基于混合遗传与禁忌搜索的网格任务调度的研究

网格技术将所有可用于共享的资源（例如,计算机、存储设备、软件、数据库等）通过网络连接起来,并将它们转化成一种标准的计算能力。为各种复杂的计算任务提供资源,因此网格任务在各种资源之间的调度成为了一个关键的问题。本文通过对遗传算法与禁忌搜索算法的分析,提出了一种混合遗传算法与禁忌搜索算法的策略,把禁忌搜索算法独有的记忆思想引入到遗传算法的搜索过程中,通过把禁忌搜索算法作为遗传算法的变异算子的方法,提高了网格任务调度的有效性。最后,使用网格模拟器,对算法的性能进行了测试,并比较了轻重负载情况下,经典遗传算法和本算法调度方案的性能差异。     

基于改进遗传算法的网格任务调度算法

网格任务调度是一个NP完全问题,它关注大规模的资源和任务调度,要求采用的调度算法能够具有高效性.遗传算法被证明是解决这类小规模问题的有效算法,随着任务数和资源数的增加,遗传算法表现出慢速收敛的缺点.为了克服其缺点,提出将Min-min算法与遗传算法相结合的改进遗传算法,从而设计出很好的选择和交叉算子,提高了算法搜索能力和收敛速度.仿真结果表明该算法能更有效解决网格任务调度问题.     

基于改进遗传算法的PID参数寻优与控制器设计

相比传统的调节方法,遗传算法具有更好的鲁棒性、最优性,能较好的实现参数的自动化调节。对标准遗传算法（SGA）进行了分析、研究,并在SGA的基础上进行了改进。改进的遗传算法从提高全局搜索性能和加快收敛速度出发,提出了改进的选择算子、交叉算子和变异算子,仿真结果表明,改进的遗传算法的全局搜索性能和收敛速度远远优于标准遗传算法。     

基于蚁群遗传算法的网格资源调度研究

传统的资源调度算法在网格环境下存在一定缺陷,如不能很好地平衡资源节点的负载,不能很好满足用户服务质量需求等.为了提高网络质量,应用遗传算法全局快速收敛的优点,将遗传算法融入到蚁群算法的每一次迭代中,使之具有很强的全局搜索能力,以加快算法的收敛速度,提出了在价格机制驱动下,应用蚁群遗传算法进行网格资源调度的算法.仿真实验结果表明,在价格机制驱动下,应用蚁群遗传算法进行网格资源调度可以减少系统总执行时间和任务完成时间,系统负载均衡度好,提高了资源调度效率,在网格环境下,算法具有稳定性和高效性.     

改进遗传算法在网格任务调度中的应用

为了提高遗传算法的搜索性能,同时满足网格资源的优化分配,提出了一种带过滤机制的遗传算法,使其适用于网格任务调度问题的优化处理.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.     

基于GA-PSO的天基预警系统资源调度方法

为解决天基预警系统中的卫星资源调度问题,从预警任务特点出发,在对预警任务进行分解的基础上,建立了资源调度模型．结合传统遗传算法（GA）和粒子群算法（PSO）的优点,采用一种混合遗传粒子群（GA-PSO）算法来求解资源调度问题．该算法在解决粒子编解码问题的前提下,将遗传算法的遗传算子应用于粒子群算法,改善了粒子群算法的寻优能力．实验结果表明,提出的算法能有效解决多目标探测时天基预警系统的资源调度问题,调度结果优于传统粒子群算法和遗传算法．     

基于遗传算法的网格服务工作流调度的研究

网格服务的提出为网格工作流的研究提供了新的契机与挑战，由网格服务组成的工作流（GSF）的调度问题是一个典型的NP问题。利用遗传算法所具有的并行性和全局解空间搜索的特点，针对网格服务调度问题，提出基于遗传算法的网格服务工作流调度算法GSFGA，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。     

一种改进选择算子的遗传算法

遗传算法（Genetic Algorithm,GA）是一种模拟生物进化的智能算法,被广泛应用于求解各类问题。简单遗传算法（Simple GA）仅靠变异产生新的数值,常常存在搜索精确度不高的问题。针对这个问题,对SGA的选择算子进行改进,即把相似个体分在同一组中,以组为单位进行选择,并通过该组个体的特点进行高斯搜索生成新的群体。这样使得GA在搜索过程中不仅可以很好地保持个体的多样性,并且可以提高解的精确度。通过对11个函数（单峰和多峰）的仿真实验,证明了采用新的选择算子后,GA在求解问题的精确度上有了很大地改善。     

一种求解0-1背包问题的改进遗传算法

针对传统遗传算法（SGA）容易“早熟”的不足,提出一种求解0-1背包问题（KP）的改进遗传算法。借鉴二重结构编码的解码处理方法设计了一种新解码方法,在保证解可行性的同时修正种群中无对应可行解的个体;采用模拟退火算法和改进的精英选择算子改进SGA。实例仿真结果验证了改进遗传算法在进化效率和最优解搜索能力上的优越性。     

基于WSRF的网格资源管理模型和调度算法的研究和设计

主要介绍WSRF服务机制和技术规范,设计一个基于WSRF的网格资源管理模型,提出并实现了广度优先搜索与遗传算法相结合资源调度算法,改善了资源调度的性能,提高了网格资源使用的效率,经实验验证,取得满意的效果。     

Enhancing genetic algorithms for dependent job scheduling in grid computing environments

Genetic Algorithms (GAs) are stochastic search techniques based on principles of natural selection and recombination that attempt to find optimal solutions in polynomial time by manipulating a population of candidate solutions. GAs have been widely used for job scheduling optimisation in both homogeneous and heterogeneous computing environments. When compared with list scheduling heuristics, GAs can potentially provide better solutions but require much longer processing time and significant experimentation to determine GA parameters. This paper presents a GA for scheduling dependent jobs in grid computing environments. A?number of selection and pre-selection criteria for the GA are evaluated with an aim to improve GA performance in job scheduling optimization. A?Task Matching with Data scheme is proposed as a GA mutation operator. Furthermore, the effect of the choice of heuristics for seeding the GA is investigated.     

遗传算法在快速成形轮廓路径规划中的应用

以减少层片扫描中的空程运行时间为轮廓路径优化的目标,以轮廓路径与经典旅行商问题之优化的共性和不同为比对,在采用遗传算法实现快速成形轮廓路径的优化中,将轮廓路径的特点灵活应用到该算法的各个步骤中,有效地缩短了扫描路径中的空程距离,从而有利于提高成形速度和成形质量．     

Inventory based two-objective job shop scheduling model and its hybrid genetic algorithm

Job shop scheduling problem is a typical NP-hard problem. An inventory based two-objective job shop scheduling model was proposed in this paper, in which both the make-span (the total completion time) and the inventory capacity were as objectives and were optimized simultaneously. To solve the proposed model more effectively, some tailor made genetic operators were designed by making full use of the characteristics of the problem. Concretely, a new crossover operator based on the critical path was specifically designed. Furthermore, a local search operator was designed, which can improve the local search ability of GA greatly. Based on all these, a hybrid genetic algorithm was proposed. The computer simulations were made on a set of benchmark problems and the results demonstrated the effectiveness of the proposed algorithm.     

A new hybrid genetic algorithm for job shop scheduling problem

Job shop scheduling problem is a typical NP-hard problem. To solve the job shop scheduling problem more effectively, some genetic operators were designed in this paper. In order to increase the diversity of the population, a mixed selection operator based on the fitness value and the concentration value was given. To make full use of the characteristics of the problem itself, new crossover operator based on the machine and mutation operator based on the critical path were specifically designed. To find the critical path, a new algorithm to find the critical path from schedule was presented. Furthermore, a local search operator was designed, which can improve the local search ability of GA greatly. Based on all these, a hybrid genetic algorithm was proposed and its convergence was proved. The computer simulations were made on a set of benchmark problems and the results demonstrated the effectiveness of the proposed algorithm.     

自动化立体仓库存取设备优化调度方法研究

对大型仓库中有多台存取设备同时作业，如何优化调度存取设备，提高存取设备的自动识别能力，使设备最大限度地发挥其效能，针对此问题提出了一种优化调度方法，利用遗传算法，将自动化立体仓库的常规控制策略改进为智能控制，并进行了实数编码、适应度函数、选择算子、交叉算子和变异算子的设计。实验结果表明该方法能够大幅度降低货物的出入库时间，在实际应用中获得了良好效果。     

A hybrid genetic algorithm for the single machine scheduling problem with sequence-dependent setup times

This paper presents a hybrid approach based on the integration between a genetic algorithm (GA) and concepts from constraint programming, multi-objective evolutionary algorithms and ant colony optimization for solving a scheduling problem. The main contributions are the integration of these concepts in a GA crossover operator. The proposed methodology is applied to a single machine scheduling problem with sequence-dependent setup times for the objective of minimizing the total tardiness. A sensitivity analysis of the hybrid approach is carried out to compare the performance of the GA and the hybrid genetic algorithm (HGA) approaches on different benchmarks from the literature. The numerical experiments demonstrate the HGA efficiency and effectiveness which generates solutions that approach those of the known reference sets and improves several lower bounds.     

基于离散人工蜂群算法的云任务调度优化

针对现今云计算任务调度只考虑单目标和云计算应用对虚拟资源的服务的质量要求高等问题,综合考虑了用户最短等待时间、资源负载均衡和经济原则,提出一种离散人工蜂群(ABC)算法的云任务调度优化策略。首先,从理论上建立了云任务调度的多目标数学模型;然后,结合偏好满意度策略并引入局部搜索算子和改变侦察蜂搜索方式,提出多目标离散型人工蜂群(MDABC)算法的优化策略。通过不同的云任务调度仿真实验,显示了改进离散人工蜂群算法相对于基础离散人工蜂群算法、遗传算法以及经典贪心算法,能够得到较高的综合满意度,表明了改进离散人工蜂群算法能够更好地改善虚拟资源中云任务调度系统的性能,具有一定的普适性。     

基于GA的飞行员模拟机排班问题求解

飞行员模拟机复训问题是一个多目标、多资源约束的排班问题,具有较高的复杂度,传统遗传算法无法有效求解该问题。为此,提出一种新的遗传算法,利用基因适应度对交叉、选择操作进行改进,以提高种群的多样性和进化性能。在仿真数据和真实数据上的实验结果表明,该算法有效提高了解的精度,加快了种群的收敛速度。     

基于烟花算法的云计算多目标任务调度

为了更好地满足云计算中用户的服务质量(Quality of Service, QoS)需求,合理利用云数据中心的资源,以任务的执行时间和虚拟机的负载均衡作为优化的目标对象,提出了一种基于烟花算法(Fireworks Algorithm, FWA)的多目标优化调度模型。烟花算法是一种启发式算法,利用爆炸算子、高斯变异和选择策略能较快地寻找到全局最优解。通过在Cloudsim上与粒子群优化算法(PSO)和遗传算法(GA)进行有效性和执行时间上的对比,结果表明烟花算法在不同实验次数下可持续得到最优适应度值,而且在种群规模不断扩大时,烟花算法的执行时间没有陡然增加,明显优于PSO算法和GA算法。