云计算环境下基于遗传蚁群算法的任务调度研究

对云计算中任务调度进行了研究,针对云计算的编程模型框架,提出一种融合遗传算法与蚁群算法的混合调度算法。在该求解方法中,遗传算法采用任务-资源的间接编码方式,每条染色体代表一种具体调度方案;选取任务平均完成时间作为适应度函数,再利用遗传算法生成的优化解,初始化蚁群信息素分布。既克服了蚁群算法初期信息素缺乏,导致求解速度慢的问题,又充分利用遗传算法的快速随机全局搜索能力和蚁群算法能模拟资源负载情况的优势。通过仿真实验将该算法和遗传算法进行比较,实验结果表明,该算法是一种云计算环境下有效的任务调度算法。     

基于改进蚁群算法的云计算任务调度

利用云中资源进行高效任务调度是保证云计算系统可靠运行的关键问题。提出一种基于改进蚁群优化算法的任务调度方法。算法采用蚂蚁系统的伪随机比例规则进行寻优,防止算法过快收敛到局部最优解,同时结合排序蚂蚁系统和最大最小蚂蚁系统的设计思想完成信息素更新,有效求解优化问题。实验结果显示,该算法具有很好的寻优能力,提高了云资源的利用率。     

基于蚁群算法的实训云任务调度策略研究

在研究蚁群算法的基础上针对云计算技术展开研究,对蚁群算法应用于云任务调度的可行性进行了分析,提出了云环境下基于蚁群任务调度算法的基本策略,力图实现实训云系统的高可用性和负载均衡,并希望能为后续研究工作提供一些有意义的探索和思路。     

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.     

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。     

基于改进蚁群算法的云计算任务调度模型

为解决云环境下的资源调度问题,提出一种能改善任务并行性与兼顾任务串行关系的调度模型,将用户提交的动态任务分割成具有制约关系的子任务,按运行次序放到具有不同优先级的调度队列中。针对同一调度队列中的子任务,采用基于最短任务延迟时间的改进蚁群算法(DSFACO)进行调度,在兼顾调度公平性与效率的前提下,最大化缩短任务延迟时间,从而提高用户满意度。实验结果表明,与任务调度增强蚁群算法相比,DSFACO算法在任务延迟时间、调度公平性及效率方面性能更好,能实现云计算环境下任务的最优调度。     

基于量子蚁群算法的网格任务调度研究

任务调度策略是网格计算的核心问题。在系统任务调度和资源分配中,提出一种基于量子蚁群算法的任务调度策略。算法将量子计算与蚁群算法相融合,通过对蚁群进行量子化编码并采用量子旋转门及非门操作,实现对任务自适应启发式的分配和优化。算法有效增强了种群的多样性、克服了遗传算法和蚁群算法的早熟收敛和退化现象。仿真实验中,分别与基于遗传算法和基于蚁群算法的任务调度策略相对比,结果表明算法有效缩短了任务调度的时间跨度,增强了网格系统的性能。     

改进蚁群算法在云计算任务调度中的应用

针对云计算中的任务调度问题,提出了一种任务调度的增强蚁群算法(task scheduling-enhanced ant colony optimization,TS-EACO).算法兼顾了任务调度的最短完成时间和负载平衡,同时参考了近年来蚁群算法的各种改进,创新地将任务在虚拟机上的一次分配作为蚂蚁的搜索对象.实验在CloudSim仿真平台下进行,并将仿真结果与Round Robin算法和标准蚁群算法进行比较,结果表明TS-EACO算法的任务执行时间和负载平衡性能均优于这两种算法.     

云环境下基于DO-GAPSO的任务调度算法

为了找到合理的云计算任务调度方案,仅从单一方面来优化调度策略已不能满足用户需求,但从多个方面优化调度策略又面临着权重分配问题。针对上述问题,从任务完成时间、任务完成成本、服务质量3个方面考虑,提出一种基于遗传与粒子群算法相融合的动态目标任务调度算法,在算法的适应度评价函数建模中引入线性权重动态分配策略。通过CloudSim平台进行云环境仿真实验,并将此算法与经典的双适应遗传算法(DFGA)、离散粒子群优化算法(DPSO)进行比较。实验结果表明,在相同的设置条件下,该算法在执行效率、寻优能力等方面优于其他两个算法,是一种云计算环境下有效的任务调度算法。     

基于MPSO算法的云计算资源调度策略

针对云计算服务集群资源调度和负载平衡的优化问题,提出一种基于改进的粒子群优化算法的云计算资源调度策略。将动态多群体协作和变异粒子逆向飞行思想引入到粒子群优化算法中,从而控制全局搜索和局部搜索,尽量避免陷入局部最优。在CloudSim 平台进行模拟测试,结果表明,该调度策略有效且执行效率较高。     

基于混合蚁群算法的网格任务调度

针对网格任务调度的调度时间长、资源负载不平衡等问题,提出一种基于混合蚁群算法的网格任务调度方法。该方法将禁忌搜索作为蚁群算法的局部搜索策略,以扩大解的搜索空间,避免陷入局部最优,并通过多样化机制提高算法收敛速度。利用平衡因子调节信息素的更新,改善资源的负载平衡性能。     

基于任务备份的云计算容错调度算法

云计算所提供的服务面向庞大的用户群,随着节点规模的扩大、任务执行时间的增长,云计算的故障率越来越高。为此,提出基于任务备份的云计算容错调度算法。将任务映射到含有该任务输入数据且负载最小的节点,根据云计算的安全等级将任务进行备份,并重新调度失败任务。仿真实验结果表明,该算法具有较好的容错性,任务调度成功率达到99%。     

基于烟花算法的云计算多目标任务调度

为了更好地满足云计算中用户的服务质量(Quality of Service, QoS)需求,合理利用云数据中心的资源,以任务的执行时间和虚拟机的负载均衡作为优化的目标对象,提出了一种基于烟花算法(Fireworks Algorithm, FWA)的多目标优化调度模型。烟花算法是一种启发式算法,利用爆炸算子、高斯变异和选择策略能较快地寻找到全局最优解。通过在Cloudsim上与粒子群优化算法(PSO)和遗传算法(GA)进行有效性和执行时间上的对比,结果表明烟花算法在不同实验次数下可持续得到最优适应度值,而且在种群规模不断扩大时,烟花算法的执行时间没有陡然增加,明显优于PSO算法和GA算法。     

云计算中基于遗传算法的数据布局策略

数据布局的合理性直接影响数据中心间的数据调度效率,进而提高对用户的数据采集效率。论文以数据中心之间数据调度为基础建立数学模型,利用分布式云计算技术处理用户的海量数据,并提供高性能计算资源和海量存储资源模式。在分布式云计算系统中,数据密集型计算可以有效处理数据中心之间的数据调度,通过遗传算法的全局优化能力产生最佳的近似解,并最终获得数据布局的最佳近似结果。实验结果表明,遗传算法可以有效地计算出最优数据布局的近似结果,并使数据中心之间的数据调度最小化。     

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。     

云计算环境下基于蚁群优化算法的资源调度策略

针对当前云计算环境中节点规模巨大,单个节点资源配置较低,寻找有效计算资源效率不高的缺点,文中在Google公司的Map/Reduce框架上提出了两个基于蚁群优化的资源调度策略ACO1和ACO2,并在这两个资源调度策略中引入双向蚂蚁机制。在该双向蚂蚁机制中蚂蚁通过相互交流,能够快速地发现合适的虚拟机资源,从而使得Master节点能够快速地为用户任务分配虚拟机。实验结果表明这两个利用了双向蚂蚁机制的资源调度策略显著减少了为用户任务寻找虚拟机的时间,从而使得用户任务能够更快地获得虚拟机,保证用户作业能够按时完成。