic algorithm |
CN112860409A (zh) * | 2021-03-09 | 2021-05-28 | 合肥工业大学 | 基于李雅普诺夫优化的移动云计算随机任务序列调度方法 |
CN113128618A (zh) * | 2021-05-10 | 2021-07-16 | 江西理工大学 | 基于kd树和混沌蜉蝣优化算法的并行谱聚类方法 |
CN113316196A (zh) * | 2021-05-10 | 2021-08-27 | 北京科技大学 | 基于边缘缓存的星地协同网络中的资源分配方法及装置 |
Non-Patent Citations (1)
Title |
---|
张照胜;李蜀瑜;: "云计算环境下基于改进粒子群算法的任务调度", 电子设计工程, no. 15 * |
Also Published As
Publication number | Publication date |
---|---|
CN113791871B (zh) | 2023-08-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ali et al. | Grouped tasks scheduling algorithm based on QoS in cloud computing network | |
Zuo et al. | A multi-objective optimization scheduling method based on the ant colony algorithm in cloud computing | |
CN107967171B (zh) | 一种云环境下基于遗传算法的多工作流调度方法 | |
Wang et al. | Load balancing task scheduling based on genetic algorithm in cloud computing | |
Zuo et al. | A multi-objective hybrid cloud resource scheduling method based on deadline and cost constraints | |
CN109634742B (zh) | 一种基于蚁群算法的时间约束科学工作流优化方法 | |
Liu et al. | Resource preprocessing and optimal task scheduling in cloud computing environments | |
Kamalinia et al. | Hybrid task scheduling method for cloud computing by genetic and DE algorithms | |
Chakravarthi et al. | TOPSIS inspired budget and deadline aware multi-workflow scheduling for cloud computing | |
Xiao et al. | A cooperative coevolution hyper-heuristic framework for workflow scheduling problem | |
US11042419B2 (en) | Cooperative scheduling method and system for computing resource and network resource of container cloud platform | |
Zhou et al. | Concurrent workflow budget-and deadline-constrained scheduling in heterogeneous distributed environments | |
Idrissi et al. | A new approach for a better load balancing and a better distribution of resources in cloud computing | |
CN114610474A (zh) | 一种异构超算环境下多策略的作业调度方法及系统 | |
Praveen et al. | A hybrid gravitational emulation local search-based algorithm for task scheduling in cloud computing | |
CN114706689B (zh) | 一种基于子任务特性的多核处理器任务调度方法及系统 | |
Menouer et al. | New scheduling strategy based on multi-criteria decision algorithm | |
CN109710372A (zh) | 一种基于猫头鹰搜索算法的计算密集型云工作流调度方法 | |
Doğan et al. | Scheduling of a meta-task with QoS requirements in heterogeneous computing systems | |
CN108536518A (zh) | 任务调度的方法及系统、征信平台、服务终端及存储器 | |
CN113791871A (zh) | 一种面向多目标的云计算任务策略调度方法及系统 | |
Ernemann et al. | Applying economic scheduling methods to grid environments | |
CN115509724A (zh) | 基于任务分层与回填最早完成时间的任务调度方法及系统 | |
CN114090239A (zh) | 一种基于模型的强化学习的边缘资源调度方法和装置 | |
Chunlin et al. | Multi-queue scheduling of heterogeneous jobs in hybrid geo-distributed cloud 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 |