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。     

一种基于DAG的并行系统任务调度方法

设计了一种适用于同构总线式多核环境的任务调度算法,着重优化了传统静态列表算法中对于任务节点等级较为粗糙的计算方式,并改善了对通信的调度。通过统计性调度实验,表明该任务调度算法相比传统的调度方法具有一定的优化效果。     

基于多目标粒子群优化的片上多处理器节能调度研究

研究片上多核处理器系统的性能-功耗问题有两个重要因素:任务的执行时间以及系统的能量消耗.通过对CMP系统任务调度和能量消耗的分析建立了新颖的编码策略,并使用随机权重适应度以及精华解保留策略对粒子群优化算法进行改进,提出了多目标粒子群算法(MPSO).仿真实验结果表明使用MPS0算法可以增加CMP系统中任务调度的效率,降低任务运行时间和系统能耗.     

基于混合算法的云计算任务调度方法研究

目前针对任务调度方法的研究中,为了降低研究难度,通常只针对某一个考量任务调度方法好坏的尺度进行研究,经常会出现优化后的方法以较高的计算成本为代价换来较短的任务完成时间,有时是得不偿失的。因此该文将任务完成时间和计算成本均作为优化的目标,对任务调度方法进行研究,平衡任务完成时间和计算成本,提高云计算的效率。该文使用遗传优化算法对上述提出的任务调度问题进行求解,并将模拟退火算法、自适应机理相结合,建立更加适合云计算任务调度求解的混合优化算法。最后,通过实验分析,以仅对任务完成时间优化和仅对计算成本优化的算法进行比较,该文研究的混合算法的云计算任务调度方法能够有效平衡任务完成时间和计算成本,有效提高云计算的效率,降低其计算成本。     

基于双重自适应策略的旋转相控阵雷达任务调度方法研究北大核心CSCD

针对旋转相控阵雷达任务调度过程中资源利用不充分问题和调度算法优化需求,提出基于双重自适应策略的任务调度算法(TSM-DAS)。首先,通过探究旋转相控阵雷达扫描特性,将雷达任务分为两类;然后,针对不同类型任务的调度时间差异,提出任务调度的双重自适应策略;最后,结合任务时间窗、优先级和贪心算法,给出基于双重自适应策略的任务调度算法,并通过仿真实验对TSM-DAS进行验证。实验结果表明,相比其他同类算法,TSM-DAS能够有效提升雷达资源利用率,降低任务截止期错失率,从整体上提升旋转相控阵雷达的任务调度效能。     

面向分布式环境的信号驱动任务调度算法

为优化IaaS服务的执行效率,提出面向IaaS的信号驱动任务调度算法,该算法根据IaaS模型的结构特征建立控制子系统和节点子系统,根据任务的结构特征建立任务的DAG(directed acyclic graph)调度模型,并建立各任务分片的状态转化机制及控制子系统和节点子系统间的信号通信机制。以系统间信号交互的方式驱动任务分片的状态改变,并在每一调度时刻来临时利用并行优化选择策略分配任务分片。由于本算法采用了模拟IaaS模型的双系统控制方式,使本算法与IaaS模型的分布式体系相兼容且复杂度较低。最后通过实验验证了所提算法的有效性和实用性。     

关于一站多天线任务调度模型算法的实现

任务调度是遥感资源接收、管理和应用过程中的重要内容。文中主要讨论了多天线地面站的任务调度模型。通过判决各任务的冲突关系和权重,确定给站内所有天线安排的最优任务集合。本模型采用了分阶段最优组合算法,为解决类似任务调度问题提供了一条新的途径。并采用MATLAB语言进行了程序仿真,运行效果良好。     

云环境下任务调度算法对比研究

云计算是完全基于互联网的新兴技术。云计算环境中的任务调度问题一直都是该领域的研究热点。合理高效的任务调度算法在云环境中能有效的缩短任务完成时间,提高系统负载均衡,更好的满足用户与云提供商的需求。本文研究了云平台的任务调度机制,探究了任务调度过程中的关键性指标。通过云仿真平台CloudSim实现并分析了顺序调度算法、Min-Min算法和Max-Min算法,对比其在随机生成用户任务负载与虚拟机计算资源的情况下的任务完成时间,实验证明Min-Min算法与Max-Min算法均优于顺序调度算法。以此为未来研究提供实验支撑和方向。     

云计算环境下能量感知的任务调度算法

云计算环境下传统独立任务调度算法容易导致较高资源能耗或较大任务时间跨度.针对该问题,文中提出了两种能量感知的任务调度算法,并利用遗传算法并行化搜索合理调度方案.两种算法在搜索过程中,分别通过能耗时间归一和能耗时间双适应度方法定义适应度函数并进行个体选择.仿真结果表明,与单独考虑时间或能耗相比,这两种算法能够更有效地缩短任务执行时间跨度,降低资源能耗.     

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。     

Task scheduling algorithm for system-wide information management based on multiple QoS constraints

An ant colony optimization task scheduling algorithm based on multiple quality of service constraint (QoS-ACO) for SWIM was proposed.Focusing on the multiple quality of service (QoS) requirements for task requests completed in system-wide information management (SWIM),considering the task execution time,security and reliability factors,a new evaluate user satisfaction utility function and system task scheduling model were constructed.Using the QoS total utility evaluation function of SWIM service scheduling to update the pheromone of the ant colony algorithm.The simulation results show that under the same conditions,the QoS-ACO algorithm is better than the traditional Min-Min algorithm and particle swarm optimization (PSO) algorithm in terms of task completion time,security,reliability and quality of service total utility evaluation value,and it can ensure that the user's task scheduling quality of service requirements are met,and can better complete the scheduling tasks of the SWIM.     

基于粒子群算法的嵌入式云计算资源调度

随着移动互联网的发展,基于嵌入式设备的云计算服务成为研究热点。在国内,嵌入式云计算目前正处于探索研究阶段,云资源管理调度是嵌入式云计算的核心技术之一,其效率直接影响嵌入式云计算系统的性能。为了提高云计算性能,本文提出一种基于粒子群优化算法的云计算任务调度模型。粒子群算法中粒子位置代表可行的资源调度方案,以云计算任务完成时间及资源负载均衡度作为目标函数,通过粒子群优化算法,找出最优资源调度方案。在matlab实验平台进行了仿真,通过大量数据模拟实验表明,该模型可以快速找到最优调度方案,提高资源利用率,具有较好的实用性和可行性。     

多种群协同进化算法优化的云存储仿真分析

云平台下大数据的极速增长,使得传统的数据存储由于时间响应慢、负载不均衡等因素,成为阻碍大数据云存储的关键技术,为了解决云平台下大数据的存储问题,提出了多种群协同进化优化算法的存储方法.该方法首先将存储分布区分割成若干个环区域,同时标记每个存储区的存储访问时间,然后将大数据的存储访问抽象为最优解问题.通过改进协同进化算法,防止粒子群早熟,采用该优化算法对大数据存储过程中的任务调度粒子群分别编码,根据微粒群不断进化和变异,迭代得到最优解,从而满足云平台下大数据存储的实际需求.利用Cloudsim搭建仿真平台,对提出的新型大数据存储方法加以评估验证,结果表明该方法不仅具有更快的响应速度,而且降低了系统能耗,提高了负载均衡度.     

混合粒子群算法在动态车间调度中的应用

车间调度问题是广泛存在于现实生活中的经典算法规划问题。好的生产调度系统有利于提高企业工作效率及降低企业成本,是工业生产的核心竞争力。粒子群算法因为强大的智能规划能力而被广泛用于车间调度问题当中。文章在原有标准粒子群算法基础上,引入模拟退火机制及遗传算法中交叉变异策略形成的混合粒子群优化算法,并在更具有实际生产环境的动态车间调度中模拟应用,与遗传算法、离散粒子群算法进行比较,具有较强优势。     

分层异构信号处理平台调度方法研究

异构多处理器的高效性和可靠性能够满足日趋复杂的信号处理任务需求,因此分层异构系统已成为信号处理平台的发展趋势.为提高平台强实时性并解决高吞吐量的问题,文中对分层异构信号处理平台的软硬件模块及架构进行了研究,并采用有向无环图对组件任务及硬件资源进行建模.将已提出的调度算法按照任务类型、调度目标、调度过程和研究方法进行分类...     

云计算中基于生物共生机制改进粒子群优化的任务调度方案

针对传统的基于智能算法的云计算任务调度方案获取最优解用时较多的问题,受生物界共生现象的启发,提出一种基于生物共生机制(SM)改进粒子群优化(PSO)的任务调度方案。首先,将PSO中的粒子分成2个种群,各自执行寻优。然后,每执行k次PSO迭代后,将两个种群中的个体进行互利共生和寄生操作。通过互利共生操作使搜索过程穿过最佳解区域,从而增强搜索能力;通过寄生操作排除较差解并引入较优解来防止过早收敛。最终获得任务调度的最优解。仿真结果表明,提出的优化算法可快速收敛,相比其他几种较新的调度方案,提出的方案能够获得最小的任务完成时间和响应时间。     

Joint offloading strategy based on quantum particle swarm optimization for MEC-enabled vehicular networks

With the development of the mobile communication technology, a wide variety of envisioned intelligent transportation systems have emerged and put forward more stringent requirements for vehicular communications. Most of computation-intensive and power-hungry applications result in a large amount of energy consumption and computation costs, which bring great challenges to the on-board system. It is necessary to exploit traffic offloading and scheduling in vehicular networks to ensure the Quality of Experience (QoE). In this paper, a joint offloading strategy based on quantum particle swarm optimization for the Mobile Edge Computing (MEC) enabled vehicular networks is presented. To minimize the delay cost and energy consumption, a task execution optimization model is formulated to assign the task to the available service nodes, which includes the service vehicles and the nearby Road Side Units (RSUs). For the task offloading process via Vehicle to Vehicle (V2V) communication, a vehicle selection algorithm is introduced to obtain an optimal offloading decision sequence. Next, an improved quantum particle swarm optimization algorithm for joint offloading is proposed to optimize the task delay and energy consumption. To maintain the diversity of the population, the crossover operator is introduced to exchange information among individuals. Besides, the crossover probability is defined to improve the search ability and convergence speed of the algorithm. Meanwhile, an adaptive shrinkage expansion factor is designed to improve the local search accuracy in the later iterations. Simulation results show that the proposed joint offloading strategy can effectively reduce the system overhead and the task completion delay under different system parameters.     

The study of spacecraft parallel testing

For the purpose of avoiding interference between each parallel testing tasks in a spacecraft, this paper analyzes the testing process by dividing it into testing atoms, and makes the parameter set as the basic unit for each testing atom resource allocation so as to avoid interference. By means of modeling the parallel testing and with the object of minimizing the total testing time, it puts forward the parallel spacecraft testing task scheduling algorithm on basis of improved particle swarm optimization. The experimental results verify that this method can be efficiently applied in spacecraft parallel testing optimal scheduling.     

基于VxWorks的多任务程序设计及通信管理

为了满足系统各个任务对实时性的要求,需要实现各个任务的并行处理。针对VxWorks操作系统的多任务调度机制和任务通信方式进行了分析;采用基于时间片轮转调度实现多任务程序设计,可以动态改变各个任务期望运行的时间片;对各种通信方式和实现方法进行了比对,并给出了优化方案。上述设计方法实时性强,可靠性高,系统可扩展性良好,能够很好地满足工程需要。     

Multicriteria decision‐making techniques for avoiding similar task scheduling conflict in cloud computing

An efficient task scheduling approach shows promising way to achieve better resource utilization in cloud computing. Various task scheduling approaches with optimization and decision‐making techniques have been discussed up to now. These approaches ignored scheduling conflict among the similar tasks. The conflict often leads to miss the deadlines of the tasks. The work studies the implementation of the MCDM (multicriteria decision‐making) techniques in backfilling algorithm to execute deadline‐based tasks in cloud computing. In general, the tasks are selected as backfill tasks, whose role is to provide ideal resources to other tasks in the backfilling approach. The selection of the backfill task is challenging one, when there are similar tasks. It creates conflict in the scheduling. In cloud computing, the deadline‐based tasks have multiple parameters such as arrival time, number of VMs (virtual machines), start time, duration of execution, and deadline. In this work, we present the deadline‐based task scheduling algorithm as an MCDM problem and discuss the MCDM techniques: AHP (Analytical Hierarchy Process), VIKOR (VIseKriterijumska Optimizacija I Kompromisno Resenje), and TOPSIS (Technique for Order Preference by Similarity to Ideal Solution) to avoid similar task scheduling conflicts. We simulate the backfilling algorithm along with three MCDM mechanisms to avoid scheduling conflicts among the similar tasks. The synthetic workloads are considered to study the performance of the proposed scheduling algorithm. The mechanism suggests an efficient VM allocation and its utilization for deadline‐based tasks in the cloud environment.