CN116340007B - 一种资源协同优化的智能无人集群任务分配方法与系统 - Google Patents
一种资源协同优化的智能无人集群任务分配方法与系统 Download PDFInfo
- Publication number
- CN116340007B CN116340007B CN202310617849.2A CN202310617849A CN116340007B CN 116340007 B CN116340007 B CN 116340007B CN 202310617849 A CN202310617849 A CN 202310617849A CN 116340007 B CN116340007 B CN 116340007B
- Authority
- CN
- China
- Prior art keywords
- task
- resource
- agent
- tasks
- execution
- 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
- 238000005457 optimization Methods 0.000 title claims abstract description 63
- 238000000034 method Methods 0.000 title claims abstract description 55
- 230000010365 information processing Effects 0.000 claims abstract description 72
- 238000012545 processing Methods 0.000 claims abstract description 26
- 238000010586 diagram Methods 0.000 claims description 24
- 238000013468 resource allocation Methods 0.000 claims description 17
- 230000007613 environmental effect Effects 0.000 claims description 15
- 238000003860 storage Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 6
- 101150039208 KCNK3 gene Proteins 0.000 claims 1
- 239000003795 chemical substances by application Substances 0.000 description 145
- 238000004891 communication Methods 0.000 description 10
- 238000004364 calculation method Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 101150083764 KCNK9 gene Proteins 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
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
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5061—Partitioning or combining of resources
-
- 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
- G06F9/52—Program synchronisation; Mutual exclusion, e.g. by means of semaphores
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出一种资源协同优化的智能无人集群任务分配方法与系统,属于数据处理技术领域。本发明中,所述智能无人集群任务由若干智能体和与所述智能体对应的孪生代理来执行,所述孪生代理运行在云端和边缘端,与对应的智能体实时进行数据同步,以反映所述智能体的运行状态;所述智能无人集群任务包括信息处理任务和物理执行任务,所述信息处理任务由所述智能体和/或所述孪生代理上的信息处理单元完成,所述物理执行任务由所述智能体来执行。
Description
技术领域
本发明属于数据处理技术领域,尤其涉及一种资源协同优化的智能无人集群任务分配方法与系统。
背景技术
随着人工智能和无人系统的发展,智能无人系统越来越多的应用于实际任务场景(如应急救灾、物资投送等),极大拓展了任务执行范围、提高了任务执行效率。然而,智能体计算资源有限、网络传输不稳定、能耗存在限制等问题也逐渐暴露,利用云端资源辅助智能体完成任务,提升智能无人集群任务执行的适应性和可靠性,受到越来越多的关注。
现有的智能无人集群任务分配方法主要针对智能体信息处理能力有限,考虑边缘节点蕴含的计算和通信性能,将资源密集型任务卸载至单个或多个边缘节点,提升任务计算效率。现有方法主要采用边-端协同架构,通常针对信息空间任务部署进行分配,忽略了物理空间任务与信息空间任务的共同分配的约束(如智能体能量消耗等),并且未进一步利用海量云网资源提升智能无人集群任务执行能力。
发明内容
针对上述技术问题,本发明提出一种资源协同优化的智能无人集群任务分配方案。
本发明第一方面提出一种资源协同优化的智能无人集群任务分配方法。所述智能无人集群任务由若干智能体和与所述智能体对应的孪生代理来执行,所述孪生代理运行在云端和边缘端,与对应的智能体实时进行数据同步,以反映所述智能体的运行状态;所述智能无人集群任务包括信息处理任务和物理执行任务,所述信息处理任务由所述智能体和/或所述孪生代理上的信息处理单元来执行,所述物理执行任务由所述智能体来执行。
所述方法包括:步骤S1、获取由多个任务构成的待执行任务集合,根据所述多个任务在时间维度上的执行先后次序建立任务组成关系图;步骤S2、根据当前时刻正在执行的任务与所占用的所述智能体和所述孪生代理的资源状态,确定所述当前时刻的任务承载关系图,并计算所述智能体和所述孪生代理的可用资源;步骤S3、基于所述任务组成关系图和所述可用资源建立任务分配模型,并对所述任务分配模型进行优化。
其中,对所述任务分配模型的优化包括针对所述信息处理任务的信息处理资源优化以及针对所述物理执行任务的物理执行资源优化,所述信息处理资源优化包括对所述智能体和/或所述孪生代理进行所述信息处理任务的资源分配,所述物理执行资源优化包括对所述智能体进行所述物理执行任务的资源分配。
根据本发明第一方面的方法,在所述步骤S1中,由所述多个任务构成的所述待执行任务集合表示为,/>表示第i个任务,所述待执行任务集合包括多个所述信息处理任务和所述物理执行任务,每个子任务表示以四元组<name,target, time, load, type>来表示,其中,name为任务名称,target为任务目标,time为任务执行时间,time=<t_start, t_end>,t_start为任务开始时间,t_end为任务结束时间,load为任务处理工作量,/>,由资源以及所述资源/>提供的资源量/>组成;type为任务类型,分为所述信息处理任务和所述物理执行任务。根据本发明第一方面的方法,在所述步骤S1中,建立所述任务组成关系图时,所述多个任务在时间维度上的执行先后次序对应的图结构表示包括:
当task1在task2开始之前结束,则所述图结构表示被描述为task1-end < task2-start;
当task1结束后task2立即开始,则所述图结构表示被描述为task1-end = task2-start;
当task1和task2执行时间有交集,则所述图结构表示被描述为task1-start <task2-start < task1-end < task2-end;
当task1和task2开始时间相同,则所述图结构表示被描述为task1-start =task2-start;
当task2在task1执行时间内执行,则所述图结构表示被描述为task1-start <task2-start
< task2-end < task1-end;
当task1和task2结束时间相同,则所述图结构表示被描述为task1-end = task2-end;
当task1和task2开始以及结束时间均相同,则所述图结构表示被描述为task1-start = task2-start,task1-end = task2-end;
其中,task1为第1个任务,task2为第2个任务。根据本发明第一方面的方法,在所述步骤S1中,所述任务组成关系图中的任务组成关系表示为Task_Relation={V,E,W},节点V表示任务开始或结束时间,边E表示任务关系,头尾节点时间相同时,边的值W为0。
根据本发明第一方面的方法,在所述步骤S2中,根据所述待执行任务集合中各个任务的执行时限要求计算所述智能体和所述孪生代理的可用资源,所述可用资源为,/>表示第j个可用资源;所述任务承载关系图表示为Task_Running={V’,E’,W’},节点V’表示执行任务的资源实体,边E’表示所述资源实体上承载任务的时序关系,边权重W’表示头结点完成任务的时间开销,为头节点任务资源量与分配资源量之间的比值。
根据本发明第一方面的方法,在所述步骤S3中,定义任务分配方案为,表示任务被分配至所述智能体或所述孪生代理上的可用资源/>,且占用的资源量为/>,任务开始时间为/>,任务结束时间为/>,则有/>。
根据本发明第一方面的方法,在所述步骤S3中,对所述任务分配模型进行优化时,优化过程的目标函数表征为:
其中,为资源j的利用率,/>为所述资源j的权重;对于所述资源j,所有任务占用的j资源之和不超过j资源总量/>;分配给任务/>的每个资源的资源量不小于任务/>的资源需求/>;对于边关系/>,时间/>不晚于/>,由Task_Relation中边的权值来确定;对于分配给所述资源j的任务/>,任务执行期间的环境条件满足资源执行的基本环境条件要求/>。
本发明第二方面提出一种资源协同优化的智能无人集群任务分配系统。所述智能无人集群任务由若干智能体和与所述智能体对应的孪生代理来执行,所述孪生代理运行在云端和边缘端,与对应的智能体实时进行数据同步,以反映所述智能体的运行状态;所述智能无人集群任务包括信息处理任务和物理执行任务,所述信息处理任务由所述智能体和/或所述孪生代理上的信息处理单元来执行,所述物理执行任务由所述智能体来执行。
所述系统包括:第一处理单元,被配置为:获取由多个任务构成的待执行任务集合,根据所述多个任务在时间维度上的执行先后次序建立任务组成关系图;第二处理单元,被配置为:根据当前时刻正在执行的任务与所占用的所述智能体和所述孪生代理的资源状态,确定所述当前时刻的任务承载关系图,并计算所述智能体和所述孪生代理的可用资源;第三处理单元,被配置为:基于所述任务组成关系图和所述可用资源建立任务分配模型,并对所述任务分配模型进行优化。
其中,对所述任务分配模型的优化包括针对所述信息处理任务的信息处理资源优化以及针对所述物理执行任务的物理执行资源优化,所述信息处理资源优化包括对所述智能体和/或所述孪生代理进行所述信息处理任务的资源分配,所述物理执行资源优化包括对所述智能体进行所述物理执行任务的资源分配。
根据本发明第二方面的系统,由所述多个任务构成的所述待执行任务集合表示为,/>表示第i个任务,所述待执行任务集合包括多个所述信息处理任务和所述物理执行任务,每个子任务表示以四元组<name, target, time, load,type>来表示,其中,name为任务名称,target为任务目标,time为任务执行时间,time=<t_start, t_end>,t_start为任务开始时间,t_end为任务结束时间,load为任务处理工作量,,由资源/>以及所述资源提供的资源量/>组成;type为任务类型,分为所述信息处理任务和所述物理执行任务。
根据本发明第二方面的系统,建立所述任务组成关系图时,所述多个任务在时间维度上的执行先后次序对应的图结构表示包括:
当task1在task2开始之前结束,则所述图结构表示被描述为task1-end < task2-start;
当task1结束后task2立即开始,则所述图结构表示被描述为task1-end = task2-start;
当task1和task2执行时间有交集,则所述图结构表示被描述为task1-start <task2-start < task1-end < task2-end;
当task1和task2开始时间相同,则所述图结构表示被描述为task1-start =task2-start;
当task2在task1执行时间内执行,则所述图结构表示被描述为task1-start <task2-start
< task2-end < task1-end;
当task1和task2结束时间相同,则所述图结构表示被描述为task1-end = task2-end;
当task1和task2开始以及结束时间均相同,则所述图结构表示被描述为task1-start = task2-start,task1-end = task2-end;
其中,task1为第1个任务,task2为第2个任务。
根据本发明第二方面的系统,所述任务组成关系图中的任务组成关系表示为Task_Relation={V,E,W},节点V表示任务开始或结束时间,边E表示任务关系,头尾节点时间相同时,边的值W为0。
根据本发明第二方面的系统,根据所述待执行任务集合中各个任务的执行时限要求计算所述智能体和所述孪生代理的可用资源,所述可用资源为,/>表示第j个可用资源;所述任务承载关系图表示为Task_Running={V’,E’,W’},节点V’表示执行任务的资源实体,边E’表示所述资源实体上承载任务的时序关系,边权重W’表示头结点完成任务的时间开销,为头节点任务资源量与分配资源量之间的比值。
根据本发明第二方面的系统,定义任务分配方案为,/>表示任务被分配至所述智能体或所述孪生代理上的可用资源/>,且占用的资源量为/>,任务开始时间为/>,任务结束时间为/>,则有/>。
根据本发明第二方面的系统,对所述任务分配模型进行优化时,优化过程的目标函数表征为:
其中,为资源j的利用率,/>为所述资源j的权重;对于所述资源j,所有任务占用的j资源之和不超过j资源总量/>;分配给任务/>的每个资源的资源量不小于任务/>的资源需求/>;对于边关系/>,时间/>不晚于/>,由Task_Relation中边的权值来确定;对于分配给所述资源j的任务/>,任务执行期间的环境条件满足资源执行的基本环境条件要求/>。
本发明第三方面公开了一种电子设备。所述电子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,实现本公开第一方面所述的一种资源协同优化的智能无人集群任务分配方法中的步骤。
本发明第四方面公开了一种计算机可读存储介质。所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时,实现本公开第一方面所述的一种资源协同优化的智能无人集群任务分配方法中的步骤。
综上,在本发明提出的技术方案中,智能体可执行物理空间任务和信息空间任务,运行在云-边、与智能体实时数据同步的孪生代理与智能体共同完成信息空间任务,通过建立任务分配模型,调度云-网-边-端信息处理资源和物理执行资源,将任务合理的分配至智能体或孪生代理,实现云边端资源优化为智能无人集群任务的赋能。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为根据本发明实施例的方法流程图。
图2为根据本发明实施例的任务关系表示示意图。
图3为根据本发明实施例的任务组成关系图。
图4为根据本发明实施例的任务承载关系图。
图5为根据本发明实施例的一种电子设备的结构图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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,所描述的实施例只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。
本发明基于资源协同优化方法开展智能无人集群任务分配,主要考虑两方面的资源协同优化,一是云-网-边-端资源协同优化,二是信息空间资源和物理空间资源协同优化。通过建立智能无人集群任务执行架构,分析智能无人集群任务组成和任务关系,构建任务分配模型,求解得到满足资源优化约束的智能无人集群任务分配方案。
本发明第一方面提出一种资源协同优化的智能无人集群任务分配方法。所述智能无人集群任务由若干智能体和与所述智能体对应的孪生代理来执行,所述孪生代理运行在云端和边缘端,与对应的智能体实时进行数据同步,以反映所述智能体的运行状态;所述智能无人集群任务包括信息处理任务和物理执行任务,所述信息处理任务由所述智能体和/或所述孪生代理上的信息处理单元来执行,所述物理执行任务由所述智能体来执行。
智能无人集群任务执行架构组成:任务执行架构由智能体和孪生代理组成。智能体包括无人机、无人车等既可单体独立执行任务又可完成群体协同任务,不仅包括计算、存储、通信等信息处理资源,还包括动作姿态控制、能量等物理执行资源,主要利用有限的信息处理资源对收集到的信息进行加工处理、通过信息驱动改变物理世界状态。孪生代理运行在云端和边缘端,与智能体进行数据同步,反映智能体的基本运行状态,云端和边缘端包括充足的计算、存储、传输等信息空间资源,主要支撑智能无人集群完成计算、存储、通信等信息处理任务。
智能无人集群任务分类:根据以上智能无人集群任务执行架构,可从两个角度对智能无人集群任务进行分类:
(1)从执行任务的实体看,任务分为由孪生代理执行的任务和由智能体执行的任务,两类任务相互配合共同完成任务,二者协作关系包括:
由于性能、功耗等限制,智能体的计算、存储、传输处理能力弱,智能体可将资源密集型的计算任务卸载到云-边孪生代理上执行,或计算任务可以并行执行方式同时运行于智能体和孪生代理。智能体将部分数据或经过预处理的数据传输给孪生代理进行处理,处理完成后将结果返回智能体。
当智能体受通信环境等影响导致离线时,孪生代理持续运行并提供数据缓存,待智能体重新上线后接收孪生代理数据后继续执行任务,若智能体在一段时间内无法上线或上线后无法继续执行任务,则根据任务调度将任务无缝交接给其他智能体,提供持续可靠的服务能力。
(2)从任务执行的空间形态看,任务分为信息处理任务和物理执行任务,信息处理任务(如目标识别等)由云-边-端三部分信息处理资源协同完成,通过云-边-端信息处理能力为物理执行提供精确实时的输入;物理执行任务(如位置移动等)由智能体的物理执行资源完成,在物理空间准确及时实施信息空间决策,两类任务将不同空间的能力结合转化,最终实现任务执行能力的提升。
任务组成分析首先分析任务的组成,确定分别由智能体和孪生代理执行的任务。例如,在救灾物资投送任务中,任务可分解为目标搜寻、目标处理、态势处理、任务集结、航迹规划、任务机动、目标识别、支援保障、目标投送等多个子任务。其中,目标搜寻、任务机动、支援保障、目标投送等为物理执行任务,需由符合功能要求的智能体完成;目标处理、态势处理、航迹规划、目标识别等为信息处理任务,可由智能体或孪生代理上的信息处理单元完成,或以分布处理的方式由智能体和孪生代理共同完成,以提高任务执行效率。
本发明第一方面提出的所述方法,如图1所示,具体包括:步骤S1、获取由多个任务构成的待执行任务集合,根据所述多个任务在时间维度上的执行先后次序建立任务组成关系图;步骤S2、根据当前时刻正在执行的任务与所占用的所述智能体和所述孪生代理的资源状态,确定所述当前时刻的任务承载关系图,并计算所述智能体和所述孪生代理的可用资源;步骤S3、基于所述任务组成关系图和所述可用资源建立任务分配模型,并对所述任务分配模型进行优化。
其中,对所述任务分配模型的优化包括针对所述信息处理任务的信息处理资源优化以及针对所述物理执行任务的物理执行资源优化,所述信息处理资源优化包括对所述智能体和/或所述孪生代理进行所述信息处理任务的资源分配,所述物理执行资源优化包括对所述智能体进行所述物理执行任务的资源分配。
在一些实施例中,在所述步骤S1中,由所述多个任务构成的所述待执行任务集合表示为,/>表示第i个任务,所述待执行任务集合包括多个所述信息处理任务和所述物理执行任务,每个子任务表示以四元组<name, target, time,load, type>来表示,其中,name为任务名称,target为任务目标,time为任务执行时间,time=<t_start, t_end>,t_start为任务开始时间,t_end为任务结束时间,load为任务处理工作量,/>,由资源/>以及所述资源/>提供的资源量/>组成;type为任务类型,分为所述信息处理任务和所述物理执行任务。
具体地,任务描述:子任务组成任务集合,包括多个信息处理子任务和物理执行子任务。每个子任务表示为以下四元组task=<name, target,time, load, type>。其中,name为任务名称;target为任务的目标;time=<t_start, t_end>为任务执行时间,t_start为任务开始时间,t_end为任务结束时间;为任务处理工作量,由多个资源及其为任务提供的资源量/>组成;type为任务的类型,分为信息处理任务和物理执行任务。
在一些实施例中,在所述步骤S1中,建立所述任务组成关系图时,所述多个任务在时间维度上的执行先后次序对应的图结构表示包括:
当task1在task2开始之前结束,则所述图结构表示被描述为task1-end < task2-start;
当task1结束后task2立即开始,则所述图结构表示被描述为task1-end = task2-start;
当task1和task2执行时间有交集,则所述图结构表示被描述为task1-start <task2-start < task1-end < task2-end;
当task1和task2开始时间相同,则所述图结构表示被描述为task1-start =task2-start;
当task2在task1执行时间内执行,则所述图结构表示被描述为task1-start <task2-start
< task2-end < task1-end;
当task1和task2结束时间相同,则所述图结构表示被描述为task1-end = task2-end;
当task1和task2开始以及结束时间均相同,则所述图结构表示被描述为task1-start = task2-start,task1-end = task2-end;
其中,task1为第1个任务,task2为第2个任务。
具体地,任务组成关系描述:在执行过程中,任务执行时间存在先后次序,可根据任务先后关系构建任务关系图。任务关系表示:根据Allen区间代数,任务关系可表示为时间关系,并可表示为基本图结构形式,如图2所示。
在一些实施例中,在所述步骤S1中,所述任务组成关系图中的任务组成关系表示为Task_Relation={V,E,W},节点V表示任务开始或结束时间,边E表示任务关系,头尾节点时间相同时,边的值W为0。
具体地,构建任务组成关系图如图3所示,根据任务集合及任务组成关系,任务组成关系可表示为图结构Task_Relation={V,E,W},图中节点V表示任务开始或结束时间,边E表示任务关系,由5.1定义的基本图结构形式构成,当头尾节点时间相同时,边的值W为0。例如,对于任务集合T={task1,task2,…,task7},task1时间<0,5>,task2时间<10,20>,task3时间<20,25>,task4时间<25,40>,task5时间<30,40>,task6时间<25,40>,task7时间<40,50>。
在一些实施例中,在所述步骤S2中,根据所述待执行任务集合中各个任务的执行时限要求计算所述智能体和所述孪生代理的可用资源,所述可用资源为,/>表示第j个可用资源;所述任务承载关系图表示为Task_Running={V’,E’,W’},节点V’表示执行任务的资源实体,边E’表示所述资源实体上承载任务的时序关系,边权重W’表示头结点完成任务的时间开销,为头节点任务资源量与分配资源量之间的比值。
具体地,确定任务分配范围:考虑现有任务实际承载关系,根据智能体资源和孪生代理资源状态,确定任务分配范围。
构建任务承载关系图,如图4所示,根据资源当前承载的任务构建任务承载关系有向图Task_Running={V’,E’,W’},节点V’表示执行任务的资源实体,边E’表示资源实体上承载任务的时序关系,边权重W’代表头结点完成任务时间开销,可用头节点任务资源量除以分配资源量计算得到。例如,任务{task1, task2, task3}运行在v1-v9资源实体上,资源v2执行了task1和task2两项任务,资源v6执行了task2和task3两项任务。
具体地,可用资源分析:根据任务承载关系图,利用AOE网络分析任务承载关系图中的任务执行关键路径,识别任务瓶颈,得到每项资源被任务占用时间,从而得到每项资源在未来时刻t的可用资源量。
具体地,确定参与任务分配的资源:根据新任务执行时限要求,选择可在其执行时限内可提供足量资源的资源实体,从而确定可参与新任务分配的资源为,包括孪生代理和智能体的信息处理和物理执行资源,用于在限定范围内进行资源优化和任务分配。
在一些实施例中,在所述步骤S3中,定义任务分配方案为,/>表示任务/>被分配至所述智能体或所述孪生代理上的可用资源/>,且占用的资源量为/>,所述任务/>的开始时间/>,所述任务/>的结束时间为/>,则有/>。
具体地,构建任务分配模型:在资源受限、任务执行存在约束的情况下,考虑到智能体、孪生代理的负载以及潜在的环境影响,需要对任务执行资源做出合理的调度决策,通过构建任务分配模型,将任务合理分配给智能体,并将部分任务卸载到合适的孪生代理,以提高资源的利用率。
具体地,定义任务分配方案为,其中/>表示任务/>分配给孪生代理或智能体上的资源/>,占用资源量为/>,开始时间/>,结束时间为/>,则/>。
在一些实施例中,在所述步骤S3中,对所述任务分配模型进行优化时,优化过程的目标函数表征为:
其中,为资源j的利用率,/>为所述资源j的权重;对于所述资源j,所有任务占用的j资源之和不超过j资源总量/>;分配给任务/>的每个资源的资源量不小于任务/>的资源需求/>;对于边关系/>,时间/>不晚于/>,由Task_Relation中边的权值来确定;对于分配给所述资源j的任务/>,任务执行期间的环境条件满足资源执行的基本环境条件要求/>。
具体地,任务分配模型优化目标函数为最大化资源利用率,包括云、边、端信息处理部分和物理执行部分资源,其中物理执行资源包括{能量,运输载重,动作姿态,…},信息处理资源包括{计算资源,存储资源,通信资源,…},物理环境约束包括{天气,地形,能见度,…}。
(1)
(2)
(3)
(4)
(5)
(6)
公式(1)中为资源j的利用率,/>为资源j的权重,由资源的价值或稀缺性决定,可用公式(2)计算,表示资源空间和时间占用在总时空中所占比例。任务分配满足以下约束关系:资源总量约束:对于每项资源j,在某一时刻,满足公式(3)中所有任务占用的j资源之和不超过j资源总量/>;任务完成约束:对于每项任务/>,满足公式(4)中分配给/>的每项资源量要不小于/>的资源需求/>;执行时序约束:在公式(5)中,对于任务执行时序,若任务关系图中存在边关系/>,则时间/>不能晚于/>,由Task_Relation中边的权值决定;物理环境条件约束:公式(6)表示物理空间任务执行需要满足环境要求,对于分配给资源j的任务/>,在任务执行期间的环境条件/>需要满足资源执行的基本环境条件要求/>,如无人机物资投送对天气的要求等。/>
所述方法还包括信息处理资源优化:主要为孪生代理和智能体共同进行信息处理的任务进行资源分配。
孪生代理和智能体任务分配:孪生代理运行在云-边,由于云-边资源的调度策略众多,将云-边孪生代理统一抽象为孪生代理信息处理资源,与智能体上的资源信息处理资源和物理执行资源共同调度,该问题为非线性规划问题,可采用近似规划等方法进行求解。
孪生代理资源分配:主要为运行在云-边的孪生代理任务进行资源分配,可通过调度云-网-边资源满足任务完成资源和时限要求,从而达到通过优化云网资源提升智能集群任务效能的效果。
物理执行资源优化:主要为物理执行任务进行资源分配,由于任务物理执行能力具有特殊性要求(如飞行、运输能力等),任务分配由智能体的物理执行能力决定,因此,相对于信息处理任务分配,物理资源分配策略较为确定,该问题为非线性规划问题,可采用近似规划等方法进行求解。
本发明第二方面提出一种资源协同优化的智能无人集群任务分配系统。所述智能无人集群任务由若干智能体和与所述智能体对应的孪生代理来执行,所述孪生代理运行在云端和边缘端,与对应的智能体实时进行数据同步,以反映所述智能体的运行状态;所述智能无人集群任务包括信息处理任务和物理执行任务,所述信息处理任务由所述智能体和/或所述孪生代理上的信息处理单元来执行,所述物理执行任务由所述智能体来执行。
所述系统包括:第一处理单元,被配置为:获取由多个任务构成的待执行任务集合,根据所述多个任务在时间维度上的执行先后次序建立任务组成关系图;第二处理单元,被配置为:根据当前时刻正在执行的任务与所占用的所述智能体和所述孪生代理的资源状态,确定所述当前时刻的任务承载关系图,并计算所述智能体和所述孪生代理的可用资源;第三处理单元,被配置为:基于所述任务组成关系图和所述可用资源建立任务分配模型,并对所述任务分配模型进行优化。
其中,对所述任务分配模型的优化包括针对所述信息处理任务的信息处理资源优化以及针对所述物理执行任务的物理执行资源优化,所述信息处理资源优化包括对所述智能体和/或所述孪生代理进行所述信息处理任务的资源分配,所述物理执行资源优化包括对所述智能体进行所述物理执行任务的资源分配。
根据本发明第二方面的系统,由所述多个任务构成的所述待执行任务集合表示为,/>表示第i个任务,所述待执行任务集合包括多个所述信息处理任务和所述物理执行任务,每个子任务表示以四元组<name, target, time, load,type>来表示,其中,name为任务名称,target为任务目标,time为任务执行时间,time=<t_start, t_end>,t_start为任务开始时间,t_end为任务结束时间,load为任务处理工作量,,由资源/>以及所述资源提供的资源量/>组成;type为任务类型,分为所述信息处理任务和所述物理执行任务。
根据本发明第二方面的系统,建立所述任务组成关系图时,所述多个任务在时间维度上的执行先后次序对应的图结构表示包括:
当task1在task2开始之前结束,则所述图结构表示被描述为task1-end < task2-start;
当task1结束后task2立即开始,则所述图结构表示被描述为task1-end = task2-start;
当task1和task2执行时间有交集,则所述图结构表示被描述为task1-start <task2-start < task1-end < task2-end;
当task1和task2开始时间相同,则所述图结构表示被描述为task1-start =task2-start;
当task2在task1执行时间内执行,则所述图结构表示被描述为task1-start <task2-start
< task2-end < task1-end;
当task1和task2结束时间相同,则所述图结构表示被描述为task1-end = task2-end;
当task1和task2开始以及结束时间均相同,则所述图结构表示被描述为task1-start = task2-start,task1-end = task2-end;
其中,task1为第1个任务,task2为第2个任务。
根据本发明第二方面的系统,所述任务组成关系图中的任务组成关系表示为Task_Relation={V,E,W},节点V表示任务开始或结束时间,边E表示任务关系,头尾节点时间相同时,边的值W为0。
根据本发明第二方面的系统,根据所述待执行任务集合中各个任务的执行时限要求计算所述智能体和所述孪生代理的可用资源,所述可用资源为,/>表示第j个可用资源;所述任务承载关系图表示为Task_Running={V’,E’,W’},节点V’表示执行任务的资源实体,边E’表示所述资源实体上承载任务的时序关系,边权重W’表示头结点完成任务的时间开销,为头节点任务资源量与分配资源量之间的比值。
根据本发明第二方面的系统,定义任务分配方案为,/>表示任务/>被分配至所述智能体或所述孪生代理上的可用资源/>,且占用的资源量为/>,所述任务/>的开始时间/>,所述任务/>的结束时间为/>,则有/>。
根据本发明第二方面的系统,对所述任务分配模型进行优化时,优化过程的目标函数表征为:
/>
其中,为资源j的利用率,/>为所述资源j的权重;对于所述资源j,所有任务占用的j资源之和不超过j资源总量/>;分配给任务/>的每个资源的资源量不小于任务/>的资源需求/>;对于边关系/>,时间/>不晚于/>,由Task_Relation中边的权值来确定;对于分配给所述资源j的任务/>,任务执行期间的环境条件满足资源执行的基本环境条件要求/>。
本发明第三方面公开了一种电子设备。所述电子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,实现本公开第一方面所述的一种资源协同优化的智能无人集群任务分配方法中的步骤。
图5为根据本发明实施例的一种电子设备的结构图,如图5所示,电子设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中,该电子设备的处理器用于提供计算和控制能力。该电子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。该电子设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、运营商网络、近场通信(NFC)或其他技术实现。该电子设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该电子设备的输入装置可以是显示屏上覆盖的触摸层,也可以是电子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5中示出的结构,仅仅是与本公开的技术方案相关的部分的结构图,并不构成对本申请方案所应用于其上的电子设备的限定,具体的电子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。
本发明第四方面公开了一种计算机可读存储介质。所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时,实现本公开第一方面所述的一种资源协同优化的智能无人集群任务分配方法中的步骤。
综上,在本发明提出的技术方案中,智能体可执行物理空间任务和信息空间任务,运行在云-边、与智能体实时数据同步的孪生代理与智能体共同完成信息空间任务,通过建立任务分配模型,调度云-网-边-端信息处理资源和物理执行资源,将任务合理的分配至智能体或孪生代理,实现云边端资源优化为智能无人集群任务的赋能。
请注意,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)
1.一种资源协同优化的智能无人集群任务分配方法,其特征在于:
所述智能无人集群任务由若干智能体和与所述智能体对应的孪生代理来执行,所述孪生代理运行在云端和边缘端,与对应的智能体实时进行数据同步,以反映所述智能体的运行状态;
所述智能无人集群任务包括信息处理任务和物理执行任务,所述信息处理任务由所述智能体和/或所述孪生代理上的信息处理单元来执行,所述物理执行任务由所述智能体来执行;
所述方法包括:
步骤S1、获取由多个任务构成的待执行任务集合,根据所述多个任务在时间维度上的执行先后次序建立任务组成关系图;
步骤S2、根据当前时刻正在执行的任务与所占用的所述智能体和所述孪生代理的资源状态,确定所述当前时刻的任务承载关系图,并计算所述智能体和所述孪生代理的可用资源;
步骤S3、基于所述任务组成关系图和所述可用资源建立任务分配模型,并对所述任务分配模型进行优化;
其中,对所述任务分配模型的优化包括针对所述信息处理任务的信息处理资源优化以及针对所述物理执行任务的物理执行资源优化,所述信息处理资源优化包括对所述智能体和/或所述孪生代理进行所述信息处理任务的资源分配,所述物理执行资源优化包括对所述智能体进行所述物理执行任务的资源分配。
2.根据权利要求1所述的一种资源协同优化的智能无人集群任务分配方法,其特征在于,在所述步骤S1中,由所述多个任务构成的所述待执行任务集合表示为,/>表示第i个任务,所述待执行任务集合包括多个所述信息处理任务和所述物理执行任务,每个子任务表示以四元组<name, target, time, load,type>来表示,其中,name为任务名称,target为任务目标,time为任务执行时间,time=<t_start, t_end>,t_start为任务开始时间,t_end为任务结束时间,load为任务处理工作量,,由资源/>以及所述资源提供的资源量/>组成;type为任务类型,分为所述信息处理任务和所述物理执行任务。
3.根据权利要求2所述的一种资源协同优化的智能无人集群任务分配方法,其特征在于,在所述步骤S1中,建立所述任务组成关系图时,所述多个任务在时间维度上的执行先后次序对应的图结构表示包括:
当task1在task2开始之前结束,则所述图结构表示被描述为task1-end < task2-start;
当task1结束后task2立即开始,则所述图结构表示被描述为task1-end = task2-start;
当task1和task2执行时间有交集,则所述图结构表示被描述为task1-start < task2-start < task1-end < task2-end;
当task1和task2开始时间相同,则所述图结构表示被描述为task1-start = task2-start;
当task2在task1执行时间内执行,则所述图结构表示被描述为task1-start < task2-start
< task2-end < task1-end;
当task1和task2结束时间相同,则所述图结构表示被描述为task1-end = task2-end;
当task1和task2开始以及结束时间均相同,则所述图结构表示被描述为task1-start= task2-start,task1-end = task2-end;
其中,task1为第1个任务,task2为第2个任务。
4.根据权利要求3所述的一种资源协同优化的智能无人集群任务分配方法,其特征在于,在所述步骤S1中,所述任务组成关系图中的任务组成关系表示为Task_Relation={V,E,W},节点V表示任务开始或结束时间,边E表示任务关系,头尾节点时间相同时,边的值W为0。
5.根据权利要求4所述的一种资源协同优化的智能无人集群任务分配方法,其特征在于,在所述步骤S2中,根据所述待执行任务集合中各个任务的执行时限要求计算所述智能体和所述孪生代理的可用资源,所述可用资源为,/>表示第j个可用资源;所述任务承载关系图表示为Task_Running={V’,E’,W’},节点V’表示执行任务的资源实体,边E’表示所述资源实体上承载任务的时序关系,边权重W’表示头结点完成任务的时间开销,为头节点任务资源量与分配资源量之间的比值。
6.根据权利要求5所述的一种资源协同优化的智能无人集群任务分配方法,其特征在于,在所述步骤S3中,定义任务分配方案为,/>表示任务被分配至所述智能体或所述孪生代理上的可用资源/>,且占用的资源量为/>,任务开始时间为/>,任务结束时间为/>,则有/>。
7.根据权利要求6所述的一种资源协同优化的智能无人集群任务分配方法,其特征在于,在所述步骤S3中,对所述任务分配模型进行优化时,优化过程的目标函数表征为:
,
,
,
,
,,
其中,为资源j的利用率,/>为所述资源j的权重;对于所述资源j,所有任务占用的j资源之和不超过j资源总量/>;分配给任务/>的每个资源的资源量不小于任务/>的资源需求/>;对于边关系/>,时间/>不晚于/>,由Task_Relation中边的权值来确定;对于分配给所述资源j的任务/>,任务执行期间的环境条件/>满足资源执行的基本环境条件要求/>。
8.一种资源协同优化的智能无人集群任务分配系统,其特征在于:
所述智能无人集群任务由若干智能体和与所述智能体对应的孪生代理来执行,所述孪生代理运行在云端和边缘端,与对应的智能体实时进行数据同步,以反映所述智能体的运行状态;
所述智能无人集群任务包括信息处理任务和物理执行任务,所述信息处理任务由所述智能体和/或所述孪生代理上的信息处理单元来执行,所述物理执行任务由所述智能体来执行;
所述系统包括:
第一处理单元,被配置为:获取由多个任务构成的待执行任务集合,根据所述多个任务在时间维度上的执行先后次序建立任务组成关系图;
第二处理单元,被配置为:根据当前时刻正在执行的任务与所占用的所述智能体和所述孪生代理的资源状态,确定所述当前时刻的任务承载关系图,并计算所述智能体和所述孪生代理的可用资源;
第三处理单元,被配置为:基于所述任务组成关系图和所述可用资源建立任务分配模型,并对所述任务分配模型进行优化;
其中,对所述任务分配模型的优化包括针对所述信息处理任务的信息处理资源优化以及针对所述物理执行任务的物理执行资源优化,所述信息处理资源优化包括对所述智能体和/或所述孪生代理进行所述信息处理任务的资源分配,所述物理执行资源优化包括对所述智能体进行所述物理执行任务的资源分配。
9.一种电子设备,其特征在于,所述电子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,实现权利要求1-7任一项所述的一种资源协同优化的智能无人集群任务分配方法中的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时,实现权利要求1-7任一项所述的一种资源协同优化的智能无人集群任务分配方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310617849.2A CN116340007B (zh) | 2023-05-30 | 2023-05-30 | 一种资源协同优化的智能无人集群任务分配方法与系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310617849.2A CN116340007B (zh) | 2023-05-30 | 2023-05-30 | 一种资源协同优化的智能无人集群任务分配方法与系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116340007A CN116340007A (zh) | 2023-06-27 |
CN116340007B true CN116340007B (zh) | 2023-08-08 |
Family
ID=86880735
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310617849.2A Active CN116340007B (zh) | 2023-05-30 | 2023-05-30 | 一种资源协同优化的智能无人集群任务分配方法与系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116340007B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111562972A (zh) * | 2020-04-24 | 2020-08-21 | 西北工业大学 | 一种面向群智感知的泛在操作系统 |
CN112101899A (zh) * | 2020-09-09 | 2020-12-18 | 北京航空航天大学 | 一种数字孪生增强的制造服务信息物理融合方法 |
CN113434248A (zh) * | 2021-06-17 | 2021-09-24 | 中国科学院电子学研究所苏州研究院 | 一种面向容器云的任务协同调度系统及其方法 |
CN116137593A (zh) * | 2023-02-20 | 2023-05-19 | 重庆邮电大学 | 一种数字孪生辅助动态资源需求预测的虚拟网络功能迁移方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9930179B2 (en) * | 2014-05-29 | 2018-03-27 | Avaya Inc. | Mechanism for work assignment in a graph-based contact center |
-
2023
- 2023-05-30 CN CN202310617849.2A patent/CN116340007B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111562972A (zh) * | 2020-04-24 | 2020-08-21 | 西北工业大学 | 一种面向群智感知的泛在操作系统 |
CN112101899A (zh) * | 2020-09-09 | 2020-12-18 | 北京航空航天大学 | 一种数字孪生增强的制造服务信息物理融合方法 |
CN113434248A (zh) * | 2021-06-17 | 2021-09-24 | 中国科学院电子学研究所苏州研究院 | 一种面向容器云的任务协同调度系统及其方法 |
CN116137593A (zh) * | 2023-02-20 | 2023-05-19 | 重庆邮电大学 | 一种数字孪生辅助动态资源需求预测的虚拟网络功能迁移方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116340007A (zh) | 2023-06-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kaur et al. | Container-as-a-service at the edge: Trade-off between energy efficiency and service availability at fog nano data centers | |
Cheng et al. | Cost-aware job scheduling for cloud instances using deep reinforcement learning | |
Shu et al. | Cloud-integrated cyber-physical systems for complex industrial applications | |
Jiang et al. | Optimized co-scheduling of mixed-precision neural network accelerator for real-time multitasking applications | |
CN105446816B (zh) | 一种面向异构平台的能耗优化调度方法 | |
CN103617087A (zh) | 一种适合迭代计算的MapReduce优化方法 | |
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 | |
CN114915629A (zh) | 信息处理方法、装置、系统、电子设备及存储介质 | |
Pirozmand et al. | GSAGA: A hybrid algorithm for task scheduling in cloud infrastructure | |
Naik | A co-scheduling system for fog-node recommendation and load management in cloud-fog environment (CoS_FRLM) | |
Wang et al. | Mobileedge: Enhancing on-board vehicle computing units using mobile edges for cavs | |
Davami et al. | Distributed scheduling method for multiple workflows with parallelism prediction and DAG prioritizing for time constrained cloud applications | |
Wang | Edge artificial intelligence-based affinity task offloading under resource adjustment in a 5G network | |
CN116340007B (zh) | 一种资源协同优化的智能无人集群任务分配方法与系统 | |
CN113568747A (zh) | 基于任务分类与时序预测的云机器人资源调度方法及系统 | |
Hashemi et al. | Gwo-sa: Gray wolf optimization algorithm for service activation management in fog computing | |
Yadav et al. | A Two-Step Technique for Effective Scheduling in Cloud–Fog Computing Paradigm | |
CN114510319A (zh) | 一种基于Kubernetes集群GPU空间共享的方法 | |
Appadurai et al. | Radial basis function networks-based resource-aware offloading video analytics in mobile edge computing | |
CN113448707A (zh) | 在边缘计算中在线批并行任务调度方法 | |
Choppakatla et al. | Task ordering in multiprocessor embedded system using a novel hybrid optimization model | |
Li et al. | Two-stage selection of distributed data centers based on deep reinforcement learning | |
Li et al. | Edge computing offloading strategy based on dynamic non-cooperative games in D-IoT | |
Huang et al. | Collaborative on-demand dynamic deployment via deep reinforcement learning for IoV service in multi edge clouds | |
Zhang et al. | Online joint scheduling of delay-sensitive and computation-oriented tasks in edge computing |
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 |