一种基于遗传算法的分布式系统的任务调度

一般而言,分布式多处理机上的任意任务图的调度问题即使做了简化假设后依然是NP完全的。遗传算法被证明是解决任务调度等组合问题的有效工具。对现有文献中的关于调度问题的遗传算法进行研究和比较后,该文提出了一种基于遗传算法的任务调度方法,在算法中设计了一种与其他算法不同的变异算子。     

一种启发式与/或优先约束任务调度算法

系统描述了与或网模型及与或优先约束任务调度的可行性判定算法.以顶点覆盖问题为基础,证明与或优先约束任务调度最小完成时间问题是NP完全的.提出一种启发式调度算法,解决与或优先约束任务调度最小完成时间问题.仿真结果表明,该算法在降低算法复杂度的同时较其它相关算法具有更好的调度性能,从而证明在实时优先约束任务调度中引入图优化的理论是解决优先约束任务调度问题的一个有效途径.     

基于改进遗传算法的网格任务调度研究

网格任务调度是一个NP完全问题,它关注大规模的资源和任务调度,要求采用具有高效性的调度算法.提出了一种基于改进遗传算法的网格任务调度算法,在算法初始化种群产生时引入min-min算法和max-min算法,从而提高初始化种群的质量;算法迭代过程中采用了一种新的局部收敛判断以及改进的变异操作来防止局部收敛.仿真结果表明,该改进算法能更有效地解决网格任务调度问题.     

异构系统中一种基于可用性的抢占式任务调度算法*

针对大多数现有的异构系统调度算法没有考虑由多类任务特别是抢占式任务所引起的可用性需求的不足,在现有基于可用性的非抢占式任务调度算法的基础上,通过计算任务的平均等待时间来确定优先级等级,对异构系统中多类抢占式任务的可用性约束的调度问题进行了探索,提出了一种基于可用性的抢占式优先调度算法P-SSAC。该算法在不增加硬件代价的前提条件下通过调度增加了系统的可用性,缩短了任务的平均等待时间,同时该算法可对抢占式的任务进行有效调度。仿真实验结果表明,该算法有效实现了异构系统可用性和任务等待时间之间的折中。     

基于任务复制的网格任务调度算法

网格中资源之间存在着通信延迟，通过任务复制的冗余，可以减少任务之间的通信开销，缩短整个计算程序的计算时间。目前网格中的任务调度算法基本上是没有考虑任务复制的；而基于任务复制调度算法往往会产生过多的复制任务，增大系统开销，甚至有可能延迟计算时间。由于基于任务复制的任务调度是一个NP问题，因此本文提出了一种基于任务复制的网格资源调度算法，以减少调度长度为主要目标、减少任务复制量和资源占用量为次要目标。该算法在调度长度和任务复制数量以及占用资源数量方面都等于或优于其它算法。     

一种基于梯形自调度技术的集群任务调度的实现

通过比较目前几种集群任务调度算法,选择基于集中队列的动态调度算法——梯形自调度算法（TSS）,实现了一个基于集群的任务调度系统GTS。GTS是一个用户级的任务调度系统,它建立于Linux之上,主要负责对用户任务的调度。通过测试,GTS系统可以胜任集群工作站中的任务调度并在结点数较多的情况下大幅度提高应用问题的性能。     

基于性价比改进的网格调度算法

在动态、异构的复杂网格环境中,任务调度算法已被证明是一个NP难问题.Min-Min调度算法是研究其它调度算法的基础之一.在分析Min-Min调度算法的基础上,指出该算法的缺陷:负载不均衡并且调度的过程中没有考虑费用的问题.针对这两个方面,提出了一种基于性价比改进的调度算法,通过分析表明,改进后的算法在费用、负载平衡度方面有了很大的提高,并且节省了很大一部分费用,说明改进后的算法在一定程度上提高了算法的效率,提高了网络的整体性能和总体吞吐量.     

云环境下融合安全与可用性的DAG任务调度

在异构复杂的云环境中,任务调度时应保证资源的安全与可用性。为此,提出一种融合安全与可用性的DAG任务调度策略。改进主观逻辑信任模型,将计算出的资源信誉度作为调度的重要依据,对树云资源与DAG任务的可用性偏离度进行量化,给出调度函数并设计贪心调度算法( ISAG)。实验结果表明,在资源安全性和可用性较低的环境中,ISAG算法仍能满足用户需求,与表调度算法DLS和可用性优先调度算法Afsa相比,具有更高的任务执行成功率。     

基于狮子优化和GSA混合的多目标任务调度算法

针对现有云计算环境中调度算法资源利用率低,调度成本高的问题,提出了一种基于狮子优化和引力搜索算法(gravity search algorithm,GSA)混合的多目标任务调度算法,该算法使用成本、能耗、资源利用作为目标函数,将狮子搜索和引力搜索算法进行有效地组合来执行智能过程调度,改善调度过程中的优化问题,避免陷入局部最优.实验结果表明,相对于其他调度算法,提出的多目标任务调度算法的性能具有明显的优势,解决了传统单目标资源调度算法存在的缺陷,最终优化方案可以获得最低成本、最低能耗和最高利润.     

一种异构计算系统中考虑通信冲突的有效任务调度算法

任务调度是异构计算的核心问题之一 .现有的异构计算系统的任务调度算法基本上没有考虑任务通信时可能在同一通道中发生冲突的情况 ,因而造成任务调度的结果与实际运行结果之间的差异 .本文提出了一种异构计算系统中的基于表调度 (list scheduling)的启发式任务调度算法 ,该算法考虑了任务通信中通道冲突的情况 ,在不提高算法复杂度的同时提高了任务调度的性能 .文中还通过实例结果的比较说明了该算法的有效性     

基于改进DPSO的网格资源调度算法

基于市场经济模型的网格资源调度问题是一个典型的离散问题及NP-Hard问题,考虑到离散粒子群优化算法在解决离散问题上的有效性,本文在现有算法的研究基础上,提出一种基于改进的离散粒子群优化算法的网格资源分配和任务调度算法,并采用GridSim模拟器对相关算法进行仿真模拟实验和比较。实验结果表明,本文提出的调度算法在作业完成时间、综合性能以及资源的负载平衡方面均具有较大的优势。     

基于粒子群优化的异构多处理器任务调度算法

为提高异构多处理器任务调度的执行效率,充分发挥多处理器并行性能,提出一种基于粒子群优化的异构多处理器任务调度算法——FPSOTTS算法。该算法以求得任务最短完成时间为目标,首先通过建立新的编码方式和粒子更新公式实现粒子搜索空间到离散空间的映射,使连续的粒子群优化算法适用于离散的异构多处理器任务调度问题;同时通过引入禁忌算法进行局部搜索,克服粒子群算法的早熟收敛现象,避免陷入局部最优。实验结果表明,FPSOTTS算法的执行效率优于Min-min算法和遗传算法,有效地降低任务的执行时间。FP-SOTTS算法很好地解决了异构多处理器任务调度问题,并且适合于大规模并行任务调度。     

Task Scheduling in Distributed Systems Using Heap Intelligent Discrete Particle Swarm Optimization

The optimal mapping of tasks to the processors is one of the challenging issues in heterogeneous computing systems. This article presents a task scheduling problem in distributed systems using discrete particle swarm optimization (DPSO) algorithm with various neighborhood topologies. The DPSO is a recent metaheuristic population‐based algorithm. In DPSO, the set of particles in a swarm flies through the N‐dimensional search space by learning from both the personal best position and a neighborhood best position. Each particle inside the swarm belongs to a specific topology for communicating with neighboring particles in the swarm. The neighborhood topology affects the performance of DPSO significantly, because it determines the rate at which information transmits through the swarm. The proposed DPSO algorithm works on dynamic topology that is binary heap tree for communication between the particles in the swarm. The performance of the proposed topology is compared with other topologies such as star, ring, fully connected, binary tree, and Von Neumann. The three well‐known performance measures such as Makespan, mean flow time, and reliability cost are used for the comparison of the proposed topology with other neighborhood topologies. Computational simulation results indicate that the performance of DPSO algorithm has shown significant improvement with binary heap tree topology used for communication among the particles in the swarm.     

基于PSODE的网格任务调度算法

针对网格计算中任务在各个资源之间的调度问题,提出了一种网格环境下PSODE的任务调度算法.该算法实现了计算资源、存储资源、带宽资源、数据资源的利用率最高化和代价最低化.对基本粒子群算法和差分进化算法进行了分析,通过构造算法函数、适应值函数和权重公式,建立了粒子群差分混合算法并对其进行优化,介绍了算法的实现过程.实验结果表明,该算法与其它调度算法比较,具有良好的性能.     

云工作流系统中能耗感知的任务调度算法*

云工作流系统研究集中在工作流任务执行的时间效率优化,然而时间最优的任务调度方案可能存在不同能耗,因此,文中求解满足时间约束时能耗最优的调度方案。首先改进任务执行能耗模型,设计适用于评价任务调度方案执行能耗的适应度计算方法。然后基于精准调整粒子速度的自适应权重,提出解决任务调度能耗优化问题的自适应粒子群算法。实验表明,文中算法收敛稳定,调度方案执行能耗较低。     

基于布谷鸟搜索的多处理器任务调度算法

多处理器系统在高性能计算中扮演着重要角色.为提高系统的并行性能,基于布谷鸟搜索算法,提出一种新的多处理器任务调度算法.该算法以全部任务的最晚完成时间最小为目标,利用基于任务优先权的编码方式使连续的布谷鸟搜索算法适用于离散的多处理器任务调度问题.实验结果表明,所提算法不仅求解质量高,而且求解速度最快,与目前广泛采用的遗传算法和粒子群算法相比其执行时间缩短超过60％.     

基于粒子群算法的多核处理器线程调度研究

为有效解决多核处理器的线程调度问题,提出了一种基于粒子群算法框架上的线程调度算法.该算法依据设计的调度模型,在线程DAG图上通过复制不在同一处理器上且存在相关性的线程,生成相互独立的子DAG图,并采用改进的粒子群优化算法对其进行合理调度,由此提高线程调度效率.仿真实现了该算法,并通过实验数据验证了该算法的优越性.     

基于动态粒子群优化的网格任务调度算法*

提出了一种基于动态粒子群优化的网格任务调度算法。设计了网格任务调度问题的数学模型,给出了自适应变异的动态粒子群优化算法的框架,引入了自适应学习因子和自适应变异策略,从而使算法具有动态自适应性,能够较容易地跳出局部最优。实验结果表明,本文算法能有效地解决异构网格任务调度问题,具有较好的应用价值。     

基于种群分类粒子群算法的物流车辆调度优化

为了获得更加理想的配送车辆调度方案,提出一种基于种群分类粒子群算法的配送车辆调度优化方法。首先建立多约束配送车辆调度的数学模型,并以配送路径最短作为目标函数,然后采用粒子群算法对模型进行求解,并对每次迭代产生的粒子群进行分类,根据分类结果对粒子群进行不同的操作,加快了算法的搜索速度,以避免陷入局部最优,最后进行仿真对比实验。结果表明,种群分类粒子群算法获得比较理想的配送车辆调度方案,具有一定的实用价值。     

基于量子粒子群优化的DAG并行任务调度研究*

任务调度是网络并行计算系统的核心问题之一。在有向无环图(DAG)描述问题的基础上,提出了一种进行并行任务调度的量子粒子群优化算法。首先对DAG并行任务调度问题作出定义,并给出了优化问题的目标;然后分别讨论了问题的编码表示、解码方案、位置向量的计算方法、离散问题连续化、算法的总体流程等;最后给出算法的仿真实验情况及分析,实验结果表明,该算法有良好的全局寻优性能和快捷的收敛速度,调度效果优于遗传算法和粒子群优化算法。