基于多目标免疫系统算法的云任务调度策略

边缘计算的任务调度与负载均衡优化随着物联网技术的快速发展和边缘设备的广泛应用，边缘计算作为一种新兴的计算模式正在迅速崛起。

它通过将任务分配到边缘设备上进行处理，以降低计算延迟、减少网络传输压力，并为应用提供更高效的计算和服务。

然而，任务调度和负载均衡是边缘计算中的重要问题，对于保证系统性能和用户体验至关重要。

本文将探讨边缘计算环境下的任务调度与负载均衡优化问题。

一、任务调度问题在边缘计算中，任务调度旨在合理地将任务分配给边缘节点，以充分利用边缘资源、降低延迟和能源消耗。

任务调度问题可以分为静态任务调度和动态任务调度。

静态任务调度是指在任务到达之前根据一些预定条件进行调度，如任务大小、处理时间等；而动态任务调度则是指根据实时条件和资源利用情况来动态地调度任务。

为了解决任务调度问题，研究者们提出了许多优化算法和策略。

例如，基于遗传算法的任务调度算法可以根据任务的特性和节点资源的情况，通过进化的方式找到最优的任务分配方案。

另外，还有一些基于深度学习的任务调度算法，通过利用神经网络的强大性能来建模任务和节点之间的关系，从而进行优化调度。

二、负载均衡优化问题负载均衡是指将任务合理地分配到不同的边缘节点上，以避免单个节点负载过重，提高整体系统的性能和可靠性。

在边缘计算环境下，由于节点的分布不均和资源限制，负载均衡优化变得尤为重要。

针对负载均衡优化问题，研究者们提出了各种各样的算法和策略。

例如，基于动态迁移的负载均衡算法可以根据节点负载实时调整任务的分配方案，将负载较重的节点上的任务迁移到负载较轻的节点上，以实现负载均衡。

此外，还有一些基于机器学习的负载均衡算法，通过学习历史负载数据和节点资源利用情况，来预测未来的负载情况，从而进行负载均衡调整。

三、综合优化任务调度和负载均衡是边缘计算中两个相互关联的问题。

优化任务调度可直接影响负载均衡的效果，而负载均衡的优化也可以为任务调度提供更好的决策依据。

因此，在解决边缘计算中的任务调度与负载均衡问题时，综合考虑二者是十分必要的。

第33卷第1期2021年2月沈阳大学学报(自然科学版)J o u r n a l o f S h e n y a n g U n i v e r s i t y(N a t u r a l S c i e n c e)V o l.33,N o.1F e b.2021文章编号:2095-5456(2021)01-0041-07面向云边协同的资源调度优化策略赵宏伟,荆学慧,张帅,阮莹,张子祺(沈阳大学信息工程学院,辽宁沈阳110044)摘要:针对跨域环境下的多目标资源调度问题,建立了云边协同的调度模型,提出了边缘和云协同的资源调度优化方案.为提升服务质量,降低处理资源调度的时间,解决由于边缘积压导致的数据处理不及时㊁负载不均,以及将数据调度到云计算中心浪费资源的问题,提出改进的差分人工蜂群算法(d i f f e r e n t i a la r t i f i c i a lb e ec o l o n y,D A B C).实验结果表明:D A B C算法能够优化云边协同调度模型,并有效解决多目标资源调度问题,提升跨域环境下资源调度系统的整体性能.关键词:资源调度;边缘计算;云计算;人工蜂群算法;多目标中图分类号:T P311.1文献标志码:AR e s o u r c e S c h e d u l i n g O p t i m i z a t i o n S t r a t e g y o f C l o u d-E d g e S y s t e mZ HA OH o n g w e i,J I N GX u e h u i,Z HA N GS h u a i,R U A NY i n g,Z HA N GZ i q i (S c h o o l o f I n f o r m a t i o nE n g i n e e r i n g,S h e n y a n g U n i v e r s i t y,S h e n y a n g110044,C h i n a)A b s t r a c t:A i m i n g a tt h e m u l t i-o b j e c t i v er e s o u r c es c h e d u l i n g p r o b l e m i n ac r o s s-d o m a i ne n v i r o n m e n t,ac l o u d-e d g ec o l l a b o r a t i v es c h e d u l i n g m o d e l w a se s t a b l i s h e d,a n dar e s o u r c es c h e d u l i n g o p t i m i z a t i o n p l a n f o r c l o u d-e d g e c o l l a b o r a t i o nw a s p r o p o s e d.I no r d e r t o i m p r o v et h e q u a l i t y o f s e r v i c e,r e d u c e t h e t i m e f o r s c h e d u l i n g r e s o u r c e,s o l v e t h e p r o b l e mo f u n t i m e l yd a t a p r o ce s s i n g c a u s e d b y e d g e b a c k l o g,u n e v e n l o a d,a n d w a s t e o fr e s o u r c e s w h e ns c h e d u l i n g d a t at ot h ec l o u dc o m p u t i n g c e n t e ri nt h e p a s t,a ni m p r o v e dd i f f e r e n t i a lb e ec o l o n y(D A B C)a l g o r i t h m w a s p r o p o s e d.E x p e r i m e n t s v e r i f i ed t h a t t h eD A B Ca l g o r i t h mc a no p t i m i z e t h e c l o u d e d g e c o l l a b o r a t i v e s c h e d u l i n g m o d e l,e f f e c t i v e l y s o l v e t h em u l t i-o b j e c t i v er e s o u r c e s c h e d u l i n g p r o b l e m,a n d i m p r o v e t h e o v e r a l l p e r f o r m a n c e o f t h e r e s o u r c e s c h e d u l i n gs y s t e mi na c r o s s-d o m a i ne n v i r o n m e n t.K e y w o r d s:r e s o u r c es c h e d u l i n g;e d g ec o m p u t i n g;c l o u dc o m p u t i n g;a r t i f i c i a lb e ec o l o n y (A B C)a l g o r i t h m;m u l t i-o b j e c t随着工业互联网和5G的大规模商用,整个产业对云边协同的深度融合充满期待.伴随5G技术的推广应用,已有的C D N架构已不能满足5G技术的发展需求[1].目前C D N已结合边缘计算,主要应用于本地化且热点内容频繁请求的应用场景.并将虚拟内容分发网络(v C D N)部署于运营商区域的边缘数据中心,解决传统架构所具有的网络压力大等问题.在日常生活中我们也离不开云边协同架构,如与我们生活息息相关的智慧交通和智慧家居.传统云计算模式的数据传输过程,需要将用户待处理的大量数据汇聚于云数据中心,这种方式不但时延较长,浪费现有资源,而且对跨域链路带宽造成极大的负担.国内外学者对此也提出不同的改进办法,主要从解决负载均衡问题㊁任务卸载和排队处理等几方面着手研究.文献[2]提出以跨域作业平均完成时间最小化为优化目标的在线调度算法,该算法解决数据热点积压,边缘节点数据负载不均的问题,收稿日期:20200805基金项目:国家自然科学基金资助项目(71672117).作者简介:赵宏伟(1976),男,辽宁沈阳人,教授,博士.在降低整体任务平均完成时间的同时,也能有效降低当前任务完成时间.文献[3]提出一种集中控制的资源调度方法,选择合适少量的边缘计算节点,在已选择的节点间,采取降低端到端的时间延迟.文献[4]提出一种基于蜜蜂角色转换㊁蜜源的选择和改变随机数3方面优化人工蜂群算法,以满足多维Q o S 任务资源调度任务,从多方面考虑蜂群算法中解的适应度.减缓求解的搜索速度,扩大解的搜索范围,避免陷入局部最优解,能有效地提升用户满意度.文献[5]针对单目标的虚拟资源调度问题,提出多目标离散问题,在原有的智能算法基础上加以改进,提出离散型人工蜂群算法.满足单目标的同时,从用户和服务商2方面考虑保证多性能的最优化.目前智能算法在处理边缘和云协同的资源调度问题上已经取得一定的成果.但数据发展多样化对云和边缘上资源调度问题提出更高的要求,在提高效率的同时,需要尽可能满足多目标任务.图1 云边协同的网络结构F i g .1 C l o u da n de d gec o l l a b o r a t i o n n e t w o r k s t r u c t u r e 本文针对上述大环境的要求,结合文献[6]中提出的条件,从经济花费㊁完成时间和负载均衡3方面建立云和边缘上的适应度计算函数.提出一种改进搜索策略的人工蜂群算法,并结合差分思想,使算法搜索方向和搜索步长随着迭代次数的增加进行相应的调整,加快搜索速率,跳出局部最优解的同时确保解的准确性和稳定性.云边协同的结构如图1所示,主要分为云计算中心层㊁终端层和边缘服务器层[7].各层次间相互联系,相互协同通信.1 改进的人工蜂群算法智能群体算法在云计算技术中起着至关重要的作用,在资源调度上也取得较好的成果,确保云边结合能够带给用户高效快捷的服务.对此本文提出一种优化的人工蜂群算法,主要是针对搜索策略等加以改进.1.1 人工蜂群算法人工蜂群算法(A B C )是模仿蜜蜂行为提出的一种优化算法[8],由蜜源和人工蜜蜂2种要素构成,人工蜜蜂又分为侦查蜂㊁跟随蜂和引领蜂3种.蜜源相当于优化问题的可行解.引领蜂负责在随机蜜源周围进行搜索找到合适的蜜源,并把搜索到的蜜源信息以一定概率分享给其他蜜蜂.跟随蜂根据引领蜂发送回的信息,按一定概率进行跟随,进一步挖掘.如果蜜源经过若干周期仍没有改进,侦查蜂则随机搜索新的蜜源.具体步骤如下[9].解的初始化.搜索空间内随机分布产生N P 个初始蜜源(x 1,x 2, ,x N P ),对应空间解.每个蜜源x i都是一个D 维的向量,其中D 是解的维度.由式(1)随机产生可行解x i j ,其中i ɪ{1,2, ,N P },j ɪ{1,2, ,D }.x i j =x m i n j +r a n d [0,1](x m a x j -x m i n j ).(1)式中:x m i n j 表示解在j 维度下的下边界;x m a x j 表示解在j 维度下的上边界.引领蜂阶段.根据式(2)在现有蜜源的基础上搜索新蜜源,即新解v i j .v i j =x i j +ϕ(x i j -x k j ).(2)式中,ϕɪ[-1,1]的随机数,k 是{1,2, ,N P }中随机选取的参数,且k ʂi .分别计算适应度值,根据贪婪算法,选择较大进行保留.跟随蜂阶段.跟随蜂采用轮盘赌的方法选择引领蜂,见式(3),选择概率p i 大的跟随.其中f i t i 的计算见式(4).p i =f i t i ðN Pi =1f i t i,(3)fi t i =1/(1+f i ),f i ȡ0,1+a b s (fi ),e l s e {.(4)24沈阳大学学报(自然科学版) 第33卷式中,f i t i 为x i 的适应度,fi 表示解的函数值.再根据式(2)在所选择解的周围搜索并计算适应度值,采用贪婪算法选择较好解.侦察蜂阶段.经过t r 次迭代后解仍没有变化,且已超过开采次数L ,则放弃该蜜源,选取新解.1.2 差分人工蜂群算法当侦查蜂和跟随蜂采取局部搜索时,基于人工蜂群算法的局部搜索策略,随机选取2个蜜源在j 维上做差值,作为更新部分.这导致步长是随机选取,没有方向性,浪费不必要的时间.针对这一问题引入最优解x b e s t 的概念,利用已知的最优解提供参考,加快搜索效率.ϕ表示对步长的扰动程度,决定搜索区域的范围,对此提出结合差分思想的改进人工蜂群算法[10].改进后的方法可以在避免陷入局部最优解的同时,提高搜索效率,从而提高算法的开发能力.这种变异策略以一定的概率变换搜索方程.v i j =x i j +2(ϕ-0.5)(x i j -x k j )+ϕ(x b e s t ,j -x i j ),ϕɪ[0,1].(5)式(5)中,式(2)更新的蜜源变为新的v i j ,2个蜜源的步长系数由原来的ϕ变为2(ϕ-0.5),在原有基础上增加搜索密度,对解的范围加以精分,大大增加解的可能性,克服原人工蜂群算法的局限性.同时利用精英因子的学习功能,兼顾搜索速率.式(5)的第3项易使当前解偏向原有最优解,所以给予较小倾斜,当系数取0时,式(5)更接近式(2).在式(5)的基础上提出改变ϕ的系数得到式(6),这样即使在解的密度较大情况下,也能及时跳出局部最优的限制,增加步长,避免陷入局部最优解.对于后期的搜索也可以避免已知最优解的影响,增加随机性,从方向和步长2方面寻求新解,加快搜索效率.a ㊁b 分别为第2项和第3项的系数因子[11].K 表示人工蜂群算法迭代次数.v i j =x i j +2a (ϕ-0.5)(x i j -x k j )+b ϕ(x b e s t .j -x i j ),ϕɪ[0,1].(6)a =1m a x K -æèçöø÷K ,b =1-1m a x K -æèçöø÷K ìîíïïïï.D A B C 算法描述给出了改进后的人工蜂群算法具体执行过程.变系数人工蜂群算法,是通过结合差分的思想以及添加变系数因子在原始人工蜂群算法上加以改进.算法中种植条件由3个评价指标负载均衡度㊁经济花费和消耗时间的阈值所决定,当迭代周期数达到最大迭代周期数时,记入当前的最优解.改进算法中根据式(6)更新蜜源,其中a ㊁b 主要决定搜索效率,加快搜索最优解的时间.算法伪代码如下.1) 输入:最大迭代周期数L ,初始蜂群规模C n ,蜜源N P ,函数维数D ;2) 初始化食物源位置x i j ,其中i ɪ{1,2, ,N P },j ɪ{1,2, ,D },评估蜜源质量(即解的适应度值f i t i ).3) W h i l e (l ɤL )d o 4) 引领蜂阶段每个引领蜂选取相应蜜源;根据式(6)产生一个新的蜜源v i j ;计算该位置适应度值f i t i ,应用贪婪选择机制进行选择;5) 根据式(3)计算每个蜜源被选择的概率p i ;6) 跟随蜂阶段每个跟随蜂采用轮盘赌选取引领蜂进行跟随; 根据概率p i 选择一个蜜源;根据式(6)在该蜜源周围搜索产生新蜜源v i j ;计算新蜜源适应度值f i t i ,应用贪婪选择机制进行选择;7) 侦察蜂阶段判断是否有放弃的解;如果有,引领蜂变成侦察蜂; 根据式(1)在解空间随机产生新蜜源; 如果没有,结束搜索;8) 记住迄今为止发现的最优解9) l =l +1.10)E n dw h i l e 11)输出:最优解.34第1期 赵宏伟等:面向云边协同的资源调度优化策略2 云边协同资源调度2.1 云边协同系统调度框架云边协同调度框架如图2所示,用户设备发送任务到达服务器,由服务器将任务抽象成n 个子任务,分别送于不同的边缘集群进行计算.由于边缘集群计算能力有限,对于较大任务调度到云计算中心处理,再由云计算中心将数据层层反馈至用户设备端.图2 云边协同调度框架F i g .2 C l o u de d g ec o l l a b o r a t i v es c h e d u l i n gf r a m e w o r k 2.2 云边协同调度模型边缘和云协同系统中包含一个计算能力强大的云计算中心,和跨域部署于各地区的边缘集群构成.各集群的计算能力用计算单元s 的数量来描述,各计算单元的处理能力均相同.边缘集群以S i 表示,云计算中心以S v 表示.各集群包含不同的计算热点,热点所含有的计算单元数目不同则计算能力不同,云计算中心视为计算单元充足.将任务T 采用一定算法分配到各集群上,同时满足各项评价指标,这里给出负载w s㊁经济花费c 和消耗时间t 三个指标.任务T 分解为n 维的抽象子任务T ={T 1,T 2, T n },每一个子任务T i 分配到一个计算集群(S i )处理.每个计算集群中包含m 个计算能力不同的计算热点S i ={S i 1,S i 2, ,S i m }.本文引入3个消极的评价指标,即表现为数值越小越好的评价指标,以P 表示集群属性.则每一个计算集群热点属性可以表示为P (S i m )={p w s ,p c ,pt },由此每一个计算集群属性记为P (S i )={P w s ,P c ,P t }.m 表示每个计算集群的热点总数,n 表示需要计算的抽象任务数[12].综上计算集群则需要满足以下条件:P w s =ðni =1p w s (S i j ),1ɤj ɤm ;P c =ðni =1p c (S i j ),1ɤj ɤm ;P t =ðni =1p t (S i j ),1ɤj ɤm üþýïïïïïïïï.(7)在数据处理上优先考虑将数据上传至边缘端,各抽象任务部署于边缘集群的属性集合式(7)上,则应满足少于调度至云端的负载均衡度㊁经济花费和消耗时间.即满足条件如下:P w s =ðn i =1p w s (S i j )ɤðni =1p w s (S v j ),1ɤj ɤm ;P c =ðn i =1p c (S i j )ɤðni =1p c (S v j),1ɤj ɤm ;P t =ðn i =1p t (S i j )ɤðni =1p t (S v j ),1ɤj ɤm üþýïïïïïïïï.(8)云计算中心计算功能强大,计算单元数充足.当把抽象任务集中于云端时,任务可以全部计算,但计算单元应用达到最多,消耗资源最多,负载㊁经济花费和时间消耗都较大,不适宜选取.当把待处理任务集中于某一边缘计算集群时,集群可能因计算单元不足而无法完成计算任务.对此提出用解本身最小值来弥补,用当前解值和最小解做差值,消除最理想状态.所以选取式(9)计算解的适应度函数,消除影响.44沈阳大学学报(自然科学版) 第33卷fi t i =11+(P i -P i m i n ),P i ȡP i m i n ,1,e l s e ìîíïïïï.(9)式中:P i 表示计算集群单个属性;P i m i n 表示单个属性的最小值.2.3 基于D A B C 的云边协同资源调度基于改进人工蜂群算法D A B C 的云边协同资源调度策略,将云边协同资源调度的3个评价属性负载均衡度㊁经济花费和完成时间的最优值选取问题转化为人工蜂群算法对P w s ㊁P c 和P t 的寻优问题.并选取云边协同调度模型作为适应度函数,最大迭代周期数L 的选取依赖于云边协同仿真模拟器的处理能力和实际任务数.蜂群整体规模的选取依据为云边协同资源调度系统所需要处理的任务T .以下是云边协同资源调度的具体流程:步骤1 设置3个评价指标负载P w s ㊁经济花费P c ㊁消耗时间P t ,最大迭代周期数L ;步骤2 根据需要处理的任务数T ,随机产生初始种群,蜂群规模为C n ;步骤3 引领蜂初始化蜜源位置,根据式(9)评估属性适应度f i t i ;步骤4 根据式(6)的计算方法(这里x i j 和v i j 均为资源调度策略中的任务属性解,以P i 表示)产生任务属性P i 的解,并计算该位置适应度值;步骤5 根据式(3)计算解的选择概率p i ,跟随蜂采用贪心算法进行跟随;步骤6 跟随蜂根据式(6)的计算方法在已求得单个属性P i 的解周围产生任务属性的新解P i ;步骤7 计算新求得任务属性解的适应度,采用贪婪机制选择;步骤8 判断是否有被抛弃任务属性P i 的解,如果有,引领蜂转化为侦察蜂,侦察蜂根据式(1)进行计算,随机搜索新属性的较好解;步骤9 记入当前任务属性得到最优值;步骤10判断是否满足终止条件,预设的仿真模拟器最大迭代周期数;步骤11满足则输出最优的资源调度方案,若不满足则转为步骤4.3 云边协同资源调度模拟仿真本文实验在C l o u d S i m 仿真器上结合多台虚拟机进行模拟.选取一个云数据中心,600个边缘集群,各边缘集群所含热点数随机.任务数由100~500递增.为评价多目标情况下云边协同调度模型及改进算法,本文通过多次改变经济花费㊁负载均衡度和完成时间3个函数的权值的大小,得出算法改进有效的结论,同时也验证了算法的普适性和稳定性.本文选取人工蜂群算法(A B C )㊁改进的人工蜂群算法D A B C 和P S O 算法进行比较,通过改变任务数来衡量对经济花费,完成时间和负载均衡度造成的影响.图3 经济花费随任务数的变化F i g .3 C h a n ge s i ne c o n o m i c c o s t sw i t h t h en u m b e r of t a s k s 通过图3可以得出改进算法有效降低成本,改进算法中随着任务数的增加,经济花费增长逐渐变缓,说明更多的任务选择部署在边缘端,就近选择本地服务器来调度数据,减少不必要的资源浪费,降低调度成本.整体可以看出改进算法有效降低成本,任务数越高,效果越明显.图4看出人工蜂群算法对完成时间的影响较大,能有效的减少完成时间,提升算法效率.由于是多目标问题,需要牺牲其他函数,对经济花费和负载均衡度的提升有一定影响.当任务数增多时,完成时间降低效果较好,随着任务数的增长,后期完成时间增长相对稳定.图5显示了负载均衡度随任务数增长的变化,利用空闲资源与带宽进行任务调度,分散整体任务,54第1期 赵宏伟等:面向云边协同的资源调度优化策略将整体任务部署于多个边缘集群和云计算中心,以达到负载均衡的目标.当任务数较少时,对P S O算法的负载均衡度影响较大.从整体图像可以看出,相较于其他2种算法改进的人工蜂群算法对负载均衡度有一定影响.A B C算法和D A B C算法较为平稳,说明系数因子对负载均衡度影响较小.图4完成时间随任务数的变化F i g.4C h a n g e s i n c o m p l e t i o n t i m ew i t h t h en u m b e r o f t a s k s图5负载均衡度随任务数的变化F i g.5C h a n g e s i n l o a db a l a n c ew i t h t h en u m b e r o f t a s k s4结论本文针对跨域环境下的资源调度问题,提出了云边协同的多目标资源调度优化策略.基于云和边缘计算的各自特点,搭建了云边协同资源调度模型,其综合考虑经济花费㊁完成时间和负载均衡3个指标,同时提出一种基于差分思想的人工蜂群算法,用于优化和求解所构建的协同模型.最后,通过仿真实验验证,D A B C蜂群算法性能较好,云边协同模型能满足云边资源调度系统的多目标要求,在降低成本和减少时间的同时,提高了资源调度效率.D A B C算法和模型对解决云边协同的多目标资源调度问题具有重要的意义.参考文献:[1]徐恩庆,董恩然.探析云边协同的九大应用场景[J].通信世界,2019(21):4243.X UEQ,D O N GER.A n a l y z e t h e n i n e a p p l i c a t i o n s c e n a r i o s o f c l o u d-s i d e c o l l a b o r a t i o n[J].C o mm u n i c a t i o n sW o r l d,2019(21):4243.[2]徐超,吴波,姜丽丽,等.云:边缘系统中跨域大数据作业调度技术研究[J].计算机应用研究,2020,37(3):754758.X UC,WUB,J I A N GLL,e t a l.T a s k s c h e d u l i n g f o r g e o-d i s t r i b u t e d d a t a a n a l y t i c s i n c l o u d-e d g e s y s t e m[J].A p p l i c a t i o nR e s e a r c h o fC o m p u t e r s,2020,37(3):754758.[3]董谦,马宇翔,李俊.边缘计算网络中面向负载均衡的调度机制[J].计算机应用研究,2020,37(3):856859.D O N G Q,MA Y X,L I J.L o a db a l a n c i n g o r i e n t e ds c h e d u l i n g s c h e m e i ne d g ec o m p u t i n g n e t w o r k[J].A p p l i c a t i o nR e s e a r c ho fC o m p u t e r s,2020,37(3):856859.[4]颜丽燕,张桂珠.基于蜂群算法的多维Q o S云计算任务调度[J].计算机工程与科学,2016,38(4):648655.Y A NLY,Z H A N G GZ.M u l t i-d i m e n s i o n a lQ o S c l o u d t a s ks c h e d u l i n g b a s e do nc o l o n y a l g o r i t h m[J].C o m p u t e rE n g i n e e r i n g& S c i e n c e,2016,38(4):648655.[5]倪志伟,李蓉蓉,方清华,等.基于离散人工蜂群算法的云任务调度优化[J].计算机应用,2016,36(1):107112.N I Z W,L IRR,F A N G Q H,e t a l.O p t i m i z a t i o no f c l o u dt a s ks c h e d u l i n g b a s e do nd i s c r e t ea r t i f i c i a l b e ec o l o n y a l g o r i t h m[J].J o u r n a l o fC o m p u t e rA p p l i c a t i o n s,2016,36(1):107112.[6]Q I N Z Q,Q I U X Y,Y EJ,e ta l.U s e r-e d g ec o l l a b o r a t i v er e s o u r c ea l l o c a t i o na n do f f l o a d i n g s t r a t e g y i ne d g ec o m p u t i n g[J].W i r e l e s sC o mm u n i c a t i o n s a n d M o b i l eC o m p u t i n g,2020:112.[7]李林哲,周佩雷,程鹏,等.边缘计算的架构㊁挑战与应用[J].大数据,2019,5(2):316.L ILZ,Z H O UPL,C H E N GP,e t a l.A r c h i t e c t u r e,c h a l l e n g e s a n d a p p l i c a t i o n s o f e d g e c o m p u t i n g[J].B i g D a t aR e s e a r c h,2019,5(2):316.[8]G O N G GL,C H I O N GR,D E N G Q W,e t a l.Ah y b r i d a r t i f i c i a l b e e c o l o n y a l g o r i t h mf o r f l e x i b l e j o b s h o p s c h e d u l i n g w i t hw o r k e rf l e x i b i l i t y[J].I n t e r n a t i o n a l J o u r n a l o f P r o d u c t i o nR e s e a r c h,2020,58(14):44064420.(下转第74页) 64沈阳大学学报(自然科学版)第33卷T A N GL ,Z H A N G H ,L I U Y Q.R e s e a r c ho n r a t i o n a l d e s i g no f c o n n e c t i o n p a r t f o r c o m b i n e dc a b l e -s t a y e da n ds u s p e n s i o nb r i d g e [J ].J o u r n a l o fH i g h w a y a n dT r a n s p o r t a t i o nR e s e a r c ha n dD e v e l o pm e n t ,2016,33(1):7075.[9]曾前程.斜拉-悬索协作体系桥合理成桥状态的确定及施工过程分析[D ].成都:西南交通大学,2018.Z E N G QC .D e t e r m i n i n g o f t h e r e a s o n a b l e f i n i s h e ds t a t ea n da n a l y s i so f c o n s t r u c t i o n p r o c e s so f c a b l e -s t a y e ds u s p e n s i o nb r i d g e [D ].C h e n g d u :S o u t h w e s t J i a o t o n g U n i v e r s i t y,2018.[10]WA N G H L ,Q I NSF ,HU A N G CL ,e t a l .L i v i n g l o a dn o n l i n e a r a n a l y s i so f s e l f -a n c h o r e dc a b l e -s t a y e ds u s p e n s i o nb r i d g e s [J ].A p pl i e d M e c h a n i c s a n d M a t e r i a l s ,2010,29/30/31/32:15831587.[11]朱巍志,张哲,潘盛山,等.自锚式斜拉-悬索协作体系桥合理成桥状态确定的分步算法[J ].土木工程学报,2010,43(10):9197.Z HU W Z ,Z HA N GZ ,P A NSS ,e t a l .S t e p w i s em e t h o do f c a l c u l a t i o n f o r t h e r a t i o n a l f i n i s h e d s t a t e o f s e l f -a n c h o r e d c a b l e -s t a y e d s u s p e n s i o nb r i d g e s [J ].C h i n aC i v i l E n g i n e e r i n g Jo u r n a l ,2010,43(10):9197.[12]Y U A NP ,C A IC ,L ID ,e t a l .An o v e lm e t h o d f o r d e t e r m i n i n g t h e s p a t i a l r e s p o n s e s o f a c a b l e -s t a y e d b r i d g ew i t h f o u r c a b l e -p l a n e s [J ].E n g i n e e r i n g St r u c t u r e s ,2019,180:223233.[13]Y A N GJ .D e t e r m i n i n g t h er a t i o n a l c o m p l e t i o nc a b l e f o r c e sb a s e do n i n f l u e n c e m a t r i x m e t h o du n i t e d m i n i m u m b e n d i n g e n e r g ym e t h o d [C ]ʊS e v e n t hI n t e r n a t i o n a lC o n f e r e n c eo n T r a f f i ca n d T r a n s p o r t a t i o n S t u d i e s (I C T T S )2010,A u gu s t3-5,2010,K u n m i n g,C h i n a .[14]郭雪妍,王超,张恒心,等.潮河大桥悬索桥猫道设计与计算分析[J ].沈阳大学学报(自然科学版),2017,29(1):6670.G U O X Y ,WA N GC ,Z H A N G H X ,e t a l .D e s i g n a n d c a l c u l a t i o n a n a l y s i s o f c a t w a l ko f C h a o h e S u s p e n s i o nB r i d ge [J ].J o u r n a l of S h e n y a ng U n i v e r s i t y (N a t u r a l S c i e n c e ),2017,29(1):6670.[15]王超,檀永刚,韩义乐.基于A N S Y S 与S i P E S C .O P T 的自锚式悬索桥合理成桥索力优化[J ].沈阳大学学报(自然科学版),2013,25(6):506510.WA N GC ,T A NYG ,HA NYL .O p t i m i z a t i o n o f r a t i o n a l b r i d g i n g c a b l e f o r c e o f s e l f -a n c h o r e d s u s p e n s i o nb r i d g e b a s e d o nA N S Y S a n dS i P E S C .O P T [J ].J o u r n a l o f S h e n y a n g U n i v e r s i t y (N a t u r a l S c i e n c e ),2013,25(6):506510.[16]中华人民共和国交通运输部.公路与铁路两用桥梁通用技术要求:J T /T1246 2019[S ].北京:人民交通出版社,2019.M i n i s t r y o fT r a n s p o r t o f t h eP e o p l e sR e p u b l i c o fC h i n a .G e n e r a l t e c h n i c a l r e q u i r e m e n t s f o r r a i l -c u m -r o a db r i d g e s :J T /T1246-2019[S ].B e i j i n g:C h i n aC o mm u n i c a t i o n sP r e s s ,2019.ʌ责任编辑:赵 炬췍췍췍췍췍췍췍췍췍췍췍췍췍췍췍췍췍췍췍췍췍췍췍췍췍췍췍췍췍췍췍췍췍췍췍췍췍췍췍췍췍췍췍췍췍췍췍ɔ(上接第46页)[9]张架鹏,倪志伟,倪丽萍,等.基于改进离散人工蜂群算法的同类机调度优化[J ].计算机应用,2020,40(3):689697.Z HA N GJP ,N IZ W ,N IL P ,e ta l .P a r a l l e lm a c h i n es c h e d u l i n g o p t i m i z a t i o nb a s e do ni m p r o v e dd i s c r e t ea r t i f i c i a lb e ec o l o n ya l g o r i t h m [J ].J o u r n a l o fC o m p u t e rA p pl i c a t i o n s ,2020,40(3):689697.[10]C I V I C I O G L UP ,B E S D O KE ,G U N E N M A ,e t a l .W e i g h t e d d i f f e r e n t i a l e v o l u t i o n a l g o r i t h mf o r n u m e r i c a l f u n c t i o n o pt i m i z a t i o n :a c o m p a r a t i v e s t u d y w i t h c u c k o o s e a r c h ,a r t i f i c i a l b e e c o l o n y ,a d a p t i v e d i f f e r e n t i a l e v o l u t i o n ,a n db a c k t r a c k i n g s e a r c ho p t i m i z a t i o n a l g o r i t h m s [J ].N e u r a l C o m p u t i n g a n dA p p l i c a t i o n s ,2020,32(8):39233937.[11]饶小飞,蔡基刚.信息素养嵌入式学术英语需求分析动态模型的理论建构[J ].沈阳大学学报(社会科学版),2019,21(2):197202.R A O XF ,C A I JG.T h e o r e t i c a l c o n s t r u c t i o no f a d y n a m i c n e e d s a n a l y s i sm o d e l f o r i n t e g r a t i n g i n f o r m a t i o n l i t e r a c y i n t o u n i v e r s i t yE n g l i s h f o r a c a d e m i c p u r p o s e c o u r s e s [J ].J o u r n a l o f S h e n y a n g U n i v e r s i t y (S o c i a l S c i e n c e ),2019,21(2):197202.[12]龙睿,吴旭云.旅游景点人气指数的区域差异化预测方法[J ].沈阳大学学报(自然科学版),2019,31(4):313318.L O N G R ,WU X Y.P r e d i c t i o n m e t h o do f p o p u l a t i o ni n d e xo f t o u r i s ts p o t sb a s e do nr e gi o n a ld i f f e r e n t i a t i o n [J ].J o u r n a lo f S h e n y a n g U n i v e r s i t y (N a t u r a l S c i e n c e ),2019,31(4):313318.ʌ责任编辑:肖景魁ɔ47沈阳大学学报(自然科学版) 第33卷。

基于多目标优化的空调调度算法研究空调技术的发展和应用相当广泛，但是目前现有的空调调度算法主要是单一目标优化，而对于大型建筑群体区域内的空调调度问题，单一目标优化算法的效果无法达到满意的效果，因此研究如何利用多目标优化算法来改进现有的空调调度算法是非常有必要的。

多目标优化算法是指在满足多个目标需求的情况下，对一组能够满足约束条件的决策变量进行优化，以获得多个最优解。

多目标优化算法的应用非常广泛，在各个领域都有很好的应用实践。

在空调调度问题上，多目标优化算法同样适用。

在空调调度问题中，我们需要考虑如下多个因素：舒适度、能耗、空气质量、设备损耗等等。

这些因素之间并不是简单的一对一的关系，而是相互交织、相互影响的。

因此在调度过程中需要综合考虑所有的因素，才能达到最优的效果。

空调调度问题是一个典型的多目标优化问题，可以采用不同的多目标优化方法来解决此问题。

其中常用的方法有多目标遗传算法、多目标粒子群算法、多目标差分进化算法等等。

在这些方法中，遗传算法的应用比较广泛，在空调调度问题上效果也比较显著。

基于遗传算法的空调调度算法主要包括以下几个步骤：首先设计适应度函数，通过适应度函数来评价空调调度策略的好坏程度；然后设计变异算子和交叉算子，通过变异和交叉来产生新的解，并保证新的解仍满足约束条件；最后进行选择操作，选出适应度较高的解作为下一代的父代。

通过不断的重复以上的步骤，逐渐优化空调调度策略，直至满足所有优化目标。

在具体的实现过程中，我们需要设计适合实际情况的适应度函数，并调整遗传算法的参数，以达到最佳的优化效果。

同时，为了保证算法的实用性和可行性，还需要对算法的可调节性和鲁棒性进行分析和测试。

总的来说，基于多目标优化的空调调度算法研究是一个比较复杂和繁琐的过程，但是它可以使得我们在调度过程中更好的平衡各种目标，使得空调系统在舒适度、能效、空气质量等方面都达到最优化的效果。

同时，对于建筑群体的空调调度问题，采用多目标优化算法比单一目标优化算法更加符合实际需求，能够获得更加令人满意的优化效果。

云计算环境下基于 ABC-QPSO 算法的资源调度模型温聪源;徐守萍;曾致远【摘要】In order to improve the utilisation rate of cloud resource scheduling and guarantee load balance of nodes, we propose a cloud computing resource scheduling method which combines the quantum particle swarm optimisation algorithm with artificial bee colony algorithm. Firstly, the search operator of artificial bee colony algorithm is introduced to QPSO algorithm as the mutation operator to solve its defect of premature convergence, and then the shortest scheduling time is taken as the fitness function of the QPSO algorithm to optimise the cloud resource scheduling, finally, the performance test of ABC-QPSO is carried out on CloudSim platform.Results show that the ABC-QPSO overcomes the shortcomings of QPSO algorithm, and effectively shortens the task completion time as well, as well as improves the utilisation rate of cloud resource scheduling, it is suitable for cloud computing resource scheduling of large-scale tasks.%为了提高云计算资源的利用率,保证节点负载均衡,提出一种人工蜂群算法和量子粒子群算法相融合的云计算资源调度模型( ABC-QPSO). 首先将人工蜂群算法的搜索算子作为变异算子引入到量子粒子群算法中,以解决量子粒子群算法早熟收敛缺陷,然后以任务完成时间最短作为量子粒子群的适应度函数对云计算资源调度进行优化,最后在CloudSim 平台上对ABC-QPSO的性能进行测试. 结果表明,ABC-QPSO算法不仅克服了QPSO算法的不足,而且有效缩短了任务的完成时间,提高了云计算资源利用率,适合于进行大规模任务的云计算资源调度.【期刊名称】《计算机应用与软件》【年(卷),期】2015(032)005【总页数】4页(P30-32,64)【关键词】云计算;资源调度;人工蜂群算法;量子粒子群算法;任务分配【作者】温聪源;徐守萍;曾致远【作者单位】广东金融学院广东广州510520;广东金融学院广东广州510520;广东金融学院广东广州510520【正文语种】中文【中图分类】TP393云环境任务数量以海量形式存在，而云计算资源具有动态、异构特性，因此如何对云资源进行有效管理，提高资源利用率，成为云计算研究中的重点问题[1,2]。

云计算环境下的资源调度技术研究在当今数字化时代，云计算已经成为了信息技术领域的重要支撑，为企业和个人提供了强大的计算和存储能力。

然而，随着云计算应用的不断扩展和用户需求的日益多样化，如何有效地进行资源调度成为了一个关键问题。

资源调度的合理性直接影响着云计算系统的性能、效率和成本，对于提升用户体验和保障服务质量具有重要意义。

云计算环境中的资源具有多样性和动态性的特点。

资源包括计算能力（如 CPU 核心数、内存大小）、存储容量、网络带宽等。

这些资源在不同的时间和任务需求下，其可用性和负载情况会不断变化。

例如，在某些时间段，某些服务器的负载可能很高，而另一些则相对空闲；有些应用需要大量的计算资源，而有些则更依赖存储或网络带宽。

资源调度的目标是在满足用户需求的前提下，实现资源的高效利用和优化配置。

这包括提高系统的整体性能，如减少任务的执行时间和响应时间；降低成本，如减少能源消耗和硬件投入；保证服务质量，如满足用户对资源的最低要求和服务水平协议（SLA）；以及增强系统的可靠性和容错性。

为了实现这些目标，云计算环境下的资源调度技术主要包括以下几个方面：任务分配策略是资源调度的核心之一。

常见的任务分配策略有先来先服务（FCFS）、最短作业优先（SJF）、优先级调度等。

然而，在云计算环境中，这些传统策略往往难以满足复杂的需求。

因此，出现了一些基于预测和智能算法的任务分配策略。

例如，通过对任务的资源需求和执行时间进行预测，提前为任务分配合适的资源，从而提高系统的性能。

资源监控是资源调度的基础。

通过实时监测云计算系统中各个节点的资源使用情况，如 CPU 利用率、内存使用率、网络流量等，调度器能够获取准确的资源状态信息。

基于这些信息，调度器可以做出合理的调度决策。

同时，资源监控还能够及时发现系统中的故障和异常情况，以便采取相应的措施进行处理。

负载均衡技术旨在确保云计算系统中的各个节点负载相对均衡，避免出现某些节点负载过高而另一些节点闲置的情况。

基于双重规划的优化调度方法研究在生产调度、物流调度等领域中，如何实现最优的资源利用，提高生产效率，一直是一个重要的问题。

传统的调度方法通常只考虑单一目标，如时间、成本、质量等，缺乏综合考虑，容易导致某些任务被优先安排，而忽略了其他任务的重要性。

为此，基于双重规划的优化调度方法被提出。

双重规划是一种多目标优化方法。

与传统单目标优化不同，双重规划旨在解决两个或两个以上的目标功能之间的矛盾或冲突。

在调度问题中，双重规划可以将调度目标分为两个层次：一是资源利用效率，即如何最大限度地利用有限的资源，使任务的完成时间最短；二是业务目标，即如何满足不同任务的质量要求、交期等特定需求。

在应用双重规划进行调度时，需要先对各任务的约束条件进行描述，包括任务加工工序、工艺时间、资源需求等。

然后，根据约束条件，制定计划，将任务分配给不同的设备或工作组，并制定相应的执行时间。

最后，将计划和执行结果进行反馈和调整，以满足不同的要求和优化目标。

整个过程需要通过计算机模拟或数学建模等方法实现。

基于双重规划的优化调度方法有多种优点。

首先，它可以提高资源的利用效率，避免资源浪费和闲置。

其次，它考虑了多个目标，确保不同任务的要求都能得到满足。

此外，双重规划可以帮助调度人员更好地理解调度问题，从而采取更加科学合理的调度策略。

最后，它可以不断地优化调度方案，使得调度系统能够不断地适应市场和业务变化。

不过，基于双重规划的优化调度方法也存在一些挑战和限制。

首先，由于计算成本较高，需要进行大量的数据收集和处理，所以实现起来比较复杂。

其次，当目标函数个数增加时，优化难度也会不断增加。

此外，由于系统本身的复杂性，较难对每个目标得到全局最优解。

基于双重规划的优化调度方法在未来的发展中，需要进一步完善和改进。

一方面，需要将人工智能、机器学习等技术应用到优化调度中，以提高计算效率和准确度。

另一方面，需要建立更加完善的算法和模型，以应对更加复杂的业务场景和调度需求。

物流仓储行业智能仓储解决方案第一章：智能仓储概述 (2)1.1 智能仓储发展背景 (2)1.2 智能仓储定义及分类 (2)1.2.1 定义 (2)1.2.2 分类 (3)1.3 智能仓储应用领域 (3)第二章：智能仓储核心技术 (3)2.1 传感器技术 (3)2.2 导航与定位技术 (4)2.3 通信与控制技术 (4)2.4 人工智能与大数据技术 (4)第三章：智能仓储系统架构 (4)3.1 系统硬件架构 (4)3.2 系统软件架构 (5)3.3 系统集成与兼容性 (5)第四章：智能仓储路径规划与调度 (6)4.1 路径规划算法 (6)4.2 调度策略 (6)4.3 多协同作业 (7)第五章：智能仓储安全与可靠性 (7)5.1 安全防护措施 (7)5.2 故障诊断与维护 (7)5.3 可靠性分析与优化 (8)第六章：智能仓储应用案例分析 (8)6.1 制造业案例 (8)6.2 电商物流案例 (9)6.3 医药行业案例 (9)第七章：智能仓储市场前景与投资建议 (10)7.1 市场规模与增长趋势 (10)7.2 投资策略与建议 (10)7.3 政策与产业环境分析 (11)第八章：智能仓储行业竞争格局 (11)8.1 国内外竞争对手分析 (11)8.1.1 国际竞争对手 (11)8.1.2 国内竞争对手 (11)8.2 市场份额与竞争策略 (12)8.2.1 市场份额 (12)8.2.2 竞争策略 (12)8.3 技术创新与突破方向 (12)第九章：智能仓储产业发展趋势 (13)9.1 技术发展趋势 (13)9.2 市场发展趋势 (13)9.3 政策与产业环境发展趋势 (13)第十章：智能仓储解决方案实施与推广 (14)10.1 实施步骤与方法 (14)10.1.1 需求分析与规划 (14)10.1.2 技术选型与采购 (14)10.1.3 设施改造与部署 (14)10.1.4 系统集成与调试 (14)10.1.5 培训与运营 (14)10.2 推广策略与建议 (14)10.2.1 政策引导与支持 (14)10.2.2 产业链协同 (14)10.2.3 宣传与交流 (15)10.2.4 人才培养与引进 (15)10.3 成本效益分析 (15)10.3.1 投资成本 (15)10.3.2 运营成本 (15)10.3.3 效益分析 (15)第一章：智能仓储概述1.1 智能仓储发展背景我国经济的快速发展，物流仓储行业逐渐成为国民经济的重要支柱。