[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

说明书

本发明公开基于改进粒子群算法和神经网络的雾计算资源调度方法，包括：智能终端节点将任务传输至雾中心节点，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，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，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，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。本发明将神经网络作为调度器，能够快速有效地将任务卸载到雾节点，其性能优越，且易于实现。

技术领域

本发明涉及智能制造行业中雾计算资源调度和任务分配技术领域，特别是涉及一种基于改进粒子群算法和神经网络的雾计算资源调度方法。

背景技术

智能制造与物联网结合朝向数字化、网络化和智能化发展已经成为了一种趋势，这极大地促进了工业生产。与此同时，它带来了爆炸式的数据增加，云计算在一定程度上能够很好的处理这些数据。但是由于云计算数据中心和智能工厂之间的地理距离，在面对智能工厂大量的数据都要求实时处理时，会造成时延甚至会是网络堵塞。2012年，思科提出了雾计算，其支持地理分布、延迟敏感和服务质量(QoS)要求的物联网应用程序，可以提供低延迟通信和更多的上下文感知。从而成为智能制造行业中一个处理爆炸数据并实时响应的有力工具，但将它用于智能制造行业中也有一些挑战。

现有技术中的不同的任务如果随意分配给不同的雾计算节点进行处理，可能会导致计算能力弱的雾节点处理大数据任务，该雾节点一直处于被占用状态，严重会使节点能量耗尽死亡；或者计算能力强的雾节点处理小数据任务，任务被处理完后没有新任务传过来，雾节点一直处于空闲待机状态造成浪费等。因此如何使得雾节点高效快速地处理来着大量终端设备传来的任务，实现雾计算时延和负载的双优化，成为了需要解决的关键问题之一。

发明内容

鉴于以上所述现有技术的缺点，本发明的目的在于提供一种基于改进粒子群算法和神经网络的雾计算资源调度方法，用于解决现有技术中的可能会导致计算能力弱的雾节点处理大数据任务，严重会使节点能量耗尽死亡；或者计算能力强的雾节点处理小数据任务，任务被处理完后没有新任务传过来，雾节点一直处于空闲待机状态造成浪费的问题。

为实现上述目的及其他相关目的，本发明提供一种基于改进粒子群算法和神经网络的雾计算资源调度方法，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。

在本发明的一实施例中，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；