CN115116879A - 一种面向晶圆表面缺陷检测的动态权值优化负载均衡算法 - Google Patents

一种面向晶圆表面缺陷检测的动态权值优化负载均衡算法 Download PDF

Info

Publication number
CN115116879A
CN115116879A CN202210827115.2A CN202210827115A CN115116879A CN 115116879 A CN115116879 A CN 115116879A CN 202210827115 A CN202210827115 A CN 202210827115A CN 115116879 A CN115116879 A CN 115116879A
Authority
CN
China
Prior art keywords
load
node
algorithm
load balancing
probability
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.)
Pending
Application number
CN202210827115.2A
Other languages
English (en)
Inventor
刘暾东
傅晓平
陈馨
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.)
Panrou Xiamen Industrial Intelligence Co ltd
Original Assignee
Panrou Xiamen Industrial Intelligence Co ltd
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 Panrou Xiamen Industrial Intelligence Co ltd filed Critical Panrou Xiamen Industrial Intelligence Co ltd
Priority to CN202210827115.2A priority Critical patent/CN115116879A/zh
Publication of CN115116879A publication Critical patent/CN115116879A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Genetics & Genomics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Physiology (AREA)
  • Manufacturing & Machinery (AREA)
  • Computer Hardware Design (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Power Engineering (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种面向晶圆表面缺陷检测的动态权值优化负载均衡算法，包括以下过程：a.针对晶圆表面缺陷检测所使用的计算机集群建立负载均衡模型；b.构建目标函数，目标函数设计为引入影响因子后各项指标负载均衡度的线性函数：c.按照固定周期将各个节点负载状况反馈至主控节点，主控节点根据当前各节点负载状态计算负载均衡度，并判断是否超过阈值，若是，进行过程d，若否，继续监控实时负载状态；d.采用动态权值优化算法求解新权值；e：用所求得权值解替换原有权值；f：主控节点按照新的权值继续进行任务的分发。本发明可实现在短时间之内对集群进行及时调整，维持集群稳定性。

Description

一种面向晶圆表面缺陷检测的动态权值优化负载均衡算法
技术领域
本发明涉及计算机网络技术领域，具体为一种面向晶圆表面缺陷检测的动态权值优化负载均衡算法。
背景技术
伴随晶圆规格及产量的日益扩大化、晶粒结构的日益精细化，为保证检测的实时性，图像算法层面的速度提升已不足以满足要求，并且在自动光学检测系统中仅配备单台计算机进行检测工作也逐渐开始力不从心，因此必须增加计算设备的数目以提高算力，从而缩短检测周期。
集群计算技术可以将多台独立的计算机以统一的模式进行管理，并向外界部提供单一接口，外界可以将整个集群视为一台计算机使用，有效避免了多台计算机分散管理的弊端。集群计算技术具有高度灵活性，可以不受性能配置约束增删内部节点，从而有效突破单机瓶颈，提高系统的计算能力与可用性。然而，在一些情况下，受生产条件所限，用于检测工作的各台服务器型号、性能等各项参数未必完全一致，这就意味着各机器负载不均衡的情况时有发生，不合适的任务分配方案易引发“木桶效应”，由某一台机器负载过高而拖长整个检测周期，导致设备利用率低下。因此，在服务器资源与性能不一的情况下设计出平衡各机器上的负载的相关方案，将每个晶圆缺陷检测任务合理地调度到各服务器上执行，使各服务器上的资源都能得到充分而有效的利用，避免出现空载、过载的情况至关重要。
集群系统负载均衡问题的核心在于如何更合理地将任务分配到集群内各个节点中以避免产生由任务分配不均导致的资源浪费、集群性能下降的情况。尤其在集群系统异构的情况下，系统内节点的差异化是负载均衡的一个重点考虑因素，优秀的负载均衡策略可以在各节点的性能强弱不一、资源数量不同的情况下平均各个节点上的负载以提升集群整体的性能属性，最大程度利用好集群内部的计算资源。如今，国内外学者对集群负载均衡技术的研究可以分为从理论层面与应用层面两个主要方向。在理论研究层面，目前的研究方向主要集中在基于动态反馈策略结合人工智能或机器学习技术对负载均衡算法的优化提升上。在应用研究层面，目前的研究方向主要集中在对现有负载均衡设备中的相关算法进行针对性优化。
如今工业上所广泛使用的负载均衡调度算法常通过为集群内的各个节点设计权值的方式，使调度算法可以兼顾异构集群内不同节点资源与性能的差异性，在此基础上更准确地进行负载平衡。因此，权值的设计在负载均衡算法中起到关键性作用，目前，在异构集群负载均衡的权值设计上，人为设定的方式仍旧占据主导地位，即操作者判断集群内部各个节点上资源与性能的差异性，再根据自身的经验给各个节点设置定量的权值，亦或是针对各节点的差异性设计计算公式，根据公式得出节点的权值。
然而，这种人为设定的方式不仅不够准确，灵活性也有所欠缺。在晶圆表面缺陷检测环境中，通过图像采集模块所生成的待检测任务并不是完全一致的，晶圆片的型号规格、采集位置与图像检测算法中的不同均会为节点带来扰动，任务存在不确定性与差异性，因此各个节点的运行状态相较于预计的情况会产生或大或小的波动，并不是一成不变的，随着系统运行时间越来越长，负载逐步集中在权值更大的节点上，权值小的节点则越来越空闲，系统也会在后期慢慢失衡。
轮询算法的工作原理是将任务按照固有顺序依次分发给集群内的所有节点，对各节点一视同仁，不考虑节点性能配置上的差异性，实现简单，但只适用于集群中所有节点性能相近的情况，在性能差异大的异构集群上的负载均衡表现较差。加权轮询算法由轮询算法演变而来，它在继承轮询算法实现简易的优点的同时，还能够兼顾集群异构的特殊性与调度的均衡性，是如今在异构集群环境中使用最广泛的负载均衡算法之一。加权轮询算法将节点性能差异性纳入考量范围，在算法中根据各个节点的性能优劣为其设置权值，依照“能者多劳”的思路，权值大小与性能优劣呈正相关，通过使各个节点接收相应权值比例的任务，从而达到负载均衡的目的。然而，轮询算法与平滑加权轮询算法的负载均衡度在整个过程中的波动较大，并随着时间的推移升高，稳定性较差。
发明内容
本发明的目的在于提供一种面向晶圆表面缺陷检测的动态权值优化负载均衡算法，以实现在短时间之内对集群进行及时调整，维持集群稳定性。为实现上述目的，本发明采用以下技术方案：
本发明公开了一种面向晶圆表面缺陷检测的动态权值优化负载均衡算法，包括以下过程：a.针对晶圆表面缺陷检测所使用的计算机集群建立负载均衡模型；b.构建目标函数，目标函数设计为引入影响因子后各项指标负载均衡度的线性函数：
f(x)＝aσcpu+bσmem+cσio，其中，a、b、c分别为CPU利用率、内存利用率与磁盘IO使用率的影响因子，其根据各指标对集群负载均衡的影响程度所决定，且a、b、c三者之和为1；σcpu、σmem、σio分别为CPU利用率、内存利用率与磁盘IO使用率三个指标当前的负载均衡度。
c.按照固定周期将各个节点负载状况反馈至主控节点，主控节点根据当前各节点负载状态计算负载均衡度，并判断是否超过阈值，若是，进行过程d，若否，继续监控实时负载状态。
d.采用动态权值优化算法求解新权值；包括以下步骤：
d1.对种群中的每个粒子进行随机初始化。
d2.根据初始种群计算初始个体最优、最差、群体最优、最差及平均最优位置。。
d3.种群各粒子根据位置更新公式对粒子当前位置进行更新。
d4.计算粒子函数值并更新个体最优、最差、群体最优、最差及平均最优位置。
d5.判断算法是否达到终止条件，即是否到达最大迭代次数或解质量是否已满足要求，若是，输出最优解作为本次的权值解；若否，返回步骤d3继续寻优。
e：用所求得权值解替换原有权值。
f：主控节点按照新的权值继续进行任务的分发。
进一步的，步骤d2中，自适应离散量子粒子群算法的位置更新公式为：
Figure BDA0003744407300000031
其中，⊙为个体变异操作算子，个体变异操作通过在多维的粒子位置空间中随机选择一个变异点，并产生一个取值范围在(0,1)的随机概率r,若r小于变异概率，则将变异点的值用该维度取值范围内的任一随机整数替换，其余元素保留，由此产生一个新个体；若r大于等于变异概率，则维持原个体不变。
Figure BDA0003744407300000033
为交叉选择操作算子，交叉选择操作采用均匀交叉与轮盘赌选择的方式产生新个体，运算符
Figure BDA0003744407300000032
两端的个体每个维度均产生一个取值范围在(0,1)的随机概率ri，i为维度索引，若ri小于交叉概率，则每个元素以一定概率进行交换，两个个体交叉完毕后产生两个新个体，此时再利用轮盘赌的方式在两个个体中选择一个成为交叉选择操作所得到的最终个体；若ri大于等于交叉概率，则不进行交叉选择，直接令运算符
Figure BDA0003744407300000034
之前的个体作为该操作所得的最终个体。β为扩张收缩因子，β的取值范围为(0,1)。x(t)为当前粒子位置，x(t+1)为更新后粒子个体位置，α与u均为(0,1)上均匀分布的随机数，pbesti为粒子个体最优位置，gbest为粒子群体最优位置，mbest为粒子群体的平均最优位置，p1为优势引导项的交叉概率，p2为个体探索项的交叉概率，p3为综合项的交叉概率。
优选的，扩张-收缩因子β的计算公式如下：
Figure BDA0003744407300000041
其中，βmin与βmax分别为扩张-收缩因子β的最小值与最大值，fworst、fbest与f(x)分别代表种群历代最差值、最优值与粒子当前值，maxiter为最大迭代次数，iter为当前迭代次数。
其中，建立负载均衡模型的负载矢量量化标准如下：
Figure BDA0003744407300000042
其中，load为节点Ni在t时刻的负载率，L(Ni)t为节点N在t时刻的负载量，ML(Ni)为节点Ni的最大负载能力，负载量L(Ni)由节点Ni的CPU负载量、内存负载量与磁盘IO负载量共同决定。
各节点实时负载矩阵状况表示如下：
Figure BDA0003744407300000043
当共计有s个任务等待调度时，节点Ni预计需要消耗的负载率为：
Figure BDA0003744407300000044
其中，cost为处理q个任务所消耗的负载率，x′i为该节点权值归一化后的结果。
则节点Ni将分配到的任务处理完毕时的预计负载状态可以表示为：
Figure BDA0003744407300000045
过程b中节点的各项资源的负载均衡度通过均方差公式计算：
Figure BDA0003744407300000046
其中，过程c中的固定周期为2～10秒。过程c中的主控节点根据当前各节点负载状态计算负载均衡度后以时间为横轴绘制从调度开始到所有任务处理完毕的负载均衡曲线。
由于采用了上述方案，本发明具有如下有益效果：
1、本方法在通过设置一套反馈机制，按照固定周期将各个节点负载状况反馈至主控节点，算法再根据各个节点的现状对权值进行调整。主控节点根据当前各节点负载状态计算负载均衡度，当超过阈值，可以及时根据集群当前的负载状态进行权值寻优，在短时间内找到优质的权值解，对当前的负载均衡算法的权值做出调整，以避免负载均衡算法按照之前的权值继续分发，导致负载进一步失衡。该过程循环往复，持续对集群状态进行监控与调整，以保证整个集群工作在稳定、平衡的环境中。
2、本发明采用自适应离散量子粒子群算法进行位置更新，该算法是基于量子粒子群算法(QPSO)的基础上的改进升级，该算法结合遗传算法中的选择、交叉、变异算子帮助QPSO应用于离散问题的同时引入参数自适应机制帮助算法加强搜索能力、提高收敛性。
3、本发明的扩张收缩因子根据公式进行自适应调节，在粒子个体较为优势的情况下，适当减小β值，可提高粒子的局部搜索能力，着重探索粒子周边的区域，反之则应适当加大β值，提升全局寻优的能力。
4、采用本发明算法的负载均衡度波动范围较窄，且随着时间推移没有明显升高趋势，稳定性高。
附图说明
图1是本发明动态权值优化负载均衡算法的流程图。
图2是本发明自适应离散量子粒子群算法(ADQPSO)的流程图。
图3是本发明算法与轮询算法及平滑加权轮询算法的负载均衡度的对比曲线图。(图中，RR为轮询算法，SWRR为平滑加权轮询算法，ADSWRR为本发明动态权值优化算法)
具体实施方式
为了使本领域的技术人员更好地理解本发明的技术方案，下面结合附图和具体实施例对本发明作进一步详细的描述。
如图1所示，本发明公开了一种面向晶圆表面缺陷检测的动态权值优化负载均衡算法，包括以下过程：
a.针对晶圆表面缺陷检测所使用的计算机集群建立负载均衡模型。
建立负载均衡模型的负载矢量量化标准如下：
Figure BDA0003744407300000051
其中，load为节点Ni在t时刻的负载率，L(Ni)t为节点N在t时刻的负载量，ML(Ni)为节点Ni的最大负载能力，负载量L(Ni)由节点Ni的CPU负载量、内存负载量与磁盘IO负载量共同决定。
各节点实时负载矩阵状况表示如下：
Figure BDA0003744407300000052
当共计有s个任务等待调度时，节点Ni预计需要消耗的负载率为：
Figure BDA0003744407300000061
其中，cost为处理q个任务所消耗的负载率，x′i为该节点权值归一化后的结果。
则节点Ni将分配到的任务处理完毕时的预计负载状态可以表示为：
Figure BDA0003744407300000062
节点的各项资源的负载均衡度通过均方差公式计算：
Figure BDA0003744407300000063
b.构建目标函数，目标函数设计为引入影响因子后各项指标负载均衡度的线性函数：
f(x)＝aσcpu+bσmem+cσio
其中，a、b、c分别为CPU利用率、内存利用率与磁盘IO使用率的影响因子，其根据各指标对集群负载均衡的影响程度所决定，且a、b、c三者之和为1；σcpu、σmem、σio分别为CPU利用率、内存利用率与磁盘IO使用率三个指标当前的负载均衡度。
c.周期性获取节点实时负载信息
按照固定周期将各个节点负载状况反馈至主控节点，主控节点根据当前各节点负载状态计算负载均衡度，并判断集群是否维持负载均衡，判断方法为：预先设置阈值，判断各节点的负载均衡度是否超过阈值，若是，进行过程c，若否，继续监控实时负载状态。
固定周期可以为2～10秒。主控节点根据当前各节点负载状态计算负载均衡度后以时间为横轴绘制从调度开始到所有任务处理完毕的负载均衡曲线。通过绘制负载均衡曲线便于观察负载均衡度在一段时间内的波动情况。
d.采用动态权值优化算法求解新权值。对系统资源分配进行优化。
为快速求解得出优质权值解，本发明设计一种自适应离散量子粒子群算法(ADQPSO)，在结合遗传算法中的选择、交叉、变异算子帮助QPSO应用于离散问题的同时引入参数自适应机制帮助算法加强搜索能力、提高收敛性。
如图2所示，自适应离散量子粒子群算法(ADQPSO)包括以下步骤：
d1.对种群中的每个粒子进行随机初始化。
d2.根据初始种群计算初始个体最优、最差、群体最优、最差及平均最优位置。
粒子群算法首先在给定的解空间中随机初始化粒子群，待优化问题的变量数决定了解空间的维数。每个粒子有了初始位置与初始速度，然后迭代寻优。每一次迭代中，每个粒子通过跟踪两个极值来更新自己的解空间中的位置和速度，一个是单个粒子本身在迭代中找到的最优粒子即个体最优和最差值(个体极值)，一个是所有粒子在迭代过程中的最优解粒子即群体最优和最差值(全局极值)。
d3.种群各粒子根据位置更新公式对粒子当前位置进行更新。
自适应离散量子粒子群算法的位置更新公式为：
Figure BDA0003744407300000071
其中，x(t)为当前粒子位置，x(t+1)为更新后粒子个体位置，α与u均为(0，1)上均匀分布的随即数，pbesti为粒子个体最优位置，gbest为粒子群体最优位置，mbest为粒子群体的平均最优位置，p1为优势引导项的交叉概率，p2为个体探索项的交叉概率，p3为综合项的交叉概率。
⊙为个体变异操作算子，个体变异操作通过在多维的粒子位置空间中随机选择一个变异点，并产生一个取值范围在(0,1)的随机概率r,若r小于变异概率，则将变异点的值用该维度取值范围内的任一随机整数替换，其余元素保留，由此产生一个新个体；若r大于等于变异概率，则维持原个体不变。
Figure BDA0003744407300000072
为交叉选择操作算子，交叉选择操作采用均匀交叉与轮盘赌选择的方式产生新个体，运算符
Figure BDA0003744407300000073
两端的个体每个维度均产生一个取值范围在(0,1)的随机概率ri，i为维度索引，若ri小于交叉概率，则每个元素以一定概率进行交换，两个个体交叉完毕后产生两个新个体，此时再利用轮盘赌的方式在两个个体中选择一个成为交叉选择操作所得到的最终个体；若ri大于等于交叉概率，则不进行交叉选择，直接令运算符
Figure BDA0003744407300000074
之前的个体作为该操作所得的最终个体。
β为扩张收缩因子，β的取值范围为(0,1)。扩张-收缩因子β的计算公式如下：
Figure BDA0003744407300000075
其中，βmin与βmax分别为扩张-收缩因子β的最小值与最大值，fworst、fbest与f(x)分别代表种群历代最差值、最优值与粒子当前值，maxiter为最大迭代次数，iter为当前迭代次数。
在粒子个体较为优势的情况下，应适当减小β值，提高粒子的局部搜索能力，着重探索粒子周边的区域，反之则应适当加大β值，提升全局寻优的能力。一般来说，算法在优化前期会更侧重于全局寻优能力，因而β值一般较大，而优化后期会更侧重于局部寻优能力，β值逐步缩小。
d4.计算粒子目标函数值并更新个体最优、最差、群体最优、最差及平均最优位置；
d5.判断算法是否达到终止条件，即是否到达最大迭代次数或解质量是否已满足要求，若是，输出最优解作为本次的权值解；若否，返回步骤d3继续寻优。
e：用所求得权值解替换原有权值。
f：主控节点利用新的权值继续进行任务的分发。当所有任务分发完毕，该轮算法结束，若未分发完毕，则回至过程c继续获取节点实时负载信息。
将本发明的算法(ADSWRR)、以及现有轮询算法(RR)、平滑加权轮询算法(SWRR)在相同的环境下进行负载均衡度的实验测试，过程如下：
在相同任务数10000张待测晶圆图像下测试负载均衡情况，每隔2秒记录各服务节点的实时负载量，计算负载均衡度后以时间为横轴绘制从调度开始到所有任务处理完毕的负载均衡曲线如图3所示。
由图3可以明显看出，轮询算法与平滑加权轮询算法的负载均衡度在整个过程中的波动较大，并随着时间的推移略有升高，而本方法的负载均衡度始终稳定在0.08左右，波动范围较窄，且没有明显升高趋势。经计算，在整个实验过程中，轮询算法的平均负载均衡度为0.1021，加权轮询算法的平均负载均衡度为0.0948，本发明算法的平均负载均衡度为0.0776，相较另两个算法分别提升了24.0％与18.1％。
综上，本方法首先针对晶圆缺陷检测集群环境建立负载均衡模型并设计目标函数，接着提出一种基于自适应离散量子粒子群(ADQPSO)的动态权值优化算法，以量子粒子群算法为主要依据，在保有量子粒子群算法良好的全局寻优能力的同时，针对量子粒子群算法无法适用于离散优化的问题，借助遗传算法中的选择、变异、交叉等算子使算法可以有效应用于离散问题中，并在针对扩张-收缩因子引入自适应机制，帮助算法前期提升种群多样性、后期提高局部搜索能力，使之可以根据集群当前状况对负载均衡算法当中的权值进行动态调整以达到长时间维持集群负载均衡的目的。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。

Claims (7)

1.一种面向晶圆表面缺陷检测的动态权值优化负载均衡算法，其特征在于，包括以下过程：
a.针对晶圆表面缺陷检测所使用的计算机集群建立负载均衡模型；
b.构建目标函数，目标函数设计为引入影响因子后各项指标负载均衡度的线性函数：
f(x)＝aσcpu+bσmem+cσio
其中，a、b、c分别为CPU利用率、内存利用率与磁盘IO使用率的影响因子，其根据各指标对集群负载均衡的影响程度所决定，且a、b、c三者之和为1；σcpu、σmem、σio分别为CPU利用率、内存利用率与磁盘IO使用率三个指标当前的负载均衡度；
c.按照固定周期将各个节点负载状况反馈至主控节点，主控节点根据当前各节点负载状态计算负载均衡度，并判断是否超过阈值，若是，进行过程d，若否，继续监控实时负载状态；
d.采用动态权值优化算法求解新权值；包括以下步骤：
d1.对种群中的每个粒子进行随机初始化；
d2.根据初始种群计算初始个体最优、最差、群体最优、最差及平均最优位置；
d3.种群各粒子根据位置更新公式对粒子当前位置进行更新；
d4.计算粒子目标函数值并更新个体最优、最差、群体最优、最差及平均最优位置；
d5.判断算法是否达到终止条件，即是否到达最大迭代次数或解质量是否已满足要求，若是，输出最优解作为本次的权值解；若否，返回步骤d3继续寻优；
e：用所求得权值解替换原有权值；
f：主控节点按照新的权值继续进行任务的分发。
2.如权利要求1所述的面向晶圆表面缺陷检测的动态权值优化负载均衡算法，其特征在于，步骤d2中，自适应离散量子粒子群算法的位置更新公式为：
Figure FDA0003744407290000011
其中，⊙为个体变异操作算子，个体变异操作通过在多维的粒子位置空间中随机选择一个变异点，并产生一个取值范围在(0,1)的随机概率r,若r小于变异概率，则将变异点的值用该维度取值范围内的任一随机整数替换，其余元素保留，由此产生一个新个体；若r大于等于变异概率，则维持原个体不变；
Figure FDA0003744407290000012
为交叉选择操作算子，交叉选择操作采用均匀交叉与轮盘赌选择的方式产生新个体，运算符
Figure FDA0003744407290000013
两端的个体每个维度均产生一个取值范围在(0,1)的随机概率ri，i为维度索引，若ri小于交叉概率，则每个元素以一定概率进行交换，两个个体交叉完毕后产生两个新个体，此时再利用轮盘赌的方式在两个个体中选择一个成为交叉选择操作所得到的最终个体；若ri大于等于交叉概率，则不进行交叉选择，直接令运算符
Figure FDA0003744407290000025
之前的个体作为该操作所得的最终个体；
β为扩张收缩因子，β的取值范围为(0,1)；x(t)为当前粒子位置，x(t+1)为更新后粒子个体位置，α与u均为(0,1)上均匀分布的随机数，pbesti为粒子个体最优位置，gbest为粒子群体最优位置，mbest为粒子群体的平均最优位置，p1为优势引导项的交叉概率，p2为个体探索项的交叉概率，p3为综合项的交叉概率。
3.如权利要求2所述的面向晶圆表面缺陷检测的动态权值优化负载均衡算法，其特征在于，扩张-收缩因子β的计算公式如下：
Figure FDA0003744407290000021
其中，βmin与βmax分别为扩张-收缩因子β的最小值与最大值，fworst、fbest与f(x)分别代表种群历代最差值、最优值与粒子当前值，maxiter为最大迭代次数，iter为当前迭代次数。
4.如权利要求1所述的面向晶圆表面缺陷检测的动态权值优化负载均衡算法，其特征在于，建立负载均衡模型的负载矢量量化标准如下：
Figure FDA0003744407290000022
其中，load为节点Ni在t时刻的负载率，L(Ni)t为节点N在t时刻的负载量，ML(Ni)为节点Ni的最大负载能力，负载量L(Ni)由节点Ni的CPU负载量、内存负载量与磁盘IO负载量共同决定。
5.如权利要求4所述的面向晶圆表面缺陷检测的动态权值优化负载均衡算法，其特征在于，各节点实时负载矩阵状况表示如下：
Figure FDA0003744407290000023
当共计有s个任务等待调度时，节点Ni预计需要消耗的负载率为：
Figure FDA0003744407290000024
其中，cost为处理q个任务所消耗的负载率，x′i为该节点权值归一化后的结果；
则节点Ni将分配到的任务处理完毕时的预计负载状态可以表示为：
Figure FDA0003744407290000031
过程b中节点的各项资源的负载均衡度通过均方差公式计算：
Figure FDA0003744407290000032
6.如权利要求1所述的面向晶圆表面缺陷检测的动态权值优化负载均衡算法，其特征在于，过程c中的固定周期为2～10秒。
7.如权利要求1所述的面向晶圆表面缺陷检测的动态权值优化负载均衡算法，其特征在于，过程c中的主控节点根据当前各节点负载状态计算负载均衡度后以时间为横轴绘制从调度开始到所有任务处理完毕的负载均衡曲线。
CN202210827115.2A 2022-07-13 2022-07-13 一种面向晶圆表面缺陷检测的动态权值优化负载均衡算法 Pending CN115116879A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210827115.2A CN115116879A (zh) 2022-07-13 2022-07-13 一种面向晶圆表面缺陷检测的动态权值优化负载均衡算法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210827115.2A CN115116879A (zh) 2022-07-13 2022-07-13 一种面向晶圆表面缺陷检测的动态权值优化负载均衡算法

Publications (1)

Publication Number Publication Date
CN115116879A true CN115116879A (zh) 2022-09-27

Family

ID=83331780

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210827115.2A Pending CN115116879A (zh) 2022-07-13 2022-07-13 一种面向晶圆表面缺陷检测的动态权值优化负载均衡算法

Country Status (1)

Country Link
CN (1) CN115116879A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116230576A (zh) * 2023-05-08 2023-06-06 粤芯半导体技术股份有限公司 快速建立暗场缺陷扫描检测体系的方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116230576A (zh) * 2023-05-08 2023-06-06 粤芯半导体技术股份有限公司 快速建立暗场缺陷扫描检测体系的方法
CN116230576B (zh) * 2023-05-08 2023-07-07 粤芯半导体技术股份有限公司 快速建立暗场缺陷扫描检测体系的方法

Similar Documents

Publication Publication Date Title
CN110489229B (zh) 一种多目标任务调度方法及系统
CN109617826B (zh) 一种基于布谷鸟搜索的storm动态负载均衡方法
CN108182115A (zh) 一种云环境下的虚拟机负载均衡方法
CN113938488A (zh) 一种基于动静态加权轮询的负载均衡方法
CN108881432A (zh) 基于ga算法的云计算集群负载调度方法
Gu et al. A multi-objective fog computing task scheduling strategy based on ant colony algorithm
Meng et al. Deep reinforcement learning based task offloading algorithm for mobile-edge computing systems
CN110830562A (zh) 一种基于虚拟节点的有限负载一致性哈希负载均衡策略
CN115220916B (zh) 视频智能分析平台的自动算力调度方法、装置及系统
Barlaskar et al. Enhanced cuckoo search algorithm for virtual machine placement in cloud data centres
CN115934333A (zh) 基于历史数据感知的云计算资源调度方法及调度系统
CN115629865B (zh) 一种基于边缘计算的深度学习推理任务调度方法
CN115689069B (zh) 基于人工智能的电网调度控制方法及系统
CN115116879A (zh) 一种面向晶圆表面缺陷检测的动态权值优化负载均衡算法
CN111858029B (zh) 基于离散粒子群的Storm集群负载均衡方法及系统
CN116302404B (zh) 面向资源解耦合数据中心的服务器无感知计算调度方法
CN117076882A (zh) 一种云服务资源动态预测管理方法
CN115617526A (zh) 基于云数据中心构建和虚拟机整合的云数据中心节能方法
CN113075995B (zh) 基于混合群智能的虚拟机节能整合方法、系统和存储介质
Kavitha et al. Dynamic load balancing in cloud based multimedia system with genetic algorithm
CN107277824B (zh) 一种c-ran架构下的虚拟基站分簇方法
CN113282241A (zh) 一种基于Ceph分布式存储的硬盘权重优化方法及装置
CN111966447A (zh) 一种基于双排列遗传算法的容器放置方法
Karthick et al. Comparative study of Genetic Algorithm Ant Colony Optimization and Particle Swarm Optimization based job scheduling algorithms for cloud environment
Xu et al. A nsga based on-site operation and maintenance smart scheduling method

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