基于新型休眠机制的云任务调度策略的研究

为提高云系统节能水平,同时满足云用户响应性能,研究了云任务调度策略及性能优化问题。引入休眠延迟机制与休眠唤醒阈值,提出一种基于新型休眠机制的云任务调度策略。根据云任务调度策略及云用户的随机行为,考虑物理机的唤醒过程,构建带有休假延迟与启动过程的同步N-策略多重休假排队模型。利用拟生灭过程与矩阵几何解等数学工具,从云任务的平均逗留时间与云系统的节能水平等方面评估云任务调度策略的系统性能。进行系统实验,验证策略的有效性及模型解析的合理性,并揭示云用户响应性能与云系统节能水平之间的折衷关系。通过动态改变交叉概率与变异概率,改进遗传算法,给出云任务调度策略的智能优化方案,实现系统成本的最小化。     

基于休眠模式与信息可视的云用户接入阈值策略的研究

休眠模式广泛应用于绿色云计算环境下的虚拟机(VM)集群中。为了揭示云用户的纳什均衡行为,最大化云系统的社会收益,针对周期性休眠机制,面向云用户触发的网络业务,研究接入阈值策略。在完全可视条件下,求解新到达云用户的预期逗留时间,并建立基于线性收支结构的个人收益函数,得出云用户个人最优接入阈值。面向唤醒状态和休眠状态设置不同的缓存容量,构建多重同步休假模型。运用高斯赛德尔方法,给出排队模型的稳态解,得出云用户社会最优接入阈值。数值实验揭示出在不同虚拟机状态下云用户社会最优接入阈值均小于个人最优接入阈值,为优化云计算环境下的用户接入控制提供了理论依据。     

基于遗传算法的网格任务调度方法研究

任务调度算法是网络计算研究的一个重要方向,己被证明是一个NP完全问题。研究表明遗传算法是解决复杂环境下任务调度的有效方法之一。本文提出的网格任务调度算法是基于遗传算法,并引入任务复制方法。实验结果表明,该算法在收敛速度和调度完成时间均优于普通遗传算法。     

遗传算法在物流配送路径优化问题中的应用

遗传算法是一种基于自然进化原理的全局搜索随机算法。遗传算法在物流管理的运输问题、布局问题、选址问题、配送问题、调度问题等方面应用非常广泛。首先建立物流配送路径优化问题数学模型,在此基础上构造求解物流配送路径优化问题的遗传算法。用此遗传算法进行物流配送路径优化,可以方便有效地求得问题的最优解或近似最优解。     

装配作业车间分批调度问题的算法对比

建立最小化makespan的装配作业车间分批调度模型,利用遗传算法构建基于整体集成优化策略、分层迭代优化策略和双层进化策略的求解算法。它们的区别在于处理批量划分问题和子批调度问题的联合优化机制不同。最后通过仿真实验对比了几类算法的求解效果和收敛速度,并分析了它们的适应性特点。     

面向货物装卸需求的越库仓门分配和货车排序

在货物种类多、批量少的越库调度系统中,货物的装卸顺序要求对于优化仓门分配和货车排序问题起着重要作用。针对这种情况,以最小化越库操作完工时间为目标,建立越库调度模型。分别基于优化仓门分配和货车排序问题,设计惯性权重非线性改变和增加交叉操作的改进粒子群算法进行迭代寻优。最后通过不同规模的数值实验,将改进粒子群算法与标准粒子群算法和遗传算法进行对比分析,实验结果表明改进粒子群算法在求解精度上比标准粒子群算法和遗传算法有明显优势,在求解时间上优于遗传算法,略逊色于标准粒子群算法。     

基于分布式异构数据库的查询优化算法

对于分布式异构数据库,查询优化既是非常复杂的问题,又是影响系统性能的关键因素。结合遗传算法和模拟退火算法的优点,提出基于遗传模拟退火算法的分布式异构数据库查询优化方法。仿真实验表明,该方法有效地提高分布式异构数据库的查询优化效率。     

基于粒子群算法求解约束优化问题的改进算法

提出一种进行的粒子群算法(Particle Swarm Optimization,PSO)用于求解多目标的优化问题。这种改进引入遗传算法的交叉算子,增强算法的搜索能力。同时,使用基于子种群划分的改进选择算子,避免算法过早陷入局部最优。使用三个测试函数进行测试,实验结果证明算法的有效性。     

基于改进的信赖域模型管理技术识别风电转子系统不对中载荷

针对求解耗时的风电转子系统不对中载荷识别问题，提出基于改进的信赖域模型管理技术的识别算法。该算法将整个先验分布空间的不对中载荷识别问题转化为一系列信赖域上的近似优化问题，通过区域遗传智能采样技术采集样本，加强径向基函数构建代理模型，再采用遗传算法进行近似优化。通过每个信赖域上的最小目标函数和近似优化结果确定信赖度和下代域的中心、半径，进而不断地缩放、平移信赖域，来保证获得与真实模型一致的不对中载荷。通过四种方法对比表明该方法样本遗传策略，遗传落在下代信赖域空间上的样本，减少实验设计样本个数而提高效率；最小目标函数作为信赖中心调整提高了关键区域代理模型的精度而加快收敛，降低了对代理模型精度的依赖。     

结合Setup和有限等待时间的两阶段混合流水调度优化

基于某洗发水生产企业的运作场景,研究了一种非同质并行机环境下的两阶段混合流水生产调度优化问题。问题综合考虑了各阶段的机器适用性、各机器上的序列相关准备时间(Sequence-dependent setup time,SDST)以及两阶段间的有限等待时间(Limited waiting time),以最小化最大完工时间(Makespan)。在问题建模的基础上,借助作业块划分规则构造了一种基于模型的启发式算法,并设计和实现了针对本问题的遗传算法。通过大量计算实验,将直接求解模型、基于模型的启发式算法和遗传算法这三种方法进行对比分析,验证了算法有效性,并利用遗传算法求解了大规模实际问题。     

求解约束优化问题的退火遗传算法

针对基于罚函数遗传算法求解实际约束优化问题的困难与缺点,提出了求解约束优化问题的退火遗传算法。对种群中的个体定义了不可行度,并设计退火遗传选择操作。算法分三阶段进行,首先用退火算法搜索产生初始种群体,随后利用遗传算法使搜索逐渐收敛于可行的全局最优解或较优解,最后用退火优化算法对解进行局部优化。两个典型的仿真例子计算结果证明该算法能极大地提高计算稳定性和精度。     

具有模糊时间窗的多模式联运建模及优化

以考虑用户偏好的模糊时间窗多式联运为研究对象,建立了基于图状结构的模糊时间多式联运模型。在分析模型特征的基础上,设计了基于正交试验的混合田口遗传算法实现路径及运输方式的组合优化。通过考虑不同用户偏好的5个任务来考察模型和优化算法的有效性。计算结果表明,该算法能有效求解出满足用户偏好的路径及运输组合方式,为物流企业决策提供依据。     

基于DPSO算法的并行测试任务调度

为解决并行测试任务调度复杂、难以优化的难题,利用惯性因子动态调整的粒子群算法(dynamic particle swarm optimization,DPSO)建立任务间存在约束关系的并行测试任务调度模型,给出模型求解算法,并通过仿真实验验证该模型的有效性和DPSO算法应用于并行测试任务调度的可行性。     

DNA遗传算法的改进二维最大熵图像分割

传统的二维最大熵图像分割算法在求解阈值时将二维直方图的噪声和边缘区域近似为零,降低了分割精度。针对这一问题,本文提出了一种基于DNA遗传算法的改进二维最大熵快速图像分割算法。利用梯度-均值灰度直方图得到有用区域,并以改进的二维最大熵作为优化函数,采用DNA计算遗传算法得到二维最优阈值。实验表明该算法对图像分割去噪能力强,分割效果好,以及快速有效处理能力。     

面向云制造服务的制造资源优化配置研究

为了降低云端制造服务成本,解决云制造环境下无需求偏好的制造资源优化配置的难题,充分考虑制造资源需求企业和云平台运营方的利益以及双方在制造资源配置服务过程中涉及到的服务质量（quality of sevice,QoS）因素和柔性因素,构建了云环境下代表制造资源需求企业和云平台运营方利益的多目标优化资源配置模型,并基于改进NSGA-Ⅱ算法对模型算例进行了求解,计算结果表明了该模型和算法的可行性、有效性和稳定性。     

基于查问/应答的动态口令身份认证技术在校园网网络安全中的应用

随着校园信息化的不断深入,关键业务系统的不断部署,人们对校园网的依赖程度越来越高,为保证校园网只对授权的合法用户提供服务,防止非法用户获得系统服务,校园网系统提供服务时必须认证用户的身份,伴随着手机用户的广泛普及,提出一个基于查问/应答的一次一用的动态口令和基于TEA加密解密算法的校园网身份认证机制。     

基于分布式光伏发电的多目标分时电价优化策略

现有电力定价研究大多为峰谷分时定价,时段划分方式单一且大多采用传统非支配排序遗传算法-II求解多目标问题。针对这个问题,提出一种基于分布式光伏发电的多目标分时电价优化策略。建立用电量与电价响应模型,基于等效负荷进行时段划分,以负荷方差最小,等效负荷的峰谷差最小,用户满意度指数最大为目标,建立多目标非线性分布式光伏分时定价模型,并提出基于邻域搜索的多目标遗传算法求解。数值实验结果表明,供电稳定性提高了37.77%,分布式光伏发电的利用率提高了4.51%,用户满意度为74.3%;且提出的求解算法要优于常用的非支配排序遗传算法-II,表明本文提出的定价策略是有效的。     

基于三方博弈的改进遗传算法求解多目标柔性作业车间调度

针对柔性作业车间的特点,以最小化完工时间、总机器负荷最小和临界机器负荷最小为目标,提出了基于三方博弈的改进遗传算法求解多目标柔性作业车间调度模型。通过三方博弈,使三个优化目标之间的博弈策略实现最优组合,从而获得子博弈完美纳什均衡,即为问题的优化组合解。为优化种群质量,将改进遗传算法应用于多目标柔性作业车间调度问题的求解过程,采用帕累托分类思想,对种群进行选择和精英保留,以优化种群结构;通过设计交叉、变异和局部搜索机制进一步寻找目标函数的最优解。为证明算法的有效性,运用基准算例对算法的求解性能进行了验证。其结果表明,所提算法在求解结果上有明显的改善,求解效率更高。     

带有限等待的动态HFS调度的拉格朗日松弛算法

作为基于最优化的近似算法,分析了拉格朗日松弛算法的分解策略,设计了算法的实现优化过程.针对从钢铁生产提炼出的带有限等待时间要求的动态HFS调度,采用基于工件解耦的分解策略,应用拉格朗日松弛算法进行求解,以最小化总加权完成时间和工件等待惩罚之和.该算法将工件耦合约束松弛到目标函数中,将形成的松弛问题分解成多个更易求解的工件级子问题,进而利用动态规划求解这些子问题,通过拉格朗日乘子的更新迭代过程获得原问题的近优解.对不同问题规模的测试结果表明,该算法能在较短的计算时间内得到较好的近优解,说明了拉格朗日松弛算法求解等待时间受限的HFS调度的可行性和有效性.     

改进蚁群算法在云环境下路径优化设计

云环境作为一种新的网络服务环境,提供大量的网络资源服务,云环境中的资源分配问题受带宽、负载以及响应时间的影响。蚁群算法是一种自适应搜索算法,对组合优化问题的解决发挥了重大的作用,但是其缺陷是容易陷入局部最优以及搜索速度慢。本文提出的蚁群优化算法,将蚁群算法和遗传算法结合起来,能够加快蚁群算法的收敛速度,提高搜索速度,降低云环境下的网络负载,使得云环境下的任务运行时间有效缩短,网络利用率明显提高。