基于改进的蝙蝠算法在云计算中的资源分配

云计算中的资源分配一直都是研究的重点, 提出了一种基于改进的蝙蝠算法的云计算资源分配方法. 在蝙蝠算法中引入差分遗传算法, 通过变异, 交叉和选择等操作避免个体陷入局部最优, 以及过早产生最优解的可能,改进后的蝙蝠算法能够有效的提高收敛速度和精度. 仿真实验表明, 本文算法不但有效提高了算法性能, 还优化了云计算系统中的资源调度能力, 提高了云计算资源的利用率.     

一种动态调整惯性权重的自适应蝙蝠算法

为了加快蝙蝠算法的收敛速度并提高寻优精度,提出一种动态调整惯性权重的自适应蝙蝠算法。该算法在速度公式中加入惯性权重,并采用一种服从均匀分布和贝塔分布的随机调整策略,动态地调整惯性权重的大小,以加快算法的收敛速度。另外,引入了速度纠正因子,在每次迭代时,算法可根据当前种群的迭代次数动态地约束每一代蝙蝠的移动步长,从而使算法具有一定的自适应性。仿真实验结果表明,改进后的算法的寻优性能显著提高,具有较快的收敛速度和较高的寻优精度。     

基于改进混沌萤火虫算法的云计算资源调度

为提高云计算资源的利用率,保持负载平衡,提出一种基于改进混沌萤火虫算法的云计算资源调度模型。从任务的完成时间、完成效率、完成安全性3个方面建立云计算资源调度模型,在萤火虫算法中引入混沌算法,通过对个体进行扰动,加快收敛速度,降低局部最优的概率,并引入拉格朗日松弛函数改进云计算模型。基于Cloudsim的仿真实验结果表明,该算法能有效避免资源分配的不均衡,缩短任务完成时间,提高系统的整体处理能力。     

自适应动态调整粒子群的云计算任务调度

为了高效地实现云计算任务调度,融合改进的分数阶达尔文粒子群算法和多目标函数构造,提出一种新的云计算任务调度算法。对分数阶达尔文粒子群算法进行全方位改进,基于粒子群适应度动态调整惯性权重系数以自适应搜索最优解;利用粒子自身进化信息定义进化因子,结合进化因子并利用高斯图函数调整分数阶次α系数以实现快速收敛;借助Levy飞行随机扰动对局部最优位置进行位置扰动以提高跳出局部最优的能力;综合最短等待时间、资源负载均衡程度及任务完成所耗费用等三个目标构造任务调度满意度函数,以此搜索任务调度最优解。仿真实验表明,与其他粒子优化算法相比,该算法有较快的收敛速度和较高的寻优精度;在任务调度中,该算法与其他三种调度算法相比,在较低的截止时间未完成率下实现了虚拟资源的均衡负载。     

基于动态自适应蚁群算法的云计算任务调度

针对蚁群算法求解云计算任务调度问题存在收敛速度慢和容易陷入局部最优解的缺陷,提出一种动态自适应蚁群算法的云计算任务调度策略。算法在选择资源节点中引入混沌扰乱,依据节点信息素浓度自适应调整信息素挥发因子,由解的优劣性动态更新信息素。当任务数量超过150时,动态自适应蚁群算法与蚁群算法结果相比较,时间效率最大提高319%,资源负载率为0.51。仿真结果表明,所提算法提高了解的收敛速度和全局搜索能力。     

混合变异自适应樽海鞘算法的甩挂运输多目标调度优化

建立一种考虑时间窗的甩挂运输多目标调度模型，提出一种改进樽海鞘算法的求解策略。通过引入混合变异算子，改进樽海鞘算法领导者位置易陷入局部最优的问题，增加种群多样性；通过引入动态惯性权重策略，使追随者在迭代后期减小搜索步长，提高算法收敛精度。实验结果表明，该改进的樽海鞘算法具有较高的全局搜索能力，能有效得出甩挂运输多目标问题最优解，相关研究结论能够为大型企业运输提供决策支持。     

基于改进PSO的云计算资源调度路径优化研究

当前云平台资源管理采取的是虚拟资源池方式,在进行资源调度时,存在显著的动态特征.为了有效应对大规模任务,改善任务执行对系统性能的影响,提出了基于改进PSO的资源调度算法.考虑到调度模型中任务映射的合理性,依次分析了任务时间、成本和负载约束,将任务时间与任务成本采取加权合并,结合资源负载的倒数得到综合目标.在求解NP模型时引入PSO算法,将任务与资源映射至PSO粒子参数,对非连续任务采取自然编码,在粒子初始阶段采用随机数控制速度方向和多样性.在位置更新时引入调整因子,当位置误差较大时用于实现快速调节;当粒子适应性逐渐提高时,用于实现位置微调.在速度更新时设计了关于迭代次数的惯性系数,迭代前期使用较大的系数抑制PSO收敛速度,当迭代计算逼近最优解,逐渐降低系数值以提高收敛速度,从而防止可行解被忽略或者早熟现象发生.通过仿真结果,表明改进PSO调度算法具有良好的收敛速度和寻优效果,在保证资源负载均衡的同时,显著降低了云计算任务处理的时间和成本,有利于大规模任务处理场景.     

改进混合蛙跳算法的云计算资源调度

资源合理调度是云计算研究热点。针对混合蛙跳算法不足,提出一种改进混合蛙跳算法的云计算资源调度策略(ISFLA)。首先在局部寻优过程中引入粒子更新思想,加快收敛速度,然后在全局寻优中对最优个体进行混沌扰动,降低局部最优出现的概率,最后在Cloud Sim平台进行仿真实验。结果表明,ISFLA缩短了云计算任务的完成时间,资源的负载分配更加合理。     

云计算调度粒子群改进算法

云计算资源调度是云计算中一个关键且复杂的调度问题,需要考虑众多的因素.为减少任务完成时间,本文提出了一种云资源调度粒子群改进算法.首先,本文在惯性权重线性递减的基础上,加入了混沌随机数扰动,使惯性权重有概率的适度增加,以便于跳出局部搜索,进行全局搜索;其次,针对粒子群算法和蚁群算法都容易陷入局部最优的缺点,结合粒子群算法和蚁群算法的优化策略,提出了一种改进的混合优化策略.其仿真结果及实际算例测试结果表明,在相同条件下改进算法能够寻到更精确的解.     

基于高斯变异的人工萤火虫算法在云计算资源调度中的研究

如何合理地分配云计算资源一直都是研究的热点.建立云计算环境下的资源调度模型,通过人工萤火虫算法个体最优与云计算节点资源分配对应起来,在算法中引入高斯变异算法,通过与经典函数比较,优化后的算法在搜索精度上以及收敛速度上有了很大的提高.通过在CloudSim平台上与经典智能算法的比较,该算法能够有效地提高云计算中的资源调度性能,缩短任务完成的时间,提高系统整体处理能力.     

装备精确保障任务规划建模与混沌蝙蝠算法求解

针对装备精确保障任务规划中任务时序逻辑约束和资源占用冲突等问题,建立以时效优先为目标的数学模型,提出基于多维动态列表规划和混沌蝙蝠算法的混合任务规划方法.通过多维动态列表规划选择处理的任务,设计具有自适应搜索策略和变异操作的离散混沌蝙蝠算法,为选定的任务分配资源.全局搜索中自适应调整惯性权重和学习因子以达到探索与开发能力的最佳平衡,局部搜索中采用混沌变异操作以协助种群跳出局部最优.仿真算例表明,所提出算法具有较快的收敛速度和较高的求解精度.     

基于自适应惯性权重的均值粒子群优化算法

针对粒子收敛速度慢、搜索精度不高和算法性能在很大程度上依赖参数选取等缺点,提出了一种基于自适应惯性权重的均值粒子群优化算法。对算法中的惯性权重参数采用动态自适应变化方式,在迭代过程中根据粒子适应度差值将种群划分为三个等级,对不同等级的粒子采用不同的惯性权重策略,使粒子能根据自己所处的位置选择合适的惯性权重值,更快地收敛到全局最优位置;同时分别用个体极值和全局极值的线性组合取代PSO算法中的全局最优位置与个体最优位置。通过实验仿真与对比,验证了新算法性能优于标准PSO及其它一些改进的PSO算法,能够用较少的迭代次数找到最优解,具有更快的收敛速度和更高的收敛精度。     

云资源中多目标集成蚁群优化调度算法

针对云计算环境的复杂性和云资源的不确定性,提出多目标集成蚁群优化调度算法。采用熵度量云资源的不确定性,进行信息素全局更新,以提高算法收敛速度;将Min-min算法得出的任务预期最小完成时间作为启发信息,以实现最小调度时间;在信息素局部更新时加入负载系数,根据当前负载情况调节信息素,满足负载均衡需求,同时在更新时考虑信息素扩散因素,不仅计算当前节点还考虑周遭节点信息素情况,可增强蚂蚁间协作,提高最优解的性能。改进后算法比原始蚁群算法降低了算法复杂度,提高了最优解精度。云仿真系统实验测试表明改进算法在调度时间、负载均衡等方面表现均优于其他算法。     

云计算下的基于萤火虫-遗传算法的资源调度

如何能够最大限度发挥云计算中资源调度效率是目前研究的热点之一.首先建立云计算环境下的资源调度模型,将萤火虫算法中的个体与云计算节点资源进行对应,其次在算法中个体初始化中引入遗传算法优化初始解,对算法中的位置更新设定感觉阀值用来调节个体选择最优路径的概率;最后针对挥发因子的改进使得荧光素的值进行更新.仿真实验表明,该算法能够有效的提高云计算中的资源调度性能,缩短了任务完成的时间,提高系统整体处理能力.     

基于扰动的精英反向学习粒子群优化算法*

针对粒子群算法容易陷入局部极值、进化后期收敛精度低的缺点,提出了一种基于扰动的精英反向学习粒子群算法。算法采用在粒子迭代的过程中,以一定的概率对当前的最优个体进行动态一般反向学习生成其反向解,引导粒子向最优解空间靠近;用一种非线性递减的方式改变惯性权重,以提高算法的收敛速度和收敛精度;采用扰动的方式增强算法的局部探索能力,帮助粒子跳出局部最优解。在14个标准函数上进行仿真测试,结果表明改进算法具有更高的收敛速度和收敛精度,能有效的避免陷入局部最优,适合求解函数优化的问题。     

云计算环境下利用改进遗传算法结合二次编码的大规模资源调度方法

针对传统遗传算法无法满足多用户下的大规模云计算环境下的资源调度问题,提出利用改进遗传算法结合二次编码的方法解决大规模资源调度。首先,在选择复制阶段,采用基于最小任务完成时间和匹配程度的双适应度函数,对种群以双重标准进行筛选。然后,对算法的交叉变异概率进行了自适应优化,使其自适应能力进一步提高,保证了算法尽快向最优解收敛。同时引入的收敛终止条件保证了算法尽快跳出循环。最后,在CloudSim平台上对改进遗传算法（IGA）进行了分析,实验结果表明,提出的改进遗传算法能够很好地适用于大规模资源调度,且结果优于其他几种较新的对比算法。     

一种改进的自适应变异蝙蝠算法

针对蝙蝠算法在解决高维复杂问题时容易陷入局部最优解和精确度不高的问题,文中提出了一种改进的蝙蝠算法。在原算法的基础上,引入一种交叉变换的方式更新蝙蝠群体的位置,一方面是为了提高蝙蝠算法的遍历性,另外还可以减小蝙蝠算法陷入局部最优解的可能性。模拟蝙蝠发声的音量变化,采用自适应的变换的方式改进蝙蝠算法最优解的选择模式,达到提高算法的精度和收敛速度的目的。最后通过标准的测试函数对改进后的算法进行数值模拟,结果显示,改进后的算法较为有效。     

一种基于动态惯性权重的鸟群优化算法

鸟群算法（BSA）作为一种新型的元启发式群智能算法,存在易陷入局部最优、收敛速度慢和求解精度低等问题。针对原鸟群算法在求解最优化问题中的不足,提出一种基于动态惯性权重的鸟群优化算法(DBSA)。该算法通过引入非线性动态惯性权重修正鸟群飞行间隔,平衡种群全局搜索与局部搜索能力;在模拟鸟群生产者觅食的过程中引入莱维飞行,替换原算法中生产者的觅食策略提高算法活力和有效性。实验表明改进后的鸟群算法有效提高了算法的收敛速度和寻优精度。     

自适应变异蝴蝶优化算法

针对基本蝴蝶优化算法存在的收敛速度慢、求解精度低和易陷入局部最优等问题，提出一种自适应变异蝴蝶优化算法。首先，利用改进帐篷映射结合重心反向学习初始化种群，获得更好的初始解；其次，在位置更新处引入非线性惯性权重，平衡算法的全局搜索与局部搜索能力；最后，在算法运行过程中，根据群体适应度方差以及当前最优解大小来决定是否对当前最优解和最差解进行高斯变异二次寻优，增强算法跳出局部最优的能力。对12个基准测试函数的多种维度仿真实验结果表明，该算法在收敛速度、求解精度和寻优稳定性方面明显优于其他对比算法。     

基于改进差分进化算法的云计算任务调度策略

针对传统云计算资源调度策略存在资源利用率低等缺陷,提出了一种基于改进差分进化算法的云计算任务调度算法(LADE)。首先建立云计算任务调度问题的数学模型,然后采用差分进化算法对目标函数进行求解,并引入自适应的放缩因子和交叉算子进行改进,使算法更符合最优解的求解规律,有效地避免陷入局部最优解和"早熟"的缺陷。仿真实验表明:LADE算法具有更强的全局搜索能力,不仅解决了传统资源调度算法存在的缺陷,而且大幅减少了云计算任务的完成时间和执行能耗。