Nothing Special   »   [go: up one dir, main page]

CN110717300A - 面向电力物联实时在线监测业务的边缘计算任务分配方法 - Google Patents

面向电力物联实时在线监测业务的边缘计算任务分配方法 Download PDF

Info

Publication number
CN110717300A
CN110717300A CN201910926562.1A CN201910926562A CN110717300A CN 110717300 A CN110717300 A CN 110717300A CN 201910926562 A CN201910926562 A CN 201910926562A CN 110717300 A CN110717300 A CN 110717300A
Authority
CN
China
Prior art keywords
task
node
tasks
particle
time
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
CN201910926562.1A
Other languages
English (en)
Other versions
CN110717300B (zh
Inventor
罗海林
李朝广
孙严智
刘宇明
崔晨
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.)
Yunnan Power Grid Co Ltd
Original Assignee
Yunnan Power Grid 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 Yunnan Power Grid Co Ltd filed Critical Yunnan Power Grid Co Ltd
Priority to CN201910926562.1A priority Critical patent/CN110717300B/zh
Publication of CN110717300A publication Critical patent/CN110717300A/zh
Application granted granted Critical
Publication of CN110717300B publication Critical patent/CN110717300B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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]
    • 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
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Educational Administration (AREA)
  • Computational Linguistics (AREA)
  • Marketing (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Primary Health Care (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Water Supply & Treatment (AREA)
  • Development Economics (AREA)
  • Public Health (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种面向电力物联实时在线监测业务的边缘计算任务分配方法，属于电力物联实时在线监测技术领域。该方法首先建立基于边缘计算的实时在线监测业务任务分配模型；其次，针对粒子群算法中的边缘节点任务排队问题，采用基于EDF设置混合优先级进行任务排队；接着，针对粒子群算法解决离散问题的不足及易局部收敛的问题，提出基于改进离散粒子群算法的任务分配求解方法。仿真结果表明，本发明提出的算法能够有效地分配实时在线监测业务边缘计算任务，进一步降低业务时延，有效地提升实时在线监测系统的综合性能。

Description

面向电力物联实时在线监测业务的边缘计算任务分配方法
技术领域
本发明属于电力物联实时在线监测技术领域，具体涉及一种面向电力物联实时在线监测业务的边缘计算任务分配方法。
背景技术
随着变电站智能化程度不断提高，变电站内需要接入的业务种类越来越多，各类业务对通信网络质量、接入位置、安全性等的要求各不相同。实时在线监测系统是电力系统稳定运行的安全保障。随着智能电网和物联网的发展，越来越多的电力实时在线监测设备接入网络，产生了大量的业务请求和数据，给传统的云计算架构带来了很大的压力。边缘计算是一种新型的分布式架构，它将终端产生的任务，由网络中心节点，迁移到靠近数据源的边缘节点来处理。将边缘计算架构应用于电力实时在线监测系统，能够极大缓解网络的压力，有效降低任务的时延。但边缘节点本身的计算资源与存储资源相对有限，面对众多实时性需求很高的实时在线监测业务，需要提出一种合理的任务分配策略，以保证任务的及时完成，并进一步降低任务的时延。
为了解现有技术的发展状况，对已有的论文和专利进行了检索、比较和分析，筛选出如下与本发明相关度比较高的技术信息：
技术方案1：专利号为CN201810650636的《一种面向边缘计算环境的服务请求分配方法》专利，涉及一种面向边缘计算环境的服务请求分配方法，该方法主要步骤为：决策系统获取实时监测系统中各边缘设备的可用资源和服务请求执行情况；收集所有边缘设备收到的服务请求；应用一种改进的遗传算法为所有服务请求选择最优边缘服务器或云服务器；对所有边缘服务器进行服务请求调度。
该方案从服务请求的分配和调度两个角度出发，最大限度地对服务的响应时间进行优化；同时采用启发式方法，在遗传算法中引入模拟退火方法的温度控制机制，可以在算法初始阶段减慢算法的收敛速度，有效避免陷入局部最优，在算法的终止阶段加快收敛速度，提高算法的效率。但该方法基于遗传算法，因此执行速度较慢，计算开销较大。
技术方案2：专利号为CN201811020720的《基于边缘计算网络的任务调度方法》专利，涉及一种基于边缘计算网络的任务调度方法。该方法主要步骤为：上一次调度结束后，将获取到的所有的节点信息，输入至预设的第一神经网络模型，输出优劣参数；将优劣参数广播至每一边缘计算节点，以供每一边缘计算节点分别根据优劣参数优化预设的第二神经网络模型，并将当前的节点状态信息输入至优化后的第二神经网络模型，输出下一次调度的决策信息，将每一计算任务分别发送到下一次调度的决策信息指示的执行主体进行计算。
该方案提出的基于边缘计算网络的任务调度方法中，中心控制器获取每一边缘计算节点的节点信息，对每一边缘计算节点的调度决策进行评价，每一边缘计算节点分布式执行任务调度，提高了边缘计算的效率。但是，在实际情况中，有大量实时任务需要处理，使用中心控制器进行决策，并使用神经网络方法，开销很大，对于实时性强的任务，时延难以保证。
技术方案3：专利号为CN201810103895的《一种基于边缘计算的纺纱CPS及其实时任务处理方法》专利，涉及一种基于边缘计算的纺纱CPS及其实时任务处理方法。本专利提出了一种基于边缘计算的纺纱CPS，与此同时，本专利提出了基于边缘计算的纺纱CPS的实时任务处理方法。此实时任务处理方法采用边缘计算模式，将纺纱CPS中的计算与存储资源分散到物理实体，可以很好地满足纺纱CPS中的实时性要求和安全性要求，降低了任务传输中的安全风险。
该方案基于“就近处理，就近服务”的原则，首先分析任务规模，如果任务规模较大则将任务分配给云中心，否则分配给距离其最近的边缘节点，如果此任务无法在截止时间内完成，寻找周围能够分配的边缘节点。使用这种方式处理任务很难得到全局最优解，如果希望在完成任务的基础上，进一步降低任务平均时延，此方法显然无法达到很好的效果。
因此如何克服现有技术的不足是目前电力物联实时在线监测技术领域亟需解决的问题。
发明内容
本发明的目的是为了解决现有技术的不足，实现业务时延最小化的电力实时在线监测业务边缘计算任务分配，提供一种面向电力物联实时在线监测业务的边缘计算任务分配方法。该方法首先考虑了边缘节点的计算资源和实时状态，以及任务的计算时间、排队时间、数据传播时延等，建立面向电力物联实时在线监测业务的边缘计算任务分配模型。之后在模型的基础上，，针对粒子群算法解决离散问题的不足及易局部收敛的问题，提出一种改进离散粒子群算法，并在任务排队时采用一种混合优先级排队算法，从而降低业务的平均时延。
为实现上述目的，本发明采用的技术方案如下：
面向电力物联实时在线监测业务的边缘计算任务分配方法，包括如下步骤：
步骤a，作出如下假设：
(1)电力设施总体呈直线分布，边缘计算节点在直线上是等距分布的；
(2)不同的实时在线监测任务之间没有依赖关系；
(3)实时在线监测任务只能分配给距其最近的节点，以及该节点两侧的边缘计算节点；
步骤b，如果对第i个边缘计算节点下的任务，任务能被分配给边缘计算节点i，i-1，i+1；假设共有N个边缘计算节点，对于边缘计算节点i，其下有ni个任务，所有边缘计算节点任务数目的和为M；对于任务j，定义以下几个任务的参数：任务开始时间tsj,，任务截止时间tej，任务运行开销wj，任务初始节点ij，任务最终分配节点kj；
对于一个边缘计算节点i，其计算能力设为vi；任务从节点ij分配到节点kj，由节点ij分配到节点kj的传输时间设为
Figure BDA0002219104910000031
任务分配后其在t时刻节点kj任务排队队列前方任务的总开销设为Wkj(t)；任务分配系统每隔时间τ进行一次任务分配；假设在时刻mτ进行了一次任务分配，m为非负整数；
对于一个由终端产生的任务，其时延包含发送时延、传播时延、排队时延、处理时延；
任务的发送时延和传播时延之和：
Figure BDA0002219104910000032
任务的排队时延为
任务的处理时延为
Figure BDA0002219104910000034
若m为非负整数，对于时间mτ，对所有节点下待分配的任务进行任务分配，若任务j被分配到节点kj，则其任务总时延为：
Figure BDA0002219104910000041
式(1)即为单个任务的时延；任务j分配到本地节点ij产生的发送时延和传播时延之和为
Figure BDA0002219104910000042
考虑实际情况，若节点ij和节点kj为不同节点(ij≠kj)，有：
Figure BDA0002219104910000043
对所有任务的时延进行求和，得到任务总时延：
Figure BDA0002219104910000044
所有任务的平均时延：
Figure BDA0002219104910000045
式(4)即为需要求解的目标函数；
步骤c，考虑任务应在截止时间之内完成，则单个任务的总时延小于最大时延，即如下时延约束条件：
δtj≤tej-tsj 式(5)
即：
由于边缘计算节点能向两侧分配任务，如果节点处于两端，则此节点只能向另一侧分配任务，有如下节点位置约束条件：
Figure BDA0002219104910000047
步骤d，对目标函数minδTavg、以及时延约束条件、节点位置约束条件进行求解，将求解得到的最优任务分配向量作为任务分配方案。
进一步，优选的是，步骤d中求解采用混合优先级任务排队算法和改进的离散粒子群算法一起进行求解；
具体方法为：
(1)输入边缘计算节点信息与待分配的任务队列，初始化粒子群算法参数；
(2)根据任务队列得到粒子的初始位置矩阵与初始速度矩阵；
(3)使用改进的离散粒子群算法进行循环迭代求解；在每次循环中，更新粒子、子种群、种群的最大适应度与最大适应度位置；在适应度函数的计算中，需要用混合优先级任务排队算法首先对每个节点上的任务进行排队；然后，根据迭代公式对粒子速度和位置进行更新；
(4)循环结束，计算最小平均时延Tmin和最优任务分配向量
Figure BDA0002219104910000051
进一步，优选的是，所述的混合优先级任务排队算法为：在任务满足截止时间的基础上，不断比较两个相邻任务的处理开销，若后方的任务开销较小，并且如果对两个任务在队列中的位置进行交换后，任务仍能满足截止时间需求，则对任务进行交换。
进一步，优选的是，对于第k个子种群中的第j个粒子，在第y次迭代时，其速度更新满足如下公式：
Figure BDA0002219104910000052
在上式中，type＝1表示粒子为导航型粒子，type＝2表示粒子为探索型粒子。ω为粒子的惯性系数，c1为粒子的个人最优加速因子，c2为子种群最优加速因子，c3为种群最优加速因子，为粒子j在第y次迭代前的最优位置，
Figure BDA0002219104910000054
为第k个子种群在第y次迭代前的最优位置，
Figure BDA0002219104910000055
为种群在第y次迭代前的最优位置，r1，r2和r3为随机系数，取值在0到1之间；
Figure BDA0002219104910000056
表示粒子j在第y-1次迭代时的位置；
Figure BDA0002219104910000057
表示粒子j在第y次迭代时的速度。
进一步，优选的是，为避免陷入局部最优解，对粒子的速度增加一个随机扰动：
Figure BDA0002219104910000058
其中，r为[0,1]上的随机数。
进一步，优选的是，更新粒子位置的方法如下：
对第j个粒子在第R个维度上，将速度转化为跳变概率
Figure BDA0002219104910000061
vjR(y)为第j个粒子在第R个维度上的速度；
对于第k个子种群中的粒子j，其第R个维度上的位置更新公式为：
xjR(y)表示第k个子种群中的粒子j在第R个维度上的位置；
pjR(y)表示第k个子种群中的粒子j在第R个维度上的跳变概率；
r为[0,1]上的随机数。
本发明在求解过程中，针对粒子群算法中的边缘节点任务排队问题，提出一种混合优先级任务排队算法；针对粒子群算法解决离散问题的不足及易局部收敛的问题，提出基于改进离散粒子群算法的任务分配求解方法。
本发明与现有技术相比，其有益效果为：
1.现有技术建立的模型是较为简单的，并且没有考虑到任务分配的实现方式，本发明建立模型时考虑了边缘节点的计算资源和实时状态，以及任务的计算时间、排队时间、数据传播时延等，建立面向电力物联实时在线监测业务的边缘计算任务分配模型，准确地描述了任务分配过程。
2.背景技术中指出的现有技术忽略了任务在节点上的排队问题，在求解过程中，本发明考虑到了任务的排队问题，提出一种基于EDF的混合优先级排队算法，相比EDF算法有更低的任务平均时延。
3.在求解过程中，本发明提出一种改进的离散粒子群算法，相对现有技术的相关方法，有着更优的求解结果，较快的运算速度，因此有着更好的综合性能。
附图说明
图1为应用实例中三种算法所有任务的平均时延对比图；
图2为应用实例中三种算法运行时间对比图。
具体实施方式
下面结合实施例对本发明作进一步的详细描述。
本领域技术人员将会理解，下列实施例仅用于说明本发明，而不应视为限定本发明的范围。实施例中未注明具体技术或条件者，按照本领域内的文献所描述的技术或条件或者按照产品说明书进行。所用材料或设备未注明生产厂商者，均为可以通过购买获得的常规产品。
本发明建立基于边缘计算的面向电力物联实时在线监测业务的任务分配模型；其次，针对粒子群算法中的边缘节点任务排队问题，采用基于EDF设置混合优先级进行任务排队；接着，针对粒子群算法解决离散问题的不足及易局部收敛的问题，提基于改进离散粒子群算法的任务分配求解策略，降低电网实时在线监测业务的平均时延。
1模型建立
基于边缘计算的实时在线监测业务组网架构共有三层，即云服务器层，边缘计算节点层，实时在线监测终端层。电网实时在线监测终端负责数据的采集，并将数据发送给边缘节点。不同的边缘节点组成边缘计算网络，可以作为路由器转发任务，也可直接对任务进行处理，并可将处理结果发送给云服务器。大部分任务在距离其较近的边缘计算节点处即可迅速得到处理，但若边缘节点负载较大，为保证任务能够及时完成，或是为了进一步降低任务的时延，可将任务分配给其他负载较小的边缘节点进行处理，这就需要一个任务分配系统，对任务进行智能分配。
建立电网实时在线监测业务边缘计算任务分配模型，为简化任务分配场景，首先，作出如下假设：
(1)电力设施总体呈直线分布，边缘计算节点在直线上是等距分布的。
(2)对于实时在线监测系统，其网络资源以及边缘计算节点的计算资源和存储资源是相对充足的，能够应对网络负载较大、任务较多的情况。
(3)不同的实时在线监测任务之间没有依赖关系。
(4)实时在线监测任务只能分配给距其最近的节点，以及该节点两侧的边缘计算节点，无法向更远节点分配。
如果对第i个边缘计算节点下的任务，任务可被分配给边缘计算节点i，i-1，i+1。假设共有N个边缘计算节点，对于节点i，其下有ni个任务，所有节点任务数目的和为M。对于任务j，需要用到以下几个任务的参数：任务开始时间tsj，，任务截止时间tej，任务运行开销,wj，任务初始节点ij，任务最终分配节点kj。值得一提的是，如果不存在相同通信需求的业务，则业务的类型可以通过任务的运行开销和时延需求确定，在实际情况中，业务的类型可能仍会被记录。
对于一个边缘计算节点i，其计算能力设为vi。任务从节点ij分配到节点kj，由节点ij分配到节点kj的传输时间设为
Figure BDA0002219104910000081
任务分配后其在t时刻节点kj任务排队队列前方任务的总开销设为Wkj(t)；任务分配系统每隔时间τ进行一次任务分配；假设在时刻mτ(m为非负整数)进行一次任务分配；
对于一个由终端产生的任务，其时延包含发送时延、传播时延、排队时延、处理时延；
任务的发送时延和传播时延之和：
Figure BDA0002219104910000082
任务的排队时延为
Figure BDA0002219104910000083
任务的处理时延为
Figure BDA0002219104910000084
若m为非负整数，对于时间mτ，对所有节点下待分配的任务进行任务分配，若任务j被分配到节点kj，则其任务总时延为：
式(1)即为单个任务的时延；任务j分配到本地节点ij产生的发送时延和传播时延之和为
Figure BDA0002219104910000086
考虑实际情况，若节点ij和节点kj为不同节点(ij≠kj)，有：
对所有任务的时延进行求和，得到任务总时延：
Figure BDA0002219104910000091
所有任务的平均时延：
Figure BDA0002219104910000092
式(4)即为需要求解的目标函数；
步骤c，考虑任务应在截止时间之内完成，则单个任务的总时延小于最大时延，即如下时延约束条件：
δtj≤tej-tsj 式(5)
即：
Figure BDA0002219104910000093
通常情况下，边缘节点可向两侧分配任务，如果节点处于两端，则此节点只能向另一侧分配任务，有如下节点位置约束条件：
Figure BDA0002219104910000094
此外，任务分配过程中还包含网络带宽的限制，边缘节点存储资源的限制，由于实时在线监测业务的数据量很小，并且之前的假设中已经说明网络带宽与边缘节点存储资源是充足的，网络带宽约束条件与边缘节点存储资源约束条件在此将不再赘述。
综上所述，需要求解的最优化模型为：
目标函数：minδTavg
约束条件：式(6)、式(7)
2算法求解
由任务分配模型可以看出，考虑每个任务只有三种或两种(考虑处于两端的节点只能将任务分配给一侧)分配可能，在边缘节点足够多的情况下，如果总共有M个任务，N个节点，则所有的任务分配策略接近3M种。因此总任务分配策略数是指数递增的，当M取较大的值时，问题数据规模将非常庞大。
对于此类数据规模庞大的任务分配问题，常常使用智能算法，在可以接受的时间范围内求得较优的解。常见的智能算法包括遗传算法、粒子群算法、蚁群算法、神经网络等。由于粒子群算法具有简单、快速、高效的优点，本发明采用粒子群算法求解问题，但粒子群算法也有一些局限性。首先，需要考虑使用粒子群算法时边缘节点上的任务排队问题；其次，实时在线监测业务请求为离散的，且粒子群算法在处理离散问题时有一些不足；此外，粒子群算法存在容易局部收敛的问题，需要进行改进。
因此，本发明提出的实时在线监测业务边缘计算任务分配算法包含两个关键点：针对粒子群算法中的边缘节点任务排队问题，提出一种混合优先级任务排队算法；针对粒子群算法解决离散问题的不足及易局部收敛的问题，提出基于改进离散粒子群算法的任务分配求解策略。
2.1混合优先级任务排队算法
目前经典的任务调度算法都是单纯地考虑一个任务的一个方面，如只考虑任务的截止时间，只考虑任务的处理开销，或只考虑任务的到达时间等。对于在线监测业务，有些业务有着较小的时延，但处理开销较大，如视频监控业务，如果有一种算法，在系统负载较小时，在保证此类任务能够完成的情况下，优先处理其他开销较小，但时延相对高的任务，那么就可以进一步提升任务的平均时延，进而提升实时在线监测系统的总体性能。
使用最早截止时间优先调度算法(EDF算法)，可以很好地保证紧急任务及时处理完成。因此，本节基于最早截止时间优先思想，提出一种混合优先级任务排队算法。算法的步骤如下：
(1)输入任务排队队列s，任务队列长度为Ls。
(2)将任务队列s按截止时间由小到大进行排序。
(3)对任务队列s的第1个任务到第Ls个任务执行如下操作(此操作不妨定义为函数Taskswap(s，1，Ls))：若Ls＜2，则完成步骤(3)，否则，设一整数1，从l＝1开始，循环检测第l个和第l+1个任务的开销，如果它们交换位置后仍可在截止时间内完成，则交换二者的位置，然后继续循环直至l＝Ls-1；否则，递归执行函数Taskswap(s，1，l-1)，即对第1个任务到第l-1个任务执行步骤(3)的操作，然后递归执行函数Taskswap(s，l+1，Ls)，完成步骤(3)。如果循环正常结束，即循环后l＝Ls，则递归执行函数Taskswap(s，1，Ls-1)，因为经过Ls-1次比较与交换后，第Ls个任务已经处于正确的位置上。
(4)若所有的步骤(3)递归执行完成，则任务队列s排队完成。
算法的主要特点是考虑了任务的截止时间与处理开销。首先对任务以截止时间进行排序，此后执行Taskswap(s，1，Ls)函数，这是一个递归函数，目的是在保证任务在截止时间内完成的前提下，尽可能优先处理开销小的任务，即在任务满足截止时间的基础上，不断比较两个相邻任务的处理开销，若后方的任务开销较小，并且如果对两个任务在队列中的位置进行交换后，任务仍能满足截止时间需求，则对任务进行交换。然后对任务队列递归执行交换函数Taskswap(s，1，l-1)与Taskswap(s，l+1，Ls)。在经过若干次递归处理后，任务的处理顺序将得到调整。
2.2改进的离散粒子群算法
在经典粒子群算法中，每个粒子的速度全程都会按相同的迭代公式去进行变化，主导速度公式的参数包含三部分：粒子在上一次迭代的速度，粒子的个人最优位置，种群最优位置。迭代过程中虽然有随机性因子，但公式中的参数已经确定，这使得算法难以跳出局部最优解。单一的迭代过程使得种群的多样性逐渐丧失，粒子的运动范围逐渐被限制。
此外，由于实时在线监测业务边缘计算任务分配问题是离散问题，直接使用适用于连续函数的经典粒子群算法无法取得较好的效果。
对此本发明提出了如下的改进方案：
(1)针对本模型的离散问题，基于二进制粒子群算法，提出新的粒子群算法离散化策略。
(2)将种群划分为几个子种群，记录每个子种群的最大适应度与最优位置，以保证种群的多样性，拓展粒子求解广度。
(3)结合遗传算法的变异思想，粒子在每一次迭代后，自身状态会有一定概率出现变化。
(4)将粒子分为两类：导航型粒子与探索型粒子。每个子种群中都会有这两种粒子。导航型粒子侧重全局最优解，保证算法的下限。探索型粒子侧重自身的探索与子种群最优解，提高算法的上限。
进行这些改进的重要目的之一是提升种群的多样性。改进的离散粒子群算法的具体表述如下：
求解一个n维的向量
Figure BDA0002219104910000121
使函数
Figure BDA0002219104910000122
的取值尽可能大。则可以设置q个种群规模为u的子种群，这q个子种群又组成一个规模为qu的种群。每个子种群中都包含探索型粒子与导航型粒子。粒子进行若干次迭代，每次迭代中，会记录并更新粒子的位置与速度以及粒子个人最优位置、子种群最优位置和种群最优位置。
由此，可得到第k个子种群在第y次迭代的空间坐标矩阵Xk(y)以及粒子群的速度矩阵Vk(y)：
Figure BDA0002219104910000123
Figure BDA0002219104910000124
以上两式中，x11(y)表示第1个粒子在第1个维度上的坐标，v11(y)表示第1个粒子在第1个维度上的速度，其他下标的此类数据的含义同理。
设种群的总迭代次数为3L，对于第k个子种群中的第j个粒子，在第y次迭代时，其速度更新满足如下公式：
Figure BDA0002219104910000125
在上式中，type＝1表示粒子为导航型粒子，type＝2表示粒子为探索型粒子。ω为粒子的惯性系数，c1为粒子的个人最优加速因子，c2为子种群最优加速因子，c3为种群最优加速因子，
Figure BDA0002219104910000126
为粒子j在第y次迭代前的最优位置，
Figure BDA0002219104910000127
为第k个子种群在第y次迭代前的最优位置，
Figure BDA0002219104910000128
为种群在第y次迭代前的最优位置，r1，r2和r3为随机系数，一般取值在0到1之间。
Figure BDA0002219104910000129
表示粒子j在第y-1次迭代时的位置，该位置为向量，包括所有维度的位置；
Figure BDA0002219104910000131
表示粒子在第y次迭代时的速度，该速度为向量，包括所有维度的速度。
对于本发明研究的面向电力物联实时在线监测业务边缘计算任务分配问题，若一个任务初始位于节点i，则其可被分配给节点i，节点i-1，节点i+1，由于任务的初始节点是已知的，为表示每个任务的分配节点，x表示此任务相对i的变化量即可，x可取值-1，0，1。在这样的前提下，可设置概率函数，将速度转化为跳变概率，对第j个粒子在第R个维度上，有：
Figure BDA0002219104910000132
利用速度的方向性，面对x为三个值的情况，仍可利用概率公式进行求解，在这样的概率公式下，粒子位置更新公式为：
Figure BDA0002219104910000133
xjR(y)表示第k个子种群中的粒子j在第R个维度上的位置；
pjR(y)表示第k个子种群中的粒子j在第R个维度上的跳变概率。
上式为对于第k个子种群中的粒子j，其第R个维度上(代表第R个任务)的位置更新公式。r为[0,1]上的随机数。此方法同样使用于x为多个值的情况。
遗传算法中，变异策略时加强算法搜索能力的重要步骤，在粒子群算法中，也可以使粒子以一定概率进行变异，方法是对粒子的速度增加一个随机扰动，对于粒子j：
Figure BDA0002219104910000134
上式中，r为[0,1]上的随机数。type＝1表示粒子为导航型粒子，type＝2表示粒子为探索型粒子。这样的变异处理可以使粒子在保留对种群最优解的跟踪能力的情况下，更不容易陷入局部最优解，如果种群(或子种群)已经陷入局部最优解，此方法也使算法有更大跳出局部最优解的可能。
在经过上述对粒子群算法的改进之后，粒子群算法在保证较快的收敛速度的基础上，粒子的搜索能力得到加强，并且粒子的变异机制有助于粒子跳出局部最优解。可以说，改进的离散粒子群算法相比经典的粒子群算法，更高效，更准确，更完善。
5.2.3算法流程
为便于算法的执行，首先基于任务分配模型，给出算法运行中使用的变量。考虑总任务数为M，节点数为N。为便于算法对数据的处理，可将所有待分配的任务组成一个长度为M的向量，并记录每个任务的相关参数。
已知向量中第j个任务的如下参数：任务开始时间tsj，任务截止时间tej，任务开销wj，任务初始节点ij，任务最终分配节点kj，任务j在节点k上任务处理队列中前方的任务总开销为已知节点i的计算能力vi，执行任务分配的时间间隔为τ；
可以将需要求解的任务分配策略看作一个映射，对于任务j，由节点ij分配到节点kj，可记为：(ij→kj)。
因此，对于每个任务，需要求得它最终分配的节点kj，由此，可得到求解的任务分配向量
Figure BDA0002219104910000143
其中，k1为第1个任务的分配节点；k2为第2个任务的分配节点；kM为第M个任务的分配节点；
考虑初始状态，对于时间mτ，进行一次任务分配，此时每个节点的初始开销向量为：
Figure BDA0002219104910000144
其中，
Figure BDA0002219104910000145
为第1个任务的任务处理队列中前方的任务总开销；
Figure BDA0002219104910000146
为第2个任务的任务处理队列中前方的任务总开销；
Figure BDA0002219104910000147
为第M个任务的任务处理队列中前方的任务总开销；
在t时刻(mτ＜t＜mτ+τ)，节点kj处理已分配的任务，其开销会满足：
Figure BDA0002219104910000148
基于以上分析，可以得到适应度函数：
由此可知，算法的目的是使适应度函数的取值尽可能大，对平均时延取倒数是为了便于处理任务的时延约束条件：
Figure BDA0002219104910000152
考虑任务时延约束条件，为了便于处理，可以限制一旦任务不满足时延约束条件，适应度函数将取值为0，通过这样的处理，可以将约束条件转化为函数本身的取值，从而便于后续的求解。
考虑边缘节点的位置约束条件，初始处于节点i的任务能够分配给节点i-1和节点i+1，则kj应该满足如下条件：
Figure BDA0002219104910000153
为处理本约束条件，粒子的位置矩阵为任务的节点偏移量：
Figure BDA0002219104910000154
其中，为第1个任务的最终分配节点与初始节点之差；
Figure BDA0002219104910000156
为第2个任务的最终分配节点与初始节点之差；
Figure BDA0002219104910000157
为第M个任务的最终分配节点与初始节点之差；
粒子的位置只能在{-1,0,1}中取值，而只要求出偏移值，便可根据任务的初始节点求出最终的任务分配向量。如此，便可根据相应的速度公式来更新位置。
综上所述，需要求解的目标是，使用任务分配算法在满足约束条件下，求出任务分配向量使适应度函数
Figure BDA0002219104910000159
的值尽可能大。由此得到实时在线监测业务边缘计算任务分配算法主要执行步骤：
(1)输入节点信息与待分配的任务队列，初始化粒子群算法相关参数。
(2)根据任务队列得到粒子的初始位置矩阵与初始速度矩阵。
(3)使用改进的离散粒子群算法进行循环迭代求解。在每次循环中，更新粒子、子种群、种群的最大适应度与最大适应度位置。在适应度函数的计算中，需要用混合优先级任务排队算法首先对每个节点上的任务进行排队。然后，根据迭代公式对粒子速度和位置进行更新。
(4)循环结束，计算最小平均时延Tmin，最优任务分配向量
应用实例
下面结合仿真实例进行说明：
1、参数设置
本发明使用CPU单元作为单位对任务处理开销进行评估。CPU单元是操作系统时间片的长度，根据Linux系统的进程调度策略，将仿真中的CPU时间片长度定为10ms，默认的CPU的频率为1GHz。在一定的频率范围内，可以CPU认为处理相同任务的时间和CPU频率成正比。仿真用到的相关电网实时在线监测业务数据如表1所示：
表1仿真使用实时在线监测业务数据(CPU的频率为1GHz)
监测项目 运行开销(cpu单元) 时延需求(ms) 传输频次
塔杆倾斜监测 5 320 30s/次
导线温度监测 2 280 5s/次
风力监测 2 400 5s/次
导线受力监测 5 400 20s/次
覆冰监测 6 600 10s/次
传感器报警 1 80 每10s以一定概率发生
视频监测 10 200 5s/次
在仿真中，每个边缘计算节点下的业务将只包含表1中的业务。为体现边缘计算节点的异构性，不同边缘节点的CPU频率将会有所不同，为便于分析，将边缘节点的CPU频率分为三类，分别为1GHz，1.5GHz，2GHz。如表2：
表2边缘计算节点CPU数据
边缘节点类型 CPU频率 CPU时间片长度
类型一 1GHz 10ms
类型二 1.5GHz 10ms
类型三 2GHz 10ms
在仿真过程中，边缘计算节点的频率将在上表中三种类型中选择。每个边缘节点下包含若干实时在线监测终端，按照不同业务的传输频次，周期(或随机地)生成若干实时在线监测业务。在仿真时，将生成一系列边缘计算节点与实时在线监测终端，在相同的情况下，对不同的算法进行对比。主要对比算法为经典粒子群算法、遗传算法。相关设定如下：
(1)边缘计算节点的初始负载均设为0，节点的CPU频率和时间片长度如表1所示。
(2)存在若干实时在线监测终端，每个终端按照表2产生不同的实时在线监测业务，终端任务传播到距离其最近的节点的发送时间与传输时间之和为10ms，到该节点两侧节点的时间为20ms。进行抢占式调度的额外开销为10ms，抢占式调度的门限时间为100ms。
(3)改进离散粒子群算法、经典粒子群算法、遗传算法的种群规模数相同，迭代次数分别为90、90、150。对于遗传算法，交叉率为0.6，变异率为0.02。对于改进离散粒子群算法与经典粒子群算法，设y为当前迭代次数，ymax为最大迭代次数，速度公式中的c1，c2，c3和w满足：
Figure BDA0002219104910000171
2、仿真结果分析
本次仿真主要对比两个方面，算法求得的任务平均时延与算法的运行时间，仿真结果如图1和图2。
图1和图2分别展示了不同算法的任务平均时延对比以及运行时间对比。由图1可知，对于同一组待分配的任务，使用改进的离散粒子群算法求解，将拥有最小的任务平均时延，这优于经典粒子群算法和遗传算法。由图2可知，在算法运行时间方面，相比经典粒子群算法，改进的离散粒子群算法的运行时间稍微有所增加，主要开销在于对子种群的处理，并且本发明提出的改进离散粒子群算法的运行时间明显低于遗传算法。
综上所述，本发明提出的基于改进离散粒子群算法的实时在线监测业务边缘计算任务分配策略，适合应用于面向电力物联实时在线监测业务的边缘计算场景下的任务分配。相比现有的一些技术，本发明的建立了更为优化的任务分配模型，并考虑到任务分配过程中的排队问题，设计了基于改进离散粒子群算法的任务分配策略，此策略运行速度更快，求解更优。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (6)

1.面向电力物联实时在线监测业务的边缘计算任务分配方法，其特征在于，包括如下步骤：
步骤a，作出如下假设：
(1)电力设施总体呈直线分布，边缘计算节点在直线上是等距分布的；
(2)不同的实时在线监测任务之间没有依赖关系；
(3)实时在线监测任务只能分配给距其最近的节点，以及该节点两侧的边缘计算节点；
步骤b，如果对第i个边缘计算节点下的任务，任务能被分配给边缘计算节点i，i-1，i+1；假设共有N个边缘计算节点，对于边缘计算节点i，其下有ni个任务，所有边缘计算节点任务数目的和为M；对于任务j，定义以下几个任务的参数：任务开始时间tsj′，任务截止时间tej，任务运行开销wj，任务初始节点ij，任务最终分配节点kj；
对于一个边缘计算节点i，其计算能力设为vi；任务从节点ij分配到节点kj，由节点ij分配到节点kj的传输时间设为
Figure FDA0002219104900000011
任务分配后其在t时刻节点kj任务排队队列前方任务的总开销设为Wkj(t)；任务分配系统每隔时间τ进行一次任务分配；假设在时刻mτ进行了一次任务分配，m为非负整数；
对于一个由终端产生的任务，其时延包含发送时延、传播时延、排队时延、处理时延；
任务的发送时延和传播时延之和：
任务的排队时延为
Figure FDA0002219104900000013
任务的处理时延为
Figure FDA0002219104900000014
若m为非负整数，对于时间mτ，对所有节点下待分配的任务进行任务分配，若任务j被分配到节点kj，则其任务总时延为：
Figure FDA0002219104900000021
式(1)即为单个任务的时延；任务j分配到本地节点ij产生的发送时延和传播时延之和为
Figure FDA0002219104900000022
考虑实际情况，若节点ij和节点kj为不同节点(ij≠kj)，有：
对所有任务的时延进行求和，得到任务总时延：
Figure FDA0002219104900000024
所有任务的平均时延：
Figure FDA0002219104900000025
式(4)即为需要求解的目标函数；
步骤c，考虑任务应在截止时间之内完成，则单个任务的总时延小于最大时延，即如下时延约束条件：
δtj≤tej-tsj 式(5)
即：
Figure FDA0002219104900000026
由于边缘计算节点能向两侧分配任务，如果节点处于两端，则此节点只能向另一侧分配任务，有如下节点位置约束条件：
Figure FDA0002219104900000027
步骤d，对目标函数minδTavg、以及时延约束条件、节点位置约束条件进行求解，将求解得到的最优任务分配向量作为任务分配方案。
2.根据权利要求1所述的面向电力物联实时在线监测业务的边缘计算任务分配方法，其特征在于，步骤d中求解采用混合优先级任务排队算法和改进的离散粒子群算法一起进行求解；
具体方法为：
(1)输入边缘计算节点信息与待分配的任务队列，初始化粒子群算法参数；
(2)根据任务队列得到粒子的初始位置矩阵与初始速度矩阵；
(3)使用改进的离散粒子群算法进行循环迭代求解；在每次循环中，更新粒子、子种群、种群的最大适应度与最大适应度位置；在适应度函数的计算中，需要用混合优先级任务排队算法首先对每个节点上的任务进行排队；然后，根据迭代公式对粒子速度和位置进行更新；
(4)循环结束，计算最小平均时延Tmin和最优任务分配向量
Figure FDA0002219104900000037
3.根据权利要求2所述的面向电力物联实时在线监测业务的边缘计算任务分配方法，其特征在于，所述的混合优先级任务排队算法为：在任务满足截止时间的基础上，不断比较两个相邻任务的处理开销，若后方的任务开销较小，并且如果对两个任务在队列中的位置进行交换后，任务仍能满足截止时间需求，则对任务进行交换。
4.根据权利要求2所述的面向电力物联实时在线监测业务的边缘计算任务分配方法，其特征在于，对于第k个子种群中的第j个粒子，在第y次迭代时，其速度更新满足如下公式：
Figure FDA0002219104900000031
在上式中，type＝1表示粒子为导航型粒子，type＝2表示粒子为探索型粒子。ω为粒子的惯性系数，c1为粒子的个人最优加速因子，c2为子种群最优加速因子，c3为种群最优加速因子，
Figure FDA0002219104900000032
为粒子j在第y次迭代前的最优位置，
Figure FDA0002219104900000033
为第k个子种群在第y次迭代前的最优位置，为种群在第y次迭代前的最优位置，r1，r2和r3为随机系数，取值在0到1之间；
Figure FDA0002219104900000035
表示粒子j在第y-1次迭代时的位置；
Figure FDA0002219104900000036
表示粒子j在第y次迭代时的速度。
5.根据权利要求4所述的面向电力物联实时在线监测业务的边缘计算任务分配方法，其特征在于，为避免陷入局部最优解，对粒子的速度增加一个随机扰动：
其中，r为[0,1]上的随机数。
6.根据权利要求2所述的面向电力物联实时在线监测业务的边缘计算任务分配方法，其特征在于，更新粒子位置的方法如下：
对第j个粒子在第R个维度上，将速度转化为跳变概率
vjR(y)为第j个粒子在第R个维度上的速度；
对于第k个子种群中的粒子j，其第R个维度上的位置更新公式为：
Figure FDA0002219104900000043
xjR(y)表示第k个子种群中的粒子j在第R个维度上的位置；
pjR(y)表示第k个子种群中的粒子j在第R个维度上的跳变概率；
r为[0,1]上的随机数。
CN201910926562.1A 2019-09-27 2019-09-27 面向电力物联实时在线监测业务的边缘计算任务分配方法 Active CN110717300B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910926562.1A CN110717300B (zh) 2019-09-27 2019-09-27 面向电力物联实时在线监测业务的边缘计算任务分配方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910926562.1A CN110717300B (zh) 2019-09-27 2019-09-27 面向电力物联实时在线监测业务的边缘计算任务分配方法

Publications (2)

Publication Number Publication Date
CN110717300A true CN110717300A (zh) 2020-01-21
CN110717300B CN110717300B (zh) 2022-10-21

Family

ID=69211064

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910926562.1A Active CN110717300B (zh) 2019-09-27 2019-09-27 面向电力物联实时在线监测业务的边缘计算任务分配方法

Country Status (1)

Country Link
CN (1) CN110717300B (zh)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111405521A (zh) * 2020-03-25 2020-07-10 合肥工业大学 一种用于智能网联汽车tsn网络偶发性消息的带宽预留方法
CN111445111A (zh) * 2020-03-09 2020-07-24 国网江苏省电力有限公司南京供电分公司 一种基于边缘协同的电力物联网任务分配方法
CN111597043A (zh) * 2020-05-14 2020-08-28 行星算力(深圳)科技有限公司 一种全场景边缘计算方法、装置及系统
CN111858051A (zh) * 2020-07-20 2020-10-30 国网四川省电力公司电力科学研究院 一种适合边缘计算环境的实时动态调度方法、系统和介质
CN112383433A (zh) * 2020-11-13 2021-02-19 天津大学 面向区域电网cps稳定控制的边缘计算优化配置方法
CN113132456A (zh) * 2021-03-02 2021-07-16 西安电子科技大学 一种基于截止时间感知的边云协同任务调度方法及系统
CN113391908A (zh) * 2021-06-28 2021-09-14 福建师范大学 一种车载边缘计算中针对时延优化的推理任务调度方法
CN113676559A (zh) * 2021-10-23 2021-11-19 深圳希研工业科技有限公司 物联网多设备移动边缘计算的信息处理系统及方法
CN113986562A (zh) * 2021-12-29 2022-01-28 中移(上海)信息通信科技有限公司 一种资源调度策略生成方法、装置及终端设备
WO2022057811A1 (zh) * 2020-09-17 2022-03-24 浙江大学 一种面向边缘服务器的网络突发负载疏散方法
CN114742166A (zh) * 2022-04-15 2022-07-12 北京邮电大学 一种基于时延优化的通信网现场维护模型迁移方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20120058652A (ko) * 2010-09-10 2012-06-08 성균관대학교산학협력단 네트워크 구조와 과업복잡성을 이용한 조직창의성 시뮬레이션 시스템
CN108319502A (zh) * 2018-02-06 2018-07-24 广东工业大学 一种基于移动边缘计算的d2d任务分配的方法及装置
US20180321981A1 (en) * 2017-05-04 2018-11-08 Huawei Technologies Co., Ltd. System and method for self organizing data center
CN109034495A (zh) * 2018-08-30 2018-12-18 珠海吉瓦科技有限公司 基于边缘计算的电力负荷预测系统
CN109218414A (zh) * 2018-08-27 2019-01-15 杭州中恒云能源互联网技术有限公司 一种面向智能电网混合网络架构的分布式计算方法
US20190116128A1 (en) * 2017-10-18 2019-04-18 Futurewei Technologies, Inc. Dynamic allocation of edge computing resources in edge computing centers
CN110012039A (zh) * 2018-01-04 2019-07-12 华北电力大学 一种车联网中基于admm的任务分配与功率控制方案

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20120058652A (ko) * 2010-09-10 2012-06-08 성균관대학교산학협력단 네트워크 구조와 과업복잡성을 이용한 조직창의성 시뮬레이션 시스템
US20180321981A1 (en) * 2017-05-04 2018-11-08 Huawei Technologies Co., Ltd. System and method for self organizing data center
US20190116128A1 (en) * 2017-10-18 2019-04-18 Futurewei Technologies, Inc. Dynamic allocation of edge computing resources in edge computing centers
CN110012039A (zh) * 2018-01-04 2019-07-12 华北电力大学 一种车联网中基于admm的任务分配与功率控制方案
CN108319502A (zh) * 2018-02-06 2018-07-24 广东工业大学 一种基于移动边缘计算的d2d任务分配的方法及装置
CN109218414A (zh) * 2018-08-27 2019-01-15 杭州中恒云能源互联网技术有限公司 一种面向智能电网混合网络架构的分布式计算方法
CN109034495A (zh) * 2018-08-30 2018-12-18 珠海吉瓦科技有限公司 基于边缘计算的电力负荷预测系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
XUDONG NIU 等: "Workload Allocation Mechanism for Minimum Service Delay in Edge Computing-Based Power Internet of Things", 《IEEE ACCESS》 *
YANZHI SUN等: "Edge Computing Terminal Equipment Planning Method for Real-time Online Monitoring Service of Power Grid", 《2019 IEEE 4TH ADVANCED INFORMATION TECHNOLOGY, ELECTRONIC AND AUTOMATION CONTROL CONFERENCE (IAEAC 2019)》 *
徐晓 等: "面向区域售电公司的边缘计算架构设计探讨", 《电力建设》 *

Cited By (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111445111A (zh) * 2020-03-09 2020-07-24 国网江苏省电力有限公司南京供电分公司 一种基于边缘协同的电力物联网任务分配方法
CN111405521B (zh) * 2020-03-25 2022-03-15 合肥工业大学 一种用于智能网联汽车tsn网络偶发性消息的带宽预留方法
CN111405521A (zh) * 2020-03-25 2020-07-10 合肥工业大学 一种用于智能网联汽车tsn网络偶发性消息的带宽预留方法
CN111597043A (zh) * 2020-05-14 2020-08-28 行星算力(深圳)科技有限公司 一种全场景边缘计算方法、装置及系统
CN111597043B (zh) * 2020-05-14 2024-05-10 行星算力(深圳)科技有限公司 一种全场景边缘计算方法、装置及系统
CN111858051A (zh) * 2020-07-20 2020-10-30 国网四川省电力公司电力科学研究院 一种适合边缘计算环境的实时动态调度方法、系统和介质
CN111858051B (zh) * 2020-07-20 2023-09-05 国网四川省电力公司电力科学研究院 一种适合边缘计算环境的实时动态调度方法、系统和介质
US11784931B2 (en) 2020-09-17 2023-10-10 Zhejiang University Network burst load evacuation method for edge servers
WO2022057811A1 (zh) * 2020-09-17 2022-03-24 浙江大学 一种面向边缘服务器的网络突发负载疏散方法
CN112383433B (zh) * 2020-11-13 2022-01-14 天津大学 面向区域电网cps稳定控制的边缘计算优化配置方法
CN112383433A (zh) * 2020-11-13 2021-02-19 天津大学 面向区域电网cps稳定控制的边缘计算优化配置方法
CN113132456B (zh) * 2021-03-02 2022-09-30 西安电子科技大学 一种基于截止时间感知的边云协同任务调度方法及系统
CN113132456A (zh) * 2021-03-02 2021-07-16 西安电子科技大学 一种基于截止时间感知的边云协同任务调度方法及系统
CN113391908B (zh) * 2021-06-28 2023-06-02 福建师范大学 一种车载边缘计算中针对时延优化的推理任务调度方法
CN113391908A (zh) * 2021-06-28 2021-09-14 福建师范大学 一种车载边缘计算中针对时延优化的推理任务调度方法
CN113676559A (zh) * 2021-10-23 2021-11-19 深圳希研工业科技有限公司 物联网多设备移动边缘计算的信息处理系统及方法
CN113986562A (zh) * 2021-12-29 2022-01-28 中移(上海)信息通信科技有限公司 一种资源调度策略生成方法、装置及终端设备
CN114742166A (zh) * 2022-04-15 2022-07-12 北京邮电大学 一种基于时延优化的通信网现场维护模型迁移方法

Also Published As

Publication number Publication date
CN110717300B (zh) 2022-10-21

Similar Documents

Publication Publication Date Title
CN110717300B (zh) 面向电力物联实时在线监测业务的边缘计算任务分配方法
CN112134916B (zh) 一种基于深度强化学习的云边协同计算迁移方法
CN111445111B (zh) 一种基于边缘协同的电力物联网任务分配方法
CN110570075B (zh) 一种电力业务边缘计算任务分配方法及装置
CN111475274B (zh) 云协同多任务调度方法及装置
CN111246586B (zh) 一种基于遗传算法的分配智能电网资源的方法及系统
CN107766135A (zh) 移动朵云中基于粒子群和模拟退火优化的任务分配方法
CN104168318A (zh) 一种资源服务系统及其资源分配方法
CN115002113B (zh) 一种移动基站边缘计算力资源调度方法、系统、电子设备
CN113641417B (zh) 一种基于分支定界法的车辆安全任务卸载方法
CN113286269B (zh) 一种基于边缘计算的电力通信网络资源管理方法
CN111866601A (zh) 一种基于合作博弈的移动边缘场景中的视频码率决策方法
CN115629865B (zh) 一种基于边缘计算的深度学习推理任务调度方法
CN118113484B (zh) 一种资源调度方法、系统、存储介质及车辆
CN117042047B (zh) 一种基于任务优先级的资源分配方法、装置、控制器及系统
CN118158112A (zh) 基于深度强化学习的服务链自适应编排方法
Li Optimization of task offloading problem based on simulated annealing algorithm in MEC
CN115955479A (zh) 一种云边端协作系统中的任务快速调度与资源管理方法
CN112887943B (zh) 一种基于中心度的缓存资源分配方法及系统
CN111930435B (zh) 一种基于pd-bpso技术的任务卸载决策方法
CN114154685A (zh) 智能电网中电能数据调度方法
CN117608806A (zh) 智能电网云边协同机制下计算任务雾-雾-云优化方法
CN117201408A (zh) 一种基于群体博弈的大规模物联网设备负载均衡解决方法
CN111954230A (zh) 基于移动边缘计算与密集云接入网融合的计算迁移与资源分配方法
Shen et al. Computing Resource Allocation Strategy Based on Cloud-Edge Cluster Collaboration in Internet of Vehicles

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