云计算环境下资源的节能调度

在云计算环境下,如何在有效地进行资源调度,缩短任务执行时间的同时,降低能耗,已经成为一个重要问题。对此,以任务执行时间与能耗作为优化目标,建立了一个节能调度模型,并通过采用特殊的种群初始化方法以及引入学习机制等方法对非支配排序遗传算法(NSGA-Ⅱ)进行改进,将其应用于云计算的节能调度问题。最后通过算例测试,验证了所提算法能够在减少任务执行时间的同时,有效降低能耗。     

基于GWO-NSGA-Ⅱ混合算法的露天矿低碳运输调度

为了提高露天矿卡车运输效率、减少碳排放和节约运输成本,以纯电动卡车为研究对象,以运输成本、总排队时间（包含生产过程中的卡车充电时间、运行时间及维修等待时间）、矿石品位偏差为目标函数,并以破碎场破碎量、采矿场开采量、装车数量、矿石品位误差限制、车辆充电桩选择及充电限制为约束条件,建立了露天矿低碳运输调度优化模型。针对灰狼优化算法（GWO）和非支配排序遗传算法（NSGA-Ⅱ）用于求解露天矿纯电动矿用卡车低碳运输调度模型时前者容易陷入局部最优、后者容易获得全局最优但收敛缓慢的问题,提出了一种GWO-NSGA-Ⅱ混合算法。该混合算法在GWO算法中引入NSGA-Ⅱ的选择、交叉、变异3种遗传操作,有效防止算法陷入局部最优;在NSGA-Ⅱ的精英保留策略中引入狩猎和攻击操作,提高算法全局收敛的稳定性。通过5个标准测试函数验证了该混合算法在保证收敛性的情况下提升了稳定性。实例分析表明,与NSGA-Ⅱ,GWO相比,该混合算法在寻优速度上分别提高了48.7%和27.1%,在寻优精度上分别提高了17.1%和9.3%,且减少了卡车使用数量、碳排放量、运输距离和运输费用。     

云计算调度算法综述

对当前云计算的调度算法进行了综述;介绍和分析了在云计算调度算法领域里比较有代表性的两个基本的算法——遗传算法和粒子群优化算法;最后对今后的研究方向进行总结和展望。     

基于改进NSGA2的临近空间通信网络优化设计

面向特定区域部署的临近空间通信网络需要兼顾考虑资源分配、覆盖率及载荷功率等多个因素。考虑到现有方法只采用单目标优化,以及非支配排序遗传算法（NSGA2）在求解实际问题时的缺陷等问题,提出一种基于改进NSGA2的临近空间通信网络多目标优化设计方法。分析下行链路性能,结合目标区域的需求分布,以最大化匹配度和覆盖率及最小化功耗代价为目标建立多目标优化模型。将动态反向学习机制和差分局部变异算子引入NSGA2,测试证明改进的NSGA2在解收敛性和分布性上表现更好。仿真验证了设计方法的有效性,为网络的实际部署提供了参考。     

柔性作业车间调度问题的多目标优化算法

柔性作业车间调度问题具有解集多样化与解空间复杂的特点,传统多目标优化算法求解时容易陷入局部最优且丢失解的多样性。在建立以最大完工时间、最大能耗、机器总负荷为优化目标的柔性作业车间调度模型的情况下,提出一种改进的非支配排序遗传算法（Improved Non-dominated Sorting Genetic Algorithm II, INSGA-II）求解该模型。INSGA-II算法先将随机式初始化与启发式初始化方法混合,提高种群多样性;然后对工序部分与机器部分采用针对性的交叉、变异策略,提高算法全局搜索能力;最后设计自适应的交叉、变异算子以兼顾算法的全局收敛与局部寻优能力。在mk01～mk07标准数据集上的实验结果显示INSGA-II算法有着更优的算法收敛性与解集多样性。     

基于NSGA2算法的混合流水车间多目标调度问题研究

针对混合流水车间多目标调度问题,以最大流程时间和生产中所消耗的总能量最小为目标函数,建立了混合整数数学规划模型;将具有解决复杂组合优化问题的非劣排序遗传算法2(NSGA2)应用于求解多目标混合流水车间调度问题,详细描述了NSGA2算法求解HFSP问题的步骤。利用Matlab仿真,结果表明,NSGA2算法求解多目标HFMSP问题可行性和有效性。     

基于改进多目标狼群算法的微电网调度优化

为获得微电网系统建设成本、环境成本和运行成本的多重目标优化,以构建系统独立运行模块和仿真模块为核心,设计了微电网系统的多目标调度模型。使用能量模块对微电网调度模型的建设成本、环境成本和运行成本指标进行评价,优化调度算法模块则使用基于个体密度多目标狼群算法(Multi-objective wolf colony algorithm,MOWCA)。在MOWCA算法中引入了非支配排序和个体密度多样性保持操作,有效提高了多目标优化的前沿分布多样性和收敛精度。将所提优化调度算法基于Docker容器技术,对风柴蓄光微电网系统进行调度优化模拟,验证了所提调度算法在多重目标优化上的有效性。     

云环境下基于改进NSGA II的虚拟机调度算法

在云环境中,如何将大量的虚拟机调度到物理节点上是一个基本且复杂的问题。文中首先对虚拟机的调度建立装箱问题模型,将该模型的求解转化一个多目标优化问题,目标分别为负载均衡、提高任务执行效率和降低能耗;接着对基于非支配排序的遗传算法（ Non-dominated Sorting Genetic Algorithm,NSGA II）进行改进,利用回溯法中的剪枝函数确定最优初始种群,引入正态分布密度函数限制优秀精英。仿真结果表明,基于改进NSGA II的虚拟机调度算法在任务执行时间、负载均衡和能量消耗三个方面优于其他一些常用算法。     

混合并行机调度问题的多目标优化模型及算法

针对生产工序的合并造成一种串并联共存的生产布局,研究了一种特殊的混合并行机调度问题,并考虑以最小化总流水时间和最小化总延迟工件数量为目标的多目标调度问题,建立了混合整数规划模型.针对模型特点,设计了一种改进的非支配排序遗传算法进行求解,采用基于启发式方法的初始种群生成方式以提高种群的质量和多样性,并引入一种局域搜索策略以改善求解算法所获得的非支配解的质量及分布性.通过对大量数值算例进行仿真实验,并与典型的多目标优化算法进行比较,结果表明所提出的模型和算法在收敛性、分布性及极端点质量方面均具有优势,能够较好的解决多目标混合并行机调度问题.     

云计算中虚拟资源调度的决策系统

云环境中如何为任务分配虚拟资源并将其调度到物理资源上是一个研究难点;在详细分析云环境中任务分发流程的基础上,构建了虚拟资源的调度控制模型,并提出采用分布估计算法(Estimation of distribution algorithms,EDAs)进行求解;该模型首先通过感知器感知物理资源,然后将物理资源和虚拟资源抽象为具有一定属性的节点,资源的分配过程转化为将虚拟资源映射到物理资源;同时提出了资源满足率的概念并以此为目标函数来进行优化,对比Max- min算法,静态调度算法和随机调度算法,在任务集为5～55的区间及负载量为0.5～1.5的区间,得出EDA算法的资源满足率平均至少提高了1.004倍,最高达1.793倍.     

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。     

改进NSGA-Ⅱ算法的海上搜救调度方法

针对海上搜救资源调度决策困难、干扰多、实时性差、难以实现全局最优问题,本文以黄渤海海域为例,采用改进的非支配排序遗传(NSGA-Ⅱ)算法解决海上船舶搜救资源调度问题.首先,根据AIS以及北斗数据,建立了海上搜救资源的多目标优化模型;其次,改进的NSGA-Ⅱ算法采用基于正态分布交叉(NDX)算子,在扩大搜索范围的基础上,避免陷入局部最优,得到多目标问题完整的Pareto解集;采用综合评价法(TOPSIS)从Pareto解集中求得折衷解,即最终设计的搜救调度方案;最后,在考虑船舶数量约束以及时间约束的条件下,采用改进的NSGA-Ⅱ算法分别与NSGA-Ⅱ算法和贪婪算法进行对比,并采用黄渤海海域船舶采集数据进行仿真.结果表明该算法能够有效解决海上搜救资源调度优化问题.     

基于NSGA—II算法的区域覆盖卫星星座优化

针对区域覆盖的卫星星座优化设计,将一种基于Pareto最优概念的快速非支配排序遗传算法（NSGA—II）引入区域覆盖侦察卫星星座的多目标优化设计,并利用多属性决策中的字典序法,根据目标的重要程度,在得到的Pareto解中进行选择。最后,利用STK和VisualC＋＋针对侦察卫星星座进行了仿真,仿真结果表明了算法可以找到多个Pareto解,避免了传统求解方法的权值选择问题,并且较简单遗传算法具有更好的灵活性,为解决星座多目标优化设计问题提供了新的思路。     

移动云计算中基于延时传输的多目标工作流调度

云计算和移动互联网的不断融合,促进了移动云计算的产生与发展.在移动云计算环境下,用户可将工作流的任务迁移到云端执行,这样不但能够提升移动设备的计算能力,而且可以减少电池能源消耗.但是不合理的任务迁移会引起大量的数据传输,这不仅损害工作流的服务质量,而且会增加移动设备的能耗.基于此,本文提出了基于延时传输机制的多目标工作流调度算法MOWS-DTM.该算法基于遗传算法,结合工作流的调度过程,在编码策略中考虑了工作流任务的调度位置和执行排序.由于用户在不断移动的过程中,移动设备的无线网络信号也在不断变化.当传输一定大小的数据时,网络信号越强则需要的时间越少,从而移动设备的能耗也越少.而且工作流结构中存在许多非关键任务,延长非关键任务的执行时间并不会对工作流的完工时间造成影响.因此,本文在工作流调度过程中融入了延时传输机制DTM,该机制能够同时有效地优化移动设备的能耗和工作流的完工时间.仿真结果表明,相比MOHEFT算法和RANDOM算法,MOWS-DTM算法在多目标性能上更优.     

基于支配强度的NSGA2改进算法

NSGA2是一种简单、高效且被广泛使用的多目标进化算法(Multi-objective Evolutionary Algorithm,MoEA),但在求解实际工程领域中的高维、复杂非线性多目标优化问题(Multi-objective Optimization Problems,MOP)时,存在无法有效识别伪非支配解、计算效率低、解集收敛性和分布性较差等设计缺陷。对此,文中提出一种基于支配强度的NSGA2改进算法(INSGA2-DS)。新算法采用快速支配强度排序法构造非支配集,引入了考虑方差的拥挤距离公式,并通过自适应精英保留策略动态调整精英保留规模。基于标准测试函数的仿真实验表明,INSGA2-DS算法较好地改善了NSGA2算法的收敛性和分布性。     

改进混合蛙跳算法的云计算资源调度

资源合理调度是云计算研究热点。针对混合蛙跳算法不足,提出一种改进混合蛙跳算法的云计算资源调度策略(ISFLA)。首先在局部寻优过程中引入粒子更新思想,加快收敛速度,然后在全局寻优中对最优个体进行混沌扰动,降低局部最优出现的概率,最后在Cloud Sim平台进行仿真实验。结果表明,ISFLA缩短了云计算任务的完成时间,资源的负载分配更加合理。     

云环境中基于分解的多目标工作流调度算法

云服务提供商在给用户提供海量虚拟资源的同时,也面临着一个现实的问题,即怎样调度这些资源,以最小的代价(完工时间、执行费用、资源利用率等)完成工作流的执行。针对IaaS环境下的工作流调度问题,以完工时间和执行费用作为目标,提出了一种基于分解的多目标工作流调度算法。该算法结合了基于列表的启发式算法和多目标进化算法的选择过程,采用一种分解方法,将多目标优化问题分解为一组单目标优化子问题,然后同时求解这些单目标子问题,使得调度过程更为简单有效。算法利用天马项目发布的现实世界中的工作流进行实验,结果表明,和MOHEFT算法以及NSGA-II*算法相比较,所提出的算法能得到更优的Pareto解集,同时具有更低的时间复杂度。