Flow-shop调度问题的自适应模拟退火算法

为求得一个强NP-难问题——flow-shop调度问题的最优解或近优解, 提出一种自适应模拟退火算法. 本算法采用一种基于区段特性的特殊邻域结构、简便的目标函数计算方法和自适应退火策略. 通过Flow-shop调度问题的基准测试问题的实验, 数值结果证实了该方法的有效性.     

应用遗传模拟退火算法实现资源受限项目调度

针对以最小化项目工期为目标的资源受限项目调度问题（RCPSP）,提出将模拟退火算法融合到遗传算法中,以改善遗传算法局部搜索性能,增强进化能力的遗传模拟退火算法——RCPSPGSA。在每次进化迭代过程中,下一代种群的个体需经过模拟退火算法改进,并通过在每次迭代结束前进行降温操作保证遗传算法和模拟退火算法具有相同的收敛方向和速度。算法在RCPSP标准测试问题库PSPLIB上进行数值仿真实验,并采用正交实验分析法解决参数选择问题。实验结果证明选择的参数组合具有突出的性能,RCPSPGSA是求解RCPSP的有效算法。     

F1ow—shop调度问题的自适应模拟退火算法

为求得一个强NP-难问题——flow-shop调度问题的最优解或近优解，提出一种自适应模拟退火算法．本算法采用一种基于区段特性的特殊邻域结构、简便的目标函数计算方法和自适应退火策略．通过Flow-shop调度问题的基准测试问题的实验，数值结果证实了该方法的有效性．     

自适应模拟退火遗传算法的改进与应用

提出了一种改进的自适应模拟退火遗传算法,该算法将遗传算法和模拟退火相结合,利用模拟退火算法较强的局部搜索能力,解决了基本遗传算法收敛速度慢的缺点,提高了全局寻优能力.实验结果证实了该混合算法的有效性和高效性.     

遗传模拟退火算法在云调度中的应用研究

云计算已经成为一种很时尚的趋势,并已成为一种商业模式的体现,在云计算中,计算资源的调度是云计算的一个重要组成部分,调度策略的好坏直接影响整个云计算的性能。本文在研究云计算中调度策略的基础上,尝试把遗传算法和模拟退火算法混合应用到云计算的调度中来,以取得更高的性能。     

DAG任务图的一种调度算法

并行程序的调度技术是开发并行计算机系统的计算潜能的关键问题。本文讨论了4种典型的调度算法的缺陷，提出了一种新的调度算法CPFMBF，它采用的策略是：优先调度关键路径节点，其次调度b-level值大的节点，再次调度节点的关键路径影响度大的节点。对照分析及在几种具代表性的工程应用任务图上的实验结果证明CPFMBF算法的调度性能普遍好于其它算法。     

高效的自适应小生境遗传-模拟退火混合算法

为克服遗传算法易陷入局部极值这一缺陷,提出一种融合小生境、自适应和模拟退火技术的混合算法。共享机制小生境技术与基于排序的适应度分配维持种群的多样性,使算法具有一定的鲁棒性;交叉、变异概率的自适应化保护优良个体,促使劣等个体加速进化,改进的交叉和变异策略可扩展算法搜索范围;嵌入式模拟退火模块能够有效利用记录的种群进化信息,锁定搜索范围,促进个体向高适应度方向发展,进一步摆脱早熟收敛。仿真结果表明,该算法具备良好的全局搜索能力和稳健性。     

基于遗传模拟退火算法的军用仓库选址研究

战区物资供应强度大,运力有限,军用仓库选址的合理与否会直接影响到战役、战术物资供应的效率,该文运用遗传模拟退火算法研究了军用仓库选址问题,实例验证充分说明了遗传模拟退火算法在收敛速度及跳出局部极值的能力诸方面明显优于标准的遗传算法和模拟退火算法。     

自适应状态转移模拟退火算法及其应用

状态转移模拟退火算法(STASA)作为解决复杂优化问题的有效方法,其搜索效率依赖于搜索算子和参数值的选择,在一些高维复杂问题上出现效率低下的问题。提出一种自适应状态转移模拟退火算法(ASTSA),通过自适应算子和参数选择策略来提高算法的适用性和求解效率;借鉴群智能算法的均值更新方法对平移算子进行改进,增强算子的搜索特性。通过23个基准测试函数和8个工程设计问题进行实验验证并与其他算法对比,证明了ASTSA算法和改进策略的有效性。     

一种自适应的模拟退火算法

提出一种自适应ＳＡ算法,该算法根据邻域搜索进展的反馈信息,自适应确定温度变化和邻域搜索强度。对Ｆｌｏｗ ｓｈｏｐ问题的计算结果表明,该算法基本独立于初始温度的选择,具有较强的鲁棒性。     

基于EDA多任务流的调度算法研究

针对高性能计算环境下的多个电子设计自动化(EDA)任务流调度问题,提出一种启发式公平调度算法L-Fairness.在准备队列选择待调度任务时,L-Fairness算法结合任务滞后度、完成度和剩余完成时间确定任务优先级,保证多个任务流中任务的公平调度,同时将license数量及其类型作为处理器选择的依据,满足EDA多任务...     

无回路网络中最短路问题的高效算法

无回路网络是一类重要的网络,给出在无回路网络中求解最短路树形图和任意顶点对间最短路的高效算法。该算法将顶点进行重新编号,结合广度优先探索法,从源顶点出发依次搜索每个顶点的所有出弧,并在弧的头部进行权值变换操作,可以得到最短路树形图和任意顶点对间最短路,算法复杂度分别为O(m)和O(m(n-m1/2))。该算法思想简便、复杂度低、易于操作。 关键词：     

基于HEFT和CPOP的相关任务表调度算法

DAG任务调度是当前研究的热点,DAG任务模型中任务的调度顺序一方面会影响用户服务满意质量,另一方面也会影响云服务资源的利用率,高效的任务调度算法能够使多核处理器的资源分配和并行计算能力更强.表调度算法HEFT算法以及CPOP算法在相关任务调度中存在效率较低等问题.本文基于HEFT算法和CPOP算法,提出了一种相关任务调度模型和相关任务调度算法IHEFT算法,对任务排序和任务调度两个方面进行改进.任务排序阶段,以任务的方差以及平均通信代价作为排序的依据;任务调度阶段,对满足任务复制条件的结点进行任务复制.实验证明,IHEFT算法在任务调度跨度、任务调度平均等待时间以及平均Slack值方面均优于HEFT算法和CPOP算法.     

云计算环境下任务调度的趋势分析

云计算应用大规模和虚拟化的资源,通过计算机网络随时随地向用户提供基于不同需求的服务。作为影响云服务的关键因素,任务调度被许多专家学者所研究。研究了云计算中的任务调度算法的新特性,如何降低用户成本和云计算中心的能耗,以及实现效率与公平最大化和安全等目标。     

可重构混合任务调度算法

隐藏和减少配置时间是可重构任务调度的关键问题。针对同时存在相关联的软、硬件任务的可重构混合任务,提出一种可重构混合任务调度算法。通过预配置策略和优先级算法确定需要预先配置的任务及其预配置顺序,将后继任务的配置过程隐藏在前驱任务的运行时间中,并采用配置重用策略,减少相同任务的配置次数。实验仿真结果表明,同已有的算法相比,该调度算法调度效果明显,减少了可重构任务调度的整体开销。     

基于Petri网的网格数据库查询计划模型的映射转换

网格数据库中主要采用基于有向无环图（DAG）的查询计划建模方式，该方法由于不考虑子查询与节点的数据关系，因而对子查询在节点的优化调度方面支持不足。对查询计划提出了基于Petri网的形式化描述模型NSN，通过扩展子查询与节点以及子查询之间的数据关联关系的描述，对子查询的优化调度提供更大的支持；进一步给出了从DAG模型到NSN模型的转换规则和转换算法，实现了查询计划从DAG到NSN模型的转换，最后通过实验验证了NSN模型对子查询在节点中的分派调度的优越性。     

网格任务调度方法研究

网格计算中的关键问题之一是计算任务在各个资源之间的调度。提出了基于量子遗传算法（QGA）的网格任务调度算法,以减少调度时间为主要目标,增加资源利用率为次要目标。该算法采用量子比特间接编码的方式,通过有向无环图（DAG）来描述子任务间的依赖关系,根据深度值来给子任务的执行顺序进行排序。仿真结果显示,无论是任务完成时间还是资源利用率,此方法都明显优于基于遗传算法（GA）的网格调度算法。     

遗传正交试验算法及其应用

遗传算法是一种能够在较大的参数空间中搜索到问题最优解的方法,在解决非线性问题时具有全局收敛性,但收敛性能差。论文提出一种结合遗传与正交试验两种算法优点的新混合遗传算法,应用表明该算法收敛能力强、寻优能力强及能产生大量次优解,是一种值得信赖的算法。     

基于直接后继节点完成时间的异构调度算法

分布式环境下的异构计算系统（HCS）是大数据时代进行数据密集型计算不可或缺的,一个有效的任务调度算法可以提高整个异构计算系统的效率。在对异构环境下的任务调度进行有向无环图（DAG）建模的基础上,提出基于直接后继节点完成时间的异构调度算法（HSFT）。在计算开销和通信开销差异度较大的异构环境中,考虑两者之间的平衡,采用更为合理的以计算均值与标准方差的乘积和通信权值与任务节点出度的比值作为优先权值计算方法,并在考虑最快完成时间（EFT）的基础上,将直接后继节点完成时间（SFT）用于处理器分配策略。实验结果表明,HSFT在不增加算法时间复杂度的情况下,比HEFT、SDBATS、PEFT等算法有更短的调度长度（makespan）、更优的调度长度比和效率。     

基于Spark的ItemBased推荐算法性能优化

MapReduce计算场景下,复杂的大数据挖掘类算法通常需要多个MapReduce作业协作完成,但多个作业之间严重的冗余磁盘读写及重复的资源申请操作,使得算法的性能严重降低。为提高ItemBased推荐算法的计算效率,首先对MapReduce平台下ItemBased协同过滤算法存在的性能问题进行了分析;在此基础上利用Spark迭代计算及内存计算上的优势提高算法的执行效率,并实现了基于Spark平台的ItemBased推荐算法。实验结果表明：当集群节点规模分别为10与20时,算法在Spark中的运行时间分别只有MapReduce中的25.6%及30.8%,Spark平台下的算法相比MapReduce平台,执行效率整体提高3倍以上。