基于自适应多维依赖图和动态调度的智能任务优化方法与流程

本发明涉及任务调度，具体涉及基于自适应多维依赖图和动态调度的智能任务优化方法。

背景技术：

1、传统的任务调度算法主要包括静态任务调度算法、动态任务调度算法、基于任务图的调度算法和基于强化学习的智能调度算法，下面对这几种任务调度算法进行介绍说明。

2、1)静态任务调度算法

3、静态任务调度算法通常依赖于预先定义好的任务依赖关系图，基于已有信息可以计算出较为明确的调度顺序，算法设计相对简单，在任务量较小且任务依赖关系较为固定的情况下，具有较高的调度效率。

4、但是，静态任务调度算法在调度时不会动态考虑任务的变化和资源的状态，导致任务环境发生变化时调度效果不佳，并且静态任务调度算法通常只针对任务依赖关系进行局部优化，忽略了全局系统中资源的优化配置，无法根据资源的动态变化调整调度，可能会出现资源闲置或过载的情况。

5、2)动态任务调度算法

6、动态任务调度算法能够根据任务到达时间和资源状态实时更新调度计划，适应性较强，能够在任务环境变化时灵活调整。相比静态任务调度算法，动态任务调度算法能够根据系统的实时状态更合理地分配资源，提高资源利用率。通常动态任务调度算法能够根据任务的特性(如优先级、任务紧急程度等)动态调整调度顺序，从而减少某些高优先级任务的响应时间。

7、但是，动态任务调度算法需要在运行时不断进行任务状态更新与调度决策，计算开销大，尤其在大规模任务环境中，可能导致调度器本身成为系统的瓶颈。现有的动态任务调度算法大多侧重于任务优先级和系统资源的平衡，但对于复杂的任务依赖关系处理不够完善，尤其是在任务之间存在多维度依赖时，无法提供高效的调度方案。虽然动态任务调度算法能够较好地适应系统变化，但更多是针对当前时刻的局部优化，缺乏对全局任务和资源的优化处理。

8、3)基于任务图的调度算法

9、基于任务图的调度算法通过将任务依赖关系表示为有向图，从而清晰地表示任务之间的依赖关系，有助于处理复杂任务之间的依赖。对于那些任务之间依赖顺序明确的场景，如数据处理流水线、生产任务链等，基于任务图的调度算法能够很好地处理调度顺序问题。

10、但是，大多数基于任务图的调度算法是基于静态的任务图构建的，无法处理任务动态变化、优先级调整等实时性需求。当任务之间的依赖关系不仅仅限于单维度(如时间)，而涉及到资源、优先级等多维属性时，这种算法便难以提供调度方案。基于任务图的调度算法更多关注的是任务依赖顺序，而对资源的动态管理、配置与调度优化较为薄弱。

11、4)基于强化学习的智能调度算法

12、强化学习算法能够基于任务调度历史学习优化调度策略，尤其是在复杂的多任务依赖和资源分配场景中，能够找到接近最优的解决方案。通过不断学习任务调度历史和系统反馈，强化学习算法能够优化整个系统的任务调度效果和资源利用率。强化学习算法能够处理动态变化的任务依赖、资源和优先级等多维度问题，适用于复杂任务调度环境。

13、但是，强化学习算法需要经过大量的训练和探索才能收敛到较优的调度策略，这在实际系统中可能不具有及时性。强化学习算法在学习和推理过程中往往需要大量的计算资源，尤其在大规模任务环境中，计算成本较高。通过强化学习算法得到的调度策略在探索阶段可能出现不稳定或次优决策，尤其在面对极端任务场景时，系统性能可能不稳定。

14、随着分布式计算、云计算和物联网等技术的快速发展，越来越多的任务需要在多节点、多设备甚至全球分布的环境中执行。在这些复杂的环境下，任务之间通常存在多维度的依赖关系，例如：

15、时间依赖：某些任务需要在特定时间内完成，或者某些任务的执行顺序严格受时间控制；

16、资源依赖：任务可能需要共享或争用相同的资源(如cpu、内存、存储、网络带宽等)；

17、优先级依赖：不同任务的优先级不同，优先级高的任务需要优先调度；

18、地理依赖：在地理上分散的系统中，任务可能需要根据设备的地理位置分配或执行。

19、在这些多维度的依赖关系下，如何有效管理任务的调度和执行成为一个重要的技术挑战。

技术实现思路

1、(一)解决的技术问题

2、针对现有技术所存在的上述缺点，本发明提供了基于自适应多维依赖图和动态调度的智能任务优化方法，能够有效克服现有技术所存在的难以在任务之间存在多维度的依赖关系下进行准确、高效任务优化调度的缺陷。

3、(二)技术方案

4、为实现以上目的，本发明通过以下技术方案予以实现：

5、基于自适应多维依赖图和动态调度的智能任务优化方法，包括以下步骤：

6、s1、输入任务信息和资源信息；

7、s2、根据任务信息构建自适应多维依赖图；

8、s3、在任务执行过程中，实时监控每个任务的任务状态，并对自适应多维依赖图进行动态更新；

9、s4、计算当前任务的有效优先级，根据更新后的自适应多维依赖图对当前任务的有效优先级进行更新；

10、s5、采用动态调度算法对当前任务进行动态调度；

11、s6、实时监控每个任务的任务执行状态和资源使用情况；

12、s7、根据任务执行状态和资源使用情况判断是否需要对动态调度进行调整，若需要对动态调度进行调整，则返回s3，否则返回s6，直至所有任务执行完毕。

13、优选地，s1中输入任务信息和资源信息，包括：

14、初始化任务信息和资源信息，输入任务列表t＝{t1,t2,…,tn}和资源列表r＝{r1,r2,…,rm}；

15、其中，任务列表t中每个任务均包含执行时间、资源需求、优先级及其与其他任务之间的依赖关系，资源列表r中每个资源均包含资源总量。

16、优选地，s2中根据任务信息构建自适应多维依赖图，包括：

17、根据输入的任务列表t构建自适应多维依赖图g(v,e)；

18、其中，v为任务节点集合，表示所有任务；

19、e为边集合，表示任务之间的依赖关系，对于任意两个任务ti、tj，ti,tj∈t，若任务tj依赖于任务ti，则在自适应多维依赖图g中添加一条边eij。

20、优选地，s3中在任务执行过程中，实时监控每个任务的任务状态，并对自适应多维依赖图进行动态更新，包括：

21、s31、在任务执行过程中，实时监控每个任务包含执行进度、剩余执行时间在内的任务状态，并对任务的剩余执行时间进行更新：

22、sti＝currenttime-starttimeti；

23、其中，sti为任务ti的剩余执行时间，currenttime为当前时间，为任务ti的执行起始时间；

24、s32、根据每个任务的实时任务状态对自适应多维依赖图g进行动态更新，确保自适应多维依赖图g的准确性。

25、优选地，s4中计算当前任务的有效优先级，根据更新后的自适应多维依赖图对当前任务的有效优先级进行更新，包括：

26、s41、根据当前任务的优先级和剩余执行时间，计算当前任务的有效优先级：

27、

28、其中，为任务ti的有效优先级，为任务ti的优先级，为任务ti的执行时间，优先级和执行时间均在任务列表t中查询；

29、s42、根据更新后的自适应多维依赖图g中任务之间的依赖关系，对当前任务的有效优先级进行更新，确保高优先级任务优先调度。

30、优选地，s5中采用动态调度算法对当前任务进行动态调度，包括：

31、s51、采用下式对当前任务进行动态调度：

32、

33、其中，tnext为当前待执行任务，为更新后的任务ti的有效优先级；

34、s52、当前待执行任务tnext开始执行，并开始计时。

35、优选地，s6中实时监控每个任务的任务执行状态和资源使用情况，包括：

36、采用下式计算任务的资源使用率：

37、

38、其中，为资源rj的资源使用率，为资源rj的当前使用量，为资源rj的资源总量，资源总量在资源列表r中查询，rj∈r。

39、优选地，s7中根据任务执行状态和资源使用情况判断是否需要对动态调度进行调整，包括：

40、若任务延迟超过预设阈值或各任务的资源使用率不均衡，则需要对动态调度进行调整，否则不需要对动态调度进行调整。

41、一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现上述基于自适应多维依赖图和动态调度的智能任务优化方法。

42、一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述基于自适应多维依赖图和动态调度的智能任务优化方法的各个步骤。

43、(三)有益效果

44、与现有技术相比，本发明所提供的基于自适应多维依赖图和动态调度的智能任务优化方法，具有以下有益效果：

45、1)能够实时识别并调整任务之间的多维依赖关系，确保任务调度的准确性和灵活性，有效降低任务执行延迟，同时能够提高任务优化调度的效率；

46、2)通过智能化的动态调度策略，能够根据任务的优先级和资源的实时状态，优化资源配置，提高资源利用率，避免资源的闲置与过载，有效提升系统的整体性能；

47、3)具有自适应能力，能够快速响应环境变化，使其能够在云计算、物联网和边缘计算等动态场景中表现出色，最终提升整体任务执行效率和系统性能，推动更复杂任务优化调度的实现。