[发明专利]获取资源分配策略的方法、装置、设备及存储介质

权利要求书

1.一种获取资源分配策略的方法，其特征在于，所述方法包括：

获取各计算任务的任务信息和各计算节点的性能信息，并基于所述计算任务的数目和所述计算节点的数目构建粒子群，所述粒子群中的每个粒子对应有随机生成的计算任务和计算节点分配关系；

结合所述任务信息和各所述计算节点的性能信息，并按照预设粒子群算法对所述粒子群中每个粒子的第一适应度函数个体值进行迭代计算，以调整各个粒子的计算任务和计算节点分配关系；

当完成迭代计算时，在所有粒子的第一适应度函数个体值中存在多个第一适应度函数全局极值的情况下，在所有所述第一适应度函数全局极值对应的粒子中确定最小的第二适应度函数个体值对应的目标粒子，并将所述目标粒子的计算任务和计算节点分配关系确定为资源分配策略；所述第一适应度函数和所述第二适应度函数基于预设指标生成，且所述第二适应度函数与所述第一适应度函数不同；所述预设指标至少包括时延、负载和成本。

2.根据权利要求1所述的方法，其特征在于，所述基于所述计算任务的数目和所述计算节点的数目构建粒子群，具体包括：

按照一个所述计算任务只能在一个所述计算节点执行的原则，随机生成预设数目类计算任务与计算节点分配关系，并将每类所述计算任务与计算节点分配关系与一个粒子进行对应，得到所述粒子群。

3.根据权利要求1所述的方法，其特征在于，所述基于所述计算任务的数目和所述计算节点的数目构建粒子群之后，所述方法还包括：对所述粒子群进行初始化；

所述对所述粒子群进行初始化，具体包括：

对所述粒子群中所有粒子的位置向量和速度向量，以及所述粒子群的计算参数进行初始化；所述计算参数至少包括惯性权重、个体学习因子、群体学习因子以及迭代次数。

4.根据权利要求1所述的方法，其特征在于，所述对所述粒子群中每个粒子的第一适应度函数个体值进行迭代计算，具体包括：

在完成第N-1次对目标粒子第一适应度函数个体值迭代计算后，更新所述目标粒子的第一适应度函数个体极值，N为大于1的正整数；基于更新后的所述第一适应度函数个体极值，进行第N次对目标粒子第一适应度函数个体值迭代计算；

所述更新所述目标粒子的第一适应度函数个体极值，具体包括：

在第一次迭代计算得到所述目标粒子的第一适应度函数个体值的情况下，所述目标粒子的第一适应度函数个体极值为所述目标粒子的第一适应度函数个体值；

在第N次迭代计算得到的所述目标粒子的第一适应度函数个体值等于所述目标粒子的第一适应度函数个体极值的情况下，计算所述目标粒子当前的第二适应度函数个体值；

如果所述目标粒子当前的第二适应度函数个体值，小于所述目标粒子的第一适应度函数个体极值对应的第二适应度函数个体值，则将所述目标粒子的第一适应度函数个体极值更新为第N次迭代计算得到的第一适应度函数个体值。

5.根据权利要求1所述的方法，其特征在于，所述在所有所述第一适应度函数全局极值对应的粒子中确定最小的第二适应度函数个体值对应的目标粒子，具体包括：

计算所有所述第一适应度函数全局极值对应的粒子的第二适应度函数个体值；

将所有所述第一适应度函数全局极值对应的粒子中最小的第二适应度函数个体值对应的粒子，确定为目标粒子。

6.根据权利要求1-5任一项所述的方法，其特征在于，当完成迭代计算时，所述方法还包括：

在所有粒子的第一适应度函数个体值中仅存在一个第一适应度函数全局极值的情况下，将对应所述第一适应度函数全局极值的粒子的计算任务与计算节点分配关系，确定为资源分配策略。

7.根据权利要求1-5任一项所述的方法，其特征在于，所述获取各计算任务的任务信息和各计算节点的性能信息之前，所述方法还包括：

预测所述计算任务的总数目；

在所述总数目大于预设数目的情况下，将超过所述预设数目的所述计算任务发送至MEC服务器，将预设数目的所述计算任务发送至本地服务器。