[发明专利]一种适用于智能工厂的雾计算调度方法

说明书

本发明涉及一种适用于智能工厂的雾计算调度方法，包括以下步骤：根据给定的容器应用任务和雾计算节点随机生成多个染色体，并组成一个种群，其中，染色体代表了容器应用集合与雾计算节点的对应关系；计算当前种群中每个染色体的适应度值；使用区间划分轮盘赌选择算子和区间划分交叉变异算子对种群中的染色体进行选择和更新；判断当前种群是否满足种群迭代条件，若满足则完成资源分配。本发明能够跳出局部最优解并且避免早熟现象的发生，增加全局寻优能力，得到更优解。

技术领域

本发明涉及工业物联网雾计算技术领域，特别是涉及一种适用于智能工厂的雾计算调度方法。

背景技术

随着新一代信息技术的发展，许多传统工厂开始向智能工厂转型。如何对智能工厂中海量数据进行处理，从而提高工厂的生产效率仍然是一个严峻的问题。与传统工厂相比，智能工厂需要处理海量的数据，其采用的方式是利用远端云计算，但是这种方式存在许多弊端，例如：时延比较大、带宽的要求比较高，以及存在安全和隐私无法保证。雾计算的出现能够缓解这些问题，它将计算、存储、控制和网络功能转移到从端到云的连续介质中，从而能够减少数据传输时延和所需带宽。它允许一群相邻的终端用户、网络边缘和访问设备协同完成需要资源的任务。因此，许多原本需要云计算完成的计算任务可以通过数据产生设备周边的分散计算资源在网络边缘有效完成。

原本工厂中的任务需要专门的技术人员部署在每一台节点上，但是面对工厂中庞大的节点，这会浪费大量的人力资源。智能工厂的雾计算资源可以通过容器技术和相关自动编排的工具实现资源虚拟化和服务自动化部署。容器是一种虚拟化的技术，与虚拟机相比，它更加轻量、并且可以快速地在不同的操作平台上部署。目前常见的有Docker容器。相关的编排工具有Kubernetes，这是一个能够跨越且管理多个不同计算节点上的容器的平台工具。我们可以使用Docker将智能工厂中的应用容器化，然后使用Kubernetes对Docker容器自动化部署到合适的雾计算节点上。智能工厂中，任务和雾计算资源的管理分配是一个非线性问题，因此可以使用启发式算法进行解决，比如遗传算法，但是传统遗传算法存在只能进行单目标优化、轮盘赌算法容易陷入局部最优，并且迭代效率太慢等缺点，而Kubernetes内置的调度算法也存在时延较高、资源使用率低等缺点。

传统的遗传算法，按照适者生存和优胜劣汰的原理，逐代(generation)演化产生出越来越好的近似解，在每一代，根据问题域中个体的适应度(fitness)大小选择(selection)个体，并借助于自然遗传学的遗传算子(genetic operators)选择合适的个体进行组合交叉(crossover)和变异(mutation)，产生出代表新的解集的种群。但是在应用于智能工厂时，传统的遗传算法无法处理双目标问题，对于一些无效的结果没有进行合理的处理，并且存在迭代速度慢，结果局部最优等情况。

Kubernetes的缺省调度策略是调度完一个容器应用后才能调度下一个容器应用，因此这种情况带来的是局部最优，如果直接使用Kubernetes的缺省调度器，会造成整个雾计算集群资源使用的不均衡，从而无法充分的利用资源，并且智能工厂中任务的计算时延会增加。

发明内容

本发明所要解决的技术问题是提供一种适用于智能工厂的雾计算调度方法，能够跳出局部最优解并且避免早熟现象的发生，增加全局寻优能力，得到更优解。

本发明解决其技术问题所采用的技术方案是：提供一种适用于智能工厂的雾计算调度方法，包括以下步骤：

(1)根据给定的容器应用任务和雾计算节点随机生成多个染色体，并组成一个种群，其中，染色体代表了容器应用集合与雾计算节点的对应关系；

(2)计算当前种群中每个染色体的适应度值；

(3)使用区间划分轮盘赌选择算子和区间划分交叉变异算子对种群中的染色体进行选择和更新；

(4)判断当前种群是否满足种群迭代条件，若满足则完成资源分配，否则返回步骤(2)。