CN114968531A - 基于多适应度遗传优化的量子云混合任务调度方法及装置 - Google Patents

基于多适应度遗传优化的量子云混合任务调度方法及装置 Download PDF

Info

Publication number
CN114968531A
CN114968531A CN202210623294.8A CN202210623294A CN114968531A CN 114968531 A CN114968531 A CN 114968531A CN 202210623294 A CN202210623294 A CN 202210623294A CN 114968531 A CN114968531 A CN 114968531A
Authority
CN
China
Prior art keywords
task
quantum
completion time
subtask
chromosome
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
CN202210623294.8A
Other languages
English (en)
Other versions
CN114968531B (zh
Inventor
程勇
郭欣
方雪垠
方宏
杨扬
李勐
曾令斌
周勇
吴添君
钱悦
康红宴
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.)
National University of Defense Technology
Original Assignee
National University of Defense 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 National University of Defense Technology filed Critical National University of Defense Technology
Priority to CN202210623294.8A priority Critical patent/CN114968531B/zh
Publication of CN114968531A publication Critical patent/CN114968531A/zh
Application granted granted Critical
Publication of CN114968531B publication Critical patent/CN114968531B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N10/00—Quantum computing, i.e. information processing based on quantum-mechanical phenomena
    • G06N10/60—Quantum algorithms, e.g. based on quantum optimisation, quantum Fourier or Hadamard transforms
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Complex Calculations (AREA)

Abstract

本申请涉及一种基于多适应度遗传优化的量子云混合任务调度方法及装置。所述方法包括：利用云计算MapReduce计算模型的Map函数对量子云混合任务中的量子计算任务和经典计算任务进行分割，得到多个子任务；模拟染色体的编解码方式对子任务进行编码和解码，根据得到的子任务分组和时间矩阵进行任务完成时间计算，得到量子云混合任务的总任务完成时间和单个任务的平均完成时间；对总完成时间、平均完成时间和量子比特校准时效性进行适应度计算，得到对应的适应度函数；根据遗传算法和适应度函数对所述量子云混合任务和量子比特校准任务进行自适应演化，根据得到的最终子任务调度序列进行任务调度。采用本方法能够提高任务调度效率。

Description

基于多适应度遗传优化的量子云混合任务调度方法及装置
技术领域
本申请涉及量子计算和云计算技术领域，特别是涉及一种基于多适应度遗传优化的量子云混合任务调度方法、装置、计算机设备和存储介质。
背景技术
随着量子计算的推广和相关计算服务逐步走向大众，量子计算云平台综合管理要求也随之提升。量子计算云平台需将经典和量子任务分发到适当的系统，对任务进行分段处理，通过模拟器进行量子线路的调试、诊断和优化，自动分配经典计算和量子计算所需资源，实现量子与经典计算资源弹性综合利用、提高效率。其中，量子-经典混合任务场景下的多量子处理器负载均衡是量子云计算中量子任务调度服务需要解决的核心问题。以本源量子为例，该平台采用响应时间比进行混合任务调度，具体定义如下：
Rp＝(等待时间+要求服务时间)/要求服务时间＝响应时间/要求服务时间Rp大的量子任务将优先执行。首先，现有混合任务调度方法只能考虑总任务的完成效率而无法优化任务的平均完成效率，可能造成局部用户的阻塞时间过长；其次，由于一个用户程序通常被分为许多子任务来执行，这容易造成总的任务完成效率较高而任务的平均完成效率较低的情况，再者当任务的平均完成效率得到提升时也可有效提升总任务的完成效率；最后，现有调度方法对不同类型的任务进行无差别调度，没有考虑到对时效性要求较高的量子校准任务，会存在因调度不及时导致量子比特长期无法得到校准使得计算频繁出错的情况。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高任务调度效率的基于多适应度遗传优化的量子云混合任务调度方法、装置、计算机设备和存储介质。
一种基于多适应度遗传优化的量子云混合任务调度方法，所述方法包括：
获取待调度的量子云混合任务；量子云混合任务包括量子比特校准任务、量子计算任务和经典计算任务；
利用云计算MapReduce计算模型的Map函数对量子云混合任务中的量子计算任务和经典计算任务进行分割，得到多个子任务；
模拟染色体的编解码方式对子任务进行编码和解码，得到子任务分组和时间矩阵；
根据子任务分组和时间矩阵进行任务完成时间计算，得到量子云混合任务的总任务完成时间和单个任务的平均完成时间；
对总完成时间、平均完成时间和量子比特校准时效性进行适应度计算，得到总任务完成时间、单个任务的平均完成时间和量子比特校准时效性对应的适应度函数；
根据遗传算法和适应度函数对所述量子云混合任务和量子比特校准任务进行自适应演化，得到最终子任务调度序列；
根据量子云平台对最终子任务调度序列进行任务调度。
在其中一个实施例中，对量子比特校准任务和子任务进行任务标记，得到量子比特校准任务和子任务对应的worker处理器线程编号；量子比特校准任务和子任务被分配给多个worker处理器线程中并行执行任务调度。
在其中一个实施例中，利用染色体的编码方式对子任务进行编码和解码，得到子任务分组和时间矩阵，包括：
将子任务的worker处理器线程编号对应染色体中每个基因的取值，子任务的数目对应染色体中基因的数目；染色体表示子任务总体调度的排序方案；
根据量子云混合任务中的初始任务顺序进行编码，当任务顺序相同时，则再按初始子任务排序进行编码，得到每个子任务的序号；
根据子任务的序号和子任务的worker处理器线程编号对子任务进行分组，得到子任务分组；
根据子任务分组中的子任务的复杂度计算出每个worker处理器线程中完成其上所有子任务的所需的时间期望值，得到时间矩阵。
在其中一个实施例中，时间矩阵中的元素表示子任务在对应的worker处理器线程中完成任务所用时间的期望值；根据子任务分组和时间矩阵进行任务完成时间计算，得到量子云混合任务的总任务完成时间和单个任务的平均完成时间，包括：
对子任务分组和时间矩阵进行计算，得到量子云混合任务的总任务完成时间为
T1,h＝maxi＝1 K∑j＝1 nTw(i,j)
其中，h表示染色体编号，i表示worker处理器线程编号，n表示分配到第i个worker处理器线程的子任务总数，j表示第i个worker处理器线程上的第j个子任务，Tw(i,j)表示第i个worker处理器线程上执行第j个子任务的所用时间，K表示worker处理器线程总数；
对子任务分组和时间矩阵进行计算，得到量子云混合任务的单个任务的平均完成时间为
T2,h＝∑t＝1 NT(t)/N
其中T(t)＝maxj＝1 C(t)∑i＝1 kTw(i,j)，其中，T(t)表示第t个任务的平均完成时间，t表示单个任务的编号，C(t)表示子任务分组中的任意一组，N表示量子云混合任务的任务总数，k表示任务t的子任务j对应的worker处理器线程的编号。
在其中一个实施例中，对总完成时间、平均完成时间和量子比特校准时效性进行适应度计算，得到总任务完成时间、单个任务的平均完成时间和量子比特校准时效性对应的适应度函数，包括：
对总完成时间进行适应度计算，得到总完成时间的适应度函数为
f1(h)＝1/T1,h(1≤h≤H)
其中，H表示染色体总数；
对平均完成时间进行适应度计算，得到平均完成时间的适应度函数为
f2(h)＝∑t＝1 NT2,h/N(1≤h≤H)
对量子比特校准时效性进行适应度计算，得到量子比特校准时效性的适应度函数为
f3(h)＝N-∑h＝1 sHd(t)(1≤h≤H)
其中，s表示量子比特校准任务数，Hd(t)表示判定染色体中第i个任务是否为量子比特校准任务，是为1，否则为0。
在其中一个实施例中，根据遗传算法和适应度函数对量子云混合任务和量子比特校准任务进行自适应演化，得到最终子任务调度序列，包括：
根据遗传算法将染色体的每个基因在取值范围[1,K]内进行随机初始化，将子任务随机分配到worker处理器线程中，生成多个初始染色体；
利用交叉算子和遗传算子对初始染色体进行交叉变异，得到候选染色体；
根据适应度函数计算候选染色体中每个染色体的被选几率，利用适应度比例选择法选择概率最高的被选几率作为选择算子进行染色体选择，得到最终染色体；最终染色体为最终子任务调度序列。
在其中一个实施例中，根据适应度函数计算所述候选染色体中每个染色体的被选几率的过程包括：
根据总完成时间的适应度函数计算候选染色体中每个染色体的第一被选几率为P1(h)＝f1(h)/∑j＝1 Hf1(j)，即单个该染色体在所有染色体种群中的总完成时间占比；
根据平均完成时间的适应度函数计算候选染色体中每个染色体的第二被选几率为P2(h)＝f2(h)/∑j＝1 Hf2(j)，即单个该染色体在所有染色体种群中的平均完成时间占比；
根据量子比特校准时效性的适应度函数计算候选染色体中每个染色体的第三被选几率为P3(h)＝f3(h)/∑j＝1 Hf3(j)，即单个该染色体在所有染色体种群中的量子比特校准时效性指标占比。
在其中一个实施例中，根据量子云平台对最终子任务调度序列进行任务调度，包括：
将最终任务调度序列中的量子比特校准任务根据任务标记的worker处理器线程编号，发放到对应处理器的校准区域执行；
根据不同worker处理器的执行区域当前可用的量子比特数，将最终任务调度序列前段的多个任务合并成量子比特需求量低于但最大化接近当前可用的量子比特数的量子事务后发放到量子比特数对应的处理器的校准区域执行；
将最终任务调度序列中的经典计算任务，按照经典云计算分配方式，组合成经典事务并发放到经典处理器上执行。
一种基于多适应度遗传优化的量子云混合任务调度装置，所述装置包括：
任务分割模块，用于获取待调度的量子云混合任务；量子云混合任务包括量子比特校准任务、量子计算任务和经典计算任务；利用云计算MapReduce计算模型的Map函数对量子云混合任务中的量子计算任务和经典计算任务进行分割，得到多个子任务；
编码和解码模块，用于利用染色体的编码方式对子任务进行编码和解码，得到子任务分组和时间矩阵；
任务完成时间计算模块，用于根据子任务分组和时间矩阵进行任务完成时间计算，得到量子云混合任务的总任务完成时间和单个任务的平均完成时间；
适应度函数计算模块，用于对总完成时间、平均完成时间和量子比特校准时效性进行适应度计算，得到总任务完成时间、单个任务的平均完成时间和量子比特校准时效性对应的适应度函数；
任务调度模块，用于根据遗传算法和适应度函数对量子云混合任务和量子比特校准任务进行自适应演化，得到最终子任务调度序列；根据量子云平台对最终子任务调度序列进行任务调度。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取待调度的量子云混合任务；量子云混合任务包括量子比特校准任务、量子计算任务和经典计算任务；
利用云计算MapReduce计算模型的Map函数对量子云混合任务中的量子计算任务和经典计算任务进行分割，得到多个子任务；
模拟染色体的编解码方式对子任务进行编码和解码，得到子任务分组和时间矩阵；
根据子任务分组和时间矩阵进行任务完成时间计算，得到量子云混合任务的总任务完成时间和单个任务的平均完成时间；
对总完成时间、平均完成时间和量子比特校准时效性进行适应度计算，得到总任务完成时间、单个任务的平均完成时间和量子比特校准时效性对应的适应度函数；
根据遗传算法和适应度函数对所述量子云混合任务和量子比特校准任务进行自适应演化，得到最终子任务调度序列；
根据量子云平台对最终子任务调度序列进行任务调度。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
获取待调度的量子云混合任务；量子云混合任务包括量子比特校准任务、量子计算任务和经典计算任务；
利用云计算MapReduce计算模型的Map函数对量子云混合任务中的量子计算任务和经典计算任务进行分割，得到多个子任务；
模拟染色体的编解码方式对子任务进行编码和解码，得到子任务分组和时间矩阵；
根据子任务分组和时间矩阵进行任务完成时间计算，得到量子云混合任务的总任务完成时间和单个任务的平均完成时间；
对总完成时间、平均完成时间和量子比特校准时效性进行适应度计算，得到总任务完成时间、单个任务的平均完成时间和量子比特校准时效性对应的适应度函数；
根据遗传算法和适应度函数对所述量子云混合任务和量子比特校准任务进行自适应演化，得到最终子任务调度序列；
根据量子云平台对最终子任务调度序列进行任务调度。
上述基于多适应度遗传优化的量子云混合任务调度方法、装置、计算机设备和存储介质，本申请通过将经典任务和量子任务进行事务分割，然后基于任务类型对任务进行分段处理和自适应调度，实现量子与经典计算资源弹性综合利用，并在保证量子比特能够得到及时校准的前提下，提高总任务完成效率和任务平均完成效率，优化量子处理器的利用率，通过实现这种有效的调度机制，可保证跨地域、多节点的状态同步，避免单点故障和局部用户的阻塞时间过长，实现负载均衡，保证系统及服务安全，提供持续稳定、非间断的量子计算云服务。
附图说明
图1为一个实施例中一种基于多适应度遗传优化的量子云混合任务调度方法的应用场景图；
图2为一个实施例中最终子任务调度序列的流程示意图；
图3为一个实施例中一种基于多适应度遗传优化的量子云混合任务调度装置的结构框图；
图4为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
在一个实施例中，如图1所示，提供了一种基于多适应度遗传优化的量子云混合任务调度方法，包括以下步骤：
步骤102，获取待调度的量子云混合任务；量子云混合任务包括量子比特校准任务、量子计算任务和经典计算任务；利用云计算MapReduce计算模型的Map函数对量子云混合任务中的量子计算任务和经典计算任务进行分割，得到多个子任务。
针对于量子云平台内部的大规模计算密集型应用，需要采用数据分割的计算方式，将较大的任务分割成为许多较小的子任务(即量子事务/经典事务)，然后分配给若干个虚拟资源节点(即worker处理器线程)并行执行，最后返回运行结果。其中，量子校准任务已经是不可分割的原子任务，直接交给worker执行。通过将量子云混合任务进行分割，有利于在后续任务处理阶段根据基于任务类型对任务进行分段处理和自适应调度。
在任务分割时，需对子任务的执行要素进行拆分和标注，可从父任务继承，其基本组成要素包括以下几种：(1)量子任务所需量子比特数目或经典任务所需线程数目；(2)量子程序或经典程序的中间表示；(3)量子或经典计算处理器编号，如果标注该属性则会限定子任务能够执行的处理器位置，否则由混合任务调度过程进行调度分配；(4)任务类型，即量子比特校准任务、量子计算任务、经典计算任务这三种类型；(5)优先级，即任务的执行优先级，其中量子比特校准任务具有高优先级、需尽快执行。
步骤104，模拟染色体的编解码方式对子任务进行编码和解码，得到子任务分组和时间矩阵。
对于子任务的被执行状态，模拟染色体的编解码方式对子任务进行编码和解码，在混合任务调度场景中，子任务将被分配到的worker处理器线程号对应染色体中每个基因的取值，子任务的数目对应基因总数。基因编码时，依次按任务顺序进行编码，如任务顺序相同，则再按子任务顺序进行编码，使得子任务和子任务被分配到的worker处理器线程都已一个特定的编号，在后续解码过程中，根据worker编号进行子任务分组，比如形如{worker1->{i1,1,i1,2,...},worker2->{i2,1,i2,2,...},...}，其中in,m表示第n个worker处理器线程的第m个子任务对应的基因位置号为in,m。根据每个处理器线程中的子任务的复杂度可以计算出该线程执行完其中所有子任务需要的时间，从而可以构建时间矩阵，矩阵中每个元素en,m表示第n个子任务在第m个worker处理器线程上完成计算所需时间期望值。
步骤106，根据子任务分组和时间矩阵进行任务完成时间计算，得到量子云混合任务的总任务完成时间和单个任务的平均完成时间。
根据子任务分组和时间矩阵，可以估计出每个worker处理器线程完成其上所有子任务的计算所需的时间期望值，从而可以分别算出量子云混合任务的总完成时间和单个任务的平均完成时间。
步骤108，对总完成时间、平均完成时间和量子比特校准时效性进行适应度计算，得到总任务完成时间、单个任务的平均完成时间和量子比特校准时效性对应的适应度函数。
步骤110，根据遗传算法和适应度函数对量子云混合任务和量子比特校准任务进行自适应演化，得到最终子任务调度序列；根据量子云平台对最终子任务调度序列进行任务调度。
通过计算总任务完成时间、单个任务的平均完成时间和量子比特校准时效性对应的适应度函数，并根据遗传算法和适应度函数对量子云混合任务和量子比特校准任务进行自适应演化来优化子任务调度序列，提高任务调度效率，可以避免只考虑总任务的完成效率而无法优化任务的平均完成效率，从而造成局部用户的阻塞时间过长的问题，同时通过利用单个任务的平均完成时间和量子比特校准时效性对应的适应度函数进行子任务调度序列优化，可以充分考虑每个子任务的平均完成时间和对时效性有要求的量子比特校准任务，从而避免在进行任务调度时出现总的任务完成效率较高而任务的平均完成效率较低的情况并且可以及时调度量子比特校准任务进行量子比特校准避免量子计算出错。
上述基于多适应度遗传优化的量子云混合任务调度方法中，本申请通过将经典任务和量子任务进行事务分割，然后基于任务类型对任务进行分段处理和自适应调度，实现量子与经典计算资源弹性综合利用，并在保证量子比特能够得到及时校准的前提下，提高总任务完成效率和任务平均完成效率，优化量子处理器的利用率，通过实现这种有效的调度机制，可保证跨地域、多节点的状态同步，避免单点故障和局部用户的阻塞时间过长，实现负载均衡，保证系统及服务安全，提供持续稳定、非间断的量子计算云服务。
在其中一个实施例中，对量子比特校准任务和子任务进行任务标记，得到量子比特校准任务和子任务对应的worker处理器线程编号；量子比特校准任务和子任务被分配给多个worker处理器线程中并行执行任务调度。
在其中一个实施例中，利用染色体的编码方式对子任务进行编码和解码，得到子任务分组和时间矩阵，包括：
将子任务的worker处理器线程编号对应染色体中每个基因的取值，子任务的数目对应染色体中基因的数目；染色体表示子任务总体调度的排序方案；
根据量子云混合任务中的初始任务顺序进行编码，当任务顺序相同时，则再按初始子任务排序进行编码，得到每个子任务的序号；
根据子任务的序号和子任务的worker处理器线程编号对子任务进行分组，得到子任务分组；
根据子任务分组中的子任务的复杂度计算出每个worker处理器线程中完成其上所有子任务的所需的时间期望值，得到时间矩阵。
在其中一个实施例中，时间矩阵中的元素表示子任务在对应的worker处理器线程中完成任务所用时间的期望值；根据子任务分组和时间矩阵进行任务完成时间计算，得到量子云混合任务的总任务完成时间和单个任务的平均完成时间，包括：
对子任务分组和时间矩阵进行计算，得到量子云混合任务的总任务完成时间为
T1,h＝maxi＝1 K∑j＝1 nTw(i,j)
其中，h表示染色体编号，i表示worker处理器线程编号，n表示分配到第i个worker处理器线程的子任务总数，j表示第i个worker处理器线程上的第j个子任务，Tw(i,j)表示第i个worker处理器线程上执行第j个子任务的所用时间，K表示worker处理器线程总数；
对子任务分组和时间矩阵进行计算，得到量子云混合任务的单个任务的平均完成时间为
T2,h＝∑t＝1 NT(t)/N
其中T(t)＝maxj＝1 C(t)∑i＝1 kTw(i,j)，其中，T(t)表示第t个任务的平均完成时间，t表示单个任务的编号，C(t)表示子任务分组中的任意一组，N表示量子云混合任务的任务总数，k表示任务t的子任务j对应的worker处理器线程的编号。
在其中一个实施例中，对总完成时间、平均完成时间和量子比特校准时效性进行适应度计算，得到总任务完成时间、单个任务的平均完成时间和量子比特校准时效性对应的适应度函数，包括：
对总完成时间进行适应度计算，得到总完成时间的适应度函数为
f1(h)＝1/T1,h(1≤h≤H)
其中，H表示染色体总数；
对平均完成时间进行适应度计算，得到平均完成时间的适应度函数为
f2(h)＝∑t＝1 NT2,h/N(1≤h≤H)
对量子比特校准时效性进行适应度计算，得到量子比特校准时效性的适应度函数为
f3(h)＝N-∑h＝1 sHd(t)(1≤h≤H)
其中，s表示量子比特校准任务数，Hd(t)表示判定染色体中第i个任务是否为量子比特校准任务，是为1，否则为0。
在具体实施例中，多适应度遗传优化同时考虑多种适应度目标函数，使得演化能够同时朝向多个目标趋近动态最优；此外，多适应度函数如果存在一定关联，能够彼此促进加速优化收敛的速度，提高算法效率。针对总任务完成效率和任务平均完成效率的目标，设计采用两种适应度目标函数，使得两者用时少的候选解的适应度更高、在遗传选择中得到优先选择。
其中，量子比特校准任务不同于其他子任务，如果将一般的量子/经典计算任务和量子比特校准任务统一按传统方法进行调度，量子比特校准任务无法得到应有的及时响应。量子比特校准任务要求响应时间快(需及时响应)，具有执行时间短(意味着对其他任务阻塞时间非常短暂)、操作物理量子比特明确(有明确的目标worker资源调度需求)等特点，必须优先执行，否则由于量子电路本身存在无法克服的高出错率、低可靠性特点，长期缺少校验和校准将严重影响量子计算的准确率。而量子程序和经典程序通常无需强时效要求，且无需事先指定量子处理器及量子比特，因此才可按照前述调度优先级计算体系，根据量子比特和经典计算资源进行高效分配。
在其中一个实施例中，根据遗传算法和适应度函数对量子云混合任务和量子比特校准任务进行自适应演化，得到最终子任务调度序列，包括：
根据遗传算法将染色体的每个基因在取值范围[1,K]内进行随机初始化，将子任务随机分配到worker处理器线程中，生成多个初始染色体；
利用交叉算子和遗传算子对初始染色体进行交叉变异，得到候选染色体；
根据适应度函数计算候选染色体中每个染色体的被选几率，利用适应度比例选择法选择概率最高的被选几率作为选择算子进行染色体选择，得到最终染色体；最终染色体为最终子任务调度序列。
在其中一个实施例中，根据适应度函数计算所述候选染色体中每个染色体的被选几率的过程包括：
根据总完成时间的适应度函数计算候选染色体中每个染色体的第一被选几率为P1(h)＝f1(h)/∑j＝1 Hf1(j)，即单个该染色体在所有染色体种群中的总完成时间占比；
根据平均完成时间的适应度函数计算候选染色体中每个染色体的第二被选几率为P2(h)＝f2(h)/∑j＝1 Hf2(j)，即单个该染色体在所有染色体种群中的平均完成时间占比；
根据量子比特校准时效性的适应度函数计算候选染色体中每个染色体的第三被选几率为P3(h)＝f3(h)/∑j＝1 Hf3(j)，即单个该染色体在所有染色体种群中的量子比特校准时效性指标占比。
在具体实施例中，如图2所示，模拟基因遗传操作，生成任务调度策略，并实现策略的自适应演化，得到最终子任务调度序列的过程如下：
a.种群初始化
任务调度算法的初始化过程同样模拟种群的产生方式。种群初始化时，将随机产生H条长度为M的染色体，染色体中的每个基因在取值范围[1,K]内进行随机初始化，生成多个初始染色体。
b.基因交叉
遗传优化本质上也是一种搜索算法，通过定义算子模拟基因相关操作来实现解空间的搜索。交叉算子是对已知解空间的适应度启发下的搜索，模仿的是生物基因片段的分解与重组方式，适应度更优的基因片段能获得更多的机会保留到新一代染色体。令种群染色体中适应度最大值为fmax，每代染色体群体的适应度期望值为favg，待交叉的染色体对中的适应度最大值为f’，则染色体对发生交叉的概率为：
Pc＝k1(fmax-f’)/(fmax-favg)(f’≥favg)或k2(f’＜favg)
c.基因变异
变异算子是对未知解空间的适应度启发下的搜索，通过模拟基因变异带来的遗传多样性，避免局部最优。令当前基因的适应度为f，则基因发生变异的概率为：
Pm＝k3(fmax-f)/(fmax-favg)(f≥favg)或k4(f＜favg)
d.染色体选择
选择算子模拟了自然界基于适应度来评价、选择或淘汰染色体的方式，用于选择当前可供调度的最优子任务，同时也为交叉和变异算子选出了待操作的目标染色体。基于前述三个适应度函数，采用适应度比例选择法(roulette wheel selection)来计算每个染色体的被选几率：
P1(h)＝f1(h)/∑j＝1 Hf1(j)
P2(h)＝f2(h)/∑j＝1 Hf2(j)
P3(h)＝f3(h)/∑j＝1 Hf3(j)
对上述三个被选几率，分别以P1(h)、P2(h)和P3(h)(0<P1(h)，P2(h),P3(h)<1，∑i＝ 1pi＝1)的概率进行选取，最终概率最高的被选几率将被作为选择算子进行染色体选择的最终概率依据。适应度比例选择法能够保证染色体种群中能够存在总任务完成效率高、任务平均完成效率、量子比特校准时效性均较高的子任务，从而可以选取用于任务调度，或为下一轮进化操作提供具有优良基因的染色体，被选出的子任务进入候选优先级队列，进行多轮计算后生成最终子任务调度序列。
在其中一个实施例中，根据量子云平台对最终子任务调度序列进行任务调度，包括：
将最终任务调度序列中的量子比特校准任务根据任务标记的worker处理器线程编号，发放到对应处理器的校准区域执行；
根据不同worker处理器的执行区域当前可用的量子比特数，将最终任务调度序列前段的多个任务合并成量子比特需求量低于但最大化接近当前可用的量子比特数的量子事务后发放到量子比特数对应的处理器的校准区域执行；
将最终任务调度序列中的经典计算任务，按照经典云计算分配方式，组合成经典事务并发放到经典处理器上执行。
在具体实施例中，量子云平台会根据之前标记的或者后来任务调度生成的量子处理器编号，进行量子比特映射，将量子程序适配到特定的量子处理器的拓扑结构。量子比特校准任务不参与映射，因为此类任务只在量子处理器中独立于任务执行区域的校准区域执行。
应该理解的是，虽然图1的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图3所示，提供了一种基于多适应度遗传优化的量子云混合任务调度装置，包括：任务分割模块302、编码和解码模块304、任务完成时间计算模块306、适应度函数计算模块308和任务调度模块310，其中：
任务分割模块302，用于获取待调度的量子云混合任务；量子云混合任务包括量子比特校准任务、量子计算任务和经典计算任务；根据Map函数对量子云混合任务中的量子计算任务和经典计算任务进行分割，得到多个子任务；
编码和解码模块304，用于利用染色体的编码方式对子任务进行编码和解码，得到子任务分组和时间矩阵；
任务完成时间计算模块306，用于根据子任务分组和时间矩阵进行任务完成时间计算，得到量子云混合任务的总任务完成时间和单个任务的平均完成时间；
适应度函数计算模块308，用于对总完成时间、平均完成时间和量子比特校准时效性进行适应度计算，得到总任务完成时间、单个任务的平均完成时间和量子比特校准时效性对应的适应度函数；
任务调度模块310，用于根据遗传算法和适应度函数对量子云混合任务和量子比特校准任务进行自适应演化，得到最终子任务调度序列；根据量子云平台对最终子任务调度序列进行任务调度。
在其中一个实施例中，所述装置还包括任务标记模块；任务标记模块用于对量子比特校准任务和子任务进行任务标记，得到量子比特校准任务和子任务对应的worker处理器线程编号；量子比特校准任务和子任务被分配给多个worker处理器线程中并行执行任务调度。
在其中一个实施例中，编码和解码模块304还用于利用染色体的编码方式对子任务进行编码和解码，得到子任务分组和时间矩阵，包括：
将子任务的worker处理器线程编号对应染色体中每个基因的取值，子任务的数目对应染色体中基因的数目；染色体表示子任务总体调度的排序方案；
根据量子云混合任务中的初始任务顺序进行编码，当任务顺序相同时，则再按初始子任务排序进行编码，得到每个子任务的序号；
根据子任务的序号和子任务的worker处理器线程编号对子任务进行分组，得到子任务分组；
根据子任务分组中的子任务的复杂度计算出每个worker处理器线程中完成其上所有子任务的所需的时间期望值，得到时间矩阵。
在其中一个实施例中，任务完成时间计算模块306还用于时间矩阵中的元素表示子任务在对应的worker处理器线程中完成任务所用时间的期望值；根据子任务分组和时间矩阵进行任务完成时间计算，得到量子云混合任务的总任务完成时间和单个任务的平均完成时间，包括：
对子任务分组和时间矩阵进行计算，得到量子云混合任务的总任务完成时间为
T1,h＝maxi＝1 K∑j＝1 nTw(i,j)
其中，h表示染色体编号，i表示worker处理器线程编号，n表示分配到第i个worker处理器线程的子任务总数，j表示第i个worker处理器线程上的第j个子任务，Tw(i,j)表示第i个worker处理器线程上执行第j个子任务的所用时间，K表示worker处理器线程总数；
对子任务分组和时间矩阵进行计算，得到量子云混合任务的单个任务的平均完成时间为
T2,h＝∑t＝1 NT(t)/N
其中T(t)＝maxj＝1 C(t)∑i＝1 kTw(i,j)，其中，T(t)表示第t个任务的平均完成时间，t表示单个任务的编号，C(t)表示子任务分组中的任意一组，N表示量子云混合任务的任务总数，k表示任务t的子任务j对应的worker处理器线程的编号。
在其中一个实施例中，适应度函数计算模块308还用于对总完成时间、平均完成时间和量子比特校准时效性进行适应度计算，得到总任务完成时间、单个任务的平均完成时间和量子比特校准时效性对应的适应度函数，包括：
对总完成时间进行适应度计算，得到总完成时间的适应度函数为
f1(h)＝1/T1,h(1≤h≤H)
其中，H表示染色体总数；
对平均完成时间进行适应度计算，得到平均完成时间的适应度函数为
f2(h)＝∑t＝1 NT2,h/N(1≤h≤H)
对量子比特校准时效性进行适应度计算，得到量子比特校准时效性的适应度函数为
f3(h)＝N-∑h＝1 sHd(t)(1≤h≤H)
其中，s表示量子比特校准任务数，Hd(t)表示判定染色体中第i个任务是否为量子比特校准任务，是为1，否则为0。
在其中一个实施例中，任务调度模块310还用于根据遗传算法和适应度函数对量子云混合任务和量子比特校准任务进行自适应演化，得到最终子任务调度序列，包括：
根据遗传算法将染色体的每个基因在取值范围[1,K]内进行随机初始化，将子任务随机分配到worker处理器线程中，生成多个初始染色体；
利用交叉算子和遗传算子对初始染色体进行交叉变异，得到候选染色体；
根据适应度函数计算候选染色体中每个染色体的被选几率，利用适应度比例选择法选择概率最高的被选几率作为选择算子进行染色体选择，得到最终染色体；最终染色体为最终子任务调度序列。
在其中一个实施例中，根据适应度函数计算所述候选染色体中每个染色体的被选几率的过程包括：
根据总完成时间的适应度函数计算候选染色体中每个染色体的第一被选几率为P1(h)＝f1(h)/∑j＝1 Hf1(j)，即单个该染色体在所有染色体种群中的总完成时间占比；
根据平均完成时间的适应度函数计算候选染色体中每个染色体的第二被选几率为P2(h)＝f2(h)/∑j＝1 Hf2(j)，即单个该染色体在所有染色体种群中的平均完成时间占比；
根据量子比特校准时效性的适应度函数计算候选染色体中每个染色体的第三被选几率为P3(h)＝f3(h)/∑j＝1 Hf3(j)，即单个该染色体在所有染色体种群中的量子比特校准时效性指标占比。
在其中一个实施例中，任务调度模块310还用于根据量子云平台对最终子任务调度序列进行任务调度，包括：
将最终任务调度序列中的量子比特校准任务根据任务标记的worker处理器线程编号，发放到对应处理器的校准区域执行；
根据不同worker处理器的执行区域当前可用的量子比特数，将最终任务调度序列前段的多个任务合并成量子比特需求量低于但最大化接近当前可用的量子比特数的量子事务后发放到量子比特数对应的处理器的校准区域执行；
将最终任务调度序列中的经典计算任务，按照经典云计算分配方式，组合成经典事务并发放到经典处理器上执行。
关于基于多适应度遗传优化的量子云混合任务调度装置的具体限定可以参见上文中对于基于多适应度遗传优化的量子云混合任务调度方法的限定，在此不再赘述。上述基于多适应度遗传优化的量子云混合任务调度装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图4所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于多适应度遗传优化的量子云混合任务调度方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图4中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，该存储器存储有计算机程序，该处理器执行计算机程序时实现上述实施例中方法的步骤。
在一个实施例中，提供了一种计算机存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述实施例中方法的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种基于多适应度遗传优化的量子云混合任务调度方法，其特征在于，所述方法包括：
获取待调度的量子云混合任务；所述量子云混合任务包括量子比特校准任务、量子计算任务和经典计算任务；
利用云计算MapReduce计算模型的Map函数对所述量子云混合任务中的量子计算任务和经典计算任务进行分割，得到多个子任务；
模拟染色体的编解码方式对所述子任务进行编码和解码，得到子任务分组和时间矩阵；
根据所述子任务分组和时间矩阵进行任务完成时间计算，得到量子云混合任务的总任务完成时间和单个任务的平均完成时间；
对所述总完成时间、平均完成时间和量子比特校准时效性进行适应度计算，得到总任务完成时间、单个任务的平均完成时间和量子比特校准时效性对应的适应度函数；
根据遗传算法和所述适应度函数对所述量子云混合任务和量子比特校准任务进行自适应演化，得到最终子任务调度序列；
根据量子云平台对所述最终子任务调度序列进行任务调度。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
对所述量子比特校准任务和子任务进行任务标记，得到量子比特校准任务和子任务对应的worker处理器线程编号；所述量子比特校准任务和子任务被分配给多个worker处理器线程中并行执行任务调度。
3.根据权利要求2所述的方法，其特征在于，利用染色体的编码方式对所述子任务进行编码和解码，得到子任务分组和时间矩阵，包括：
将所述子任务的worker处理器线程编号对应染色体中每个基因的取值，所述子任务的数目对应染色体中基因的数目；所述染色体表示子任务总体调度的排序方案；
根据量子云混合任务中的初始任务顺序进行编码，当所述任务顺序相同时，则再按初始子任务排序进行编码，得到每个子任务的序号；
根据所述子任务的序号和子任务的worker处理器线程编号对所述子任务进行分组，得到子任务分组；
根据所述子任务分组中的子任务的复杂度计算出每个worker处理器线程中完成其上所有子任务的所需的时间期望值，得到时间矩阵。
4.根据权利要求3所述的方法，其特征在于，所述时间矩阵中的元素表示子任务在对应的worker处理器线程中完成任务所用时间的期望值；根据所述子任务分组和时间矩阵进行任务完成时间计算，得到量子云混合任务的总任务完成时间和单个任务的平均完成时间，包括：
对所述子任务分组和时间矩阵进行计算，得到量子云混合任务的总任务完成时间为
T1,h＝maxi＝1 K∑j＝1 nTw(i,j)
其中，h表示染色体编号，i表示worker处理器线程编号，n表示分配到第i个worker处理器线程的子任务总数，j表示第i个worker处理器线程上的第j个子任务，Tw(i,j)表示第i个worker处理器线程上执行第j个子任务的所用时间，K表示worker处理器线程总数；
对所述子任务分组和时间矩阵进行计算，得到量子云混合任务的单个任务的平均完成时间为
T2,h＝∑t＝1 NT(t)/N
其中T(t)＝maxj＝1 C(t)∑i＝1 kTw(i,j)，其中，T(t)表示第t个任务的平均完成时间，t表示单个任务的编号，C(t)表示子任务分组中的任意一组，N表示量子云混合任务的任务总数，k表示任务t的子任务j对应的worker处理器线程的编号。
5.根据权利要求4所述的方法，其特征在于，对所述总完成时间、平均完成时间和量子比特校准时效性进行适应度计算，得到总任务完成时间、单个任务的平均完成时间和量子比特校准时效性对应的适应度函数，包括：
对所述总完成时间进行适应度计算，得到总完成时间的适应度函数为
f1(h)＝1/T1,h(1≤h≤H)
其中，H表示染色体总数；
对所述平均完成时间进行适应度计算，得到平均完成时间的适应度函数为
f2(h)＝∑t＝1 NT2,h/N(1≤h≤H)
对所述量子比特校准时效性进行适应度计算，得到量子比特校准时效性的适应度函数为
f3(h)＝N-∑h＝1 sHd(t)(1≤h≤H)
其中，s表示量子比特校准任务数，Hd(t)表示判定染色体中第i个任务是否为量子比特校准任务，是为1，否则为0。
6.根据权利要求5所述的方法，其特征在于，根据遗传算法和所述适应度函数对所述量子云混合任务和量子比特校准任务进行自适应演化，得到最终子任务调度序列，包括：
根据遗传算法将染色体的每个基因在取值范围[1,K]内进行随机初始化，将子任务随机分配到worker处理器线程中，生成多个初始染色体；
利用交叉算子和遗传算子对所述初始染色体进行交叉变异，得到候选染色体；
根据所述适应度函数计算所述候选染色体中每个染色体的被选几率，利用适应度比例选择法选择概率最高的被选几率作为选择算子进行染色体选择，得到最终染色体；所述最终染色体为最终子任务调度序列。
7.根据权利要求6所述的方法，其特征在于，根据所述适应度函数计算所述候选染色体中每个染色体的被选几率的过程包括：
根据总完成时间的适应度函数计算所述候选染色体中每个染色体的第一被选几率为P1(h)＝f1(h)/∑j＝1 Hf1(j)，即单个该染色体在所有染色体种群中的总完成时间占比；
根据平均完成时间的适应度函数计算所述候选染色体中每个染色体的第二被选几率为P2(h)＝f2(h)/∑j＝1 Hf2(j)，即单个该染色体在所有染色体种群中的平均完成时间占比；
根据量子比特校准时效性的适应度函数计算所述候选染色体中每个染色体的第三被选几率为P3(h)＝f3(h)/∑j＝1 Hf3(j)，即单个该染色体在所有染色体种群中的量子比特校准时效性指标占比。
8.根据权利要求6所述的方法，其特征在于，根据量子云平台对所述最终子任务调度序列进行任务调度，包括：
将所述最终任务调度序列中的量子比特校准任务根据任务标记的worker处理器线程编号，发放到对应处理器的校准区域执行；
根据不同worker处理器的执行区域当前可用的量子比特数，将最终任务调度序列前段的多个任务合并成量子比特需求量低于但最大化接近当前可用的量子比特数的量子事务后发放到量子比特数对应的处理器的校准区域执行；
将所述最终任务调度序列中的经典计算任务，按照经典云计算分配方式，组合成经典事务并发放到经典处理器上执行。
9.一种基于多适应度遗传优化的量子云混合任务调度装置，其特征在于，所述装置包括：
任务分割模块，用于获取待调度的量子云混合任务；所述量子云混合任务包括量子比特校准任务、量子计算任务和经典计算任务；利用云计算MapReduce计算模型的Map函数对所述量子云混合任务中的量子计算任务和经典计算任务进行分割，得到多个子任务；
编码和解码模块，用于模拟染色体的编解码方式对所述子任务进行编码和解码，得到子任务分组和时间矩阵；
任务完成时间计算模块，用于根据所述子任务分组和时间矩阵进行任务完成时间计算，得到量子云混合任务的总任务完成时间和单个任务的平均完成时间；
适应度函数计算模块，用于对所述总完成时间、平均完成时间和量子比特校准时效性进行适应度计算，得到总任务完成时间、单个任务的平均完成时间和量子比特校准时效性对应的适应度函数；
任务调度模块，用于根据遗传算法和所述适应度函数对所述量子云混合任务和量子比特校准任务进行自适应演化，得到最终子任务调度序列；根据量子云平台对所述最终子任务调度序列进行任务调度。
10.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述方法的步骤。
CN202210623294.8A 2022-06-02 2022-06-02 基于多适应度遗传优化的量子云混合任务调度方法及装置 Active CN114968531B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210623294.8A CN114968531B (zh) 2022-06-02 2022-06-02 基于多适应度遗传优化的量子云混合任务调度方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210623294.8A CN114968531B (zh) 2022-06-02 2022-06-02 基于多适应度遗传优化的量子云混合任务调度方法及装置

Publications (2)

Publication Number Publication Date
CN114968531A true CN114968531A (zh) 2022-08-30
CN114968531B CN114968531B (zh) 2024-08-09

Family

ID=82960093

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210623294.8A Active CN114968531B (zh) 2022-06-02 2022-06-02 基于多适应度遗传优化的量子云混合任务调度方法及装置

Country Status (1)

Country Link
CN (1) CN114968531B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116257222A (zh) * 2023-02-28 2023-06-13 中国人民解放军战略支援部队信息工程大学 基于任务流的经典-量子协同计算编程方法及模型
CN116910481A (zh) * 2023-07-27 2023-10-20 中国舰船研究设计中心 一种基于遗传算法的船舶任务系统装载弹量优化方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103902375A (zh) * 2014-04-11 2014-07-02 北京工业大学 一种基于改进遗传算法的云任务调度方法
US20140187427A1 (en) * 2011-07-06 2014-07-03 D-Wave Systems Inc. Quantum processor based systems and methods that minimize an objective function
WO2016165392A1 (zh) * 2015-04-17 2016-10-20 华南理工大学 一种基于遗传算法的云计算资源调度方法
CN108984298A (zh) * 2018-06-29 2018-12-11 广东工业大学 一种云计算平台的资源调度方法和系统
CN111125188A (zh) * 2019-12-10 2020-05-08 江苏海事职业技术学院 一种基于量子计算云中心的建立用户数据的方法
CN112181598A (zh) * 2020-10-12 2021-01-05 内蒙古农业大学 基于改进遗传算法的云计算任务调度方法
CN113411369A (zh) * 2020-03-26 2021-09-17 山东管理学院 一种云服务资源协同优化调度方法、系统、介质及设备
CN114186693A (zh) * 2021-11-15 2022-03-15 浪潮集团有限公司 一种量子操作系统的调度方法、系统、装置及计算机介质
CN216596285U (zh) * 2021-10-29 2022-05-24 合肥本源量子计算科技有限责任公司 一种量子控制装置和量子控制系统

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140187427A1 (en) * 2011-07-06 2014-07-03 D-Wave Systems Inc. Quantum processor based systems and methods that minimize an objective function
CN103902375A (zh) * 2014-04-11 2014-07-02 北京工业大学 一种基于改进遗传算法的云任务调度方法
WO2016165392A1 (zh) * 2015-04-17 2016-10-20 华南理工大学 一种基于遗传算法的云计算资源调度方法
CN108984298A (zh) * 2018-06-29 2018-12-11 广东工业大学 一种云计算平台的资源调度方法和系统
CN111125188A (zh) * 2019-12-10 2020-05-08 江苏海事职业技术学院 一种基于量子计算云中心的建立用户数据的方法
CN113411369A (zh) * 2020-03-26 2021-09-17 山东管理学院 一种云服务资源协同优化调度方法、系统、介质及设备
CN112181598A (zh) * 2020-10-12 2021-01-05 内蒙古农业大学 基于改进遗传算法的云计算任务调度方法
CN216596285U (zh) * 2021-10-29 2022-05-24 合肥本源量子计算科技有限责任公司 一种量子控制装置和量子控制系统
CN114186693A (zh) * 2021-11-15 2022-03-15 浪潮集团有限公司 一种量子操作系统的调度方法、系统、装置及计算机介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
LEI LIU 等: "QuCloud: A New Qubit Mapping Mechanism for Multi-programming Quantum Computing in Cloud Environment", 《2021 IEEE INTERNATIONAL SYMPOSIUM ON HIGH-PERFORMANCE COMPUTER ARCHITECTURE(HPCA)》, 22 April 2021 (2021-04-22), pages 167 - 178 *
吕蕾: "超导量子调控系统软件架构的研究与实现", 《CNKI学位论文》, vol. 2022, no. 04, 15 April 2022 (2022-04-15) *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116257222A (zh) * 2023-02-28 2023-06-13 中国人民解放军战略支援部队信息工程大学 基于任务流的经典-量子协同计算编程方法及模型
CN116257222B (zh) * 2023-02-28 2024-05-28 中国人民解放军战略支援部队信息工程大学 基于任务流的经典-量子协同计算编程方法及模型
CN116910481A (zh) * 2023-07-27 2023-10-20 中国舰船研究设计中心 一种基于遗传算法的船舶任务系统装载弹量优化方法
CN116910481B (zh) * 2023-07-27 2024-02-02 中国舰船研究设计中心 一种基于遗传算法的船舶任务系统装载弹量优化方法

Also Published As

Publication number Publication date
CN114968531B (zh) 2024-08-09

Similar Documents

Publication Publication Date Title
CN113411369B (zh) 一种云服务资源协同优化调度方法、系统、介质及设备
CN114968531B (zh) 基于多适应度遗传优化的量子云混合任务调度方法及装置
CN108874538B (zh) 用于调度量子计算机的调度服务器、调度方法及应用方法
CN112416585B (zh) 面向深度学习的gpu资源管理与智能化调度方法
CN106951330A (zh) 一种云服务中心服务效用最大化的虚拟机分配方法
Kołodziej et al. Multi-level hierarchic genetic-based scheduling of independent jobs in dynamic heterogeneous grid environment
Wada et al. Multiobjective optimization of sla-aware service composition
CN108255613B (zh) 一种基于图着色的soa系统资源管理方法
CN109992404A (zh) 集群计算资源调度方法、装置、设备及介质
CN110008023B (zh) 基于遗传算法的云计算系统预算约束随机任务调度方法
Shi et al. A new boredom-aware dual-resource constrained flexible job shop scheduling problem using a two-stage multi-objective particle swarm optimization algorithm
CN111813500B (zh) 一种多目标云工作流调度方法及装置
CN114580678A (zh) 一种产品维修资源调度方法和系统
CN111047040A (zh) 基于IFPA算法的Web服务组合方法
CN111082971A (zh) 一种面向云负载测试的共享式资源分配方法
CN116932201A (zh) 一种面向深度学习训练任务的多资源共享调度方法
CN115794358A (zh) 云工作流任务调度方法、装置、电子设备和存储介质
Bhatnagar et al. Stochastic algorithms for discrete parameter simulation optimization
CN106802822A (zh) 一种基于飞蛾算法的云数据中心认知资源调度方法
CN114297934A (zh) 一种基于代理模型的模型参数并行仿真优化方法及装置
Entezari-Maleki et al. A genetic algorithm to increase the throughput of the computational grids
CN113608858A (zh) 一种基于MapReduce架构的数据同步用块任务执行系统
CN106155799B (zh) 基于遗传算法的Codelet调度方法
CN110119317A (zh) 一种基于遗传算法的云计算任务调度方法和系统
CN111178529B (zh) 数据处理方法、装置、电子设备及可读存储介质

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