基于改进克隆选择算法的云计算任务调度算法

在云计算中,系统要面对庞大的用户群,处理大量任务以及数据。如何对云环境中的大量任务进行高效的调度、满足用户需求成为了云计算中所要解决的重要问题。针对云计算的并行编程模型,借鉴生物免疫系统的克隆选择机制,利用生物工程中基因重组技术,提出一种基于基因重组的克隆选择算法,将此算法应用到云环境的任务调度问题中,可以确定最佳的任务调度方案。通过仿真实验将此算法与传统克隆选择算法进行比较,结果证明此算法的收敛速度与收敛精度均优于传统克隆选择算法,并且通过此算法可以确定较优的任务调度策略,是一种云计算环境中有效的任务调度算法。     

云计算任务调度双精英种群文化基因改进算法

云计算任务调度是一个难于精确求解的调度问题,需要兼顾考虑计算时间和资源利用率.为了最大程度地节省计算时间和提升资源利用率,论文提出了一种云计算任务调度双精英种群文化基因改进算法.首先,针对文化基因算法全局搜索能力不高的问题,通过结合遗传算法与粒子群算法,提出一种混合全局搜索策略,提高算法的种群多样性和收敛速度.其次,为改善普通精英种群在迭代后期进化缓慢的缺点,采用了双种群的进化机制.具体的Matlab仿真实验结果表明,改进算法的优化性能更佳.     

云环境下基于DPSO的任务调度算法

针对云计算任务调度问题,结合粒子群优化(PSO)算法的种群个体协作和信息共享特点,提出一种基于离散粒子群优化(DPSO)的任务调度算法。采用随机方法生成初始种群,利用时变方式调整惯性权重,并在位置更新中使用绝对值取整求余映射法进行合法化处理,提高PSO算法的离散化程度。搭建并重新编译了CloudSim云计算仿真平台进行实验,结果显示,当迭代次数为200时,DPSO、PSO、GA算法的所有任务最终调度时间分别为457.69 s、467.90 s、472.41 s,从而证明DPSO算法能够有效解决云计算环境下的任务调度问题,并且算法收敛速度优于PSO和GA算法。     

云环境下超启发式能耗感知调度算法

能耗感知调度的研究对云计算数据中心的可持续发展有着重要意义。能耗感知调度是一个NP难的多目标优化问题,目前云环境下的任务调度算法较少考虑能耗问题,且不能实现对能耗的灵活管理,随机搜索算法是一种解决该问题的有效途径,但其计算开销大,收敛速度慢。将异构云环境下的能耗感知调度问题定义为一个带约束的问题,即在一定的完成时间下优化系统能耗,以实现对能耗的灵活管理。此外,提出了基于在线学习的超启发式算法（OLHH）,该算法结合电压调节技术,在设计了简单高效的启发式策略集的基础上,引进超启发式算法,并采用在线学习的方式跟踪启发式策略的表现,实现对启发式策略的合理管理,从而达到提高算法的收敛性能的目的。模拟实验表明,该算法能够实现系统能耗的灵活管理,且比传统的随机搜索算法有着更好的收敛性能。     

基于改进蚁群算法的云计算任务调度

利用云中资源进行高效任务调度是保证云计算系统可靠运行的关键问题。提出一种基于改进蚁群优化算法的任务调度方法。算法采用蚂蚁系统的伪随机比例规则进行寻优,防止算法过快收敛到局部最优解,同时结合排序蚂蚁系统和最大最小蚂蚁系统的设计思想完成信息素更新,有效求解优化问题。实验结果显示,该算法具有很好的寻优能力,提高了云资源的利用率。     

基于MGA-PSO的云计算多目标任务调度

为了提高云计算任务调度的效率,将微生物遗传算法(MGA)和改进的粒子群算法(PSO)融合成MGA-PSO算法用于云计算任务调度.综合任务完工时间、任务执行成本及虚拟机负载均衡三个目标构造适应度函数,以此寻找任务调度的最优解;对粒子群算法进行改进,使用动态惯性权重策略以提高算法的自适应搜索能力;在任务调度前期使用MGA算法缩小求解空间,在任务调度后期使用改进的PSO快速收敛到最优解.仿真实验表明:与其他三种算法相比,该算法有较快的收敛速度和较强的寻优能力;在云计算任务调度中,不仅能减少任务完工时间和执行成本,还能优化虚拟机的负载.     

改进蚁群算法的云计算任务调度方法

针对蚁群算法在云计算任务调度问题求解过程存在的不足,以找到最佳的云计算任务调度方案为目标,提出了一种基于改进蚁群算法的云计算任务调度方法.首先对当前云计算任务调度研究现状进行分析,并对问题进行了具体描述,然后采用蚁群算法对云计算任务调度问题进行求解,并针对标准蚁群算法缺陷进行改进,最后在CloudSim平台对该方法的性能进行测试.结果表明,改进蚁群算法可以找到较好的云计算任务问题调度方案,加快云计算任务完成速度,具有一定的实际应用价值.     

基于蚁群算法的雷达组网优化布站方法

蚁群算法作为一种新型启发式优化算法。具有分布式计算、信息正反馈和启发式搜索的特征，在求解多种组合优化问题中获得了广泛的应用。本文利用蚁群算法全局搜索、收敛速度快和避免局部极优的特性，结合雷达组网优化布站的问题给出了具体的算法思想，并通过计算机仿真实验证明了该方法的有效性。     

异构系统中DAG任务调度的双螺旋结构遗传算法

任务调度问题是一个NP完全问题,基于启发式的方法通常被用来求解次优解,其性能在很大程度上依赖启发的成效,在复杂问题时可能会产生不理想的结果.鉴于此,根据染色体双螺旋结构模型,提出了一种异构计算系统中依赖任务调度的双螺旋结构遗传算法.算法将遗传算法和启发式方法有机地结合,首先针对任务图的数据依赖关系,采用启发式方法,控制遗传算法的交叉与变异操作合理改变一个染色体主链结构,以产生较佳的任务调度优先队列;然后模仿碱基互补配对方法,利用启发式异构环境下最早完成时间算法,实现从一个染色体主链(任务集)到另一个染色体主链(异构处理机集)的映射,以提高算法的有效性和收敛速度.随机任务图和真实问题任务图的仿真实验表明,所提出的算法在调度性能上明显优于启发式算法,最大完成时间平均减少10.1%.     

基于改进免疫进化算法的云计算任务调度

针对云计算环境下内置任务调度方法的低效问题,提出一种基于改进免疫进化算法的任务调度算法,利用人工免疫进化原理完成任务调度的全局优化。通过将粒子群优化算法作为算子嵌入免疫进化算法中,避免陷入局部最优,改善收敛效果,减少任务调度时间开销。以CloudSim作为仿真平台进行模拟,实验结果表明,改进的免疫进化算法能大幅提高云计算任务调度效率。     

Fuzzy Based Ant Colony Optimization Scheduling in Cloud Computing

Cloud computing is an Information Technology deployment model established on virtualization. Task scheduling states the set of rules for task allocations to an exact virtual machine in the cloud computing environment. However, task scheduling challenges such as optimal task scheduling performance solutions, are addressed in cloud computing. First, the cloud computing performance due to task scheduling is improved by proposing a Dynamic Weighted Round-Robin algorithm. This recommended DWRR algorithm improves the task scheduling performance by considering resource competencies, task priorities, and length. Second, a heuristic algorithm called Hybrid Particle Swarm Parallel Ant Colony Optimization is proposed to solve the task execution delay problem in DWRR based task scheduling. In the end, a fuzzy logic system is designed for HPSPACO that expands task scheduling in the cloud environment. A fuzzy method is proposed for the inertia weight update of the PSO and pheromone trails update of the PACO. Thus, the proposed Fuzzy Hybrid Particle Swarm Parallel Ant Colony Optimization on cloud computing achieves improved task scheduling by minimizing the execution and waiting time, system throughput, and maximizing resource utilization.     

基于混合优化算法的云计算资源调度

由于云计算的动态性、异构性和不可预测性等特点,使得资源调度策略面临很大的挑战。目前解决资源调度的方法主要是一些启发式算法,如模拟退火算法、人工神经网络算法、粒子群算法、蚁群算法和遗传算法等,由于优缺点分明,不能单独实现云计算任务的最优分配。因此,提出了使用混合优化算法解决云计算资源分配问题。在算法前期,借助粒子群全局广泛搜索能力,快速寻找到较优解;在算法后期,借助蚁群算法的正反馈性和高效性,寻找最优解。实验表明该算法有较短的任务执行时间和实现各个物理主机间的负载均衡。     

生物地理学优化算法理论及其应用研究综述

生物地理学优化算法（Biogeography-Based Optimization,BBO）是Simon提出的一种基于生物地理学理论的新型智能优化算法,具有良好的收敛性和稳定性。从BBO算法提出的背景出发,介绍了算法的基本理论、算法特点以及算法流程。总结了BBO算法的研究进展,包括BBO算法的理论分析、算法的改进、算法与其他优化算法的混合算法以及BBO算法在函数优化、电力系统、图像处理、机器人路径规划以及调度优化等领域的典型应用。对BBO算法有待解决的问题和未来研究方向进行了总结。     

Bandwidth‐aware divisible task scheduling for cloud computing

Task scheduling is a fundamental issue in achieving high efficiency in cloud computing. However, it is a big challenge for efficient scheduling algorithm design and implementation (as general scheduling problem is NP‐complete). Most existing task‐scheduling methods of cloud computing only consider task resource requirements for CPU and memory, without considering bandwidth requirements. In order to obtain better performance, in this paper, we propose a bandwidth‐aware algorithm for divisible task scheduling in cloud‐computing environments. A nonlinear programming model for the divisible task‐scheduling problem under the bounded multi‐port model is presented. By solving this model, the optimized allocation scheme that determines proper number of tasks assigned to each virtual resource node is obtained. On the basis of the optimized allocation scheme, a heuristic algorithm for divisible load scheduling, called bandwidth‐aware task‐scheduling (BATS) algorithm, is proposed. The performance of algorithm is evaluated using CloudSim toolkit. Experimental result shows that, compared with the fair‐based task‐scheduling algorithm, the bandwidth‐only task‐scheduling algorithm, and the computation‐only task‐scheduling algorithm, the proposed algorithm (BATS) has better performance. Copyright © 2012 John Wiley & Sons, Ltd.     

基于多尺度量子谐振子算法的云计算任务调度

合理地分配虚拟计算资源以进行有效的任务调度是云计算中的一个核心问题。为了更好地利用虚拟计算资源,高效地完成服务需求,提出了一种基于多尺度量子谐振子算法（MQHOA）的任务调度算法。首先,该算法将每一个调度方案当成一个采样位置,利用高斯采样的随机性在当前尺度下搜索局部最优解;其次,判断算法是否处于能级稳定状态,如果稳定,则进入能级降低过程,最坏的调度方案将被替换;最后,算法进入尺度下降的过程,算法由全局搜索过渡到局部搜索,迭代多次之后,算法停止并输出找到的最优结果。通过在CloudSim平台上进行仿真实验,与现有的先来先服务（FCFS）算法和粒子群优化（PSO） 算法对比,MQHOA总任务完成时间减少10%以上,负载不均值下降0.4以上。实验结果表明,基于MQHOA的任务调度算法能够快速收敛,有良好的全局收敛性和自适应能力,在云计算任务调度过程中,能够起到减少总任务完成时间和均衡负载的作用。     

Fitness rate-based rider optimization enabled for optimal task scheduling in cloud

ABSTRACT

Not long ago, there has been a dramatic augment in the attractiveness of cloud computing systems that depends computing resources on-demand, bill on a pay-as-you-go basis, and multiplex many users on the same physical infrastructure. It is considered as an essential pool of resources, which are offered to users through Internet. Without troubling the fundamental infrastructure, pay-per-use computing resources are provided to the users by the cloud computing technology. Scheduling is a significant dilemma in cloud computing as a cloud provider has to serve multiple users in cloud environment. This proposal plans to implement an optimal task scheduling model in cloud sector as a challenge over the existing technologies. The proposed model solves the task scheduling problem using an improved meta-heuristic algorithm called Fitness Rate-based Rider Optimization Algorithm (FR-ROA), which is the advanced form of conventional Rider Optimization Algorithm (ROA). The objective constraints considered for optimal task scheduling are the maximum makespan or completion time, and the sum of the completion times of entire tasks. Since the proposed FR-ROA has attained the advantageous part of reaching the convergence in a small duration, the proposed model will outperform the other conventional algorithms for accomplishing the optimal task scheduling in cloud environment.     

基于混合二次对立学习的生物地理优化算法

针对生物地理优化(BBO)算法探索能力不强、收敛速度慢的缺点,提出一种基于混合二次对立学习的生物地理优化算法--HQBBO。首先,定义一种启发式的混合二次对立点,并从理论上证明其搜索效率优势;然后,提出混合二次对立学习算子,增强算法的全局探索能力,提高收敛速度;此外,还采用搜索域动态缩放策略和精英保留策略进一步提高寻优效率。对8个基准测试函数的仿真实验结果表明,所提算法在寻优精度和收敛速度上优于基本BBO算法和对立BBO算法(OBBO),表明其采用的混合二次对立学习算法对于其高收敛速度和全局探索能力是非常有效的。     

云环境下基于多目标的多科学工作流调度算法

针对现有云环境下的多科学工作流调度算法中存在的未考虑安全调度问题,提出多科学工作流安全-时间约束费用优化算法MSW-SDCOA（Multi-Scientific Workflows Security-Deadline constraint Cost OptimizationAlgorithm）.首先MSW-SDCOA基于数据依赖关系压缩科学工作流,减少任务节点数从而节省了调度开销;并通过改进HEFT（Heterogeneous Earliest-Finish-Time）算法形成调度序列,以实现全局多目标优化调度;最后,通过优化ACO（Ant Colony Optimization）中信息素更新策略和启发式信息,进一步改善费用优化效果.仿真实验表明,MSW-SDCOA算法在费用优化效果上比MW-DBS算法提高了约14%.