基于蝙蝠算法的云计算资源分配研究

由于云计算要面临庞大的资源分配并且具有动态性等特点,仅从单一方面来权衡资源分配策略的优劣已经不能满足需求.针对上述问题,从用户和资源提供者两个方面出发,将蝙蝠算法引入资源分配策略中,提出了以任务完成时间较短且成本最低为约束条件的调度模型.通过CloudSim平台进行模拟仿真表明,该资源分配算法能有效地兼顾完成时间和成本,在缩短任务完成时间的同时保证成本最小,提高了资源利用率.     

云计算中虚拟机资源分配算法

为了解决云计算中虚拟机部署预留方案浪费大量资源和单目标部署方案不够全面问题,提出了一种基于组的多目标遗传算法虚拟机资源分配算法.该算法分成组编码和资源编码,资源编码根据虚拟机历史资源需求进行整合编码,通过改进的交叉和变异操作,将物理机器个数和虚拟机占用物理机器资源整合.实验结果表明,该算法有效减少了物理机器个数使用和提高了物理机器资源使用率,达到了节能目的.     

云计算环境下基于粒子群算法的资源分配策略

如何对资源进行有效的分配成为云计算所要解决的重要问题,也是云计算研究的热点问题.为了更好地合理利用资源和提高资源的利用率,提出了一种基于粒子群优化算法的资源分配和调价策略.根据负载的特性,构造了体现其对所获资源的满意度和符合自身经济利润的效用函数,利用资源代理不断调价的方法来达到合理利用资源的目的,同时也最大化了每个负...     

基于机器学习的云计算资源分配算法研究

云计算是当前流行的计算模式,而云计算资源分配是云计算系统的关键。文章基于机器学习的云计算资源分配算法研究,通过机器学习算法来识别工作负载,评估资源分配,从而调度资源。实验结果表明,基于机器学习的云计算资源分配算法不仅保证了各节点负载均衡,还提高了云计算集群的稳定性。     

基于PEPA的云计算资源分配算法性能评价

资源分配是云计算的核心之一,对云计算资源分配算法的性能进行评价可为云计算平台设计提供指导.讨论了两种云计算资源分配算法,提出了一种基于PEPA的资源分配算法的性能评价模型,该模型通过建立云计算系统中各组件之间的交互关系进行形式化分析和推理,获得了云计算系统性能的评价指标.实验通过分析资源分配过程中不同参数变化对系统性能的影响,结果表明,PEPA模型方法可以直接评估资源分配算法性能的优劣,并能够确定算法性能提升的关键因素,从而减少云平台设计过程的周期.     

改进的蝙蝠算法在数值积分中的应用研究

蝙蝠算法具有收敛速度快、潜在分布式和并行性等特点,但也存在着寻优精度不高、后期收敛速度慢、易陷入局部最优等问题。针对蝙蝠算法和目前数值积分方法的不足,把具有很强的全局寻优能力和局部搜索能力的差分进化算法融合到蝙蝠算法中,提出了一种基于差分进化算法的改进蝙蝠算法求任意函数数值积分的新方法,该算法不仅能求解通常意义下任意函数的定积分,而且能计算振荡积分和奇异积分。通过6个不同算例与当前数值积分方法比较,实验仿真结果表明,该算法是有效的和可行的,能够快速有效地获取任意函数的数值积分值。同时,扩展了蝙蝠算法的应用领域。     

基于QoS的云计算资源分配算法

目前,基于云计算的服务越来越具有动态性,资源的分配遇到了前所未有的挑战性,我们不能简单地从成本单一方面来衡量资源分配算法的优劣。针对以上问题,提出了具有QoS限制的资源分配算法,从用户和资源提供者两个方面来考虑资源的分配,在保证用户任务的多维QoS需求的同时,寻求用户满意度和资源利用率的综合效用值的提升。通过仿真实验表明,该资源分配算法,可以减少任务之间对资源的竞争,提高所有任务的全局效用值。     

一种改进的粒子群算法在云计算资源中的研究

针对云计算中无法合理分配资源的问题,提出了采用改进的粒子群算法对其进行分配。由于粒子群算法存在局部收敛速度快,容易陷入局部最优解的情况,从粒子的选择、参数调整和预防过早收敛三个方面进行改进:(1)选择粒子的时候采用适应值最小的粒子,并根据约束函数淘汰不合格的粒子;(2)对惯性因子、个体最优因子和全局最优因子进行改进;(3)通过设定系数来防止算法过早收敛。仿真说明,将改进后的算法运用在云计算方面,在云计算的资源失效、云端用户完成时间和云计算环境下的能量消耗三个方面都优于粒子群算法。     

基于蝙蝠算法的改进杂草算法研究

提出了一种新型的混合算法并命名为混合杂草蝙蝠算法(Hybridize Invasive Weed Optimization with Bat Algorithm,IWOBA),该算法在杂草算法的基础上利用蝙蝠算法的回声定位来解决每代种子逐步寻优的问题。其原理是利用种群速度和位置的不断更新,增加种群的多样性,从而达到提高种群的全局收敛性。最后利用6个测试函数对该算法和标准杂草算法进行测试比较。仿真结果表明,IWOBA能够有效克服原算法早熟、易陷入局部最优的缺点,可加快算法收敛速度,具有良好的鲁棒性。     

基于改进蚁群算法的云计算资源分配策略研究

在实际的项目中会发现蚁群算法直接应用于云计算资源分配时经常会出现负载失衡的情况,导致资源利用率不高,同时导致任务完成时间太长,算法迭代次数过大。这种情况不仅会大大地降低云计算系统的效率,还会造成系统不稳定。因此针对蚁群算法进行了一系列改进,具体包括：引入伪随机比例规则,进行全局信息素强化,引入了交叉变异操作,将蚁群算法与遗传算法相融合。然后进行了MATLAB仿真实验,实验结果表明：改进算法的任务完成时间更短,算法迭代次数更少,负载均衡效果更好。由此可以得出结论：对蚁群算法的改进是有效的。     

云环境下一种基于能耗感知的虚拟机部署算法

云计算技术已经越来越得到人们的关注和接受。在保证用户性能的前提下,怎样有效提高服务器资源的利用率,同时又能节约能源已成为一个热门话题。针对云计算环境下虚拟机初次部署问题,提出了一种基于能耗感知的虚拟机部署算法（ PAVMAA）。该算法充分考虑用户对于不同应用的不同需求,从系统整体最优角度考虑,以能耗与利用率之间的最佳组合点为出发点,通过计算虚拟机性能需求期望与服务器空闲性能之间的欧几里得距离来匹配部署虚拟机。通过Cloudsim仿真平台上的实验,结果表明：算法实现简单,能明显降低能量消耗。     

云计算下的基于萤火虫-遗传算法的资源调度

如何能够最大限度发挥云计算中资源调度效率是目前研究的热点之一.首先建立云计算环境下的资源调度模型,将萤火虫算法中的个体与云计算节点资源进行对应,其次在算法中个体初始化中引入遗传算法优化初始解,对算法中的位置更新设定感觉阀值用来调节个体选择最优路径的概率;最后针对挥发因子的改进使得荧光素的值进行更新.仿真实验表明,该算法能够有效的提高云计算中的资源调度性能,缩短了任务完成的时间,提高系统整体处理能力.     

云计算中基于改进的布谷鸟算法的资源调度

云计算的资源调度一直以来都是研究的重点,引入布谷鸟算法来解决资源分配问题,首先描述云计算资源模型,其次针对该算法存在局部收敛速度快,容易造成局部最优值的问题,采用三个方面来改进,其一采用变长因子进行调整,减小探索求解质量之间的差别;其二使用差分变异策略更新鸟窝位置;其三使用基于Coelho的混沌全局搜素和局部搜索避免了Levy的随意扰动.通过测试函数说明表明本文算法的性能优于基本布谷鸟算法, Cloudsim仿真平台说明本文的算法在消耗时间,成本和用户满意度方面具有明显的优势.     

基于非完全信息博弈的云资源分配模型

针对云环境下相互竞争的多租赁市场运营模式,以提高资源供求双方利益及资源能效为目标,提出了一种基于非完全信息博弈的云资源分配模型.首先利用隐Markov理论根据服务提供商(service provider, SP)的历史资源需求情况预测其当前出价,以预测值为基础构建动态博弈定价模型,激励服务提供商选择符合整体利益的最优购买出价策略,从而实现利益最大化;然后设计了支持多服务提供商、多种资源同时分配,以分类资源单位价格进行分配的资源分配模型,保证了基础设施提供商(infrastructure provider, INP)的收益最优.仿真实验表明：在博弈定价模型中,预测价格与实际交易价格相近且交易价格低于实际估值,能够保障服务提供商的利益;基于不同种类资源单价的分配模型能够增加基础设施提供商的收益.     

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.     

基于Q学习和双向ACO算法的云计算任务资源分配模型设计

云计算异构环境中由于计算和存储资源物理分布的不一致性,往往容易导致在应用传统的调度算法进行任务资源分配时存在调度效率低和负载不均衡的问题,为此,设计了一种基于Q学习和双向ACO算法的云计算任务资源分配模型;首先,引入了基于主从结构的调度模型,并综合考虑任务计算完成时间、网络带宽和延迟等因素设计了资源分配目标函数,然后,设计了基于Q学习的云计算资源初始分配方法,将其获得的最优策略对应的Q值初始化网络中节点的Q值,最后,设计一种结合前向蚂蚁和后向蚂蚁的双向ACO算法实现任务资源的最终分配,并对算法进行了定义和描述;在CloudSim环境下进行仿真实验,结果证明文中方法能有效实现云计算异构环境下的任务资源分配,且与其它方法相比,负载均衡离差值平均约为0.071 5,是一种适用于云计算异构环境的有效资源分配方法。     

基于动态性有效资源分配的云计算效益学习模型研究

为了将有限的资源合理地分配给用户,并尽可能地提高云系统的资源和能量利用效率,提出了一种改进的面向动态性有效资源分配的云计算效益学习模型算法,在动态性有效资源分配上提出了服务质量准则框架(QSSF)来得出云服务的计费管理机制;采用资源竞拍策略和动态双向博弈策略更好地权衡用户和云计算提供商之间的利益关系,并将资源分配给资源需求量大的用户;在云系统的运算和存储任务的资源和能量分配上,采用了基于云计算的效益学习模型,通过权衡任务对资源和能量的需求量来实现系统效益的最优化;实验仿真结果表明,该算法能够更加合理地为系统的运算和存储任务分配资源和能量,在资源和能量的利用率上优于其他对比算法.     

一种云计算资源优化分配的方法探究

文章针对云计算的特征提出了云银行模型,在模型中以多维的帕累托最优理论为依据进行资源调度,对其进行了最优化分析,目的在于提高客户的满意度,提高资源的利用率。通过对比实验,证明了该文提出的方法是有效的。     

一种基于服务选取的SBS云资源优化分配方法

获取满足全局优化目标的资源分配策略,是影响云环境中基于服务的软件系统(service-based software system,简称SBS)运行时优化效果的关键.然而,由于SBS内部复杂的业务逻辑关系和云环境中的资源约束,现有分配方法无法得到最优资源分配量.以满足SLA约束和最小化资源成本为目标,根据不同资源状态对应不同组件服务性能的特点,将组件服务可能的资源分配量、相应性能及成本转换为备选逻辑服务集,进而提出了一种云环境中基于服务选取的SBS资源优化分配模型,并设计了一种求解模型的混合遗传算法.算法采用整数编码以提高求解效率,并在选择算子中引入了精英保留策略,从而保证收敛到全局最优解.为提高遗传算法的局部搜索能力、加快收敛速度,以局部搜索策略改进了标准变异算子.实验验证了所提出的资源优化分配模型和求解算法的有效性,并表明:与分支定界法及精英保留策略遗传算法相比,混合遗传算法能够在较大规模的问题上快速获得具有较低资源成本的资源分配策略.     

云计算中高能效的虚拟资源分配策略

社会对云计算需求的不断扩大需要构建规模巨大的数据中心,如何高能效地运行数据中心是一个急待解决的问题。传统的虚拟资源分配策略没有充分地考虑如何有效地降低数据中心的能耗和策略生成的时间复杂度,提出了一种高能效的虚拟资源分配策略（EEVRAS）,通过将云计算中的虚拟资源分配问题模型化为一个路径构建的问题,同时改进精华策略的蚂蚁系统（EAS）来进行资源分配方案的优化。策略生成的时间复杂度较低。仿真结果表明相对传统的虚拟资源分配策略,在服务器性能指标约束下,EEVRAS策略能够使用较少的服务器构建虚拟集群,从而有效地降低数据中心的能耗。