子任务调度和时延联合优化的MEC卸载方案

移动边缘计算(mobile edge computing,MEC)为5G超低时延业务提供了解决方案。如何设计低时延、高效率的任务卸载方案,是MEC面临的主要难题之一。为此,针对端边协同MEC服务场景,研究了大型计算任务的低时延、低能耗部分卸载方案,通过将用户任务划分为多个有顺序依赖关系的子任务并构建子任务的有向无环关系图,设计了能够最小化卸载时延的子任务调度方案,提出了基于任务复制的最早卸载执行算法,解决了能耗受限下的任务最小时延卸载计算。仿真结果表明,提出的MEC卸载方案能够有效减少任务处理时延,降低系统能耗。

并行设计子任务调度的遗传算法原理与实现方法

建立了设计子任务调度的目标模型 ,提出了一种针对并行设计子任务调度的遗传算法 应用结果表明 ,在满足子任务间偏序关系条件下 。

用改进的匈牙利算法实现粗粒度的子任务调度

分布式应用系统可根据设计任务的复杂程度和系统资源状况进行任务调度 ,主要通过寻找可行的匹配方案来实现相应的目标模型。指出了实际应用中对任务调度和负载平衡的迫切需求 ,分析了任务的粒度和调度算法 ,构造了资源评估矩阵 ,描述了粗粒度调度的数学模型 ,提出了改进的匈牙利算法 ,并给出了算法实例 ,进一步说明了改进的匈牙利算法应用于服务器集群系统时可以优化对网络资源的使用。

MAS环境下实现Agent交互协作的关键技术

讨论了MAS环境下实现Agent交互协作的关键性问题。在分析Agent协同设计目标的基础上,将遗传算法应用于子任务的调度,提高了Agent协同工作的效率。应用Agent的通信语言建立了一个基于知识查询与操纵语言的Agent通信模型,通过引入Agent位置追踪和Agent消息缓存机制解决了Agent移动过程中遇到的位置追踪和通信失效问题。