基于遗传算法的网格任务调度研究

本文针对网格任务调度中存在资源提供者和网格用户对网格环境需求之间的矛盾,提出了一种新的基于遗传算法的任务调度策略,本策略可以通过调整适应度函数中参数的取值来解决上述矛盾,并采用Gridsim模拟器进行了仿真试验,结果表明,该方案更适合网格环境中的任务调度。     

基于改进遗传算法的双层网格任务调度

合理的任务调度算法可以在很大程度上提高网格系统的利用率。针对网格环境异构、分布等特点,提出了基于改进遗传算法(MRNGA)的双层网格任务调度算法,在简单遗传算法的基础上改进选择算子并引入了小生境技术,对网格结构采用双层编码的方式,仿真实验表明,该方法具有良好的搜索能力和资源负载均衡度,对异构系统中的任务调度具有较好的处理结果。     

一种基于改进遗传算法的网格任务调度策略

针对网格环境下任务的调度问题,本文提出了一种改进的快速收敛的遗传算法.通过调整算法结构, 增加了对染色体的分割与重组操作.使遗传算法能快速收敛.仿真实验表明,与标准调度算法相比,提出的算法取得了很好收敛速度.     

基于遗传算法的网格任务调度研究

将遗传算法应用于网格任务调度系统中，以实现对任务调度方案的优化。提出了一个使网格执行总任务的最大完成时间最小的优化目标函数。并使用MATLAB完成对谊算法的仿真。     

基于改进遗传算法的网格任务调度算法

网格任务调度是一个NP完全问题,它关注大规模的资源和任务调度,要求采用的调度算法能够具有高效性.遗传算法被证明是解决这类小规模问题的有效算法,随着任务数和资源数的增加,遗传算法表现出慢速收敛的缺点.为了克服其缺点,提出将Min-min算法与遗传算法相结合的改进遗传算法,从而设计出很好的选择和交叉算子,提高了算法搜索能力和收敛速度.仿真结果表明该算法能更有效解决网格任务调度问题.     

遗传算法在网格任务调度的应用研究

研究了网格任务调度问题.针对传统任务调度算法在网格环境下存在不能很好地平衡节点负载和满足用户服务质量需求等缺点,导致网格系统负载极不均衡,调度效果低.为了提高网格任务调度的效果,提出一种基于遗传算法的网格任务调度方法.将网格任务编码成种群中的个体,网络任务目标作为遗传算法的适应度函数,通过遗传算法的强全局搜索及交叉、变异操作,获得最优的任务调度方案.仿真结果表明,采用遗传算法进行网格任务调度可以减少系统总执行时间和任务完成时间,提高了资源调度效率,使网格系统负载均衡度更好,在网格任务调度具有广泛的应用前景.     

基于遗传算法的网格任务调度方法研究

网格任务调度是典型的 NP 完全问题,因此如何快速地找到全局最优解是网格任务调度的难点所在.而遗传算法在解优化问题上具有快速性和健壮性,因而遗传算法是解决复杂的非线性问题,特别是复杂环境下的资源调度的有效方法.文中先对网格任务调度进行建模,把资源分配抽象成染色体上的等位基因,然后采用遗传算法对生成的染色体进行杂交、变异进化模拟,并且利用相对适应度以及精英选择来提高算法的收敛性.仿真结果表明,该改进算法能更有效地解决网格任务调度问题     

改进遗传算法在网格任务调度中的应用

为了提高遗传算法的搜索性能,同时满足网格资源的优化分配,提出了一种带过滤机制的遗传算法,使其适用于网格任务调度问题的优化处理.仿真研究表明该算法更符合网格调度的复杂环境,能得到较短的任务执行时间和较好的负载均衡性.     

网格环境下改进的独立任务调度遗传算法

针对网格环境下独立任务的调度问题,提出了一种新的混合遗传算法,通过调整算法结构,来增加染色体的多样性,通过加入针对特定问题的调整操作,来有效地提高算法的局部搜索能力,使遗传算法兼具全局和局部搜索能力,防止早熟收敛。仿真实验表明,跟其他算法相比,提出的算法取得了很好的调度长度,并且收敛速度也很快。     

基于Min-Min遗传算法的网格任务调度方法

针对网格环境异构、分布等特点,在现有的任务调度算法的基础上,结合Min-Min算法和遗传算法的优点,提出了一种基于Min-Min遗传算法的任务调度方法。仿真实验表明：在网格环境下,该算法具有合理性和高效性。     

一种基于改进遗传算法的雾计算任务调度策略

任务的调度与分配一直以来都是云计算技术发展中的关键问题。然而,随着物联网连接设备的爆炸式增长,云计算已不能满足一些任务的调度需求,如健康检测、应急响应等都需要较低的延迟,雾计算应运而生。雾计算将云的服务扩展到网络边缘。雾计算架构下的任务调度与分配目前还是一个较新的研究热点。文中介绍了一种改进的遗传算法(IGA),该算法将适应度判断引入到亲代变异操作中,克服了基本遗传算法(SGA)在变异操作中的盲目性。在雾计算架构下采用该算法调度任务时考虑了服务等级目标(SLO)中响应时间的约束(FOG-SLO-IGA)。实验结果表明,FOG-SLO-IGA调度用户任务时在时延、SLO违规率以及服务提供商的花费上均低于云计算架构下采用IGA的调度(CLOUD-IGA);同时,在雾端调度任务时,IGA算法在执行速度上要快于传统SGA算法和轮询调度算法(RRSA)。     

A Bipartite Genetic Algorithm for Multi-processor Task Scheduling

Until now, several methods have been presented to optimally solve the multiprocessor task scheduling problem that is an NP-hard one. In this paper, a genetic-based algorithm has been presented to solve this problem with better results in comparison with related methods. The proposed method is a bipartite algorithm in a way that each part is based on different genetic schemes, such as genome presentation and genetic operators. In the first part, it uses a genetic method to find an adequate sequence of tasks and in the second one, it finds the best match processors. To evaluate the proposed method, we applied it on several benchmarks and the results were compared with well known algorithms. The experimental results were satisfactory and in most cases the presented method had a better makespan with at least 10% less iterations compared to related works.     

一种基于改进蚁群算法的网格任务调度算法

在网格计算中,任务调度是影响系统性能和服务质量的重要问题。文章在考虑截止时间和花费两项用户QoS需求的基础上,提出了一种基于蚁群算法的网格任务调度算法。该算法先采用GC（Greedy Cost-Time Distribution）算法求解,将所得解转化为蚁群算法的初始信息素分布,然后利用蚁群算法获得调度解。模拟实验结果表明：在网格环境下,该调度算法具有明显的优势。     

一种基于遗传算法的网格任务调度算法

任务调度算法是网格计算研究的一个重要方向,已被证明是一个NP完全问题。提出了一种新的网格任务调度算法。该算法基于遗传算法,为加快算法的收敛速度,在生成初始种群时优先分配关键路径上的任务;由于资源间存在着通信延迟,引入任务复制方法,并结合遗传操作控制任务复制的深度,可以减少任务之间的通信开销,缩短整个调度的完成时间;最后进行优化操作,减少冗余的任务复制。模拟实验结果表明,该算法在收敛速度和调度完成时间均优于普通遗传算法。     

离散微粒群优化算法在网格任务调度中的应用

网格任务调度算法是影响网格成功与否的关键技术之一.在研究现有任务调度策略的基础上,指出Min-Min算法的负载不均衡性.借鉴遗传算法中的交叉操作过程,提出了一种新的任务调度算法.该算法对传统的连续型微粒群优化算法进行改进,使其适用于网格任务调度问题的优化处理,实现网格资源的优化分配.仿真研究表明该算法更符合网格调度的复杂环境,能得到较短的任务执行时间和较好的负载均衡性.对比分析表明,离散微粒群优化算法所得结果优于常用的Min-Min调度方案,是一种高效的调度方法.     

基于改进遗传算法的资源优化配置研究

当前在解决资源优化配置问题时往往使用贪婪算法、遗传算法等.但贪婪算法只能选择一个最优度量标准,所以只能获得度量意义下的最优解而不是该问题的最优解,而如果直接使用遗传算法又存在搜索空间过大、耗时过长的问题.提出了一种新的算法.先基于贪婪算法获得问题的初始解空间,然后对初始解空间进行冲突检测与消解,最后运用改进的遗传算法进行优化获得最优方案.测试算例表明大大缩小了遗传算法的搜索空间,在保证获得最优解的条件下加快了收敛速度并有效防止了种群的退化.提出的算法在突发事务的处理方面具有一定的意义.     

网格中任务调度算法研究

该文首先分析比较了网格中任务调度的动态和静态算法,然后对遗传算法在任务调度中的应用进行了讨论,并给出了具体实现步骤,提供了一定的借鉴意义。     

基于分层遗传算法的网格任务调度策略

针对传统的网格任务调度算法存在的缺陷,提出了用分层遗传算法来实现对网格任务调度策略的优化.在构造分层遗传算法时引入了SGA,AGA和CHC算法. SGA采用基本的遗传操作,保证了种群的多样性;AGA对交叉概率和变异概率的动态调整,保证了遗传算法的收敛性;CHC算法强调优良个体的保留,加快了遗传算法的收敛速度;分层遗传算法在吸收了这3种算法优点的基础上进行优化.实验结果表明,分层遗传算法在结果精度和收敛速度上都较其他算法有较大程度的提高.     

基于遗传算法的网格任务调度方法分析

网格任务调度为多项式复杂程度的非确定性问题,其中所有非确定性多项式时间可解的判定问题,共同构成了NP类问题。如何快速地找到全局最优解是网格任务调度的难点所在。而遗传算法在验证猜测的正确性方面,具有自动获取和快速搜索的特性,是解决非线性问题的最优方案。本文主要对基于遗传算法的网格任务调度方法进行分析,通过网格任务调度模型构建、资源分配等操作,来完成遗传算法的仿真实验研究。     

基于任务复制的网格任务调度算法

网格中资源之间存在着通信延迟,通过任务复制的冗余,可以减少任务之间的通信开销,缩短整个计算程序的计算时间。目前网格中的任务调度算法基本上是没有考虑任务复制的;而基于任务复制调度算法往往会产生过多的复制任务,增大系统开销,甚至有可能延迟计算时间。由于基于任务复制的任务调度是一个NP问题,因此本文提出了一种基于任务复制的网格资源调度算法,以减少调度长度为主要目标、减少任务复制量和资源占用量为次要目标。该算法在调度长度和任务复制数量以及占用资源数量方面都等于或优于其它算法。