基于粒子群的网格任务调度算法研究

为了更好地解决异构动态环境下的资源管理问题,提出了一种网格环境下的任务调度模型。该模型考虑了当前网格虚拟组织下的计算资源、存储资源和带宽资源,模型的最优化目标是实现三者利用率最高和代价最低,即构造min-max函数。与遗传算法相比,利用粒子群优化算法对min-max函数求解提高了资源的利用率和任务的执行效率,同时在随着迭代次数增加的情况下,搜索速度、寻优率和避免早熟方面也有明显的提高。     

基于非贡献网格的自适应任务调度算法研究

针对传统的Min-Min算法的高效特性和Max-Min算法的负载平衡特性,引入了资源的服务代价属性和任务的请求代价属性,以提高任务调度的时间跨度性能为目标,提出了一种面向非贡献网格(No-dedicated Grid)的自适应任务调度策略(No-dedicated Adaptive Min-Min and Max-Min,NDA-MM)。实验表明,该算法在时间跨度和可扩展性等方面的综合性能较以往算法有较大提高。     

移动网格任务调度算法研究

针对移动网格中同一网格域的任务调度问题进行研究。考虑Min-Min算法的负载不均衡和移动终端的能量受限因素,改进一种结合移动终端能量受限和Min-Min算法的EnergyMin-Min算法(即E-mm算法)进行任务调度,来提高任务执行成功率并优化系统的负载性能。通过仿真验证分析,改进后的E-mm算法相对于Min-Min算法不仅能满足上述要求和提高资源利用率,而且系统负载均衡效果得到明显改善。     

一种多属性网格任务调度算法及仿真研究

为使网格任务调度时能更多地考虑任务和资源之间的各种属性.通过对常用静态调度算法的分析,吸收了Min-min和Max-min等算法的思想,将影响网格任务调度的诸多属性归纳为两类因素.提出了一种针对多属性任务的调度算法MASA,经过截断处理、归一化、加权计算等方法得出任务与资源之间的匹配矩阵,指导任务调度.仿真实验测试结果表明,在相同任务和资源环境下,通过改变不同属性的加权系数能得到所期望的调度结果,使具有高加权系数属性的任务在调度时更具优势.此算法具有灵活性,属性可增可减,能根据具体情况进行配置,以满足具体应用需求.     

一种基于改进蚂蚁算法的网格任务调度策略

网格是分布式高性能计算的一个主要发展方向。任务调度问题的解决是网格得以充分发展的基本前提。提出了一种基于改进蚂蚁算法的网格任务调度策略。不同于传统蚂蚁算法,改进的蚂蚁算法通过在处理任务前后分别调整信息素来准确地反映资源的性能。任务调度将选择由改进蚂蚁算法产生的性能最佳的资源来处理任务。改进蚂蚁算法以及任务调度策略的有效性已被OPNET上的仿真结果所验证。     

基于生存性和Makespan的多目标网格任务调度算法研究

在动态、复杂的网格系统中,资源的失效非常频繁,网格资源的失效会导致在该节点上执行的计算任务无法正常完成,从而影响网格计算的服务质量和效率。针对这个问题,提出了任务生存性(survivability)的概念,将任务生存性与Makespan结合起来,给出了一个可调节的局部目标函数,实现了基于生存性和Makespan的Min-min启发式调度算法(SM-Min-min)。实验证明该算法能够有效地平衡Makespan和任务生存性目标,并可以通过调节目标函数中的偏好参数满足不同的需求,因此更适合开放复杂的计算网格环境。     

云环境中基于粒子群算法的任务调度研究

任务调度是云计算实现高效计算的关键技术。本文采用粒子群算法进行任务调度求解,对每个子任务占用的资源采用间接编码方式,考虑时间和成本定义合理的初始化参数,选择合适的适应度函数,尽量避免陷入局部最优。仿真结果表明,改进算法具有寻优能力强、耗时少等优点,实现较为理想的任务调度结果。     

基于蚁群优化算法的网格OBS任务调度研究

本文采用蚁群优化算法（ACO）设计了基于光突发交换（OBS）网络的网格任务调度。该算法既考虑了网格用户的需求,同时结合了网格中计算资源和网络资源的分配。设计了基于ACO算法的两种通路选择规则,并在一个集中式的网格OBS仿真平台上对这两种选路规则的性能进行了对比分析。     

求解独立任务调度问题的改进粒子群算法

独立任务调度问题是分布式系统中的一个NP难题.提出了基于实数编码和基于机器编码的两种改进粒子群算法.前者利用协同子群进化的方式进行问题寻优,后者通过重新定义粒子的位置更新方法,使粒子群算法更好地应用于组合优化问题.仿真结果表明,与遗传算法和基本粒子群算法相比,改进算法具有更快的收敛特性和更好的求解质量.     

树形异构网格的启发任务调度算法

讨论了在网格资源计算能力和网络通信速度异构的树形网格环境下任务调度问题,导出了线性方程并且根据调度任务大小进行了模型的优化,提出一个基于线性规划的任务分配启发式算法。实验结果表明:在异构树形计算网格环境下实现任务调度时,该算法的性能明显优于其他算法。     

基于风险估计模型的网格任务动态级调度算法

网格中的各种资源的失效是不可避免的,为尽可能减少由于资源失效导致任务执行失败带来的影响,网格的任务调度算法的目标不仅要最小化任务执行的时间,还要兼顾考虑任务在资源上执行失败的风险。提出了Risk—DLS（Dynamic Level Scheduling）算法是将资源的风险估计模型与DLS算法相结合,通过仿真试验与DLS算法相比较,新算法在选择适当的参数的情况下,不仅能够最小化DAG型应用的完成时间,还能提高任务执行的成功率,有效的减少网格环境的不确定性对任务执行的影响。     

基于遗传算法的网格任务调度研究

网格调度是一个典型的NP问题,研究表明遗传算法是解决复杂环境下资源调度的有效方法之一。针对异构环境下的网格任务调度,提出了一种改进的遗传算法,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。     

基于5G边缘计算的智能电网高性价比任务调度

针对智能电网环境中电力数据量庞大且对处理时效性要求高的问题,将5G边缘计算引入智能电网系统.研究了基于5G边缘计算的智能电网任务调度问题,在满足电网任务完成需求的同时,最大限度地降低成本.基于此提出了一种基于贪心策略的启发式任务调度算法,通过与两种算法在包括输入任务数、传输数据大小和延迟要求等参数下的比较,验证了所提算...     

基于改进遗传算法的网格任务调度

为了充分利用网格的大规模计算能力,提高其计算效率,提出了一种改进的遗传算法来解决网格任务调度问题。由于任务之间具有依赖关系,将任务按高度值进行划分,高度值小的任务优先进行处理,从而可以提高种群的初始质量,减少遗传算法的执行时间。实验结果表明,此算法提高了种群的初始质量,获得了较优的调度效果。     

多目标猫群优化算法支持下的云计算任务调度

针对云环境下任务调度易出现多目标冲突的问题,提出一种改进的基于猫群的多目标优化算法。该算法模拟猫的行为模式,采用基于线性混合比率的猫行为选择方式来提高全局搜索和局部寻优能力;并在迭代过程中结合任务完成时间和任务费用支出,引入一个可调节的多目标集成效用函数,实现了资源与任务的智能调度。实验结果表明,所提算法不仅求解质量高,且在求解速度和调度消耗方面均优于多目标遗传算法和多目标粒子群算法。     

云计算环境下任务调度算法的研究

在云计算环境中存在庞大的任务数,为了能更加高效地完成任务请求,如何进行有效地任务调度是云计算环境下实现按需分配资源的关键。针对调度问题提出了一种基于蚁群优化的任务调度算法,该算法能适应云计算环境下的动态特性,且集成了蚁群算法在处理NP-Hard问题时的优点。该算法旨在减少任务调度完成时间。通过在CloudSim平台进行仿真实验,实验结果表明,改进后的算法能减少任务平均完成时间、并能在云计算环境下有效提高调度效率。     

多目标约束的网格任务安全调度模型及算法研究

异构网格环境的特点决定了其任务调度是受调度长度、安全性能及调度费用等多个因素制约的。该文根据网格资源调度的特点构造了一个安全效益函数和节点信誉度动态评估模型,并以此为基础建立了一个多目标约束的网格任务调度模型。利用隶属度函数将多目标函数转化为单目标模型,通过设计新的进化算子,从而提出一种遗传算法MUGA(Mode Crossover and Even Mutation Genetic Algorithm)进行求解,并对算法的收敛性进行了理论分析。仿真实验表明,在同等条件下该算法与同类算法相比,在任务调度长度、安全效益值、可信度及调度费用指标优化方面具有较好的综合性能。