一种基于改进遗传算法的网格资源调度策略

首先对网格资源调度的特点、现有遗传算法的局限性进行了分析,在此基础上对遗传算法进行改进;提出一种基于改进遗传算法的网格资源调度策略（GRSS_IGA）,该算法综合考虑资源任务分配量、任务截止时间、任务等待时间及资源利用率等QoS参数;并用马尔可夫理论证明了算法的正确性;最后通过仿真对改进前后两种算法的性能进行比较,实验结果表明改进后的算法降低了时间消耗,提高了资源利用率。     

基于信任机制与遗传算法的渲染网格作业调度研究

信任关系是网格作业调度中一个很重要的因素,也是影响网格计算有效性和性能的关键技术之一。将信任机制引入到渲染网格作业调度中,建立渲染网格环境中基于信任机制的作业调度模型,在调度策略上对基本遗传算法进行了改进,提出了基于信任机制的遗传算法。实验结果表明,该算法可以提高任务完成率和平均信任效益,是适用于渲染网格的一种有效作业调度方法。     

基于遗传算法的网格服务工作流调度的研究

网格服务的提出为网格工作流的研究提供了新的契机与挑战，由网格服务组成的工作流（GSF）的调度问题是一个典型的NP问题。利用遗传算法所具有的并行性和全局解空间搜索的特点，针对网格服务调度问题，提出基于遗传算法的网格服务工作流调度算法GSFGA，并改进了遗传算法的收敛特性，通过分析实验结果证明该算法优于传统的调度算法。     

网格资源调度算法研究

网格资源调度算法是影响网格成功与否的关键技术之一.首先对网格资源调度方法从不同的视角进行了分类,从三个方面阐述了网格资源调度的性能指标,并着重比较分析了几种典型的网格资源调度算法,包括Min-min算法、Max-min算法、基于经济模型的调度算法、基于遗传算法以及基于模拟退火算法的网格资源调度算法等,指出各种算法性能上尚存的不足之处并对下一步如何改进给出建议,最后给出资源调度的研究展望.文中为网格资源调度算法的研究提供了很好的参考.     

离散微粒群优化算法在网格任务调度中的应用

网格任务调度算法是影响网格成功与否的关键技术之一.在研究现有任务调度策略的基础上,指出Min-Min算法的负载不均衡性.借鉴遗传算法中的交叉操作过程,提出了一种新的任务调度算法.该算法对传统的连续型微粒群优化算法进行改进,使其适用于网格任务调度问题的优化处理,实现网格资源的优化分配.仿真研究表明该算法更符合网格调度的复杂环境,能得到较短的任务执行时间和较好的负载均衡性.对比分析表明,离散微粒群优化算法所得结果优于常用的Min-Min调度方案,是一种高效的调度方法.     

基于遗传算法的网格资源分配与调度研究

合理的资源调度可以在很大程度上提高网格系统资源的利用率,遗传算法（GA）因具有强大稳健的隐并行解空间搜索功能,被广泛应用于任务分配和调度问题的求解。本文在研究标准遗传算法（SGA）的基础上,提出与小生境技术相结合的自适应选择概率、父子竞争（PCC）交叉算子、插入变异算子和最优保存策略,改进SGA算法,在很好地保持种群收敛性的同时,提高了算法的局部和全局搜索能力。仿真实验结果表明,本文算法与其它调度算法比较,更能有效地实现资源的分配,可以成功应用于网格环境下独立任务的分配与调度。     

一种基于遗传—蚁群算法的网格任务调度策略*

针对遗传调度算法局部求解能力不足、容易早熟和退化的问题,以及蚁群调度算法初始搜索阶段效率低下的缺陷,充分应用遗传算法全局搜索能力较好和蚁群算法求解精度较高的优势,提出了一种基于遗传-蚁群算法的网格任务调度策略.该方法集成了遗传算法和蚁群算法的双重优点.仿真测试结果表明,提出的网格任务调度方法总体上优于遗传算法和蚁群算法...     

基于改进遗传算法的网格资源调度研究

本文借鉴了面向分组的调度算法的优点,深入分析了遗传算法中编码串各个位的权重特点及个体的模式规律,对传统遗传算法进行了改进,新的算法具有面向分组、有针对性、同时又能够借助优良个体特征模式进行变异的特征,所以能够自适应地、并且有方向性地进行变异,从而增加了种群的多样性、提高了收敛速度。通过在本文后面的对比实验,证明了当标准遗传算法(GA)调度算法与改进遗传算法(MGA)同时应用在相同(资源数和任务数相同)的网格调度系统中时,后者使网格调度的总体响应时间有了明显的减少;并且当调度的规模增大时,具有更好的性能。     

一种基于改进遗传算法的网格任务调度策略

针对网格环境下任务的调度问题,本文提出了一种改进的快速收敛的遗传算法.通过调整算法结构, 增加了对染色体的分割与重组操作.使遗传算法能快速收敛.仿真实验表明,与标准调度算法相比,提出的算法取得了很好收敛速度.     

基于GridSim模拟器的网格资源调度算法的研究

网格资源调度策略是网格计算领域中的关键研究方向之一,网格模拟器是资源调度策略优化和改进研究的重要平台,本文研究了GridSim模拟器．对此模拟器的整个框架结构和运行机制作了阐述,本文对基础的Minmin算法和QoS Guided Min—min算法进行研究和改进,并通过基于GridSim包设计了应用程序对改进后的算法进行了相应的模拟。模拟研究结果表明,改进后的算法在任务平均完成时间上优于以前的算法。     

基于混合优化模糊C均值算法的网格资源聚类*

为了更好地解决目前网格资源查找效率低下的问题,结合网格环境中普遍存在的资源相似现象,提出了基于遗传操作触发的粒子群混合优化算法的网格资源模糊C均值聚类, 对网格资源进行最大相似性聚类,通过设置触发条件,避免了潜在的局部迭代,一定程度上简化了算法执行的复杂度。实验表明,该方法能提高分类的运行速度及准确率,可以很好地应用到网格资源聚类中,优化网格资源调度前期工作。     

移动边缘计算中的卸载决策与资源分配策略

为在移动边缘计算服务器计算资源有限的情况下最小化系统总成本,提出一种多用户卸载决策与资源分配策略。优化任务执行位置选择和计算资源分配过程,对基于精英选择策略的遗传算法在编码、交叉、变异等操作方面进行改进,设计联合卸载决策与资源分配的improve-eGA算法。实验结果表明,与All_local、All_offload、RANDOM和CGA等算法相比,improve-eGA在迭代次数、任务周期数、任务传输数据量等影响因素下系统总成本均为最低,验证了所提策略的有效性。     

基于遗传算法与蚁群算法动态融合的网格任务调度

深入分析遗传算法和蚁群算法的机理,并结合网格任务调度的研究,提出基于遗传算法和蚁群算法动态融合的网格任务调度策略.该策略通过不同迭代次数中种群相似度的差值实现两种算法的动态融合.仿真实验表明该策略是可行的,并且具有高效性.     

基于Web的网格入口软件研究与实现

通过分析网格的使用模式,设计实现了网格入口软件WebGrid。WebGrid的研究与实现围绕网格监控和任务调度展开,采用了基于遗传算法的任务调度算法。该算法采用资源-任务的间接编码方式,通过DAG图获取子任务的层次关系,并将子任务按照层次深度排序,解决了种群的非法问题。在单一资源上采用短任务优先和父结点优先两个原则来安排子任务的执行次序,避免出现任务堵塞的现象。     

基于用户满意度的网格资源调度遗传算法

传统的网格资源调度研究注重调度的性能,很少考虑调度的服务质量。针对上述问题,设计3种类型的用户满意度评估方法衡量调度的服务质量,提出一种基于用户满意度的网格资源调度遗传算法,以用户满意度作为遗传变异的依据,实现网格资源调度过程的优化。实验表明,该算法能在保证较优调度性能的同时大幅度提高调度的服务质量。     

基于网格和Hamming距离的伪并行遗传算法

为了克服简单遗传算法“早熟”现象及慢速收敛性,提出基于网格和Hamming距离的伪并行遗传算法,即用随机选取的决策变量把整个搜索空间网格划分,在每个网格内用基于Hamming距离的随机化方法初始化子种群,同时引入多遗传算予和无约束移民策略和替换策略。该算法在一定程度上克服了引发算法早熟的“超级个体”和“封闭竞争”问题。测试实例说明,相比其他遗传算法,该算法更有效地抑制了“早熟”现象,其运行速度和精度也得到了相应的提高。     

Replication based fault tolerant job scheduling strategy for economy driven grid

In this paper, the problem of fault tolerance in grid computing is addressed and a novel adaptive task replication based fault tolerant job scheduling strategy for economy driven grid is proposed. The proposed strategy maintains fault history of the resources termed as resource fault index. Fault index entry for the resource is updated based on successful completion or failure of an assigned task by the grid resource. Grid Resource Broker then replicates the task (submitting the same task to different backup resources) with different intensity, based on vulnerability of resource towards faults suggested by resource fault index. Consequently, in case of possible fault at a resource the results of replicated task(s) on other backup resource(s) can be used. Hence, user job(s) can be completed within specified deadline and assigned budget, even on the event of faults at the grid resource(s). Through extensive simulations, performance of the proposed strategy is evaluated and compared with the Time Optimization and Checkpointing based Strategy in an economy driven grid environment. The experimental results demonstrate that in the presence of faults, proposed fault tolerant strategy improves the number of tasks completed with varied deadline and fixed budget as well as number of tasks completed with varied budget and fixed deadline. Additionally, the proposed strategy used a smaller percentage of deadline time as compare to both Time Optimization and Checkpointing based Strategy. Although the proposed strategy has a percentage of budget spent greater than that of Time Optimization Strategy and Checkpointing based Strategy, it is accepted as a proposed strategy in time optimization where the main objective is to maximize tasks completed within a given deadline. It can be concluded from the experiments that the proposed strategy shows improvement in satisfying the user QoS requirements. It can effectively schedule tasks and tolerate faults gracefully even in the presence of failures, but the costs are slightly higher in terms of budget consumption. Hence, the proposed fault tolerant strategy helps in sustaining user??s faith in the grid, by enabling the grid to deliver reliable and consistent performance in the presence of faults.     

Evolutionary based hybrid GA for solving multi-objective grid scheduling problem

The grid computing aims at bringing computing capacities together in a manner that can be used to find solutions for complicated problems of science. Conventional algorithms like first come first serve (FCFS), shortest job first (SJF) has been used for solving grid scheduling problem (GSP), but the increased complexity and job size led to the poor performance of these algorithms especially in the grid environment due to its dynamic nature. Previously, researchers have used a genetic algorithm (GA) to schedule jobs in the grid environment. In this paper, a multi-objective GSP is solved and optimized using the proposed algorithm. The proposed algorithm enhances the way the genetic algorithm performs and incorporate significant changes in the initialization step of the algorithm. The proposed algorithm uses SJF during its initialization step for producing the initial population solution. The proposed GA has three key features which are discussed in this paper: It executes jobs with minimum job completion time. It performs load balancing and improves resource utilization. Lastly, it supports scalability. The proposed algorithm is tested using a standard workload (given by Czech National Grid Infrastructure named Metacentrum) which can be a benchmark for further research. A performance comparison shows that the proposed algorithm has got better scheduling results than other scheduling algorithms.