CN117389701A - 边缘计算的任务调度方法及装置、电子设备和存储介质 - Google Patents

边缘计算的任务调度方法及装置、电子设备和存储介质 Download PDF

Info

Publication number
CN117389701A
CN117389701A CN202311345050.9A CN202311345050A CN117389701A CN 117389701 A CN117389701 A CN 117389701A CN 202311345050 A CN202311345050 A CN 202311345050A CN 117389701 A CN117389701 A CN 117389701A
Authority
CN
China
Prior art keywords
target
task scheduling
task
computing resource
mathematical model
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
CN202311345050.9A
Other languages
English (en)
Inventor
闻经纬
黄智国
钱岭
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.)
China Mobile Communications Group Co Ltd
China Mobile Suzhou Software Technology Co Ltd
Original Assignee
China Mobile Communications Group Co Ltd
China Mobile Suzhou Software Technology 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 China Mobile Communications Group Co Ltd, China Mobile Suzhou Software Technology Co Ltd filed Critical China Mobile Communications Group Co Ltd
Priority to CN202311345050.9A priority Critical patent/CN117389701A/zh
Publication of CN117389701A publication Critical patent/CN117389701A/zh
Pending legal-status Critical Current

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
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2209/00—Indexing scheme relating to G06F9/00
    • G06F2209/50—Indexing scheme relating to G06F9/50
    • G06F2209/502—Proximity

Landscapes

  • Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本公开公开了边缘计算的任务调度方法及装置、电子设备和存储介质，基于至少一个待处理任务及至少一个空闲计算资源节点，构建目标任务调度数学模型；将目标任务调度数学模型转化为哈密顿量模型；调用预设第一量子算法对哈密顿量模型进行计算，得到目标优化结果；基于任务调度数学模型转化为哈密顿量模型之间的转换关系，确定目标优化结果对应的目标空闲计算资源节点。与相关技术相比，将目标任务调度数学模型转化为哈密顿量模型，调用预设第一量子算法对哈密顿量模型进行计算，得到目标优化结果；基于任务调度数学模型转化为哈密顿量模型之间的转换关系，确定目标优化结果对应的目标空闲计算资源节点，提高任务调度的效率，使任务调度的时延降低。

Description

边缘计算的任务调度方法及装置、电子设备和存储介质
技术领域
本公开涉及云计算领域，尤其涉及一种边缘计算的任务调度方法及装置、电子设备和存储介质。
背景技术
随着手机等智能终端数量的急剧增长，物联网的发展趋势愈发明显，高效地处理海量数据变得越来越重要。作为云计算技术的重要补充，边缘计算可以帮助解决传统模式下存在的延迟高、网络不稳定和带宽低等问题。
边缘计算的计算资源节点存在地理分散性和异构性，需要通过任务调度将计算资源节点分配给任务请求，相关技术中，通过启发式算法进行任务调度，如蚁群算法(AntColony Optimization，ACO)、粒子群优化(Particle Swarm Optimization，PSO)、遗传算法(Genetic Algorithm，GA)等。
由于移动设备和计算密集型应用的增多，相关技术中的任务调度方法效率较低，导致任务调度的时延较高。
发明内容
本公开提供了一种边缘计算的任务调度方法及装置、电子设备和存储介质。其主要目的在于解决由于移动设备和计算密集型应用的增多，相关技术中的任务调度方法效率较低，导致任务调度的时延较高的问题。
根据本公开的第一方面，提供了一种边缘计算的任务调度方法，其中，包括：
基于至少一个待处理任务及至少一个空闲计算资源节点，构建目标任务调度数学模型，不同待处理任务与不同空闲计算资源节点的对应关系，具有不同的评价参数；
将所述目标任务调度数学模型转化为哈密顿量模型；
调用预设第一量子算法对所述哈密顿量模型进行计算，得到目标优化结果；
基于所述任务调度数学模型转化为哈密顿量模型之间的转换关系，确定所述目标优化结果对应的目标空闲计算资源节点。
可选的，所述基于至少一个待处理任务及至少一个空闲计算资源节点，构建目标任务调度数学模型包括：
获取所述至少一个待处理任务及所述至少一个空闲计算资源节点；
将所述至少一个待处理任务配置于第一集合，及将所述至少一个空闲计算资源节点配置于第二集合；
分别基于所述第一集合中每个待处理任务与所述第二集合中所有空闲计算资源节点，构建所述目标任务调度数学模型。
可选的，所述分别基于所述第一集合中每个待处理任务与所述第二集合中所有空闲计算资源节点，构建所述目标任务调度数学模型包括：
分别对所述第一集合中待处理任务及所述第二集合中空闲计算资源节点进行状态变量定义，得到至少一个第一状态变量及至少一个第二状态变量；其中，所述第一状态变量为所述待处理任务对应的状态变量，所述第二状态变量为所述空闲计算资源节点对应的状态变量；
分别将每个第一状态变量与不同第二状态变量进行组合，得到组合后的状态变量对；
分别对所述组合后的状态变量对进行评价参数定义，得到对应数量的目标评价参数；
基于所述至少一个第一状态变量、所述至少一个第二状态变量及所述至少一个目标评价参数，构建第一任务调度数学模型；
调用预设惩罚项算法对所述第一任务调度数学模型进行计算，得到第二任务数学模型；
将所述第一任务调度数学模型与所述第二任务调度数学模型加和，得到所述目标任务调度数学模型。
可选的，所述将所述目标任务调度数学模型转化为哈密顿量模型包括：
将所述至少一个第一状态变量转化为至少一个第一泡利矩阵，及将所述至少一个第二状态变量转化为至少一个第二泡利矩阵；
将所述至少一个目标评价参数转化为至少一个目标量子比特串参数；
基于所述至少一个第一泡利矩阵、所述至少一个第二泡利矩阵及所述目标量子比特串参数，将所述目标任务调度数学模型转化为所述哈密顿量模型。
可选的，所述调用预设第一量子算法对所述哈密顿量模型进行计算，得到目标优化结果包括：
调用预设第一量子算法对所述哈密顿量模型进行计算，得到初始优化结果；其中，所述初始优化结果包括所述每个目标量子比特串参数含有的初始数量；
调用预设第二量子算法对所述初始优化结果进行计算，得到目标优化结果；其中所述目标优化结果包括所述每个目标量子比特串参数含有的目标数量。
可选的，所述基于所述目标任务调度数学模型转化为哈密顿量模型之间的转换关系，确定所述目标优化结果对应的目标空闲计算资源节点包括：
分别计算每个目标量子比特串的目标数量占所有目标量子比特串的总和目标数量的比例值；
对所述所有目标量子比特串的比例值进行排序，根据排序结果获取预设数量个比例值最高的目标量子比特串；其中，所述预设数量与所述待处理任务的数量相等；
分别确定所述预设数量的比例值最高的目标量子比特串对应的组合后的状态变量对；
基于所述组合后的状态变量对，确定所述待处理任务对应的目标空闲计算资源节点。
根据本公开的第二方面，提供了一种边缘计算的任务调度装置，包括：
构建单元，用于基于至少一个待处理任务及至少一个空闲计算资源节点，构建目标任务调度数学模型，不同待处理任务与不同空闲计算资源节点的对应关系，具有不同的评价参数；
转化单元，用于将所述目标任务调度数学模型转化为哈密顿量模型；
计算单元，用于调用预设第一量子算法对所述哈密顿量模型进行计算，得到目标优化结果；
确定单元，用于基于所述任务调度数学模型转化为哈密顿量模型之间的转换关系，确定所述目标优化结果对应的目标空闲计算资源节点。
可选的，所述构造单元包括：
获取模块，用于获取所述至少一个待处理任务及所述至少一个空闲计算资源节点；
配置模块，用于将所述至少一个待处理任务配置于第一集合，及将所述至少一个空闲计算资源节点配置于第二集合；
构造模块，用于分别基于所述第一集合中每个待处理任务与所述第二集合中所有空闲计算资源节点，构建所述目标任务调度数学模型。
可选的，所述构造模块还用于：
分别对所述第一集合中待处理任务及所述第二集合中空闲计算资源节点进行状态变量定义，得到至少一个第一状态变量及至少一个第二状态变量；其中，所述第一状态变量为所述待处理任务对应的状态变量，所述第二状态变量为所述空闲计算资源节点对应的状态变量；
分别将每个第一状态变量与不同第二状态变量进行组合，得到组合后的状态变量对；
分别对所述组合后的状态变量对进行评价参数定义，得到对应数量的目标评价参数；
基于所述至少一个第一状态变量、所述至少一个第二状态变量及所述至少一个目标评价参数，构建第一任务调度数学模型；
调用预设惩罚项算法对所述第一任务调度数学模型进行计算，得到第二任务数学模型；
将所述第一任务调度数学模型与所述第二任务调度数学模型加和，得到所述目标任务调度数学模型。
可选的，所述转化单元包括：
第一转化模块，用于将所述至少一个第一状态变量转化为至少一个第一泡利矩阵，及将所述至少一个第二状态变量转化为至少一个第二泡利矩阵；
第二转化模块，用于将所述至少一个目标评价参数转化为至少一个目标量子比特串参数；
第三转化模块，用于基于所述至少一个第一泡利矩阵、所述至少一个第二泡利矩阵及所述目标量子比特串参数，将所述目标任务调度数学模型转化为所述哈密顿量模型。
可选的，所述计算单元包括：
第一计算模块，用于调用预设第一量子算法对所述哈密顿量模型进行计算，得到初始优化结果；其中，所述初始优化结果包括所述每个目标量子比特串参数含有的初始数量；
第二计算模块，用于调用预设第二量子算法对所述初始优化结果进行计算，得到目标优化结果；其中所述目标优化结果包括所述每个目标量子比特串参数含有的目标数量。
可选的，所述确定单元包括：
第四计算模块，用于分别计算每个目标量子比特串的目标数量占所有目标量子比特串的总和目标数量的比例值；
获取模块，用于对所述所有目标量子比特串的比例值进行排序，根据排序结果获取预设数量个比例值最高的目标量子比特串；其中，所述预设数量与所述待处理任务的数量相等；
第一确定模块，用于分别确定所述预设数量的比例值最高的目标量子比特串对应的组合后的状态变量对；
第二确定模块，用于基于所述组合后的状态变量对，确定所述待处理任务对应的目标空闲计算资源节点。
根据本公开的第三方面，提供了一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行前述第一方面所述的方法。
根据本公开的第四方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行前述第一方面所述的方法。
根据本公开的第五方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现如前述第一方面所述的方法。
本公开提供的边缘计算的任务调度方法及装置、电子设备和存储介质，基于至少一个待处理任务及至少一个空闲计算资源节点，构建目标任务调度数学模型，不同待处理任务与不同空闲计算资源节点的对应关系，具有不同的评价参数；将所述目标任务调度数学模型转化为哈密顿量模型；调用预设第一量子算法对所述哈密顿量模型进行计算，得到目标优化结果；基于所述任务调度数学模型转化为哈密顿量模型之间的转换关系，确定所述目标优化结果对应的目标空闲计算资源节点。与相关技术相比，本申请实施例通过将目标任务调度数学模型转化为哈密顿量模型，调用预设第一量子算法对所述哈密顿量模型进行计算，得到目标优化结果；基于所述任务调度数学模型转化为哈密顿量模型之间的转换关系，确定所述目标优化结果对应的目标空闲计算资源节点，可以提高任务调度的效率，使任务调度的时延降低。
应当理解，本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征，也不用于限制本申请的范围。本申请的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案，不构成对本公开的限定。其中：
图1为本公开实施例所提供的一种边缘计算的任务调度方法的流程示意图；
图2为本公开实施例所提供的一种哈密顿量模型的量子线路的示意图；
图3为本公开实施例所提供的一种确定边缘环境下的任务调度方案的演示实例的示意图；
图4为本公开实施例所提供的一种边缘计算的任务调度装置的结构示意图；
图5为本公开实施例所提供的另一种边缘计算的任务调度装置的结构示意图；
图6为本公开实施例所提供的示例电子设备的示意性框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
下面参考附图描述本公开实施例的边缘计算的任务调度方法及装置、电子设备和存储介质。
图1为本公开实施例所提供的一种边缘计算的任务调度方法的流程示意图。
如图1所示，该方法应用于服务器中，该方法包含以下步骤：
步骤101，基于至少一个待处理任务及至少一个空闲计算资源节点，构建目标任务调度数学模型，不同待处理任务与不同空闲计算资源节点的对应关系，具有不同的评价参数。
边缘计算是通过将用户端发送的待处理任务分配给靠近用户端的服务器中的空闲计算资源节点进行处理，其中，所述待处理任务包括但不限图像数据、语音数据及文本数据等，本申请实施例对所述待处理任务的数据类型不进行限定；任务调度就是在某个时刻，将多个不同待处理任务分配给不同的空闲计算资源节点的分配方法，其中一个空闲计算资源节点只能匹配一个待处理任务，本申请实施例对待处理任务及空闲计算资源节点的数量不进行限定；评价参数是用于衡量待处理任务与空闲计算资源节点之间的匹配关系的一组数值，用于衡量不同待处理任务与不同空闲计算资源节点之间的适配程度，，其中，待处理任务与空闲计算资源节点的适配程度与用户端距离服务器的距离、待处理任务的数据量大小及空闲计算资源节点的处理能力有关，每个待处理任务与不同的空闲计算资源节点之间都存在一个评价参数，评价参数的数值越大，表示该评价参数对应的待处理任务与空闲计算资源节点的适配程度越高，因此，只要计算出每个待处理与不同的空闲计算资源节点之间的所有评价参数，并确定每个待处理任务对应的评价参数的最大值，就能确定每个待处理任务分配的对应空闲计算资源节点，分别将所有待处理任务及所有空闲计算资源节点定义为状态变量，并定义每个待处理任务与不同空闲计算资源节点之间的评价参数，基于所有状态变量及所有评价参数，构建目标任务调度模型，通过构建目标任务调度数学模型可以将任务调度问题转化为成目标任务调度数学模型求解评价参数问题。
步骤102，将所述目标任务调度数学模型转化为哈密顿量模型。
待处理任务及空闲计算资源节点存在数量过多的情况，此时求解所述目标任务调度数学模型会变得非常复杂，效率会较低，通过对所述目标任务调度数学模型中的每个参数进行映射变换，可以将所述目标任务调度数学模型转化为哈密度量模型，其中，哈密顿量模型是一种量子算法模型，可以通过量子计算机进行求解，量子计算机的计算速度比电子计算机的计算速度更快，将数学求解问题转化为量子比特求解问题，其中，哈密顿量模型中的目标量子比特串与目标任务调度数学模型中的评价参数是一一对应的关系，其中，在目标任务调度数学模型中，求解的是评价参数的数值，在哈密顿量模型中求解的是目标量子比特串的数量。
步骤103，调用预设第一量子算法对所述哈密顿量模型进行计算，得到目标优化结果。
将所述哈密顿量模型传输至量子计算机中，通过量子计算机进行计算，由于目前能操控的量子计算机在比特数和控制精度等方面都是有限的，一般是由数百个有噪声的没有经过纠错的比特组成，在有限的相干时间内执行不完美的量子操作。所以在这样的硬件背景下，对所述哈密顿量的目标量子比特串求解，调用预设第一量子算法进行计算，得到初始优化结果；其中，所述初始优化结果包括所述每个目标量子比特串参数含有的初始数量；调用预设第二量子算法对所述初始优化结果进行计算，得到目标优化结果；其中，所述目标优化结果包括所述每个目标量子比特串参数含有的目标数量，所述预设第一量子算法及所述预设第二量子算法为计算哈密顿量模型的量子比特串的数量的算法。
步骤104，基于所述任务调度数学模型转化为哈密顿量模型之间的转换关系，确定所述目标优化结果对应的目标空闲计算资源节点。
所述目标优化结果中每一种目标量子比特串的数量可能不同，通过计算确定每一种目标量子比特串的数量，分别计算每一种目标量子比特串的目标数量占所有目标量子比特串的总和目标数量的比例值，通过比较每一种目标量子比特串的比例值的大小，获取与所述待处理任务的数量相等的比例值最高的目标量子比特串，根据目标量子比特串与评价参数的映射关系，确定对应的评价参数，进一步确定对应的目标待处理任务与目标空闲计算资源节点的匹配方式。
本公开提供的边缘计算的任务调度方法，基于至少一个待处理任务及至少一个空闲计算资源节点，构建目标任务调度数学模型，不同待处理任务与不同空闲计算资源节点的对应关系，具有不同的评价参数；将所述目标任务调度数学模型转化为哈密顿量模型；调用预设第一量子算法对所述哈密顿量模型进行计算，得到目标优化结果；基于所述任务调度数学模型转化为哈密顿量模型之间的转换关系，确定所述目标优化结果对应的目标空闲计算资源节点。与相关技术相比，本申请实施例通过将目标任务调度数学模型转化为哈密顿量模型，调用预设第一量子算法对所述哈密顿量模型进行计算，得到目标优化结果；基于所述任务调度数学模型转化为哈密顿量模型之间的转换关系，确定所述目标优化结果对应的目标空闲计算资源节点，可以提高任务调度的效率，使任务调度的时延降低。
作为对步骤101的细化，在执行基于至少一个待处理任务及至少一个空闲计算资源节点，构建目标任务调度数学模型时，可以采用但不局限于以下方式实现：获取边缘计算区域内所有待处理任务及所有空闲计算资源节点，其中，边缘计算区域为人为划定区域，当用户端靠近边缘计算区域时，用户端发送的待处理任务会分配给边缘计算范围内的空闲计算资源节点进行处理，将所有待处理任务配置于第一集合，及将所有空闲计算资源节点配置于第二集合，分别基于所述第一集合中每个待处理任务与所述第二集合中所有空闲计算资源节点，构建所述目标任务调度数学模型；例如，假设在某一时刻，用户端发起M个待处理任务，在服务器中有N个空闲计算资源节点可以调用，调度任务就是将当前可用的N个计算资源分配给M个待处理任务；M个待处理任务配置于集合R中，其中，R＝{r1，r2，...，rM}，N个空闲计算资源节点分配于集合L中，其中，L＝{l1，l2，...，lN}，每一个集合中的元素代表一个位点，当待处理任务被分配时，可以用状态变量si＝1来表示，同理待处理任务没有被分配时，可以用状态变量si＝0来表示，当空闲计算资源节点被分配时，可以用状态变量sj＝1来表示，同理空闲计算资源节点没有被分配时，可以用状态变量来sj＝0表示，不同的任务调度(待处理任务与空闲计算资源节点的对应关系，比如r2-l3)具有不同的评价参数，在进行构建目标任务调度数学模型时，分别将每个待处理任务的状态变量与不同的空闲计算资源节点的状态变量进行组合，得到组合后的状态变量对，分别对所述组合后的状态变量对进行评价参数定义，得到对应数量的目标评价参数Wij，其中，目标评价参数的数值越大表示为越倾向于利用空闲计算资源节点匹配该待处理任务，若w23的值最大，则待处理任务r2匹配空闲计算资源节点l3，通过将待处理任务的状态变量si、空闲计算资源节点的状态变量sj及目标评价参数Wij进行数学模型构造，得到第一任务调度数学模型。
作为对上述申请实施例的细化，在执行分别基于所述第一集合中每个待处理任务与所述第二集合中所有空闲计算资源节点，构建所述目标任务调度数学模型时，可以采用但不局限于以下方式实现：分别对所述第一集合中待处理任务及所述第二集合中空闲计算资源节点进行状态变量定义，得到至少一个第一状态变量及至少一个第二状态变量，其中，所述第一状态变量为所述待处理任务对应的状态变量，所述第二状态变量为所述空闲计算资源节点对应的状态变量，状态变量为待处理任务或空闲计算资源节点的分配状态，状态变量为0，表示待处理任务或空闲计算资源节点未分配，状态变量为1表示待处理任务或空闲计算资源节点已分配；分别将每个第一状态变量与不同第二状态变量进行组合，得到组合后的状态变量对，根据待处理任务的发送时间、数据量大小、与较于空闲计算资源节点的距离、空闲计算资源节点的处理能力等方面，分别对所述组合后的状态变量对进行评价参数定义，得到对应数量的目标评价参数，基于所述至少一个第一状态变量、所述至少一个第二状态变量及所述至少一个目标评价参数，构建第一任务调度数学模型。
示例性地，所述第一任务调度数学模型可以为：
其中，L为任务调度的评估结果，M为待处理任务的数量，N为空闲计算资源节点的数量，Wij为评价参数，si为待处理任务的状态变量，sj为空闲计算资源节点的状态变量；
所述第一任务调度数学模型的目的是找出找到评价参数最大时对应的状态变量对，由此可以确定待处理任务与空闲计算资源节点的匹配方式；由于所述第一任务调度数学模型求解出来的待处理任务与空闲计算资源节点的匹配方式中，可能存在一个空闲计算资源节点与多个待处理任务进行匹配的情况，通过引用惩罚项对所述第一任务调度数学模型进行限定空闲计算资源节点与待处理任务匹配的唯一性，得到第二任务调度数学模型。
示例性地，所述第二任务调度数学模型可以为：
其中，Lpenalty为任务调度的评估结果的惩罚值，M为待处理任务的数量，N为空闲计算资源节点的数量，si为待处理任务的状态变量，sj、sk为空闲计算资源节点的状态变量，ai、bj为预设参数；
调用预设惩罚项算法对所述第一任务调度数学模型进行计算，得到第二任务数学模型，将所述第一任务调度数学模型与所述第二任务调度数学模型加和，得到所述目标任务调度数学模型。
通过将参数ai和bj设定为较小的负数来实现惩罚效果，目标任务调度数学模型为所述第一任务调度数学模型与所述第二任务调度数学模型的加和。
示例性地，所述目标任务调度数学模型可以为：
其中，Lall为总的任务调度的评估结果，M为待处理任务的数量，N为空闲计算资源节点的数量，si为待处理任务的状态变量，sj、sk为空闲计算资源节点的状态变量，ai、bj为预设参数；
当评价参数值最大时，总的任务调度的评估结果的值也最大，所述目标任务调度数学模型用于求解所有目标评价参数的数值，目标评价参数的数值越大，越倾向于利用对应状态变量对的待处理任务与空闲计算资源节点进行匹配。
作为步骤102的细化，执行将所述目标任务调度数学模型转化为哈密顿量模型时，可以采用但不局限于以下方式实现：将所述至少一个第一状态变量转化为至少一个第一泡利矩阵，及将所述至少一个第二状态变量转化为至少一个第二泡利矩阵，将所述至少一个目标评价参数转化为至少一个目标量子比特串参数，基于所述至少一个第一泡利矩阵、所述至少一个第二泡利矩阵及所述目标量子比特串参数，将所述目标任务调度数学模型转化为所述哈密顿量模型；示例，通过映射变换将待处理任务对应的集合R转化为量子比特的集合QR，其中，QR＝{qr1，qr2，...，qrM}，及将空闲计算资源节点对应的集合L转化为量子比特的集合QL，其中，QL＝{ql1，q12，...，qlN}；通过映射变换将si转化为(1-Zi)/2，及将sj转化为(1-Zj)/2，从以数值si或sj表征调度状态，变为以泡利矩阵Zi或Zj的本征值和本征态表征调度状态，具体来说，量子比特处于本征态|1>时表示节点参与资源调度，处于本征态|0>时表示节点没有参与资源调度；通过映射变换将评价参数Wij转化为量子比特串，将转化后的si、sj及Wij带入所述目标任务调度数学模型中，得到哈密顿量模型。
示例性地，所述哈密顿量模型可以为：
其中，H为哈密顿量，Zi、Zj为泡利矩阵，M为待处理任务的数量，N为空闲计算资源节点的数量，Wij为评价参数转化后的量子比特串参数，a、b为预设参数；
通过上述将所述目标任务调度数学模型转化为哈密顿量模型，将求解所述目标任务调度数学模型的评价参数最大值问题转化为求解哈密顿量模型的比特串参数的数量比值问题，在待处理任务与空闲计算资源节点一对一配对的情况下，评价参数最大的调度方式对应于哈密顿量的比特串的数量比值最大值，评价参数次大的调度方式对应于哈密顿量的比特串的数量比值第二大值，以此类推。
作为步骤103的细化，在执行调用预设第一量子算法对所述哈密顿量模型进行计算，得到目标优化结果时，可以采用但不局限于以下方式实现：调用预设第一量子算法对所述哈密顿量模型进行计算，得到初始优化结果；其中，所述初始优化结果包括所述每个目标量子比特串参数含有的初始数量；调用预设第二量子算法对所述初始优化结果进行计算，得到目标优化结果；其中，所述目标优化结果包括所述每个目标量子比特串参数含有的目标数量；其中，所述预设第一量子算法及预设第二量子算法的基本思路是构造p层参数化量子线路，每层中包含两类不同的操作，一个是含有参数γ的编码待优化问题的哈密顿量的演化算符U(H，γ)＝e-iγH。对于哈密顿量模型，只含有泡利矩阵Zi及其不超过三阶的耦合项，为了便于对哈密顿量模型的量子线路进行更好的理解，图2为本申请实施例提供的一种哈密顿量模型的量子线路的示意图，一阶和二三阶耦合项对应的演化算符分别可以通过图2所示的量子线路进行模拟，其中Rz(θ)＝diag{exp(-iθ/2)，exp(iθ/2)}；另外一个操作是含有参数β的混合算符其中/>表示在每一个量子比特上施加非门，待优化参数γ和β表示旋转角度。初始时从哈密顿量Hb的本征态|+>M+N出发，参数化量子态可以表示为：
共有2p个待优化参数。对参数化末态做计算基矢下的投影测量，将得到的测量结果用于计算作为损失函数。结合经典算法优化参数，直到损失函数收敛。在有限层数下算法提供近似结果，随着量子线路的层数p逐渐变大，参数化线路的表达能力不断提升，逼近绝热算法性能。
作为步骤104的细化，在执行基于所述目标任务调度数学模型转化为哈密顿量模型之间的转换关系，确定所述目标优化结果对应的目标空闲计算资源节点时，可以采用但不局限于以下方式实现：分别计算每个目标量子比特串的目标数量占所有目标量子比特串的总和目标数量的比例值；对所述所有目标量子比特串的比例值进行排序，根据排序结果获取预设数量个比例值最高的目标量子比特串；其中，所述预设数量与所述待处理任务的数量相等；分别确定所述预设数量的比例值最高的目标量子比特串对应的组合后的状态变量对；基于所述组合后的状态变量对，确定所述待处理任务对应的目标空闲计算资源节点。为了便于对确定待处理任务与空闲计算资源节点的匹配方式进行更好的理解，图3为本申请实施例提供的一种确定边缘环境下的任务调度方案的演示实例的示意图，示例，假如待处理任务的数量为2，空闲计算资源节点的数量为3，经过计算比例值最高的目标量子比特串00101的比例值为28.44％，目标量子比特串00101对应的评价参数为W23，W23对应的状态变量对为s2s3，s2s3分别为待处理任务r2及空闲计算资源节点l3，所以所述目标量子比特串00101对应的匹配方式为r2-l3，比例值第二高的目标量子比特串10010的比例值为16.33％，目标量子比特串10010对应的评价参数为W11，W11对应的状态变量对为s1s1，s1s1分别对应为待处理任务r1及空闲计算资源节点l1，所以所述目标量子比特串10010对应的匹配方式为r1-l1。
综上所述，本公开实施例能实现以下效果：
1.本公开实施例通过将目标任务调度数学模型转化为哈密顿量模型，调用预设第一量子算法对所述哈密顿量模型进行计算，得到目标优化结果；基于所述任务调度数学模型转化为哈密顿量模型之间的转换关系，确定所述目标优化结果对应的目标空闲计算资源节点，可以提高任务调度的效率，使任务调度的时延降低。
2.本公开实施例通过在哈密顿量模型中引入惩罚项，将调度问题映射为高阶的二进制优化问题。满足同时刻资源不重复调用的要求，并将调度方式编码到哈密顿量的低能态子空间中，比单纯的基态编码具有更强的表达能力和噪声鲁棒性，适用于近期的含噪声中等规模量子计算机。
与上述的模型在线推理的方法相对应，本发明还提出一种边缘计算的任务调度装置。由于本发明的装置实施例与上述的方法实施例相对应，对于装置实施例中未披露的细节可参照上述的方法实施例，本发明中不再进行赘述。
图4为本公开实施例提供的一种边缘计算的任务调度装置的结构示意图，如图4所示，包括：
构建单元21，用于基于至少一个待处理任务及至少一个空闲计算资源节点，构建目标任务调度数学模型，不同待处理任务与不同空闲计算资源节点的对应关系，具有不同的评价参数；
转化单元22，用于将所述目标任务调度数学模型转化为哈密顿量模型；
计算单元23，用于调用预设第一量子算法对所述哈密顿量模型进行计算，得到目标优化结果；
确定单元24，用于基于所述任务调度数学模型转化为哈密顿量模型之间的转换关系，确定所述目标优化结果对应的目标空闲计算资源节点。
本公开提供的边缘计算的任务调度装置，基于至少一个待处理任务及至少一个空闲计算资源节点，构建目标任务调度数学模型，不同待处理任务与不同空闲计算资源节点的对应关系，具有不同的评价参数；将所述目标任务调度数学模型转化为哈密顿量模型；调用预设第一量子算法对所述哈密顿量模型进行计算，得到目标优化结果；基于所述任务调度数学模型转化为哈密顿量模型之间的转换关系，确定所述目标优化结果对应的目标空闲计算资源节点。与相关技术相比，本申请实施例通过将目标任务调度数学模型转化为哈密顿量模型，调用预设第一量子算法对所述哈密顿量模型进行计算，得到目标优化结果；基于所述任务调度数学模型转化为哈密顿量模型之间的转换关系，确定所述目标优化结果对应的目标空闲计算资源节点，可以提高任务调度的效率，使任务调度的时延降低。
进一步地，在本实施例一种可能的实现方式中，如图5所示，所述构造单元21包括：
获取模块211，用于获取所述至少一个待处理任务及所述至少一个空闲计算资源节点；
配置模块212，用于将所述至少一个待处理任务配置于第一集合，及将所述至少一个空闲计算资源节点配置于第二集合；
构造模块213，用于分别基于所述第一集合中每个待处理任务与所述第二集合中所有空闲计算资源节点，构建所述目标任务调度数学模型。
进一步地，在本实施例一种可能的实现方式中，如图5所示，所述构造模块213还用于：
分别对所述第一集合中待处理任务及所述第二集合中空闲计算资源节点进行状态变量定义，得到至少一个第一状态变量及至少一个第二状态变量；其中，所述第一状态变量为所述待处理任务对应的状态变量，所述第二状态变量为所述空闲计算资源节点对应的状态变量；
分别将每个第一状态变量与不同第二状态变量进行组合，得到组合后的状态变量对；
分别对所述组合后的状态变量对进行评价参数定义，得到对应数量的目标评价参数；
基于所述至少一个第一状态变量、所述至少一个第二状态变量及所述至少一个目标评价参数，构建第一任务调度数学模型；
调用预设惩罚项算法对所述第一任务调度数学模型进行计算，得到第二任务数学模型；
将所述第一任务调度数学模型与所述第二任务调度数学模型加和，得到所述目标任务调度数学模型。
进一步地，在本实施例一种可能的实现方式中，如图5所示，所述转化单元22包括：
第一转化模块221，用于将所述至少一个第一状态变量转化为至少一个第一泡利矩阵，及将所述至少一个第二状态变量转化为至少一个第二泡利矩阵；
第二转化模块222，用于将所述至少一个目标评价参数转化为至少一个目标量子比特串参数；
第三转化模块223，用于基于所述至少一个第一泡利矩阵、所述至少一个第二泡利矩阵及所述目标量子比特串参数，将所述目标任务调度数学模型转化为所述哈密顿量模型。
进一步地，在本实施例一种可能的实现方式中，如图5所示，所述计算单元23包括：
第一计算模块231，用于调用预设第一量子算法对所述哈密顿量模型进行计算，得到初始优化结果；其中，所述初始优化结果包括所述每个目标量子比特串参数含有的初始数量；
第二计算模块232，用于调用预设第二量子算法对所述初始优化结果进行计算，得到目标优化结果；其中所述目标优化结果包括所述每个目标量子比特串参数含有的目标数量。
进一步地，在本实施例一种可能的实现方式中，如图5所示，所述确定单元24包括：
第四计算模块241，用于分别计算每个目标量子比特串的目标数量占所有目标量子比特串的总和目标数量的比例值；
获取模块242，用于对所述所有目标量子比特串的比例值进行排序，根据排序结果获取预设数量个比例值最高的目标量子比特串；其中，所述预设数量与所述待处理任务的数量相等；
第一确定模块243，用于分别确定所述预设数量的比例值最高的目标量子比特串对应的组合后的状态变量对；
第二确定模块244，用于基于所述组合后的状态变量对，确定所述待处理任务对应的目标空闲计算资源节点。
需要说明的是，前述对方法实施例的解释说明，也适用于本实施例的装置，原理相同，本实施例中不再限定。
根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图6示出了可以用来实施本公开的实施例的示例电子设备的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图6所示，设备300包括计算单元301，其可以根据存储在ROM(Read-OnlyMemory，只读存储器)302中的计算机程序或者从存储单元308加载到RAM(Random AccessMemory，随机访问/存取存储器)303中的计算机程序，来执行各种适当的动作和处理。在RAM303中，还可存储设备300操作所需的各种程序和数据。计算单元301、ROM 302以及RAM 303通过总线304彼此相连。I/O(Input/Output，输入/输出)接口305也连接至总线304。
设备300中的多个部件连接至I/O接口305，包括：输入单元306，例如键盘、鼠标等；输出单元307，例如各种类型的显示器、扬声器等；存储单元308，例如磁盘、光盘等；以及通信单元309，例如网卡、调制解调器、无线通信收发机等。通信单元309允许设备300通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元301可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元301的一些示例包括但不限于CPU(Central Processing Unit，中央处理单元)、GPU(Graphic Processing Units，图形处理单元)、各种专用的AI(Artificial Intelligence，人工智能)计算芯片、各种运行机器学习模型算法的计算单元、DSP(DigitalSignal Processor，数字信号处理器)、以及任何适当的处理器、控制器、微控制器等。计算单元301执行上文所描述的各个方法和处理，例如边缘计算的任务调度方法。例如，在一些实施例中，边缘计算的任务调度方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元308。在一些实施例中，计算机程序的部分或者全部可以经由ROM302和/或通信单元309而被载入和/或安装到设备300上。当计算机程序加载到RAM 303并由计算单元301执行时，可以执行上文描述的方法的一个或多个步骤。备选地，在其他实施例中，计算单元301可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行前述边缘计算的任务调度方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、FPGA(Field Programmable Gate Array，现场可编程门阵列)、ASIC(Application-Specific Integrated Circuit，专用集成电路)、ASSP(Appl ication SpecificStandard Product，专用标准产品)、SOC(System On Chip，芯片上系统的系统)、CPLD(Complex Programmable Logic Device，复杂可编程逻辑设备)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、RAM、ROM、EPROM(Electrically Programmable Read-Only-Memory，可擦除可编程只读存储器)或快闪存储器、光纤、CD-ROM(Compact Di sc Read-Only Memory，便捷式紧凑盘只读存储器)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(Cathode-Ray Tube，阴极射线管)或者LCD(Liquid Crystal Display，液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：LAN(LocalArea Network，局域网)、WAN(Wide Area Network，广域网)、互联网和区块链网络。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务("Virtual Private Server"，或简称"VPS")中，存在的管理难度大，业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器，或者是结合了区块链的服务器。
其中，需要说明的是，人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科，既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术；人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (10)

1.一种边缘计算的任务调度方法，其特征在于，包括：
基于至少一个待处理任务及至少一个空闲计算资源节点，构建目标任务调度数学模型，不同待处理任务与不同空闲计算资源节点的对应关系，具有不同的评价参数；
将所述目标任务调度数学模型转化为哈密顿量模型；
调用预设第一量子算法对所述哈密顿量模型进行计算，得到目标优化结果；
基于所述任务调度数学模型转化为哈密顿量模型之间的转换关系，确定所述目标优化结果对应的目标空闲计算资源节点。
2.根据权利要求1所述的方法，其特征在于，所述基于至少一个待处理任务及至少一个空闲计算资源节点，构建目标任务调度数学模型包括：
获取所述至少一个待处理任务及所述至少一个空闲计算资源节点；
将所述至少一个待处理任务配置于第一集合，及将所述至少一个空闲计算资源节点配置于第二集合；
分别基于所述第一集合中每个待处理任务与所述第二集合中所有空闲计算资源节点，构建所述目标任务调度数学模型。
3.根据权利要求2所述的方法，其特征在于，所述分别基于所述第一集合中每个待处理任务与所述第二集合中所有空闲计算资源节点，构建所述目标任务调度数学模型包括：
分别对所述第一集合中待处理任务及所述第二集合中空闲计算资源节点进行状态变量定义，得到至少一个第一状态变量及至少一个第二状态变量；其中，所述第一状态变量为所述待处理任务对应的状态变量，所述第二状态变量为所述空闲计算资源节点对应的状态变量；
分别将每个第一状态变量与不同第二状态变量进行组合，得到组合后的状态变量对；
分别对所述组合后的状态变量对进行评价参数定义，得到对应数量的目标评价参数；
基于所述至少一个第一状态变量、所述至少一个第二状态变量及所述至少一个目标评价参数，构建第一任务调度数学模型；
调用预设惩罚项算法对所述第一任务调度数学模型进行计算，得到第二任务数学模型；
将所述第一任务调度数学模型与所述第二任务调度数学模型加和，得到所述目标任务调度数学模型。
4.根据权利要求3所述的方法，其特征在于，所述将所述目标任务调度数学模型转化为哈密顿量模型包括：
将所述至少一个第一状态变量转化为至少一个第一泡利矩阵，及将所述至少一个第二状态变量转化为至少一个第二泡利矩阵；
将所述至少一个目标评价参数转化为至少一个目标量子比特串参数；
基于所述至少一个第一泡利矩阵、所述至少一个第二泡利矩阵及所述目标量子比特串参数，将所述目标任务调度数学模型转化为所述哈密顿量模型。
5.根据权利要求4所述的方法，其特征在于，所述调用预设第一量子算法对所述哈密顿量模型进行计算，得到目标优化结果包括：
调用预设第一量子算法对所述哈密顿量模型进行计算，得到初始优化结果；其中，所述初始优化结果包括所述每个目标量子比特串参数含有的初始数量；
调用预设第二量子算法对所述初始优化结果进行计算，得到目标优化结果；其中所述目标优化结果包括所述每个目标量子比特串参数含有的目标数量。
6.根据权利要求5所述的方法，其特征在于，所述基于所述目标任务调度数学模型转化为哈密顿量模型之间的转换关系，确定所述目标优化结果对应的目标空闲计算资源节点包括：
分别计算每个目标量子比特串的目标数量占所有目标量子比特串的总和目标数量的比例值；
对所述所有目标量子比特串的比例值进行排序，根据排序结果获取预设数量个比例值最高的目标量子比特串；其中，所述预设数量与所述待处理任务的数量相等；
分别确定所述预设数量的比例值最高的目标量子比特串对应的组合后的状态变量对；
基于所述组合后的状态变量对，确定所述待处理任务对应的目标空闲计算资源节点。
7.一种边缘计算的任务调度装置，其特征在于，包括：
构建单元，用于基于至少一个待处理任务及至少一个空闲计算资源节点，构建目标任务调度数学模型，不同待处理任务与不同空闲计算资源节点的对应关系，具有不同的评价参数；
转化单元，用于将所述目标任务调度数学模型转化为哈密顿量模型；
计算单元，用于调用预设第一量子算法对所述哈密顿量模型进行计算，得到目标优化结果；
确定单元，用于基于所述任务调度数学模型转化为哈密顿量模型之间的转换关系，确定所述目标优化结果对应的目标空闲计算资源节点。
8.一种电子设备，其特征在于，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-6中任一项所述的方法。
9.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行根据权利要求1-6中任一项所述的方法。
10.一种计算机程序产品，其特征在于，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-6中任一项所述的方法。
CN202311345050.9A 2023-10-17 2023-10-17 边缘计算的任务调度方法及装置、电子设备和存储介质 Pending CN117389701A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311345050.9A CN117389701A (zh) 2023-10-17 2023-10-17 边缘计算的任务调度方法及装置、电子设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311345050.9A CN117389701A (zh) 2023-10-17 2023-10-17 边缘计算的任务调度方法及装置、电子设备和存储介质

Publications (1)

Publication Number Publication Date
CN117389701A true CN117389701A (zh) 2024-01-12

Family

ID=89440455

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311345050.9A Pending CN117389701A (zh) 2023-10-17 2023-10-17 边缘计算的任务调度方法及装置、电子设备和存储介质

Country Status (1)

Country Link
CN (1) CN117389701A (zh)

Similar Documents

Publication Publication Date Title
JP7141507B2 (ja) 量子もつれ状態処理方法、装置、電子デバイス、記憶媒体、及びプログラム
WO2019034129A1 (zh) 神经网络结构的生成方法和装置、电子设备、存储介质
EP4350572A1 (en) Method, apparatus and system for generating neural network model, devices, medium and program product
US20220374776A1 (en) Method and system for federated learning, electronic device, and computer readable medium
CN111798114A (zh) 一种模型训练、订单处理方法、装置、设备及存储介质
US20230206024A1 (en) Resource allocation method, resource allocation apparatus, device, medium and computer program produ
CN114065863A (zh) 联邦学习的方法、装置、系统、电子设备及存储介质
AU2023200082A1 (en) Method and apparatus for estimating classical capacity of quantum channel, electronic device, and medium
CN113361717B (zh) 量子态数据处理模型的训练方法、装置、电子设备及介质
CN117389701A (zh) 边缘计算的任务调度方法及装置、电子设备和存储介质
CN114819095A (zh) 业务数据处理模型的生成方法、装置及电子设备
CN113408304B (zh) 文本翻译方法、装置、电子设备及存储介质
CN113344213A (zh) 知识蒸馏方法、装置、电子设备及计算机可读存储介质
CN114118358A (zh) 图像处理方法、装置、电子设备、介质及程序产品
CN114078184A (zh) 数据处理方法、装置、电子设备和介质
CN113963433B (zh) 运动搜索方法、装置、电子设备及存储介质
CN115907025B (zh) 量子网络协议仿真方法、装置及电子设备
CN116579435B (zh) 量子电路的分类方法、装置、电子设备、介质和产品
CN115965070B (zh) 计算图处理方法、装置、设备、存储介质以及程序产品
CN115906982B (zh) 分布式训练方法、梯度通信方法、装置及电子设备
CN114418107B (zh) 酉算子编译方法、计算设备、装置及存储介质
CN115827526B (zh) 数据处理方法、装置、设备以及存储介质
CN114418108B (zh) 酉算子编译方法、计算设备、装置及存储介质
CN113570067B (zh) 分布式系统的同步方法、装置
CN116227607B (zh) 量子电路的分类方法、装置、电子设备、介质和产品

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