WiMi Hologram Cloud Inc. a annoncé avoir optimisé la planification des tâches dans l'informatique en nuage à l'aide d'algorithmes d'intelligence de groupe. Un algorithme d'intelligence de groupe est une méthode informatique basée sur le comportement des groupes dans la nature, qui peut démontrer de puissantes capacités de recherche et d'optimisation pour résoudre des problèmes complexes en simulant les interactions et les collaborations des individus au sein d'un groupe. L'utilisation d'algorithmes d'intelligence de groupe pour résoudre les problèmes de planification des tâches dans le nuage peut améliorer l'efficacité de l'exécution des tâches et l'utilisation des ressources. Les algorithmes d'intelligence de groupe sont une classe d'algorithmes d'optimisation qui simulent le comportement de groupes d'organismes dans la nature, tels que les algorithmes de colonies de fourmis et les algorithmes d'essaims de particules. Ces algorithmes trouvent la solution optimale globale en simulant le mécanisme de collaboration et de concurrence des groupes biologiques.

Dans la planification des tâches en nuage, l'utilisation d'algorithmes d'intelligence des populations permet de considérer les tâches et les ressources comme des individus dans un groupe et de trouver la solution optimale de planification des tâches grâce à la collaboration et à la concurrence entre les individus. Cela permet d'utiliser pleinement les ressources du système, d'améliorer l'efficacité de l'exécution des tâches, de réduire le temps d'attente et de diminuer la consommation d'énergie et le coût du système. La planification des tâches dans le nuage à l'aide d'algorithmes d'intelligence de groupe peut répondre aux besoins des utilisateurs, améliorer la vitesse de réponse du système, réduire les coûts et améliorer l'utilisation des ressources.

L'algorithme d'intelligence de groupe peut être appliqué à différents aspects de la planification des tâches en nuage, tels que l'allocation des tâches, la planification des tâches et l'exécution des tâches. Par exemple, les tâches en nuage sont planifiées à l'aide de l'optimisation par essaims de particules (PSO). L'algorithme PSO simule le comportement de vol des oiseaux d'une volée en ajustant constamment la position et la vitesse de chaque oiseau de la volée pour trouver la solution optimale.

Dans la planification des tâches dans le nuage, chaque tâche peut être considérée comme une particule, la position de chaque particule indique la machine virtuelle à laquelle la tâche est assignée et la vitesse indique la vitesse d'exécution de la tâche. En mettant constamment à jour la position et la vitesse des particules, il est possible de trouver une solution optimale pour l'ordonnancement des tâches afin d'améliorer l'efficacité de l'exécution des tâches et l'utilisation des ressources. L'algorithme de l'essaim de particules est un algorithme d'optimisation qui simule le comportement de recherche de nourriture d'une volée d'oiseaux.

Dans la planification des tâches en nuage, la tâche peut être considérée comme la cible qui doit être butinée par la volée d'oiseaux, et les ressources informatiques en nuage sont considérées comme le chemin de la volée d'oiseaux. L'algorithme de l'essaim de particules recherche le schéma optimal de planification des tâches en simulant l'ajustement de la position et de la vitesse de la volée d'oiseaux pendant le processus de recherche. Plus précisément, chaque particule représente un plan de répartition des tâches et ajuste sa position et sa vitesse en fonction de sa propre position optimale historique et de la position optimale de la volée.

L'algorithme PSO comprend l'initialisation de l'essaim de particules, l'évaluation de l'aptitude, la mise à jour de la vitesse et de la position, et la mise à jour de la solution optimale globale et de la solution optimale individuelle.