云制造环境下基于双层规划的资源优化配置模型

为了解决云制造环境下制造资源的优化配置问题,综合考虑需求与服务双方以及云平台运营方的利益,提出了一种基于双层规划的资源优化配置模型。该模型以前景理论结合多约束多属性评价体系求解出的供需双方满意度作为上层规划的优化目标;以云平台资源利用率最大化为下层规划的优化目标;通过双层规划并采用改进的i-NSGA-II-JG算法对多目标制造资源配置问题进行求解。最后,通过算例仿真实验证明了该模型的可行性和优越性。     

一种基于动态规划的云环境测试配置方法

为了得到测试代价最低的资源配置组合方案,简要介绍了测试配置对软件测试质量和效率的影响。通过分析当前云平台中松散耦合、动态变化可用资源的特点,提出了云环境下测试配置的过程、测试需求和测试配置的结构,并提出了基于动态规划的测试资源选择算法以满足用户的测试需求。最后在CloudSim下通过相关实验验证了方法的可行性。     

基于遗传算法的容器云资源配置优化

提出一种基于遗传算法的容器云资源配置优化方法。充分考虑虚拟机配置于物理主机以及容器配置于虚拟机的资源分配情况,将容器云平台数据中心整体能耗最低作为目标函数,设置物理主机与虚拟机对应、虚拟机与容器对应等约束条件,利用遗传算法通过染色体表达、初始化、交叉操作、变异操作以及设置适应度函数5个步骤求解目标函数,获取最优容器云环境资源配置结果。实验结果表明,本文方法可实现容器云资源的合理配置,提高物理资源的利用效率,实现数据中心节能的目标。     

基于迁移技术的云资源动态调度策略研究

现有云资源管理平台存在着瞬时资源利用率峰值易引发迁移、动态负载效果不佳等问题。依据云资源动态调度模型,提出了有效的基于迁移技术的虚拟机动态调度算法。算法将物理节点负载与虚拟机迁移损耗评估、多次触发控制、目标节点定位三者有机结合,实现云计算数据中心高效的动态负载均衡。实验结果表明,该算法优于CloudSim的DVFS调度策略,在保证应用服务水平的同时能减少虚拟机迁移次数和物理机启用数量。     

容器云多维资源利用率均衡调度研究

在OpenShift容器云平台上针对其调度策略进行研究和改进,提出了基于多维资源空闲率权重的评价函数和调度方法。该方法综合考虑物理节点CPU、内存、磁盘、网络带宽空闲率和已部署的容器应用个数等因素,利用模糊层次分析法（fuzzy analytic hierarchy process,FAHP）自动建模求解容器应用多维资源权重参数。实验表明,新的调度方案能够使集群多维资源利用率更加均衡,从而提升资源的利用率和集群性能。     

基于贪心算法的容器云资源低能耗部署方法

将容器云平台资源整体能耗最低作为目标,设计基于贪心算法的容器云资源低能耗部署方法。在物理主机与虚拟机对应、虚拟机与容器对应等约束条件下,结合静态和动态两个部分构建容器云资源能耗模型。通过资源虚拟化与去除冗余两个步骤,得到容器云资源的整合结果。检测物理机负载状态,确定虚拟机迁移源物理机和目标物理机,利用贪心算法均衡调度容器云资源负载,最终通过容器云资源编排重组,实现容器云资源低能耗部署。通过与传统部署方法的对比得出结论：在优化设计部署方法下,容器云资源的利用率和负载均衡度得到明显提升,能量损耗明显下降。     

考虑备灾的双层规划应急资源调度选址—路径优化模型与算法

备灾措施可以为救灾做准备,为确保灾后应急物资可以及时高效地到达灾区,提出了考虑备灾的双层规划应急资源调度选址—路径优化模型,上层规划以供应站建设和运营总成本最低为目标,而下层规划以配送路径成本最小化为目标.设计了一种改进的双层樽海鞘遗传算法求解该问题,结合迭代划分的概念更新领导者位置,采用自然指数惯性权值策略修正控制因子,利用混沌映射更新追随者位置,采用田口分析方法获取参数合理取值.最后,通过使用双层樽海鞘遗传算法与遗传粒子群混合算法、粒子群优化算法、免疫优化算法对OR-Library中的LRP(location-routing problem,LRP)数据集进行求解和对比分析,验证了所提模型和算法的可行性和有效性.     

基于信息熵的容器云平台监控模型设计

为了提高容器云平台监控和数据调度分配能力,提出基于信息熵的容器云平台监控模型。采用资源冗余度分析和CPU物理核心资源检测方法,提取容器云平台监控的信息熵,采用负载均衡控制的方法,分析容器云平台的负载变化和资源调度延迟,将容器云平台的运行数据分为决策类数据、计算资源池数据以及监控服务数据类,采用类型化的特征匹配和数据聚类方法,建立器云平台监控模型的信息熵和关联信息特征匹配模型,通过多个复杂均衡的任务调度序列进行随机链路动态分配,采用容器云的任务排队模型,实现容器云平台监控模型的优化设计。仿真测试结果表明,采用该方法进行容器云平台监控的云数据调度能力较好,资源利用率达到100%,收敛值达到12 000以上,提高了资源利用率和云资源的在线调度能力。     

基于动态规划的资源受限随机工序调度

为解决资源受限条件下的随机工序调度问题,该文提出一种基于离散随机动态系统描述的加工时间离散随机分布且同时具有不兼容和多种可更新资源约束的资源受限项目调度模型,使得在满足资源约束和工序约束的前提下,总的平均加工时间最短。该系统研究了动态规划算法求解该问题的方法。通过实例,验证了该方法的有效性和可行性。     

基于萤火虫群优化算法的容器云资源低能耗部署方法

为了降低容器云中大量物理主机的消耗能量,提出基于萤火虫群优化算法的容器云资源低能耗部署方法。通过建立能量消耗模型得出能耗代价函数,将能耗问题转换成多目标优化问题,利用帕累托占优求解多目标优化问题得出最优解集,保证部署过程中最低能耗。基于容器云资源部署的要求,利用萤火虫群优化算法不断更新容器云资源虚拟机,将主机视为萤火虫种群,根据荧光素在全局中寻优,得出相应虚拟机,生成最优部署方案。实验结果表明,萤火虫群方法优化的容器云部署性能较好,部署运行时间短、开销小。     

基于长短期记忆神经网络的容器云队列在线任务动态分配

针对现有容器云在线任务分配方法分配合理性和资源均衡度较差、任务处理效率较低的问题,提出一种基于长短期记忆神经网络的容器云队列在线任务动态分配方法。描述容器云队列在线任务模型;以节点互补度、资源利用率以及能耗组成任务分配多目标函数;在约束条件下利用长短期记忆神经网络求解任务分配最优方案,完成容器云队列在线任务动态分配。实验结果表明,本文分配方案的分配合理性达到0.925,资源均衡度达到10.255,最长队列长度为10,最大能耗值为5000 W,分配合理性、资源均衡度、任务处理效率均得到改善,分配方案更加合理。     

一种云计算资源优化分配的方法探究

文章针对云计算的特征提出了云银行模型,在模型中以多维的帕累托最优理论为依据进行资源调度,对其进行了最优化分析,目的在于提高客户的满意度,提高资源的利用率。通过对比实验,证明了该文提出的方法是有效的。     

基于云计算的作业调度算法研究

通过对现有云计算进行系统的研究,设计出一套作业调试算法解决方案,实现云计算作业调试算法,并应用在云计算模型上,通过模拟平台进行实验分析,证明解决方案是可行的。     

基于改进的蝙蝠算法在云计算中的资源分配

云计算中的资源分配一直都是研究的重点, 提出了一种基于改进的蝙蝠算法的云计算资源分配方法. 在蝙蝠算法中引入差分遗传算法, 通过变异, 交叉和选择等操作避免个体陷入局部最优, 以及过早产生最优解的可能,改进后的蝙蝠算法能够有效的提高收敛速度和精度. 仿真实验表明, 本文算法不但有效提高了算法性能, 还优化了云计算系统中的资源调度能力, 提高了云计算资源的利用率.     

云计算环境下基于蚁群优化算法的资源调度策略

针对当前云计算环境中节点规模巨大,单个节点资源配置较低,寻找有效计算资源效率不高的缺点,文中在Google公司的Map/Reduce框架上提出了两个基于蚁群优化的资源调度策略ACO1和ACO2,并在这两个资源调度策略中引入双向蚂蚁机制。在该双向蚂蚁机制中蚂蚁通过相互交流,能够快速地发现合适的虚拟机资源,从而使得Master节点能够快速地为用户任务分配虚拟机。实验结果表明这两个利用了双向蚂蚁机制的资源调度策略显著减少了为用户任务寻找虚拟机的时间,从而使得用户任务能够更快地获得虚拟机,保证用户作业能够按时完成。     

基于业务预测的云资源动态调度人工智能 方法及系统研究

With the continuous development of the payment market, the data structure characteristics of new business forms such as mobile Internet have changed significantly, and intelligent cloud data center is the general trend of development in the current indus- try. This paper proposes an artificial intelligence method and system design for dynamic scheduling of cloud resources based on busi- ness prediction. The resource availability of daily physical machines has changed over time, and it is necessary to reintegrate the re- sources in order to save energy and meet the requirements of service. In the early stage of large-scale marketing, capacity analysis is combined to make prediction in advance, and intelligent multi-dimensional capacity decision expansion based on artificial intelli- gence and machine self-learning is adopted. The dynamic migration and integration method of virtual machines in cloud data centers with high energy efficiency provides a new solution for improving energy efficiency of cloud computing data centers, ensuring sys- tem reliability and reducing operation and maintenance costs of cloud data centers.     

一种基于云模型的数据传输算法

分布式系统中的多个Excel文件中的数据如何高效地组织和传输,是一个常见的问题。实现了新的基于云模型的数据传输算法,利用正向云发生器实现网络流量的定性定量转换,利用虚拟云的算法获得了最终的传输云模型,通过分析云滴分布得到数据传输的方向和目的位置。实例验证表明,传输模型可靠,实现了网络流量的动态均衡,具有一定的实践意义和指导作用。     

基于动态关键路径的云工作流调度算法

为了提高资源行为动态异构的云环境中工作流任务的调度效率,提出了一种基于动态关键路径的工作流调度算法CWS-DCP。算法将工作流任务结构定义为有向无循环图DAG模型,改进了传统关键路径的一次性搜索模式,结合云资源可用性动态可变的特征,以动态自适应方式搜索关键路径,并确定关键任务。同时,在关键任务调度后,局部DAG的关键路径搜索根据资源可用性再次迭代更新,从而动态决策任务与资源间的调度方案。通过仿真实验,构建了三种不同类型的工作流结构作为测试数据源,并与其他六种同类型的启发式和元启发式算法进行了性能比较。实验结果表明,在资源可用性动态改变和工作流规模不断增大的情况下,CWS-DCP算法在多数工作流结构中均能得到执行跨度更好的调度方案和更少的调度开销。     

采用随机规划模型的云资源分配算法

针对云资源提供问题,为了降低云消费者的资源使用成本,提出了一种采用随机规划模型的云资源分配算法.同时考虑按需实例和预留实例,采用两阶段随机整数规划对云资源提供问题进行建模,在资源预留阶段,根据长期的工作负载情况,确定预留实例的类型和数量,在按需分配阶段,根据当前的工作负载,确定动态分配的按需实例的类型和数量.采用抽样平均近似方法减少资源提供问题的场景数量,降低求解复杂度,并提出了一种基于阶段分解的混合进化算法求解资源提供问题.仿真实验结果表明,采用随机规划模型的云资源分配算法能够在较短时间内获得近似最优的云资源预留方案,有效降低了云消费者的资源使用成本.