随着移动设备的数量及服务需求激增,边缘环境中有限的服务器资源使得部分用户的服务质量(Quality of Service,QoS)不能得到保障,且现有资源调度算法未充分考虑用户服务需求差异化。因此,提出了一种面向QoS的负载均衡资源调度算法(QoS-Aw...随着移动设备的数量及服务需求激增,边缘环境中有限的服务器资源使得部分用户的服务质量(Quality of Service,QoS)不能得到保障,且现有资源调度算法未充分考虑用户服务需求差异化。因此,提出了一种面向QoS的负载均衡资源调度算法(QoS-Aware Load Balancing Resource Scheduling algorithm,QALBRS)。首先,通过在协同过滤算法中引入多层感知器学习用户任务和服务器资源的高维非线性特征,并在输出层嵌入位置相似性特征,实现对任务所需资源的个性化分配。接着,为了在资源分配过程中平衡服务器负载并保证服务质量,采用改进的人工蜂群算法求解资源调度系统模型,将Q-Learning算法应用于食物源选择和搜索阶段,以提高算法搜索质量。实验证明,所提算法在保证服务质量和平衡服务器负载方面表现出较好的性能。展开更多
为研究考虑施工安全及心理资本的建筑工人资源调度问题,构建建筑工人项目成本最低、完工时间最短、安全绩效最高的多目标资源调度模型,基于多策略改进灰狼优化算法,改善基本灰狼优化算法存在的局部最优而早熟收敛、全局搜索能力差的问题...为研究考虑施工安全及心理资本的建筑工人资源调度问题,构建建筑工人项目成本最低、完工时间最短、安全绩效最高的多目标资源调度模型,基于多策略改进灰狼优化算法,改善基本灰狼优化算法存在的局部最优而早熟收敛、全局搜索能力差的问题,提高算法的全局寻优能力和求解精度,得到建筑工人资源配置方案。结果表明,与传统灰狼优化(Grey Wolf Optimization,GWO)算法和其他两种改进灰狼算法相比,多策略混合灰狼优化算法在模型求解精度方面更优秀,给出的建筑工人资源配置方案更高效安全。展开更多
文摘为研究考虑施工安全及心理资本的建筑工人资源调度问题,构建建筑工人项目成本最低、完工时间最短、安全绩效最高的多目标资源调度模型,基于多策略改进灰狼优化算法,改善基本灰狼优化算法存在的局部最优而早熟收敛、全局搜索能力差的问题,提高算法的全局寻优能力和求解精度,得到建筑工人资源配置方案。结果表明,与传统灰狼优化(Grey Wolf Optimization,GWO)算法和其他两种改进灰狼算法相比,多策略混合灰狼优化算法在模型求解精度方面更优秀,给出的建筑工人资源配置方案更高效安全。
