云计算任务调度算法的改进

云环境下的工作流,进行合理的任务调度,可以克服地理限制,节省资源,从而提高用户的满意度。本文提出改进算法:快速非支配排序贝叶斯算法NSGAboa,该算法是快速非支配排序算法NSGAII和贝叶斯算法BOA的结合,根据种群中个体间的分布收敛程度来改变产生个体的方法,利用了种群个体信息和全局信息。实验证明该算法使得最优解的分布更加均匀,加快了个体产生的速度,缩短了种群的收敛速度。     

云计算环境下任务调度算法的研究

在云计算环境中存在庞大的任务数,为了能更加高效地完成任务请求,如何进行有效地任务调度是云计算环境下实现按需分配资源的关键。针对调度问题提出了一种基于蚁群优化的任务调度算法,该算法能适应云计算环境下的动态特性,且集成了蚁群算法在处理NP-Hard问题时的优点。该算法旨在减少任务调度完成时间。通过在CloudSim平台进行仿真实验,实验结果表明,改进后的算法能减少任务平均完成时间、并能在云计算环境下有效提高调度效率。     

云计算环境中任务调度策略

在满足用户QoS的前提条件下,对海量任务进行高效调度并对云资源进行合理分配是云计算领域的一个研究热点。文章论述云计算环境下任务调度的概念、特点和目标,归纳了云计算任务调度的研究现状,并对传统任务调度算法、Hadoop中的任务调度算法、智能化的任务调度算法的实现机制和性能指标等进行了分析与比较。分析结果表明智能化任务调度算法性能优良且适应性强,是今后的研究重点。     

基于改进人工免疫算法的云计算任务调度

为了提高云计算任务调度效率,提出一种改进人工免疫算法的云计算任务调度方法。首先建立云计算任务调度的数学模型,并以任务总时间最短作为目标函数,然后采用人工免疫算法进行求解,并将粒子群优化算法作为算子嵌入人工免疫算法中,保持种群的多样性,防止局部最优解的出现,最后采用仿真实验对算法的性能进行测试。结果表明,相对于其它算法,改进人工免疫算法减少了任务的完成时间,提高了用户满意度。     

基于蚁群算法的云计算自适应任务调度研究

为了解决蚁群算法在解决云计算中大规模任务调度问题时收敛速度较慢且易陷入局部最优解的缺陷,设计了一种基于蚁群算法的云计算自适应任务调度算法,该算法在多态蚁群算法的基础上加入了信息素自适应更新调整机制,用来提高算法的收敛速度,有效地避免的局部最优解的出现。实验数据表明,在解决大规模任务调度问题时本文算法性能更好。     

移动云计算多目标任务调度进化算法

研究了移动云环境中任务调度的多目标优化问题,提出一种多目标任务调度进化算法MTSEA.建立了截止时间、预算及能量约束下的任务调度多目标优化模型,模型引入执行跨度、执行代价及执行能耗三目标最优化;设计了一种进化算法对冲突三目标最优化进行求解,算法重点在种群初始化操作中引入了效率最高、代价最小以及能效最高的三个种群个体,以此代替随机个体生成;并利用交叉和变异操作对个体进化迭代,最终通过非占优排序形式得到满足帕累托最优的调度解集.通过仿真实验与两种多目标调度算法进行了性能对比.结果表明,MTSEA算法调度解的收敛性及解空间距离和分布上是更优的.     

云计算环境下能量感知的任务调度算法

云计算环境下传统独立任务调度算法容易导致较高资源能耗或较大任务时间跨度.针对该问题,文中提出了两种能量感知的任务调度算法,并利用遗传算法并行化搜索合理调度方案.两种算法在搜索过程中,分别通过能耗时间归一和能耗时间双适应度方法定义适应度函数并进行个体选择.仿真结果表明,与单独考虑时间或能耗相比,这两种算法能够更有效地缩短任务执行时间跨度,降低资源能耗.     

基于混合算法的云计算任务调度方法研究

目前针对任务调度方法的研究中,为了降低研究难度,通常只针对某一个考量任务调度方法好坏的尺度进行研究,经常会出现优化后的方法以较高的计算成本为代价换来较短的任务完成时间,有时是得不偿失的。因此该文将任务完成时间和计算成本均作为优化的目标,对任务调度方法进行研究,平衡任务完成时间和计算成本,提高云计算的效率。该文使用遗传优化算法对上述提出的任务调度问题进行求解,并将模拟退火算法、自适应机理相结合,建立更加适合云计算任务调度求解的混合优化算法。最后,通过实验分析,以仅对任务完成时间优化和仅对计算成本优化的算法进行比较,该文研究的混合算法的云计算任务调度方法能够有效平衡任务完成时间和计算成本,有效提高云计算的效率,降低其计算成本。     

基于改进乌鸦搜索算法的云计算任务调度研究

提出了一种以云任务的完成时间和成本为优化目标的改进乌鸦搜索算法(IMCSA)的任务调度方法.首先采用反向学习初始化种群,在选择被跟踪乌鸦时根据记忆的适应度值择优选取,避免了盲目性;其次在位置更新过程中,将乌鸦的位置与其反向学习得到的位置进行交叉,择优选取,能够有效提高收敛速度.最后通过CloudSim平台与粒子群算法、遗传算法、Min_Min算法和CSA进行对比,结果表明IMCSA在不同实验下,在任务完成时间和成本取得的效果均优于对比算法.     

一种云计算环境下任务调度策略

文章提出的问题是在云计算环境下任务调度策略。该策略的目标是将任务分配到计算单元上达到任务完成总时间最少和资源充分利用。基于此目标文章提出利用遗传算法对任务完成时间进行优化,并为处于空闲状态计算单元动态调整任务分配以改善资源利用率。利用CloudSim仿真平台验证该方法的有效性。     

云计算环境下调度算法的趋势分析

云资源管理是云计算成败的关键,而调度作为云资源管理的重要手段,直接影响到云计算的效果.但是,云计算的异构性与动态性,导致云计算环境下的调度研究复杂和困难.因此,在传统并行分布调度工作的基础上,文中采用五要素刻画调度问题的本质,并且给出每个要素的具体表现形式.通过分析云调度的现有研究成果,结合云计算存在的困难和挑战,指出云计算中调度算法的发展趋势,为将来的云调度研究指明方向和思路.     

Efficient Task Scheduling for Many Task Computing with Resource Attribute Selection

Many Task Computing（MTC）is a new class of computing paradigm in which the aggregate number of tasks,quantity of computing,and volumes of data may be extremely large.With the advent of Cloud computing and big data era,scheduling and executing large-scale computing tasks efficiently and allocating resources to tasks reasonably are becoming a quite challenging problem.To improve both task execution and resource utilization efficiency,we present a task scheduling algorithm with resource attribute selection,which can select the optimal node to execute a task according to its resource requirements and the fitness between the resource node and the task.Experiment results show that there is significant improvement in execution throughput and resource utilization compared with the other three algorithms and four scheduling frameworks.In the scheduling algorithm comparison,the throughput is 77%higher than Min-Min algorithm and the resource utilization can reach 91%.In the scheduling framework comparison,the throughput（with work-stealing）is at least 30%higher than the other frameworks and the resource utilization reaches 94%.The scheduling algorithm can make a good model for practical MTC applications.     

能量受限无线云的动态调度和动态定价算法

该文在无线云条件下提出一种能量受限的联合动态调度和动态定价算法。构造了包括能量限制和流量限制的李雅普诺夫函数,把多个约束条件下的长期利润优化问题转化为最小化李雅普诺夫偏移和罚函数加权,保证了电力公司对云服务运营商的有限能量要求以及云用户对业务流量的要求,并且使云服务运营商的长期利润得到优化。     

云计算中基于能耗比例模型的虚拟机调度算法

针对资源虚拟化环境中的混合型负载调度问题,提出一种基于能耗比例模型的虚拟机调度算法.该算法利用处理器的"性能计数器"机制来评估各个虚拟机的近期能耗状态,并采用"最近最小能耗比例优先"的策略进行调度.理论分析给出了该算法的有效性证明和相关特性.实验结果显示,当系统面对混合型负载时,基于能耗比例模型的调度算法在"调度偏差"和"相对能效"两方面明显优于现有的虚拟机调度算法.     

基于改进蚁群算法的自适应云资源调度模型研究

对于传统蚁群算法用于云计算资源分配和调度问题过程中存在的不足,提出了一种可以提高负载均衡度、缩短任务执行时间、降低任务执行成本的改进自适应蚁群算法,改进算法以能够基于用户提交的任务求解出执行时间较短、费用较低,负载率均衡的分配方案为目标,通过CloudSim平台对传统蚁群算法、最新的AC-SFL算法、改进自适应蚁群算法进行仿真实验对比。实验数据表明,改进后的自适应蚁群算法能够快速找出最优的云计算资源调度问题的解决方案,缩短了任务完成时间,降低了执行费用,保持了整个云系统中心的负载均衡。     

双向收敛蚁群算法在云计算资源调度中的QoS应用

云计算环境下,用户数量和处理的任务数量庞大,对任务完成时间和满足客户的QoS需求上具有较高要求。针对云计算中资源调度问题进行了研究,在综合考虑运行时间和满足客户QoS需求的情况下,建立了云计算资源调度适应度函数模型,并在最大最小蚁群算法的基础上引进了双向收敛策略。通过在CloudSim平台模拟实验,表明该算法在云计算资源分配上具有较快的收敛速度和较好的QoS服务能力,是一种有效的资源调度算法。     

截止期限约束的实例密集型云服务流调度算法

针对商业云计算中存在大量实例密集型服务流的问题,提出一种新的云环境下两阶段服务流调度算法。该算法先将用户自定义的全局截止期限分配到系统中的每个实例,再将每个实例的截止期限分配到实例中的每个任务中,最后在服务流执行阶段,动态调整后续任务的截止期限,解决了任务可能存在的未能在其截止期限内完成的时间异常问题。CloudSim仿真结果表明,与现有的算法相比,该算法能满足用户定义的截止期限,节约了执行成本,并减少了资源的竞争率,提高了调度的成功率。