CN114936081A - 一种基于woa算法的雾计算应用程序任务调度方法 - Google Patents

一种基于woa算法的雾计算应用程序任务调度方法 Download PDF

Info

Publication number
CN114936081A
CN114936081A CN202210605074.2A CN202210605074A CN114936081A CN 114936081 A CN114936081 A CN 114936081A CN 202210605074 A CN202210605074 A CN 202210605074A CN 114936081 A CN114936081 A CN 114936081A
Authority
CN
China
Prior art keywords
tasks
virtual machines
vmn
individual
group
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
Application number
CN202210605074.2A
Other languages
English (en)
Other versions
CN114936081B (zh
Inventor
张艳艳
陈都京
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.)
Nanjing University of Information Science and Technology
Original Assignee
Nanjing University of Information Science and Technology
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 Nanjing University of Information Science and Technology filed Critical Nanjing University of Information Science and Technology
Priority to CN202210605074.2A priority Critical patent/CN114936081B/zh
Publication of CN114936081A publication Critical patent/CN114936081A/zh
Application granted granted Critical
Publication of CN114936081B publication Critical patent/CN114936081B/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
    • 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]
    • G06F9/5061—Partitioning or combining of resources
    • G06F9/5077—Logical partitioning of resources; Management or configuration of virtualized resources
    • 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)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Devices For Executing Special Programs (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开一种基于WOA算法的雾计算应用程序任务调度方法，所述任务调度方法包括以下步骤：步骤1，对任务进行排序，步骤2，对虚拟机进行排序，步骤3，对任务与虚拟机进行分组，步骤4，寻找粗略的调度方案，步骤5，应用WOA算法寻找每个组的精确调度方案，步骤6，合并每组的调度方案生成最后的调度方案。本发明任务调度方法以降低雾计算数据中心能耗和任务总执行时间为目标，采用对任务以及虚拟机分组的调度方式，降低复杂问题的维度，利用WOA算法收敛速度快的优点减少了求解每组精确解的时间，合并每个组的方案生成最终的调度方案，从而达到降低数据中心能耗和任务总执行时间的目的。

Description

一种基于WOA算法的雾计算应用程序任务调度方法
技术领域
本发明涉及一种云计算领域，具体是一种基于WOA算法的雾计算应用程序任务调度方法。
背景技术
雾计算是在该模式中数据、处理和应用程序集中在网络边缘的设备中，而不是几乎全部保存在云中，是云计算的延伸概念，雾计算作为一种新的计算模式，其计算资源分布靠近物联网设备，以减少将任务发送到云端时产生的拥塞，以及传输时延。
任务调度是操作系统的重要组成部分，而对于实时操作系统，任务调度直接影响其实时性能，随着物联网应用的增多，雾计算带来了大量的能源消耗，任务调度决策过程时间也随之增加，需要合理有效的任务调度方法来调度物联网应用任务，现提出了一种基于WOA算法的雾计算应用程序任务调度方法。
发明内容
本发明的目的在于提供一种基于WOA算法的雾计算应用程序任务调度方法，利用分组求解调度方案，降低任务调度问题的维度，其次利用WOA算法收敛速度快，精度高的优点有效的减少系统的能耗，以及任务的执行时间。
本发明的目的可以通过以下技术方案实现：
一种基于WOA算法的雾计算应用程序任务调度方法，所述任务调度方法包括以下步骤：
步骤1，对任务进行排序。
步骤2，对虚拟机进行排序。
步骤3，对任务与虚拟机进行分组。
步骤4，寻找粗略的调度方案。
步骤5，应用WOA算法寻找每个组的精确调度方案。
步骤6，合并每组的调度方案生成最后的调度方案。
进一步的，所述对任务进行排序，首先对输入的任务进行排序，设已经排过序的任务为{Task1，Task2，Task3，...Taskn},任务序列中，其中1,2,3，...n为下标，下标越大的任务代表预期消耗的能量越大。
进一步的，所述对虚拟机进行排序，设排过序的虚拟机为{VM1，VM2，VM3...VMn}，虚拟机序列中，其中1,2,3，...n为下标，下标越大的虚拟机单位时间内执行任务所消耗的能量越大。
进一步的，所述对任务与虚拟机进行分组，假设任务数量和虚拟机数量都为n个，将虚拟机分成k组，任务分成k组，每一组的虚拟机数量为s个，任务数量为s个，分组后的虚拟机序列为{VM1，VM2...VMs},{VMs+1，VMs+2...VM2s}...{VMn-s+1，VMn-s+2...VMn}。
所述分组后的任务为：
{Task1，Task2...Tasks},{Tasks+1，Tasks+2...Task2s}...{Taskn-s+1，Taskn-s+2...Taskn}。
进一步的，所述寻找粗略的调度方案，将{Task1，Task2...Tasks}分配到虚拟机组{VMn-s+1，VMn-s+2...VMn}，将任务{Tasks+1，Tasks+2...Task2s}分配到虚拟机组{VMn-2s+1，VMn-2s+2...VMn-s}，形成一个匹配组，以此类推。
进一步的，所述应用WOA算法寻找每个组的精确调度方案，操作步骤如下：
S1：初始化
首先进行初始化，设置目标函数如下面所示：
Figure BDA0003670351520000031
其中Energy为总的能源消耗，Time为总的计算时间，μ1和μ2分别为能耗和时间的权重，设置迭代次数Maxiteration，设置种群个体的数量Populationsize，以上具体的参数值可以根据实际需求进行设置，个体的维度为s，每个维度的取值范围为[1,s]。
S2：常规更新位置
初始化完成后，进行常规迭代，产生随机数P，当P<0.5时，且
Figure BDA0003670351520000032
使用公式(1)和公式(2)更新个体的位置：
Figure BDA0003670351520000033
Figure BDA0003670351520000034
其中其中
Figure BDA0003670351520000035
表示一个个体，
Figure BDA0003670351520000036
a在迭代过程中从2线性下降到0，r是[0,1]中的随机向量。
当P<0.5，
Figure BDA0003670351520000037
时，使用公式(3)和公式(4)更新个体当前的位置：
Figure BDA0003670351520000038
Figure BDA0003670351520000039
当P>0.5时，使用公式(5)和(6)更新个体的位置：
Figure BDA00036703515200000310
Figure BDA00036703515200000311
S3：个体更新完成后，根据适应度函数计算个体的适应度值，对比所有个体的适应度值，更新全局最优位置。
S4：突变多项式机制
更新个体进入突变多项式机制，使用公式(7)更新个体当前的位置：
Figure BDA0003670351520000041
其中
Figure BDA0003670351520000042
表示个体维度的最小值，
Figure BDA0003670351520000043
表示个体维度的最大值，δ用以下公式计算：
Figure BDA0003670351520000044
Figure BDA0003670351520000045
S5：个体更新完成后，根据适应度函数计算个体的适应度值，对比所有个体的适应度值，更新全局最优位置。
S6：迭代是否完成
判断当前的迭代次数是否达到最大迭代次数，未完成迭代次则则返回步骤S2，完成最大迭代次数则退出迭代后，输出每组的解决方案，合并成最终的解决方案。
本发明的有益效果：
1、本发明任务调度方法利用分组求解调度方案，以降低雾计算数据中心能耗和任务总执行时间为目标，采用对任务以及虚拟机分组的调度方式，降低复杂问题的维度；
2、本发明任务调度方法利用WOA算法收敛速度快的优点减少了求解每组精确解的时间，合并每个组的方案生成最终的调度方案，从而达到降低数据中心能耗和任务总执行时间的目的。
附图说明
下面结合附图对本发明作进一步的说明。
图1是本发明任务调度方法流程图；
图2是本发明任务调度方法中的WOA算法流程图。
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作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
一种基于WOA算法的雾计算应用程序任务调度方法，如图1所示，任务调度方法包括以下步骤：
步骤1，对任务进行排序
首先对输入的任务进行排序，设已经排过序的任务为{Task1，Task2，Task3，...Taskn},任务序列中，其中1,2,3，...n为下标，下标越大的任务代表预期消耗的能量越大。
步骤2，对虚拟机进行排序
对输入的虚拟机进行排序，设排过序的虚拟机为{VM1，VM2，VM3...VMn}，虚拟机序列中，其中1,2,3，...n为下标，下标越大的虚拟机单位时间内执行任务所消耗的能量越大。
步骤3，对任务与虚拟机进行分组
对任务以及虚拟机进行分组，假设任务数量和虚拟机数量都为n个，将虚拟机分成k组，任务分成k组，每一组的虚拟机数量为s个，任务数量为s个，分组后的虚拟机序列为{VM1，VM2...VMs},{VMs+1，VMs+2...VM2s}...{VMn-s+1，VMn-s+2...VMn}。
分组后的任务为：
{Task1，Task2...Tasks},{Tasks+1，Tasks+2...Task2s}...{Taskn-s+1，Taskn-s+2...Taskn}。
步骤4，寻找粗略的调度方案
将{Task1，Task2...Tasks}分配到虚拟机组{VMn-s+1，VMn-s+2...VMn}，将任务{Tasks+1，Tasks+2...Task2s}分配到虚拟机组{VMn-2s+1，VMn-2s+2...VMn-s}，形成一个匹配组，以此类推。
步骤5，应用WOA算法寻找每个组的精确调度方案
S1：初始化
对每个匹配组采用用WOA算法寻找每个组的精确调度方案，如图2所示，首先进行初始化，设置目标函数如下面所示：
Figure BDA0003670351520000061
其中Energy为总的能源消耗，Time为总的计算时间，μ1和μ2分别为能耗和时间的权重，设置迭代次数Maxiteration，设置种群个体的数量Populationsize，以上具体的参数值可以根据实际需求进行设置，个体的维度为s，每个维度的取值范围为[1,s]。
S2：常规更新位置
初始化完成后，进行常规迭代，产生随机数P，当P<0.5时，且
Figure BDA0003670351520000062
使用公式(1)和公式(2)更新个体的位置：
Figure BDA0003670351520000063
Figure BDA0003670351520000064
其中其中
Figure BDA0003670351520000065
表示一个个体，
Figure BDA0003670351520000066
a在迭代过程中从2线性下降到0，r是[0,1]中的随机向量。
当P<0.5，
Figure BDA0003670351520000071
时，使用公式(3)和公式(4)更新个体当前的位置：
Figure BDA0003670351520000072
Figure BDA0003670351520000073
当P>0.5时，使用公式(5)和(6)更新个体的位置：
Figure BDA0003670351520000074
Figure BDA0003670351520000075
S3：个体更新完成后，根据适应度函数计算个体的适应度值，对比所有个体的适应度值，更新全局最优位置。
S4：突变多项式机制
更新个体进入突变多项式机制，使用公式(7)更新个体当前的位置：
Figure BDA0003670351520000076
其中
Figure BDA0003670351520000077
表示个体维度的最小值，
Figure BDA0003670351520000078
表示个体维度的最大值，δ用下面公式计算：
Figure BDA0003670351520000079
Figure BDA00036703515200000710
S5：个体更新完成后，根据适应度函数计算个体的适应度值，对比所有个体的适应度值，更新全局最优位置。
S6：迭代是否完成
判断当前的迭代次数是否达到最大迭代次数，未完成迭代次则返回步骤S2，完成最大迭代次数则退出迭代。
步骤6，合并每组的调度方案生成最后的调度方案
迭代次数达到最大迭代次数后，输出每组的解决方案，合并成最终的解决方案。
在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。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。

Claims (6)

1.一种基于WOA算法的雾计算应用程序任务调度方法，其特征在于，所述任务调度方法包括以下步骤：
步骤1，对任务进行排序；
步骤2，对虚拟机进行排序；
步骤3，对任务与虚拟机进行分组；
步骤4，寻找粗略的调度方案；
步骤5，应用WOA算法寻找每个组的精确调度方案；
步骤6，合并每组的调度方案生成最后的调度方案。
2.根据权利要求1所述的一种基于WOA算法的雾计算应用程序任务调度方法，其特征在于，所述对任务进行排序，首先对输入的任务进行排序，设已经排过序的任务为{Task1，Task2，Task3，...Taskn},任务序列中，其中1,2,3，...n为下标，下标越大的任务代表预期消耗的能量越大。
3.根据权利要求2所述的一种基于WOA算法的雾计算应用程序任务调度方法，其特征在于，所述对虚拟机进行排序，设排过序的虚拟机为{VM1，VM2，VM3...VMn}，虚拟机序列中，其中1,2,3，...n为下标，下标越大的虚拟机单位时间内执行任务所消耗的能量越大。
4.根据权利要求3所述的一种基于WOA算法的雾计算应用程序任务调度方法，其特征在于，所述对任务与虚拟机进行分组，假设任务数量和虚拟机数量都为n个，将虚拟机分成k组，任务分成k组，每一组的虚拟机数量为s个，任务数量为s个，分组后的虚拟机序列为{VM1，VM2...VMs},{VMs+1，VMs+2...VM2s}...{VMn-s+1，VMn-s+2...VMn}；
所述分组后的任务为：
{Task1，Task2...Tasks},{Tasks+1，Tasks+2...Task2s}...{Taskn-s+1，Taskn-s+2...Taskn}。
5.根据权利要求4所述的一种基于WOA算法的雾计算应用程序任务调度方法，其特征在于，所述寻找粗略的调度方案，将{Task1，Task2...Tasks}分配到虚拟机组{VMn-s+1，VMn-s+2...VMn}，将任务{Tasks+1，Tasks+2...Task2s}分配到虚拟机组{VMn-2s+1，VMn-2s+2...VMn-s}，形成一个匹配组，以此类推。
6.根据权利要求5所述的一种基于WOA算法的雾计算应用程序任务调度方法，其特征在于，所述应用WOA算法寻找每个组的精确调度方案，操作步骤如下：
S1：初始化
首先进行初始化，设置目标函数如下面所示：
Figure FDA0003670351510000021
其中Energy为总的能源消耗，Time为总的计算时间，μ1和μ2分别为能耗和时间的权重，设置迭代次数Maxiteration，设置种群个体的数量Populationsize，以上具体的参数值可以根据实际需求进行设置，个体的维度为s，每个维度的取值范围为[1,s]；
S2：常规更新位置
初始化完成后，进行常规迭代，产生随机数P，当P<0.5时，且
Figure FDA0003670351510000026
使用公式(1)和公式(2)更新个体的位置：
Figure FDA0003670351510000022
Figure FDA0003670351510000023
其中其中
Figure FDA0003670351510000024
表示一个个体，
Figure FDA0003670351510000025
a在迭代过程中从2线性下降到0，r是[0,1]中的随机向量；
当P<0.5，
Figure FDA0003670351510000031
时，使用公式(3)和公式(4)更新个体当前的位置：
Figure FDA0003670351510000032
Figure FDA0003670351510000033
当P>0.5时，使用公式(5)和(6)更新个体的位置：
Figure FDA0003670351510000034
Figure FDA0003670351510000035
S3：个体更新完成后，根据适应度函数计算个体的适应度值，对比所有个体的适应度值，更新全局最优位置；
S4：突变多项式机制
更新个体进入突变多项式机制，使用公式(7)更新个体当前的位置：
Figure FDA0003670351510000036
其中
Figure FDA0003670351510000037
表示个体维度的最小值，
Figure FDA0003670351510000038
表示个体维度的最大值，δ用以下公式计算：
Figure FDA0003670351510000039
Figure FDA00036703515100000310
S5：个体更新完成后，根据适应度函数计算个体的适应度值，对比所有个体的适应度值，更新全局最优位置；
S6：迭代是否完成
判断当前的迭代次数是否达到最大迭代次数，未完成迭代次则返回步骤S2，完成最大迭代次数则退出迭代后，输出每组的解决方案，合并成最终的解决方案。
CN202210605074.2A 2022-05-30 2022-05-30 一种基于woa算法的雾计算应用程序任务调度方法 Active CN114936081B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210605074.2A CN114936081B (zh) 2022-05-30 2022-05-30 一种基于woa算法的雾计算应用程序任务调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210605074.2A CN114936081B (zh) 2022-05-30 2022-05-30 一种基于woa算法的雾计算应用程序任务调度方法

Publications (2)

Publication Number Publication Date
CN114936081A true CN114936081A (zh) 2022-08-23
CN114936081B CN114936081B (zh) 2023-03-21

Family

ID=82867130

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210605074.2A Active CN114936081B (zh) 2022-05-30 2022-05-30 一种基于woa算法的雾计算应用程序任务调度方法

Country Status (1)

Country Link
CN (1) CN114936081B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106897136A (zh) * 2017-02-28 2017-06-27 郑州云海信息技术有限公司 一种任务调度方法及装置
US20170286180A1 (en) * 2016-03-31 2017-10-05 International Business Machines Corporation Joint Network and Task Scheduling
CN109886588A (zh) * 2019-02-28 2019-06-14 长安大学 一种基于改进鲸鱼算法求解柔性作业车间调度的方法
CN110851247A (zh) * 2019-10-12 2020-02-28 华东师范大学 一种带约束云工作流的成本优化调度方法
CN112817726A (zh) * 2021-02-09 2021-05-18 南京邮电大学 一种云环境下基于优先级的虚拟机分组资源调度方法
CN113392587A (zh) * 2021-06-16 2021-09-14 中国地质调查局西安地质调查中心(西北地质科技创新中心) 一种大区域滑坡危险性评价的并行支持向量机分类方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170286180A1 (en) * 2016-03-31 2017-10-05 International Business Machines Corporation Joint Network and Task Scheduling
CN106897136A (zh) * 2017-02-28 2017-06-27 郑州云海信息技术有限公司 一种任务调度方法及装置
CN109886588A (zh) * 2019-02-28 2019-06-14 长安大学 一种基于改进鲸鱼算法求解柔性作业车间调度的方法
CN110851247A (zh) * 2019-10-12 2020-02-28 华东师范大学 一种带约束云工作流的成本优化调度方法
CN112817726A (zh) * 2021-02-09 2021-05-18 南京邮电大学 一种云环境下基于优先级的虚拟机分组资源调度方法
CN113392587A (zh) * 2021-06-16 2021-09-14 中国地质调查局西安地质调查中心(西北地质科技创新中心) 一种大区域滑坡危险性评价的并行支持向量机分类方法

Also Published As

Publication number Publication date
CN114936081B (zh) 2023-03-21

Similar Documents

Publication Publication Date Title
Bacanin et al. Task scheduling in cloud computing environment by grey wolf optimizer
Daoud et al. A high performance algorithm for static task scheduling in heterogeneous distributed computing systems
Al-Olimat et al. Cloudlet scheduling with particle swarm optimization
CN107168770B (zh) 一种低能耗的云数据中心工作流调度与资源供给方法
Kumar et al. Job scheduling using fuzzy neural network algorithm in cloud environment
CN110321217B (zh) 一种多目标的云资源调度方法、装置、设备及存储介质
CN104333569A (zh) 基于用户满意度的云任务调度算法
Thaman et al. Green cloud environment by using robust planning algorithm
Subramoney et al. Multi-swarm PSO algorithm for static workflow scheduling in cloud-fog environments
CN117032902A (zh) 一种基于负载的改进离散粒子群算法的云任务调度方法
CN115454612A (zh) 一种基于维度学习策略和灰狼优化的云平台任务调度方法
CN112286686A (zh) 一种基于pso优化的边缘计算任务调度算法
CN114936081B (zh) 一种基于woa算法的雾计算应用程序任务调度方法
Chen et al. Transformation-based streaming workflow allocation on geo-distributed datacenters for streaming big data processing
CN108958919B (zh) 一种云计算中有期限约束的多dag任务调度费用公平性评估方法
Chitgar et al. Improving cloud computing performance using task scheduling method based on vms grouping
Aggarwal et al. Survey on scheduling algorithms for multiple workflows in cloud computing environment
CN115098240B (zh) 一种多处理器应用调度方法和系统及存储介质
CN114691292A (zh) 基于改进向日葵算法的虚拟机资源调度方法及装置
CN115794330A (zh) 一种云计算任务调度方法
CN113132471B (zh) 云服务预算优化调度方法、装置、设备和存储介质
Liu et al. SwiftS: A dependency-aware and resource efficient scheduling for high throughput in clouds
Valarmathi et al. A comprehensive survey on Task Scheduling for parallel workloads based on Particle Swarm optimisation under Cloud environment
CN109711701B (zh) 装备研发制造过程中的协同调度方法、系统
Pandey et al. Fuzzy logic based job scheduling algorithm in 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