详细信息：

研究面向典型应用的云工作流智能管理与调度关键技术，主要从理论研究和系统开发两方面开展研究。理论研究方面，面向典型工作流应用场景，对工作流任务和计算资源进行管理和调度，降低工作流的执行时间，优化工作流执行成本，提高云平台资源利用率。针对相关优化调度问题，首先采用宽度学习、极限梯度提升等方法，对云工作流计算时间、传输时间以及容器资源需求量进行预测，以提高准确度。基于预测数据，针对具体应用和场景的需求和约束，如工作流任务优先约束、截止时间约束、云服务价格及预算约束、数据中心能耗、服务器可靠性保证，对优化问题进行建模并设计、实现了一系列单目标、约束优化和多目标优化调度算法，以增强调度方案的可执行性，提升算法寻优性能和有效性。 系统开发方面，开发了支持用户配置与智能部署的云工作流服务子系统。该系统采用分布式服务框架管理服务资源，借助数据库集群和数据路由技术实现数据存储与访问。同时，基于分布式微服务架构设计了云工作流管控系统架构，其主要功能包括：工作流解析模块：工作流模板创建、工作流模板维护、工作流任务匹配、工作流预测模块、工作流调度引擎和数据检测与处理模块，从而实现Kubernetes的工作流执行部署。 本成果可应用于智能无人系统，智能制造、智能交通、医疗大数据分析等领域，这些领域目前都是国家数字化转型的重要领域。此外数据中心建设也是未来国家乃至全球各国的着力发展的基础设施，本成果具有广阔的市场前景。未来一段时间团队将着重完善系统的稳定性，加速在垂直领域的应用。