工作流流程模型结构优化算法的研究

该文从一个新颖的角度提出一种优化工作流流程模型结构的算法,用进程代数CCS来描述工作流流程模型的定义,并引用了进程代数中的互模拟的思想,提出了互模拟活动集合以及子流程的定义,同时给出如何找出复杂工作流流程模型中的互模拟活动的算法,该算法的提出简化了工作流流程模型的结构,从而提高了流程的运行效率。     

工作流模型挖掘算法及其应用研究

工作流管理系统由工作流模型所驱动,但产业界的实践表明定义工作流模型的工作不仅费时而且易错。工作流挖掘技术能够帮助解决这一问题,并能为现有工作流的分析与优化提供参考。简要介绍三种典型且具有应用价值的工作流模型挖掘算法,并应用其中一种挖掘算法,详细讨论了一个实际的工作流模型挖掘过程。挖掘过程以某Staffware系统的工作流日志文件为起点,包括数据预处理、初始工作流模型挖掘、初始工作流模型化简三个主要步骤,具体实现可通过一个工作流模型挖掘子系统参与完成。     

工作流模型挖掘算法及其应用研究

工作流管理系统由工作流模型所驱动,但产业界的实践表明定义工作流模型的工作不仅费时而且易错.工作流挖掘技术能够帮助解决这一问题,并能为现有工作流的分析与优化提供参考.简要介绍三种典型且具有应用价值的工作流模型挖掘算法,并应用其中一种挖掘算法,详细讨论了一个实际的工作流模型挖掘过程.挖掘过程以某Staffware系统的工作流日志文件为起点,包括数据预处理、初始工作流模型挖掘、初始工作流模型化简三个主要步骤,具体实现可通过一个工作流模型挖掘子系统参与完成.     

工作流的非邻接模式挖掘算法

为了发现业务执行流程中的潜在知识,提出一种非邻接模式挖掘算法,同时考虑活动和边的发生频率,结合工作流模型和作用日志,以图分析方法挖掘工作流非邻连模式。该算法对候选模式搜索空间进行充分剪枝,以提高运行效率,可以为业务流程的改造和优化提供依据。     

基于矩阵模型的工作流合理性验证算法研究

错误的工作流模型投入运行后对系统的破坏是非常严重的,很可能导致整个工作流系统的失败.为了提高模型的正确性和验证过程的可靠性,改进一种用于对工作流模型合理性验证的算法,将工作流网在语义上等价转化为一种完全由矩阵和向量来表示的数学模型,利用矩阵和向量的运算来验证其合理性.因此,验证过程脱离了对原有工作流网的依赖,使模型验证驱于数学化,算法更便于由计算机编程实现.     

云环境中基于混合多目标粒子群的科学工作流调度算法

为了更高效地实现科学工作流任务的调度,研究了云环境中的工作流调度多目标优化问题,提出了一种基于非占优排序的混合多目标粒子群优化的工作流调度算法HPSO。首先,建立了截止时间与预算约束下工作流调度的多目标优化模型,模型引入三目标最优化,包括工作流执行跨度、执行代价及执行能耗;其次,设计了一种混合粒子群算法对相互冲突的三目标最优化进行求解,算法通过非占优排序的形式可以得到满足Pareto最优的工作流调度解集合;最后,通过3种科学工作流案例的仿真实验,与同类多目标调度算法NSGA-II,MOPSO和ε-Fuzzy进行了性能比较。实验结果表明,HPSO得到的调度解不仅收敛性更好,而且调度解的空间分布更加一致,更符合云环境中的工作流调度优化。     

融合DE和NSGA-Ⅱ算法的网格工作流调度研究*

针对当前网格工作流调度算法中大多只考虑DAG结构的网格工作流、考虑QoS维数较少及将多QoS参数聚合成一个单目标函数进行优化调度的现状,基于AGWL网格工作流模型,提出了一种带QoS约束的多目标优化的网格工作流调度算法,该算法是将DE的变异和交叉算子替换NSGA-Ⅱ中的变异和交叉操作所设计的一种调度算法。通过与基于NSGA-Ⅱ的网格工作流调度算法比较,表明了该算法的有效性。     

多阶段服务模型中关键路径算法的研究

针对多阶段服务模型的特点,介绍了如何为多阶段服务模型建立相应的工作流分析模型,提出了一种改进的关键路径分析算法,增加了对工作流模型中常见结构的支持。算法将工作流网看作一个M/M/n有限等待队列网并讨论了工作流活动在各种常见结构中的到达率与时间延迟。通过该算法可以计算出模型中平均执行时延最长的路径,为系统性能优化提供依据。     

基于Petri网模型的工作流实例迁移算法

工作流实例迁移是工作流演化研究中的一个重要问题.目前,大部分的工作流实例迁移策略是基于版本控制的,工作流实例不能及时迁移到新模型中运行.分析了工作流实例迁移过程中所存在的动态变更错误,并结合自由选择网的经典理论,提出了一种基于Petri网模型的工作流实例迁移算法.根据工作流实例迁移后的状态可达性,来确定该实例能否正确迁移,算法的时间复杂度是多项式的.     

基于时间约束Petri网的一致性验证算法

时间约束的一致性验证是保证工作流时间模型正确工作的前提,因而一致性验证的算法的精确度和复杂度关乎整个工作流时间模型的运行效率。文中简要介绍了时间约束一致性定义及约束关系的推理规则,提出了一种简洁有效的时间约束一致性验证算法并分析了算法的时间复杂度。该算法借助于T-组件网和时间约束流图,能有效验证时间约束Petri网中存在的各种时间冲突,以保证工作流时间约束模型的建立及运行等各个阶段的正确性,对业务流程的建立、维护和优化都具有重要的参考意义。     

基于代价优化的云工作流调度改进PSO算法

云计算可以通过即付即用的方式向用户工作流提供资源。为了解决资源服务代价异构环境下的云工作流任务调度代价问题,提出一种基于改进粒子群算法的云工作流任务调度算法WSA-IPSO。通过综合考虑任务的执行代价和依赖任务间发生数据传输时的通信代价,算法将总代价优化问题形式化为有向无环图DAG中的任务调度模型,并提出基于改进粒子群算法的优化模型对其进行求解。通过改进传统粒子群算法的粒子速度更新策略和惯性权重更新策略,算法可以以更快的收敛速度得到代价最小化的调度方案。通过仿真实验,与MCT算法及标准粒子群算法进行性能比较。实验结果表明,WSA-IPSO算法在降低总代价、任务分布的负载均衡以及算法收敛性方面比较同类算法均表现出更好的性能。     

一种高效的跨平台工作流优化方法

为了应对复杂的数据分析任务,研究人员设计开发出结合多个平台的跨平台数据处理系统。系统跨平台工作流中算子的平台选择对于系统性能至关重要,因为算子在不同平台上的实现会产生性能间的显著差异。目前多使用基于成本的优化方法来实现跨平台工作流的平台选择,但现有的成本模型由于无法挖掘跨平台工作流的潜在信息而导致成本估计不准确。提出一种高效的跨平台工作流优化方法,采用GGFN模型作为成本模型,以算子特征和工作流特征作为模型输入,利用图注意力机制捕捉有向无环图型跨平台工作流的结构信息和算子邻居节点信息,同时结合门控循环单元记忆算子的运行时序信息,从而实现准确的成本估计。在此基础上,根据跨平台工作流的特点设计算子实现平台的枚举算法,利用基于GGFN的成本模型和延迟贪婪剪枝方法进行枚举操作,为每个算子选择合适的实现平台。实验结果表明,该方法可以将跨平台工作流的执行性能提升3倍,运行时间缩短60%以上。     

三层虚拟工作流模型的非线性制造工艺多目标优化算法研究EI北大核心CSCD

时间、生产质量和成本是加工制造中相互制约的重要参数,平衡此参数使制造工艺最优是一个NP(Non-deterministic polynomial)难题,对此出现了许多优秀的调度方法.然而这些方法的优化对象均为线性工艺,对于普遍存在的非线性工艺却无法调度优化.针对此不足,本文以非线性工艺为优化对象提出了三层虚拟工作流模型Three-VMG(Three-virtual model graph)及其优化算法Three-OVMG(Three-optimal virtual model graph).该模型和算法首先建立非线性工作流,采用虚拟技术寻找虚拟结点进行重构,将其改造为虚拟线性工作流;其次结合工艺特点对模型进行分段,采用逆向分层串归约来实现段内最优解,采用累积最优解来衔接各段间的值;最后根据优化结果自顶向下完成各层资源的优化调度.实验表明,该过程较传统时间最小化优化调度算法具有显著的优化效果,其性能及可操作性也能满足工程要求.     

云中截止时间动态分配的工作流调度成本优化算法

现如今,如何在满足截止时间约束的前提下降低工作流的执行成本,是云中工作流调度的主要问题之一。三步列表调度算法可以有效解决这一问题。但该算法在截止时间分配阶段只能形成静态的子截止时间。为方便用户部署工作流任务,云服务商为用户提供了的三种实例类型,其中竞价实例具有非常大的价格优势。为解决上述问题,提出了截止时间动态分配的工作流调度成本优化算法(S-DTDA)。该算法利用粒子群算法对截止时间进行动态分配,弥补了三步列表调度算法的缺陷。在虚拟机选择阶段,该算法在候选资源中增加了竞价实例,大大降低了执行成本。实验结果表明,相较于其他经典算法,该算法在实验成功率和执行成本上具有明显优势。综上所述,S-DTDA算法可以有效解决工作流调度中截止时间约束的成本优化问题。     

云环境中基于分解的多目标工作流调度算法

云服务提供商在给用户提供海量虚拟资源的同时,也面临着一个现实的问题,即怎样调度这些资源,以最小的代价(完工时间、执行费用、资源利用率等)完成工作流的执行。针对IaaS环境下的工作流调度问题,以完工时间和执行费用作为目标,提出了一种基于分解的多目标工作流调度算法。该算法结合了基于列表的启发式算法和多目标进化算法的选择过程,采用一种分解方法,将多目标优化问题分解为一组单目标优化子问题,然后同时求解这些单目标子问题,使得调度过程更为简单有效。算法利用天马项目发布的现实世界中的工作流进行实验,结果表明,和MOHEFT算法以及NSGA-II*算法相比较,所提出的算法能得到更优的Pareto解集,同时具有更低的时间复杂度。     

DAG分割模型下的云工作流调度策略

为了优化云工作流调度的经济代价和执行效率,提出一种基于有向无循环图（DAG）分割的工作流调度算法PBWS。以工作流调度效率与代价同步优化为目标,算法将调度求解过程划分为三个阶段进行：工作流DAG结构分割、分割结构调整及资源分配。工作流DAG结构分割阶段在确保任务间执行顺序依赖的同时求解初始的任务分割图;分割结构调整阶段以降低执行跨度为目标,在不同分割间对任务进行重分配;资源分配阶段旨在选择代价最高效的任务与资源映射关系,确保资源的总空闲时间最小。利用五种科学工作流DAG模型对算法进行了仿真实验。结果表明。PBWS算法仅以较小的执行跨度为开销,极大降低了工作流执行代价,实现了调度效率与调度代价的同步优化,其综合性能是优于同类型算法的。     

A security and cost aware scheduling algorithm for heterogeneous tasks of scientific workflow in clouds

Security is increasingly critical for various scientific workflows that are big data applications and typically take quite amount of time being executed on large-scale distributed infrastructures. Cloud computing platform is such an infrastructure that can enable dynamic resource scaling on demand. Nevertheless, based on pay-per-use and hourly-based pricing model, users should pay attention to the cost incurred by renting virtual machines (VMs) from cloud data centers. Meanwhile, workflow tasks are generally heterogeneous and require different instance series (i.e., computing optimized, memory optimized, storage optimized, etc.). In this paper, we propose a security and cost aware scheduling (SCAS) algorithm for heterogeneous tasks of scientific workflow in clouds. Our proposed algorithm is based on the meta-heuristic optimization technique, particle swarm optimization (PSO), the coding strategy of which is devised to minimize the total workflow execution cost while meeting the deadline and risk rate constraints. Extensive experiments using three real-world scientific workflow applications, as well as CloudSim simulation framework, demonstrate the effectiveness and practicality of our algorithm.     

混合自适应粒子群工作流调度优化算法

针对具有截止期的云工作流完成时间与执行成本冲突的问题,提出一种混合自适应粒子群工作流调度优化算法（HAPSO）。首先,基于截止期建立有向无环图（DAG）云工作流调度模型;然后,通过范数理想点与自适应权重的结合,将DAG调度模型转化为权衡DAG完成时间和执行成本的多目标优化问题;最后,在粒子群优化（PSO）算法的基础上引入自适应惯性权重、自适应学习因子、花朵授粉算法的概率切换机制、萤火虫算法（FA）和粒子越界处理方法,从而平衡粒子群的全局搜索与局部搜索能力,进而求解DAG完成时间与执行成本的目标优化问题。实验中对比分析了PSO、惯性权重粒子群算法（WPSO）、蚁群算法（ACO）和HAPSO的优化结果。实验结果表明,HAPSO在权衡工作流（30～300任务数）完成时间与执行成本的多目标函数值上降低了40.9%～81.1%,HAPSO在工作流截止期约束下有效权衡了完成时间与执行成本。此外,HAPSO在减少完成时间或降低执行成本的单目标上也有较好的效果,验证了HAPSO的普适性。     

云计算环境中面向DAG任务的多目标调度算法

为了实现任务执行效率与执行代价的同步优化,提出了一种云计算环境中的DAG任务多目标调度优化算法。算法将多目标最优化问题以满足Pareto最优的均衡最优解集合的形式进行建模,以启发式方式对模型进行求解;同时,为了衡量多目标均衡解的质量,设计了基于hypervolume方法的评估机制,从而可以得到相互冲突目标间的均衡调度解。通过配置云环境与三种人工合成工作流和两种现实科学工作流的仿真实验测试,结果表明,比较同类单目标算法和多目标启发式算法,算法不仅求解质量更高,而且解的均衡度更好,更加符合现实云的资源使用特征与工作流调度模式。     

优化协同商务虚拟工作流的Web服务组合路径搜索*

为了解决协同商务系统中面向虚拟工作流的业务流程动态组合、生成问题,从抽象层面上运用Web服务及其组合技术,分析面向工作流的、跨组织的、分布式动态服务组合模型;探讨基于工作流环境实施动态Web服务组合的多层次组合方案推理和选择的一般化模型,在多层多可选服务情况下基于路径代价和服务偏好设计了一种最优服务组合路径的搜索算法,并对该算法进行了验证。验证结果表明,该算法可以有效地解决Web服务组合技术支持下的协同商务虚拟工作流的优化问题。