基于粒子群遗传算法的云计算任务调度研究

对云计算任务调度进行了研究,针对用户满意度和云提供商利益需求,提出一种融合粒子群和遗传算法的PSOGA改进算法。根据云环境特点对虚拟机资源进行分类,同时引入任务-资源满意度距离、资源综合性能概念;对粒子群初始粒子操作进行优化,来提高粒子质量;为克服粒子易陷入局部最优解问题,加入遗传算法（GA）的交叉、变异操作,扩展粒子的搜索空间。仿真结果表明,该调度策略提高了用户满意度的同时减少了任务的完成时间,是云平台下一种有效的任务调度策略。     

基于混合粒子群算法的云计算任务调度研究

任务调度是云计算系统可靠运行的关键,云计算环境中要处理的任务量巨大,考虑到云计算任务调度和QoS的优化问题,提出一种混合粒子群优化算法用于云任务调度。算法中引入遗传算法的交叉和变异思想,并结合随迭代次数变化的变异指数,保证种群进化初期具有较高的全局搜索能力,避免出现"早熟",同时将爬山算法引入粒子群算法,改善局部搜索能力。实验结果显示该算法具有很好的寻优能力,是一种有效的云计算任务调度算法。     

基于改进粒子群算法的云计算任务调度算法

如何对任务进行高效合理的调度是云计算需要解决的关键问题之一,针对云计算的编程模型框架,在传统粒子群优化算法（PSO）的基础上,提出了一种具有双适应度的粒子群算法（DFPSO）。通过该算法不但能找到任务总完成时间较短的调度结果,而且此调度结果的任务平均完成时间也较短。仿真分析结果表明,在相同的条件设置下,该算法优于传统的粒子群优化算法,当任务数量增多时,其综合调度性能优点明显。     

基于云计算和改进离散粒子群的任务调度研究

针对云计算处理节点的任务调度问题,提出了一种基于改进离散粒子群算法的云计算任务调度方法;首先,定义了云计算任务调度数学模型,在此基础上对离散粒子群算法进行改进,采用自然数编码来表示任务调度方案对应的粒子位置,提出了一种自适应的惯性权重因子调整方法,并给出了子种群和主种群进行协同寻优的粒子群任务调度算法;仿真实验表明:文中方法获得最优解的次数远大于其他方法,在迭代次数为22次时就获得全局最优解192.34,同时具有良好的收敛特性。     

基于MGA-PSO的云计算多目标任务调度

为了提高云计算任务调度的效率,将微生物遗传算法(MGA)和改进的粒子群算法(PSO)融合成MGA-PSO算法用于云计算任务调度.综合任务完工时间、任务执行成本及虚拟机负载均衡三个目标构造适应度函数,以此寻找任务调度的最优解;对粒子群算法进行改进,使用动态惯性权重策略以提高算法的自适应搜索能力;在任务调度前期使用MGA算...     

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。     

基于动态调整的多目标粒子群优化算法

为了改善多目标粒子群优化算法生成的最终Pareto前端的多样性和收敛性,提出了一种针对多目标粒子群算法进化状态的检测机制.通过对外部Pareto解集的更新情况进行检测,进而评估算法的进化状态,获取反馈信息来动态调整进化策略,使得算法在进化过程中兼顾近似Pareto前端的多样性和收敛性.最后,在ZDT系列测试函数中,将本文算法与其他4种对等算法比较,证明了本文算法生成的最终Pareto前端在多样性和收敛性上均有显著的优势.     

云计算环境下基于粒子群算法的多目标优化

为了优化资源的部署调度,需要考虑处理费用、传输费用,并提高云计算的性能.对云计算环境下特点进行了研究,把云计算环境下的数据部署和任务调度问题映射为处理交互图,对处理交互图进行分析、提出了多目标优化模型,并通过粒子群算法对多目标模型进行优化.仿真结果表明,该多目标优化模型和算法不但能优化处理时间、传输时间,也能优化处理费用和传输费用.     

基于粒子群优化与蚁群优化的云计算任务调度算法

在云计算环境中用户数量众多,系统要处理的任务量十分巨大,为了使系统能够高效地完成服务请求,如何对任务进行调度成为云计算研究的重点。提出一种基于粒子群优化和蚁群优化的任务调度算法,该算法首先利用粒子群优化算法迅速求得初始解,然后根据该调度结果生成蚁群算法的初始信息素分布,最后利用蚁群算法得到任务调度的最优解。通过在CloudSim平台进行仿真实验,表明该算法具有较好的实时性和寻优能力,是一种有效的调度算法。     

基于分数阶达尔文粒子群的不等间距节点部署优化算法

针对节点随机部署存在节点能耗不均衡、无线网络寿命不长等问题,借助分数阶达尔文粒子群算法的寻优优势,提出一种粒子群优化不等间距节点部署算法。结合星型和链式拓扑结构的优点,建立不等间距拓扑结构;根据粒子自身进化信息自定义进化因子,调整分数阶次系数实现寻优算法的快速收敛;利用Levy飞行对局部最优位置进行随机扰动以提高算法跳出局部最优的能力;利用改进的粒子群算法求解节点部署的不等间距和最优节点数。仿真结果表明,与节点等距部署、节点随机部署等算法相比,改进的不等间距节点部署优化算法不仅有较高的节点覆盖率,还均衡了节点能耗,延长了无线网络的寿命。     

一种面向网络边缘任务调度问题的多方向粒子群优化算法

任务调度是云计算及网格计算环境中的重要问题,已有的调度算法往往仅致力于最小化任务的总执行时间而不设置其他约束条件,以致难以实现多种性能指标的同时优化。所提出的面向网络边缘任务调度问题的多方向粒子群优化算法,用于解决并发任务在网络边缘服务节点中的分布式调度问题,调度的目标是在任务执行的资源开销不超过阈值的情况下,最小化任务完成的总时间。该方法与现有的离散粒子群优化算法相比同时降低了任务的总完成时间及资源开销,且在合理预设资源开销上限的情况下,其计算复杂度实现了较大程度优化。仿真表明,所提出的方法比现有的离散粒子群优化算法的任务总完成时间缩短约10.52%~13.23%,资源开销减少约10.32%~13.29%。同时,在合理降低资源开销阈值的情况下,该方法的程序运行时间比现有的粒子群调度方法明显缩短。     

基于改进狮群算法的云计算资源调度策略

针对云计算在运算过程中资源利用率低以及节点负载不均衡的问题,提出一种改进狮群优化算法的云计算资源调度策略.针对传统狮群算法易早熟收敛陷入局部最优以及算法收敛精度低的问题,通过余弦扰动因子以及双高斯变异函数对算法进行改进.数值仿真实验结果表明,改进后的狮群优化算法较好地平衡了算法的全局勘探能力和局部开发能力,提高了算法的全局收敛精度.建立云计算资源调度数学模型,并通过改进后的狮群算法对模型进行优化.     

基于改进的蝗虫算法的云计算任务调度研究

针对云计算任务调度存在完成时间长、成本消耗大以及负载不均衡的问题,提出一种基于改进的蝗虫算法(Imorve Grasshopper Optimization Algorithm,IGOA)的任务调度方案.对蝗虫算法采用反向学习和柯西分布分别优化种群和递减系数,提高算法的性能;用自然数对蝗虫个体编码表示蝗虫的位置,将每一...     

动态队列下入侵肿瘤生长优化和BPNN的云计算任务调度新方法

针对现有云计算任务调度算法整体性能较低,不能兼顾云利用率优化及服务质量(QoS)问题,提出一种动态调度队列下入侵肿瘤生长优化结合反向传播神经网络(TSDQ-ITGOBPNN)的云计算任务调度新方法.融合入侵肿瘤生长优化与反向传播神经网络算法特点,优化系统平均等待时间;考虑云计算调度任务的复杂性,在兼顾云计算任务等待时间和队列长度的前提下对其进行队列管理,克服单个启发式算法的固有局限性;基于开源模拟器CloudSim进行若干实验.实验结果表明,该方法相比于现有任务调度算法在完成时间、计算成本、资源利用率以及负载平衡等方面凸显出较大优势.     

混合粒子群算法在ETV调度优化中的应用

为了提高机场货运区(Elevating Transfer Vehicle,ETV)转运效率,建立以最小化任务集调度时间为优化目标的调度模型,提出一种混合的粒子群算法对ETV调度问题求解。算法对加速因子采取动态的自适应调整策略;采用混沌序列替代标准粒子群中的随机数;建立平均粒距、适应度方差和汉明距离相结合的早熟判断机制并采用混沌算子扰动微粒的位置来跳出局部最优。通过实例验证和遗传算法、模拟退火等经典的优化算法以及非线性学习因子粒子群、混沌粒子群等改进的粒子群算法相比,该算法在ETV调度最优序列的求解中收敛速度快,全局寻优能力强,稳定性好;和传统的链式调度算法相比,平均调度任务时间减少了15.6%,较好地解决了ETV转运效率低的问题。     

自适应粒子群算法AFIPSO的研究

提出一种自适应粒子群算法.通过自适应调整飞行时间和惯性权值,克服了粒子群算法在进化后期搜索能力下降的问题,并且充分利用目标函数的信息,提高了算法的稳定性,加快了算法的收敛速度.通过测试函数对算法进行实验,结果表明算法具有较好的稳定性和收敛速度.     

自适应双群微粒群优化算法

针对微粒群优化算法PSO（Particle Swarm Optimization Algorithm）容易陷入局部最优点的缺陷,提出一种自适应双群微粒群优化算法（ATS-PSO）。该算法将种群分成两个子群,分别采用全局版本和局部版本两种不同的搜索策略,共同更新种群的历史最优解,并且在算法迭代期间根据群体适应值方差自适应调整两个子群的规模和结构。为了分析算法的性能,对几种典型的非线性函数进行了测试。结果表明,新算法的全局收敛能力有了明显改善,而且能有效缓解早熟收敛问题。     

基于粒子群算法的分布式计算系统能效优化方法

在分布式计算领域中,需要合理分配计算资源.传统方法通过建立精确的复杂模型并转换为近似线性整数规划模型进行求解,会造成较大误差.对此,提出一种粒子群优化算法,直接使用精确非线性整数规划模型,在基本的粒子群优化算法中加入问题的约束.同时对粒子进行离散化,使用真实的目标函数值来评估粒子的适应度,能够在较短时间内收敛且离最优解的误差相对较小.仿真实验表明,该算法在单位利润、完工时间、总能量消耗方面均取得了不错的效果.