[发明专利]基于改进粒子群算法和神经网络的雾计算资源调度方法

权利要求书

1.基于改进粒子群算法和神经网络的雾计算资源调度方法，其特征在于，包括：

S1、智能终端节点将任务传输至雾中心节点；

S2、所述雾中心节点根据任务调度器生成调度方案，所述调度方案为改进的粒子群算法求解出可用的分配方案；

S3、所述雾中心节点将可用的分配方案中的数据用于训练和测试BP神经网络，以得到训练后的神经网络；

S4、将所述训练后的神经网络作为调度器，对传输至所述雾中心节点的任务进行处理，以获得任务执行的最优解决方案；

S5、所述雾中心节点根据所述最优解决方案，将不同的任务分配给不同的雾计算节点进行计算和缓存。

2.根据权利要求1所述的基于改进粒子群算法和神经网络的雾计算资源调度方法，其特征在于，所述步骤S2中的所述雾中心节点根据任务调度器生成调度方案，所述调度方案为改进的粒子群算法求解出可用的分配方案包括：

S21、初始化粒子群：所述粒子群中的每个个体为一个可行的解决方案，每个个体对应一个N×M的使用矩阵S，其中S_ij＝0，表示任务j不在雾计算节点i上运行，S_ij＝1，表示任务j在雾计算节点i上运行计算；

S22、粒子群更新迭代过程：每个粒子包括个体最优值P_best，粒子群包括全体最优值G_best，所述粒子群进行迭代更新时，向所述粒子群中加入轮盘赌因子算法和模拟鸟类觅食算法，所述粒子群的所有粒子趋向全体最优值改变；

S23、所述粒子群不断迭代更新，直到所述粒子群达到最大迭代次数后，停止更新。

3.根据权利要求2所述的基于改进粒子群算法和神经网络的雾计算资源调度方法，其特征在于，所述步骤S22中的向所述粒子群中加入轮盘赌因子算法包括：

所述粒子群进行迭代更新时，加入了与所述雾计算节点i的计算能力和存储能力相关的轮盘赌因子θ_ij，轮盘赌因子θ_ij包括执行所述任务j雾计算节点i的执行力θf_ij和惩罚项θp_ij，其中，执行力θf_ij和惩罚项θp_ij的公式为：

其中，C_ij表示执行任务j时雾计算节点i的计算能力，K_ij表示雾计算节点i存储能力；

其中，n为智能工厂中雾计算节点的总数，marknumber_ij为雾计算节点i在处理任务j时的使用情况；

得到雾节点i处理任务j的算子θ_ij，

其中，r₁、r₂表示调节轮盘赌因子的权重参数。

4.根据权利要求3所述的基于改进粒子群算法和神经网络的雾计算资源调度方法，其特征在于，所述步骤S22中的向所述粒子群中加入模拟鸟类觅食算法包括：

所述粒子群每一次进行迭代更新后，粒子会更新到新的位置，更新公式为：

由于粒子的位置使用矩阵，加入Sigmoid函数来限制更新后的位置为0，1的使用矩阵：

其中，Pbestid为单个粒子的最佳位置，GBestid为粒子群的最佳位置，为更新的距离，为更新前的位置，w为调整粒子飞行的惯性权重，c₁、c₂为加速度，r、r₂为常量，为更新后的位置，是更新前的位置。

5.根据权利要求4所述的基于改进粒子群算法和神经网络的雾计算资源调度方法，其特征在于：所述步骤S22中的所述粒子群进行迭代更新包括目标函数，所述目标函数为：

F_object＝min{γE+δT,γ+δ＝1}，

E表示雾节点在按照分配方案完成任务时消耗的总能量，T为雾节点按照分配方案完成任务时所需要的时间，γ和δ表示能耗和时延在工厂中的偏好程度，当两者相等时，表示在该工厂中能耗和时延重要程度相同。