网格环境下改进PSO算法的资源分配研究

针对网格计算中的资源分配问题,提出一种融合粒子群优化算法和遗传算法的新算法。通过在粒子群算法中引入遗传算法,有效克服粒子群算法容易陷入局部最优值这一固有缺陷,重新在搜索空间寻找全局最优值。该方法具有操作简单、设置参数少、收敛速度快等特点。仿真实验结果表明,该融合算法在网格资源分配方面能取得较好的效果。     

基于离散粒子群优化算法的网格资源分配研究

资源分配和任务调度是网格计算中关键的问题之一。本文提出一种基于离散粒子群优化算法的网格资源分配算法。该算法通过对粒子群算法中粒子的位置与速度进行重新定义,以及重新设计粒子的位置与速度的变换规则,使粒子群算法适用于网格资源分配和任务调度。理论分析及模拟实验表明,该算法具有良好的性能。     

网格资源分配算法的研究

资源分配是网格计算研究领域中的一个要点问题,目前已研究的若干计算智能方法大多是单一的用于解决网格资源分配问题,对于在混合的前提下提高资源分配性能方面还缺乏深入的研究。为此,针对网格资源分配问题提出了一个启发式混合搜索算法,通过带有启发式的遗传算法在资源中进行搜索,在生成的解中再利用蚁群算法做进一步的探索。仿真实验结果表明,该算法在满足用户需求的前提下,有效地提高了网格资源利用率。     

计算网格资源分配研究

计算网格是一种新的技术,有很多内容都刚开始研究发展,还不成熟。由于网格资源的异构与时变,网格资源用户的不同需求,使网格资源分配成为一个重要问题。因而,网格资源分配技术也成为一种关键技术。给出了基于代理的网格资源分配策略和资源代理的迭代算法,从而实现了资源的协调分配。     

基于QoS约束的启发式网格资源分配算法研究

由于网格环境的资源分配问题属于NP难题而难以通过精确算法获得最优解,提出一种针对具有用户QoS需求的资源分配问题进行求解的启发式方法;首先,在资源分配模型目标函数中考虑QoS约束,然后采用改进的蚁群算法对资源分配方案进行寻优,在信息素的初始化、局部信息素和全局信息素的更新以及资源选择机制中,都加入了QoS约束,使得通过改进蚁群算法求解出的最优解能满足用户QoS需求和实现资源负载平衡;实验结果表明:文中算法得到的平均调度时间较QoS-F和QoS-GA分别减少了42.96％和24.49％,是一种符合网格环境的有QoS约束的有效资源分配方法.     

基于市场经济的多目标网格资源分配方法

目前资源分配已有一些方法,但都是基于某一个目标函数,针对网格计算基于市场经济机制下提出了一种新的资源分配方法,通过组建多目标线性规划模型来解决基于用户多个目标函数的问题,适应网格中多任务多目标的资源分配方式,且该模型不但可以满足用户的要求提高资源分配的成功率,而且可以提高资源的利用率.     

基于改进DPSO的网格资源调度算法

基于市场经济模型的网格资源调度问题是一个典型的离散问题及NP-Hard问题,考虑到离散粒子群优化算法在解决离散问题上的有效性,本文在现有算法的研究基础上,提出一种基于改进的离散粒子群优化算法的网格资源分配和任务调度算法,并采用GridSim模拟器对相关算法进行仿真模拟实验和比较。实验结果表明,本文提出的调度算法在作业完成时间、综合性能以及资源的负载平衡方面均具有较大的优势。     

网格计算中任务调度算法的仿真研究

研究网格计算中任务调度优化问题,由于网格环境具有动态性、异构性等特点,对高效调试资源效率有影响,导致传统网格任务调度算法收敛速度慢、局部最优等缺陷,使网格任务调度效率低.为了提高网格任务调度效率,提出一种基于粒子群算法的任务调度模型.模型根据任务调度原理和粒子群算法特点,建立了网格任务调度的元任务模型和性能指标的数学模型,然后采用粒子群算法对该模型进行求解,提高资源利用率和任务执行效率.仿真结果表明,根据粒子群算法的任务调度策略,提高了任务调度的速度和效率,很好的解决网格任务调度中存在的难题.     

基于网格的任务调度与资源分配有效机制的研究

为实现QoS路由技术,提高网格的服务质量,本文定义了网格服务中任务调度的通信开销,给出了QoS路由树的生成原则,提出网格堆排序算法和QoS路由选择算法,利用算法实现了网格的任务调度与分配机制的设计.实验证明本设计能提高网格资源管理的效率.     

一种基于期货市场理论的网格资源分配机制

在比较了计算网格资源和期货特点的基础上,提出了一种基于期货市场理论的网格资源分配机制,避免了现货市场价格的大幅波动。提出了基于期货市场的资源竞价交易算法,通过在电力网格系统上的模拟实验以及与“蛛网模型”的对比,表明本文提出的竞价算法具有资源的利用率高、稳定性高的优点。针对资源域内任务调度,提出了基于期货合约任务调度算法,通过实验比较了群集循环法、先来先服务、Max-min调度算法的完成时间,基于期货合约的任务调度算法完成时间最短。最后讨论了网格技术及期货市场理论在电力系统的应用。     

基于蚁群算法的网格资源调度策略研究

网格计算中的资源调度技术是连接网格底层和高层功能的纽带.蚁群算法作为一种成熟的分布式、启发式搜索鼢算法,其实质上是一种通过群体智能间接散布最优解信息,采用逐步收敛的方式求解最优解的算法.通过介绍蚁群算法的原理,对使用蚁群算法作为网格计算资源调度策略的可行性进行了分析,并在此基础上探讨了基于蚁群算法的网格计算资源调度的设计思路、运作流程、需要考虑的信息素更新方式等关键问题,最后给出了基于蚁群算法的网格计算资源调度总控程序.     

用蚂蚁算法进行网格任务调度的研究

将蚂蚁算法用于网格环境任务调度,测试和选取了蚂蚁算法的各种参数,设计和实现了基于蚂蚁算法的网格任务调度策略,将任务调度和资源管理相结合,兼顾系统的负载平衡和QoS,取得了较理想的实验结果。     

网格环境中一种改进的蚁群任务调度算法*

针对在蚁群算法中初始参数设置对算法收敛性能的影响较大,提出了一种新的改进蚁群算法NACA(new ant colony algorithm),针对蚁群算法中的四个关键参数随机编码,得到初始的染色体,从而获得一组较优解;再利用遗传算法的优点对上一步的结果单点顺序交叉、对换变异、选择操作以产生更好的解;然后以这组数据为蚁群算法下一次的工作备选值,并进行最大次数的循环迭代直至停止,即求得参数组合的近似最优解。将它应用于网格系统任务调度中,系统的性能得到了明显的改善。仿真模拟结果表明,所提出的算法具有更短的调度长度和更宽的适应性,当任务已知时,执行时间约缩短了21.7%,且负载变化时对网格中各处理器资源的影响大大减小。     

A new optimal approach for multiple optimisation objectives grid resource allocation and scheduling

The article considers the resource allocation and scheduling problem in a grid computing environment. The article proposes system optimisation scheduling (SOS) that provides a potential solution of joint optimisation of objectives for both the resource and application layer, which combine both application-oriented and resource-oriented scheduling benefits. Grid systems will strive to find an optimal relation between user satisfaction and resource utilisation. Utility functions are used to express grid user's Quality of Service requirement, resource provider's benefit function and system's objectives. In order to verify the efficiency of the proposed scheduling algorithm, we compare the performance of application optimisation scheduling, resource optimisation scheduling, SOS with a traditional Round-Robin algorithm. The simulations study the effect of the request rate and task-to-resource ratio on the different scheduling algorithm.     

可信禁忌粒子群优化网格任务调度算法

网格任务调度是典型的NP（Non-Polynomial）难题,基于粒子群优化智能算法,提出一种新的任务调度算法,目标是使所有任务整体完成时间最小。算法首先随机产生一群粒子,然后对粒子的位置和速度不断迭代,获得可以接受的任务调度方案,并从中选择一组信任度最高的作为较优解,再利用禁忌搜索算法由较优解获得最优解。仿真实验结果表明,与遗传算法相比更适合于求解规模较大的网格任务调度问题。     

多目标蚁群优化网格调度算法

提出基于蚁群算法的网格调度算法,优化作业完成时间。同时局部升级和全局升级采用不同策略,解决资源负载均衡问题,满足网格的多目标优化。最后通过Gridsim仿真环境和其他算法进行比较分析。     

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。     

非集中调度模型下的网格资源调度研究*

针对当前网格资源调度系统扩展性差的问题,提出了基于非集中调度模型的以保守Backfilling算法为核心的网格资源调度算法.探讨了网格任务在站点处理器数目异构情况下,网格作业多站点协同调度问题.实验仿真证明,在跨网格站的资源调度中,运用资源预留策略和多站点作业分块可以改善作业的平均响应时间,并起到负载平衡的效果.     

基于改进蚁群算法的云计算任务调度

利用云中资源进行高效任务调度是保证云计算系统可靠运行的关键问题。提出一种基于改进蚁群优化算法的任务调度方法。算法采用蚂蚁系统的伪随机比例规则进行寻优,防止算法过快收敛到局部最优解,同时结合排序蚂蚁系统和最大最小蚂蚁系统的设计思想完成信息素更新,有效求解优化问题。实验结果显示,该算法具有很好的寻优能力,提高了云资源的利用率。