虚拟计算环境下基于模糊聚类的资源调度算法

为了对虚拟计算环境(iVCE)中有资源偏好的应用需求做更精细化的资源调度支撑,提出了基于模糊聚类的资源调度算法.该算法针对应用的资源偏好,使用模糊关联聚类的方法对资源进行处理,进一步缩小了资源的选择范围,降低了直接对原始资源进行聚类的空间复杂度,从而为资源的精细化调度提供了基础.     

虚拟计算环境下基于模糊聚类的资源调度算法

为了对虚拟计算环境( iVCE)中有资源偏好的应用需求做更精细化的资源调度支撑,提出了基于模糊聚类的资源调度算法。该算法针对应用的资源偏好,使用模糊关联聚类的方法对资源进行处理,进一步缩小了资源的选择范围,降低了直接对原始资源进行聚类的空间复杂度,从而为资源的精细化调度提供了基础。     

基于小世界聚类的网格资源查找算法

在网格环境中分布着大量不同类型的资源,为了更有效地解决网格资源的搜索和定位问题,提出了一种基于小世界聚类的网格资源查找算法. 它以小世界模型作为理论依据,确定聚类中心,按照分级扩散的原则对网格资源进行全局搜索. 为了提高算法的可扩展性,以一定概率增加网络连接,使节点连接的概率随距离的增大而衰减,缩短了查找平均路径长度. 仿真实验证明,基于小世界聚类的网格资源发现算法具有良好的搜索能力和扩展性.     

网格计算系统及其关键技术研究

网格计算是近年来国际上兴起的一种重要信息技术,它的目标是将地理上分布的、异构的多种计算资源通过高速网络连接起来,共同完成计算任务. 分析了网格计算系统的主要特征、体系结构和关键技术,同时给出了网格计算系统的体系结构模型、使用网格的模式以及一个基于代理的资源管理模型.     

基于蚂蚁算法的网格计算任务分类调度方法的研究

介绍了网格计算应用开发和任务调度优化的研究工作.分析了适合于网格环境的网格应用,提出一种基于蚂蚁算法的任务分类调度方法,通过大量的试验数据验证了改进方法的效果.     

关于异构环境下网格计算模式及体系结构的设计研究

与机群系统相比,网格计算模式的优势在于：可以更好地解决资源的异构性问题,支持资源的柔性伸缩及多种并行编程环境,支持科学计算库与工具软件,支持可视化动态人机交互。网格计算模式的体系结构是具有一定智能的分层结构。参考5层沙漏结构思想和前人的研究成果,研究设计具有资源底层、安全调度层、抽象接口层、中间件层、应用接口层和应用层等6个层面的网格计算系统多层体系结构。     

雨水调蓄池容积有限差分设计计算研究

为了提高雨水调蓄池容积设计计算结果的质量, 提出采用有限差分法计算雨水调蓄池容积的实现方法, 探讨了设计计算过程, 并使用排水管网模型对计算结果进行校核。研究结果表明:所采用的有限差分法可以有效地计算雨水调蓄池容积, 可用于实际调蓄池设计计算.     

有风情况下池火灾视角因子的计算

以视角因子的基本计算理论为基础对有风情况下池火灾视角因子的计算问题进行研究。根据几何关系,推导了有风情况下池火灾辐射面对周围任意位置接受点视角因子计算关键参量的相关公式。进一步对池火灾辐射表面进行了合理的离散化,推导出视角因子的数值计算公式,并用VB6．0编制了任意风速下池火灾周围任意点视角因子的计算公式。通过实例计算发现,在计算无风情况下池火灾视角因子时的计算结果与理论模型相差不大,计算结果可信,同时解决了目前经验模型无法解决的有风情况下池火灾视角因子的计算问题。     

蚁群算法在网格资源调度中的应用

网格资源调度是网格研究的热点问题,蚁群算法是解决多项式复杂程度的非确定问题(non-deterministic polynomial,NP)的一种有效方法.通过对网格资源调度过程和蚁群算法的研究,提出了网格环境下用蚁群算法进行资源调度的方法.采用网格模拟器GridSim进行仿真,实验结果表明,蚁群算法用于网格资源调度可以减少系统总执行时间和任务完成时间.     

基于池计算的线性调频信号实时识别与参数估计

为实现对线性调频(LFM)信号的实时波形识别和瞬时频率估计,引入采样池计算(RC)进行逐点运算.将生成的初始频率和啁啾率不同的两组LFM信号组合成随机序列,并对200个节点的储备池进行训练.通过测试得到,池计算可以快速、准确地识别和区分出两组LFM信号,并可对未知LFM信号的瞬时频率进行估计.     

基于云计算的数据库查询调度算法

提出了一种相对比较适合云计算数据库的查询调度算法——CCRP算法;该算法基于云计算数据库中数据存储的特点,在查询调度时先对数据应用连续读取特性,解决了其它算法在云计算中有部分系统资源闲置的问题,提高了查询效率.仿真实验证实CCRP算法在系统利用率和系统性能的表现均优于其他算法.     

基于变异算子的云计算任务调度算法

为了高效调度云计算中海量的任务,提出一种改进遗传算法（IGA）,将变异操作分为两种：变异操作a和变异操作b变异操作a为随机位置的基因值变异,而变异操作b则是先找出满足一定条件的基因位置,再将该位置的基因值变异成目标基因值,使得每次变异后的染色体都优于变异前的染色体.在算法的前期使用变异操作a,在算法后期即将收敛于最优解时,采用变异操作b以加快收敛的速度 为了避免改进变异操作使算法陷入局部解,在种群初始化时,采用染色体匹配率的方式选择初始化种群,使其均匀的分布在整个解空间上.实验仿真结果表明,改进算法不但使最终完成时间更短,收敛效率更高,而且可以在一定程度上均衡负载,能更有效地实现任务调度.     

基于改进布谷鸟搜索算法的云计算任务调度

针对云计算系统中能否高效地调度子任务的问题,本文提出了一种基于改进布谷鸟搜索算法的任务调度算法.利用柯西分布对陷入局部极值的鸟巢进行扰动,有利于提高布谷鸟搜索算法全局搜索的质量.算法运用整数编码方式,利用改进后的算法求得最优解.使用云仿真平台进行验证,结果证实了所提出算法的有效性.     

一种基于扩散理论的水平集方程演化算法

水平集方法已被广泛地应用于界面追踪和图像分割领域内。为了保证水平集函数演化时能够保持在符号距离函数附近,必须周期性地对水平集函数进行初始化,这一过程其实是与水平集理论本身是相悖的。为了合理解决水平集函数的初始化过程,本文引进了扩散理论,通过在水平集函数添加扩散项,并利用分段常数数值方法求解,从而实现了水平集函数无需初始化过程。引入扩散理论,依靠简单的有限差分求解方法,不仅保证实现过程的简单性,也是对实现过程稳定性的保证。这一方法对边界具有高敏感度,而且可以延伸至更高维的水平集理论。     

基于模糊聚类的云计算集群资源调度算法

针对现有的云计算集群资源调度算法具有的负载不均衡和在线动态适应能力不强的缺点,提出了一种基于模糊聚类的云计算动态集群资源调度算法。首先,构建了云计算环境下的资源调度模型。然后采用模糊聚类对云计算集群资源进行聚类,根据节点与所有聚类中心的距离判断是否需要增减聚类数量。当新任务到来时,自动计算其到各个聚类中心的距离,将具有最小聚类距离的聚类中心分配给该任务。在Cloudsim环境下进行仿真试验,结果表明该方法能有效地实现云计算集群资源的动态调度,且较其它方法相比,具有反应实时和负载均衡的优点,是一种适合云计算环境的可行任务调度方法。     

基于双适应度遗传退火的云任务调度算法

云计算是当前计算机领域研究的热点,其中云任务调度算法性能的好坏直接影响到云计算平台的整体性能.为了满足云计算平台庞大用户群的不同服务需求,针对现有的云计算任务调度算法提出一种双适应度遗传退火任务调度算法(DFG2A),基于该任务调度算法的任务调度策略能够有效平衡用户对任务各项属性的需求,提高云计算平台的用户满意度.实验结果证明了该算法能兼顾云计算平台总任务执行时间和用户需求,是云计算环境下一种有效的任务调度算法.     

基于蚁群模拟退火算法的云环境任务调度

针对云计算的MapReduce编程框架,提出一种融合蚁群算法和模拟退火算法的混合调度算法（ACOSA）。该算法以最小化调度时间为目标,引入了任务与资源的匹配因子和负载均衡度,先利用蚁群算法得到一组任务到资源的优化解,然后通过模拟退火算法对解进行路径的优化和信息素的更新。通过扩展Cloudsim云计算仿真平台,对其进行重新编译,实现了所提出的算法,实验结果表明该算法在调度时间、负载均衡等方面表现良好。     

云计算下区分服务的演化博弈调度算法

提出了一种基于区分服务的云计算演化博弈调度算法.算法中云任务方通过偏好类型参与对资源的竞争,虚拟机资源方依据其计算型、存储型、带宽型等各类服务评分高低竞争任务,构成一个混合博弈,然后再依据任务调度信息和用户反馈的评分不断演化改进虚拟机资源及其所属种群的各项服务评价,最终得到博弈的均衡.仿真实验结果表明,该算法是有效、可行的,能根据任务类型的差异分配不同特性的虚拟机资源,再依据用户对各项服务的评价,确保不同类别的用户任务的服务质量.