云制造环境下的动态调度

在云制造环境下, 制造资源和制造能力以服务的形式封装起来, 不同的任务通过云端汇集到云平台并通过合适的调度给每个任务分配相应的服务. 由于任务在执行的过程中的不确定性, 会在某个时刻遇到突发状况从而导致对余下任务的重调度问题. 因此, 针对该问题, 考虑到云制造环境下任务的复杂性和多样性会导致在合理的时间段内很难找到最优解, 以所有任务的最大完成时间为优化目标, 提出了一种以改进的遗传算法与邻域搜索技术相结合的元启发式算法, 旨在解决云制造环境下由于任务和资源服务等的不确定性导致的重调度问题. 实验结果表明,本文所提出的算法能够很好地解决动态调度过程中的重调度问题, 并可以快速地获取最优解.     

一种云存储环境下的资源调度改进算法

如何将用户的海量数据以最小的耗时存储到数据中心,是提高云存储效益,解决其发展瓶颈所需考虑的关键问题本文首先证明了云存储环境下资源调度方案的存储最小耗时问题属于一个NPC问题,再针对现有算法对存储调度因素考虑不全面、调度结果易陷入局部最优等问题,提出了一种全新的资源调度算法,该算法首先利用三角模糊数层次分析法全面分析调度影响因素,得到存储节点的判断矩阵,用于构造后续的遗传算法目标函数,再将简单遗传算法从解的编码、交叉变异操作及致死染色体自我改善等角度进行创新,使其适用于云存储环境下的大规模资源调度,最后与OpenStack中的Cinder块存储算法及现有改进算法进行了分析比对,实验结果验证了本文所提算法的有效性,实现了更加高效的资源调度。     

云计算环境下带安全约束的工作流调度问题的研究

资源调度问题一直是云计算环境下的热点研究问题,然而当前的大部分研究都集中在满足用户的时间或成本需求上,很少考虑用户在调度过程中对安全的需求。针对这一问题,在对常见的云环境下工作流任务的资源调度问题进行建模的基础上,提出了一个安全约束模型,并使用变近邻粒子群算法对该问题进行了求解。最后在CloudSim仿真平台上,用最大 最小蚁群算法和遗传算法与该算法进行了对比,实验结果表明,该算法具有很好的可用性和寻优能力。关键词：     

基于改进GA的云计算任务调度算法

云计算通常需要处理大量的计算任务,任务调度策略在决定云计算效率方面起着关键作用。如何合理地分配计算资源,有效地调度任务运行,使所有任务运行完成所需的时间较短、成本较小是个重要的问题。提出一种考虑时间-成本约束的遗传算法(TCGA),通过此算法调度产生的结果不仅能使任务完成所需的时间较短,而且成本较小。通过实验,将TCGA与考虑时间约束的遗传算法(TGA)、考虑成本约束的遗传算法(CGA)进行比较,实验结果表明,该算法是云计算中一种有效的任务调度算法。     

云环境下资源调度效率优化研究与仿真北大核心CSCD

云环境下资源调度对云服务器的均衡性有着重要作用。由于云环境下资源调度过程中,存在大量的混沌数据,在混沌数据的干扰下,调度过程缺少统一的目标,传统的资源调度算法针对这种有干扰的复杂调度问题,多是通过把调度目标进行多个约束,形成一个动态的调度标准,模型过于复杂,适应性较差。提出改进粒子群算法的混沌数据干扰下的云资源调度方法。建立云资源调度模型,利用粒子群的迭代处理进行云资源调度策略寻优,对粒子的位置和速度的更新方法进行了改进,能够避免混沌数据对云资源调度造成的干扰,将全部调度任务的完成时间作为粒子适应度评价的标准,获得最优调度策略。仿真结果表明,利用改进算法进行混沌数据干扰下的云资源调度任务,系统的均衡度好,效率高,为资源调度效率优化提供了参考。     

基于聚类和改进共生演算法的云任务调度策略

针对云计算环境中一些基于服务质量（QoS）调度算法存在寻优速度慢、调度成本与用户满意度不均衡的问题,提出了一种基于聚类和改进共生演算法的云任务调度策略。首先将任务和资源进行模糊聚类并对资源进行重排序放置,依据属性相似度对任务进行指导分配,减小对资源的选择范围;然后依据交叉和旋转学习机制改进共生演算法,提升算法的搜索能力;最后通过加权求和方式构造驱动模型,均衡调度代价与系统性能间关系。通过不同任务量的云任务调度仿真实验,表明该算法相比改进遗传算法、混合粒子群遗传算法和离散共生演算法,有效减少了进化代数,降低了调度成本并提升了用户满意度,是一种可行有效的任务调度算法。     

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。     

基于多维QoS和云计算的资源负载均衡调度研究

为了实现云环境下虚拟资源的高效调度并满足用户QoS需求,提出了一种基于多维QoS能实现负载平衡的云资源调度方法;首先,建立了云资源调度的多维QoS数学模型,然后提出了一种基于蚁群算法实现云环境虚拟资源调度的算法,对信息素的初始化、虚拟机的选择以及信息素的更新等均进行了改进,并在算法中引入遗传变异因子以提高算法的收敛能力;实验结果表明:该算法能有效解决云环境下虚拟资源调度问题,减少负载均衡离差,较其它方法具有较大优越性,满足了云环境下资源调度的需求。     

一种改进的自适应云遗传算法

关于优化云计算方法问题,需研究一种改进的自适应云遗传算法,针对传统云遗传算法(CGA)中对交叉及变异过程中的云模型控制参数取定值导致算法存在“早熟”及收敛速度慢的问题.为了解决上述问题,在CGA的基础上提出一种自适应云遗传算法(ACGA),引入在线性与非线性间平滑过渡的自适应子算子,使得控制参数根据种群适应度进行自适应调整,并通过性能分析证明了算法的正确性.仿真结果表明,通过与GA及CGA算法的比较,ACGA在收敛性能和搜索能力上都有很大的提高.     

膜计算改进粒子群优化算法的云资源调度

云计算环境下的资源合理调度是当前的研究热点,针对粒子群优化算法的不足,引入膜计算理论,提出一种基于膜计算改进粒子群优化算法的云资源调度算法（PSO-MC）。对云资源调度问题进行分析,建立云资源调度的目标函数,受到膜计算的启发,将粒子放入膜中,主膜内粒子进行精细化局部寻优,辅助膜内的粒子进行全局搜索,通过膜区域之间信息传递搜索结果,找到云资源调度问题的最优解,在CloudSim平台对算法进行仿真实验。结果表明,PSO-MC算法减少了任务的平均完成时间,提高了任务处理的效率,使云计算资源调度更加合理。     

云计算环境下基于改进遗传算法的任务调度算法

在云计算中面对的用户群是庞大的,要处理的任务量与数据量也是十分巨大的。如何对任务进行高效的调度成为云计算中所要解决的重要问题。针对云计算的编程模型框架,提出了一种具有双适应度的遗传算法（DFGA）,通过此算法不但能找到总任务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。通过仿真实验将此算法与自适应遗传算法（AGA）进行比较,实验结果表明,此算法优于自适应遗传算法,是一种云计算环境下有效的任务调度算法。     

认知无线电网络频谱分配与协作集划分算法

针对协作认知无线电网络中较为复杂的多主用户与多次级用户共存场景,提出联合频谱分配与协作集划分问题,并将该问题形式化描述为整数0-1非线性规划问题,证明其是NP-hard的.首先,设计了集中式的遗传算法CGA(centralized genetic algorithm)对问题求解,对该算法进行齐次有限马尔可夫链建模并对其全局收敛性进行了分析;随后,提出了一种包含两阶段的分布式遗传算法DGA(distributed genetic algorithm),包括基于最小支配集的分簇与频谱预分配阶段和簇间协作集协商与簇内适应值精化阶段.此外,还提出一种快速收敛的DGA算法(fast-convergent DGA,简称FDGA)缩短分布式算法运行时间.仿真实验结果表明,根据能反映出算法性能的适应值结果对各算法进行比较:(1)小规模网络下CGA获得的解平均为通过穷举算法得到的最优值的92％;(2)随着网络规模的扩大,由于CGA搜索空间增大,DGA,FDGA在达到相同停机条件时获得的适应值比CGA提高约20％;(3)与DGA相比,FDGA虽能得到与DGA相近的结果,但却大大缩短了算法收敛的时间,更适应于大规模网络应用.     

基于改进量子遗传算法的云计算资源调度

针对云计算环境下资源的高效调度问题,当前研究较少关注云服务提供商的服务成本,为此,以云服务提供商降低最小服务成本为目的,提出了改进量子遗传算法的云资源调度算法。由于采用二进制量子位表示的染色体无法描述资源调度矩阵,该算法将量子位的二进制编码转换为实数编码,并使用旋转策略和变异算子保证算法的收敛性。通过仿真实验平台将此算法与遗传算法和粒子群算法进行比较分析,在种群迭代次数为100的情况下,分别取种群数为1和10,实验结果表明该算法能取得更小的最小服务成本。     

混沌优化与遗传算法的智能集成

作为智能算法,遗传算法的确是解决非线性复杂优化问题的有利工具,但它在搜索过程中易陷入局部最优、收敛速度慢的缺陷又确实限制了它的寻优效能。混沌的遍历性、随机性和内在规律性使得混沌优化能够互补地与遗传算法进行集成。基于此,该文经过遗传算法和混沌优化方法的理论机制分析,将二者进行智能集成,给出混沌遗传优化算法CGA。经过仿真迭代运算,发现该算法能够保证求得全局最优解,并且寻优速度有很大提高。     

云计算环境下基于遗传蚁群算法的任务调度研究

对云计算中任务调度进行了研究,针对云计算的编程模型框架,提出一种融合遗传算法与蚁群算法的混合调度算法。在该求解方法中,遗传算法采用任务-资源的间接编码方式,每条染色体代表一种具体调度方案;选取任务平均完成时间作为适应度函数,再利用遗传算法生成的优化解,初始化蚁群信息素分布。既克服了蚁群算法初期信息素缺乏,导致求解速度慢的问题,又充分利用遗传算法的快速随机全局搜索能力和蚁群算法能模拟资源负载情况的优势。通过仿真实验将该算法和遗传算法进行比较,实验结果表明,该算法是一种云计算环境下有效的任务调度算法。     

移动边缘计算中的卸载决策与资源分配策略

为在移动边缘计算服务器计算资源有限的情况下最小化系统总成本,提出一种多用户卸载决策与资源分配策略.优化任务执行位置选择和计算资源分配过程,对基于精英选择策略的遗传算法在编码、交叉、变异等操作方面进行改进,设计联合卸载决策与资源分配的improve-eGA算法.实验结果表明,与All_local、All_offload、...     

Efficient Energy-Aware Resource Management Model (EEARMM) Based Dynamic VM Migration

In cloud environment, an efficient resource management establishes the allocation of computational resources of cloud service providers to the requests of users for meeting the user’s demands. The proficient resource management and work allocation determines the accomplishment of the cloud infrastructure. However, it is very difficult to persuade the objectives of the Cloud Service Providers (CSPs) and end users in an impulsive cloud domain with random changes of workloads, huge resource availability and complicated service policies to handle them, With that note, this paper attempts to present an Efficient Energy-Aware Resource Management Model (EEARMM) that works in a decentralized manner. Moreover, the model involves in reducing the number of migrations by definite workload management for efficient resource utilization. That is, it makes an effort to reduce the amount of physical devices utilized for load balancing with certain resource and energy consumption management of every machine. The Estimation Model Algorithm (EMA) is given for determining the virtual machine migration. Further, VM-Selection Algorithm (SA) is also provided for choosing the appropriate VM to migrate for resource management. By the incorporation of these algorithms, overloading of VM instances can be avoided and energy efficiency can be improved considerably. The performance evaluation and comparative analysis, based on the dynamic workloads in different factors provides evidence to the efficiency, feasibility and scalability of the proposed model in cloud domain with high rate of resources and workload management.     

基于用户满意度的网格资源调度遗传算法

传统的网格资源调度研究注重调度的性能,很少考虑调度的服务质量。针对上述问题,设计3种类型的用户满意度评估方法衡量调度的服务质量,提出一种基于用户满意度的网格资源调度遗传算法,以用户满意度作为遗传变异的依据,实现网格资源调度过程的优化。实验表明,该算法能在保证较优调度性能的同时大幅度提高调度的服务质量。     

基于量子遗传算法的盲源分离算法研究

在改进遗传量子算法的基础上，提出了一种新的量子遗传算法并从理论上证明了算法的全局收剑性．提出了基于量子遗传算法与独立分量分析算法相结合的盲源分离新算法．仿真结果表明：新方法比采用常规遗传算法的盲源分离方法具有明显的高效性．