[发明专利]一种调度自动驾驶仿真任务的方法、系统、设备及介质

说明书

本发明公开了一种调度自动驾驶仿真任务的方法、系统、设备和存储介质，方法包括：计算在当前粒子下执行所有任务的当前评价值，并判断当前评价值是否小于历史最优值；响应于当前评价值小于历史最优值，用当前评价值更新历史最优值，并判断当前评价值是否小于总体历史最优值；响应于当前评价值小于总体历史最优值，用当前评价值更新总体历史最优值；基于历史最优值和总体历史最优值更新当前粒子的位置和速度，并返回再次计算当前评价值直到达到最大计算次数；以及根据总体历史最优值确定每个任务分配的节点，并根据结果对任务进行分配。本发明通过使资源的利用率最高及成本最低，并基于粒子群算法对min‑max函数进行求解，来提高资源的执行效率。

技术领域

本发明涉及自动驾驶领域，更具体地，特别是指一种调度自动驾驶仿真任务的方法、系统、计算机设备及可读介质。

背景技术

对于自动驾驶来说，仿真测试是技术验证、支撑系统培训、测试和验证的基础技术，按照理论计算，要想对自动驾驶汽车的安全性进行验证并最终实现量产，需要积累数百亿英里的自动驾驶测试里程，这需要企业在未来10年内部署至少300万辆自动驾驶车辆进行里程测试，这对任何一家整车制造企业、大型互联网公司和新兴造车势力来说都是不现实的，所以需要自动驾驶仿真来支持庞大的里程测试及百万级场景测试。而大规模的仿真测试消耗的资源和时间非常大，如何合理地利用和分配资源，使仿真任务消耗的时间缩短到最小，对于大规模仿真测试具有极高的现实意义。

对于任务调度的常用算法包括先来先服务法、轮转法、短作业优先法、遗传算法等，但是目前自动驾驶仿真任务还大多处在单机单任务服务状态，随着自动驾驶的发展，大规模仿真任务必不可少，而直接用于仿真任务调度的方法很少。目前缺少专门应用于自动驾驶大规模仿真任务的调度方法，一些先来先服务法、轮转法、短作业优先法等算法较为简单，对于大规模仿真任务的调度不能最大化提高资源的利用效率。

发明内容

有鉴于此，本发明实施例的目的在于提出一种调度自动驾驶仿真任务的方法、系统、计算机设备及计算机可读存储介质，通过任务调度模型，即min-max函数，考虑到影响仿真任务所需计算资源的多种因素，优化目标使资源的利用率最高及成本最低，并基于粒子群算法对min-max函数进行求解，来提高资源的执行效率，最后通过自动化脚本将各任务分配给各节点的启动脚本中，全部实现自动化，节省人力，提高效率。

基于上述目的，本发明实施例的一方面提供了一种调度自动驾驶仿真任务的方法，包括如下步骤：计算在当前粒子下执行所有任务的当前评价值，并判断所述当前评价值是否小于历史最优值；响应于所述当前评价值小于历史最优值，用所述当前评价值更新所述历史最优值，并判断所述当前评价值是否小于总体历史最优值；响应于所述当前评价值小于总体历史最优值，用所述当前评价值更新所述总体历史最优值；基于所述历史最优值和所述总体历史最优值更新当前粒子的位置和速度，并返回再次计算当前评价值直到达到最大计算次数；以及根据所述总体历史最优值确定每个任务分配的节点，并根据结果对任务进行分配。

在一些实施方式中，所述计算在当前粒子下执行所有任务的当前评价值包括：按照当前粒子对应的排列方式将所有任务分配到所有节点中，并根据当前的分配方式计算当前评价值。

在一些实施方式中，所述根据当前的分配方式计算当前评价值包括：计算所有任务执行的最小总成本和在最小总成本下的最大总效率，并根据所述最小总成本和所述最大总效率计算当前评价值。

在一些实施方式中，所述计算所有任务执行的最小总成本和在最小总成本下的最大总效率包括：根据每个任务在消耗的资源和节点的满意度计算所有任务执行的最小总成本。

在一些实施方式中，所述根据当前的分配方式计算当前评价值包括：分别给所述最小总成本和所述最大总效率分配第一权重和第二权重，并计算分配权重后的当前评价值。