基于改进遗传算法的QoS移动网格任务调度

移动网格环境具有高度的动态性,任意时刻都可能发生资源的变化,任务调度因此变得复杂,提出了一种面向服务质量(QoS)的移动网格任务调度策略.建立资源和任务模型,定义任务优先级,将任务分成若干子集,子集内调度采用改进遗传算法,选取时延和跨度为QoS指标,编码和遗传操作上体现资源对任务QoS的匹配调度,使最优解尽力满足任务QoS;同一资源上分配的任务,按优先级顺序执行.仿真结果表明,调度算法可以较好地满足用户的QoS,调度跨度也较优.     

基于云模型的网格任务调度遗传算法研究

针对网格环境动态多变性的特点,为了克服传统遗传算法易陷入局部最优的缺陷,提出了一种基于云模型的网格任务调度遗传算法。该算法由正态云模型的Y条件云发生器实现交叉操作,由基本云发生器实现变异操作,对调度模型进行优化求解,并在任务调度中对初始种群的产生、选择、变异和交叉操作进行了改进,通过实验分析,表明了该算法的可靠性、有效性和实用性。     

蚁群算法解决网格环境下任务调度问题的研究

网格环境下的任务调度是典型的NP难组合优化问题,是近些年来学者们争相研究的热点。传统的Min-Min算法具有任务完成时间长,负载平衡性差等缺点,因此,本文提出了一种应用蚁群算法解决该问题的方法。利用蚂蚁总能从蚁穴到食物源之间找到最短路径这一自然特性,将任务的一次分配过程抽象为蚂蚁的一次探路过程,最终得到较优的分配结果,并进行了实验仿真模拟,取得了不错的效果。     

网格环境中基于蚂蚁算法的任务调度策略的改进

任务调度和负载均衡是网格计算环境中影响系统性能的重要问题．由于网格资源通常是位于不同的地理位置,由不同的组织管理,加之系统可能发生故障,所以在大型网格环境中任务调度和负载均衡是一个非常复杂的问题．本文应用改进的蚂蚁算法,通过增加负载平衡因子,将用户提交的任务合理地映射到相对空闲的网格资源上,有效地实现了任务的合理调度和负载均衡．     

基于遗传算法的网格资源任务调度策略研究

网格是当前高性能计算领域的一个研究热点。首先分析了网格任务的特点,给出了网格任务模型,在此基础上提出了一种层次结构的网格资源管理任务调度系统模型。采用了遗传算法作为调度策略,给出了调度策略的每一步具体实现方案。此模型可为网格的资源管理提供一个统一的高层管理框架,能实现全局最优调度,为网格调度提供了一种有效的方法和途径。     

基于改进免疫遗传算法的电力系统无功优化

电力系统无功优化是保证系统电压质量、降低网损的重要措施.基于遗传算法、免疫算法的优缺点,提出一种应用于电力系统无功优化的新算法-改进的免疫遗传算法.对IEEE-30节点系统的仿真表明:该算法能够有效地提高收敛速度,避免早熟收敛.     

一种改进的网格资源组织及其任务调度

为了提高网格资源调度的效率,利用分层的思想和方法,提出一种分层的网格资源组织方式及其调度机制。通过在分层组织结构中引入负载信息表和资源统计表,对传统的资源组织方式进行改进,在任务调度时对网格资源进行筛选,缩短任务的平均调度时间,提高任务调度效率,同时可解决网格内部的负载平衡问题。仿真实验及分析显示,与传统的资源组织方式相比,该组织方式可提高网格系统的性能,同时具有较好的扩展性。     

一个改进的Min—min网格任务调度算法

在动态、异构和分布的网格环境中,对网格任务的调度是一个非常复杂、重要且具有挑战性的问题.针对网格环境的动态性特点.在min-min算法的基础上,提出了一个改进的网格任务调度算法,其核心是根据任务和资源的特性将任务映射到相应的节点上执行,并采用模拟器GridSim进行模拟实验.实验结果表明,该算法能降低完成任务的总时间,可有效地保证负载均衡,提升系统资源利用率,具有较好的综合性能.     

改进蚁群算法的云存储任务调度算法研究

由于云存储环境与云计算环境中不同,若直接将云计算环境中的任务调度算法移植到云存储环境中,必然会导致任务调度的效率下降.为解决此问题,提出了一种适用于云存储环境中的改进蚁群算法.改进蚁群算法能使云计算环境的任务调度算法更符合云存储的环境;同时,对于改进PSO算法在引入存在矩阵时,由于数据资源不存在而造成算法前期优化浪费引起效率低下的问题进行了有效解决.分析测试结果表明,提出的改进蚁群算法在云存储环境的任务调度算法在保障有效解的前提下能够拥有更快的收敛速度.     

可迁移网格依赖任务重调度模型及算法

针对可迁移依赖任务的重调度问题,提出了基于约简DAG可迁移任务图的重调度模型,并基于免疫遗传算法实现了以提高应用性能为目标的求解算法.实验表明,与经典的动态调度算法Max Min和基于启发式的AHEFT静态算法相比较,由于调度目标的一致性,初始调度的性能在重调度过程中被较好地保持,并且由于任务迁移的支持和遗传算法在全局优化上的性能优势,应用性能得到较大提升;又由于任务图的约减过程和免疫因子对算法收敛的作用,提出的IGA算法效率得到显著改善,使资源动态性和异构性的适应能力得到进一步增强.     

求解非满载车辆调度问题的免疫遗传算法

非满载车辆调度问题是车辆调度问题中的一个基本问题,由于它是一个典型的NP难题,传统方法的求解结果往往不能令人满意.曾有研究将传统的遗传算法用于求解非满载车辆调度问题,但是由于遗传算法在遗传后期的波动现象,导致了迭代次数过大和准确率不高.该实验根据生物免疫系统的机理提出的免疫遗传算法,结合了遗传算法的进化操作和生物免疫中的浓度机制,通过抗体的期望繁殖率实现对抗体的促进和抑制,改善未成熟收敛.该算法是在传统遗传算法全局随机搜索的基础上,借鉴生物免疫机制中抗体的多样性保持策略,改善了传统遗传算法的群体多样性,通过与遗传算法的比较,结果表明,该算法不仅收敛,而且具有更好的全局和局部搜索能力和收敛速度.     

基于蚁群算法的虚拟企业生产任务调度优化研究

描述了虚拟企业生产任务调度的层次框架,该调度框架包括虚拟企业全局调度和合作伙伴局部调度两个层次。针对虚拟企业调度层的优化问题,综合考虑虚拟企业生产任务的时序逻辑关系、作业时间和生产任务集等影响因素,建立了以任务总作业时间最小化为目标的数学模型,并基于蚁群算法对上述优化模型进行了求解。应用实例与算法比较验证了优化模型与求解算法的有效性。     

基于免疫蜂群算法的冷轧生产调度优化方法

冷轧生产调度是一个复杂的约束组合优化问题,生产约束包括轧制板坯的宽度、厚度、硬度跳变及交货期提前和拖后惩罚等。基于1．sP（多旅行商）问题,建立了冷轧生产调度问题的最小值模型,提出了一种免疫蜂群优化求解算法。通过给蜂群注射疫苗产生出代表新的解集的种群,避免算法在优化过程中陷于局部极值。针对工业数据的仿真结果表明：免疫蜂群优化算法明显优于人工蜂群优化算法的解,具有较好的收敛性和快速性。     

基于遗传算法的大型Flow—shop生产调度

Flow—shop调度问题具有建模复杂性、计算复杂性、动态多约束、多目标性等特点。近几年,各种演化计算方法逐渐被引入到生产调度中,特别是遗传算法的应用。为此,应用Matlab开发生产调度程序,并利用实际生产数据进行了仿真;通过相关仿真实验,验证了不同交叉算子和变异算子组合获得的最优解存在差异,获得并验证了一种较好的交叉算子和变异算子组合,其仿真调度数据验证了遗传算法用于求解大型流水车间调度的可行性和有效性。     

L-模糊集信任机制的网格计算任务调度方法

建立了一种新的网格环境下基于L-模糊集的信任模型,该模型用语言变量刻画实体间的信任,利用上下文无关文法进行形式化描述,并用模糊算子刻画信任等级．在此模型和Min-Min算法的基础上,提出了基于信任的网格任务调度算法L-FSTM-Min-Min(L-Fuzzy Set Trust Model-Min-Min),该算法以模糊逻辑为基础,使用3I算法对多条推荐信任规则进行模糊推理,达到对信任的综合评价．经GridSim网格模拟器仿真实验表明,在同等条件下该算法与Min-Min算法相比较,任务最后完成时间明显降低了,失效服务数也大大减少了．     

一种基于网格计算的农业遥感数据快速分类算法

针对农业遥感数据分类速度慢的问题,本文对K-means算法的并行化方法进行了研究,提出了一种基于网格计算的快速分类算法.在实现K-means并行算法过程中,通过调整通信数据的存储方式,使该算法每次迭代的通信次数降低为一次全收集操作.该算法节点数的选取是根据数据规模和分类需求确定的,而不是节点数越多算法效率越高.实验结果表明,这种方法具有较好的加速比.     

基于免疫遗传算法的多机器人环境探索

针对多机器人环境探索中的任务分配和路径规划问题,将环境中所有待探索的任务点根据短距离优先策略分配至个体机器人,利用改进的免疫遗传算法对机器人分配到的任务点进行优化探索,提出了带有初始任务点优化的路径规划方法,使机器人能够不重复并且高效地遍历工作环境中的所有探索点.通过建立多机器人仿真实验系统,随机产生环境中的任务点和机器人等数据信息,并在此条件下对本文方法进行实验验证.结果表明,本文方法能够有效地实现多机器人环境探索问题.