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。     

基于改进蚁群算法的集群负载均衡研究

在集群负载均衡技术中,负载均衡算法的好坏直接影响负载均衡系统的性能.蚁群算法是一种很有效的组合优化算法.在蚁群算法的基础上,文章提出了一种与遗传算法相融合的基于基本蚁群算法的混合智能负载平衡算法.算法中遗传特征的引入,有效地改善了传统蚁群算法容易陷入局部最优解的缺陷,极大地提高了算法的收敛速度,有效地实现了集群的动态负载均衡.     

基于改进蚁群算法的遥感信息处理负载均衡任务调度算法研究

遥感信息服务链动态构建技术是根据用户提出的航天信息需求,以及用户0终端行为感知后形成的主动推送需求,将遥感信息获取与处理作为一种服务对待,利用服务组合与优化,动态构建服务链,实现网络环境下的信息资源按需聚合与高效协同,以满足对"端"的遥感信息支援应用需求;文章首先研究了蚁群算法和模拟退火算法在遥感信息处理计算节点任务上的调度原理,并分析了上述传统算法在得出最优解之前会出现的问题;基于蚁群算法并结合其他启发式算法的优点,提出了一种基于改进蚁群算法的负载均衡任务调度算法,完成了遥感信息多任务处理服务链的计算任务分配,提升了天基信息处理系统整体的计算效率;最后通过仿真实验验证了算法的有效性.     

基于改进蚁群算法的负载均衡机制的研究

针对传统网络中集群负载不均、负载压力大等问题,提出一种基于改进蚁群算法的动态负载均衡机制。该算法可根据服务器性能动态调整负载调度方案,实现服务器集群最小响应时间下的最大资源利用率。论文在基本蚁群算法的模型上,针对蚁群算法前期收敛速度慢和后期容易陷入局部最优解等问题,结合遗传算法和伪随机序列对算法进行优化。最后经实验结果证明,改进的蚁群算法能更好地提升系统负载均衡性能,实现负载目标。     

基于时间负载均衡蚁群算法的云任务调度优化

针对云渲染系统中渲染节点与任务不匹配调度而带来的时间负载不均衡和耗时长的问题,提出一种基于时间负载均衡的任务调度方式来优化系统耗时的策略.该算法采用Min-min与Max-min相结合的思想,建立时间负载均衡模型进行前期迭代,将迭代结果作为蚁群算法的初始序列,并按照适应度规则计算出相应的初始信息素,同时通过单一变量法确定合理的参数,蚁群算法采用已有的初始资源和参数值进行后期迭代,根据标准量度自定义函数进行高效寻优,进而求得最终的任务调度序列.仿真结果表明,本策略既具有较高的搜索效率和较强的全局寻优能力,又能有效降低任务完成时间,且在时间负载均衡和寻优速度方面均显著优于蚁群算法和蚁群退火算法.     

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网络负载均衡路由优化

最短路径优先的路由控制策略在解决突发业务模式下的拥塞问题上存在不足,针对该问题,采用随机选择尺度因子实现负载均衡,增加路由器向所有相邻路由器转发分组的机会。设计路由算法模拟器,完成改进蚁群网络路由优化算法在4种典型网络上的仿真。以CHINANET为例的对比实验表明,在重负载情况下,改进的蚁群网络路由优化算法能获得较高的吞吐量、较低的平均时延与丢包率。     

多蚁群算法的网络负载动态均衡方法

针对网络资源管理中的负载均衡与优化问题,提出一种多蚁群网络负载动态均衡方法,采用网络流量工程理论中拥塞控制机制实现信息素随网络流量动态释放与更新。算法通过蚁群间信息素的动态相互作用（蚁群内信息素相互增强,蚁群间信息素相互削弱）,将代表网络负载的蚂蚁合理分配到可用路径,避免蚂蚁集中到特定路径而造成网络拥塞。实验结果表明,通过路径信息素控制能够实现网络负载均衡,有效提高网络在路径延时、平均带宽利用率和平均丢包率方面的性能。     

基于蚁群算法的WSN多路径负载均衡路由

为使无线传感器网络节点能量消耗相对均衡,在定向扩散路由算法的基础上,结合蚁群算法,提出一种多路径负载均衡路由算法。该算法利用蚁群的自适应和动态寻优能力,在源节点和目的节点之间搜索建立多条传输路径,并将节点剩余能量引入启发因子,均衡节点能量消耗。同时,运用层次分析法,赋予每条路径一定的负载分配比例,使数据总能在链路性能较优的多路径中均衡传输,延长整个网络的生命期。仿真结果表明,与定向扩散路由算法相比,该算法能够均衡节点能耗,有效延长网络寿命。     

基于渗透式人工蜂群与蚁群优化混合的负载平衡算法

针对当前云计算负载平衡调度过程中出现的虚拟机迁移效率低和能耗高问题,提出了一种基于渗透式人工蜂群与蚁群混合优化负载平衡算法,该算法将化学渗透行为与生物启发的负载平衡算法相结合,在充分利用人工蜂群和蚁群两种优化算法优点的同时,将渗透技术应用于负载均衡。由于渗透技术支持通过云基础设施迁移的虚拟机的自动部署,从而克服了现有仿生算法在实现物理机之间负载平衡方面的缺点,提高了迁移效率。实验结果表明,以现有负载平衡算法相比,提出的算法在迁移性能上提升明显。     

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。     

基于云模型的自适应蚁群算法改进研究

为了解决蚁群算法易早熟于局部最优及收敛速度慢的问题,采用云模型理论来合理调控蚁群算法的随机性程度,分别提出针对蚁群算法参数、云模型参数以及较优路径判定的自适应调整策略,同时提出信息素分布状态的评价算法。针对多个TSP问题进行仿真实验,结果验证了提出的算法的高效性与稳定性。     

数据中心网络中基于蚁群算法的动态多路径负载均衡

针对数据中心网络中等价多路径路由算法（equal-cost multi-path routing,ECMP）无法有效调度大象流而导致流量负载不均衡及易造成网络拥塞的问题,提出了一种基于蚁群算法的动态多路径负载均衡（ant colony algorithm based dynamic multipath load balancing,ADMLB）算法。ADMLB算法首先通过控制器获取网络负载信息,同时检测大象流并标记,然后调用改进的蚁群算法,根据大象流所需带宽选择多路径。实验结果表明,与传统的ECMP和现有流调度算法相比,ADMLB算法降低了链路延迟时间,有效提高了链路带宽利用率。     

基于自适应蜂群算法的云计算负载平衡机制

针对将蜂群算法应用在负载平衡系统中,出现的由于请求之间关系处理不当而产生的不利于负载平衡的资源局部密集现象,提出了改进的自适应蜂群算法。通过引进其他类型的请求,以阻断短时间内本该到来的与该服务器处理的请求有某些相似的请求,由此增强了负载平衡的可用性,提高了系统吞吐量。实验结果表明基于蜂群算法的负载平衡机制无论是在系统吞吐量方面或是系统可扩展性方面均适用于云计算环境,改进的自适应蜂群算法在系统吞吐量方面较传统算法性能提高5%以上。     

基于改进蚁群算法的多序列比对

提出一种基于改进蚁群算法的多序列比对方法。该算法改变了信息素的更新方式、字符的选择方法、蚂蚁在蚁巢和食物之间往返搜索以及随机分配蚂蚁开始序列等。实验结果表明,改进后的算法不仅有效地克服了基本蚁群多序列比对算法中的停滞现象,而且即使在运行的后期,仍然能以极大的概率搜索较好解。     

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.     

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。     

一种改进的基于隶属云模型的蚁群算法

为了解决传统蚁群算法的收敛速度慢和易陷入局部最优等缺陷,做出如下改进：首先采用云模型来自适应控制蚂蚁的随机性;其次缩小了后继城市的搜索范围;最后引入2-opt局部搜索策略。对城市规模从50到高达1 000的TSP问题进行仿真,并与先前提出的改进蚁群算法进行对比,结果表明,该算法不仅偏离率更小,而且运行时间短。随着城市规模的增大,优势更明显。     

基于MapReduce的量子蚁群算法

量子蚁群算法是在蚁群算法的基础上结合量子计算而提出的,该算法具有较好的全局寻优能力和种群多样性。应用MapReduce的key/value编程模型,将量子蚁群算法并行化,提出了基于MapReduce的量子蚁群算法（MQACA）,并将其部署到Hadoop云计算平台上运行。对0-1背包问题的测试结果证明,随着数据规模的扩大和并行程度的提高,MQACA具有良好的加速比和并行效率。