基于MGA-PSO的云计算多目标任务调度

为了提高云计算任务调度的效率,将微生物遗传算法(MGA)和改进的粒子群算法(PSO)融合成MGA-PSO算法用于云计算任务调度.综合任务完工时间、任务执行成本及虚拟机负载均衡三个目标构造适应度函数,以此寻找任务调度的最优解;对粒子群算法进行改进,使用动态惯性权重策略以提高算法的自适应搜索能力;在任务调度前期使用MGA算法缩小求解空间,在任务调度后期使用改进的PSO快速收敛到最优解.仿真实验表明:与其他三种算法相比,该算法有较快的收敛速度和较强的寻优能力;在云计算任务调度中,不仅能减少任务完工时间和执行成本,还能优化虚拟机的负载.     

云工作流中基于分时虚拟机的任务层调度算法

云计算是新的一种面向市场的商业计算模式,向用户按需提供服务,云计算的商业特性使其关注向用户提供服务的服务质量。任务调度和资源分配是云计算中两个关键的技术,所使用的虚拟化技术使得其资源分配和任务调度有别于以往的并行分布式计算。目前主要的调度算法是借鉴网格环境下的调度策略,研究基于QoS的调度算法,存在执行效率较低的问题。我们对云工作流任务层调度进行深入研究,分析由底层资源虚拟化形成的虚拟机的特性,结合工作流任务的各类QoS约束,提出了基于虚拟机分时特性的任务层ACS调度算法。经过试验,我们提出的算法相比于文献[1]中的算法在对于较多并行任务的执行上存在较大的优势,能够很好的利用虚拟的分时特性,优化任务到虚拟机的调度。     

云工作流中基于分时虚拟机的任务层调度算法

云计算是新的一种面向市场的商业计算模式,向用户按需提供服务,云计算的商业特性使其关注向用户提供服务的服务质量。任务调度和资源分配是云计算中两个关键的技术,所使用的虚拟化技术使得其资源分配和任务调度有别于以往的并行分布式计算。目前主要的调度算法是借鉴网格环境下的调度策略,研究基于QoS的调度算法,存在执行效率较低的问题。我们对云工作流任务层调度进行深入研究,分析由底层资源虚拟化形成的虚拟机的特性,结合工作流任务的各类QoS约束,提出了基于虚拟机分时特性的任务层ACS调度算法。经过试验,我们提出的算法相比于文献[1]中的算法在对于较多并行任务的执行上存在较大的优势,能够很好的利用虚拟的分时特性,优化任务到虚拟机的调度。     

基于多群智能算法的云计算任务调度策略

为提高云计算任务调度的服务质量(QoS),提出一种多群智能算法的云计算任务调度策略。首先利用全局搜索能力强的遗传算法快速找到云计算任务调度问题的较优解,然后将较优解转换成蚁群优化算法的初始信息素,最后通过蚂蚁间的信息交流和反馈找到云计算任务调度的全局最优解。以CloudSim为仿真平台进行了模拟实验,结果表明,与同类算法相比,多群智能算法不仅大幅提高了云计算任务调度效率,而且减少了处理请求任务的平均完成时间。     

云计算中基于排队系统的任务调度模型研究

为缩短云计算中任务调度过程任务等待时间及提高虚拟机任务调度系统的执行效率,提出一种云环境下基于 排队系统的任务调度模型。对该模型中系统稳态分布和条件随机分解结果进行了分析,给出该模型的稳态队长的随机分解和稳态等待时间,结合数值例子,准确的找到服务率与期望队长、期望等待时间及其它性能指标之间的关系。通过云任务调度系统的仿真,实验结果验证了该模型能够快速地完成云任务的调度,提高了虚拟机资源的平均利用率。     

云环境下基于强化学习的多目标任务调度算法

针对云计算环境下的多目标任务调度问题,提出一种新的基于Q学习的多目标优化任务调度算法(Multi-objective Task Scheduling Algorithm based on Q-learning,QM TS).该算法的主要思想是:首先,在任务排序阶段利用Q-learning算法中的自学习过程得到更加合理的任务序列;然后,在虚拟机分配阶段使用线性加权法综合考虑任务最早完成时间和计算节点的计算成本,达到同时优化多目标问题的目的;最后,以产生更小的makespan和总成本为目标函数对任务进行调度,得到任务完成后的实验结果.实验结果表明,QMTS算法在使用Q-learning对任务进行排序后可以得到比HEFT算法更小的makespan;并且根据优化多目标调度策略在任务执行过程中减少了makespan和总成本,是一种有效的多目标优化任务调度算法.     

云环境下基于DO-GAPSO的任务调度算法

为了找到合理的云计算任务调度方案,仅从单一方面来优化调度策略已不能满足用户需求,但从多个方面优化调度策略又面临着权重分配问题。针对上述问题,从任务完成时间、任务完成成本、服务质量3个方面考虑,提出一种基于遗传与粒子群算法相融合的动态目标任务调度算法,在算法的适应度评价函数建模中引入线性权重动态分配策略。通过CloudSim平台进行云环境仿真实验,并将此算法与经典的双适应遗传算法(DFGA)、离散粒子群优化算法(DPSO)进行比较。实验结果表明,在相同的设置条件下,该算法在执行效率、寻优能力等方面优于其他两个算法,是一种云计算环境下有效的任务调度算法。     

基于粒子群优化算法的异构多处理器任务调度

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-PSOASA算法.PSOASA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,同时通过引入模拟退火算法,克服粒子群算法的“早熟”收敛现象,避免求得的解陷入局部最优.实验结果表明,PSOASA算法的执行效率优于目前广泛采用的遗传算法,有效地降低任务的执行时间,减少了迭代次数,适用于异构多处理器环境大规模任务调度.     

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。     

一种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-PSOASA算法.PSOASA算法以求得任务最短完成时间为目标,首先采用整数矩阵对粒子进行编码,并定义交换操作更新粒子状态,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,同时引入模拟退火算法,克服粒子群算法的“早熟”收敛现象,避免求得的解陷入局部最优.实验结果表明,PSOASA算法的执行效率优于目前广泛采用的遗传算法,有效地降低任务执行时间,减少了迭代次数,适用于异构多处理器环境大规模任务调度.     

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.     

改进蚁群算法在云计算任务调度中的应用

针对云计算中的任务调度问题,提出了一种任务调度的增强蚁群算法(task scheduling-enhanced ant colony optimization,TS-EACO).算法兼顾了任务调度的最短完成时间和负载平衡,同时参考了近年来蚁群算法的各种改进,创新地将任务在虚拟机上的一次分配作为蚂蚁的搜索对象.实验在CloudSim仿真平台下进行,并将仿真结果与Round Robin算法和标准蚁群算法进行比较,结果表明TS-EACO算法的任务执行时间和负载平衡性能均优于这两种算法.     

基于蜜蜂采蜜机理的云计算负载均衡策略*

任务调度是云计算研究中的NP难优化问题,负载均衡问题是任务调度的热点研究内容之一。针对云计算环境中任务分配不够合理、用户服务质量低的问题,提出一种模拟蜜蜂采蜜机理的负载均衡策略。该策略模拟蜂群觅食行为,建立负载均衡模型,被迁移的任务作为“侦察蜂”更新虚拟机的负载信息,并采用贝叶斯分类算法对虚拟机负载状态进行分类,将任务从重负载虚拟机迁移至轻负载虚拟机,同时满足目标虚拟机中高优先级任务的数量最少,避免了大量任务被调度到同一性能较优的虚拟机上,能够有效减少任务等待时间。实验结果表明,基于蜜蜂采蜜机理的负载均衡策略,和传统算法相比,减少了任务响应时间、完工时间和迁移次数,同时更好地满足了用户服务质量需求。     

基于负载均衡的云计算任务调度算法的研究

本文针对当前云计算系统负载不均衡和任务完成效率有待提高的问题,提出了一种基于系统整体负载均衡与最小完成时间LB—ECT算法。根据云计算环境下资源需求动态变化,利用任务在虚拟机上执行时间的预测进行任务到虚拟机上的分配、调度。优化系统的整体效率。采用云计算仿真平台CloudSim对本算法进行仿真实验与分析,实验仿真结果表明,LB—ECT算法能够有效提高系统的整体负载均衡能力．明显缩短任务的总完成时间．     

网格计算中任务调度算法的仿真研究

研究网格计算中任务调度优化问题,由于网格环境具有动态性、异构性等特点,对高效调试资源效率有影响,导致传统网格任务调度算法收敛速度慢、局部最优等缺陷,使网格任务调度效率低.为了提高网格任务调度效率,提出一种基于粒子群算法的任务调度模型.模型根据任务调度原理和粒子群算法特点,建立了网格任务调度的元任务模型和性能指标的数学模型,然后采用粒子群算法对该模型进行求解,提高资源利用率和任务执行效率.仿真结果表明,根据粒子群算法的任务调度策略,提高了任务调度的速度和效率,很好的解决网格任务调度中存在的难题.     

基于粒子群遗传算法的云计算任务调度研究

对云计算任务调度进行了研究,针对用户满意度和云提供商利益需求,提出一种融合粒子群和遗传算法的PSOGA改进算法。根据云环境特点对虚拟机资源进行分类,同时引入任务-资源满意度距离、资源综合性能概念;对粒子群初始粒子操作进行优化,来提高粒子质量;为克服粒子易陷入局部最优解问题,加入遗传算法（GA）的交叉、变异操作,扩展粒子的搜索空间。仿真结果表明,该调度策略提高了用户满意度的同时减少了任务的完成时间,是云平台下一种有效的任务调度策略。     

云系统中面向海量多媒体数据的动态任务调度算法

在云计算环境下,对处理海量多媒体数据的作业以及任务调度与资源分配算法进行建模,在此模型下提出一种云计算环境下面向海量多媒体数据的动态任务调度算法.算法以云系统中海量多媒体数据文件的分块多副本存储形式为基础来规划并行处理任务,以文件块和副本的映射关系为特征对云系统中数据节点执行聚类,以已执行完毕任务的历史反馈信息为基础来动态调度未执行任务.实验结果表明提出的算法对提高系统资源利用率和负载均衡有显著效果.     

基于改进的蝗虫算法的云计算任务调度研究

针对云计算任务调度存在完成时间长、成本消耗大以及负载不均衡的问题,提出一种基于改进的蝗虫算法(Imorve Grasshopper Optimization Algorithm,IGOA)的任务调度方案.对蝗虫算法采用反向学习和柯西分布分别优化种群和递减系数,提高算法的性能;用自然数对蝗虫个体编码表示蝗虫的位置,将每一个蝗虫个体对应一个可行的调度方案,并将任务完成时间、任务消耗成本、虚拟机负载作为蝗虫个体的适应度函数用以算法迭代中的更新条件;获得最优的蝗虫个体即为最佳调度方案.仿真实验表明,改进的蝗虫算法在云计算任务调度方面相比于基本蝗虫算法、蚁群算法、粒子群算法具有更好的效果,特别适合大任务下的云计算调度.     

基于改进免疫进化算法的云计算任务调度

针对云计算环境下内置任务调度方法的低效问题,提出一种基于改进免疫进化算法的任务调度算法,利用人工免疫进化原理完成任务调度的全局优化。通过将粒子群优化算法作为算子嵌入免疫进化算法中,避免陷入局部最优,改善收敛效果,减少任务调度时间开销。以CloudSim作为仿真平台进行模拟,实验结果表明,改进的免疫进化算法能大幅提高云计算任务调度效率。     

基于IFWA-ABC的云计算资源任务调度算法的研究

针对云计算资源任务调度效率低,资源分配不均的情况,将改进的烟花算法和人工蜂群算法算法进行融合为IFWA-ABC。首先,对云计算资源任务调度进行描述;其次,在FWA初始化中采用混沌反向学习和柯西分布进行优化,对核心烟花和非核心烟花的半径分别进行优化,将FWA中最优个体通过改进的ABC算法进行获得;最后,将IFWA-ABC算法用于云计算任务调度。仿真实验中,通过与FWA、ABC在虚拟机、执行时间、消耗成本、能量消耗指标对比中,IFWA-ABC具有明显的优势能够有效地提高云计算资源分配效率。