云计算环境下融合遗传算法和蚁群算法QoS约束任务调度

针对已有云计算任务调度算法为实现最短时间跨度而不能兼顾负载均衡和服务质量的问题,提出基于遗传算法和蚁群算法融合的QoS约束任务调度策略CAAC。CAAC利用任务的预测完成时间和成本耗费定义适应度函数;通过遗传算子全局搜索最优解,融合蚁群算子提高解的精确度;当任务数量大于50时,该算法收敛速度和资源利用率比蚁群算法平均提高4.7'和30.8'。仿真结果表明,该算法在保证服务质量和资源负载均衡方面具有优越性。     

基于逻辑回归模型的木片和树皮的图像识别

为了提高木片生物能的利用率,需要除去木片中的树皮杂质。识别木片和树皮的图像对于实现二者分离具有重要作用。提出一种基于逻辑回归模型来对木片和树皮进行图像识别的算法。算法流程包括计算各种可以描述木片和树皮纹理的参数,利用SAS统计分析出最佳参数,将最佳参数计算所得的样本数据用于SAS LOGISTIC过程得到预测方程,再将预测方程用于逻辑回归模型来实现木片和树皮的图像识别。通过实验可知,最佳参数为灰度方差,该图像识别算法的正确率能达到97.4%。     

基于MapReduce的动态自适应蚁群算法设计与实现

针对基本蚁群算法( ACO)在处理中等规模旅行商问题( TSP)上消耗时间过长的问题,提出一种基于MapReduce的动态自适应蚁群算法( MDACO)。该算法在信息素更新策略方面动态地调整信息素挥发系数,使蚁群能够自适应地寻找较优的路径结果,而且采用MapReduce计算模型将蚁群算法中循环迭代部分并行化,最终将其部署在Hadoop云计算平台上运行。当TSP节点数为150及以上时,该算法比基本蚁群算法的运行时间平均减少43.2%,路径寻优结果也得到进一步改善。仿真结果表明,该算法在保证问题求解质量以及提高求解速度方面具有优越性。     

Linux下技能性测试和评判系统的设计与实现

随着计算机网络技术的飞速发展,网上考试和评判系统已大量应用于各类考试环节中,但是对Linux系统下的技能性测试和评判系统的研究较少。本系统就是在RedHat Enterprise Linux5环境下,运用Apache+MySQL+PHP,并结合Shell Script技术设计实现了一个基于B/S架构的网上考试及评判系统,并应用到了《网络操作系统》课程的考试环节中,实现了自动抽题、自动阅卷和自动存储功能,具有较高的使用价值和应用前景。     

基于差分进化融合蚁群算法的数据中心流量调度机制

针对数据中心网络的传统流量调度方法容易引起网络拥塞及链路负载不均衡等问题,提出了一种差分进化（DE）融合蚁群（ACO）算法（DE-ACO）的动态流量调度机制,对数据中心网络中的大象流调度进行优化。首先,利用软件定义网络（SDN）技术捕获实时网络状态信息并设定流量调度的优化目标;然后,通过优化目标重定义DE算法,计算出多条可用候选路径,作为ACO算法的初始化全局信息素;最后,结合全局网络状态以求得全局最优路径,并重新路由拥堵链路上的大象流。实验结果表明,以在随机通信模式下为例,与等价多路径路由（ECMP）算法和基于蚁群算法的SDN数据中心网络流量调度（ACO-SDN）算法相比,所提算法的平均对分带宽分别提高了29.42%~36.26%和5%~11.51%,降低了网络的最大链路利用率（MLU）,较好地实现了网络负载均衡。     

基于蚁群算法的SDN数据中心网络大象流调度研究

针对传统方法调度大象流时容易造成数据中心网络拥塞和负载不均衡等问题,提出一种基于蚁群算法的SDN（software defined network）数据中心网络流量调度算法ACO-SDN。对大象流调度问题建立整型线性规划ILP（integral linear programing）模型,优化目标为最小化最大链路利用率。通过重定义蚁群算法的参数和操作求解ILP模型,得到大象流重路由的最优路径。实验结果表明,与ECMP（equal-cost multi-path routing）和GFF（global first fit）流量调度算法相比,ACO-SDN算法降低了网络最大链路利用率,有效地提高了网络对分带宽。     

基于多层虚拟拓扑节能的SDN数据中心网络流量调度算法

针对“富连接”数据中心网络在低负载时能源利用率较低的问题,提出一种节能的多层虚拟拓扑流量调度算法(EMV-SDN)。建立节能流量调度问题的整形线性规划(Integral Linear Programing,ILP)优化数学模型,使得在承载所有网络负载的前提下,网络能源消耗最小。提出节能的多层虚拟拓扑流量调度算法来求解数学优化模型,得到数据流的节能调度方案。通过休眠高层的虚拟拓扑和交换机端口实现节能,降低网络能源消耗。实验结果表明,在网络能耗和数据流平均完成时间等方面,EMV-SDN算法均优于ECMP(Equal-Cost Multi-Path Routing)以及Dijkstra最短路径算法。     

多序列星比对算法的改进及其在Spark中的并行化研究

多序列星比对算法在确定中心序列时需要计算任意两个输入序列的距离及分数,其较高的时间复杂度 耗费了大量时间,因此提出了通过综合计算每个序列产生的k-mers及各个k-mer在各序列中出现的次数来确定k-mers的拼接选择,由k-mers进行拼接从而 得到中心序列。进而,在双序列比对过程中采用搜索两个序列最大相似子串的思想,改进的星比对算法的精度在一定程度上得到了明显提升。接着, 将改进的星比对算法在Spark中进行并行化设计与实现。采用Spark的Yarn-Client运行模式,对正常人线粒体的多组数据进行实验,分析了算法性能上的不足及改进方向。