物联网环境下实时任务传输的分簇调度算法

在物联网环境下,需要对链路节点之间传输的实时任务进行优化调度,以提高物联网中传感节点的进程管理和内存管理效率。传统方法采用优先级列表控制的物联网环境下的实时任务传输调度方法,在资源分配过程中动态负载平衡性受节点的空间分布的影响较大,任务分配的准确性不高。因此,提出一种基于高效时分多址时隙分配的物联网环境下实时任务传输的分簇调度算法。设计物联网的实时任务调度模型,提取分簇任务信息流的时隙分配尺度特征作为传输指向性函数,设计高效时分多址协议,改进物联网环境下的实时任务协同分簇调度算法,通过高效的时分多址时隙分配,提高了实时任务传输分簇调度的均衡性和准确性。仿真结果表明,采用该方法进行物联网环境下实时任务传输的分簇调度时性能优越可靠。     

动态物联网节点任务实时传输分簇调度算法

为解决传统互联网节点任务实时传输分簇调度管理进程和内存管理效率低的问题,笔者提出了动态物联网节点任务实时传输分簇调度算法,通过构建互联网节点任务传输信息流的模型,进行传输信息流的融合处理,能够实现动态物联网节点任务传输信息流的分簇处理。实验数据表明,分簇调度算法较传统调度算法效率更高,适用于动态物联网节点下的实时传输分簇调度。     

基于能量优化的无线传感器网络动态分簇目标跟踪

针对无线传感器网络动态分簇目标跟踪中的数据碰撞与簇首选择过程导致能耗过高问题,提出一种基于能量优化的无线传感器网络动态分簇方法。首先,构建时分竞选传输模型,主动避免动态簇内数据碰撞,降低节点能耗;然后,基于能量信息与跟踪质量,提出能量均衡的最远节点调度策略,优化簇头节点调度;最后,根据加权质心定位算法,完成目标跟踪任务。实验结果表明：在节点随机部署的环境下,所提方法对于非线性运动目标的平均跟踪精度为0.65 m,与多目标跟踪动态簇员选择方法（DCMS）相当,比分布式事件定位动态分簇目标跟踪算法（DELTA）提高了45.8%;能量消耗方面,与DCMS和DELTA相比,所提方法的动态跟踪簇能量消耗有效降低了61.1%,延长了网络寿命。     

物联网节点负载均衡优化调度方法研究

针对物联网节点负载均衡调度方法存在资源节点浪费的问题,笔者提出物联网节点负载均衡优化调度方法。通过建立物联网节点负载均衡优化调度模型,实现了分层路由网关节点数目匹配与网关调度任务节点重组,对重组后节点进行网络负载均衡匹配,可以完成物联网节点负载均衡优化调度。根据仿真实验,对比优化调度方法与其他调度方法的负载均衡离差值,证明了优化调度方法能够更好地实现物联网节点负载均衡优化调度。     

低概率事件场景的无线传感器网络构建

低概率事件场景,静态部署的小规模监测网络是较为常见的一类无线传感器应用网络.针对这一类无线传感器网络的特点,从拓扑控制角度出发,基于分层分簇思想,提出了一种固定分簇层次型网络构建方法.该方法采用固定分簇有效节省了一般周期性动态分簇聚类大量能耗,簇内成员节点基于事件概率预测的休眠调度更进一步降低了网络能耗;簇头在簇内的轮换实现了网络能耗均衡;功率控制建立了可靠的多跳路由.仿真性能分析表明:该方法节能效果明显,实施简单,易于应用推广.     

基于分层的WSN非均匀分簇路由协议

为了缓解基于分簇的无线传感器网络中常出现＂热区＂问题。提出一种非均匀分簇的无线传感器网络多跳路由协议。基本思想是将网络划分为宽度不等的层来构建非均匀的簇。算法综合考虑多方面因素来构建更合适的簇和路由树来均衡负载。仿真结果表明该协议能够有效缓解＂热区＂问题,延长网络存活时间。     

能量均衡多跳分簇路由算法

ZigBee无线传感器网络的生存寿命与节点的能耗直接相关。为了延长网络的寿命,通常采用分簇路由方法。通过集中成簇管理以及分布簇头竞争的能量均衡多跳分簇路由算法EBMHC（ energy balance multi－hop clustering rou-ting algorithm）,在一个周期内,使得网络空闲节点休眠,簇头节点担任多条传输、数据融合以及路由维护的功能,以充分有效利用网络能量。分层管理方式可以缓解网络节点能耗不均衡问题。通过仿真表明, EBMHC算法优于LEACH和SEP算法,使网络能耗更均衡,延长了网络生存周期。     

WSNs基于非均匀分区成簇的多跳路由协议

针对无线传感器网络中节点能量有限和能量空洞问题,提出了一种基于优化簇半径的非均匀分区成簇多跳路由算法(UZCMR)。在分簇时充分考虑节点的能量和地理位置,通过"逐层分区"的方法将整个网络以Sink为中心划分成若干个区域。每个区域中的节点通过最优簇半径进行分簇,同时使用参数使靠近Sink节点的簇的规模小于远离Sink节点的簇,并采用了最小通信代价的多跳路由。试验表明,与低功耗自适应集簇分层型(LEACH)协议相比,UZCMR形成的簇首分布均匀,有效均衡了节点能量消耗,缓解了能量空洞问题,显著延长了网络生命周期,也扩大了协议的适用规模。     

基于非均匀分簇的无线传感器网络路由协议

在无线传感器网络中,分簇技术是一种有效延长网络生命周期的方法;但是这种多跳的网络模型,如果节点均匀分布并且簇的大小相等,则靠近基站的簇头由于要中继更多的数据,则会导致能量空洞现象;因此提出一种非均匀分簇方法来缓解能量空洞问题;首先,通过节点的剩余能量、到基站的距离以及邻居节点数量来选择簇头;簇一旦形成之后,通过单跳和多跳的混合机制将数据发送到基站;实验结果表明,此协议能有效地延长网络的生命周期,均衡网络能耗,有效延缓能量空洞的形成速度。     

基于联合决策模型的物联网边缘计算资源分配

随着应用需求的增加,一些场景要求物联网能够支持密集型计算任务.传统物联网只能提供单机资源,且负载能力有限,无法有效解决时延、资源与任务的配置问题.于是提出基于联合决策模型的物联网边缘计算资源分配方法,利用边缘网络的计算优势来弥补物联网节点本地计算资源的不足,从而提高任务时延与峰值负载的性能.先从时延、能耗、计算资源和带宽资源方面进行分析,并考虑了节点移动、数据传输和卸载等情况带来的问题.根据时间和各类资源模型的分析,建立联合模型来得到资源分配调度的最佳决策,将最小卸载模型推演至最高总效用模型,并通过最速下降法对模型进行分解,在任务卸载率一定时,求解得到资源分配情况.通过动态时变物联网环境下的仿真,得到所提方法能够在较短的执行时间内,达到较高的任务完成率,且保持较低的能耗和资源分配数量.结果表明所提方法能够适应动态时变的物联网应用需求,有效完成任务与资源的卸载决策与调度分配.     

数据中心巡检机器人信息平台实时任务容错调度算法

为了实现数据中心巡检机器人信息平台实时任务容错性,提出一种基于自适应反馈均衡和码元调制技术的数据中心巡检机器人信息平台实时任务容错调度模型。首先构建路由冲突下的数据中心巡检机器人信息平台传输信道模型,优化数据中心巡检机器人信息传输协议。然后采用模糊C均值聚类的方法进行巡检机器人信息融合,结合自适应反馈均衡方法进行巡检机器人信息传输的信道均衡设计,采用码元调制方法进行信息平台的实时任务容错调度。最后进行仿真实验。结果表明,采用该方法进行数据中心巡检机器人信息平台实时任务调度的容错性较好,信息平台的信道均衡性较强,提高了数据中心巡检机器人信息平台的任务实时调度能力。     

基于CoAP协议的泛在电力物联网拥塞控制算法

泛在电力物联网具有接入节点数多、设备资源受限的特点,易发生网络拥塞而导致电力信息流丢失、时延过大等问题。基于受限应用协议（CoAP）的泛在电力物联网应用层通信架构,提出一种链路稳定性的CoAP拥塞控制（L-CoCC）算法。通过强、弱和失败消息往返时间来确定网络环境状态并平滑估计超时重传时间（RTO）,根据超时重传次数和消息往返时间抖动值,引入下界RTO限制方法和更新老化概念,避免出现不必要的重传。仿真结果表明,相比CoCoA++和CoAP算法,L-CoCC算法能够提升吞吐量和请求成功率,降低平均端到端时延,有效缓解网络拥塞。     

云计算平台中非定期任务并行调度仿真

由于云计算平台的动态不确定性和非定期任务调度本身的复杂性,使得非定期任务调度过程中的耗时长和负载不均等问题很难得到有效解决.针对上述问题,提出一种非定期任务并行调度方法,并应用到云计算中.通过多方面考虑云平台客户非定期任务的截止时间底线、调度估算等并行调度约束条件和各种可用资源的性能参数,对非定期任务调度的多目标约束条...     

用可分负载理论分析无线传感器网络任务调度

针对无线传感器网络的任务如何在最短时间内完成且充分利用网络资源的问题,提出了一种基于可分负载理论的无线传感器网络任务调度算法（WDTA）.该算法根据网络中各个节点的处理能力和节点间的通信能力,将总任务从SINK节点下发至网络中.通过去除节点间的通信干扰来提高资源利用率和减少总任务完成时间.算法在两种分群结构的异构网络环境下进行了分析,得到了在各个节点上最合理的任务分配方案,以及最短的任务完成所需时间.理论分析了基于可分负载理论的无线传感器网络任务调度的极限情况.实验结果表明WDTA算法能够通过合理分配任务,而减少任务完成时间及节点能耗.该方案可以作为设计大规模无线传感器网络的原则.     

Oppositional Red Fox Optimization Based Task Scheduling Scheme for Cloud Environment

Owing to massive technological developments in Internet of Things (IoT) and cloud environment, cloud computing (CC) offers a highly flexible heterogeneous resource pool over the network, and clients could exploit various resources on demand. Since IoT-enabled models are restricted to resources and require crisp response, minimum latency, and maximum bandwidth, which are outside the capabilities. CC was handled as a resource-rich solution to aforementioned challenge. As high delay reduces the performance of the IoT enabled cloud platform, efficient utilization of task scheduling (TS) reduces the energy usage of the cloud infrastructure and increases the income of service provider via minimizing processing time of user job. Therefore, this article concentration on the design of an oppositional red fox optimization based task scheduling scheme (ORFO-TSS) for IoT enabled cloud environment. The presented ORFO-TSS model resolves the problem of allocating resources from the IoT based cloud platform. It achieves the makespan by performing optimum TS procedures with various aspects of incoming task. The designing of ORFO-TSS method includes the idea of oppositional based learning (OBL) as to traditional RFO approach in enhancing their efficiency. A wide-ranging experimental analysis was applied on the CloudSim platform. The experimental outcome highlighted the efficacy of the ORFO-TSS technique over existing approaches.     

多路并行传输中数据调度算法的优化

针对异构无线网络环境中,基于流控制传输协议（SCTP）的多路并行传输协议（CMT-SCTP）存在接收缓存阻塞和路径负载失衡等问题,提出一种改进的轮询数据调度算法。该算法根据每条路径上的发送队列信息和拥塞状况对网络状况进行估计,并按照各路径上的网络状况分配相应的传输任务量,缩短数据包在接收端缓冲区的平均排队时延,减少接收端乱序数据包的数量。仿真结果表明,改进的轮询数据调度算法能有效提升CMT-SCTP在异构无线网络环境中的传输效率,有效缓解接收缓存的阻塞,且对不同的网络场景具有很好的适应性。     

基于多任务强化学习的堆垛机调度与库位推荐

堆垛机调度是物流仓储自动化中的重要任务,任务中的出入库效率、货物存放等情况影响仓储系统的整体效益。传统调度方法在面对较大规模调度问题时,因处理大状态空间从而导致性能受限和收益降低。与此同时,库位优化与调度运行联系密切,但现有多数工作在处理调度问题时未能考虑到库位优化问题。为解决仓储中堆垛机调度问题,提出一种基于深度强化学习算法的近端策略优化调度方法。将调度问题视为序列决策问题,通过智能体与环境的持续交互进行自我学习,以在不断变化的环境中优化调度。针对调度中伴生的库位优化问题,提出一种基于多任务学习的调度、库位推荐联合算法,并基于调度网络构建适用于库位推荐的Actor网络,通过与Critic网络进行交互反馈,促进整体的联动和训练,从而提升整体效益。实验结果表明,与原算法模型相比,该调度方法的累计回报值指标平均提升了33.6%,所提的多任务学习的联合算法能有效地应对堆垛机调度和库位优化的应用场景,可为该类多任务问题提供可行的解决方案。     

Research on the collaboration of service selection and resource scheduling for IoT simulation workflows

Cloud resources provide a promising way to efficiently perform the needed simulation tasks for a complex manufacturing process. Most of the existing work focuses only on how to effectively schedule computing resources to execute computing requirements of simulation workflows in Internet of Things (IoT) applications. Research on the scheduling of simulation workflows in consideration of task ordering, service selection, and resource allocation altogether has not been lacking. To fill in this void, this paper proposes a cloud-based 3-stage workflow scheduling model. Before scheduling computing resources to complete task requirements, the order of the tasks is determined and the services that can meet the task requirements are selected. In this model, the workload to satisfy task requirements is not fixed and takes on a different value depending upon the service selected with its unique complexity and accuracy. An optimization function that transforms and integrates makespan, cost, and accuracy in a unique way is proposed. For its solution, the relatively new symbiotic organisms search (SOS) algorithm is modified and two SOS-based optimization strategies are developed, i.e., joint optimization-based SOS (JOSOS) and split optimization-based SOS (SOSOS). The simulation results reveal that SOS-based algorithms, especially the SOSOS method, outperform all compared algorithms. Based on the proposed method, simulation services and computing resources can be rationally selected and scheduled to ensure the requirements of IoT applications.     

一种基于综合匹配度的边缘计算系统任务调度方法

边缘计算模式满足数据的实时和低功耗处理需求,是缓解当前网络数据洪流实时处理问题的有效方法之一.但边缘设备资源的异构与多样性给任务的调度与迁移带来极大的困难与挑战.目前,边缘计算任务调度研究主要集中在调度算法的设计与仿真,这些算法和模型通常忽略了边缘设备的异构性和边缘任务的多样性,不能使多样化的边缘任务与异构的资源能力深...     

A two-phase scheduling method with the consideration of task clustering for earth observing satellites

Satellite observation scheduling plays a significant role in improving the efficiency of satellite observation systems. Although extensive scheduling algorithms have been proposed for the satellite observation scheduling problem (SOSP), the task clustering strategy has not been taken into account up to now. This paper presents a novel two-phase based scheduling method with the consideration of task clustering for solving SOSP. This method comprises two phases: a task clustering phase and a task scheduling phase. In the task clustering phase, we construct a task clustering graph model and use an improved minimum clique partition algorithm to obtain cluster-tasks. In the task scheduling phase, based on overall tasks and obtained cluster-tasks, we construct an acyclic directed graph model and utilize a hybrid ant colony optimization coming with a mechanism of local search, called ACO–LS, to produce optimal or near optimal schedules. Extensive experimental simulations demonstrate the efficiency of the proposed scheduling method.