买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉齐鲁工业大学(山东省科学院);山东省计算中心(国家超级计算济南中心)申请的专利一种边云协同自适应工作流调度方法及系统获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN121326536B 。

龙图腾网通过国家知识产权局官网在2026-03-03发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202511903245.X，技术领域涉及：G06F9/48；该发明授权一种边云协同自适应工作流调度方法及系统是由葛菁;孔丽斐;陈静;王迪;王歆媚;庞嘉瑞设计研发完成，并于2025-12-17向国家知识产权局提交的专利申请。

本一种边云协同自适应工作流调度方法及系统在说明书摘要公布了：本发明涉及一种边云协同自适应工作流调度方法及系统，属于分布式计算与人工智能技术领域。首先，在宏观候选筛选阶段，通过任务聚类降低问题粒度，并基于加权距离的概率化择优策略，在利用与探索之间取得平衡；接着，在协同调度决策阶段，通过图神经网络构建全局网络状态图，提取节点及其邻域的深层空间特征，形成上下文感知的状态表示，强化学习智能体据此在本地执行、边缘迁移或云端卸载等多选项中作出最优协同决策；最后，在本地自适应优化阶段，于任务下发后执行细粒度优化，通过在线学习机制动态调整调度频率与多目标权重，在任务截止期与资源利用率之间实现平衡，确保节点层面的高效与稳健执行。

本发明授权一种边云协同自适应工作流调度方法及系统在权利要求书中公布了：1.一种边云协同自适应工作流调度方法，其特征在于，应用于一个包含设备层、边缘层和云层的协同架构，步骤如下： 1宏观候选筛选，设备层产生原始工作流任务后，首先被汇集至中心调度器，中心调度器在内部对任务进行聚合与处理，形成工作流任务块，对任务块执行宏观的候选节点筛选，得到候选节点集合； 2微观协同调度，利用图神经网络赋予深度强化学习智能体以全局网络视野，从而在候选节点集合内实现边-边协同调度； 3本地动态优化，当某一工作流任务块被分配至目标边缘节点执行时，边缘节点的资源管理器接管任务，采用基于优先级分段与滑动窗口的资源分配机制作为本地执行的基础框架，在基础框架上引入动态目标加权的联合优化策略； 联合优化策略通过一个在线学习模型，对窗口长度和优化目标权重w这两个关键参数进行联合、持续的调整，通过这种方式，本地调度策略不仅能自适应任务到达的速率，更能自适应任务的类型，从而在多变的任务模式下保持高效稳定的性能，联合优化过程的详细步骤如下： 自适应窗口与目标权重的联合优化：性能高度依赖于两个关键参数，窗口长度决定了调度的频率和粒度，优化目标权重，决定了优化的侧重点是任务及时性还是资源经济性上，这两个参数不再是固定值，而是由一个基于贝叶斯优化的在线学习算法进行联合、持续的调整，整个优化过程构建成一个建模-决策-执行-更新的闭环，具体的； 31建模，扩展的性能预测模型，采用高斯过程回归作为性能预测模型； 311学习目标：高斯过程回归学习的是一个从二维输入到一个标量输出的复杂映射关系y=fx，该关系被建模为一个高斯过程分布： 其中，Mx为均值函数；为核函数，为捕捉任务模式中的周期性与非周期性特征，在窗口长度维度上采用如下复合核： 式中，第一部分为周期核，和'表示具有周期性相似度的滑动窗口长度，为信号方差，控制函数输出值的整体变化幅度；为长度尺度，控制函数的平滑度；为周期，用于捕捉任务模式中存在的周期性规律； 第二部分为高斯核：为信号方差，为长度尺度，刻画非周期性部分的平滑性，越大，变化更平滑；越小，变化更剧烈； 312性能指标y的定义：为实现多目标的平衡，性能指标y被定义为一个综合了任务完成情况与资源利用情况的加权函数，加权函数即为步骤311中所述的高斯过程回归试图学习和逼近的未知映射函数的具体实现，调度越好，其y值越高； 其中，是由智能决策模块选择的目标权重； 为平均任务违规率，表示在窗口内未能按期完成的任务比例，其计算方式为： 其中，表示时间窗内任务总数，vi为违规指示函数，当任务未按时完成时vi=1，否则为0，代表窗口内所有任务的vi相加值，即窗口内发生违规的任务总数； 代表任务按时完成率； 为平均资源利用率；表示在窗口内所有边缘节点的计算资源使用情况，其计算方式为： 其中，为参与计算的边缘节点总数量，为边缘节点ENj在时间窗口内实际使用的计算资源量，即已用资源，为边缘节点在时间窗口内可提供的计算资源总量，即可用资源，计算了单个边缘节点ENj在窗口内提供的资源利用率，将所有个边缘节点的利用率相加，最后再除以，得到所有边缘节点的平均资源利用率； 32决策：在获得高斯过程回归对性能的预测后，采用一个采集函数来决定下一个参数组合，选出最优参数组合； 321平衡探索与利用：采集函数的核心是在探索与利用之间取得平衡； 322UCB采集函数：采用置信上界作为采集函数，其公式为： 其中，是高斯过程回归预测的性能期望值，代表利用，是高斯过程回归预测的性能不确定性标准差，代表探索，是一个用于控制探索程度的超参数，不是一个固定值，随学习迭代次数n动态变化，以实现从探索到利用的平滑过渡，计算方式为： 其中，n代表在线学习过程已经执行的循环次数，随着n的增加，探索率会发生动态变化，表示优化初始时的探索强度，表示优化收敛后的长期探索率，为时间尺度参数，用于控制探索率从初始值开始衰减的短期速率，为另一个时间尺度参数，用于控制探索率收敛至最终值的长期速率； 323决策过程：在每个决策时刻，在的所有组合中，寻找最大化UCB得分的组合； 33执行与更新：应用最优参数组合配置本地调度器，并执行一个完整的调度周期，在周期结束后，真实地观测到周期内的实际性能，即真实的平均任务违规率和资源利用率，将真实的数据点添加到历史数据库中，随后高斯过程回归学习模型利用这个包含真实数据点的完整历史数据库来更新。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人齐鲁工业大学(山东省科学院);山东省计算中心(国家超级计算济南中心)，其通讯地址为：250353 山东省济南市长清区大学路3501号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。