基于用户优先级的云计算任务调度策略

根据云计算环境中用户任务调度的不同需求,提出一种基于改进离散粒子群优化算法的任务调度策略,可实现在短时间内对云计算任务的相对较优调度。将用户费用与该任务的截止时间相结合,构建相对合理的用户优先级,以引导算法的适应度函数的偏好。引入重优化判断准则,在保证算法有能力跳出局部最优的同时保持解的多样性,最终求出满足用户优先级偏好的任务调度映射。仿真实验结果表明,该策略更符合云计算调度的复杂环境,能得到全局较优的任务调度方案。     

可信禁忌粒子群优化网格任务调度算法

网格任务调度是典型的NP（Non-Polynomial）难题,基于粒子群优化智能算法,提出一种新的任务调度算法,目标是使所有任务整体完成时间最小。算法首先随机产生一群粒子,然后对粒子的位置和速度不断迭代,获得可以接受的任务调度方案,并从中选择一组信任度最高的作为较优解,再利用禁忌搜索算法由较优解获得最优解。仿真实验结果表明,与遗传算法相比更适合于求解规模较大的网格任务调度问题。     

基于云计算和改进离散粒子群的任务调度研究

针对云计算处理节点的任务调度问题,提出了一种基于改进离散粒子群算法的云计算任务调度方法;首先,定义了云计算任务调度数学模型,在此基础上对离散粒子群算法进行改进,采用自然数编码来表示任务调度方案对应的粒子位置,提出了一种自适应的惯性权重因子调整方法,并给出了子种群和主种群进行协同寻优的粒子群任务调度算法;仿真实验表明:文中方法获得最优解的次数远大于其他方法,在迭代次数为22次时就获得全局最优解192.34,同时具有良好的收敛特性。     

基于多目标免疫系统算法的云任务调度策略

针对云计算环境下任务调度问题,为减少任务完工时间,同时降低任务执行费用,提出一种改进的基于多目标免疫系统的任务调度算法IMISA来寻找较优的可行分配方案。与传统分配适应度值不同,该算法将抗体群划分为非支配解集和支配解集,分别将非支配解的独立支配区域面积、支配解与所有非支配解所围成的多边形面积作为相应的抗体-抗原亲和力,根据相应亲和度计算克隆比例后克隆变异生成子代。在CloudSim平台上进行仿真实验,结果表明,与NSGA-Ⅱ及多目标免疫系统算法(MISA)相比,IMISA能够找到具有更短完工时间及更小的执行费用的调度方案,同时获得的Pareto解集也具有更好的分布性。     

基于粒子群优化算法的多核处理器任务调度研究

针对多核处理器在调度多个任务时效率不高的问题,提出了一种基于粒子群优化算法的嵌入式多核多线程系统任务调度算法,用来找寻任务调度过程中的最优解,以求取任务的最短完成时间。在算法中通过针对多核多线程任务模型而选择粒子群算法的适应度函数,综合利用局部最优极值和全局最优极值的优势,优化了粒子群算法中存在的过早收敛问题,使算法具有较高的收敛效率。实验结果表明,与基于遗传算法的多核多线程任务调度算法相比,该算法能更快的找到最优解。     

云环境下改进SOS的多目标任务调度算法

为有效获取云计算中多目标任务调度求解算法的全局最优解,提出一种云环境下基于改进期望服务质量(Qo S)的多目标任务调度算法。设计多目标任务调度框架,提出相应的目标函数与约束条件。利用准反射学习构建初始种群以改进共生生物搜索(SOS)算法,加入自适应变异率以提高全局搜索能力。通过设定坐标进行任务分配,利用改进后SOS算法实现多目标任务优化调度。云计算仿真结果表明,所提算法相比于其它算法,有效改善了能源利用率、能耗和时间成本,具有较好的Qo S传输性能。     

语义关系算子在群智能算法中的研究

在传统群智能算法框架的基础上,提出基于语义关系算子的群智能算法。与传统的群智能算法不同,该算法采用了一个语义关系算子进行关键参数的更新操作,并基于群体的历史状态对语义关系可进行更新。在语义关系库更新过程中,通过分析群体之前的历史状态信息,进行基于本体的语义关系挖掘,从而找到全局语义关系。以粒子群算法解组合优化问题为例,提出了基于语义关系算子的蚁群算法和粒子群算法。实验表明,基于该算子的群智能算法寻优能力有了一定程度的改进。     

基于混合粒子群算法的云计算任务调度研究

任务调度是云计算系统可靠运行的关键,云计算环境中要处理的任务量巨大,考虑到云计算任务调度和QoS的优化问题,提出一种混合粒子群优化算法用于云任务调度。算法中引入遗传算法的交叉和变异思想,并结合随迭代次数变化的变异指数,保证种群进化初期具有较高的全局搜索能力,避免出现"早熟",同时将爬山算法引入粒子群算法,改善局部搜索能力。实验结果显示该算法具有很好的寻优能力,是一种有效的云计算任务调度算法。     

基于多尺度量子谐振子算法的云计算任务调度

合理地分配虚拟计算资源以进行有效的任务调度是云计算中的一个核心问题。为了更好地利用虚拟计算资源,高效地完成服务需求,提出了一种基于多尺度量子谐振子算法（MQHOA）的任务调度算法。首先,该算法将每一个调度方案当成一个采样位置,利用高斯采样的随机性在当前尺度下搜索局部最优解;其次,判断算法是否处于能级稳定状态,如果稳定,则进入能级降低过程,最坏的调度方案将被替换;最后,算法进入尺度下降的过程,算法由全局搜索过渡到局部搜索,迭代多次之后,算法停止并输出找到的最优结果。通过在CloudSim平台上进行仿真实验,与现有的先来先服务（FCFS）算法和粒子群优化（PSO） 算法对比,MQHOA总任务完成时间减少10%以上,负载不均值下降0.4以上。实验结果表明,基于MQHOA的任务调度算法能够快速收敛,有良好的全局收敛性和自适应能力,在云计算任务调度过程中,能够起到减少总任务完成时间和均衡负载的作用。     

基于改进免疫进化算法的云计算任务调度

针对云计算环境下内置任务调度方法的低效问题,提出一种基于改进免疫进化算法的任务调度算法,利用人工免疫进化原理完成任务调度的全局优化。通过将粒子群优化算法作为算子嵌入免疫进化算法中,避免陷入局部最优,改善收敛效果,减少任务调度时间开销。以CloudSim作为仿真平台进行模拟,实验结果表明,改进的免疫进化算法能大幅提高云计算任务调度效率。     

基于捕食搜索策略的网格任务调度算法

为解决网格任务调度难题,设计了一种模仿动物捕食策略的网格任务调度算法SAPS(Scheduling Algorithm Based onPredatory Search)。该算法首先确定待搜索区域,将待搜索区域划分为若干子区域,然后对子区域依次进行区域搜索,在搜索过程中如在某个子区域发现较优解,则对此子区域进行精密搜索,如未发现较优解,则转到下一个子区域,直至遍历所有子区域。SAPS算法具有较好的全局搜索和局部搜索的能力,克服了Min-min算法单纯追求局部最优而缺少全局意识的缺点。试验结果表明,该算法能更有效地解决网格任务调度问题。     

基于MGA-PSO的云计算多目标任务调度

为了提高云计算任务调度的效率,将微生物遗传算法(MGA)和改进的粒子群算法(PSO)融合成MGA-PSO算法用于云计算任务调度.综合任务完工时间、任务执行成本及虚拟机负载均衡三个目标构造适应度函数,以此寻找任务调度的最优解;对粒子群算法进行改进,使用动态惯性权重策略以提高算法的自适应搜索能力;在任务调度前期使用MGA算法缩小求解空间,在任务调度后期使用改进的PSO快速收敛到最优解.仿真实验表明:与其他三种算法相比,该算法有较快的收敛速度和较强的寻优能力;在云计算任务调度中,不仅能减少任务完工时间和执行成本,还能优化虚拟机的负载.     

改进蚁群算法的云计算任务调度方法

针对蚁群算法在云计算任务调度问题求解过程存在的不足,以找到最佳的云计算任务调度方案为目标,提出了一种基于改进蚁群算法的云计算任务调度方法.首先对当前云计算任务调度研究现状进行分析,并对问题进行了具体描述,然后采用蚁群算法对云计算任务调度问题进行求解,并针对标准蚁群算法缺陷进行改进,最后在CloudSim平台对该方法的性能进行测试.结果表明,改进蚁群算法可以找到较好的云计算任务问题调度方案,加快云计算任务完成速度,具有一定的实际应用价值.     

选煤厂信息物理系统任务调度研究

建立了选煤厂信息物理系统模型,将动态联盟思想引入选煤厂信息物理系统任务调度中,并提出了一种基于改进离散粒子群优化算法的选煤厂信息物理系统任务调度算法。该算法首先采用离散粒子群优化算法进行全局寻优,然后采用禁忌搜索算法进行局部搜索,求得全局最优解。仿真结果表明,该算法提高了任务调度的收敛速度、精度以及处理器的平均利用率。     

应用反向学习和差分进化的群搜索优化算法

针对标准群搜索优化算法在解决一些复杂优化问题时容易陷入局部最优且收敛速度较慢的问题,提出一种应用反向学习和差分进化的群搜索优化算法(Group Search Optimization with Opposition-based Learning and Diffe-rential Evolution,OBDGSO)。该算法利用一般动态反向学习机制产生反向种群,扩大算法的全局勘探范围;对种群中较优解个体实施差分进化的变异操作,实现在较优解附近的局部开采,以改善算法的求解精度和收敛速度。这两种策略在GSO算法中相互协同,以更好地平衡算法的全局搜索能力和局部开采能力。将OBDGSO算法和另外4种群智能算法在12个基准测试函数上进行实验,结果表明OBDGSO算法在求解精度和收敛速度上具有较显著的性能优势。     

自适应动态调整粒子群的云计算任务调度

为了高效地实现云计算任务调度,融合改进的分数阶达尔文粒子群算法和多目标函数构造,提出一种新的云计算任务调度算法。对分数阶达尔文粒子群算法进行全方位改进,基于粒子群适应度动态调整惯性权重系数以自适应搜索最优解;利用粒子自身进化信息定义进化因子,结合进化因子并利用高斯图函数调整分数阶次α系数以实现快速收敛;借助Levy飞行随机扰动对局部最优位置进行位置扰动以提高跳出局部最优的能力;综合最短等待时间、资源负载均衡程度及任务完成所耗费用等三个目标构造任务调度满意度函数,以此搜索任务调度最优解。仿真实验表明,与其他粒子优化算法相比,该算法有较快的收敛速度和较高的寻优精度;在任务调度中,该算法与其他三种调度算法相比,在较低的截止时间未完成率下实现了虚拟资源的均衡负载。     

基于改进差分进化算法的云计算任务调度策略

针对传统云计算资源调度策略存在资源利用率低等缺陷,提出了一种基于改进差分进化算法的云计算任务调度算法(LADE)。首先建立云计算任务调度问题的数学模型,然后采用差分进化算法对目标函数进行求解,并引入自适应的放缩因子和交叉算子进行改进,使算法更符合最优解的求解规律,有效地避免陷入局部最优解和"早熟"的缺陷。仿真实验表明:LADE算法具有更强的全局搜索能力,不仅解决了传统资源调度算法存在的缺陷,而且大幅减少了云计算任务的完成时间和执行能耗。     

基于混合优化算法的云计算资源调度

由于云计算的动态性、异构性和不可预测性等特点,使得资源调度策略面临很大的挑战。目前解决资源调度的方法主要是一些启发式算法,如模拟退火算法、人工神经网络算法、粒子群算法、蚁群算法和遗传算法等,由于优缺点分明,不能单独实现云计算任务的最优分配。因此,提出了使用混合优化算法解决云计算资源分配问题。在算法前期,借助粒子群全局广泛搜索能力,快速寻找到较优解;在算法后期,借助蚁群算法的正反馈性和高效性,寻找最优解。实验表明该算法有较短的任务执行时间和实现各个物理主机间的负载均衡。     

基于动态自适应蚁群算法的云计算任务调度

针对蚁群算法求解云计算任务调度问题存在收敛速度慢和容易陷入局部最优解的缺陷,提出一种动态自适应蚁群算法的云计算任务调度策略。算法在选择资源节点中引入混沌扰乱,依据节点信息素浓度自适应调整信息素挥发因子,由解的优劣性动态更新信息素。当任务数量超过150时,动态自适应蚁群算法与蚁群算法结果相比较,时间效率最大提高319%,资源负载率为0.51。仿真结果表明,所提算法提高了解的收敛速度和全局搜索能力。     

基于非线性共轭梯度法的混沌微粒群优化算法

为了寻找多峰函数的全部极值点,提出一种基于非线性共轭梯度法的混沌微粒群算法.该算法引入混沌序列设置微粒群位置以提高种群的多样性;然后使用改进的微粒群认知模型对可行域内的所有极值点进行全局搜索;最后利用非线性共轭梯度法对混沌微粒群算法搜索到的较优解进行局部搜索以提高解的精度.仿真实验表明,该算法能准确、快速地找到连续可微多峰函数的全部极值点.