无线传感器网络分簇拓扑的覆盖区域节点调度优化算法研究

利用区域分割的方法建立了一种覆盖区域冗余节点的优化调度机制,实现对完全覆盖区域内冗余节点的休眠调度,并将该机制引入无线传感器网络的分簇结构中,提出一种基于分簇拓扑的节点调度优化算法。算法通过控制簇内冗余节点进行休眠,减少簇首的数据通信量和簇成员中工作的冗余节点个数,降低了网络能耗。仿真结果表明,与未考虑冗余节点休眠调度的分簇算法相比,该算法有效提高了网络能量利用率,延长了网络生命期。     

异构传感网中基于组合指派编码模型的节点调度算法

针对感知半径异构无线传感器网络(WSN)中的节点调度问题,提出了一种基于组合指派编码模型的分布式节点调度算法。首先确定最大可能的组个数;然后基于两跳簇概念进行分布式分簇;最后对每个簇中的节点采用组合指派编码模型分布式调度到不同的组中。理论分析与仿真实验表明,与已有基于随机方式与两跳簇方式的调度算法相比,所提算法能更有效地延长网络的生命周期,因此更加适合感知半径异构无线传感器网络环境。     

基于粒子群优化的大规模传感器网络节点调度策略

针对资源受限条件下大规模无线传感器网络中协作目标跟踪问题,提出一个基于粒子群优化的节点调度方案.该方案利用高斯粒子滤波算法和方差交叉融合算法获得目标状态预测信息,进而选择下一时刻簇成员节点,并构造了通信能耗的代价函数,利用粒子群优化方法选择最佳的簇头节点,减少了节点调度的计算复杂度,同时保持了较好的跟踪精度.仿真结果验证了所提出方案的有效性.     

应用IPSO的无线传感器网络分簇路由算法

在基于分簇的无线传感器网络中,网络是通过附近传感器节点在转发信息到目的节点前进行冗余数据的融合实现节能,从而延长了网络的生命周期。但现存的算法在选择簇首节点的过程中由于忽略了邻居节点的状态信息,容易导致簇内节点过早出现盲节点的现象。进化类算法已经成功应用于许多方面,微粒群算法就是其中之一。提出了一种基于改进型微粒群算法的无线传感器网络分簇路由算法来优化分簇过程。簇首节点的选取综合考虑候选节点和邻居节点的状态信息。仿真结果表明算法的性能得到了较好的改善,并延长了网络的生命周期。     

无线传感器网络节点实时流量负载的时隙调度算法

目前无线传感器网络基于TDMA的MAC协议基本考虑节点处于连续工作而忽略事件驱动状态,没有考虑到复杂多变的网络环境,造成节点能量过度的浪费.提出了一种根据节点实时流量负载的时隙调度算法(TART),TART算法基于簇结构, 采用分布式与集中式相结合的方式,成员节点实时向簇首发送自己数据流量信息,由簇头动态调节簇内节点时隙更新频率和顺序,降低时隙划分的能量和时间代价,减少节点的空闲侦听时间.仿真表明,算法有效地提高了网络能量有效性,延长了网络生存周期,降低数据包的延时.     

一种基于预测的WSN非均衡分簇路由算法

无线传感器网络由部署在一定区域内大量传感器节点组成.针对无线传感器网络中分簇路由算法中存在的"热区"问题,提出了一种基于虚拟区域划分的非均衡簇路由算法.算法将簇划分的任务交由能量无限制的汇聚节点完成,使得靠近汇聚节点的内层簇的规模小于外层簇的规模.在簇的结构中引入了主、从簇头节点,从而实现了分布式簇头选举工作,同时在分簇过程中避免了每个阶段的能量消耗.将Markov预测模型引入到主簇头节点的更换过程中,从而避免了主簇头因为能量完全消耗而死亡,也避免了因为主簇头死亡而造成网络分割,降低网络的生存时间,利用NS2.26仿真平台对基于虚拟区域划分的非均衡簇路由算法进行了仿真验证,结果表明与传统路由算法相比,该算法延长了WSN的生存时间,有效提高了WSN网络健壮度.     

基于分组的分布式节点调度覆盖算法

当部署的传感器节点服从随机分布时,现有的基于分组的节点调度算法不能保证各个组内的节点均匀分布在目标区域.基于以上原因,建立了极大相似分布模型,并提出了极大相似分布的一种近似求解算法:基于分组的分布式节点调度覆盖算法.算法仅需要簇内的节点维持时钟同步,簇之间节点的时钟异步对于覆盖效果的影响可以忽略,因此适用于难以维持整个网络保持时间同步的大型传感器网络.此外,给出了在节点随机分布的条件下,采用分组调度时平均覆盖率的理论上界值.仿真实验表明,提出的这种算法能使各个组内的传感器节点较为均匀地分布在目标区域,获得的平均覆盖率接近于上界值.     

一种基于调度的分簇无线传感器网络簇首选择策略

针对无线传感器网络中簇首更换出现的各节点均参与竞争而引起能耗较大的现象,提出了一种基于调度的无线传感器网络簇首选择策略.该策略将各节点分为簇首节点、成员节点和调度节点三种类型,在簇运行阶段,调度节点对各簇中簇首节点和成员节点的能量进行实时监测;在簇首更换阶段,由调度节点根据监测的结果指定相应的簇首节点,从而减少了簇首更换阶段各节点均参与簇首竞争而引起的能量消耗.最后进行了仿真实验与对比,实验结果表明改进的簇首选择策略能够有效地改进网络性能,延长网络生命周期.     

无线传感器网络可扩展一致性目标跟踪算法研究

为提高机动目标跟踪性能,降低无线传感器网络的能量消耗,提出一种可扩展的动态平均一致卡尔曼滤波算法.根据预测的下一步目标位置,将无线传感器网络的节点动态组织成簇,多个传感节点协作执行目标的检测及分布式状态估计.给出三种可扩展动态一致卡尔曼滤波算法,即基于观测值、观测新息和估计值的一致性卡尔曼滤波,适应于不同情况的目标跟踪.簇中传感节点仅需接收邻居节点的信息,簇头节点负责下一步任务节点的选择并将当前状态估计值和对应的误差协方差发送给下一步的任务节点以减少整个网络的通信量.仿真结果表明,基于观测值、新息及估计值的分布一致卡尔曼滤波在跟踪精度方面与集中卡尔曼滤波性能相当,而其分布式结构决定了算法具有更强的鲁棒性和容错能力,能够提高系统的可靠性.     

一种基于灰色模型的预测调度算法

为了保证监控的质量,无线传感器网络通常以高密度的方式部署节点。当这些节点全部处于工作状态时,不仅会引起信道严重的冲突,而且会产生较多的数据,大量消耗节点的能量。因此,让节点轮流工作和休眠,是一种较好的节能方法。论文对此进行了研究,提出了一种基于预测的调度算法。在这个算法中,簇首节点对簇内成员进行管理,并调度低能量的节点进入休眠状态。休眠节点的数据则由簇首节点采用一定的预测算法来预测。仿真结果表明,该调度算法不仅能够有效地延长网络的生命周期,而且数据的精度也能够得到较好的保证。     

A multi-objective co-evolutionary algorithm for energy-efficient scheduling on a green data center

Nowadays, the environment protection and the energy crisis prompt more computing centers and data centers to use the green renewable energy in their power supply. To improve the efficiency of the renewable energy utilization and the task implementation, the computational tasks of data center should match the renewable energy supply. This paper considers a multi-objective energy-efficient task scheduling problem on a green data center partially powered by the renewable energy, where the computing nodes of the data center are DVFS-enabled. An enhanced multi-objective co-evolutionary algorithm, called OL-PICEA-g, is proposed for solving the problem, where the PICEA-g algorithm with the generalized opposition based learning is applied to search the suitable computing node, supply voltage and clock frequency for the task computation, and the smart time scheduling strategy is employed to determine the start and finish time of the task on the chosen node. In the experiments, the proposed OL-PICEA-g algorithm is compared with the PICEA-g algorithm, the smart time scheduling strategy is compared with two other scheduling strategies, i.e., Green-Oriented Scheduling Strategy and Time-Oriented Scheduling Strategy, different parameters are also tested on the randomly generated instances. Experimental results confirm the superiority and effectiveness of the proposed algorithm.     

移动微云任务迁移与调度

为了解决移动微云中时间期限约束下的任务能效调度问题,提出一种基于自适应概率的分布式任务调度算法。算法分为两个阶段:资源发现阶段和自适应概率调度阶段。第一阶段主要通过修正的QoS OLSR协议,使发送任务执行请求的源节点周期性地收集邻近处理节点的资源信息;第二阶段主要根据源节点的任务到达率,以概率计算方式选择最优的处理节点执行任务,在满足时间约束的同时,达到最优的能效。经过大量仿真场景的验证,结果表明该算法在维持较高的任务完成率的同时,还可以降低任务完成的平均能耗。     

异构资源环境下Hadoop节点能力自适应调度算法

为了解决当前Hadoop集群在异构资源环境下固有的调度分配方法的不足,提出了一种基于节点能力的自适应调度算法NCAS（node capacity adaptive scheduling）。首先,NCAS算法根据节点性能、任务特征计算得到调度因子;然后,由调度因子确定各节点应分得的数据量与任务槽数;最后,将数据和任务多分给快节点同时少分给慢节点。实验结果表明,与传统的调度算法相比,NCAS算法大幅度减少了备份任务的启动数量,明显减少了作业完成时间,提升了任务执行效率。     

基于差分算法的异构无线传感器网络多重覆盖节点调度方案

针对部署区域中存在多个不同覆盖质量需求的目标,本文提出一种基于多重覆盖算法的异构节点调度机制。该算法在满足区域覆盖要求和重点区域监测目标多重覆盖的要求,及节点能量的约束条件下,以网络的有效覆盖率最大和工作节点数目最少为目标,借助改进的差分算法来对节点状态进行优化达到提高网络覆盖性能和降低网络能耗的目的。仿真结果显示,本文的算法在满足热点目标监测要求的前提下,最大限度地兼顾网络的区域覆盖质量,减少了网络的能耗;较之随机调度算法,本文算法在覆盖率和网络能耗方面优于后者。     

一种太阳能传感器网络的自适应休眠调度算法

通过从外界获取太阳能,传感器网络节点的能量限制得到缓解。提出一种太阳能传感器网络的自适应休眠调度算法。当观测场景从区域观测到目标跟踪转变时,节点自适应地转换活跃和休眠状态,同时剩余能量低于能量阈值的休眠节点从外界获取太阳能。与不考虑太阳能获取的休眠调度算法相比,提出的算法延长了网络生命周期。     

Ad hoc云中基于移动预测的多准则任务卸载算法

为了提升Ad hoc云中任务卸载的效率,针对节点随机移动性及资源异构性对任务卸载的影响,提出一种基于移动预测的多准则任务卸载算法。根据时间序列分析预测节点逃离时间,并将其作为节点移动性衡量指标;运用层次分析法得到CPU速度、核心数、负载及移动性的权重;最后根据任务大小及计算得到的组合权重进行任务卸载。仿真结果表明,相比于随机任务分配和Min-Min调度算法,该算法能够有效降低任务执行时间和能量消耗。     

A scheduling algorithm for applications in a cloud computing system with communication changes

This paper proposes a scheduling algorithm to solve the problem of task scheduling in a cloud computing system with time‐varying communication conditions. This algorithm converts the scheduling problem with communication changes into a directed acyclic graph (DAG) scheduling problem for existing fuzzy communication task nodes, that is, the scheduling problem for a communication‐change DAG (CC‐DAG). The CC‐DAG contains both computation task nodes and communication task nodes. First, this paper proposes a weighted time‐series network bandwidth model to solve the indefinite processing time (cost) problem for a fuzzy communication task node. This model can accurately predict the processing time of a fuzzy communication task node. Second, to address the scheduling order problem for the computation task nodes, a dynamic pre‐scheduling search strategy (DPSS) is proposed. This strategy computes the essential paths for the pre‐scheduling of the computation task nodes based on the actual computation costs (times) of the computation task nodes and the predicted processing costs (times) of the fuzzy communication task nodes during the scheduling process. The computation task node with the longest essential path is scheduled first because its completion time directly influences the completion time of the task graph. Finally, we demonstrate the proposed algorithm via simulation experiments. The experimental results show that the proposed DPSS produced remarkable performance improvement rate on the total execution time that ranges between 11.5% and 21.2%. In view of the experimental results, the proposed algorithm provides better quality scheduling solution that is suitable for scientific application task execution in the cloud computing environment than HEFT, PEFT, and CEFT algorithms.     

Bandwidth‐aware divisible task scheduling for cloud computing

Task scheduling is a fundamental issue in achieving high efficiency in cloud computing. However, it is a big challenge for efficient scheduling algorithm design and implementation (as general scheduling problem is NP‐complete). Most existing task‐scheduling methods of cloud computing only consider task resource requirements for CPU and memory, without considering bandwidth requirements. In order to obtain better performance, in this paper, we propose a bandwidth‐aware algorithm for divisible task scheduling in cloud‐computing environments. A nonlinear programming model for the divisible task‐scheduling problem under the bounded multi‐port model is presented. By solving this model, the optimized allocation scheme that determines proper number of tasks assigned to each virtual resource node is obtained. On the basis of the optimized allocation scheme, a heuristic algorithm for divisible load scheduling, called bandwidth‐aware task‐scheduling (BATS) algorithm, is proposed. The performance of algorithm is evaluated using CloudSim toolkit. Experimental result shows that, compared with the fair‐based task‐scheduling algorithm, the bandwidth‐only task‐scheduling algorithm, and the computation‐only task‐scheduling algorithm, the proposed algorithm (BATS) has better performance. Copyright © 2012 John Wiley & Sons, Ltd.     

Storm集群下基于性能感知的负载均衡策略

Storm计算框架具有为多源异构大数据提供高效、快速、实时处理的能力.然而因Storm默认的调度策略使用了简单的轮询方法,无法根据集群动态的负载状态调整其任务的分配.针对该问题,提出了基于性能感知的负载均衡策略,根据节点的处理效率计算其性能感知值,并通过贪心调度保证节点的任务量与节点处理能力相匹配,以达到负载均衡的目的.通过与默认调度算法实验比较,结果表明该算法能够有效降低Storm处理时延,提高吞吐量和实现集群负载均衡.     

基于自组织劳动分工的边云协同任务调度与资源缓存算法

针对边缘计算环境中,边缘设备的计算和存储资源有限的问题,探讨高效的边云协同任务调度和资源缓存策略,研究自组织劳动分工群智能算法模型机理,并以此为基础,提出基于蜂群劳动分工“激发-抑制”模型的边云协同任务调度算法(edge cloud collaborative task scheduling algorithm based on bee colony labor division‘activator-inhibitor’ model, ECCTS-BCLDAI)和基于蚁群劳动分工“刺激-响应”模型的边云协同资源缓存算法(edge cloud collaborative resource caching algorithm based on ant colony labor division ‘stimulus-response’ model,ECCRC-ACLDSR).仿真实验结果表明:所提出的ECCTS-BCLDAI任务调度算法在降低平均任务执行时长、减少边云协同费用上相较于传统算法有更好的表现;所提出的ECCRC-ACLDSR资源缓存算法在降低任务平均时长、优化网络带宽占用率、减少...