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。     

一种基于蚁群算法的网格任务调度方法

网格资源具有动态变化,广域分布及系统异构的特性,如何分配调度这些资源成为网格计算研究领域一个重要研究课题。国内外在网格任务调度研究上已经做了大量工作,但是这些算法大多是基于计算网格的,不能很好的适应服务网格环境下存在任务相关性的调度,同时在适应网格的动态性、异构性上也存在不足。针对目前网格调度机制存在的问题,提出了一种基于蚁群算法的服务网格任务动态调度方法,仿真实验结果表明该算法具有较好的性能和自适应性。     

混合蚁群算法在网格计算任务调度中的应用

网格环境下的资源分配与任务调度问题已经被证明了是一个NP难题,而传统的任务调度算法很难对大量的异构的、动态的网格任务进行有效的调度。本文提出了一种任务调度模型,并且在该模型中采用混合蚁群算法,该算法以信息素为启发,引导蚂蚁选择最优资源。蚂蚁选择资源之后不仅进行信息素的整体更新,还要求预分配网格资源时进行信息素的局部更新。模拟实验表明该算法是一种快速,有效,负载更均衡的算法。     

一种基于改进蚁群算法的网格任务调度算法

在网格计算中,任务调度是影响系统性能和服务质量的重要问题。文章在考虑截止时间和花费两项用户QoS需求的基础上,提出了一种基于蚁群算法的网格任务调度算法。该算法先采用GC（Greedy Cost-Time Distribution）算法求解,将所得解转化为蚁群算法的初始信息素分布,然后利用蚁群算法获得调度解。模拟实验结果表明：在网格环境下,该调度算法具有明显的优势。     

基于遗传算法与蚁群算法动态融合的网格任务调度

深入分析遗传算法和蚁群算法的机理,并结合网格任务调度的研究,提出基于遗传算法和蚁群算法动态融合的网格任务调度策略.该策略通过不同迭代次数中种群相似度的差值实现两种算法的动态融合.仿真实验表明该策略是可行的,并且具有高效性.     

基于Min—Min和蚁群算法的网格任务调度方法

网格任务调度是网格计算的研究热点,也是一个NP难问题。文章结合Min-Min算法和蚁群算法的优点,提出了一种基于Min—Min群算法（MMACO）的任务调度方法。仿真实验表明：在网格环境下,该算法具有较好的全局最优求解能力和较快的收敛速度。     

网格环境中一种改进的蚁群任务调度算法*

针对在蚁群算法中初始参数设置对算法收敛性能的影响较大,提出了一种新的改进蚁群算法NACA(new ant colony algorithm),针对蚁群算法中的四个关键参数随机编码,得到初始的染色体,从而获得一组较优解;再利用遗传算法的优点对上一步的结果单点顺序交叉、对换变异、选择操作以产生更好的解;然后以这组数据为蚁群算法下一次的工作备选值,并进行最大次数的循环迭代直至停止,即求得参数组合的近似最优解。将它应用于网格系统任务调度中,系统的性能得到了明显的改善。仿真模拟结果表明,所提出的算法具有更短的调度长度和更宽的适应性,当任务已知时,执行时间约缩短了21.7%,且负载变化时对网格中各处理器资源的影响大大减小。     

融合遗传算法和蚁群算法动态网格任务调度算法研究

网格计算是当今计算机科学领域最新兴起的一项有很高学术价值和应用价值的研究课题。未来互联网的发展方向是将网络中众多闲置的计算资源、存储资源以及科学仪器等可用资源充分合理的加以利用。如何高效地使用网格资源,即网格调度问题也随之成为研究的重点,虽然在传统的分布式并行计算中有很多成熟的任务调度算法,但由于网格的新特性,使得必须研究新的算法来解决一些新出现的问题,如调度问题的NP安全性,调度算法的高效性,资源的异构性以及资源分配决策的并行性和分布性等。     

一种基于遗传—蚁群算法的网格任务调度策略*

针对遗传调度算法局部求解能力不足、容易早熟和退化的问题,以及蚁群调度算法初始搜索阶段效率低下的缺陷,充分应用遗传算法全局搜索能力较好和蚁群算法求解精度较高的优势,提出了一种基于遗传-蚁群算法的网格任务调度策略.该方法集成了遗传算法和蚁群算法的双重优点.仿真测试结果表明,提出的网格任务调度方法总体上优于遗传算法和蚁群算法...     

基于禁忌算法的双层结构网格任务调度研究

合理的任务调度算法可以在很大程度上提高网格系统的利用率。针对网格环境异构、分布等特点,提出了基于禁忌搜索算法（TS）的双层结构网格任务调度算法,仿真实验表明,该方法具有良好的解质量和搜索能力,对异构系统中的任务调度具有较好的处理结果。     

改进蚁群算法的Storm任务调度优化

Apache Storm 默认任务调度机制是采用Round-Robin（轮询）的方法对各个节点平均分配任务,由于默认调度无法获取集群整体的运行状态,导致节点间资源分配不合理。针对该问题,利用蚁群算法在NP-hard问题上的优势结合Storm本身拓扑特点,提出了改进蚁群算法在Storm任务调度中的优化方案。通过大量实验找到了启发因子α与β的最佳取值,并测得改进后蚁群算法在Storm任务调度中的最佳迭代次数;引入Sigmoid函数改进了挥发因子ρ,使其可以随着程序运行自适应调节。从而降低了各个节点CPU的负载,同时提高了各节点之间负载均衡,加快了任务调度效率。实验结果表明改进后的蚁群算法和Storm默认的轮询调度算法在平均CPU负载上降低了26%,同时CPU使用标准差降低了3.5%,在算法效率上比Storm默认的轮询调度算法提高了21.6%。     

基于禁忌搜索算法的网格任务调度

合理的任务调度算法可以在很大程度上提高网格系统的有效利用率。在网格环境中,用户希望自己的任务尽可能快地得到完成,而网格环境则希望尽可能充分地利用所有节点。针对这种情况,该文提出了基于禁忌搜索算法的网格任务调度,具有较小的时间复杂度和良好的调度性能。实验证明了其正确性和实用性。     

求解Job Shop调度问题的混合蚁群算法研究

为了解决单一算法求解Job Shop调度问题存在的不足，该文提出了一种混合算法，将蚁群算法用于全局搜索。针对蚁群算法易于陷入局部最优的情况，提出了一种基于关键工序的邻域搜索方法，将使用此邻域搜索方法的TS算法作为局部搜索策略。利用TS算法较强的局部搜索能力，提高了蚁群算法的优化能力，达到改善Job Shop调度问题解的质量。实验结果表明，混合算法在较短的时间内，找到了FT10、LA24、LA36等典型benchmarks问题的最优解，得到的makespan的平均值较并行遗传算法(PGA)和TSAB算法均有所提高。     

基于蚂蚁算法的网格任务分配算法研究

任务分配是网格计算环境中影响系统性能的重要因素,由于网格环境中各种资源分布于不同的地理位置,其性能也千差万别,因此需要一种有效的策略来进行任务的分配,使得整个系统完成任务的代价最小。文中将蚂蚁算法应用于解决网格环境中的任务分配问题,并进行了仿真实验,取得了良好的效果。     

基于多种群蚁群算法的大规模定制供应链调度

针对大规模定制供应链调度具有分布式和计算规模大的特点,引入多种群蚁群算法,设计分布式调度优化的模型,将多个进行寻优的蚁群分散到供应链的不同计算节点上。蚁群间既独立也协作、可发挥并行高效的特点,能满足大规模定制供应链调度的要求。根据多订单特点,利用供应链上分布的计算资源,对调度规模大而且复杂的供应商选择及企业间合作时序进行寻优,确定优化调度方案。实验证明,该算法具有较好的有效性、稳定性和订单适应能力。     

基于蚂蚁算法的网格任务调度研究

在多目标的任务条件下,网格任务调度不仅要完成多目标的优化工作,还要提升蚂蚁算法的资源利用率。基于蚂蚁算法的网格任务调度,属于集群计算机处理系统,其中每个数据库分布节点都有着较高的独立性。本文主要对基于蚂蚁算法的网格任务调度进行研究,通过分析蚂蚁算法的改进策略,得出蚂蚁算法的网格任务调度的有效性与仿真结果。     

基于改进蚁群算法的火源定位策略研究

为了达到多机器人系统能够模仿蚁群寻找食物源的行为来定位搜索火源目标,对基本蚁群算法和禁忌搜索算法进行融合和修正,形成一种新的目标搜索策略。修正的蚁群算法包括：全局随机搜索、局部遍历搜索和信息素更新三个部分。在搜索过程中,通过设定信息素的有效作用范围来实现对多个火源目标的定位。仿真结果表明,局部遍历搜索能够保证机器人逐步靠近火源目标,而融合了禁忌搜索的蚁群算法在搜索效率上大大提高。     

基于改进蚁群算法的多机器人任务分配方法

研究了动态环境下多机器人对多目标点的探测;针对通常采用的是单物品拍卖的方法进行任务分配但是无法得到全局最优解的缺点,提出了用组合拍卖的方法来解决多机器人的任务分配问题;由于组合拍卖(WDP)本身是一个NP-hard的问题,所以文中通过对蚁群算法进行改进,成功地解决了此类任务分配问题;实验表明,该算法有效地缓解了容易出现的早熟停滞现象,达到较好的最优解,收敛速度快且求解质量稳定,满足了多机器人动态任务分配的要求。