(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111679809.8 (22)申请日 2021.12.31 (71)申请人 华南师范大学 地址 510898 广东省广州市天河区中山大 道西55号 (72)发明人 郭邦红　董博文　胡敏　 (74)专利代理 机构 广州粤高专利商标代理有限 公司 44102 专利代理师 禹小明 (51)Int.Cl. G06N 10/00(2022.01) G06F 9/455(2006.01) G06F 9/50(2006.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种量子云计算平台作业调度与资源分配 方法 (57)摘要 本发明提供一种量子云计算平台作业调度 与资源分配方法， 该方法通过将用户的即时计算 请求与非即时计算请求分别调度， 可以使有限的 量子计算机资源 得到合理分配， 并且平衡用户租 用费用与平台运行成本。 通过收集历史数据， 对 可用非即时计算资源与用户计算请求进行预测， 并通过强化学习方法调度非即时请求任务， 可以 在很长一段时间内削峰补谷， 进一步优化资源利 用率与请求成功率， 避免资源不足和资源浪费情 况的发生。 权利要求书2页 说明书8页 附图4页 CN 114444700 A 2022.05.06 CN 114444700 A 1.一种量子云计算平台作业调度与资源分配方法， 其特 征在于， 包括以下步骤： S1： 云服务器接收用户的量子计算请求； S2： 判断用户的请求类型： 包括即时计算请求或非即时计算请求； 若即时计算请求， 进 入步骤S3； 否则进入步骤S4； S3： 检查当前时刻t计算中心是否有满足计算请求的计算资源， 如有， 进入步骤S5， 否则 该计算请求失败， 云平台向用户返回失败信息； S4： 检查当前时间段是否存在空闲作业槽： 如果有， 将该用户请求加入作业槽中等待资 源充足时进 行调度； 否则该请求失败， 云平台告知用户该时段预约已满， 请用户更改预约计 算时间； S5： 计算中心为即时计算请求创建虚拟机， 为用户分配 计算资源并实时返回计算结果； S6： 检查当前时刻是否有空 闲计算资源， 如果有， 进入步骤S7； S7： 在作业槽中选择一个或多个非即时计算作业为其分配计算资源， 等待计算完成并 通过云服 务器将计算结果返回给用户； S8： 计算中心将分配结果反馈给云服务器， 与服务器收集将分配结果加入状态信息并 保存至学习库， 训练强化学习神经网络优化作业调度与资源分配策略。 2.根据权利要求1所述的量子云计算平台作业调度与资源分配方法， 其特征在于， 所述 步骤S1中， 用户请求报文包括： 用户身份ID、 计算请求类型、 作业的最早开始时间、 最晚开始 时间、 所需资源数量与持续时间。 3.根据权利要求2所述的量子云计算平台作业调度与资源分配方法， 其特征在于， 所述 步骤S8中， 状态信息包括： 计算资源、 作业槽中用户计算请求资源数量、 选择调度作业槽、 当 前时间段的请求成功率和计算资源占用率； 对于强化学习神经网络， 其环境为计算资源和 作业槽中用户计算请求资源数量； 行为为选择调度的请求作业槽； 奖励为当前时间段的请 求成功率和计算资源占用率。 4.根据权利要求3所述的量子云计算平台作业调度与资源分配方法， 其特征在于， 所述 步骤S7的具体过程是： S71： 通过机器学习方法预测当前时间段Δt各个时刻t1， t2， ……， tm的可用于非即时 计算的计算资源数量s1， s2， ……， sm； S72： 获取当前状态信息， 包括： 当前可用计算资源、 系统中各作业槽中非即时计算请求 的计算资源数量； S73： 将信息转 化为向量， 输入强化学习神经网络中， 通过网络得到 输出； S74： 根据神经网络的输出， 即作业调度策略选择一个作业槽中的计算请求， 使用首次 适应算法为 其分配计算资源； S75： 根据不同的分配结果， 计算当前时间段的请求成功率和计算资源利用率。 5.根据权利要求4所述的量子云计算平台作业调度与资源分配方法， 其特征在于， 所述 步骤S71中， 采用机器学习方法对时刻t可用于非即时计算任务的资源s进 行预测， 具体方法 为： 收集历史数据， 包括： 即时计算任务的概率分布和资源占用； 输入神经网络进 行训练； 当 训练结果的精确度达到阈值且稳定时， 保存神经网络模型， 即可以通过时间t对可用资源s 进行预测。 6.根据权利要求5所述的量子云计算平台作业调度与资源分配方法， 其特征在于， 所述权　利　要　求　书 1/2 页 2 CN 114444700 A 2神经网络的输入为当前时间t， 取值范围为(0， 1， 2， ……， 10080)， 即神经网络预测时间长度 为一周， 时间单位 为分钟。 7.根据权利要求6所述的量子云计算平台作业调度与资源分配方法， 其特征在于， 所述 强化学习神经网络包 含输入层， 隐藏层和输出层， 其中： 输入层接收当前时刻的状态信息， 包括： 当前可用计算资源、 系统中各作业槽 中非即时 计算请求的计算资源数量。 8.根据权利要求7所述的量子云计算平台作业调度与资源分配方法， 其特征在于， 所述 神经输入使用向量表示， 具体形式为： [s1， s2， ……， sm， k1， t1， k2， t2， ……， kn， tn]； 其中， s1， s2，……， sm为m个时间步中可用的计算资源； k1， t1， k2， t2， ……， kn， tn为n个作业槽中 作业请求的计算资源数量和持续时间。 9.根据权利要求8所述的量子云计算平台作业调度与资源分配方法， 其特征在于， 神经 网络的奖励为当前时间段 的请求成功率和计算资源利用率， 其中： 计算请求成功率定义为 调度成功的请求数量于总请求数量之比。 10.根据权利要求9所述的量子云计算平台作业调度与资源分配方法， 其特征在于， 计 算资源利用率定义为当前时间段中计算任务占用的资源与总计算资源的比率； 资源利用率 越高， 资源浪费越少； 强化学习神经网络通过训练最大化奖励即请求成功率和计算资源利 用可满足量子云计算平台灵活的作业调度和高效的资源分配的要求。权　利　要　求　书 2/2 页 3 CN 114444700 A 3