CN117290077A - 基于遗传算法的医疗平台云计算任务调度方法和系统 - Google Patents

基于遗传算法的医疗平台云计算任务调度方法和系统 Download PDF

Info

Publication number
CN117290077A
CN117290077A CN202311582637.1A CN202311582637A CN117290077A CN 117290077 A CN117290077 A CN 117290077A CN 202311582637 A CN202311582637 A CN 202311582637A CN 117290077 A CN117290077 A CN 117290077A
Authority
CN
China
Prior art keywords
task
virtual machine
fitness function
genetic algorithm
cloud computing
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
CN202311582637.1A
Other languages
English (en)
Other versions
CN117290077B (zh
Inventor
裴秀清
马艳波
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.)
SHENZHEN FEIFAN INDUSTRIAL CO LTD
Original Assignee
SHENZHEN FEIFAN INDUSTRIAL 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 SHENZHEN FEIFAN INDUSTRIAL CO LTD filed Critical SHENZHEN FEIFAN INDUSTRIAL CO LTD
Priority to CN202311582637.1A priority Critical patent/CN117290077B/zh
Publication of CN117290077A publication Critical patent/CN117290077A/zh
Application granted granted Critical
Publication of CN117290077B publication Critical patent/CN117290077B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F9/44—Arrangements for executing specific programs
    • G06F9/455—Emulation; Interpretation; Software simulation, e.g. virtualisation or emulation of application or operating system execution engines
    • G06F9/45533—Hypervisors; Virtual machine monitors
    • G06F9/45558—Hypervisor-specific management and integration aspects
    • 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
    • G06F9/5072—Grid computing
    • 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
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Genetics & Genomics (AREA)
  • Artificial Intelligence (AREA)
  • Physiology (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于遗传算法的医疗平台云计算任务调度方法和系统。其中任务接收模块接收用户提交的任务请求，并在用户身份以及请求资源合法的情况下，将上述任务请求发送给适应度函数匹配模块；适应度函数匹配模块根据任务请求信息中的任务类型字段确定目标适应度函数；虚拟机调度策略生成模块基于目标适应度函数，进行遗传算法的迭代过程，根据遗传算法的迭代结果，生成虚拟机的调度策略；虚拟机调度策略执行模块按照虚拟机调度策略将任务调度给相应的虚拟机，实现资源的智能分配。本发明通过构建多种适应度函数，根据任务类型匹配目标适应度函数，对现有的基于遗传算法的调度策略进行改进，提高了云计算任务调度的性能和效率。

Description

基于遗传算法的医疗平台云计算任务调度方法和系统
技术领域
本申请属于新一代信息技术产业中的互联网与云计算技术领域，尤其涉及一种基于遗传算法的医疗平台云计算任务调度方法和系统。
背景技术
云计算（Cloud Computing）是通过互联网构建计算模型，以计算机构成的资源池为载体，为其他设备和用户提供共享的计算机处理资源和数据。云任务调度是指为用户提交的任务选择最合适的计算资源（虚拟机）执行完成以满足用户的各种需求。由于网络化和虚拟化，云计算只能在虚拟机层处理任务调度的复杂性，因此高效的任务调度算法对云计算的发展尤为重要。
在云计算调度中，由于任务调度具有多个目标优化的特点，因此很多调度算法以多目标优化为方向。但是传统的调度算法在很多情况下都不能取得最优解。例如现有医疗平台中通常面临处理海量数据的任务，当医疗平台的云计算环境中需要处理的任务较多时，传统调度方式会导致云计算的任务在调度过程中较为困难，需要针对性设计来解决性能和效率的问题。
发明内容
针对现有技术中的缺陷，本发明提供一种基于遗传算法的医疗平台云计算任务调度方法及系统，通过构建多种适应度函数，根据任务类型匹配目标适应度函数，对现有的基于遗传算法的调度策略进行改进，提高云计算任务调度的性能和效率，更好地适应任务调度服务质量要求。为实现上述目的，本发明提供如下技术方案。
一种基于遗传算法的医疗平台云计算任务调度方法，其特征在于，所述基于遗传算法的医疗平台云计算任务调度方法包括以下步骤。
（S1）、任务接收模块接收用户提交的任务请求，并在用户身份以及请求资源合法的情况下，将上述任务请求发送给适应度函数匹配模块。
（S2）、适应度函数匹配模块根据任务请求信息中的任务类型字段确定目标适应度函数。
（S3）、虚拟机调度策略生成模块基于步骤（S2）确定的目标适应度函数，进行遗传算法的迭代过程，根据遗传算法的迭代结果，生成虚拟机的调度策略。
（S4）、虚拟机调度策略执行模块按照步骤（S3）生成的虚拟机的调度策略将任务调度给相应的虚拟机，实现资源的智能分配。
进一步地，所述步骤（S1）中，其中任务请求中包含任务类型字段，其中所述任务类型字段为1代表任务属性为时间偏好性，所述任务类型字段为2代表任务属性为费用偏好性，所述任务类型字段为0代表任务属性为同时兼顾时间偏好性以及费用偏好性。
进一步地所述步骤（S2）具体实现如下：其中当所述任务类型字段为1时，目标适应度函数为基于任务完成时间的适应度函数F1；当所述任务类型字段为2时，目标适应度函数为基于任务完成费用的适应度函数F2；当所述任务类型字段为0时，目标适应度函数为综合适应度函数F3，其中。
进一步地在步骤（S2）执行之前，适应度函数匹配模块构建多个适应度函数，其中所述构建多个适应度函数具体操作如下。
假设一个调度周期内接收的任务集合表示为，/>表示第i（/>）个任务，m为自然数表示任务的数量；虚拟机集合表示为，其中n为自然数表示云计算平台虚拟机数量，/>表示第j（）个虚拟机，其中/>。
（S2-1）任务i传递到虚拟机j的时间为。
为任务i传递的数据量大小。
为虚拟机j的通信带宽。
（S2-2）任务i在虚拟机j上的处理时间为。
表示任务i需要处理指令的大小。
表示虚拟机j的计算能力。
（S2-3）单个任务完成时间为。
虚拟机j任务完成时间表示为；其中/>表示虚拟机j中执行的任务队列。
所有任务完成时间表示为。
（S2-4）任务i在虚拟机j上的计算费用。
其中表示虚拟机j单位时间计算费用。
（S2-5）任务i分配到虚拟机j上的硬盘存储费用为，其中/>表示完成任务 i 所需的存储空间大小，/>表示虚拟机 j所在硬盘的单位存储费用。
单个任务费用。
单个虚拟机j完成所有任务的总费用为。
用户提交的所有任务处理完毕后总费用为。
（S2-6）构建基于任务完成时间的适应度函数F1：。
构建基于任务完成费用的适应度函数F2：。
构建综合适应度函数F3：；其中/>，为调整系数。
进一步地，所述步骤（S3）具体实现步骤如下。
（S3-1）、初始化种群，对染色体采用实数编码。
（S3-2）、利用所述目标适应度函数计算评估每个个体的适应度值。
（S3-3）、种群通过使用遗传操作，产生新的遗传个体，所述遗传操作包括选择操作、交叉操作以及变异操作。
进一步地，所述选择操作中为了保证种群中个体的多样性，采用轮盘赌选择策略对种群中的个体进行选择；其具体实现如下：首先，将种群中每个个体被选择的概率合并起来制作成一个轮盘，得到每一个个体的适应度函数的值后，分别计算每个个体适应度的值与总适应度的值比值，该比值决定个体被选中的概率，其次将每一条染色体的概率映射到轮盘当中的对应的区域上，由于总的概率被表示在一个轮盘上，指针指向的区域即为选中的染色体。
进一步地，在轮盘赌选择策略上加入精英解保留策略作为选择操作辅助策略；其中精英解保留策略操作过程为：在每一代交叉变异等操作前，选择种群最优的解，不进行交叉变异操作，直接替换种群中适应度最低的个体，有效保护优质解。
进一步地，所述交叉操作采用片段交叉和点交叉相结合的方式。
进一步地，所述变异操作为单点变异；在执行变异操作之前，用 rand()函数进行选择出染色体上进行单点变异的基因位。
进一步地，所述遗传算法终止的条件为以下之一：所述目标适应度函数的值达到预设数值，算法的循环次数达到预设次数或所述适应度函数的值经历若干次循环未发生变化，其中若干次循环小于算法循环次数。
本发明的另一目的在于提供一种基于遗传算法的医疗平台云计算任务调度系统，包括任务接收模块、适应度函数匹配模块、虚拟机调度策略生成模块以及虚拟机调度策略执行模块；所述基于遗传算法的医疗平台云计算任务调度系统用于执行上述基于遗传算法的医疗平台云计算任务调度方法。
本发明的另一目的在于提供一种计算机可读存储介质，存储一个或多个程序，所述一个或多个程序使得计算机执行上述基于遗传算法的医疗平台云计算任务调度方法。
结合所述的所有技术方案，本发明与现有技术相比具有如下优点。
构建了多种适应度函数，根据任务类型匹配目标适应度函数，对现有的基于遗传算法的调度策略进行改进，提高了云计算任务调度的性能和效率，更好地适应任务调度服务质量要求。
附图说明
图1是本发明基于遗传算法的医疗平台云计算任务调度系统的结构示意图。
具体实施方式
下面通过实施例并结合附图1做进一步描述。显然，所描述的实施例是本发明的部分实施例，而不是全部实施例。基于本发明的实施例，本领域普通技术人员在没有付出创造性劳动的前提下所获得的所有其他实施例，都属于本发明的保护范围。
本发明提供一种基于遗传算法的医疗平台云计算任务调度方法，应用于图1所示的基于遗传算法的医疗平台云计算任务调度系统，所述基于遗传算法的医疗平台云计算任务调度方法包括以下步骤。
（S1）、任务接收模块接收用户提交的任务请求，并在用户身份以及请求资源合法的情况下，将上述任务请求发送给适应度函数匹配模块。
优选地，在所述步骤（S1）中，其中任务请求中包含任务类型字段，其中所述任务类型字段为1代表任务属性为时间偏好性，所述任务类型字段为2代表任务属性为费用偏好性，所述任务类型字段为0代表任务属性为同时兼顾时间偏好性以及费用偏好性，其中假定一个调度周期内接收的多个任务的类型相同。
（S2）、适应度函数匹配模块根据任务请求信息中的任务类型字段确定目标适应度函数。
优选地，所述步骤（S2）具体实现如下：其中当所述任务类型字段为1时，目标适应度函数为基于任务完成时间的适应度函数F1。
当所述任务类型字段为2时，目标适应度函数为基于任务完成费用的适应度函数F2。
当所述任务类型字段为0时，目标适应度函数为综合适应度函数F3，其中。
优选地，在步骤（S2）执行之前，适应度函数匹配模块构建多个适应度函数，其中所述构建多个适应度函数具体操作如下。
假设一个调度周期内接收的任务集合表示为，/>表示第i（/>）个任务，m为自然数表示任务的数量；虚拟机集合表示为，其中n为自然数表示云计算平台虚拟机数量，/>表示第j（）个虚拟机，其中/>；定义/>，当/>时表示任务i不在虚拟机j上执行，当时，表示任务i不在虚拟机j上执行。
（S2-1）任务i传递到虚拟机j的时间为。
为任务i传递的数据量大小。
为虚拟机j的通信带宽。
（S2-2）任务i在虚拟机j上的处理时间为。
表示任务i需要处理指令的大小。
表示虚拟机j的计算能力。
（S2-3）单个任务完成时间为。
虚拟机j任务完成时间由最后一个执行完毕的任务确定，也就是其最大任务完成时间确定，表示为/>；其中/>表示虚拟机j中执行的任务队列。
由于每个虚拟机并行执行任务，故所有任务完成时间为各个虚拟机中最大完成时间确定，表示为。
表示所有任务完成时间。
（S2-4）任务i在虚拟机j上的计算费用。
其中表示虚拟机j单位时间计算费用，可以由虚拟机j中单个CPU计算能力，CPU数量，虚拟机j中单位mips（每秒处理百万级的机器语言指令数）费用确定。
（S2-5）任务i分配到虚拟机j上的硬盘存储费用为，其中/>表示完成任务 i 所需的存储空间大小，/>表示虚拟机 j所在硬盘的单位存储费用。
单个任务费用。
单个虚拟机j完成所有任务的总费用为。
用户提交的所有任务处理完毕后总费用为。
（S2-6）构建基于任务完成时间的适应度函数F1：。
构建基于任务完成费用的适应度函数F2：。
构建综合适应度函数F3：；其中/>，为调整系数，可以根据实际需要进行调整，避免适应度函数的值在比较时出现极小的数值进行比较。
（S3）、虚拟机调度策略生成模块基于步骤（S2）确定的目标适应度函数，进行遗传算法的迭代过程，根据遗传算法的迭代结果，生成虚拟机的调度策略。
优选地，所述步骤（S3）具体实现步骤如下。
（S3-1）、初始化种群，对染色体采用实数编码，染色体编码实质上是任务与虚拟机之间的映射关系。
（S3-2）、利用所述目标适应度函数计算评估每个个体的适应度值。
（S3-3）、种群通过使用遗传操作，产生新的遗传个体，所述遗传操作包括选择操作、交叉操作以及变异操作。
（S4）、虚拟机调度策略执行模块按照步骤（S3）生成的虚拟机的调度策略将任务调度给相应的虚拟机，实现资源的智能分配。
优选地，所述选择操作中为了保证种群中个体的多样性，采用轮盘赌选择策略对种群中的个体进行选择。具体实现为，首先，需要将种群中每个个体被选择的概率合并起来制作成一个轮盘，得到每一个个体的适应度函数的值后，基于适应度函数的值可得每条染色体被选中的概率（分别计算每个个体适应度的值与总适应度的值比值，该比值决定个体被选中的概率），其次将每一条染色体的概率映射到轮盘当中的对应的区域上，由于总的概率被表示在一个轮盘上，指针指向的区域即为选中的染色体。
优选地，在轮盘赌选择策略上加入精英解保留策略作为选择操作辅助策略，主要目的是保护优质解不被破坏，精英解保留策略操作过程为：在每一代交叉变异等操作前，选择种群最优的解，不进行交叉变异操作，直接替换种群中适应度最低的个体，有效保护优质解。
交叉操作是遗传算法产生新个体最主要的方式，交叉操作对整个算法迭代过程起着至关重要的作用，交叉策略直接影响算法收敛性以及最优解的质量。目前交叉策略有很多种，比如，自交叉、片段交叉和点交叉。根据优化问题不同，上述交叉方式又可以分为很多种。
优选地,步骤（S-3）中所述交叉操作采用片段交叉和点交叉相结合的方式。片段交叉是随机选择个体染色体某片段，与另一个被选择个体的染色体某片段进行交换，被选中基因片段长度可以根据优化问题以及染色体长度确定。算法迭代前期采用片段交叉方式，提升算法收敛速度。点交叉是随机选择染色体中某一个或多个基因，与另一个染色体被选中的基因进行交换。由于点交叉对染色体改变较小，所以优化幅度较小，通常适应于算法迭代后期，或者染色体编码较短的优化问题。因此，本发明在迭代后期采用点交叉方式，提升算法收敛精度。
此外，在交叉操作中，存在一个重要参数：交叉概率。优选地，指定交叉概率/>为常量 ，其中/>。
另外，变异操作常用的方法有单点变异与多点变异，本发明优选采用单点变异的方法缩短执行时间并提高算法的稳定性。在执行变异操作之前，需要确定变异的基因位，本发明中用 rand()函数进行选择出染色体上进行单点变异的基因位。在变异操作中，存在一个关键参数变异概率：本发明指定变异概率为常量，其中/>。
优选地,所述遗传算法终止的条件为以下之一：所述目标适应度函数的值达到预设数值，算法的循环次数达到预设次数或所述适应度函数的值经历若干次循环未发生变化，其中若干次循环小于算法循环次数。
另外，本发明基于遗传算法的医疗平台云计算任务调度系统的结构示意图见图1。
根据图1，本发明提供一种基于遗传算法的医疗平台云计算任务调度系统，包括任务接收模块、适应度函数匹配模块、虚拟机调度策略生成模块以及虚拟机调度策略执行模块，所述基于遗传算法的医疗平台云计算任务调度系统用于执行上述基于遗传算法的医疗平台云计算任务调度方法。
需要说明的是，本领域技术人员应当理解，所述基于遗传算法的医疗平台云计算任务调度系统的实施方式中所示的各模块的实现功能可参照所述基于遗传算法的医疗平台云计算任务调度方法的相关描述而理解。所述基于遗传算法的医疗平台云计算任务调度系统的实施方式中所示的各模块的功能可通过运行于处理器上的程序(可执行指令)而实现，也可通过具体的逻辑电路而实现。
相应地，本发明还提供一种计算机可读存储介质，其中存储有计算机可执行指令，该计算机可执行指令被处理器执行时实现本申请的各方法实施方式。计算机可读存储介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括但不限于，相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。
此外应理解，以上所述仅为本说明书的较佳实施例而已，并非用于限定本说明书的保护范围。凡在本说明书一个或多个实施例的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本说明书一个或多个实施例的保护范围之内。

Claims (10)

1.一种基于遗传算法的医疗平台云计算任务调度方法，其特征在于，包括以下步骤：
（S1）、任务接收模块接收用户提交的任务请求，并在用户身份以及请求资源合法的情况下，将上述任务请求发送给适应度函数匹配模块；
（S2）、适应度函数匹配模块根据任务请求信息中的任务类型字段确定目标适应度函数；
（S3）、虚拟机调度策略生成模块基于步骤（S2）确定的目标适应度函数，进行遗传算法的迭代过程，根据遗传算法的迭代结果，生成虚拟机的调度策略；
（S4）、虚拟机调度策略执行模块按照步骤（S3）生成的虚拟机的调度策略将任务调度给相应的虚拟机，实现资源的智能分配。
2.如权利要求1所述的一种基于遗传算法的医疗平台云计算任务调度方法，其特征在于，所述步骤（S1）中，其中任务请求中包含任务类型字段，其中所述任务类型字段为1代表任务属性为时间偏好性，所述任务类型字段为2代表任务属性为费用偏好性，所述任务类型字段为0代表任务属性为同时兼顾时间偏好性以及费用偏好性。
3.如权利要求1所述的一种基于遗传算法的医疗平台云计算任务调度方法，其特征在于，所述步骤（S2）具体实现如下：其中当所述任务类型字段为1时，目标适应度函数为基于任务完成时间的适应度函数F1；当所述任务类型字段为2时，目标适应度函数为基于任务完成费用的适应度函数F2；当所述任务类型字段为0时，目标适应度函数为综合适应度函数F3，其中。
4.如权利要求3所述的一种基于遗传算法的医疗平台云计算任务调度方法，其特征在于，在步骤（S2）执行之前，适应度函数匹配模块构建多个适应度函数，其中所述构建多个适应度函数具体操作如下：
假设一个调度周期内接收的任务集合表示为，/>表示第i个任务，其中m为自然数表示任务的数量，/>；虚拟机集合表示为，其中n为自然数表示云计算平台虚拟机数量，/>表示第j个虚拟机，其中/>，/>；
（S2-1）任务i传递到虚拟机j的时间为；
为任务i传递的数据量大小；
为虚拟机j的通信带宽；
（S2-2）任务i在虚拟机j上的处理时间为；
表示任务i需要处理指令的大小；
表示虚拟机j的计算能力；
（S2-3）单个任务完成时间为；
虚拟机j任务完成时间表示为；其中/>表示虚拟机j中执行的任务队列；
所有任务完成时间表示为；
（S2-4）任务i在虚拟机j上的计算费用；
其中表示虚拟机j单位时间计算费用；
（S2-5）任务i分配到虚拟机j上的硬盘存储费用为
，其中/>表示完成任务 i 所需的存储空间大小，/>表示虚拟机 j所在硬盘的单位存储费用；
单个任务费用；
单个虚拟机j完成所有任务的总费用为；
用户提交的所有任务处理完毕后总费用为；
（S2-6）构建基于任务完成时间的适应度函数F1：；
构建基于任务完成费用的适应度函数F2：；
构建综合适应度函数F3：；其中/>，为调整系数。
5.如权利要求1所述的一种基于遗传算法的医疗平台云计算任务调度方法，其特征在于，所述步骤（S3）具体实现步骤如下：
（S3-1）、初始化种群，对染色体采用实数编码；
（S3-2）、利用所述目标适应度函数计算评估每个个体的适应度值；
（S3-3）、种群通过使用遗传操作，产生新的遗传个体，所述遗传操作包括选择操作、交叉操作以及变异操作。
6.如权利要求5所述的一种基于遗传算法的医疗平台云计算任务调度方法，其特征在于，所述选择操作中为了保证种群中个体的多样性，采用轮盘赌选择策略对种群中的个体进行选择；其具体实现如下：首先，将种群中每个个体被选择的概率合并起来制作成一个轮盘，得到每一个个体的适应度函数的值后，分别计算每个个体适应度的值与总适应度的值比值，该比值决定个体被选中的概率；其次将每一条染色体的概率映射到轮盘当中的对应的区域上，指针指向的区域即为选中的染色体。
7.如权利要求6所述的一种基于遗传算法的医疗平台云计算任务调度方法，其特征在于，在轮盘赌选择策略上加入精英解保留策略作为选择操作辅助策略；其中精英解保留策略操作过程为：在每一代交叉变异等操作前，选择种群最优的解，不进行交叉变异操作，直接替换种群中适应度最低的个体。
8.如权利要求5所述的一种基于遗传算法的医疗平台云计算任务调度方法，其特征在于，所述交叉操作采用片段交叉和点交叉相结合的方式。
9.如权利要求5所述的一种基于遗传算法的医疗平台云计算任务调度方法，其特征在于，所述变异操作为单点变异；在执行变异操作之前，用 rand()函数进行选择出染色体上进行单点变异的基因位。
10.如权利要求5所述的一种基于遗传算法的医疗平台云计算任务调度方法，其特征在于，所述遗传算法终止的条件为以下之一：所述目标适应度函数的值达到预设数值，算法的循环次数达到预设次数或所述适应度函数的值经历若干次循环未发生变化，其中若干次循环小于算法循环次数。
CN202311582637.1A 2023-11-24 2023-11-24 基于遗传算法的医疗平台云计算任务调度方法和系统 Active CN117290077B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311582637.1A CN117290077B (zh) 2023-11-24 2023-11-24 基于遗传算法的医疗平台云计算任务调度方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311582637.1A CN117290077B (zh) 2023-11-24 2023-11-24 基于遗传算法的医疗平台云计算任务调度方法和系统

Publications (2)

Publication Number Publication Date
CN117290077A true CN117290077A (zh) 2023-12-26
CN117290077B CN117290077B (zh) 2024-02-23

Family

ID=89257563

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311582637.1A Active CN117290077B (zh) 2023-11-24 2023-11-24 基于遗传算法的医疗平台云计算任务调度方法和系统

Country Status (1)

Country Link
CN (1) CN117290077B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130308570A1 (en) * 2012-05-17 2013-11-21 Beijing University Of Posts And Telecommunications Method for joint optimization of schedule and resource allocation based on the genetic algorithm
CN104811491A (zh) * 2015-04-17 2015-07-29 华南理工大学 一种基于遗传算法的云计算资源调度方法
CN105740051A (zh) * 2016-01-27 2016-07-06 北京工业大学 基于改进的遗传算法的云计算资源调度实现方法
CN109800071A (zh) * 2019-01-03 2019-05-24 华南理工大学 一种基于改进遗传算法的云计算任务调度方法
CN110390047A (zh) * 2019-06-19 2019-10-29 深圳壹账通智能科技有限公司 基于遗传算法的资源信息推荐方法、装置、终端及介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130308570A1 (en) * 2012-05-17 2013-11-21 Beijing University Of Posts And Telecommunications Method for joint optimization of schedule and resource allocation based on the genetic algorithm
CN104811491A (zh) * 2015-04-17 2015-07-29 华南理工大学 一种基于遗传算法的云计算资源调度方法
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
CN105740051A (zh) * 2016-01-27 2016-07-06 北京工业大学 基于改进的遗传算法的云计算资源调度实现方法
CN109800071A (zh) * 2019-01-03 2019-05-24 华南理工大学 一种基于改进遗传算法的云计算任务调度方法
CN110390047A (zh) * 2019-06-19 2019-10-29 深圳壹账通智能科技有限公司 基于遗传算法的资源信息推荐方法、装置、终端及介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
任金霞 等: "基于改进GA的云计算任务调度策略", 《沈阳工业大学学报》, vol. 41, no. 3, pages 320 - 325 *

Also Published As

Publication number Publication date
CN117290077B (zh) 2024-02-23

Similar Documents

Publication Publication Date Title
CN108182115B (zh) 一种云环境下的虚拟机负载均衡方法
CN107491341B (zh) 一种基于粒子群优化的虚拟机分配方法
Salem et al. An artificial bee colony algorithm for data replication optimization in cloud environments
CN108829501B (zh) 一种基于改进遗传算法的批处理科学工作流任务调度算法
CN102193830B (zh) 面向众核环境的分治映射/归约并行编程模型
CN108121601B (zh) 一种基于权重的应用资源调度装置及方法
WO2016177279A1 (zh) 数据处理的方法及系统
CN114399227A (zh) 一种基于数字孪生的生产调度方法、装置及计算机设备
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
CN116112563A (zh) 一种基于流行度预测的双策略自适应缓存替换方法
CN106951301B (zh) 文件预读方法及装置
Song et al. A deep reinforcement learning-based task scheduling algorithm for energy efficiency in data centers
CN117290077B (zh) 基于遗传算法的医疗平台云计算任务调度方法和系统
CN115759979B (zh) 基于rpa和流程挖掘的流程智能处理方法和系统
Yu [Retracted] Research on Optimization Strategy of Task Scheduling Software Based on Genetic Algorithm in Cloud Computing Environment
CN113282369B (zh) 一种虚拟机调度方法、装置、介质及设备
Ismaeel et al. A systematic cloud workload clustering technique in large scale data centers
CN112148792B (zh) 一种基于HBase的分区数据调整方法、系统及终端
CN111813512B (zh) 一种基于动态分区的高能效Spark任务调度方法
CN114980216A (zh) 基于移动边缘计算的依赖型任务卸载系统及方法
CN110415162B (zh) 大数据中面向异构融合处理器的自适应图划分方法
CN108228323A (zh) 基于数据本地性的Hadoop任务调度方法及装置
CN113191534A (zh) 物流资源分配方法、装置、设备及存储介质
CN101378406A (zh) 一种数据网格副本的选择方法
CN117112145B (zh) 训练模型分配方法、装置、计算机设备和存储介质

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