一种基于云平台的多任务调度方法及其系统技术方案

本发明专利技术提供了一种基于云平台的多任务调度方法及系统。首先，接收用户设备发送的任务请求。然后，根据任务请求，采用基于深度Q

【技术实现步骤摘要】
一种基于云平台的多任务调度方法及其系统


[0001]本申请涉及云计算领域，尤其涉及一种基于云平台的多任务调度方法及其系统。

技术介绍

[0002]随着云计算技术的快速发展，云平台已经成为了处理和存储大量数据的主要场所。然而，云平台上的多任务调度一直是一个具有挑战性的问题。如何有效地分配云计算资源以最小化任务的完成时间，提高系统的效率和性能，是云计算领域研究的重要方向。
[0003]传统的任务调度方法通常基于静态的策略或者规则，如优先级、到达时间等，但这些方法往往无法适应云计算环境中任务特性和计算资源状态的动态变化，因此，对任务调度的效果和效率的提高具有限制。
[0004]近年来，人工智能技术，尤其是机器学习和优化算法的发展为解决这个问题提供了新的可能。因此，研发出一种结合机器学习和优化算法的高效的多任务调度方法及其系统，是当前云计算领域的重要需求。

技术实现思路

[0005]本申请提供一种基于云平台的多任务调度方法及其系统，以提升云平台的任务处理效率和性能。
[0006]本申请提供的一种基于云平台的多任务调度方法包括：
[0007]接收用户设备发送的任务请求；
[0008]根据所述任务请求，通过基于深度Q
‑
策略梯度的增强学习模型对任务特征进行预测，得到任务的特征向量，并计算出任务的预期奖励值；
[0009]利用时间最小化的蜂群优化模型对任务进行调度，该模型将任务的预期奖励值和特征向量作为输入，模拟蜜蜂寻找食物的行为，通过多次迭代，寻找使得所有任务的完成时间最短的任务分配方案，作为蜂群优化模型的输出；
[0010]根据所述任务分配方案，调度云计算资源执行相应任务。
[0011]更进一步地，所述多任务调度方法，还包括：
[0012]根据任务在云计算资源上的完成时间比例，利用信息熵权重调整模型对各云计算资源的权重进行动态调整。
[0013]更进一步地，所述多任务调度方法，还包括：
[0014]根据所述云计算资源在任务执行完成之后发送的反馈结果对深度Q
‑
策略梯度增强学习模型、时间最小化蜂群优化模型和信息熵权重调整模型进行更新和优化。
[0015]更进一步地，所述基于深度Q
‑
策略梯度的增强学习模型通过以下公式对模型参数进行更新：
[0016][0017]其中，θ'是更新后的模型参数；θ是当前的模型参数；α是学习率，用来控制模型参数更新的步长；R
i
是任务i完成后的实际奖励；γ是折扣因子，用于计算未来奖励的现值；
maxa Q(S
i
',a；θ)是估计未来的最大奖励，其中，maxa表示在所有可能的动作a中，选择那些能使Q值最大化的动作，S
i
'是下一个状态；Q(S
i
,a
i
；θ)是模型当前预测的奖励值；是Q值关于模型参数θ的梯度。
[0018]更进一步地，所述时间最小化蜂群优化模型通过以下公式进行迭代搜索：
[0019]X
k+1
＝X
k
+α*(X
p
‑
X
k
)+β*(X
g
‑
X
k
)
[0020]其中，X
k
为当前解，表示当前的任务分配方案；X
p
为当前解周围的最优解，表示在当前解的领域内，使得所有任务的完成时间最小的任务分配方案；Xg为全局最优解，表示在所有迭代过程中，使得所有任务的完成时间最小的任务分配方案；α和β为随机系数，模拟蜜蜂寻找食物的随机性。
[0021]更进一步地，α被设置为任务大小的函数，β被设置为任务紧急程度的函数，当蜜蜂进行迭代搜索时，使用动态调整的α和β值来更新当前的任务分配方案。
[0022]更进一步地，所述根据任务在各云计算资源上的完成时间比例，利用信息熵权重调整法对各云计算资源的权重进行动态调整，包括：
[0023](a)在任务t
i
开始执行时，记录任务t
i
在每个云计算资源R
j
上的预计完成时间，计算并记录每个云计算资源R
j
上的任务完成时间比例p
i,j
，其中p
i,j
为任务t
i
在云计算资源R
j
上的预计完成时间占任务t
i
在所有云计算资源上的总预计完成时间的比例；
[0024](b)在任务t
i
结束后，根据实际的任务完成时间，更新每个云计算资源R
j
上的任务完成时间比例p
i,j
；
[0025](c)利用以下公式动态计算并更新计算云计算资源R
j
的权重w
j
：
[0026][0027]其中，N为云平台上的云计算资源总数；
[0028](d)在后续的任务调度决策中，从动态计算的权重中，选择其中权重最高的云计算资源来执行新的任务，以提高资源利用率和系统的整体性能。
[0029]本申请提供一种基于云平台的多任务调度系统，包括：
[0030]用户设备，用于向云服务器发送任务请求；
[0031]云服务器，用于根据所述任务请求，运行深度Q
‑
策略梯度的增强学习模型和时间最小化的蜂群优化模型，执行任务调度；
[0032]云计算资源，根据云服务器的调度，执行相应的任务。
[0033]更进一步地，所述云服务器还用于，根据任务在各云计算资源上的完成时间比例，利用信息熵权重调整模型对各云计算资源的权重进行动态调整。
[0034]更进一步地，所述云服务器在接收到任务请求后，通过深度Q
‑
策略梯度的增强学习模型对任务特征进行预测，然后利用时间最小化的蜂群优化模型对任务进行调度，并在任务执行过程中利用信息熵权重调整模型对各计算资源的权重进行动态调整。
[0035]本申请提出了一种全新的基于云平台的多任务调度方法，它通过集成深度Q
‑
策略梯度增强学习模型和时间最小化的蜂群优化模型，实现了对任务特性的预测和优化的任务调度。特别是，将深度学习和蜂群优化这两种先进的计算技术有机结合，使得系统在处理大规模复杂任务时，可以更好地适应任务特性和计算资源状态的动态变化，提高调度效率。
[0036]首先，该方法通过深度Q
‑
策略梯度增强学习模型预测任务特性，得到任务的特征
向量，并计算出任务的预期奖励值。这一点比传统的基于规则或优先级的调度方法具有更高的灵活性和适应性。
[0037]其次，该方法利用时间最小化的蜂群优化模型对任务进行调度，这是模拟蜜蜂寻找食物的行为，通过多次迭代，寻找使得所有任务的完成时间最短的任务分配方案。这种自适应的优化算法，能有效应对本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于云平台的多任务调度方法，其特征在于，包括：接收用户设备发送的任务请求；根据所述任务请求，通过基于深度Q
‑
策略梯度的增强学习模型对任务特征进行预测，得到任务的特征向量，并计算出任务的预期奖励值；利用时间最小化的蜂群优化模型对任务进行调度，该模型将任务的预期奖励值和特征向量作为输入，模拟蜜蜂寻找食物的行为，通过多次迭代，寻找使得所有任务的完成时间最短的任务分配方案，作为蜂群优化模型的输出；根据所述任务分配方案，调度云计算资源执行相应任务。2.根据权利要求1所述的多任务调度方法，其特征在于，还包括：根据任务在云计算资源上的完成时间比例，利用信息熵权重调整模型对各云计算资源的权重进行动态调整。3.根据权利要求2所述的多任务调度方法，其特征在于，还包括：根据所述云计算资源在任务执行完成之后发送的反馈结果对深度Q
‑
策略梯度增强学习模型、时间最小化蜂群优化模型和信息熵权重调整模型进行更新和优化。4.根据权利要求1所述的多任务调度方法，其特征在于，所述基于深度Q
‑
策略梯度的增强学习模型通过以下公式对模型参数进行更新：其中，θ'是更新后的模型参数；θ是当前的模型参数；α是学习率，用来控制模型参数更新的步长；R
i
是任务i完成后的实际奖励；γ是折扣因子，用于计算未来奖励的现值；maxa Q(S
i
',a；θ)是估计未来的最大奖励，其中，maxa表示在所有可能的动作a中，选择那些能使Q值最大化的动作，S
i
'是下一个状态；Q(S
i
,a
i
；θ)是模型当前预测的奖励值；是Q值关于模型参数θ的梯度。5.根据权利要求1所述的多任务调度方法，其特征在于，所述时间最小化蜂群优化模型通过以下公式进行迭代搜索：X
k+1
＝X
k
+α*(X
p
‑
X
k
)+β*(X
g
‑
X
k
)其中，X
k
为当前解，表示当前的任务分配方案；X
p
为当前解周围的最优解，表示在当前解的领域内，使得所有任务的完成时间最小的任务分配方案；X
g
为全局最优解，表示在所有迭代过程中，使...

【专利技术属性】
技术研发人员：陶王豹，徐猛，黄雁松，周游，叶汇元，
申请(专利权)人：和光舒卷广东数字科技有限公司，
类型：发明
国别省市：