电力云计算中关联任务调度算法

针对传统电力系统计算平台在计算、存储、信息集成和分析等方面的不足,建立基于云计算的电力系统计算平台。针对电力云计算平台中对关联任务调度进行调度时出现任务执行延迟的问题,提出了一种基于任务分层算法DAG。算法将任务按任务集合优先级的高低顺序调度至具有最小完成时间的资源上。试验证明关联任务调度算法能够有效地减缓关联任务延迟。     

截止期限约束的实例密集型云服务流调度算法

针对商业云计算中存在大量实例密集型服务流的问题,提出一种新的云环境下两阶段服务流调度算法。该算法先将用户自定义的全局截止期限分配到系统中的每个实例,再将每个实例的截止期限分配到实例中的每个任务中,最后在服务流执行阶段,动态调整后续任务的截止期限,解决了任务可能存在的未能在其截止期限内完成的时间异常问题。CloudSim仿真结果表明,与现有的算法相比,该算法能满足用户定义的截止期限,节约了执行成本,并减少了资源的竞争率,提高了调度的成功率。     

Scheduling strategy for science workflow with deadline constraint on multi-cloud

In view of the deadline-constrained scientific workflow scheduling on multi-cloud,an adaptive discrete particle swarm optimization with genetic algorithm (ADPSOGA) was proposed,which aimed to minimize the execution cost of workflow while meeting its deadline constrains.Firstly,the data transfer cost,the shutdown and boot time of virtual machines,and the bandwidth fluctuations among different cloud providers were considered by this method.Secondly,in order to avoid the premature convergence of traditional particle swarm optimization (PSO),the randomly two-point crossover operator and randomly one-point mutation operator of the genetic algorithm (GA) was introduced.It could effectively improve the diversity of the population in the process of evolution.Finally,a cost-driven strategy for the deadline-constrained workflow was designed.It both considered the data transfer cost and the computing cost.Experimental results show that the ADPSOGA has better performance in terms of deadline and cost reducing in the fluctuant environment.     

布谷鸟粒子群优化算法的多目标任务调度

高效的调度方法促使云计算更快更好地服务,一般采用优化算法来解决云计算中的调度问题。将布谷鸟搜索(CS)和粒子群优化(PSO)两种算法相结合,提出多目标布谷鸟粒子群优化算法(MO-CPSO),主要目的是提高云计算的服务质量。使用Cloudsim仿真工具对MO-CPSO算法的性能进行了评估。仿真结果表明,与CS、ACO和Min-Min算法相比,MO-CPSO算法使makespan、开销和截止时间违背率均最小。     

云环境下基于Min-Min改进的任务调度算法

在Min-Min的基础上,针对所存在的缺陷,提出了一种负载均衡的改进算法.仿真实验表明,在一定条件下,改进后的算法比传统的算法有一定的提高.     

K均值聚类在云计算的应用

相对于传统的应用部署方式,云计算是基于互联网的一种并行处理技术,提供了一个高度可扩展和按需处理的服务。任务调度一直是云计算环境中的研究热点,在云计算环境中具有重要作用。能否合理分配任务到虚拟机资源上是重要问题之一。本文通过对任务请求的资源进行分析,对不同类型的任务进行聚类,将不同类型任务通过改进贪心调度算法合理分配到虚拟机资源上。通过Cloudsim平台模拟实验表明,该算法相对于Min-Min算法在节省能耗方面有较好的效果。     

云计算任务调度算法的改进简

云环境下的工作流,进行合理的任务调度,可以克服地理限制,节省资源,从而提高用户的满意度。本文提出改进算法：快速非支配排序贝叶斯算法NSGAboa,该算法是快速非支配排序算法NSGAII和贝叶斯算法BOA的结合,根据种群中个体间的分布收敛程度来改变产生个体的方法,利用了种群个体信息和全局信息。实验证明该算法使得最优解的分布更加均匀,加快了个体产生的速度,缩短了种群的收敛速度。     

一种云计算环境下任务调度策略

文章提出的问题是在云计算环境下任务调度策略。该策略的目标是将任务分配到计算单元上达到任务完成总时间最少和资源充分利用。基于此目标文章提出利用遗传算法对任务完成时间进行优化,并为处于空闲状态计算单元动态调整任务分配以改善资源利用率。利用CloudSim仿真平台验证该方法的有效性。     

基于模糊聚类的云任务调度算法

为了更好地实践云计算提供廉价按需服务的宗旨,提出了一种在模糊聚类基础上,基于两级调度模式的任务调度(FCTLBS,fuzzy clustering and two level based task scheduling)算法,新算法设置用户调度和任务调度2个等级。对资源进行性能模糊聚类;根据任务参数计算资源偏好,使不同偏好任务在不同聚类中选择,缩小了选择范围,更好地反映了任务需求。仿真实验表明,本算法较之同类算法具备一定的优越性。     

A workflow task scheduling algorithm based on the resources' fuzzy clustering in cloud computing environment

Cloud computing is the key and frontier field of the current domestic and international computer technology, workflow task scheduling plays an important part of cloud computing, which is a policy that maps tasks to appropriate resources to execute. Effective task scheduling is essential for obtaining high performance in cloud environment. In this paper, we present a workflow task scheduling algorithm based on the resources' fuzzy clustering named FCBWTS. The major objective of scheduling is to minimize makespan of the precedence constrained applications, which can be modeled as a directed acyclic graph. In FCBWTS, the resource characteristics of cloud computing are considered, a group of characteristics, which describe the synthetic performance of processing units in the resource system, are defined in this paper. With these characteristics and the execution time influence of the ready task in the critical path, processing unit network is pretreated by fuzzy clustering method in order to realize the reasonable partition of processor network. Therefore, it largely reduces the cost in deciding which processor to execute the current task. Comparison on performance evaluation using both the case data in the recent literature and randomly generated directed acyclic graphs shows that this algorithm has outperformed the HEFT, DLS algorithms both in makespan and scheduling time consumed. Copyright © 2014 John Wiley & Sons, Ltd.     

面向分布式环境的信号驱动任务调度算法

为优化IaaS服务的执行效率,提出面向IaaS的信号驱动任务调度算法,该算法根据IaaS模型的结构特征建立控制子系统和节点子系统,根据任务的结构特征建立任务的DAG(directed acyclic graph)调度模型,并建立各任务分片的状态转化机制及控制子系统和节点子系统间的信号通信机制。以系统间信号交互的方式驱动任务分片的状态改变,并在每一调度时刻来临时利用并行优化选择策略分配任务分片。由于本算法采用了模拟IaaS模型的双系统控制方式,使本算法与IaaS模型的分布式体系相兼容且复杂度较低。最后通过实验验证了所提算法的有效性和实用性。     

云计算环境下能量感知的任务调度算法

云计算环境下传统独立任务调度算法容易导致较高资源能耗或较大任务时间跨度.针对该问题,文中提出了两种能量感知的任务调度算法,并利用遗传算法并行化搜索合理调度方案.两种算法在搜索过程中,分别通过能耗时间归一和能耗时间双适应度方法定义适应度函数并进行个体选择.仿真结果表明,与单独考虑时间或能耗相比,这两种算法能够更有效地缩短任务执行时间跨度,降低资源能耗.     

基于粒子群算法的嵌入式云计算资源调度

随着移动互联网的发展,基于嵌入式设备的云计算服务成为研究热点。在国内,嵌入式云计算目前正处于探索研究阶段,云资源管理调度是嵌入式云计算的核心技术之一,其效率直接影响嵌入式云计算系统的性能。为了提高云计算性能,本文提出一种基于粒子群优化算法的云计算任务调度模型。粒子群算法中粒子位置代表可行的资源调度方案,以云计算任务完成时间及资源负载均衡度作为目标函数,通过粒子群优化算法,找出最优资源调度方案。在matlab实验平台进行了仿真,通过大量数据模拟实验表明,该模型可以快速找到最优调度方案,提高资源利用率,具有较好的实用性和可行性。     

基于改进蚁群算法的自适应云资源调度模型研究

对于传统蚁群算法用于云计算资源分配和调度问题过程中存在的不足,提出了一种可以提高负载均衡度、缩短任务执行时间、降低任务执行成本的改进自适应蚁群算法,改进算法以能够基于用户提交的任务求解出执行时间较短、费用较低,负载率均衡的分配方案为目标,通过CloudSim平台对传统蚁群算法、最新的AC-SFL算法、改进自适应蚁群算法进行仿真实验对比。实验数据表明,改进后的自适应蚁群算法能够快速找出最优的云计算资源调度问题的解决方案,缩短了任务完成时间,降低了执行费用,保持了整个云系统中心的负载均衡。     

云模型优化的QPSO算法在大数据云存储平台业务调度中的应用

QPSO算法作为最优秀的群体智能算法之一,有着较强的寻优能力,将QPSO算法用于云计算平台资源调度策略的寻优,有着明显的优势。通过对QPSO算法在云计算中的应用研究,为云计算平台效率的提升提供有效方法。文章对云模型优化的QPSO算法在大数据云存储平台业务调度中的应用进行分析与研究。