-
公开(公告)号：CN112052071B
公开(公告)日：2023-07-04
申请号：CN202010932875.0
申请日：2020-09-08
Applicant: 福州大学
Abstract: 本发明涉及一种强化学习和机器学习相结合的云软件服务资源分配方法。建立面向变化负载的管理操作决策模型。首先，使用强化学习方法，针对历史数据计算每一管理操作在不同环境、状态下的Q值；其次，使用机器学习方法，基于Q值预测模型，输入环境和状态，就能预测每一管理操作的Q值；最后，根据Q值预测模型，在运行时进行管理操作决策，通过反馈控制，逐步推理合适的资源分配方案。本发明方法使用在实际应用RUBiS中，结果显示：本发明方法能够提高云应用资源分配的有效性，管理操作决策的正确性达到92.3%，相比传统机器学习方法，资源分配效果提高约6%。
-
公开(公告)号：CN112052071A
公开(公告)日：2020-12-08
申请号：CN202010932875.0
申请日：2020-09-08
Applicant: 福州大学
Abstract: 本发明涉及一种强化学习和机器学习相结合的云软件服务资源分配方法。建立面向变化负载的管理操作决策模型。首先，使用强化学习方法，针对历史数据计算每一管理操作在不同环境、状态下的Q值；其次，使用机器学习方法，基于Q值预测模型，输入环境和状态，就能预测每一管理操作的Q值；最后，根据Q值预测模型，在运行时进行管理操作决策，通过反馈控制，逐步推理合适的资源分配方案。本发明方法使用在实际应用RUBiS中，结果显示：本发明方法能够提高云应用资源分配的有效性，管理操作决策的正确性达到92.3%，相比传统机器学习方法，资源分配效果提高约6%。
-
公开(公告)号：CN112256415B
公开(公告)日：2023-08-04
申请号：CN202011118823.6
申请日：2020-10-19
Applicant: 福州大学
Abstract: 本发明涉及一种基于PSO‑GA的微云负载均衡任务调度方法，包括以下步骤：步骤S1:初始化微云集合参数；步骤S2:计算所有微云的本地任务响应时间；步骤S3:根据微云的本地任务响应时间对微云进行排序，并将微云集合划分成过载集合和欠载集合；步骤S4:基于约束条件，采用改进的PSOGA算法，获取最优的微云任务调度方案。本发明可以有效减少迁移任务的响应时间，提高微云负载任务调度效率。
-
公开(公告)号：CN113672372B
公开(公告)日：2023-08-08
申请号：CN202111000830.0
申请日：2021-08-30
Applicant: 福州大学
Abstract: 本发明涉及一种基于强化学习的多边缘协同负载均衡任务调度方法，一种基于强化学习的多边缘协同负载均衡任务调度方法，包括以下步骤：步骤S1：根据历史数据集，使用强化学习算法来评估不同系统状态下各调整操作的Q值；步骤S2：对步骤S1中构建Q值表中调整操作的Q值进行预处理，然后用机器学习算法训练一个Q值预测模型；步骤S3：每个边缘根据Q值预测模型独立并行地进行决策。本发明将强化学习和机器学习相结合结合，设计无线城域网中的多边缘协同负载均衡算法。每个边缘节点仅利用局部信息，便可独立进行本节点和相邻节点间的负载均衡调度，经过反馈控制和多边缘协同逐步寻找合适的负载均衡方案。所寻找的方案可以有效地减少任务的响应时间。
-
Patent Agency Ranking
公开(公告)号：CN110837413B
公开(公告)日：2023-03-24
申请号：CN201911143030.7
申请日：2019-11-20
Applicant: 福州大学
Abstract: 本发明涉及一种边缘环境下深度神经网络应用的计算迁移调度方法，该方法基于评估算法和遗传算法寻找一个最优调度方案，通过该最优调度方案使n个任务平均响应时间最小，具体为：把n个任务按层划分成n×m个子任务，每一个子任务对应一个基因位点，每一个基因位点上的基因表示该基因位点对应的子任务的执行节点，每一个个体即为一个可行解；采用评估算法计算每一个个体的平均响应时间，找出这一代群体中的最优个体；计算种群的平均响应时间，并依次进行选择操作、交叉操作和变异操作，得到子代群体；不断迭代，在不断更新的子代群体中找到最优个体，即最优调度方案，得到最优调度方案的平均响应时间。该方法有利于减少计算迁移调度时间。
-
公开(公告)号：CN113672372A
公开(公告)日：2021-11-19
申请号：CN202111000830.0
申请日：2021-08-30
Applicant: 福州大学
Abstract: 本发明涉及一种基于强化学习的多边缘协同负载均衡任务调度方法，一种基于强化学习的多边缘协同负载均衡任务调度方法，包括以下步骤：步骤S1：根据历史数据集，使用强化学习算法来评估不同系统状态下各调整操作的Q值；步骤S2：对步骤S1中构建Q值表中调整操作的Q值进行预处理，然后用机器学习算法训练一个Q值预测模型；步骤S3：每个边缘根据Q值预测模型独立并行地进行决策。本发明将强化学习和机器学习相结合结合，设计无线城域网中的多边缘协同负载均衡算法。每个边缘节点仅利用局部信息，便可独立进行本节点和相邻节点间的负载均衡调度，经过反馈控制和多边缘协同逐步寻找合适的负载均衡方案。所寻找的方案可以有效地减少任务的响应时间。
-
公开(公告)号：CN112256415A
公开(公告)日：2021-01-22
申请号：CN202011118823.6
申请日：2020-10-19
Applicant: 福州大学
Abstract: 本发明涉及一种基于PSO‑GA的微云负载均衡任务调度方法，包括以下步骤：步骤S1:初始化微云集合参数；步骤S2:计算所有微云的本地任务响应时间；步骤S3:根据微云的本地任务响应时间对微云进行排序，并将微云集合划分成过载集合和欠载集合；步骤S4:基于约束条件，采用改进的PSOGA算法，获取最优的微云任务调度方案。本发明可以有效减少迁移任务的响应时间，提高微云负载任务调度效率。
-
公开(公告)号：CN112214320A
公开(公告)日：2021-01-12
申请号：CN202011075980.3
申请日：2020-10-10
Applicant: 福州大学
Abstract: 本发明涉及一种面向负载‑时间窗口的面向负载时间窗口的基于PSO‑GA的云服务资源自适应分配方法，包括以下步骤：步骤S1:初始化时间窗口参数;步骤S2:采用改进的PSO‑GA算法，并基于QoS预测模型，搜索窗口内的目标资源分配方案；步骤S3:根据得到的目标资源分配方案，对当前的虚拟机分配方案作出相应调整。本发明能够有效提高云应用资源分配的效率。
-
公开(公告)号：CN110837413A
公开(公告)日：2020-02-25
申请号：CN201911143030.7
申请日：2019-11-20
Applicant: 福州大学
Abstract: 本发明涉及一种边缘环境下深度神经网络应用的计算迁移调度方法，该方法基于评估算法和遗传算法寻找一个最优调度方案，通过该最优调度方案使n个任务平均响应时间最小，具体为：把n个任务按层划分成n×m个子任务，每一个子任务对应一个基因位点，每一个基因位点上的基因表示该基因位点对应的子任务的执行节点，每一个个体即为一个可行解；采用评估算法计算每一个个体的平均响应时间，找出这一代群体中的最优个体；计算种群的平均响应时间，并依次进行选择操作、交叉操作和变异操作，得到子代群体；不断迭代，在不断更新的子代群体中找到最优个体，即最优调度方案，得到最优调度方案的平均响应时间。该方法有利于减少计算迁移调度时间。
-
-
-
-
-
-
-
-
Search Results
9
records
(took 0.026 seconds)
