公开(公告)号：CN114416307B

公开(公告)日：2025-02-11

申请号：CN202111599786.X

申请日：2021-12-24

Applicant: 哈尔滨工业大学(深圳)

Inventor： 陈波 ,  姜强强 ,  杨建朋 ,  张福刚 ,  魏小峰

IPC: G06F9/48

Abstract: 本申请提出的面向旋转摆扫超宽幅卫星的异构任务调度方法、装置及存储介质中，获取任务的有向无环图DAG，并根据DAG生成候选解编码，并计算利用候选解编码调度任务所需的初始时间和初始能耗，然后生成随机数r，若r小于概率阈值p，则对候选解编码进行分解，再根据最优候选解判断规则对分解后的候选解编码进行重构，得到最优候选解编码，若利用最优候选解编码调度任务所需的时间和能耗均达到阈值，则输出最优候选解编码。其中，候选解编码表示任务的调度与资源分配方案。本申请中，以离散多目标进行任务调度的优化，避免了连续算法中的编码转化开销，降低了算法的复杂度，提高了对于多目标问题求解的收敛性。

公开(公告)号：CN115269145A

公开(公告)日：2022-11-01

申请号：CN202210879082.6

申请日：2022-07-25

Applicant: 哈尔滨工业大学(深圳)

Inventor： 陈波 ,  姜强强 ,  魏小峰 ,  杨建朋 ,  张福刚

IPC: G06F9/48 ,  G06F9/50

Abstract: 本申请提出了一种面向海上无人设备的高能效异构多核调度方法及装置，涉及边缘计算异构多核任务调度领域，其中，该方法包括：获取处理任务且根据有向无环图描述处理任务的约束关系，通过处理核执行处理任务；根据预设的约束条件，使处理核执行处理任务的处理时间与总能耗满足约束条件；获取满足约束条件的调度方案，并获取在调度方案下的第一处理时间与第一总能耗，根据第一处理时间与第一总能耗生成对应的甘特图和能耗图；根据处理任务的约束关系、甘特图和能耗图，对调度方案的自适应动态电压频率调整技术DVFS进行调节。通过监测任务处理时间和能耗，借助处理核的空闲情况和局部任务的约束关系，调节DVFS等级，压缩空闲时间且降低能耗。

公开(公告)号：CN114490034A

公开(公告)日：2022-05-13

申请号：CN202111618999.2

申请日：2021-12-27

Applicant: 哈尔滨工业大学(深圳)

Inventor： 陈波 ,  曹喜滨 ,  姜强强 ,  王峰 ,  魏小峰

IPC: G06F9/50 ,  G06T1/20 ,  G06V10/96 ,  G06V10/94 ,  G06V20/10

Abstract: 本申请提出的面向旋转摆扫超宽幅卫星的在轨异构计算方法及存储介质中，主机端获取任务和任务数据，然后主机端将任务和任务数据传输至设备端，以使设备端根据任务的任务类别，从多个加速器中选择与任务类别对应的目标加速器，并通过目标加速器执行任务数据以生成处理结果。由此可知，本申请提出的方法中，异构硬件平台可以集成多种不同的异构硬件单元，提升了星载算力，同时设备端中的异构资源可以进行协同计算，提高了数据处理性能，从而满足了超宽幅卫星中大规模数据与密集型在轨计算的需求。

公开(公告)号：CN114416307A

公开(公告)日：2022-04-29

申请号：CN202111599786.X

申请日：2021-12-24

Applicant: 哈尔滨工业大学(深圳)

Inventor： 陈波 ,  姜强强 ,  杨建朋 ,  张福刚 ,  魏小峰

IPC: G06F9/48

Abstract: 本申请提出的面向旋转摆扫超宽幅卫星的异构任务调度方法、装置及存储介质中，获取任务的有向无环图DAG，并根据DAG生成候选解编码，并计算利用候选解编码调度任务所需的初始时间和初始能耗，然后生成随机数r，若r小于概率阈值p，则对候选解编码进行分解，再根据最优候选解判断规则对分解后的候选解编码进行重构，得到最优候选解编码，若利用最优候选解编码调度任务所需的时间和能耗均达到阈值，则输出最优候选解编码。其中，候选解编码表示任务的调度与资源分配方案。本申请中，以离散多目标进行任务调度的优化，避免了连续算法中的编码转化开销，降低了算法的复杂度，提高了对于多目标问题求解的收敛性。

公开(公告)号：CN115309521A

公开(公告)日：2022-11-08

申请号：CN202210880692.8

申请日：2022-07-25

Applicant: 哈尔滨工业大学(深圳)

Inventor： 陈波 ,  魏小峰 ,  姜强强 ,  张福刚 ,  杨建朋

IPC: G06F9/48 ,  G06N3/08 ,  G06N3/04

Abstract: 本申请提出了一种面向海上无人设备的深度强化学习任务调度方法及装置，涉及智能调度领域，该方法包括以下步骤：构建智能体学习模型，并初始化模型的网络参数；获取多个处理任务，根据拓扑排序将处理任务有序编排，得到任务执行队列；针对任务执行队列中的处理任务，获取处理任务对应的调度状态、调度动作和奖励，并生成四元组；根据四元组和奖励函数计算目标奖励值，并结合最小化损失公式和策略梯度公式更新智能体学习模型的目标网络参数，得到训练完成后的目标智能体学习模型；获取待处理任务，根据目标智能体学习模型对实时待处理任务进行实时任务优化调度。本发明可以实现大规模问题下的实时任务调度，提高资源利用率，降低能耗需求。