本技术提供了一种以用户体验质量为优化目标的任务资源调度算法,属于资源调度技术领域,该以用户体验质量为优化目标的任务资源调度算法以改进的差分进化算法为核心,通过调度信息采集模块获取当前节点的任务信息、硬件性能信息和系统资源信息,生成初始任务资源分配方案。在优化过程中,启发式调度单元结合KAN模型预测任务执行结果,对候选解进行评估,以用户体验质量作为适应度函数,动态调整资源分配方案。最终输出的最优解将资源分配至任务执行控制模块,以提升任务的执行效率和用户体验质量。本发明通过双策略变异机制和任务执行预测模型,能够快速收敛至最优资源分配方案,确保在有限计算资源下最大化用户体验。
背景技术
随着物联网技术的快速发展,物联网设备在多个领域的应用逐渐普及,如智能家居、智慧城市和工业自动化等。这些物联网节点通过收集、处理和传输大量数据,有效提高了生产效率和生活便利性。然而,随着用户对系统响应速度和任务执行效果的期望不断提升,用户体验质量逐渐成为物联网系统优化中的关键目标。特别是在实时性要求高的任务场景中,用户对系统的响应速度和稳定性尤为关注,如何提升用户体验质量成为优化任务调度的核心问题。
目前,主流的物联网任务调度算法多采用深度强化学习方法来提升系统性能和资源调度效率,尽管深度强化学习在资源丰富的云计算环境中能够取得较好的效果,但其对计算资源和深度强化学习模型训练的高要求使其在资源受限的物联网边缘设备中难以实际应用。同时,现有调度算法未能充分考虑用户体验质量作为核心优化目标,导致调度方案在实际应用中难以有效满足用户需求。
当前物联网任务调度算法虽然在提升系统性能和资源利用率方面有所成效,但在优化用户体验质量和应对资源受限的物联网边缘设备时,仍存在以下不足:
用户体验质量优化不足:当前大多数调度算法主要侧重于服务的整体运行效率,对用户侧具体交互体验的优化考虑较少。在任务响应时间要求较高的场景中,缺乏针对用户交互体验的优化策略,使得系统难以满足用户对快速响应和低延迟的需求,从而影响用户的整体满意度。缺乏针对资源受限环境的适应性:物联网边缘设备的计算能力、存储空间和网络带宽有限,而深度强化学习等复杂算法对计算资源需求较高,难以在资源有限的边缘设备上有效应用。现有的调度算法在资源受限环境中的实际效果往往不佳,导致任务调度效率不高,影响系统的整体性能。
任务执行时间预测精度不高:现有的任务执行时间预测方法多依赖于传统的回归模型或简单的机器学习算法,难以有效捕捉任务特征、系统性能和资源分配之间的复杂关系。由于预测精度不足,调度决策的准确性受到影响,尤其在多个任务并行执行时,预测误差会进一步降低系统的整体效率和用户体验质量。缺少结合任务执行时间预测与用户体验质量优化的调度策略:现有调度算法通常缺乏将任务执行时间预测和用户体验质量优化结合的策略,难以根据任务的实际执行情况动态调整资源分配,导致系统响应速度和用户满意度不理想。
实现思路