云计算调度粒子群改进算法

云计算资源调度是云计算中一个关键且复杂的调度问题,需要考虑众多的因素.为减少任务完成时间,本文提出了一种云资源调度粒子群改进算法.首先,本文在惯性权重线性递减的基础上,加入了混沌随机数扰动,使惯性权重有概率的适度增加,以便于跳出局部搜索,进行全局搜索;其次,针对粒子群算法和蚁群算法都容易陷入局部最优的缺点,结合粒子群算法和蚁群算法的优化策略,提出了一种改进的混合优化策略.其仿真结果及实际算例测试结果表明,在相同条件下改进算法能够寻到更精确的解.     

基于QPSFLA算法的云计算环境资源调度策略

针对云计算环境下的资源调度优化问题,提出了一种基于量子粒子群策略的混洗蛙跳改进算法(简称QPSFLA算法),旨在引入量子粒子群搜索策略防止传统混洗蛙跳算法容易陷入局部最优的问题。在CloudSim平台上的模拟试验结果表明,QPSFLA算法能够达到预期效果,而且比平台自带算法和传统混洗蛙跳算法效率更高。     

膜计算改进粒子群优化算法的云资源调度

云计算环境下的资源合理调度是当前的研究热点,针对粒子群优化算法的不足,引入膜计算理论,提出一种基于膜计算改进粒子群优化算法的云资源调度算法（PSO-MC）。对云资源调度问题进行分析,建立云资源调度的目标函数,受到膜计算的启发,将粒子放入膜中,主膜内粒子进行精细化局部寻优,辅助膜内的粒子进行全局搜索,通过膜区域之间信息传递搜索结果,找到云资源调度问题的最优解,在CloudSim平台对算法进行仿真实验。结果表明,PSO-MC算法减少了任务的平均完成时间,提高了任务处理的效率,使云计算资源调度更加合理。     

云计算环境下基于ABC-QPSO算法的资源调度模型

为了提高云计算资源的利用率,保证节点负载均衡,提出一种人工蜂群算法和量子粒子群算法相融合的云计算资源调度模型(ABC-QPSO)。首先将人工蜂群算法的搜索算子作为变异算子引入到量子粒子群算法中,以解决量子粒子群算法早熟收敛缺陷,然后以任务完成时间最短作为量子粒子群的适应度函数对云计算资源调度进行优化,最后在Cloud Sim平台上对ABC-QPSO的性能进行测试。结果表明,ABC-QPSO算法不仅克服了QPSO算法的不足,而且有效缩短了任务的完成时间,提高了云计算资源利用率,适合于进行大规模任务的云计算资源调度。     

一种自适应粒子群算法在云资源调度中的应用

通过资源调度优化提升云计算的效率并降低数据中心能耗是云计算领域的主要研究内容之一。粒子群算法常用于解决资源调度问题,然而粒子群算法在云计算资源调度应用中算法初期收敛速度快,后期收敛速度缓慢,易陷入局部寻优。本文提出了一种自适应改进的粒子群算法用于云计算资源调度问题的研究,该算法通过自适应改进粒子的个体学习因子和社会学习因子,以提高算法的全局探索能力,使得粒子逼近更优解。实验结果表明：本文提出的自适应粒子群算法不仅具备良好的收敛性和全局寻优能力,同时能够大幅度降低云资源调度中任务队列的总完成时间。     

基于蚁群优化蛙跳算法的云计算资源调度算法

针对云计算资源调度存在效率低的问题,提出了基于服务质量（QoS）的云计算资源调度算法。首先,在蚁群优化（ACO）算法中采用质量函数和收敛因子来保证信息素更新的有效性,设置反馈因子来提高概率的选择;其次,在蛙跳算法（SFLA）中通过交叉因子和变异因子来提高SFLA的局部搜索效率;最后,在ACO算法的每一次迭代中通过引入SFLA的局部搜索和全局搜索进行更新,提高了算法的效率。云计算的仿真实验结果表明,与基本的ACO算法、SFLA、改进后的粒子群优化（IPSO）算法、改进的人工蜂群算法（IABC）相比,所提算法在QoS的4个指标中有最少的完成时间、最低的消耗成本、最高的满意度和最低的异常数值,表明所提算法能够有效地运用在云计算资源调度中。     

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。     

基于粒子群遗传算法的云计算任务调度研究

对云计算任务调度进行了研究,针对用户满意度和云提供商利益需求,提出一种融合粒子群和遗传算法的PSOGA改进算法。根据云环境特点对虚拟机资源进行分类,同时引入任务-资源满意度距离、资源综合性能概念;对粒子群初始粒子操作进行优化,来提高粒子质量;为克服粒子易陷入局部最优解问题,加入遗传算法（GA）的交叉、变异操作,扩展粒子的搜索空间。仿真结果表明,该调度策略提高了用户满意度的同时减少了任务的完成时间,是云平台下一种有效的任务调度策略。     

求解混合流水车间调度问题的改进型PSO算法

针对粒子群优化算法易陷入局部最优以及求解生产调度问题时容易重复搜索的情况,结合混合车间调度问题的优化模型,提出一种改进的粒子群优化算法。在算法设计中,引入基于位置相似度的禁忌策略,避免对刚刚搜索过的区域重复搜索和过早陷入局部最优;同时采用线性微分递减方式更新惯性权重,既保证了算法前期有较高的全局搜索能力,又能保证后期有较高的开发能力。最后通过仿真实验,验证算法的有效性。     

云计算中的基于粒子群算法和差分遗传算法的资源调度

云计算资源调度一直以来都是研究的热点, 本文在云计算中引入粒子群算法, 针对该算法局部收敛速度快, 容易陷入局部最优值的缺点. 本文提出了两个改进: 一个是在粒子群种群寻找最优解中引入差分遗传算法, 既可以发挥粒子群全局搜索快的优点, 又可以发挥差分遗传算法局部搜索效率高的优点, 将两种算法优点进行结合弥补粒子群算法不足; 另一个是引入惩罚函数避免了粒子向无效的空间移动, 节约了移动的成本. Cloudsim平台说明本文算法能够有效满足云计算资源分配, 同时在任务完成时间, 成本消耗方面都有了很大的提高, 为云计算的资源分配提供了一种参考.     

云环境下基于SLA的优化资源分配研究

针对云计算环境下如何高效分配资源,实现资源供应者利润最大化这一难题,提出了一种基于服务级别协议（SLA）的动态云资源分配策略。该策略通过将SLA中的计算力、网络带宽、数据存储等属性作为优化参数,构造了一种服务请求与资源的映射模型,同时设计相应的效用函数,并结合改进的与模拟退火算法相融合的混合粒子群算法（SA-PSO）,实现云环境下的优化资源分配。实验分析结果表明,基于SLA参数的SA-PSO算法具有更好的全局最优值,在给定虚拟资源相同情况下,调用该算法完成用户任务实现的利润更高。     

云环境下基于DPSO的任务调度算法

针对云计算任务调度问题,结合粒子群优化(PSO)算法的种群个体协作和信息共享特点,提出一种基于离散粒子群优化(DPSO)的任务调度算法。采用随机方法生成初始种群,利用时变方式调整惯性权重,并在位置更新中使用绝对值取整求余映射法进行合法化处理,提高PSO算法的离散化程度。搭建并重新编译了CloudSim云计算仿真平台进行实验,结果显示,当迭代次数为200时,DPSO、PSO、GA算法的所有任务最终调度时间分别为457.69 s、467.90 s、472.41 s,从而证明DPSO算法能够有效解决云计算环境下的任务调度问题,并且算法收敛速度优于PSO和GA算法。     

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。     

混合量子粒子群算法求解车辆路径问题

量子粒子群算法在求解车辆路径问题时一定程度上解决了基本粒子群算法收敛速度不够快的缺点,但是量子粒子群算法仍然存在容易陷入局部最优的缺点。利用混合量子粒子群算法对车辆路径问题进行求解,运用量子粒子群算法对初始粒子群的粒子进行更新,对粒子进行交叉操作,可以提高算法的全局搜索能力,进行变异操作,可以改善算法的局部搜索能力。以Matlab为工具进行仿真实验,实验结果表明改进后的算法在求解车辆路径问题时具有良好的性能,可以避免陷入局部最优,对比量子粒子群算法和遗传算法具有一定的优势。     

求解非线性方程组的混合粒子群算法

结合Hooke-Jeeves和粒子群的优点,提出了一种混合粒子群算法,用于求解非线性方程组,以克服Hooke-Jeeves算法对初始值敏感和粒子群容易陷入局部极值而导致解的精度不够的缺陷。该算法充分发挥了粒子群强大的全局搜索能力和Hooke-Jeeves的局部精细搜索能力,数值实验结果表明：能够以满意的精度求出对未知数具有敏感性的非线性方程组的解,具有良好的鲁棒性和较快的收敛速度和较高的搜索精度。     

动态邻域混合粒子群优化算法

粒子群优化(PSO)算法对于多峰搜索问题一直存在早熟收敛问题。为在增强PSO算法全局搜索能力的同时提高收敛速度,提出一种动态邻域混合粒子群优化算法DNH_PSO,采用PSO局部模型,将随机拓扑和冯诺依曼拓扑相结合形成动态邻域,提高算法的全局搜索能力,为增强算法的局部搜索能力并加快收敛速度,使用粒子邻域全面学习策略,将拟牛顿法引入算法中。与其他PSO实验对比分析表明,该算法对于多峰搜索问题具有较好的全局收敛性。     

基于黄金分割准则的混沌云粒子群算法

针对传统粒子群算法寻优精度不高、易早熟的缺点,提出了基于黄金分割评判准则的混沌云粒子群（CCGPSO）算法。该算法利用黄金分割评判准则,将粒子群按照适应度大小分为标准粒子、混沌云粒子、云粒子三个子群,分别进行不同的算法操作。黄金分割的引入使整个粒子群可以搜索到全部解空间,解决了标准粒子群算法易陷入局部最优解和寻优精度不高的问题。选取了四种典型函数测试,并与混沌云粒子群算法（CCPSO）比较。仿真结果表明CCGPSO具有较高的寻优精度和收敛速度。     

CPSO在配电网OFDM系统比特功率分配中的应用

自适应OFDM系统的比特功率分配是提高频谱利用率的关键技术,基于注水原理的注水迭代算法能够达到比特功率分配的理论上线,但实际系统中由于调制方式及传输比特整数规划的要求,不能达到比特功率分配的优化结果。鉴于此提出了云粒子群优化算法（Cloud Particle Swarm Optimization,CPSO）,利用云模型的不确定特性增加群体多样性,解决粒子群优化算法易于陷入局部极值的缺点。通过给出的云粒子群进化模式,实现搜索空间的全局搜索和局部搜索;采用进化过程中动态缩小搜索空间策略提高算法收敛速度,从而解决在低压配电网上系统发射总功率和误码率限定条件下的系统传输速率最大化比特功率分配问题。通过仿真实验表明所提算法的分配结果与位添加法相当,减少了运行时间,与注水迭代算法相比,在系统传输速率相同的情况下节省功率达4.7~14.8 dBm。