基于改进蚁群算法的网格资源调度研究

为进一步掌握网格资源动态运行状态,以便合理调度网格资源,提高任务执行效率,提出了一种基于改进蚁群算法的网格资源调度策略。该算法引入了一个网格资源空闲所需时间向量F,通过向量F动态调整网格资源负载情况,达到快速实现遥感资源空间检索的目的。从仿真实验结果可以看出,改进蚁群算法比蚁群算法和其他算法更优,网格资源的利用效率更高。     

基于预测及蚁群算法的云计算资源调度策略

研究云计算资源调度问题,针对目前静态的网格资源调度算法只考虑任务完成时间最小化,导致了不能满足动态的云计算资源调度要求。为了适应云计算的动态性和实时性,解决云计算资源调度问题,降低数据中心用电量,提出一种基于预测及蚁群算法的云计算资源调度策略。当数据中心利用率较低时运行改进蚁群算法来合理调度虚拟机至宿主机,通过动态趋势预测算法预测数据中心负载来智能开关宿主机。仿真结果表明,采用预测及蚁群算法进行的云计算资源调度策略,保证了云计算的实时性,并有效减少数据中心用电量。     

基于蚁群算法的短波侦收资源调度方法研究

为解决短波侦收中任务执行时间长和侦收资源利用率低等问题,以最大侦收概率为目标,结合约束条件建立短波协同侦收资源调度模型,设计运用改进型蚁群优化算法对模型求解,采用粒子群参数优化技术改进蚁群优化算法,利用全局异步与精英策略相结合的信息素更新策略,使算法具有更强的寻优能力和运算速度,不仅提高了系统资源利用率而且能够快速确定出最佳调度方案。实验结果验证了所提方法的可行性和有效性。     

一种基于改进遗传算法的网格资源调度策略

首先对网格资源调度的特点、现有遗传算法的局限性进行了分析,在此基础上对遗传算法进行改进;提出一种基于改进遗传算法的网格资源调度策略(GRSS_IGA),该算法综合考虑资源任务分配量、任务截止时间、任务等待时间及资源利用率等QoS参数;并用马尔可夫理论证明了算法的正确性;最后通过仿真对改进前后两种算法的性能进行比较,实验结果表明改进后的算法降低了时间消耗,提高了资源利用率。     

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.     

云环境下的虚拟资源调度智能优化策略

针对云计算环境下的最优跨度和负载均衡问题,提出一种虚拟资源调度智能优化策略。该策略结合云虚拟资源的特点,对遗传算法的染色体选择和交叉方式进行优化,使用最优跨度和负载函数作为双适应度函数。其中,负载指标为资源的CPU、带宽及内存利用率,最优跨度指标则是任务的等待时间、传输时间及执行时间的总和,从而提高资源调度效率;此外,该策略能够从云服务集群推荐出较优资源进行处理,确保资源的负载均衡。最后,通过Cloud Sim进行实验,证明该策略能够提高大规模任务下的资源调度效率,并优化了资源的负载均衡,从而验证了算法的有效性。     

一种提高集群调度性能的改进型蚁群算法

蚁群算法ACO能较好地应用于集群调度,但其传统的信息素更新方式带来了性能匹配和负载均衡等问题,影响了集群调度的性能.针对这些问题,提出了改进型蚁群算法IACO,通过引入性能匹配因子和负载均衡因子更合理地调整信息素,缩短了作业处理时间,提高了CPU利用率,从而有效地提高了集群调度性能.     

云环境下资源调度效率优化研究与仿真北大核心CSCD

云环境下资源调度对云服务器的均衡性有着重要作用。由于云环境下资源调度过程中,存在大量的混沌数据,在混沌数据的干扰下,调度过程缺少统一的目标,传统的资源调度算法针对这种有干扰的复杂调度问题,多是通过把调度目标进行多个约束,形成一个动态的调度标准,模型过于复杂,适应性较差。提出改进粒子群算法的混沌数据干扰下的云资源调度方法。建立云资源调度模型,利用粒子群的迭代处理进行云资源调度策略寻优,对粒子的位置和速度的更新方法进行了改进,能够避免混沌数据对云资源调度造成的干扰,将全部调度任务的完成时间作为粒子适应度评价的标准,获得最优调度策略。仿真结果表明,利用改进算法进行混沌数据干扰下的云资源调度任务,系统的均衡度好,效率高,为资源调度效率优化提供了参考。     

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.     

混合算法在网格任务调度中的应用研究

研究网格任务优化调度问题,针对需求的复杂和网格系统具有异构性和动态性,导致网络任务调度过程相当困难.传统调度算法调度效率低、资源负载不平衡.为了提高任务调度效率,降低资源负载不平衡性,提出一种混合的网格任务调度优化算法.首先采用遗传算法全局搜索能力快速形成初始解,然后将遗传算法的调度结果作为蚁群算法的初始信息素分布,最后利用蚁群算法所正反馈性机制迅速地形成任务调度的最优解.仿真结果表明,混合算法减少网格任务调度系统任务完成时间,提高了任务调度效率,为网格设计提供了依据.     

单船岸桥分配与调度集成优化模型

针对集装箱码头泊位确定条件下的单船岸桥(QC)分配和调度问题,建立了线性规划模型.模型以船舶在泊作业时间最短为目标,考虑多岸桥作业过程中的干扰等待时间与岸桥间的作业量均衡,并设计了嵌入解空间切割策略的改进蚁群优化(IACO)算法进行模型求解.实验结果表明:与可用岸桥全部投放使用的方法相比,所提模型与算法求得结果平均能够节省31.86%的岸桥资源;IACO算法与Lingo求得的结果相比,船舶在泊作业时间的平均偏差仅为5.23%,但CPU处理时间平均降低了78.7%,表明了所提模型与算法的可行性和有效性.     

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。     

分层交互式蚁群优化算法及其应用

传统蚁群优化算法在求解优化性能指标难以数量化的定性系统问题时无能为力,为此提出一种利用人对问题解进行评价的分层交互式蚁群优化算法.设计了一个基本交互式蚁群优化模型结构,讨论了信息素的更新策略和性质.给出分层的思想、分层的时机和分层的具体实现方法.算法用户参与评价时,只需指出每一代中最感兴趣的解,而不必给出每个解的具体数量值,可以极大降低用户评价疲劳.将算法应用于汽车造型设计,实验结果表明所提出算法具有较高运行性能.     

云环境下蚁群优化算法的视频点播视频流任务调度策略

针对云环境下大规模并发视频流调度过程中资源利用率低和负载不均的问题,提出一种基于蚁群优化(ACO)算法的视频点播(VOD)集群视频流任务调度策略VodAco。在分析视频流期望性能与服务器空闲性能的相关性、定义综合性能匹配度的基础上,建立数学模型,并采用蚁群优化思路进行最佳调度方案搜索。通过云仿真软件CloudSim实验表明,与轮询(RR)、贪婪(Greedy)算法相比,所提算法在任务完成时间、平台资源占有率、各节点性能负载均衡指标上具有较为明显的优势。     

Fuzzy Based Ant Colony Optimization Scheduling in Cloud Computing

Cloud computing is an Information Technology deployment model established on virtualization. Task scheduling states the set of rules for task allocations to an exact virtual machine in the cloud computing environment. However, task scheduling challenges such as optimal task scheduling performance solutions, are addressed in cloud computing. First, the cloud computing performance due to task scheduling is improved by proposing a Dynamic Weighted Round-Robin algorithm. This recommended DWRR algorithm improves the task scheduling performance by considering resource competencies, task priorities, and length. Second, a heuristic algorithm called Hybrid Particle Swarm Parallel Ant Colony Optimization is proposed to solve the task execution delay problem in DWRR based task scheduling. In the end, a fuzzy logic system is designed for HPSPACO that expands task scheduling in the cloud environment. A fuzzy method is proposed for the inertia weight update of the PSO and pheromone trails update of the PACO. Thus, the proposed Fuzzy Hybrid Particle Swarm Parallel Ant Colony Optimization on cloud computing achieves improved task scheduling by minimizing the execution and waiting time, system throughput, and maximizing resource utilization.     

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。     

云计算环境下带安全约束的工作流调度问题的研究

资源调度问题一直是云计算环境下的热点研究问题,然而当前的大部分研究都集中在满足用户的时间或成本需求上,很少考虑用户在调度过程中对安全的需求。针对这一问题,在对常见的云环境下工作流任务的资源调度问题进行建模的基础上,提出了一个安全约束模型,并使用变近邻粒子群算法对该问题进行了求解。最后在CloudSim仿真平台上,用最大 最小蚁群算法和遗传算法与该算法进行了对比,实验结果表明,该算法具有很好的可用性和寻优能力。关键词：     

面向SCA的DPR软件架构设计与调度技术

为提高软件无线电（SDR）系统波形应用部署的灵活性和FPGA资源利用率,基于SDR系统的软件通信体系架构（SCA）,设计一种支持FPGA的动态部分可重构（DPR）软件架构。针对DPR FPGA与CPU组成的异构计算平台,提出一种蚁群优化调度算法,以提高波形应用部署效率。实验结果表明,与MILP算法和ILP算法相比,所提算法的求解性能平均提升了约30%,且随着任务规模的增大,优势更加明显。     

Bi-Objective Ant Colony Optimization approach to optimize production and maintenance scheduling

This paper presents an algorithm based on Ant Colony Optimization paradigm to solve the joint production and maintenance scheduling problem. This approach is developed to deal with the model previously proposed in [3] for the parallel machine case. This model is formulated according to a bi-objective approach to find trade-off solutions between both objectives of production and maintenance. Reliability models are used to take into account the maintenance aspect. To improve the quality of solutions found in our previous study, an algorithm based on Multi-Objective Ant Colony Optimization (MOACO) approach is developed. The goal is to simultaneously determine the best assignment of production tasks to machines as well as preventive maintenance (PM) periods of the production system, satisfying at best both objectives of production and maintenance. The experimental results show that the proposed method outperforms two well-known Multi-Objective Genetic Algorithms (MOGAs): SPEA 2 and NSGA II.