计算网格的资源聚集算法研究

使用备份资源是提高计算网格可用性的重要方法,而资源聚集是选择备份资源的前提。本文对文献[1]中提出的资源聚集算法进行了改进,降低了算法的复杂性,并使得资源聚集更易于实现。     

计算网格中的资源选择与调度算法

针对文中描述的计算网格资源环境模型,构造了一种分布式的层次型任务调度模型,任务调度分为计算资源站点的选择以及资源站点内部的本地调度两层进行。通过研究该调度模型,提出了一种基于双目标衡量函数的资源选择算法,该算法可以通过设置相关参数动态调节响应时间和价格在总目标中所占比重。试验结果表明能够选择综合满足响应时间和价格这两个目标的计算资源,以适应用户的不同需求。     

具有自主计算特征的计算网格资源备份服务系统

设计了具有自主计算特征的计算网格资源备份服务系统,该系统采用了先进的自主计算思想,具有一定程度的自识别、自感知、自管理、自组织、自优化、自稳定和自愈合的能力。     

网格经济模型中基于信誉度的资源选择

针对网格资源管理中的经济模型，在资源信誉度的概念基础上，提出了信誉度评价算法和基于信誉度的资源选择算法。通过实验对算法进行验证，结果证明基于信誉度的资源选择在资源调度率、吞吐量、任务完成率和平均完成时间等方面都体现出良好的性能。     

基于分层和分组的移动网格资源选择算法*

针对移动网格的特殊环境,利用统计学中多次线性回归函数提出一种基于分层和分组的移动网格资源选择算法,该算法考虑了移动设备电池能量低、移动性及其处理能力弱等特征。算法中将移动资源分成不同级别层次并分成K组,将任务同时分配到符合资源请求的n组（n相似文献   

基于本体的网格资源查找和选择算法研究

对现有的计算网格资源选择算法作了总体性介绍,并在此基础上详细介绍了三种基于本体的资源查找和选择算法.最后对各种方法作了分析、比较和总结.     

网格计算资源调度算法研究

如何将网格这个复杂环境中的资源进行有效调度，是一个NP问题。并行遗传算法被证明是解决这类问题的有效算法，同时并行遗传算法有“早熟”和慢速收敛等缺点。为了克服其缺点，该文引进蚁群算法思想，将两个算法结合起来，充分发挥各自的优势，该算法能更有效地解决网格计算资源分配的问题。     

基于遗传禁忌搜索的网格资源选择算法

资源是网格的主体,建立网格的目的就是要管理好的各种网格资源,最大程度地实现资源共享.把网格上的资源和用户请求进行匹配,把合适的可用资源提供给用户使用是网格管理的核心内容.分析了目前常用的资源选择算法,并在此基础上,提出了一种新的算法.该算法结合了遗传算法和禁忌搜索算法的优点,利用禁忌搜索中的禁忌列表来对遗传算法中交换进行有效的限制,避免进入局部搜索.最后通过试验将新算法与遗传算法进行比较.     

一个容错的网格资源选择算法

芝加哥大学提出了一个网格资源选择算法,能够同时满足单一资源选择和多个资源选择的要求。但是,由于算法一开始就选择了资源集合中单机最强的节点,所以很容易陷入局部最优,且算法不具备容错能力。针对这种情况,本文对该算法进行改进,提出了基于基版本／副版本技术的容错资源选择算法。模拟实验表明,算法是有效的。     

基于遗传算法的网格制造资源优化选择

制造资源的选择和优化是制造网格应用过程中的关键问题.本文通过对已有制造资源搜索方法进行分析,指出其存在的局限性;在对资源选择问题进行数学描述的基础上,提出了一个基于遗传算法的制造资源组合优化模型,并对该模型的算法进行了设计;最后,给出了一个典型算例,以说明该模型和算法的有效性.     

一种基于克隆选择的动态聚类算法

本文在克隆选择免疫算法和层次聚类的基础上,提出一种动态聚类算法。该算法无需先验知识,首先初始化与抗原相同规模的抗体,然后根据亲和力进行抗原识别、抗体抑制和合并,完成一轮聚类;再利用aiNET免疫网络模型动态确定聚类后的抗体的变异方向,实施强目的性变异,变异率反比例于进化代数动态调节,使变异后相似的抗体进一步合并,如此反复直到满足终止条件。仿真的实验结果表明,该算法比传统的聚类方法具有更好的聚类结果和更高的性能。     

基于相异性选择的密度聚类算法研究

在最优K相异性算法（OptiSim）的基础上，提出一种扩展的最优K相异性算（EOptiSim）。由于EOptiSim在处理组合数据库和分布式数据库方面能弥补基本的OptiSim方法的不足，所以通过在DBSCAN算法之前应用0ptiSim或EOptiSim多样化代表性子集选择技术。在显著降低I／O耗费和内存需求的同时，不仅能够有效地聚类单一的大规模空间数据库，而且还能聚类大规模组合数据库或分布式数据库．实验结果表明本文的算法是可行、有效的．     

基于克隆选择的移动Ad hoc网络簇化的优化方法

在权值簇化算法WCA的基础上,利用人工免疫系统中的克隆选择原理来提高移动Ad-hoc网络的簇化性能,从而实现用尽可能少的簇头来管理尽可能多的簇成员,以保证网络拓扑结构的相对稳定。仿真结果表明,利用克隆选择原理优化的方法在簇头的数量、更新次数等多方面均优于WCA算法。     

基于最优K相异性的密度聚类算法研究

该文提出一种利用最优K相异性算法(OptiSim)的密度聚类算法,通过代表性子集选择技术与DBSCAN算法的结合,可显著降低I/O耗费和内存需求,使之能够有效地处理大规模空间数据库,并提出一种扩展的OptiSim代表性子集选择方法(EOptiSim),它在处理组合数据库方面能弥补基本的OptiSim方法的不足。实验结果表明文章的算法是可行、有效的。     

一种基于簇头选择模型的无线传感器网络分簇算法

针对分层结构的无线传感器网络,本文提出了一种分簇算法.节点通过簇头选择模型来决定自己是否被选为簇头.簇头选择模型由节点度(ND)和剩余能量(RE)共同决定.从而提高了网络体系结构的稳定性,减少计算和通信开销.所述分簇算法不仅优化了簇头选择,还均衡整个网络节点的能量消耗,进而延长网络的生命周期.最后通过理论分析和仿真进一步验证该分簇算法的性能.     

基于算法选择和结果评估的自动聚类方法

文章提出了一种基于算法选择和结果评估的自动聚类方法。对给定数据集,该方法首先通过分析数据集的潜在簇结构,并依据所发现的簇结构为数据集挑选一种合适的备选聚类算法集;然后利用聚类有效性指标对这个算法集的算法聚类结果进行评估,以确保得到高质量聚类结果。实验结果表明该方法能够自动地挑选适合数据集的聚类算法,并获得高质量的聚类结果。