混合算法在网格任务调度中的应用研究

研究网格任务优化调度问题,针对需求的复杂和网格系统具有异构性和动态性,导致网络任务调度过程相当困难.传统调度算法调度效率低、资源负载不平衡.为了提高任务调度效率,降低资源负载不平衡性,提出一种混合的网格任务调度优化算法.首先采用遗传算法全局搜索能力快速形成初始解,然后将遗传算法的调度结果作为蚁群算法的初始信息素分布,最后利用蚁群算法所正反馈性机制迅速地形成任务调度的最优解.仿真结果表明,混合算法减少网格任务调度系统任务完成时间,提高了任务调度效率,为网格设计提供了依据.     

云计算环境下融合遗传算法和蚁群算法QoS约束任务调度

针对已有云计算任务调度算法为实现最短时间跨度而不能兼顾负载均衡和服务质量的问题,提出基于遗传算法和蚁群算法融合的QoS约束任务调度策略CAAC。CAAC利用任务的预测完成时间和成本耗费定义适应度函数;通过遗传算子全局搜索最优解,融合蚁群算子提高解的精确度;当任务数量大于50时,该算法收敛速度和资源利用率比蚁群算法平均提高4.7'和30.8'。仿真结果表明,该算法在保证服务质量和资源负载均衡方面具有优越性。     

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,将每一个蝗虫个体对应一个可行的调度方案,并将任务完成时间、任务消耗成本、虚拟机负载作为蝗虫个体的适应度函数用以算法迭代中的更新条件;获得最优的蝗虫个体即为最佳调度方案.仿真实验表明,改进的蝗虫算法在云计算任务调度方面相比于基本蝗虫算法、蚁群算法、粒子群算法具有更好的效果,特别适合大任务下的云计算调度.     

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算法缩小求解空间,在任务调度后期使用改进的PSO快速收敛到最优解.仿真实验表明:与其他三种算法相比,该算法有较快的收敛速度和较强的寻优能力;在云计算任务调度中,不仅能减少任务完工时间和执行成本,还能优化虚拟机的负载.     

数据驱动的多星任务网络预测调度算法

多星任务调度是具有NP-hard特性的优化问题,随着卫星资源规模和任务需求规模的双重增长,传统调度方法求解效率不高.在轨卫星在常年运行过程中积累了丰富的调度数据.针对大规模多星任务调度场景,建立多星多波束任务调度模型,并提出数据驱动的多星任务网络预测调度算法对其求解.以分割的思想,实现多星场景下任务可调度性预测.从历史调度数据中,提取设定的3个静态特征和5个动态特征,构建并训练预测网络,预测任务被不同卫星完成的概率,并以冲突避免、负载均衡等为原则,得到初始任务和资源卫星的分配方案.进一步设计双链结构的进化算法,以双链编码形式表征上述关系,配合设计的交叉、修复等进化算子,优化初始方案中的任务序列与资源分配关系,输出最终任务调度方案.仿真结果表明,与改进蚁群算法、混合遗传算法和数据驱动并行调度算法相比,所提出算法在运行时间、方案收益和卫星负载均衡3方面均有较好的表现.     

基于蚁群算法的实训云任务调度策略研究

在研究蚁群算法的基础上针对云计算技术展开研究,对蚁群算法应用于云任务调度的可行性进行了分析,提出了云环境下基于蚁群任务调度算法的基本策略,力图实现实训云系统的高可用性和负载均衡,并希望能为后续研究工作提供一些有意义的探索和思路。     

基于改进蚁群算法的云计算资源分配策略研究

在实际的项目中会发现蚁群算法直接应用于云计算资源分配时经常会出现负载失衡的情况,导致资源利用率不高,同时导致任务完成时间太长,算法迭代次数过大。这种情况不仅会大大地降低云计算系统的效率,还会造成系统不稳定。因此针对蚁群算法进行了一系列改进,具体包括：引入伪随机比例规则,进行全局信息素强化,引入了交叉变异操作,将蚁群算法与遗传算法相融合。然后进行了MATLAB仿真实验,实验结果表明：改进算法的任务完成时间更短,算法迭代次数更少,负载均衡效果更好。由此可以得出结论：对蚁群算法的改进是有效的。     

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。     

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。     

遗传算法在网格任务调度的应用研究

研究了网格任务调度问题.针对传统任务调度算法在网格环境下存在不能很好地平衡节点负载和满足用户服务质量需求等缺点,导致网格系统负载极不均衡,调度效果低.为了提高网格任务调度的效果,提出一种基于遗传算法的网格任务调度方法.将网格任务编码成种群中的个体,网络任务目标作为遗传算法的适应度函数,通过遗传算法的强全局搜索及交叉、变异操作,获得最优的任务调度方案.仿真结果表明,采用遗传算法进行网格任务调度可以减少系统总执行时间和任务完成时间,提高了资源调度效率,使网格系统负载均衡度更好,在网格任务调度具有广泛的应用前景.     

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.     

基于异构CMP的改进蚁群优化任务调度策略

为提高异构CMP任务调度执行效率,充分发挥异构CMP的异构性和并行能力,提出一种基于异构CMP的改进蚁群优化任务调度算法--IACOTS。IACOTS算法首先建立任务调度模型、路径选择规则和信息素更新规则,使蚁群算法能够适用于异构CMP任务调度问题。同时通过采用动态信息素更新、相遇并行搜索策略和引入遗传算法中的变异因子对基本的蚁群算法进行优化,克服蚁群算法搜索时间过长和“早熟”现象。通过仿真实验获得的结果表明,IACOTS算法执行效率优于现有的遗传算法,完成相同的任务需要的迭代次数最少,能有效降低程序执行时间,适用于异构CMP等大规模并行环境的任务调度。     

基于分解优化的多星合成观测调度算法

某些卫星的侧摆性能较差, 必须进行合成观测以提高观测效率. 研究了多星联合对地观测中的任务合成观测调度问题. 提出了将原问题分解为任务分配与任务合成的分解优化思路. 任务分配为任务选择卫星资源及时间窗口; 任务合成则针对该分配方案,将分配到各卫星的任务按照轨道圈次分组, 分别进行最优合成. 采用蚁群优化算法(Ant colony optimization, ACO)求解任务分配问题, 通过自适应参数调整及信息素平滑策略, 实现全局搜索和快速收敛间的平衡.提出了基于动态规划的最优合成算法, 求解任务合成子问题,能够在多项式时间内求得最优合成方案. 依据分配方案的合成结果, 得到优化方案的特征信息, 反馈并引导蚁群优化算法对任务分配方案的搜索过程. 大规模测试算例验证了本文算法的效率.     

初始信息素筛选的蚁群优化算法在HDFS副本选择中的研究

随着社会信息化程度的不断提高,各种形式的数据急剧膨胀.HDFS成为解决海量数据存储问题的一个分布式文件系统,而副本技术是云存储系统的关键.提出了一种基于初始信息素筛选的蚁群优化算法(InitPh_ACO)的副本选择策略,通过将遗传算法(GA)与蚁群优化算法(ACO)算法相结合,将它们进行动态衔接.提出基于初始信息素筛选的ACO算法,既克服了ACO算法初始搜索速度慢,又充分利用GA的快速随机全局搜索能力.利用云计算仿真工具CloudSim来验证此策略的效果,结果表明:InitPh_ACO策略在作业执行时间、副本读取响应时间和副本负载均衡性三个方面的性能均优于基于ACO算法的副本选择策略和基于GA的副本选择策略.     

求解多处理机调度问题的蚁群算法

蚁群算法是受自然界中的蚂蚁觅食行为启发而设计的智能优化算法,特别适合处理离散型的组合优化问题。提出一种求解多处理机调度的蚁群算法,利用一个蚂蚁代表一个处理机来选择任务,并通过分析关键路径及每个任务的最早、最迟开始时间来确定每个任务的紧迫程度,让蚂蚁以此来选择任务。实验证明,该算法可比传统算法取得有更好运行效率的调度策略。     

基于蚁群算法的Hadoop调度算法研究

为有效提高Hadoop集群作业调度的效率,提出一种基于蚁群算法的自适应作业调度的方案,有效利用蚁群算法正反馈的优势特点,使Hadoop作业调度器更高效地对任务进行分配,提高整体架构的作业性能。实验结果表明,该算法能够很好的平衡资源负载,减少任务的完成时间,提高系统处理任务的性能。     

A bio-inspired distributed algorithm to improve scheduling performance of multi-broker grids

The scheduling in grids is known to be a NP-hard problem. The distributed deployment of nodes, their heterogeneity and their fluctuations in terms of workload and availability make the design of an effective scheduling algorithm a very complex issue. The scientific literature has proposed several heuristics able to tackle this kind of optimization problem using techniques and strategies inspired by nature. The algorithms belonging to ant colony optimization (ACO) paradigm represent an example of these techniques: each one of these algorithms uses strategies inspired by the self-organization ability of real ants for building effective grid schedulers. In this paper, the authors propose an on line, non-clairvoyant, distributed scheduling solution for multi-broker grid based on the alienated ant algorithm (AAA), a new ACO inspired technique exploiting a “non natural” behavior of ants and an inverse interpretation of pheromone trails. The paper introduces the proposed algorithm, explains the differences with other classical ACO approaches, and compares AAA with two different algorithms. The results of simulations show that the AAA guarantees good performance in terms of makespan, average queue waiting time and load balancing capability.     

Improved auto control ant colony optimization using lazy ant approach for grid scheduling problem

An auto controlled ant colony optimization algorithm controls the behavior of the ant colony algorithm automatically based on a priori heuristic. During the experimental study of auto controlled ACO algorithm on grid scheduling problem, it was observed that the induction of lazy ants not only reduces the time complexity of the algorithm but also produces better results on the given objectives. Lazy ants are basically a mutated version of active ants that remain alive till the fitter lazy ants are generated in the successive generations. This work presents an improved auto controlled ACO algorithm using the lazy ant concept. Performance study reveals the efficacy and the efficiency achieved by the proposed algorithm. A comparative study of the proposed method with some other recent meta-heuristics such as auto controlled ant colony optimization algorithm, genetic algorithm, quantum genetic algorithm, simulated annealing and particle swarm optimization for grid scheduling problem exhibits so.     

一种基于DLS和ACO的平台资源规划方法

平台资源规划方法是作战任务规划的重要组成部分,为作战提供资源分配方案。描述了作战任务、平台以及它们之间的关系,建立了以最小化全部任务完成的截止时间和最大化平台资源的利用率为目标的数学模型。设计了用于求解此模型的动态列表规划(Dynamic List Scheduling,DLS)与蚁群算法(Ant Colony Optimization Algorithm,ACO)相结合的算法,其描述了任务选择方法、ACO的二进制编码方案及候选解构造策略,设计了不可行候选解的修正策略和信息素更新方法,构造了包含任务选择平台的时间优先系数、平台功能能力优先系数和后续任务对平台需求程度3个因素的适应度函数。针对作战想定进行了仿真计算,结果表明,基于DLS和ACO的平台资源规划具有良好的规划效果,相比于他人算法,其具有更少的全部任务完成截止时间和更高的平台资源利用率。