自适应动态调整粒子群的云计算任务调度

为了高效地实现云计算任务调度,融合改进的分数阶达尔文粒子群算法和多目标函数构造,提出一种新的云计算任务调度算法。对分数阶达尔文粒子群算法进行全方位改进,基于粒子群适应度动态调整惯性权重系数以自适应搜索最优解;利用粒子自身进化信息定义进化因子,结合进化因子并利用高斯图函数调整分数阶次α系数以实现快速收敛;借助Levy飞行随机扰动对局部最优位置进行位置扰动以提高跳出局部最优的能力;综合最短等待时间、资源负载均衡程度及任务完成所耗费用等三个目标构造任务调度满意度函数,以此搜索任务调度最优解。仿真实验表明,与其他粒子优化算法相比,该算法有较快的收敛速度和较高的寻优精度;在任务调度中,该算法与其他三种调度算法相比,在较低的截止时间未完成率下实现了虚拟资源的均衡负载。     

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.     

基于改进PSO的云计算资源调度路径优化研究

当前云平台资源管理采取的是虚拟资源池方式,在进行资源调度时,存在显著的动态特征.为了有效应对大规模任务,改善任务执行对系统性能的影响,提出了基于改进PSO的资源调度算法.考虑到调度模型中任务映射的合理性,依次分析了任务时间、成本和负载约束,将任务时间与任务成本采取加权合并,结合资源负载的倒数得到综合目标.在求解NP模型时引入PSO算法,将任务与资源映射至PSO粒子参数,对非连续任务采取自然编码,在粒子初始阶段采用随机数控制速度方向和多样性.在位置更新时引入调整因子,当位置误差较大时用于实现快速调节;当粒子适应性逐渐提高时,用于实现位置微调.在速度更新时设计了关于迭代次数的惯性系数,迭代前期使用较大的系数抑制PSO收敛速度,当迭代计算逼近最优解,逐渐降低系数值以提高收敛速度,从而防止可行解被忽略或者早熟现象发生.通过仿真结果,表明改进PSO调度算法具有良好的收敛速度和寻优效果,在保证资源负载均衡的同时,显著降低了云计算任务处理的时间和成本,有利于大规模任务处理场景.     

改进粒子群算法在云计算负载均衡中的应用研究

云计算系统采用虚拟化技术可以更加灵活和高效地分配运算资源,便于管理员根据用户任务需求按需分配云计算资源。但虚拟化后的云计算中心存在种类多样、数量庞大的虚拟机资源,难以将虚拟机合理地放置到物理主机集群上并达到较好的负载均衡。为此,给出了云计算中心虚拟机放置到物理主机的负载均衡模型,采用改进后的粒子群算法（PSO）来求解最优解。最后通过和常用虚拟机放置算法的仿真对比实验,验证了所提云计算负载均衡优化算法的有效性。     

基于云计算和改进离散粒子群的任务调度研究

针对云计算处理节点的任务调度问题,提出了一种基于改进离散粒子群算法的云计算任务调度方法;首先,定义了云计算任务调度数学模型,在此基础上对离散粒子群算法进行改进,采用自然数编码来表示任务调度方案对应的粒子位置,提出了一种自适应的惯性权重因子调整方法,并给出了子种群和主种群进行协同寻优的粒子群任务调度算法;仿真实验表明:文中方法获得最优解的次数远大于其他方法,在迭代次数为22次时就获得全局最优解192.34,同时具有良好的收敛特性。     

云计算环境下基于微粒群的虚拟机任务调度算法

为提高云计算环境中虚拟机任务调度的执行效率和充分发挥云计算技术优势,提出一种基于微粒群的虚拟机任务调度算法——PSOTS算法;PSOTS算法以完成任务最短时间为目标,首先通过设计一种新型的编码方式使得连续的微粒群算法适用于离散的虚拟机任务调度问题;然后引入禁忌搜索算法增强种群的多样性以避免微粒因早熟而陷于局部最优的问题;实验证明,在50~500个任务的情况下,PSOTS算法调度效率优于Min-min算法和遗传算法(GA),有效缩短任务执行时间和解决云环境下虚拟机任务调度问题。     

基于粒子群优化算法的虚拟机部署策略

针对云计算基础设施即服务(IaaS)中的虚拟机部署问题,提出一种基于粒子群优化(PSO)算法的部署策略。由于PSO算法在处理虚拟机部署这类大规模复杂问题时,具有收敛速度慢且容易陷入局部最优的缺点,首先,引入多种群进化模式提高算法收敛速度,并在此基础上加入高斯学习策略避免局部最优,提出了一种多种群高斯学习粒子群优化(MGL-PSO)算法;然后,根据部署模型,使用轮询(RR)算法对MGL-PSO进行初始化,进而提出了一种以负载均衡为目标的虚拟机部署策略。通过在CloudSim中进行仿真实验,验证了在解决虚拟机部署问题时,MGL-PSO相比PSO算法,具有更快的收敛速度,并且负载不均衡度降低了13.1%。在两种实验场景下,所提算法相比随机负载均衡(OLB)算法,其负载不均衡度分别平均降低了25%和15%;相比贪婪算法(GA),使负载不均衡度分别平均降低了19%和7%。     

一种粒子群优化的异构多处理器任务调度算法

为提高异构多处理器任务调度的执行效率,充分发挥多处理器并行性能,提出一种基于粒子群优化的异构多处理器任务调度算法-PSOASA算法.PSOASA算法以求得任务最短完成时间为目标,首先采用整数矩阵对粒子进行编码,并定义交换操作更新粒子状态,实现粒子搜索空间到离散空间的映射,使连续的粒子群优化算法适用于离散的异构多处理器任务调度问题,同时引入模拟退火算法,克服粒子群算法的“早熟”收敛现象,避免求得的解陷入局部最优.实验结果表明,PSOASA算法的执行效率优于目前广泛采用的遗传算法,有效地降低任务执行时间,减少了迭代次数,适用于异构多处理器环境大规模任务调度.     

云环境下基于DPSO的任务调度算法

针对云计算任务调度问题,结合粒子群优化(PSO)算法的种群个体协作和信息共享特点,提出一种基于离散粒子群优化(DPSO)的任务调度算法。采用随机方法生成初始种群,利用时变方式调整惯性权重,并在位置更新中使用绝对值取整求余映射法进行合法化处理,提高PSO算法的离散化程度。搭建并重新编译了CloudSim云计算仿真平台进行实验,结果显示,当迭代次数为200时,DPSO、PSO、GA算法的所有任务最终调度时间分别为457.69 s、467.90 s、472.41 s,从而证明DPSO算法能够有效解决云计算环境下的任务调度问题,并且算法收敛速度优于PSO和GA算法。     

改进松鼠搜索算法的云计算多目标任务调度

为解决现有方法在任务调度过程中由于非确定性、多项式完全性和大规模等因素导致无法有效获得全局最优解的问题,提出一种改进松鼠搜索算法(SSA)的云计算多目标任务调度方法。构建基础设施即服务(IaaS)的云模型,设计多目标任务调度算法框架以及相应的多目标函数,实现成本和执行时间的最小化;引入空间变异与扩散机制对传统的SSA进行改进,实现快速收敛,利用改进型SSA求解多目标任务调度问题。在Cloud Sim模拟器工具包中,使用标准工作负载和合成工作负载对所提方法进行实验论证,其结果表明,所提方法的成本、执行时间以及收敛速速度均优于其它方法,实现了显著的最优权衡。