JP6952190B2 - クラウドコンピューティングのタスク割り当て方法、装置、設備及び記憶媒体 - Google Patents

クラウドコンピューティングのタスク割り当て方法、装置、設備及び記憶媒体 Download PDF

Info

Publication number
JP6952190B2
JP6952190B2 JP2020519124A JP2020519124A JP6952190B2 JP 6952190 B2 JP6952190 B2 JP 6952190B2 JP 2020519124 A JP2020519124 A JP 2020519124A JP 2020519124 A JP2020519124 A JP 2020519124A JP 6952190 B2 JP6952190 B2 JP 6952190B2
Authority
JP
Japan
Prior art keywords
task
path
allocation
cloud computing
cloud
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
Application number
JP2020519124A
Other languages
English (en)
Other versions
JP2020537231A (ja
Inventor
チャン，ヨン
タン，リンリン
チャオ，ドンニン
ヘ，ロンギュ
リァン，チャンギュイン
ゼン，チンハオ
Original Assignee
シェンチェン ユニバーシティー
シェンチェン ユニバーシティー
ハルビン インスティテュート オブ テクノロジー シェンチェン グラデュエート スクール
ハルビン インスティテュート オブ テクノロジー シェンチェン グラデュエート スクール
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 シェンチェン ユニバーシティー, シェンチェン ユニバーシティー, ハルビン インスティテュート オブ テクノロジー シェンチェン グラデュエート スクール, ハルビン インスティテュート オブ テクノロジー シェンチェン グラデュエート スクール filed Critical シェンチェン ユニバーシティー
Publication of JP2020537231A publication Critical patent/JP2020537231A/ja
Application granted granted Critical
Publication of JP6952190B2 publication Critical patent/JP6952190B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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]
    • G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
    • G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
    • 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
    • G06F9/5066—Algorithms for mapping a plurality of inter-dependent sub-tasks onto a plurality of physical CPUs
    • 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
    • G06F9/5077—Logical partitioning of resources; Management or configuration of virtualized 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
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5083—Techniques for rebalancing the load in a distributed system
    • 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
    • G06F9/44—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
    • G06F2009/4557—Distribution of virtual machine instances; Migration and load balancing
    • 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
    • G06F2009/45595—Network integration; Enabling network access in virtual machine instances
    • 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
    • G06F2209/501—Performance criteria
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/10—Protocols in which an application is distributed across nodes in the network

Landscapes

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

Description

本発明はコンピュータ技術分野に属し、特にクラウドコンピューティングのタスク割り当て方法、装置、設備及び記憶媒体に関するものである。
クラウドコンピューティングは、便利でフレキシブルな計算モデルの１つであり、ネットワークを通じてコンピュータリソース（ネットワーク、サーバー、ストレージ、アプリケーションサービスなど）にアクセスしたり使用したりすることができる共有プールである。そのコンセプトは、大量のコンピュータリソースを一元的に管理・ディスパッチして、それらのコンピュータリソースを日常生活における水のごとくネットワーク中に必要に応じて配分することである。クラウドコンピューティングのタスク割り当てとは、ユーザーがリクエストしたタスクの複雑さに応じて、限りあるクラウドコンピュータリソースの下で大量のスケジュール済みタスクに対する処理を行なうことをいう。
近年、クラウドコンピューティングのタスク割り当て方法に関する研究が発展を続けているが、その一方で従来のクラウドコンピューティングにおけるスケジューリング方法は性能が悪く、ユーザーから大量の独立タスクが提出された場合には、タスクの応答時間や完了時間を最大限短くすることが保証し難く、クラウドコンピューティングプラットフォームのサービス品質及びユーザーエクスペリエンスを保証することが難しかった。
本発明は、従来技術中のクラウドコンピューティングのタスク割り当て方法の性能が悪く、クラウドコンピューティングタスクの応答時間や完了時間を短くすることが保証し難いという問題を解決する、クラウドコンピューティングのタスク割り当て方法、装置、設備及び記憶媒体を提供することを目的としている。
本発明の一態様において、クラウドコンピューティングのタスク割り当て方法を提供するが、その方法は以下の工程を含む。
ユーザーからのクラウドタスク割り当てリクエストを受信すると、クラウドタスク割り当てリクエスト中の割り当て対象のクラウドコンピューティングタスクに基づき、クラウドタスク割り当てモデルを構築する。
クラウドタスク割り当てモデル及び所定の蟻コロニー最適化を通して、クラウドコンピューティングタスクの割り当てに対して第１所定数の最適化を行い、第１所定数の中間割り当てパスを生成する。
所定の遺伝的アルゴリズムを通して、中間割り当てパスに対して第２所定数の進化を行い、クラウドコンピューティングタスクの最適割り当てパスを生成する。
最適割り当てパスに従い、クラウドコンピューティングタスクをクラウド環境中の仮想マシンに割り当てる。
本発明の別の一態様において、クラウドコンピューティングのタスク割り当て装置を提供するが、その装置は、
ユーザーからのクラウドタスク割り当てリクエストを受信すると、クラウドタスク割り当てリクエスト中の割り当て対象のクラウドコンピューティングタスクに基づき、クラウドタスク割り当てモデルを構築するための、モデル構築ユニットと、
クラウドタスク割り当てモデル及び所定の蟻コロニー最適化を通して、クラウドコンピューティングタスクの割り当てに対して第１所定数の最適化を行い、第１所定数の中間割り当てパスを生成するための、蟻コロニー最適化ユニットと、
所定の遺伝的アルゴリズムを通して、中間割り当てパスに対して第２所定数の進化を行い、クラウドコンピューティングタスクの最適割り当てパスを生成するための、遺伝的進化ユニットと、
最適割り当てパスに従い、クラウドコンピューティングタスクをクラウド環境中の仮想マシンに割り当てるための、タスク割り当てユニットと、を含む。
本発明の別の一態様において、クラウドコンピューティング設備をさらに提供するが、それにはストレージ、プロセッサ及びストレージ中に記憶され且つプロセッサ上で実行可能なコンピュータプログラムを含み、プロセッサがコンピュータプログラムを実行すると、上述のクラウドコンピューティングのタスク割り当て方法で述べた工程が実現される。
本発明の別の一態様において、コンピュータ読取可能記憶媒体をさらに提供するが、コンピュータ読取可能記憶媒体はコンピュータプログラムを記憶し、コンピュータプログラムがプロセッサによって実行されると、上述のクラウドコンピューティングのタスク割り当て方法で述べた工程が実現される。
本発明は、クラウドタスク割り当てリクエスト中の割り当て対象のクラウドコンピューティングタスクに基づき、クラウドタスク割り当てモデルを構築し、クラウドタスク割り当てモデル及び蟻コロニー最適化を通してクラウドコンピューティングタスクの割り当てに対する最適化を行い、第１所定数の中間割り当てパスを生成し、遺伝的アルゴリズムを通して中間割り当てパスに対して第２所定数の進化を行い、クラウドコンピューティングタスクの最適割り当てパスを生成し、最適割り当てパスに従ってクラウドコンピューティングタスクを仮想マシンに割り当てることで、ユーザーから大量の独立したクラウドコンピューティングタスクが提出された場合に、蟻コロニーと遺伝的アルゴリズムを組み合わせた混合型群知能アルゴリズムを通してクラウドコンピューティングのタスク割り当て性能を効果的に向上させることで、クラウドコンピューティングタスクの応答時間及び完了時間が短いことを保証し、クラウドコンピューティングプラットフォームのサービス品質及びユーザーエクスペリエンスを向上させている。
本発明の実施例１で提供するクラウドコンピューティングのタスク割り当て方法のフローチャートである。 本発明の実施例２で提供するクラウドコンピューティングのタスク割り当て装置の構造概念図である。 本発明の実施例２で提供するクラウドコンピューティングのタスク割り当て装置の好ましい構造概念図である。 本発明の実施例３で提供するクラウドコンピューティング設備の構造概念図である。
本発明の目的、技術案及び優位点をより明解にするため、以下で図面及び実施例を基に本発明についてより詳細に説明する。ここに記述された具体的な実施例は本発明を説明するためのものに過ぎず、本発明を限定するものでは決してないことを理解されたい。
以下、具体的な実施例に基づき、本発明の具体的な実現について詳しく説明する。
図１は本発明の実施例１で提供するクラウドコンピューティングのタスク割り当て方法のフローチャートを示しているが、説明の便宜上、本発明の実施例と関係する部分だけを示しており、詳細は以下の通りである。
工程Ｓ１０１では、ユーザーからのクラウドタスク割り当てリクエストを受信すると、クラウドタスク割り当てリクエスト中の割り当て対象のクラウドコンピューティングタスクに基づき、クラウドタスク割り当てモデルを構築する。
本発明はクラウドコンピューティングプラットフォームに適用でき、異なるユーザーからのクラウドタスク割り当てリクエストを受信した場合に、それらのクラウドタスク割り当てリクエスト中から割り当て対象のクラウドコンピューティングタスクを得て、それらのクラウドコンピューティングタスクに基づき、クラウドタスク割り当てモデルを構築することができる。クラウドタスク割り当てモデルの構築時には、クラウド環境中で複数の仮想マシンがホストに分布しているため、クラウドコンピューティングのタスク割り当てにおいてクラウドコンピューティングタスクがこれらの仮想マシンに割り当てられ、タスク仮想マシンペアを構築する過程を通してクラウドタスク割り当てモデルを構築することができる。
一例として、クラウドタスク割り当てリクエスト中から割り当て対象であるｍ個のクラウドコンピューティングタスク
Figure 0006952190
を得て、ｍ個のクラウドコンピューティングタスクをｎ個の仮想マシン
Figure 0006952190
上で実行し、タスク仮想マシンペア
Figure 0006952190
を形成し、
Figure 0006952190
を用いて各クラウドコンピューティングタスクの仮想マシン上における実行時間を表す。
工程Ｓ１０２では、クラウドタスク割り当てモデル及び所定の蟻コロニー最適化を通して、クラウドコンピューティングタスクの割り当てに対して第１所定数の最適化を行い、第１所定数の中間割り当てパスを生成する。
本発明の実施例では、第１所定数は所定の蟻コロニー最適化の最大反復回数（又は最大最適化回数）であり、タスク仮想マシンモデル中の各タスク仮想マシンペアには各々に対応するノードが設けられ、蟻コロニー最適化中の蟻コロニーはそれらのノード間において最適パスを探索する必要がある。先ず各タスク仮想マシンペアノード間のフェロモンに対する初期化を行って、蟻コロニー最適化におけるフェロモン行列を生成することができ、次に蟻コロニー最適化中の蟻にタスク仮想マシンペアノード中の対応するパスを歩かせることで、それらのパス中の部分最適パスを中間割り当てパスとして設定し、次にクラウドコンピューティングタスクの仮想マシン上で要する実行時間に基づいて蟻が通過した各パス上のフェロモンを更新し、フェロモンによって後続の蟻コロニー最適化過程を導けるようにすることができる。
選択的に、蟻コロニー最適化中の各蟻がタスク仮想マシンペアノード中の対応するパスを歩くとき、タスク仮想マシンペアノード中で次に歩くノードを所定の確率式によって選択するのが好ましく、これにより蟻コロニー最適化のパス探索性能が向上する。例えば、ｔ回目の最適化過程中、タスク仮想マシンペアノード
Figure 0006952190
が蟻ｋの探索可能タスクテーブル中にある場合、蟻ｋがタスク仮想マシンペアノード
Figure 0006952190
に辿り着く確率は：
Figure 0006952190
であり、そのうち、
Figure 0006952190
は各々ｔ回目の最適化過程中のリソースのフェロモン濃度、リソースの固有属性（計算及び通信能力など）を表し、
Figure 0006952190
Figure 0006952190
は、それぞれフェロモンの重要度、リソースの固有属性の重要度を表し、
Figure 0006952190
はｔ回目の最適化過程中の蟻の探索可能タスクテーブルを表し、vmsは選択可能な仮想マシンである。ｔ回目の最適化過程中、タスク仮想マシンペアノード
Figure 0006952190
が蟻ｋの探索可能タスクテーブル中にない場合、蟻ｋがタスク仮想マシンペアノード
Figure 0006952190
に辿り着く確率は０である。
本発明の実施例における蟻コロニー最適化は、自然環境中の蟻コロニー現象をシミュレートするため、フェロモンの更新には蟻が通過する際に残すフェロモンを含めるだけでなく、フェロモンの自然蒸発も考慮に入れる必要がある。選択的に、フェロモン行列の更新式は：
Figure 0006952190
で表すのが好ましく、そのうちrhoは所定の蒸発因数であり、Deltaは蟻が通過する際に残すフェロモンを表し、
Figure 0006952190
であり、
Figure 0006952190
は所定の重みパラメータであり、
Figure 0006952190
は蟻が通過したパスにおける各仮想マシンの消費時間であり、
Figure 0006952190
は蟻が通過したパスにおける各仮想マシンの消費した時間のうち最長の消費時間であり、こうすることで、仮想マシンにおけるクラウドコンピューティングタスクの実行時間を基に各蟻に対応するパス上のフェロモンが更新され、フェロモンの更新精度が効果的に向上する。
さらに、各蟻が各自のパスを歩き終えた後、部分最適パスを通過した各蟻に所定の最適パスフェロモン更新式に従って部分最適パス上でもう一度フェロモンを放出させるのが好ましく、こうすることで全域パスにおける最適パスのフェロモンが間接的に増やされ、全域での最適パスを素早く見つける上で有利になる。一例として、最適パスフェロモン更新式中のフェロモンの更新値は：
Figure 0006952190
で表すことができ、そのうち、
Figure 0006952190
は所定の重みパラメータであり、
Figure 0006952190
は現在の最適な
Figure 0006952190
である。
本発明の実施例では、蟻コロニー最適化の最適化回数が第１所定数に達したか否かを判断し、達した場合には蟻コロニー最適化の最適化過程を完了し、第１所定数の中間割り当てパスを得て、達していない場合には引き続き蟻コロニー最適化の蟻にタスク仮想マシンペアノード中の対応するパスを歩かせる。
工程Ｓ１０３では、所定の遺伝的アルゴリズムを通して、中間割り当てパスに対して第２所定数の進化を行い、クラウドコンピューティングタスクの最適割り当てパスを生成する。
本発明の実施例では、第２所定数は遺伝的アルゴリズムの最大反復回数（又は最大進化回数）であり、蟻コロニー最適化の各代の実行は長い時間を必要とし、遺伝的アルゴリズムの各代が費やす時間は短いため、第２所定数の値は第１所定数よりも大きく設定するのが好ましく、こうすることでクラウドコンピューティングのタスク割り当ての時間コストが減ると同時に、クラウドコンピューティングのタスク割り当ての効果が向上する。
本発明の実施例では、先ず蟻コロニー最適化によって得た中間割り当てパスに対してコーディングを行い、遺伝的アルゴリズムの現個体群を得ることができ、次に所定の適応度関数に基づいて現個体群に対する進化を行い、次世代個体群を生成して、遺伝的アルゴリズムの進化回数が第２所定数に達したか否かを判断し、達した場合には次世代個体群中の最適個体をクラウドコンピューティングのタスク割り当てにおける最適割り当てパスに設定し、達していない場合には次世代個体群を現個体群に設定して、引き続き現個体群に対する進化を行う。
選択的に、蟻コロニー最適化によって得た中間割り当てパスに対してコーディングを行う際に、各中間割り当てパス中のタスク仮想マシンペアノードに対してソートを行い、各中間割り当てパスの仮想マシンシーケンスを生成して、それらの仮想マシンシーケンスを遺伝的アルゴリズム中の現個体群の個体群内個体に設定するのが好ましく、こうすることでクラウドコンピューティングのタスク割り当てにおける蟻コロニー最適化と遺伝的アルゴリズムの結合が実現する。
選択的に、遺伝的アルゴリズムが実行する反復のユーザーコストを段階的により低くし、また完了時間をより速くするために、採用する適応度関数は：
Figure 0006952190
であるのが好ましく、そのうち、
Figure 0006952190
、ｒは所定の重みパラメータであり、ｒは時間と経済コストとの間の比重を制御するのに用いられ、
Figure 0006952190
はクラウドコンピューティングのタスク割り当て過程の経済コストである。一例として、
Figure 0006952190
の計算式は：
Figure 0006952190
で表すことができ、そのうち、
Figure 0006952190
は１つの仮想マシンのホスト数であり、
Figure 0006952190
は１つのホストの費用であり、
Figure 0006952190
はそれぞれクラウドコンピューティング環境中のメモリ費用、ストレージ費用及び帯域幅費用であり、
Figure 0006952190
はそれぞれクラウドコンピューティング環境中のメモリ容量、ストレージサイズ及び帯域幅の数である。
工程Ｓ１０４では、最適割り当てパスに従い、クラウドコンピューティングタスクをクラウド環境中の仮想マシンに割り当てる。
本発明の実施例では、最適割り当てパスを得た後に、最適割り当てパスに従い、すべてのクラウドコンピューティングタスクを仮想マシンに割り当てて、クラウドコンピューティングタスクの割り当てが完了する。実際の実験過程では、最適割り当てパスを得た後に、クラウドコンピューティングシミュレーションツール、クラウドコンピューティング環境の分散型システムシミュレータ（ＣｌｏｕｄＳｉｍツールなど）上でクラウドコンピューティング試験をシミュレートすることで、クラウドコンピューティングのタスク割り当ての研究・試験における障壁とコストを低減することができる。
本発明の実施例では、蟻コロニー最適化によりクラウドコンピューティングタスクの割り当てに対して最適化を行い、第１所定数の中間割り当てパスを生成し、遺伝的アルゴリズムにより中間割り当てパスに対して第２所定数の進化を行い、クラウドコンピューティングタスクの最適割り当てパスを生成することにより、蟻コロニーと遺伝的アルゴリズムを組み合わせた混合型群知能アルゴリズムを通して蟻コロニー最適化の優れたロバスト性及び解探索性能と、遺伝的アルゴリズムの空間全域探索性能及び並行性とを統合し、クラウドコンピューティングのタスク割り当て性能を効果的に向上させて、クラウドコンピューティングタスクの応答時間及び完了時間が短いことを保証し、クラウドコンピューティングプラットフォームのサービス品質及びユーザーエクスペリエンスを向上させている。
図２は本発明の実施例１で提供するクラウドコンピューティングのタスク割り当て装置の構造を示しているが、説明の便宜上、本発明の実施例と関係する部分だけを示しており、それには以下が含まれる。
モデル構築ユニット２１は、ユーザーからのクラウドタスク割り当てリクエストを受信すると、クラウドタスク割り当てリクエスト中の割り当て対象のクラウドコンピューティングタスクに基づき、クラウドタスク割り当てモデルを構築するためのものである。
本発明の実施例では、異なるユーザーからのクラウドタスク割り当てリクエストを受信した場合に、それらのクラウドタスク割り当てリクエスト中から割り当て対象のクラウドコンピューティングタスクを得て、それらのクラウドコンピューティングタスクに基づき、クラウドタスク割り当てモデルを構築することができる。クラウドタスク割り当てモデルの構築時には、クラウド環境中で複数の仮想マシンがホストに分布しているため、クラウドコンピューティングのタスク割り当てにおいてクラウドコンピューティングタスクがこれらの仮想マシンに割り当てられ、タスク仮想マシンペアを構築する過程を通してクラウドタスク割り当てモデルを構築することができる。
蟻コロニー最適化ユニット２２は、クラウドタスク割り当てモデル及び所定の蟻コロニー最適化を通して、クラウドコンピューティングタスクの割り当てに対して第１所定数の最適化を行い、第１所定数の中間割り当てパスを生成するためのものである。
本発明の実施例では、先ず各タスク仮想マシンペアノード間のフェロモンに対する初期化を行って、蟻コロニー最適化におけるフェロモン行列を生成することができ、次に蟻コロニー最適化中の蟻にタスク仮想マシンペアノード中の対応するパスを歩かせることで、それらのパス中の部分最適パスを中間割り当てパスとして設定し、次にクラウドコンピューティングタスクの仮想マシン上で要する実行時間に基づいて蟻が通過した各パス上のフェロモンを更新し、フェロモンによって後続の蟻コロニー最適化過程を導けるようにすることができる。
選択的に、蟻コロニー最適化中の各蟻がタスク仮想マシンペアノード中の対応するパスを歩くとき、タスク仮想マシンペアノード中で次に歩くノードを所定の確率式によって選択するのが好ましく、これにより蟻コロニー最適化のパス探索性能が向上する。
本発明の実施例における蟻コロニー最適化は、自然環境中の蟻コロニー現象をシミュレートするため、フェロモンの更新には蟻が通過する際に残すフェロモンを含めるだけでなく、フェロモンの自然蒸発も考慮に入れる必要がある。選択的に、フェロモン行列の更新式は：
Figure 0006952190
で表すのが好ましく、そのうち、rhoは所定の蒸発因数であり、Deltaは蟻が通過する際に残すフェロモンを表し、
Figure 0006952190
Figure 0006952190
は所定の重みパラメータであり、
Figure 0006952190
は蟻が通過したパスにおける各仮想マシンの消費した時間であり、
Figure 0006952190
は蟻が通過したパスにおける各仮想マシンの消費した時間のうち最長の消費時間であり、こうすることで、仮想マシンにおけるクラウドコンピューティングタスクの実行時間を基に各蟻に対応するパス上のフェロモンが更新され、フェロモンの更新精度が効果的に向上する。
さらに、各蟻が各自のパスを歩き終えた後、部分最適パスを通過した各蟻に所定の最適パスフェロモン更新式に従って部分最適パス上でもう一度フェロモンを放出させるのが好ましく、こうすることで全域パスにおける最適パスのフェロモンが間接的に増やされ、全域での最適パスを素早く見つける上で有利になる。
本発明の実施例では、蟻コロニー最適化の最適化回数が第１所定数に達したか否かを判断し、達した場合には蟻コロニー最適化の最適化過程を完了し、第１所定数の中間割り当てパスを得て、達していない場合には引き続き蟻コロニー最適化の蟻にタスク仮想マシンペアノード中の対応するパスを歩かせる。
遺伝的進化ユニット２３は、所定の遺伝的アルゴリズムを通して、中間割り当てパスに対して第２所定数の進化を行い、クラウドコンピューティングタスクの最適割り当てパスを生成するためのものである。
本発明の実施例では、第２所定数は遺伝的アルゴリズムの最大反復回数（又は最大進化回数）であり、蟻コロニー最適化の各代の実行は長い時間を必要とし、遺伝的アルゴリズムの各代が費やす時間は短いため、第２所定数の値は第１所定数よりも大きく設定するのが好ましく、こうすることでクラウドコンピューティングのタスク割り当ての時間コストが減ると同時に、クラウドコンピューティングのタスク割り当ての効果が向上する。
本発明の実施例では、先ず蟻コロニー最適化によって得た中間割り当てパスに対してコーディングを行い、遺伝的アルゴリズムの現個体群を得ることができ、次に所定の適応度関数に基づいて現個体群に対する進化を行い、次世代個体群を生成して、遺伝的アルゴリズムの進化回数が第２所定数に達したか否かを判断し、達した場合には次世代個体群中の最適個体をクラウドコンピューティングのタスク割り当てにおける最適割り当てパスに設定し、達していない場合には次世代個体群を現個体群に設定して、引き続き現個体群に対する進化を行う。
選択的に、蟻コロニー最適化によって得た中間割り当てパスに対してコーディングを行う際に、各中間割り当てパス中のタスク仮想マシンペアノードに対してソートを行い、各中間割り当てパスの仮想マシンシーケンスを生成して、それらの仮想マシンシーケンスを遺伝的アルゴリズム中の現個体群の個体群内個体に設定するのが好ましく、こうすることでクラウドコンピューティングのタスク割り当てにおける蟻コロニー最適化と遺伝的アルゴリズムの結合が実現する。
選択的に、遺伝的アルゴリズムが実行する反復のユーザーコストを段階的により低くし、また完了時間をより速くするために、採用する適応度関数は：
Figure 0006952190
であるのが好ましく、そのうち、
Figure 0006952190
、ｒは所定の重みパラメータであり、ｒは時間と経済コストとの間の比重を制御するのに用いられ、
Figure 0006952190
はクラウドコンピューティングのタスク割り当て過程の経済コストである。一例として、
Figure 0006952190
の計算式は：
Figure 0006952190
で表すことができ、そのうち、
Figure 0006952190
は１つの仮想マシンのホスト数であり、
Figure 0006952190
は１つのホストの費用であり、
Figure 0006952190
はそれぞれクラウドコンピューティング環境中のメモリ費用、ストレージ費用及び帯域幅費用であり、
Figure 0006952190
はそれぞれクラウドコンピューティング環境中のメモリ容量、ストレージサイズ及び帯域幅の数である。
タスク割り当てユニット２４は、最適割り当てパスに従い、クラウドコンピューティングタスクをクラウド環境中の仮想マシンに割り当てるためのものである。
本発明の実施例では、最適割り当てパスを得た後に、最適割り当てパスに従い、すべてのクラウドコンピューティングタスクを仮想マシンに割り当てて、クラウドコンピューティングタスクの割り当てが完了する。実際の実験過程では、最適割り当てパスを得た後に、クラウドコンピューティングシミュレーションツール、クラウドコンピューティング環境の分散型システムシミュレータ（ＣｌｏｕｄＳｉｍツールなど）上でクラウドコンピューティング試験をシミュレートすることで、クラウドコンピューティングのタスク割り当ての研究・試験における障壁とコストを低減することができる。
選択的に、図３に示す通り、蟻コロニー最適化ユニット２２は、
タスク割り当てモデル中の各タスク仮想マシンペアノード間のフェロモンに対して初期化を行い、蟻コロニー最適化のフェロモン行列を生成するための、フェロモン初期化ユニット３２１と、
蟻コロニー最適化の蟻がタスク仮想マシンペアノード中で対応するパスを生成し、各蟻の対応するパス中の部分最適パスを中間割り当てパスとして設定するための、パス生成ユニット３２２と、
タスク割り当てモデル中、クラウドコンピューティングタスクのクラウド環境における仮想マシン上の実行時間に基づき、各蟻に対応するパス上のフェロモンを更新するための、フェロモン更新ユニット３２３と、
蟻コロニー最適化の最適化回数が第１所定数に達したか否かを判断し、達した場合には蟻コロニー最適化の最適化過程を完了し、達していない場合にはパス生成ユニット３２２をトリガして、蟻コロニー最適化の蟻がタスク仮想マシンペアノード中で対応するパスを生成する操作を実行させるための、蟻コロニー最適化判断ユニット３２４と、を含むのが好ましい。
選択的に、遺伝的進化ユニット２３は、
中間割り当てパスに対してコーディングを行い、遺伝的アルゴリズムの現個体群を生成するための、個体群コーディングユニット３３１と、
所定の適応度関数に基づいて現個体群に対する進化を行い、次世代個体群を生成するための、個体群進化ユニット３３２と、
遺伝的アルゴリズムの進化回数が第２所定数に達したか否かを判断し、達した場合には次世代個体群中の最適個体を最適割り当てパスに設定し、達していない場合には次世代個体群を現個体群に設定し、個体群進化ユニット３３２をトリガして、所定の適応度関数に基づいて現個体群に対する進化を行う工程を実行させる、遺伝的進化判断ユニット３３３と、を含むのが好ましい。
本発明の実施例では、蟻コロニー最適化によりクラウドコンピューティングタスクの割り当てに対して最適化を行い、第１所定数の中間割り当てパスを生成し、遺伝的アルゴリズムにより中間割り当てパスに対して第２所定数の進化を行い、クラウドコンピューティングタスクの最適割り当てパスを生成することにより、蟻コロニーと遺伝的アルゴリズムを組み合わせた混合型群知能アルゴリズムを通して蟻コロニー最適化の優れたロバスト性及び解探索性能と、遺伝的アルゴリズムの空間全域探索性能及び並行性とを統合し、クラウドコンピューティングのタスク割り当て性能を効果的に向上させて、クラウドコンピューティングタスクの応答時間及び完了時間が短いことを保証し、クラウドコンピューティングプラットフォームのサービス品質及びユーザーエクスペリエンスを向上させている。
本発明の実施例では、クラウドコンピューティングのタスク割り当て装置の各ユニットは、対応するハードウェア又はソフトウェアユニットにより実現することができ、各ユニットは独立したソフト・ハードウェアユニットでもよいし、１つのソフト・ハードウェアユニットに統合してもよく、本発明では限定されない。
図４は本発明の実施例３で提供するクラウドコンピューティング設備の構造を示しているが、説明の便宜上、本発明の実施例と関係する部分だけを示している。
本発明の実施例におけるクラウドコンピューティング設備４は、プロセッサ４０、ストレージ４１及びストレージ４１中に記憶され且つプロセッサ４０上で実行可能なコンピュータプログラム４２を含む。プロセッサ４０がコンピュータプログラム４２を実行すると、上述した方法の実施例中の、図１に示した工程Ｓ１０１〜Ｓ１０４などの工程が実現される。或いは、プロセッサ４０がコンピュータプログラム４２を実行すると、上述した装置の実施例中の、図２に示したユニット２１〜２４などの各ユニットの機能が実現される。
本発明の実施例では、蟻コロニー最適化によりクラウドコンピューティングタスクの割り当てに対して最適化を行い、第１所定数の中間割り当てパスを生成し、遺伝的アルゴリズムにより中間割り当てパスに対して第２所定数の進化を行い、クラウドコンピューティングタスクの最適割り当てパスを生成することにより、蟻コロニーと遺伝的アルゴリズムを組み合わせた混合型群知能アルゴリズムを通して蟻コロニー最適化の優れたロバスト性及び解探索性能と、遺伝的アルゴリズムの空間全域探索性能及び並行性とを統合し、クラウドコンピューティングのタスク割り当て性能を効果的に向上させて、クラウドコンピューティングタスクの応答時間及び完了時間が短いことを保証し、クラウドコンピューティングプラットフォームのサービス品質及びユーザーエクスペリエンスを向上させている。
本発明の実施例では、コンピュータ読取可能記憶媒体を提供するが、コンピュータ読取可能記憶媒体はコンピュータプログラムを記憶し、コンピュータプログラムがプロセッサによって実行されると、上述した方法の実施例中の、図１に示した工程Ｓ１０１〜Ｓ１０４などの工程が実現される。或いは、コンピュータプログラムがプロセッサによって実行されると、上述した装置の実施例中の、図２に示したユニット２１〜２４などの各ユニットの機能が実現される。
本発明の実施例では、蟻コロニー最適化によりクラウドコンピューティングタスクの割り当てに対して最適化を行い、第１所定数の中間割り当てパスを生成し、遺伝的アルゴリズムにより中間割り当てパスに対して第２所定数の進化を行い、クラウドコンピューティングタスクの最適割り当てパスを生成することにより、蟻コロニーと遺伝的アルゴリズムを組み合わせた混合型群知能アルゴリズムを通して蟻コロニー最適化の優れたロバスト性及び解探索性能と、遺伝的アルゴリズムの空間全域探索性能及び並行性とを統合し、クラウドコンピューティングのタスク割り当て性能を効果的に向上させて、クラウドコンピューティングタスクの応答時間及び完了時間が短いことを保証し、クラウドコンピューティングプラットフォームのサービス品質及びユーザーエクスペリエンスを向上させている。
本発明の実施例におけるコンピュータ読取可能記憶媒体は、コンピュータプログラムコードを携帯可能な任意の実体又は装置、記憶媒体でよく、例えばＲＯＭ／ＲＡＭ、磁気ディスク、光ディスク、フラッシュメモリなどのストレージである。
上述は本発明の好ましい実施例に過ぎず、本発明を限定するものではない。本発明の精神及び原則内において行われる何らかの修正、均等物による置換及び改良などはすべて本発明の保護範囲を逸脱しない。

Claims (8)

  1. クラウドコンピューティングのタスク割り当て方法であって、前記方法には、
    ユーザーからのクラウドタスク割り当てリクエストを受信すると、前記クラウドタスク割り当てリクエスト中の割り当て対象のクラウドコンピューティングタスクに基づき、クラウドタスク割り当てモデルを構築する工程と、
    前記クラウドタスク割り当てモデル及び所定の蟻コロニー最適化を通して、前記クラウドコンピューティングタスクの割り当てに対して第１所定数の最適化を行い、前記第１所定数の中間割り当てパスを生成する工程と、
    所定の遺伝的アルゴリズムを通して、前記中間割り当てパスに対して第２所定数の進化を行い、前記クラウドコンピューティングタスクの最適割り当てパスを生成する工程と、
    前記最適割り当てパスに従い、前記クラウドコンピューティングタスクをクラウド環境中の仮想マシンに割り当てる工程と、を含むことを特徴とし、
    前記クラウドタスク割り当てモデル及び所定の蟻コロニー最適化を通して、前記クラウドコンピューティングタスクの割り当てに対して第１所定数の最適化を行い、前記第１所定数の中間割り当てパスを生成する工程が、
    前記タスク割り当てモデル中の各タスク仮想マシンペアノード間のフェロモンに対して初期化を行い、蟻コロニー最適化のフェロモン行列を生成し、
    前記蟻コロニー最適化の蟻が前記タスク仮想マシンペアノード中で対応するパスを生成し、前記各蟻の対応するパス中の部分最適パスを前記中間割り当てパスとして設定し、
    前記タスク割り当てモデル中、前記クラウドコンピューティングタスクの前記クラウド環境における仮想マシン上の実行時間に基づき、前記各蟻に対応するパス上のフェロモンを更新し、
    前記蟻コロニー最適化の最適化回数が前記第１所定数に達したか否かを判断し、達した場合には前記蟻コロニー最適化の最適化過程を完了し、達していない場合には、前記蟻コロニー最適化の蟻が前記タスク仮想マシンペアノード中で対応するパスを生成する工程にジャンプすることを含むことを特徴とする、方法。
  2. 前記各蟻に対応するパス上のフェロモンを更新する工程の後、前記蟻コロニー最適化の最適化回数が前記第１所定数に達したか否かを判断する工程の前において、
    所定の最適パスフェロモン更新式に従い、前記部分最適パスを通過した各蟻により前記部分最適パス上のフェロモンを更新することをさらに含むことを特徴とする、請求項１に記載の方法。
  3. 所定の遺伝的アルゴリズムを通して、前記中間割り当てパスに対して第２所定数の進化を行い、前記クラウドコンピューティングタスクの最適割り当てパスを生成する工程が、
    前記中間割り当てパスに対してコーディングを行い、遺伝的アルゴリズムの現個体群を生成し、
    所定の適応度関数に基づいて前記現個体群に対する進化を行い、次世代個体群を生成し、
    前記遺伝的アルゴリズムの進化回数が前記第２所定数に達したか否かを判断し、達した場合には前記次世代個体群の最適個体を前記最適割り当てパスに設定し、達していない場合には前記次世代個体群を前記現個体群に設定して、所定の適応度関数に基づいて前記現個体群に対する進化を行う工程にジャンプすることを含むことを特徴とする、請求項１に記載の方法。
  4. 前記中間割り当てパスに対してコーディングを行う工程が、
    前記中間割り当てパス中のタスク仮想マシンペアノードに対してソートを行い、各前記中間割り当てパスの仮想マシンシーケンスを生成し、
    前記仮想マシンシーケンスを前記遺伝的アルゴリズム中の個体群内個体に設定し、前記個体群内個体により前記現個体群を構成することを含むことを特徴とする、請求項３に記載の方法。
  5. クラウドコンピューティングのタスク割り当て装置であって、前記装置は、
    ユーザーからのクラウドタスク割り当てリクエストを受信すると、前記クラウドタスク割り当てリクエスト中の割り当て対象のクラウドコンピューティングタスクに基づき、クラウドタスク割り当てモデルを構築するためのモデル構築ユニットと、
    前記クラウドタスク割り当てモデル及び所定の蟻コロニー最適化を通して、前記クラウドコンピューティングタスクの割り当てに対して第１所定数の最適化を行い、前記第１所定数の中間割り当てパスを生成するための蟻コロニー最適化ユニットと、
    所定の遺伝的アルゴリズムを通して、前記中間割り当てパスに対して第２所定数の進化を行い、前記クラウドコンピューティングタスクの最適割り当てパスを生成するための遺伝的進化ユニットと、
    前記最適割り当てパスに従い、前記クラウドコンピューティングタスクをクラウド環境中の仮想マシンに割り当てるためのタスク割り当てユニットと、を含むことを特徴とし、
    前記蟻コロニー最適化ユニットが、
    前記タスク割り当てモデル中の各タスク仮想マシンペアノード間のフェロモンに対して初期化を行い、前記蟻コロニー最適化のフェロモン行列を生成するためのフェロモン初期化ユニットと、
    前記蟻コロニー最適化の蟻が前記タスク仮想マシンペアノード中で対応するパスを生成し、前記各蟻の対応するパス中の部分最適パスを前記中間割り当てパスとして設定するためのパス生成ユニットと、
    前記タスク割り当てモデル中、前記クラウドコンピューティングタスクの前記クラウド環境における仮想マシン上の実行時間に基づき、前記各蟻に対応するパス上のフェロモンを更新するためのフェロモン更新ユニットと、
    前記蟻コロニー最適化の最適化回数が前記第１所定数に達したか否かを判断し、達した場合には前記蟻コロニー最適化の最適化過程を完了し、達していない場合には前記パス生成ユニットをトリガして、前記蟻コロニー最適化の蟻が前記タスク仮想マシンペアノード中で対応するパスを生成する操作を実行させる蟻コロニー最適化判断ユニットと、を含むことを特徴とする、装置。
  6. 前記遺伝的進化ユニットが、
    前記中間割り当てパスに対してコーディングを行い、前記遺伝的アルゴリズムの現個体群を生成するための個体群コーディングユニットと、
    所定の適応度関数に基づいて前記現個体群に対する進化を行い、次世代個体群を生成するための個体群進化ユニットと、
    前記遺伝的アルゴリズムの進化回数が前記第２所定数に達したか否かを判断し、達した場合には前記次世代個体群中の最適個体を前記最適割り当てパスに設定し、達していない場合には前記次世代個体群を前記現個体群に設定し、前記個体群進化ユニットをトリガして、所定の適応度関数に基づいて前記現個体群に対する進化を行う工程を実行させる遺伝的進化判断ユニットと、を含むことを特徴とする、請求項５に記載の装置。
  7. クラウドコンピューティング設備であって、ストレージ、プロセッサ及びストレージ中に記憶され且つ前記プロセッサ上で作動可能なコンピュータプログラムを含み、前記プロセッサが前記コンピュータプログラムを実行すると、請求項１から請求項４のいずれか１項に記載の方法の工程が実現されることを特徴とする設備。
  8. コンピュータ読取可能記憶媒体であって、前記コンピュータ読取可能記憶媒体はコンピュータプログラムを記憶し、前記コンピュータプログラムがプロセッサによって実行されると、請求項１から請求項４のいずれか１項に記載の方法の工程が実現されることを特徴とする記憶媒体。
JP2020519124A 2018-04-11 2018-04-15 クラウドコンピューティングのタスク割り当て方法、装置、設備及び記憶媒体 Active JP6952190B2 (ja)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
CN201810321267.9A CN108776612A (zh) 2018-04-11 2018-04-11 一种云计算任务分配方法、装置、设备及存储介质
CN201810321267.9 2018-04-11
PCT/CN2018/083135 WO2019196127A1 (zh) 2018-04-11 2018-04-15 一种云计算任务分配方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
JP2020537231A JP2020537231A (ja) 2020-12-17
JP6952190B2 true JP6952190B2 (ja) 2021-10-20

Family

ID=64033710

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2020519124A Active JP6952190B2 (ja) 2018-04-11 2018-04-15 クラウドコンピューティングのタスク割り当て方法、装置、設備及び記憶媒体

Country Status (4)

Country Link
US (1) US11188382B2 (ja)
JP (1) JP6952190B2 (ja)
CN (1) CN108776612A (ja)
WO (1) WO2019196127A1 (ja)

Families Citing this family (35)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110278153A (zh) * 2019-06-21 2019-09-24 田继忠 一种数据通道择取的装置及方法
CN112862134A (zh) * 2019-11-12 2021-05-28 北京中电普华信息技术有限公司 电力营销业务中台的业务调度方法及装置
CN111240804A (zh) * 2020-01-12 2020-06-05 桂林理工大学 一种基于资源管理的云数据中心成本优化方法
CN113497761A (zh) * 2020-03-20 2021-10-12 罗伯特·博世有限公司 车载设备和通信系统以及数据传输方法
CN111917818B (zh) * 2020-06-09 2023-07-25 东南大学 一种个性化服务需求的动态匹配方法
CN111813525B (zh) * 2020-07-09 2024-05-03 西北工业大学 一种异构系统工作流调度方法
WO2022006830A1 (zh) * 2020-07-10 2022-01-13 广东石油化工学院 一种多队列多集群的任务调度方法及系统
CN111984697B (zh) * 2020-08-05 2023-05-16 河南省计量科学研究院 一种基于云计算的热量表计量系统及方法
CN112085382A (zh) * 2020-09-08 2020-12-15 杭州海兴泽科信息技术有限公司 一种工单分配方法、装置、设备及计算机可读存储介质
CN112084033A (zh) * 2020-09-17 2020-12-15 南方电网数字电网研究院有限公司 多核系统的任务分配方法、装置、计算机设备和存储介质
CN112084035B (zh) * 2020-09-21 2024-04-30 西安理工大学 一种基于蚁群算法的任务调度方法及系统
CN112348250A (zh) * 2020-11-05 2021-02-09 紫金矿业集团股份有限公司 一种汽车衡无人值守称重系统
CN112380645A (zh) * 2020-11-09 2021-02-19 上海海事大学 一种基于蚁群算法的螺旋输送机优化设计方法
CN112327858B (zh) * 2020-11-16 2024-03-26 中国人民解放军陆军防化学院 一种佩戴空气呼吸器人员执行既定任务的路径规划方法
CN112434779B (zh) * 2020-12-09 2023-11-21 哈尔滨工程大学 一种基于改进蚁群算法的紧耦合任务分配方法
CN112541627B (zh) * 2020-12-10 2023-08-01 赛可智能科技(上海)有限公司 一种电动物流车路径规划和性能优化方法、装置及设备
CN112653500B (zh) * 2020-12-16 2022-07-26 桂林电子科技大学 基于蚁群算法的面向低轨道卫星边缘计算任务调度方法
CN112883632B (zh) * 2021-01-13 2022-12-02 合肥工业大学 一种基于改进蚁群算法的锂电池等效电路模型参数辨识方法
CN112734127A (zh) * 2021-01-20 2021-04-30 西北工业大学 一种基于动态蚁群劳动分工模型的多auv任务分配方法
CN113009821B (zh) * 2021-02-10 2022-08-19 上海海事大学 一种基于信息素初始分配和动态更新的蚁群算法优化方法
CN112883526B (zh) * 2021-03-15 2023-04-07 广西师范大学 一种任务延迟和可靠性约束下的工作负载分配方法
CN112884248B (zh) * 2021-03-24 2023-01-06 苏州大学 一种大规模云服务流程的优化方法
CN113110472A (zh) * 2021-04-25 2021-07-13 深圳市跨越新科技有限公司 路径规划方法、装置和终端
CN113160900A (zh) * 2021-05-24 2021-07-23 北京化工大学 基于蚁群算法高通量合成Ag基催化剂的优化路径获取方法
CN113778123B (zh) * 2021-08-24 2024-03-05 中国电子科技集团公司电子科学研究院 面向异构无人机集群的耦合多任务分配方法及装置
CN114172867B (zh) * 2021-12-02 2023-09-29 国网山东省电力公司信息通信公司 一种基于ims的海量信令诊断系统及方法
CN114900518A (zh) * 2022-04-02 2022-08-12 中国光大银行股份有限公司 有向分布式网络的任务分配方法、装置、介质及电子设备
CN114968554B (zh) * 2022-04-07 2024-03-19 西北大学 一种基于核函数映射方式的鲸鱼算法的工作流云调度方法
CN114862065B (zh) * 2022-07-05 2022-09-23 杭州数询云知科技有限公司 社工任务规划方法、装置、电子设备及存储介质
CN115277445B (zh) * 2022-07-11 2023-08-15 北京理工大学 一种基于QoS目标的微服务系统调度优化方法
CN114995984B (zh) * 2022-07-19 2022-10-25 深圳市乐易网络股份有限公司 一种分布式超并发云计算系统
CN117056089B (zh) * 2023-10-11 2024-02-06 创瑞技术有限公司 一种服务动态分配系统及方法
CN117573307B (zh) * 2023-11-13 2024-04-09 纬创软件(武汉)有限公司 云环境下多任务的统筹管理方法及系统
CN117319505B (zh) * 2023-11-30 2024-02-06 天勰力(山东)卫星技术有限公司 一种面向软件定义卫星共享网络的星上任务抢单系统
CN117370035B (zh) * 2023-12-08 2024-05-07 国网浙江省电力有限公司宁波供电公司 一种实时仿真计算资源的划分系统及方法

Family Cites Families (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080144074A1 (en) * 2006-10-18 2008-06-19 Jie Lin Workflow processing system
US8893130B2 (en) * 2007-03-26 2014-11-18 Raytheon Company Task scheduling method and system
JP2012517041A (ja) * 2009-02-05 2012-07-26 日本電気株式会社 遺伝的アプローチによる期限付きタスクの受付制御・スケジューリング方法、システムおよびプログラム
US7979578B2 (en) * 2009-09-02 2011-07-12 International Business Machines Corporation Dynamic and evolutionary placement in an event-driven component-oriented network data processing system
JP5773142B2 (ja) * 2011-06-22 2015-09-02 株式会社日立製作所 計算機システムの構成パターンの算出方法及び構成パターンの算出装置
US20130144584A1 (en) * 2011-12-03 2013-06-06 Medeolinx, LLC Network modeling for drug toxicity prediction
CN103870317B (zh) * 2012-12-10 2017-07-21 中兴通讯股份有限公司 云计算中的任务调度方法及系统
CN103345657B (zh) * 2013-04-02 2016-05-25 江苏大学 云计算环境下基于遗传和蚁群的任务调度方法
CN105656973B (zh) * 2014-11-25 2018-11-13 中国科学院声学研究所 一种分布式节点组内任务调度方法及系统
US20170026305A1 (en) * 2015-07-23 2017-01-26 Schneider Electric It Corporation System to place virtual machines onto servers based upon backup runtime constraints
CN106936892A (zh) * 2017-01-09 2017-07-07 北京邮电大学 一种自组织云多对多计算迁移方法及系统
CN107133095B (zh) * 2017-04-07 2020-04-07 北京科技大学 一种云环境下的任务调度方法
CN109426553A (zh) * 2017-08-21 2019-03-05 上海寒武纪信息科技有限公司 任务切分装置及方法、任务处理装置及方法、多核处理器
WO2019001418A1 (zh) * 2017-06-26 2019-01-03 上海寒武纪信息科技有限公司 数据共享系统及其数据共享方法
CN110502330A (zh) * 2018-05-16 2019-11-26 上海寒武纪信息科技有限公司 处理器及处理方法
WO2019238128A1 (en) * 2018-06-14 2019-12-19 Shanghai United Imaging Healthcare Co., Ltd. Methods and systems for image processing
US20200265092A1 (en) * 2018-10-25 2020-08-20 The Government of the United States of America as Repesented by the Secretary of the Army Method and apparatus for the design and optimization of 3D frequency selective surfaces using evolutonary computing techniques
CN110851272B (zh) * 2019-10-30 2022-02-11 内蒙古农业大学 基于吞噬的粒子群遗传混合算法的云任务调度方法

Also Published As

Publication number Publication date
JP2020537231A (ja) 2020-12-17
US20200201677A1 (en) 2020-06-25
WO2019196127A1 (zh) 2019-10-17
US11188382B2 (en) 2021-11-30
CN108776612A (zh) 2018-11-09

Similar Documents

Publication Publication Date Title
JP6952190B2 (ja) クラウドコンピューティングのタスク割り当て方法、装置、設備及び記憶媒体
Wang et al. Distributed machine learning with a serverless architecture
Gao et al. A multi-objective ant colony system algorithm for virtual machine placement in cloud computing
Shi et al. MDP and machine learning-based cost-optimization of dynamic resource allocation for network function virtualization
Ferdaus et al. Virtual machine consolidation in cloud data centers using ACO metaheuristic
CN107133095B (zh) 一种云环境下的任务调度方法
Belgacem et al. Multi-objective workflow scheduling in cloud computing: trade-off between makespan and cost
Wu A tunable workflow scheduling algorithm based on particle swarm optimization for cloud computing
CN112084035B (zh) 一种基于蚁群算法的任务调度方法及系统
Mechalikh et al. PureEdgeSim: A simulation framework for performance evaluation of cloud, edge and mist computing environments
CN109447264B (zh) 云计算环境下基于vham-r模型的虚拟机放置遗传优化方法
CN111314120A (zh) 基于迭代QoS模型的云软件服务资源自适应管理框架
CN111176784B (zh) 一种基于极限学习机和蚁群系统的虚拟机整合方法
CN113824489A (zh) 基于深度学习的卫星网络资源动态分配方法、系统及装置
CN115330189A (zh) 一种基于改进飞蛾火焰算法的工作流优化调度方法
CN114741955A (zh) 一种基于安全云的多目标优化任务调度方法
Awad et al. A swarm intelligence-based approach for dynamic data replication in a cloud environment
CN109347900B (zh) 基于改进狼群算法的云服务系统自适应演化方法
CN111683010A (zh) 基于光缆网光路的双路由的生成方法及装置
Kumar HYBRID OPTIMIZED LIST SCHEDULING AND TRUST BASED RESOURCE SELECTION IN CLOUD COMPUTING.
CN108521446B (zh) 云计算资源的调度方法、装置、设备及存储介质
CN116149855A (zh) 一种微服务架构下中性能资源成本优化方法及系统
CN110516795B (zh) 一种为模型变量分配处理器的方法、装置及电子设备
Hasan et al. An intelligent machine learning and self adaptive resource allocation framework for cloud computing environment
Pacini et al. Dynamic scheduling of scientific experiments on clouds using ant colony optimization

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20200413

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20210528

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20210628

A521 Written amendment

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20210827

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20210907

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20210927

R150 Certificate of patent or registration of utility model

Ref document number: 6952190

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150