基于人工鱼群遗传算法的异构多核系统任务调度研究

异构多核系统的任务调度问题已经被证明是一个NP完全问题。人工鱼群算法在算法初期具有较快的收敛速度,后期收敛较慢,而遗传算法的种群初始化具有较强的鲁棒性,初始化种群的质量直接影响着遗传算法的性能。本文提出了一种将人工鱼群算法与遗传算法相结合的任务调度算法,首先分析了异构多核系统的任务调度问题的本质,使用改进的人工鱼群算法来构建遗传算法的初始化种群,并使用改进的遗传算法进行迭代进化,从而提高了算法的收敛速度。     

网格计算中基于改进蚂蚁算法的任务调度研究

文中提出了一种以蚂蚁算法为基础的改进算法,用以解决网格环境下的任务调度问题.首先从蚂蚁算法的基本思想出发,结合网格环境下任务调度的特点,逐步改进了资源信息素的初始化处理、局部更新及全局更新方式,并针对网格环境下的任务给出信息素的概念;然后,综合考虑资源信息素和任务信息素两方面的需求,提出了一种新的任务选择资源机制;最终,提出了一种基于蚂蚁算法的、改进的网格任务调度方法.通过仿真实验的结果分析表明:基于蚂蚁算法的、改进的网格任务调度方法实现了网格环境下任务的有效调度问题,并使系统获得较好的负载平衡度.     

遗传算法在网格任务调度的应用研究

研究了网格任务调度问题.针对传统任务调度算法在网格环境下存在不能很好地平衡节点负载和满足用户服务质量需求等缺点,导致网格系统负载极不均衡,调度效果低.为了提高网格任务调度的效果,提出一种基于遗传算法的网格任务调度方法.将网格任务编码成种群中的个体,网络任务目标作为遗传算法的适应度函数,通过遗传算法的强全局搜索及交叉、变异操作,获得最优的任务调度方案.仿真结果表明,采用遗传算法进行网格任务调度可以减少系统总执行时间和任务完成时间,提高了资源调度效率,使网格系统负载均衡度更好,在网格任务调度具有广泛的应用前景.     

基于免疫原理的网格任务调度算法

针对网格资源管理的任务调度问题,提出一种网格任务免疫调度算法。算法遵循克隆选择、亲和度成熟2个免疫原理,求解网格任务调度问题的全局最优解。讨论种群代数设置和算法参数的设置对该算法性能的影响。仿真实验结果表明,与传统的网格任务调度算法相比,该算法具有任务调度速度快、资源分配时间短、运行稳定等优点。     

最优权动态控制学习机制的多种群遗传算法

遗传算法(GA)的全局搜索能力强,易于操作,但收敛速度慢,易陷入局部极值.为克服上述缺陷,首先对算法初始化方法进行改进,采用海明距离作为聚类划分的相似性度量提出了一种均匀分区多种群初始化方法.该方法以相似性度量为准则划分出不同集合的聚类中心点,然后以偏好随机的方式产生多个不同的种群,避免算法因种群初始个体在解空间分布不够均匀而陷入局部收敛.其次在遗传算法中引入多种群并行机制和学习机制来提高算法的性能,通过对已有研究中两种机制在遗传算法中的作用进行分析,指出各自的优势和不足,分别对两种机制进行改进,提出改进的多种群并行机制与最优权动态控制的学习机制,并从理论角度探讨了改进的两种机制的合理性.最后,将两种机制有机结合起来,充分发挥两种机制的优点,抑制各自的不足之处.仿真实验结果表明,算法中经过改进的两种机制具有良好的沟通能力,结合新的初始化方法,使得算法在收敛速度和精度上都要优于其他几种已有的改进算法.     

云计算任务调度双精英种群文化基因改进算法

云计算任务调度是一个难于精确求解的调度问题,需要兼顾考虑计算时间和资源利用率.为了最大程度地节省计算时间和提升资源利用率,论文提出了一种云计算任务调度双精英种群文化基因改进算法.首先,针对文化基因算法全局搜索能力不高的问题,通过结合遗传算法与粒子群算法,提出一种混合全局搜索策略,提高算法的种群多样性和收敛速度.其次,为改善普通精英种群在迭代后期进化缓慢的缺点,采用了双种群的进化机制.具体的Matlab仿真实验结果表明,改进算法的优化性能更佳.     

一种快速网格任务调度策略

网格任务调度目标有很多,如用户要求任务轮转时间短、花费代价小,而资源提供者希望资源利用率高等,这些目标相互冲突,因此网格任务调度不仅是一个NP难问题,而且是一个多目标优化问题.本文根据网格环境下任务的时间相关性特点,对传统蚁群算法进行了改进,提出了一种快速网格任务调度算法.该算法不仅解决了网格调度中多目标优化问题,而且依据任务调度历史信息生成蚁群算法的初始信息素分布,提高了蚁群算法的求解速度.     

基于量子蚁群算法的网格任务调度研究

任务调度策略是网格计算的核心问题。在系统任务调度和资源分配中,提出一种基于量子蚁群算法的任务调度策略。算法将量子计算与蚁群算法相融合,通过对蚁群进行量子化编码并采用量子旋转门及非门操作,实现对任务自适应启发式的分配和优化。算法有效增强了种群的多样性、克服了遗传算法和蚁群算法的早熟收敛和退化现象。仿真实验中,分别与基于遗传算法和基于蚁群算法的任务调度策略相对比,结果表明算法有效缩短了任务调度的时间跨度,增强了网格系统的性能。     

网格任务调度算法的研究

为了提高网格任务调度算法的性能和效率,同时在任务调度过程中让网格资源的负载达到平衡,通过对网格中三种典型调度算法的原理进行分析研究,结合网格计算环境的特点,针对这些典型算法存在的不足,并以这几个经典的调度算法原理为基础,提出了一种适用于网格计算环境的改进算法.通过对改进的算法进行试验分析,发现改进的算法较好地弥补了传统算法中存在的一些不足.最后提出了笔者对网格环境下任务调度算法的一些见解.     

基于强化蚁群算法的任务DAG在线网格集群资源调度

网格集群资源调度是一个NP难题,而现有的调度方法通常具有任务调度效率低和负载不均衡的问题,由此设计了一种基于强化学习算法和蚁群算法融合的协同依赖型任务调度方法;首先对基于DAG的网格集群协同调度数学模型进行了定义,然后,采用改进的一步TD算法即Q-Learning算法实现集群资源的初始分配,从而得到最优调度方案以及对应的Q值,在此基础上提出一种改进的蚁群算法实现网格集群资源到任务分配的进一步优化,将Q-Learning算法得到的分配方案的Q值用于初始化蚁群路径中的信息素,以避免蚁群的盲目搜索,同时将Q值引入路径概率函数中使得蚂蚁具有启发式的搜索能力,从而获得协同依赖多任务集群调度的最终方案;在Gridsim环境下进行仿真试验,结果表明文中方法能有效地实现网格集群调度,且较其它方法具有任务调度效率高、CPU利用率高和负载均衡的优点,具有较大的优越性.     

一种基于遗传算法的网格任务调度算法

任务调度算法是网格计算研究的一个重要方向,已被证明是一个NP完全问题。提出了一种新的网格任务调度算法。该算法基于遗传算法,为加快算法的收敛速度,在生成初始种群时优先分配关键路径上的任务;由于资源间存在着通信延迟,引入任务复制方法,并结合遗传操作控制任务复制的深度,可以减少任务之间的通信开销,缩短整个调度的完成时间;最后进行优化操作,减少冗余的任务复制。模拟实验结果表明,该算法在收敛速度和调度完成时间均优于普通遗传算法。     

网格环境下改进的独立任务调度遗传算法

针对网格环境下独立任务的调度问题,提出了一种新的混合遗传算法,通过调整算法结构,来增加染色体的多样性,通过加入针对特定问题的调整操作,来有效地提高算法的局部搜索能力,使遗传算法兼具全局和局部搜索能力,防止早熟收敛。仿真实验表明,跟其他算法相比,提出的算法取得了很好的调度长度,并且收敛速度也很快。     

基于Min—Min和蚁群算法的网格任务调度方法

网格任务调度是网格计算的研究热点,也是一个NP难问题。文章结合Min-Min算法和蚁群算法的优点,提出了一种基于Min—Min群算法（MMACO）的任务调度方法。仿真实验表明：在网格环境下,该算法具有较好的全局最优求解能力和较快的收敛速度。     

调整协同种群构成提升进化算法搜索性能

进化过程中种群多样性降低导致的收敛极大限制了进化算法的求解质量与搜索效率。调整种群元素策略利用进化算法收敛本性,在进化过程中向进化种群加入优势元素和随机元素,调整种群元素构成。经共生进化算法求解复杂柔性作业调度测试,定期大规模加入优势元素和随机元素能有效调整种群结构,既利用了前期种群进化收敛的结果又维持了种群进化全程的多样性。使进化算法可通过扩大搜索规模有效提高求解质量,将促进进化算法在各领域的应用深度和广度。     

基于粒子群优化的异构多处理器任务调度算法

为提高异构多处理器任务调度的执行效率,充分发挥多处理器并行性能,提出一种基于粒子群优化的异构多处理器任务调度算法——FPSOTTS算法。该算法以求得任务最短完成时间为目标,首先通过建立新的编码方式和粒子更新公式实现粒子搜索空间到离散空间的映射,使连续的粒子群优化算法适用于离散的异构多处理器任务调度问题;同时通过引入禁忌算法进行局部搜索,克服粒子群算法的早熟收敛现象,避免陷入局部最优。实验结果表明,FPSOTTS算法的执行效率优于Min-min算法和遗传算法,有效地降低任务的执行时间。FP-SOTTS算法很好地解决了异构多处理器任务调度问题,并且适合于大规模并行任务调度。     

重启进化提高较大搜索规模时柔性作业解质量

种群多样性下降导致的早熟收敛限制了进化算法的求解质量与搜索效率。为应对收敛,提高较大搜索规模时的求解质量,引入随机算法中重启策略。种群收敛时,利用算法前期搜索结果（优势元素）和新产生的随机元素重新构造新种群继续进化。提高柔性作业车间调度问题解质量对实际工业生产有重要的现实意义。将重构思想应用于协同进化算法求解复杂柔性作业调度问题并跟踪种群进化状态。仿真实验结果表明,改进算法在进化过程中维持了较好的种群多样性,大幅提高了算法求解复杂柔性作业调度的搜索性能,并可以简单通过扩大搜索规模提高作业调度解质量。     

遗传算法与人工免疫算法对车间调度问题求解

针对求解job-shop调度问题中存在的易出现局部最优、效率低下的问题,提出了一种新算法。该算法 采用了一种评价种群过早收敛标准的方法,引进了新的加快遗传算法进化速度的交叉算子,最后设计了人工免 疫算法中疫苗的提取和接种方法,即基于加工机器的基因片断抽取疫苗方法和最后完工机器个体的接种方法。 通过实验证明该算法能够有效地解决易出现局部最优、效率低下等问题。     

基于混合粒子群算法的网格任务调度

减少分布式程序的执行时间是网格调度系统需要解决的重要问题。因分布式程序常建模为DAG图,故该问题又称异构DAG调度问题。在研究网格环境下的任务调度的基础上,提出了一种用于解决DAG任务调度问题的通用混合粒子群优化算法(Common Hybrid Particle Swarm Optimization),简称为CHPSO。该算法将问题的解(粒子)表示为任务的调度优先权向量,采用混合粒子群优化算法探索解空间。实验结果表明,在求解不含孤立点的单个DAG调度问题时,该算法所得解的调度长度仅为HEFT的90%～92%,求解质量与PSGA相当;在多张DAG图(含孤立节点)并发执行的网格环境中,该算法的调度性能明显优于PSGA及文中列出的其它演化计算方法。     

基于遗传算法的网格任务调度方法分析

网格任务调度为多项式复杂程度的非确定性问题,其中所有非确定性多项式时间可解的判定问题,共同构成了NP类问题。如何快速地找到全局最优解是网格任务调度的难点所在。而遗传算法在验证猜测的正确性方面,具有自动获取和快速搜索的特性,是解决非线性问题的最优方案。本文主要对基于遗传算法的网格任务调度方法进行分析,通过网格任务调度模型构建、资源分配等操作,来完成遗传算法的仿真实验研究。     

基于任务复制的网格任务调度算法

网格中资源之间存在着通信延迟，通过任务复制的冗余，可以减少任务之间的通信开销，缩短整个计算程序的计算时间。目前网格中的任务调度算法基本上是没有考虑任务复制的；而基于任务复制调度算法往往会产生过多的复制任务，增大系统开销，甚至有可能延迟计算时间。由于基于任务复制的任务调度是一个NP问题，因此本文提出了一种基于任务复制的网格资源调度算法，以减少调度长度为主要目标、减少任务复制量和资源占用量为次要目标。该算法在调度长度和任务复制数量以及占用资源数量方面都等于或优于其它算法。