- 综合排序
- 最热优先
- 最新优先
- 来自专栏大数据和云计算技术
智能调度：Stanford的Quasar
智能、自动化是对系统孜孜不倦的追求，尤其是在资源调度这块。传统的YARN/MESOS有各种资源分配算法，如DRF,capacity scheduler，fair scheduler。 这些调度算法聚焦在资源的匹配和分配上面。其中最大的问题设计思路是基于预留的思路，要求应用提出资源的需求，而在现实中往往是不现实的。 关于智能资源调度方面，我早前写过一篇文章《智能调度 与 蚁群算法》，提的是设想通过蚁群算法来自动分配资源。 的一篇论文《Quasar: Resource-Efficient andQoS-Aware Cluster Management》，通过简单的分类算法就达到了job资源的预测和自动分配，解决了上面提到的2个资源分配的难题 这些有限的采集信息和已有的被分类离线的workload、已经被调度过的workload组合起来。
1.8K50发布于 2018-03-08 - 来自专栏一起学Golang
Go调度器系列（2）宏观看调度器
GMP的可视化感受 上面的两个宏观角度，都是根据文档、代码整理出来，最后我们从可视化角度感受下调度器，有2种方式。 g1运行在P2上，g18运行在P0上。 P1上实际上也有goroutine运行，可以看到短暂的竖线。 /one_routine2 结果： SCHED 0ms: gomaxprocs=8 idleprocs=5 threads=5 spinningthreads=1 idlethreads=0 runqueue /one_routine2 结果： ? 第2处：M2和P1进行了绑定，但M2上没有运行的G。 第3处：代码中使用fmt进行打印，会进行系统调用，P1系统调用的次数很多，说明我们的用例函数基本在P1上运行。
92050发布于 2019-04-11 - 来自专栏物流IT圈
智能调度让物流更高效：聊聊调度系统设计
随着数据的积累，派车规则的总结完善，越来越多的调度系统力求实现智能调度即自动派车的功能，依托算法或规则配置，优化运力分配。 2. 派单 派单的逻辑可以很深入，也可以很简单。 简单的派单，就是调度人员找到订单，选派合适的司机，调度过程即结束。 2）算法示例 自动调度的另一个方向，是用算法来进行路径规划选择，一般会细分到某一行业或领域，如城市配送、干线配送或医疗行业、服装行业等，都是在场景下寻找路径的最优解，综合路径、路况、路桥费等因素，计算最优选择 2. 司机评分 司机评分按网络货运的官方要求，货主可直接评价司机，但实际运营中，多建立司机、货主、平台三方互评的评级机制，各方加权平均的结论为最终评分。 我自己曾经带着二十多个研发，大干两个月搞出来了一个自动调度1.0版，调度成功率仅1%，存在无数诟病，被老板喷、被调度喷、被司机喷…仿佛自动调度是个伪命题，通过不断地迭代调度成功率缓慢提升，过程及其痛苦。
2.3K20编辑于 2023-09-07 - 来自专栏一起学Golang
Go调度器系列（2）宏观看调度器
GMP的可视化感受 上面的两个宏观角度，都是根据文档、代码整理出来，最后我们从可视化角度感受下调度器，有2种方式。 g1运行在P2上，g18运行在P0上。 P1上实际上也有goroutine运行，可以看到短暂的竖线。 /one_routine2 结果： SCHED 0ms: gomaxprocs=8 idleprocs=5 threads=5 spinningthreads=1 idlethreads=0 runqueue /one_routine2 结果： ? 第2处：M2和P1进行了绑定，但M2上没有运行的G。 第3处：代码中使用fmt进行打印，会进行系统调用，P1系统调用的次数很多，说明我们的用例函数基本在P1上运行。
82331发布于 2019-04-23 - 来自专栏大数据和云计算技术
智能调度 与 蚁群算法
2、资源分配策略智能学习能力，结合收集反馈的信息，可以动态调整资源分配调度策略，具有自主学习决策的能力。 今天我们说下第2点，调度智能化，调度根据收集到的反馈信息动态调整资源，做到智能需要一定的算法支撑，今天讲讲和调度很契合的蚁群算法。 2)蚁群算法是一种本质上并行的算法。每只蚂蚁搜索的过程彼此独立，仅通过信息激素进行通信。 通过蚁群算法，可以做到以下几点： 1、 可以自动找出最佳调度路径，决定任务调度顺序。 2、 调度参数学习，比如调优系统资源对任务的分配，系统最大并发数学习。 3、 子系统任务自动分配，等等。 对于智能调度这个课题，大家还想到什么算法比较契合吗？
4.1K70发布于 2018-03-08 - 来自专栏Android相关
RxJava2--多线程调度Scheduler
Scheduler家族 所使用的Scheduler主要在Schedulers这个类中，RxJava仅仅提供了以下这些调度器： Schedulers.SINGLE Schedulers.COMPUTATION Scheduler.from(@NonNull Executor executor)： 指定一个线程调度器，由此调度器来控制任务的执行策略。 ..main 而如果将subscribeOn与ObserverOn都指定成同一个Scheduler都话，如Schedulers.computation()，则需要看这个Scheduler的调度策略了。 如果没有指定Schedulers的话，则会发送一个事件，就接收一个事件 如果指定了Schedulers的话，就会遵循线程调度了，如果没有阻塞的话，就会顺序调用，并且将事件传递到子线程接收 测试结果 都使用 ，只要使用了Scheduler后，在加入sleep的阻塞操作后，执行了线程的调度，就会打印出来事件的发射与接收的顺序。
2.2K40发布于 2018-12-28 - 来自专栏三好码农的三亩自留地
浅析 RxJava 2.x 线程调度
怎么理解RxJava中的Observable、Observer、Scheduler 看字面就知道，Observable是被观察者，Observer是观察者，Scheduler是调度器，在RxJava实现中 Observable subscribe实现.png 线程调度 核心问题就2个，数据的发射的调用在哪个线程， 数据的监听在哪个线程，Scheduler 就是 干这个的（基本原理 就是工作线程的话就是 起线程池来处理任务 方法实现：新建一个SuscribeOnObserver对象装饰原有的Observer，然后将新的Observer封装到SubscribeTask对象中(一个Runnable), 然后扔给scheduler调度 我们在这里只需要知道三类对象 Observable 被观察者，在我们的图中，从下往上，运用装饰者模式，层层装饰增强 Observer 观察者，我们的图中，从上往下，同样运用装饰者模式，层层装饰增强 Scheduler 调度器
76010发布于 2018-09-11 - 来自专栏Don的成长史
【GPLT】L2-014 列车调度
本文链接：https://blog.csdn.net/weixin_42449444/article/details/86635741 题目描述： 火车站的列车调度铁轨的结构如下图所示。 ? 在图中有9趟列车，在入口处按照{8，4，2，5，3，9，1，6，7}的顺序排队等待进入。如果要求它们必须按序号递减的顺序从出口离开，则至少需要多少条平行铁轨用于调度？ 输入描述： 输入第一行给出一个整数N (2 ≤ N ≤105)，下一行给出从1到N的整数序号的一个重排列。数字间以空格分隔。 输入样例： 9 8 4 2 5 3 9 1 6 7 输出样例： 4 解题思路： 用upper_bound(num)函数来查找set中有无比num大的数字，若有则将这个数从set中删除，然后在set中插入
62030发布于 2019-11-08 如何实现异构显卡调度 - 数算岛（数据算力智能调度平台）
数算岛SSD（数据算力智能调度平台） 是一款面向AI任务设计的集群管理与资源调度平台，专注于高效管理异构GPU资源。 其异构显卡调度的实现融合了多层架构设计与智能化策略，以下从原理和技术实现角度深入解析： 一、分层调度架构：Kubernetes + Hadoop YARN 数算岛SSD采用微服务架构，将系统分为静态服务与动态任务两大部分 2. 动态资源分配与优先级策略 资源抢占与弹性伸缩：支持高优先级任务（如实时推理）抢占低优先级任务（如离线训练）的GPU资源，并自动触发弹性扩缩容。 2. 智能调度算法 多目标优化：调度器同时考虑资源利用率、任务延迟、能耗成本等指标。例如，在满足截止时间的前提下，优先将任务分配至低功耗节点。 总结 数算岛SSD的异构显卡调度能力源于“三层解耦”设计： 硬件层：抽象异构算力，实现“一卡多用”； 调度层：拓扑感知+动态优先级，最大化资源利用率； 应用层：容器化+智能策略，降低开发者负担。
16510编辑于 2026-06-17- 来自专栏数据魔术师
产品|智能仓储AGV调度仿真优化平台
针对此问题，数据魔术师团队耗费将近一年的时间，开发了这款智能仓储AGV调度优化仿真平台，其可以对输入的仓库布局、AGV 数量与速度，结合实际生产的订单产生情况及调度策略，进行仓储管理系统运行过程的可视化仿真模拟 协助研究人员测试算法 同时，平台也解决了智能调度算法领域研究人员的测试痛点，为其开发、检验算法效率提供了可能。 现有功能 目前阶段，团队研发的 AGV 调度仿真平台已经能够实现以下基本功能： 01 模型建立阶段 可自定义的仓库布局 平台提供了可自定义的仓库布局，目前已经能够满足货架数量在上千量级仓库 AGV 调度的模拟 03 策略优化 可供选择和比较的优化策略 针对关键、复杂的 AGV 路径优化问题，平台采取了智能搜索技术、元启发式算法、动态优化算法、群体智能算法等对 AGV 派送策略进行组合优化。 仓库布局智能优化：运用多种启发式搜索算法、深度强化学习方法，以及大数据分析技术进行仓库布局优化、调度策略优化、放货分区优化，尽可能实现仓库货架、出入口、 AGV 位置的有效优化，有效增加 WMS 系统工作性能
3.2K33发布于 2020-05-20 - 来自专栏算法与数据结构
PTA 7-2 列车调度（25 分）
7-2 列车调度（25 分） 火车站的列车调度铁轨的结构如下图所示。 两端分别是一条入口（Entrance）轨道和一条出口（Exit）轨道，它们之间有N条平行的轨道。 在图中有9趟列车，在入口处按照{8，4，2，5，3，9，1，6，7}的顺序排队等待进入。如果要求它们必须按序号递减的顺序从出口离开，则至少需要多少条平行铁轨用于调度？ 输入格式： 输入第一行给出一个整数N (2 ≤ N ≤105)，下一行给出从1到N的整数序号的一个重排列。数字间以空格分隔。 输入样例： 9 8 4 2 5 3 9 1 6 7 输出样例： 4 #include <iostream> // 类比最长上升子序列做 #include <cstdio> #include <cstring
2.7K90发布于 2017-12-29 - 来自专栏机器学习炼丹之旅
L2-014 列车调度 (25 分)
火车站的列车调度铁轨的结构如下图所示。 image.png 两端分别是一条入口（Entrance）轨道和一条出口（Exit）轨道，它们之间有N条平行的轨道。 在图中有9趟列车，在入口处按照{8，4，2，5，3，9，1，6，7}的顺序排队等待进入。如果要求它们必须按序号递减的顺序从出口离开，则至少需要多少条平行铁轨用于调度？ 输入格式： 输入第一行给出一个整数N (2 ≤ N ≤10^5)，下一行给出从1到N的整数序号的一个重排列。数字间以空格分隔。 输入样例： 9 8 4 2 5 3 9 1 6 7 输出样例： 4 分析 可以这样调度：先查看当前所有轨道的最左边火车编号是否小于当前编号，插入到最小的比当前火车编号大的火车后，如果不存在则开辟新轨道
57920编辑于 2022-08-08 骑手配送系统中的智能调度逻辑解析
那么，骑手配送系统中的智能调度究竟是如何运作的？本文将从调度逻辑、核心策略以及系统设计思路等方面进行解析。 说明：本文中的代码仅用于展示调度系统设计思路和业务模型结构，不涉及真实调度算法、地图服务或生产环境逻辑，不能直接用于实际项目部署。什么是智能调度系统智能调度系统本质上是一个自动分配订单的决策中心。 整个过程通常包括：订单产生↓分析订单信息↓筛选可用骑手↓匹配配送规则↓分配订单↓骑手执行配送相比人工派单，智能调度能够在更短时间内完成决策。智能调度需要考虑哪些因素实际业务中，系统不会随机分配订单。 >这些数据能够帮助平台持续优化调度策略。智能调度未来的发展方向随着人工智能技术的发展，智能调度能力也在不断升级。 随着行业持续发展，智能调度也将逐步向更加智能化、自动化方向演进，成为现代配送平台不可或缺的重要组成部分。
16410编辑于 2026-06-10- 来自专栏数据魔术师
基于Anylogic的AGV智能调度仿真平台
仓库内智能设备调度优化一直以来是数据魔术师关注和研究的方向之一。 有了它们的帮助 出入库货物的搬运 将变得更加方便高效 我们就能更快收到自己的快递啦 我们对AGV调度过程建模 并使用Anylogic进行仿真 就能模拟小车运行的真实环境 可以快速调整模型结构 非常方便地修改各项参数 且均匀分布在长边W上 AGV参数设置 AGV行走路径尺寸：宽0.75m(单车道) AGV速度：(载重10kg以下的AGV)最大速度3m/s, 加减速度1m/s², (载重10kg以上的AGV)最大速度为2m 二、智能体设置 定义智能体的变量和交互方式 本模型主要包含AGV小车、货物、主界面对象三个部分。 三、仿真结果 AGV调度仿真输出图表 通过调节订单到达率：poisson(6000)~poisson(10000), 统计总配送包裹数、分拣人员利用率、AGV利用率、平均配送时间、包裹在系统外的平均等待时间
7.2K50发布于 2020-06-09 - 来自专栏全栈程序员必看
L2-014 列车调度 (25 分)详解
火车站的列车调度铁轨的结构如下图所示。 两端分别是一条入口（Entrance）轨道和一条出口（Exit）轨道，它们之间有N条平行的轨道。 在图中有9趟列车，在入口处按照{8，4，2，5，3，9，1，6，7}的顺序排队等待进入。如果要求它们必须按序号递减的顺序从出口离开，则至少需要多少条平行铁轨用于调度？ 输入格式： 输入第一行给出一个整数N (2 ≤ N ≤10 5 )，下一行给出从1到N的整数序号的一个重排列。数字间以空格分隔。 输入样例： 9 8 4 2 5 3 9 1 6 7 输出样例： 4 该题乍看之下不知道是让干什么的，后来我看了别人的博客后才搞懂了这道题的做法。 （有同学可能会问为什么要放到最接近他的轨道，这是因为如果有这种情况出现 { 输入数据：8 4 2 5 3 9 1 6 在编号1进入之前按照伪代码每条轨道是这样过的情况： 2 4 8
65920编辑于 2022-09-17 - 来自专栏小泽的专栏
【DNS 解析】DNS+IGTM实现流量的智能调度
操作场景 智能全局流量管理（Intelligence Global Traffic Manager），简称IGTM，它可以帮助用户实现应用（例如：网页应用、直播、点播）的网络健康检查，并根据检测结果实现故障隔离和流量调度切换 也可根据用户地理位置或延迟实现流量的智能调度，从而实现各区域用户的就近接入。本文以通过DNS（IGTM）实现边缘节点智能调度为例进行演示。 步骤1：单击新建资源组 [新建资源组] 步骤2：配置资源组基础信息和资源列表 [配置资源组基本信息] 工作模式说明： 智能返回：默认选择，按照检查结果进行资源的加入或剔除。 2. "按延时返回"受监控节点分布所限，在地域资源调度方面可能会不如"按地理位置返回"精准，请大家谨慎使用。 3. "按延时返回"和"按地理位置返回"不可同时启用。 其他限制：更多限制说明请查看智能流量管理限制说明。
10.5K100编辑于 2022-05-24 技术指南：X-P2P智能动态调度的实现与腾讯云产品应用
摘要 本文旨在解析X-P2P技术的核心价值、挑战，并提供详细的操作指南，结合腾讯云产品实现智能动态调度。文章最后通过对比表格和场景化案例，展示腾讯云方案的优势。 资源调度：如何智能地调度资源以优化网络性能，是实现高效P2P网络的关键。 操作指南 实施流程 环境准备 原理说明：确保网络环境稳定，具备足够的带宽和处理能力。 P2P网络搭建 原理说明：构建P2P网络节点，实现数据的分散存储和传输。 操作示例：部署P2P软件，并配置节点之间的通信协议。 智能动态调度 原理说明：根据网络状况和资源使用情况，动态调整P2P网络中的资源分配。 操作示例：集成腾讯云API网关，利用其自动扩缩容能力，将响应延迟控制在100ms内。 结语 通过本文的技术解析和操作指南，读者可以了解到如何利用X-P2P技术实现智能动态调度，并结合腾讯云产品提升网络性能和安全性。通过对比表格和案例，我们可以看到腾讯云方案在性能、安全和成本方面的优势。
45910编辑于 2025-07-28- 来自专栏音视频咖
技术解码 | IM全球智能通信之接入调度服务
主动下发调度列表和指令的方式，可以实现用户的精准调度和实时迁移。 2、建联策略 客户端在获取到IP列表之后，启动与接入层之间建立TCP长连接。客户端建联时需要考虑多方面的问题。 腾讯云通信IM通过增加中继节点、智能路由、QUIC协议加速、专线传输、多IDC服务就近寻址发现等加速机制保证IM在全球的体验上真正实现连得上、连得快、连得稳的目标。 4、回调智能寻址 腾讯云IM云，通过统一的多地出口Proxy集群回调客户第三方HTTP（S）服务时，由于外部网络环境以及第三方业务的不可预知性，业务机器需要选择Proxy机器作为访问第三方HTTP（S） 下图可以看出，相比随机出口，回调智能出口寻址在提升回调成功率和降低延时有明显优化效果。 腾讯云IM接入层在单机接入和处理能力方面进行了持续的性能优化。 结合自动化聚合分析、整体数据分析，提供智能监控运营能力。同时联动邮件、短信、电话、微信、企业微信等通道，分风险级别传达告警通知。
2.1K10发布于 2021-06-15 - 来自专栏腾讯云原生团队
业务有诉求，资源会响应：TKE 智能调度实践
PlacementPolicy是TKE提供的一种智能调度策略，旨在弥合业务需求与资源分配之间的鸿沟，促进研发与运维团队高效协作。 智能调度策略驱动三步曲 构建调度策略体系 有效的资源策略需要建立在对资源特性和业务需求的全面理解上。运维团队首先应进行云资源特征分析，系统评估企业云资源池的运行状况。 智能调度演进蓝图 PlacementPolicy代表了Kubernetes资源管理的范式革新，通过连接业务语义与调度机制，使企业能够将策略意图直接转化为资源分配行为。 未来，资源调度将向智能化方向深度演进：基于机器学习的自动化策略推荐将助力企业在成本与可用性间寻找最优平衡点；预测性调度则将根据业务流量模式提前精准调配资源，实现“资源走在需求前”。 这些智能化能力将构筑更高效、更自主的云资源治理体系。
53320编辑于 2025-07-12 机器学习中学习率调度的智能优化方法
传统学习率调度方法（如分段衰减）依赖人工经验，难以适应复杂模型的训练需求。 研究分为三个阶段展开：理论分析：在非负矩阵分解（NMF）任务中，通过强化学习框架推导出保证收敛的学习率上界，并开发可学习的调度器。实验证明该方法优于人工设计的调度策略。 神经网络扩展：将方法扩展到深度神经网络（DNN），在计算机视觉和自然语言处理任务中验证了数据驱动调度的有效性，即使缺乏理论保证也能提升训练效率。 算法提炼：提出轻量级调度器GreedyLR，其核心机制包括：根据验证损失动态调整学习率平滑窗口减少噪声干扰耐心参数防止过度反应可配置的边界限制实验表明，GreedyLR在90%以上的案例中优于传统方法（ GreedyLR因其易用性和稳定增益，有望成为通用的学习率调度方案。
27500编辑于 2025-08-16
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号