基于多尺度量子谐振子算法的云计算任务调度

合理地分配虚拟计算资源以进行有效的任务调度是云计算中的一个核心问题。为了更好地利用虚拟计算资源,高效地完成服务需求,提出了一种基于多尺度量子谐振子算法（MQHOA）的任务调度算法。首先,该算法将每一个调度方案当成一个采样位置,利用高斯采样的随机性在当前尺度下搜索局部最优解;其次,判断算法是否处于能级稳定状态,如果稳定,则进入能级降低过程,最坏的调度方案将被替换;最后,算法进入尺度下降的过程,算法由全局搜索过渡到局部搜索,迭代多次之后,算法停止并输出找到的最优结果。通过在CloudSim平台上进行仿真实验,与现有的先来先服务（FCFS）算法和粒子群优化（PSO） 算法对比,MQHOA总任务完成时间减少10%以上,负载不均值下降0.4以上。实验结果表明,基于MQHOA的任务调度算法能够快速收敛,有良好的全局收敛性和自适应能力,在云计算任务调度过程中,能够起到减少总任务完成时间和均衡负载的作用。     

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...     

基于负载均衡的云计算任务调度算法的研究

本文针对当前云计算系统负载不均衡和任务完成效率有待提高的问题,提出了一种基于系统整体负载均衡与最小完成时间LB—ECT算法。根据云计算环境下资源需求动态变化,利用任务在虚拟机上执行时间的预测进行任务到虚拟机上的分配、调度。优化系统的整体效率。采用云计算仿真平台CloudSim对本算法进行仿真实验与分析,实验仿真结果表明,LB—ECT算法能够有效提高系统的整体负载均衡能力．明显缩短任务的总完成时间．     

基于多目标免疫系统算法的云任务调度策略

针对云计算环境下任务调度问题,为减少任务完工时间,同时降低任务执行费用,提出一种改进的基于多目标免疫系统的任务调度算法IMISA来寻找较优的可行分配方案。与传统分配适应度值不同,该算法将抗体群划分为非支配解集和支配解集,分别将非支配解的独立支配区域面积、支配解与所有非支配解所围成的多边形面积作为相应的抗体-抗原亲和力,根据相应亲和度计算克隆比例后克隆变异生成子代。在CloudSim平台上进行仿真实验,结果表明,与NSGA-Ⅱ及多目标免疫系统算法(MISA)相比,IMISA能够找到具有更短完工时间及更小的执行费用的调度方案,同时获得的Pareto解集也具有更好的分布性。     

基于公平性和负载均衡的云计算任务调度算法

任务调度是云计算的关键技术之一,其主要目标是能更有效地满足系统资源和任务的公平性,同时尽可能实现系统资源的负载均衡。结合遗传算法的优点,提出一种公平均衡遗传调度算法FBGSA(Fair Balanced Genetic Scheduling Algorithm)。该算法充分考虑到任务调度过程中资源和任务的公平性问题,以及资源的负载均衡等因素。实验结果显示该算法不仅可以有效减少任务总完成时间,而且可以满足系统资源和任务的公平性,有效实现资源负载均衡。     

基于改进的群居蜘蛛优化云计算任务调度算法

针对当前任务调度算法在异构云计算环境中完成时间长、资源利用率低以及任务分配不平衡等问题,提出了一种基于改进的群居蜘蛛优化的任务调度算法,该算法通过基于混沌惯性权重的随机选择对群居蜘蛛群体进行智能建模,在保证有效负载均衡的情况下,使得总体完工时间最小化.该算法避免了局部收敛,在最小完成时间和均衡资源利用率的虚拟机集合中寻...     

基于狮子优化和GSA混合的多目标任务调度算法

针对现有云计算环境中调度算法资源利用率低,调度成本高的问题,提出了一种基于狮子优化和引力搜索算法(gravity search algorithm,GSA)混合的多目标任务调度算法,该算法使用成本、能耗、资源利用作为目标函数,将狮子搜索和引力搜索算法进行有效地组合来执行智能过程调度,改善调度过程中的优化问题,避免陷入局...     

移动云计算环境下任务调度的多目标优化方法

移动云计算技术可帮助移动用户在执行工作流任务时将一些任务迁移至云端服务器执行,从而节省移动设备的电池能耗,并提高计算能力.传统研究工作在进行移动云计算环境中的任务调度时缺乏对能耗和运行时间的联合优化.为了实现有效的任务调度,基于工作流图中任务执行的先后关系,分析了采用动态电压频率调节技术的移动设备处理器执行工作流任务的运行时间与能耗,并考虑了将任务通过无线信道迁移到云端服务器执行所需的时间,给出了能耗与执行时间联合优化的任务调度模型和目标方程.提出基于模拟退火算法的任务调度方法,分析了算法时间复杂度,进行了系统性的对比实验,评估了所提出方法的正确性和有效性.     

云计算环境下基于粒子群算法的多目标优化

为了优化资源的部署调度,需要考虑处理费用、传输费用,并提高云计算的性能.对云计算环境下特点进行了研究,把云计算环境下的数据部署和任务调度问题映射为处理交互图,对处理交互图进行分析、提出了多目标优化模型,并通过粒子群算法对多目标模型进行优化.仿真结果表明,该多目标优化模型和算法不但能优化处理时间、传输时间,也能优化处理费用和传输费用.     

云计算环境下基于用户和资源约束的免疫效用均衡任务调度算法

针对云计算中的任务调度问题, 提出了一种免疫均衡效用任务调度算法. 该算法将云计算环境下任务调度问题建模为一个多目标优化模型, 同时兼顾了用户任务的时间跨度和虚拟化资源的负载均衡. 仿真结果表明, 该任务调度算法提高了用户满意度的同时减少了任务的完成时间, 是云平台下一种有效的任务调度策略.     

基于改进蚁群算法的云计算任务调度模型

为解决云环境下的资源调度问题,提出一种能改善任务并行性与兼顾任务串行关系的调度模型,将用户提交的动态任务分割成具有制约关系的子任务,按运行次序放到具有不同优先级的调度队列中。针对同一调度队列中的子任务,采用基于最短任务延迟时间的改进蚁群算法(DSFACO)进行调度,在兼顾调度公平性与效率的前提下,最大化缩短任务延迟时间,从而提高用户满意度。实验结果表明,与任务调度增强蚁群算法相比,DSFACO算法在任务延迟时间、调度公平性及效率方面性能更好,能实现云计算环境下任务的最优调度。     

基于改进 NPGA 算法的多目标优化云任务调度算法

随着云计算的不断发展,传统的单目标优化下的任务调度已经不能满足用户的服务质量要求。论文选取运行时间、费用和负载均衡建立多目标优化的云任务调度模型,提出一种改进的多目标小生境 Pareto 遗传算法（NPGA）,采用相似任务序列交叉操作加快进化,再采用位移变异避免算法过早收敛。此外,通过自适应选取比较集合规模和小生境半径提高算法的收敛速度。仿真结果表明,改进后的 NPGA 算法在云调度中保持 Pareto 最优解的多样性和分布性更优。     

改进蚁群算法的云计算任务调度方法

针对蚁群算法在云计算任务调度问题求解过程存在的不足,以找到最佳的云计算任务调度方案为目标,提出了一种基于改进蚁群算法的云计算任务调度方法.首先对当前云计算任务调度研究现状进行分析,并对问题进行了具体描述,然后采用蚁群算法对云计算任务调度问题进行求解,并针对标准蚁群算法缺陷进行改进,最后在CloudSim平台对该方法的性能进行测试.结果表明,改进蚁群算法可以找到较好的云计算任务问题调度方案,加快云计算任务完成速度,具有一定的实际应用价值.     

基于任务备份的云计算容错调度算法

云计算所提供的服务面向庞大的用户群,随着节点规模的扩大、任务执行时间的增长,云计算的故障率越来越高。为此,提出基于任务备份的云计算容错调度算法。将任务映射到含有该任务输入数据且负载最小的节点,根据云计算的安全等级将任务进行备份,并重新调度失败任务。仿真实验结果表明,该算法具有较好的容错性,任务调度成功率达到99%。     

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.     

基于改进免疫进化算法的云计算任务调度

针对云计算环境下内置任务调度方法的低效问题,提出一种基于改进免疫进化算法的任务调度算法,利用人工免疫进化原理完成任务调度的全局优化。通过将粒子群优化算法作为算子嵌入免疫进化算法中,避免陷入局部最优,改善收敛效果,减少任务调度时间开销。以CloudSim作为仿真平台进行模拟,实验结果表明,改进的免疫进化算法能大幅提高云计算任务调度效率。     

云计算中负载优化模型及算法研究

云计算环境的动态性和异构性,使得云计算很容易出现负载失衡现象,严重影响了云计算的整体性能和用户体验.论文提出了基于改进遗传算法的负载均衡优化模型,兼顾资源需求动态变化和虚拟机的计算能力,建立相应的资源调度模型,运用改进遗传算法实现资源负载均衡.验证表明,该算法能很好满足云环境下数据中心的使用要求,提高资源利用率和负载均衡度.     

云环境下基于强化学习的多目标任务调度算法

针对云计算环境下的多目标任务调度问题,提出一种新的基于Q学习的多目标优化任务调度算法(Multi-objective Task Scheduling Algorithm based on Q-learning,QM TS).该算法的主要思想是:首先,在任务排序阶段利用Q-learning算法中的自学习过程得到更加合理的任务序列;然后,在虚拟机分配阶段使用线性加权法综合考虑任务最早完成时间和计算节点的计算成本,达到同时优化多目标问题的目的;最后,以产生更小的makespan和总成本为目标函数对任务进行调度,得到任务完成后的实验结果.实验结果表明,QMTS算法在使用Q-learning对任务进行排序后可以得到比HEFT算法更小的makespan;并且根据优化多目标调度策略在任务执行过程中减少了makespan和总成本,是一种有效的多目标优化任务调度算法.