CN114444240B - 一种面向信息物理融合系统的延迟和寿命优化方法 - Google Patents
一种面向信息物理融合系统的延迟和寿命优化方法 Download PDFInfo
- Publication number
- CN114444240B CN114444240B CN202210108798.6A CN202210108798A CN114444240B CN 114444240 B CN114444240 B CN 114444240B CN 202210108798 A CN202210108798 A CN 202210108798A CN 114444240 B CN114444240 B CN 114444240B
- Authority
- CN
- China
- Prior art keywords
- formula
- delay
- judgment result
- affinity
- task
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/02—CAD in a network environment, e.g. collaborative CAD or distributed simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/04—Ageing analysis or optimisation against ageing
-
- 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
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Hardware Design (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出一种面向信息物理融合系统的延迟和寿命优化方法,包括确定系统能量消耗以及系统的生命周期,再训练长短期记忆神经网络,以预测基站任务负载,并设计基于双重局部搜索的多目标进化算法的离线方案,以确定最优的计算卸载映射和备份个数,最后设计基于亲和度的在线方案,以更新计算卸载映射策略;通过由离线和在线两个阶段组成的边缘智能解决方案,从而在可靠性、能耗和任务可调度性约束下,实现同时最小化服务延迟和最大化系统寿命的目标,在离线阶段,首先利用长期短期记忆神经网络来预测单个用户组的任务卸载率,然后使用一种双局部搜索多目标进化算法确定计算卸载映射和任务备份个数等最优系统静态设置。
Description
技术领域
本发明涉及信息物理融合系统中任务调度技术领域,尤其涉及一种面向信息物理融合系统的延迟和寿命优化方法。
背景技术
近年来,信息技术的巨大进步使得物理世界和信息世界深入融合,促进了信息物理融合系统的产生,信息物理融合系统的典型应用不仅覆盖了制造和生产领域,例如智能交通、工业过程控制、智能电网、类人机器人、大数据基础设施、智能制造等,也覆盖了日常生活领域,例如医疗保健,虚拟/增强现实和智能家居等,在设计信息物理融合系统中,如何以通过低延迟的方式处理爆炸性增长的各种数据,是一个研究热点和难点。为了解决这个难题,大量的研究工作致力于将新兴的边缘计算集成到信息物理融合系统设计过程中。边缘计算实质上是将网络、计算、存储和控制资源从网络核心推向网络边缘的一种分布式计算范式,由于资源转移操作,边缘计算允许在生成数据的源位置处理各种形式的数据,从而大大减少了对终端用户的服务延迟,然而,现有方案没有考虑延迟优化技术对系统寿命和可靠性的影响,导致信息物理融合系统的计算结果不可靠和功能性失灵,因此本发明提出一种面向信息物理融合系统的延迟和寿命优化方法以解决现有技术中存在的问题。
发明内容
针对上述问题,本发明的目的在于提出一种面向信息物理融合系统的延迟和寿命优化方法,在满足能耗、可靠性、以及可调度性的条件下,通过为任务选择最优的计算卸载映射和备份个数来,解决现有技术中任务响应延迟高以及系统寿命低的问题。
为实现本发明的目的,本发明通过以下技术方案实现:一种面向信息物理融合系统的延迟和寿命优化方法,包括以下步骤:
步骤一、确定系统能量消耗
首先计算用户组在一个时隙[t,t+Tslot]期间的预期任务通信时延其次再利用一个子集表示映射到边缘服务器的用户组集合,并计算映射到边缘服务器的用户组的预期任务执行延迟之后再对蜂窝/微型基站的能量消耗边缘服务器的静态功率和动态功率进行计算,再由边缘服务器的静态功率和动态功率对边缘服务器在执行CPU周期为λmTslot时整体耗能进而计算SDN控制器的能量消耗并根据上述计算的数据,确定系统的能量消耗
步骤二、确定系统的生命周期
设为用户组到边缘服务器链路上的平均误码发生率,计算并得到其传输可靠性再设为处理器上软错误的平均发生率,根据平均误码发生率和平均发生率,计算并得到处理器在用户组执行任务时的可靠性再进行τm,n次重复,得到增强的瞬态故障可靠性并根据其计算并得出系统可靠性之后再对边缘服务器的瞬时寿命可靠性生命周期以及系统生命周期进行计算;
步骤三、训练长短期记忆神经网络,以预测基站任务负载
先归一化数据集合Ωtrace,并将该数据集合Ωtrace划分为训练集Ωtrain和测试集Ωtest,然后初始化均方误差MSE,并创建神经网络隐藏层model.add,之后计算训练集Ωtrain的元素个数Xtrain,再将计数器i赋值为1,并根据公式一:i≤Xtrain进行判断,当公式一判断成立之后,调用函数model.fit拟合训练集Ωtrain,得到预测模型model,再采用预测模型model更新测试集Ωtest的均方误差MSE,输出预测的基站的任务负载;
步骤四、设计基于双重局部搜索的多目标进化算法的离线方案,以确定最优的计算卸载映射和备份个数
式中,xω(1≤ω≤W)为第ω个带决策变量,Δxω是变异操作产生的随机数,pω和qω分别为突变概率向量p和q中的第ω个元素,d是从区间[0,1]中选取的一个常数;
其次搜索Pareto解,并在其过程中,通过对当前档案中的单个元素进行有序修改,产生了后代档案的集合,并生成一系列子代档案,用表示,之后设为子代档案的超体积,在的条件下,用替换Iarc,得到结果如公式所示:
将m赋值为1,并根据公式二:m≤M进行判断,当公式二判断成立之后,则查找预测的任务卸载率再令m赋值加1,并根据公式二进行判断,直至公式二判断不成立之后,随机初始化种群并使用任何非支配排序方法对中的解进行排序,再使用一半种群初始化存档Iarc,再初始化两个似然向量p和q,并将n赋值为1,通过公式三:进行判断,当公式三判断结果为成立后,将z赋值为1,通过公式四:z≤Z进行判断,当公式四判断结果为成立后,在存档Iarc中生成元素的后代之后根据公式五: 进行判断,当公式五判断结果为成立后,用元素更新种群X,再存档Iarc,并使用1/5规则调整似然向量p和q;
步骤五、设计基于亲和度的在线方案,以更新计算卸载映射策略
首先,定义用户组对边缘服务器在服务延迟上的亲和度其次将延长系统寿命作为一个单一的优化目标,则定义用户组对边缘服务器在系统生命周期方面的亲和度再结合亲和度和亲和度得到一个整体之后将赋值为将赋值为将J赋值为再选择一个非支配解并将m赋值为1,并根据公式二:m≤M进行判断,当公式二判断成立之后,再通过公式六:进行判断,当公式六判断成立之后,则附加用户组以设置之后将J赋值为J+1,并将m赋值加1,再通过公式二进行判断,直至公式二判断结果不成立,即对于集合中的用户组,直接采用方案中卸载映射和任务复制的设置,再将j赋值为1,并通过公式七:j≤J进行判断,当公式七判断结果成立时,再将n赋值为1,并通过公式八:n≤N进行判断,当公式八判断结果为成立后,将τm,n赋值为τmax,之后可获得亲和力再对亲和力进行计算,继而可导出联合亲和力之后再将n赋值加1,并通过公式八进行判断,直至公式八判断结果为不成立,之后将用户组重新映射到能够在满足约束条件下,能最大化联合亲和力的边缘服务器,最后,再将j赋值加1,并通过公式七进行判断。
进一步改进在于:所述步骤一中,当用户组选择将任务卸载到边缘服务器时,其期望服务延迟计算公式为 则系统业务时延表示为所有用户组的平均业务时延,即其计算公式为:式中二进制变量Am,n表示是否在用户组和边缘服务器之间进行计算卸载映射,若答案为肯定,则Am,n=1;否则,Am,n=0。
进一步改进在于:所述步骤三中,当公式一判断不成立时,直接输出预测的基站的任务负载。
进一步改进在于:所述步骤四中,当公式三判断结果不成立时,输出所有的非支配最优解。
进一步改进在于:所述步骤四中,当公式四判断结果不成立时,令i赋值加1,再通过公式三进行判断,并进行后续的步骤。
进一步改进在于:所述步骤四中,当公式五判断结果不成立时,令z赋值加1,并通过公式四进行判断。
本发明的有益效果为:该种面向信息物理融合系统的延迟和寿命优化方法通过由离线和在线两个阶段组成的边缘智能解决方案,从而在可靠性、能耗和任务可调度性约束下,实现同时最小化服务延迟和最大化系统寿命的目标,在离线阶段,首先利用长期短期记忆神经网络来预测单个用户组的任务卸载率,然后使用一种双局部搜索多目标进化算法确定计算卸载映射和任务备份个数等最优系统静态设置,同时,在在线阶段,考虑到终端用户固有的移动性,设计了一种最小化系统动态开销的计算卸载重映射方案。
附图说明
图1是本发明的步骤流程示意图。
具体实施方式
为了加深对本发明的理解,下面将结合实施例对本发明做进一步详述,本实施例仅用于解释本发明,并不构成对本发明保护范围的限定。
根据图1所示,本实施例提出了一种面向信息物理融合系统的延迟和寿命优化方法,包括以下步骤:
步骤一、确定系统能量消耗
首先计算用户组在一个时隙[t,t+Tslot]期间的预期任务通信时延即:其中,Vm,n为用户组与边缘服务器之间链路的平均通信容量,为用户组到边缘服务器的路由距离,Vwave为电磁波传播速度,为任务的数据内容量,其次再利用一个子集表示映射到边缘服务器的用户组集合,并计算映射到边缘服务器的用户组的预期任务执行延迟即其中Δn为子集的大小,μn和δn 2分别为边缘服务器上执行任务时间分布的均值和方差,之后再对蜂窝/微型基站的能量消耗 边缘服务器的静态功率 和动态功率进行计算,再由边缘服务器的静态功率和动态功率对边缘服务器在执行CPU周期为λmTslot时整体耗能 进而计算SDN控制器的能量消耗 其中为静态功耗,是控制任务消耗的动态功率,总共有Wl个CPU周期,并根据上述计算的数据,确定系统的能量消耗
步骤二、确定系统的生命周期
设为用户组到边缘服务器链路上的平均误码发生率,计算并得到其传输可靠性再设为处理器上软错误的平均发生率,可得 其中Cn和都是硬件架构相关的常数,根据平均误码发生率和平均发生率,计算并得到处理器在用户组执行任务时的可靠性再进行τm,n次重复,得到增强的瞬态故障可靠性 并根据其计算并得出系统可靠性 之后再对边缘服务器的瞬时寿命可靠性生命周期以及系统生命周期进行计算;
步骤三、训练长短期记忆神经网络,以预测基站任务负载
先归一化数据集合Ωtrace,并将该数据集合Ωtrace划分为训练集Ωtrain和测试集Ωtest,然后初始化均方误差MSE:MSE←+∞,并创建神经网络隐藏层model.add,之后计算训练集Ωtrain的元素个数Xtrain,再将计数器i赋值为1,即i←1,并根据公式一:i≤Xtrain进行判断,当公式一判断成立之后,调用函数model.fit拟合训练集Ωtrain,得到预测模型model,再采用预测模型model更新测试集Ωtest的均方误差MSE,输出预测的基站的任务负载;
步骤四、设计基于双重局部搜索的多目标进化算法的离线方案,以确定最优的计算卸载映射和备份个数
式中,xω(1≤ω≤W)为第ω个带决策变量,Δxω是变异操作产生的随机数,pω和qω分别为突变概率向量p和q中的第ω个元素,d是从区间[0,1]中选取的一个常数;
其次搜索Pareto解,并在其过程中,通过对当前档案中的单个元素进行有序修改,产生了后代档案的集合,如下所示:
将m赋值为1,即m←1,并根据公式二:m≤M进行判断,当公式二判断成立之后,则查找预测的任务卸载率再令m赋值加1,即m←m+1,并根据公式二进行判断,直至公式二判断不成立之后,随机初始化种群并使用任何非支配排序方法对中的解进行排序,再使用更好的一半种群初始化存档 再初始化两个似然向量p和q,并将n赋值为1,即n←1,通过公式三:进行判断,当公式三判断结果为成立后,将z赋值为1,通过公式四:z≤Z进行判断,当公式四判断结果为成立后,在存档Iarc中生成元素的后代之后根据公式五:进行判断,当公式五判断结果为成立后,用元素更新种群X,再存档Iarc,并使用1/5规则调整似然向量p和q;
步骤五、设计基于亲和度的在线方案,以更新计算卸载映射策略首先,定义用户组对边缘服务器在服务延迟上的亲和度其次将延长系统寿命作为一个单一的优化目标,则定义用户组对边缘服务器在系统生命周期方面的亲和度其中为系统的寿命,为硬件磨损率,再结合亲和度和亲和度得到一个整体之后将赋值为将赋值为将J赋值为再选择一个非支配解并将m赋值为1,并根据公式二:m≤M进行判断,当公式二判断成立之后,再通过公式六:进行判断,当公式六判断成立之后,则附加用户组以设置之后将J赋值为J+1,即J←J+1,并将m赋值加1,再通过公式二进行判断,直至公式二判断结果不成立,即对于集合中的用户组,直接采用方案中卸载映射和任务复制的设置,再将j赋值为1,并通过公式七:j≤J进行判断,当公式七判断结果成立时,再将n赋值为1,并通过公式八:n≤N进行判断,当公式八判断结果为成立后,将τm,n赋值为τmax,之后可获得亲和力再对亲和力进行计算,继而可导出联合亲和力之后再将n赋值加1,并通过公式八进行判断,直至公式八判断结果为不成立,之后将用户组重新映射到能够在满足约束条件下,能最大化联合亲和力的边缘服务器,最后,再将j赋值加1,并通过公式七进行判断。
步骤一中,当用户组选择将任务卸载到边缘服务器时,其期望服务延迟计算公式为则系统业务时延表示为所有用户组的平均业务时延,即其计算公式为:式中二进制变量Am,n表示是否在用户组和边缘服务器之间进行计算卸载映射,若答案为肯定,则Am,n=1;否则,Am,n=0。
步骤三中,当公式一判断不成立时,直接输出预测的基站的任务负载。
步骤四中,当公式三判断结果不成立时,输出所有的非支配最优解。
步骤四中,当公式四判断结果不成立时,令i赋值加1,再通过公式三进行判断,并进行后续的步骤。
步骤四中,当公式五判断结果不成立时,令z赋值加1,并通过公式四进行判断。
以上显示和描述了本发明的基本原理、主要特征和优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (8)
1.一种面向信息物理融合系统的延迟和寿命优化方法,其特征在于:包括以下步骤:
步骤一、确定系统能量消耗
首先计算用户组在一个时隙[t,t+Tslot]期间的预期任务通信时延其次再利用一个子集表示映射到边缘服务器的用户组集合,并计算映射到边缘服务器的用户组的预期任务执行延迟之后再对蜂窝/微型基站的能量消耗边缘服务器的静态功率和动态功率进行计算,再由边缘服务器的静态功率和动态功率对边缘服务器在执行CPU周期为λmTslot时整体耗能进而计算SDN控制器的能量消耗并根据上述计算的数据,确定系统的能量消耗
步骤二、确定系统的生命周期
设为用户组到边缘服务器链路上的平均误码发生率,计算并得到其传输可靠性再设为处理器上软错误的平均发生率,根据平均误码发生率和平均发生率,计算并得到处理器在用户组执行任务时的可靠性再进行τm,n次重复,得到增强的瞬态故障可靠性并根据其计算并得出系统可靠性之后再对边缘服务器的瞬时寿命可靠性生命周期以及系统生命周期进行计算;
步骤三、训练长短期记忆神经网络,以预测基站任务负载
先归一化数据集合Ωtrace,并将该数据集合Ωtrace划分为训练集Ωtrain和测试集Ωtest,然后初始化均方误差MSE,并创建神经网络隐藏层model.add,之后计算训练集Ωtrain的元素个数Xtrain,再将计数器i赋值为1,并根据公式一:i≤Xtrain进行判断,当公式一判断成立之后,调用函数model.fit拟合训练集Ωtrain,得到预测模型model,再采用预测模型model更新测试集Ωtest的均方误差MSE,输出预测的基站的任务负载;
步骤四、设计基于双重局部搜索的多目标进化算法的离线方案,以确定最优的计算卸载映射和备份个数
式中,xω(1≤ω≤W)为第ω个带决策变量,Δxω是变异操作产生的随机数,pω和qω分别为突变概率向量p和q中的第ω个元素,d是从区间[0,1]中选取的一个常数;
其次搜索Pareto解,并在其过程中,通过对当前档案中的单个元素进行有序修改,产生了后代档案的集合,并生成一系列子代档案,用表示,之后设为子代档案的超体积,在的条件下,用替换Iarc,得到结果如公式所示:
将m赋值为1,并根据公式二:m≤M进行判断,当公式二判断成立之后,则查找预测的任务卸载率再令m赋值加1,并根据公式二进行判断,直至公式二判断不成立之后,随机初始化种群并使用任何非支配排序方法对中的解进行排序,再使用一半种群初始化存档Iarc,再初始化两个似然向量p和q,并将n赋值为1,通过公式三:进行判断,当公式三判断结果为成立后,将z赋值为1,通过公式四:z≤Z进行判断,当公式四判断结果为成立后,在存档Iarc中生成元素的后代之后根据公式五: 进行判断,当公式五判断结果为成立后,用元素更新种群X,再存档Iarc,并使用1/5规则调整似然向量p和q;
步骤五、设计基于亲和度的在线方案,以更新计算卸载映射策略
首先,定义用户组对边缘服务器在服务延迟上的亲和度其次将延长系统寿命作为一个单一的优化目标,则定义用户组对边缘服务器在系统生命周期方面的亲和度再结合亲和度和亲和度得到一个整体之后将赋值为将赋值为将J赋值为再选择一个非支配解并将m赋值为1,并根据公式二:m≤M进行判断,当公式二判断成立之后,再通过公式六:进行判断,当公式六判断成立之后,则附加用户组以设置之后将J赋值为J+1,并将m赋值加1,再通过公式二进行判断,直至公式二判断结果不成立,即对于集合中的用户组,直接采用方案中卸载映射和任务复制的设置,再将j赋值为1,并通过公式七:j≤J进行判断,当公式七判断结果成立时,再将n赋值为1,并通过公式八:n≤N进行判断,当公式八判断结果为成立后,将τm,n赋值为τmax,之后可获得亲和力再对亲和力进行计算,继而可导出联合亲和力之后再将n赋值加1,并通过公式八进行判断,直至公式八判断结果为不成立,之后将用户组重新映射到能够在满足约束条件下,能最大化联合亲和力的边缘服务器,最后,再将j赋值加1,并通过公式七进行判断。
3.根据权利要求1所述的一种面向信息物理融合系统的延迟和寿命优化方法,其特征在于:所述步骤三中,当公式一判断不成立时,直接输出预测的基站的任务负载。
4.根据权利要求1所述的一种面向信息物理融合系统的延迟和寿命优化方法,其特征在于:所述步骤四中,当公式三判断结果不成立时,输出所有的非支配最优解。
5.根据权利要求1所述的一种面向信息物理融合系统的延迟和寿命优化方法,其特征在于:所述步骤四中,当公式四判断结果不成立时,令i赋值加1,再通过公式三进行判断,并进行后续的步骤。
6.根据权利要求1所述的一种面向信息物理融合系统的延迟和寿命优化方法,其特征在于:所述步骤四中,当公式五判断结果不成立时,令z赋值加1,并通过公式四进行判断。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210108798.6A CN114444240B (zh) | 2022-01-28 | 2022-01-28 | 一种面向信息物理融合系统的延迟和寿命优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210108798.6A CN114444240B (zh) | 2022-01-28 | 2022-01-28 | 一种面向信息物理融合系统的延迟和寿命优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114444240A CN114444240A (zh) | 2022-05-06 |
CN114444240B true CN114444240B (zh) | 2022-09-09 |
Family
ID=81371663
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210108798.6A Active CN114444240B (zh) | 2022-01-28 | 2022-01-28 | 一种面向信息物理融合系统的延迟和寿命优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114444240B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116541154B (zh) * | 2023-07-07 | 2024-05-03 | 暨南大学 | 一种面向智慧医疗的个性化应用调度方法和装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102104522A (zh) * | 2011-01-14 | 2011-06-22 | 徐立中 | 面向信息--物理融合系统的实时通信优化方法及设备 |
CN105744583A (zh) * | 2016-02-22 | 2016-07-06 | 暨南大学 | 一种低轮值传感网中的动态功率控制方法 |
US9792397B1 (en) * | 2017-01-08 | 2017-10-17 | Alphaics Corporation | System and method for designing system on chip (SoC) circuits through artificial intelligence and reinforcement learning |
CN112788605A (zh) * | 2020-12-25 | 2021-05-11 | 威胜信息技术股份有限公司 | 基于双延迟深度确定性策略边缘计算资源调度方法和系统 |
WO2021165688A1 (en) * | 2020-02-19 | 2021-08-26 | Conductify Limited | Hybrid grid and renewable based energy system |
WO2021247448A1 (en) * | 2020-06-01 | 2021-12-09 | Intel Corporation | Federated learning optimizations |
CN113918321A (zh) * | 2021-09-08 | 2022-01-11 | 暨南大学 | 面向信息物理系统的可靠边缘-云计算服务延迟优化方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109472406B (zh) * | 2018-11-02 | 2020-08-11 | 浙江大学 | 一种超低排放多污染物协同脱除系统的全局优化方法 |
-
2022
- 2022-01-28 CN CN202210108798.6A patent/CN114444240B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102104522A (zh) * | 2011-01-14 | 2011-06-22 | 徐立中 | 面向信息--物理融合系统的实时通信优化方法及设备 |
CN105744583A (zh) * | 2016-02-22 | 2016-07-06 | 暨南大学 | 一种低轮值传感网中的动态功率控制方法 |
US9792397B1 (en) * | 2017-01-08 | 2017-10-17 | Alphaics Corporation | System and method for designing system on chip (SoC) circuits through artificial intelligence and reinforcement learning |
WO2021165688A1 (en) * | 2020-02-19 | 2021-08-26 | Conductify Limited | Hybrid grid and renewable based energy system |
WO2021247448A1 (en) * | 2020-06-01 | 2021-12-09 | Intel Corporation | Federated learning optimizations |
CN112788605A (zh) * | 2020-12-25 | 2021-05-11 | 威胜信息技术股份有限公司 | 基于双延迟深度确定性策略边缘计算资源调度方法和系统 |
CN113918321A (zh) * | 2021-09-08 | 2022-01-11 | 暨南大学 | 面向信息物理系统的可靠边缘-云计算服务延迟优化方法 |
Non-Patent Citations (2)
Title |
---|
Exploring Placement of Heterogeneous Edge Servers for Response Time Minimization in Mobile Edge-Cloud Computing;kun Cao;《IEEE》;20200504;第1-10页 * |
边缘计算服务品质优化技术研究;曹坤;《中国博士学位论文电子期刊网》;20200815;第I139-2页 * |
Also Published As
Publication number | Publication date |
---|---|
CN114444240A (zh) | 2022-05-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109840154B (zh) | 一种移动云环境下基于任务依赖的计算迁移方法 | |
CN113254792B (zh) | 训练推荐概率预测模型的方法、推荐概率预测方法及装置 | |
Liu et al. | Reliability-enhanced task offloading in mobile edge computing environments | |
CN112784362A (zh) | 一种用于无人机辅助边缘计算的混合优化方法及系统 | |
CN110531996B (zh) | 一种多微云环境下基于粒子群优化的计算任务卸载方法 | |
Mi et al. | Embedding virtual infrastructure based on genetic algorithm | |
CN113285832B (zh) | 基于nsga-ii的电力多模态网络资源优化分配方法 | |
CN112083967B (zh) | 一种云边端计算任务的卸载方法、计算机设备及存储介质 | |
CN114585006B (zh) | 基于深度学习的边缘计算任务卸载和资源分配方法 | |
CN114444240B (zh) | 一种面向信息物理融合系统的延迟和寿命优化方法 | |
CN113259469A (zh) | 智能制造中边缘服务器部署方法、系统及存储介质 | |
Yildirim et al. | Power generation expansion planning with adaptive simulated annealing genetic algorithm | |
CN113139639B (zh) | 一种基于mombi面向智慧城市应用多目标计算迁移方法和装置 | |
Kumaresan et al. | Hybrid Fuzzy Archimedes‐based Light GBM‐XGBoost model for distributed task scheduling in mobile edge computing | |
Lei et al. | A novel probabilistic-performance-aware and evolutionary game-theoretic approach to task offloading in the hybrid cloud-edge environment | |
Zhao et al. | MEDIA: An incremental DNN based computation offloading for collaborative cloud-edge computing | |
Rifai et al. | Multi-operator hybrid genetic algorithm-simulated annealing for reentrant permutation flow-shop scheduling | |
Yu | [Retracted] Research on Optimization Strategy of Task Scheduling Software Based on Genetic Algorithm in Cloud Computing Environment | |
CN113747500B (zh) | 复杂异构移动边缘计算中基于生成对抗式网络的高能效低延迟工作流应用迁移方法 | |
CN115834386A (zh) | 面向边缘计算环境中的智能服务部署方法、系统及终端 | |
Gong et al. | A Novel Self‐Adaptive Mixed‐Variable Multiobjective Ant Colony Optimization Algorithm in Mobile Edge Computing | |
Zhou | A Heuristic Task Scheduling Strategy for Intelligent Manufacturing in the Big Data‐Driven Fog Computing Environment | |
Bao et al. | Multiobjective Optimal Dispatching of Smart Grid Based on PSO and SVM | |
CN112134799B (zh) | 一种基于物联网的三阶段传感拓扑方法及系统 | |
Manupati et al. | Real-time rule-based scheduling system for integrated delivery in a semiconductor manufacturing using evolutionary algorithm-based simulation approach |
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 |