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.     

一种负载均衡的网格任务调度算法

在分析网格计算中经典的Min-Min和Max-Min任务调度算法的基础上,针对Min-Min算法存在的负栽不均衡的缺陷,本文提出了一种负载均衡的网格任务调度算法LBGTSA,以有效地均衡负载;给出了LBGTSA算法的设计原理和实现过程,而且采用GridSim模拟工具对LBGTSA和Min-Min算法进行了模拟实验,实验结果分析表明,LB（汀SA比Min-Min能获得更小的Makespan,而且能有效地均衡负载。     

基于Min—Min和蚁群算法的网格任务调度方法

网格任务调度是网格计算的研究热点,也是一个NP难问题。文章结合Min-Min算法和蚁群算法的优点,提出了一种基于Min—Min群算法（MMACO）的任务调度方法。仿真实验表明：在网格环境下,该算法具有较好的全局最优求解能力和较快的收敛速度。     

Min-Min调度算法的研究与改进

在动态、异构的网格环境中,任务调度是复杂并且极具挑战性的一个问题。在分析任务调度算法的基础上,着重研究了经典的Min-Min调度算法,分析了Min-Min调度算法的缺陷,即负载不均衡,并且不能从经济的角度来实现调度。针对负载均衡和经济这两方面来对Min-Min调度算法进行改进,提出了基于价格改进的Min-Min调度算法,分析表明,改进后的算法在一定程度上平衡了负载,并且节省了一部分费用,说明了算法的可行性。     

改进的Min-Min算法研究

任务调度是网格系统中重要的一环,而任务的调度算法更显得是重中之重。本文对Min-Min算法进行分析,指出Min-Min算法存在的不足。结合网格任务调度的目标,分别从最优调度、负载均衡、服务质量、价格费用4方面提出几种改进的Min-Min算法,重点介绍算法思路,指出算法的优缺点,为以后的改进工作提供参考。     

基于GridSim的A-MM调度算法模拟

对网格计算环境中的任务调度模块做了分析,介绍了两种最经典的网格任务调度算法：Min-Min与Max-Min。通过对两者的分析,得知Min-Min算法的优点在于其执行的高效性,但它存在资源负载不平衡的问题。而Max-Min则正好相反。经过对比,提出了一种平衡两者优缺点的A-MM算法。使用GridSim网格环境仿真包建立A-MM调度算法的模拟平台,对GridSim的内部机制及用法给予简单介绍,并通过模拟实验对A-MM算法进行性能评测。评测结果表明：A-MM算法的完成时间接近Min-Min,而负载平衡性接近Max-Min,平衡了Min-Min与Max-Min的优缺点。     

基于GridSim的A-MM调度算法模拟

对网格计算环境中的任务调度模块做了分析,介绍了两种最经典的网格任务调度算法:Min-Min与Max-Min.通过对两者的分析,得知Min-Min算法的优点在于其执行的高效性,但它存在资源负载不平衡的问题.而Max-Min则正好相反.经过对比,提出了一种平衡两者优缺点的A-MM算法.使用GridSim网格环境仿真包建立A-MM调度算法的模拟平台,对GridSim的内部机制及用法给予简单介绍,并通过模拟实验对A-MM算法进行性能评测.评测结果表明:A-MM算法的完成时间接近Min-Min,而负载平衡性接近Max-Min,平衡了Min-Min与Max-Min的优缺点.     

一种基于虚拟截止时间制导的改进的Min-Min元任务调度算法

在网格环境下,资源状况和用户行为相当复杂,是一个异构计算环境,元任务（meta—task）调度比传统并行调度更为复杂。如何映射一组任务到一组机器上被证明是NP问题,其目的一般是最小化任务完成时间（makespan）。为解决这一问题,已经提出一些启发式任务调度算法,例如具有代表性的MinMin元任务调度算法。本文在Min-Min元任务调度算法的基础上,通过虚拟截止时间制导的方法来改进Min-Min算法。实验结果表明,本文提出的算法具有更短的任务完成时间。     

一种结合优先级和QoS的任务调度策略

任务调度算法的研究是网格计算的关键问题之一,直接关系到网格中调度的效率和质量.Min-Min算法总是调度完成时间最短的任务,具有实现简单、时间跨度短的优点,但也有机器严重负载不均衡的缺点;QoS Guided Min-Min算法对Min-Min算法有所改进,但仍然存在不足.提出基于任务优先级和QoS约束的Min-Min算法,并在GridSim上模拟实现三种算法,验证改进后算法的优越性.     

云环境下基于模板遗传算法的任务调度方法

云任务调度是云计算研究的一个热点。云任务调度方法的好坏直接影响云平台的整体性能。提出一种基于模板遗传算法(TBGA)的任务调度方法。首先,根据处理机的运算速度和带宽等条件,计算出每个处理机应分配的任务量模板大小;然后,根据模板大小将任务集合中的任务划分为多个子集合;最后,利用遗传算法将集合中的任务分配到对应的处理机。实验证明通过此方法能得到总任务完成时间较短的调度结果。通过仿真实验将TBGA算法与Min-Min算法和遗传算法(GA)进行比较,实验结果表明,TBGA算法与Min-Min算法相比任务集合完成时间降低了20%左右,与遗传算法相比任务集合完成时间降低了30%左右,是一种有效的任务调度算法。     

扩展QoS指导的网格任务调度算法

考虑了网格任务多级别QoS需求,根据任务的服务质量级别进行排序,优先调度服务质量级别较高的任务,提出一种扩展QoS指导的Min-Min启发式网格任务调度算法。模拟实验结果表明,与QoS指导的Min-Min启发式算法相比,该算法在3种情况下的调度性能均能提高4.3%以上,具有较好的调度效果。     

一个扩展的以QoS为指向的网格任务调度算法

在对网格计算的研究中,有人考虑了计算资源中服务质量(QoS)因素,在对传统的Min-Min算法加以改进的基础上,提出了QoS Guided Min-Min算法。在此基础上,本文提出一种新的扩展型算法,以进一步提高网格资源的利用率。最后,本文对以上三种算法的实验结果进行了比较分析。     

网格环境下基于信任机制的资源调度研究

信任是网格资源调度中一个很重要的因素,也是影响网格计算有效性和性能的关键技术之一。将信任机制引入到网格资源调度中,提出了网格环境下的信任模型和基于信任机制的资源调度模型,在调度策略上对传统的Min-Min算法进行了改进,提出了基于信任机制的Trust-Min-Min算法。仿真结果表明,算法不仅可以缩短任务的总执行时间,而且可以有效地平衡负载,是网格环境下一种有效的资源调度方法。     

网格计算中任务调度算法的研究和改进

任务调度一直是网格计算中的热点问题,任务调度的目的是最优地分配任务,实现最佳的调度策略,以高效地完成计算任务。在网格环境中,资源的合理有效利用是实现任务调度的关键问题之一。本文首先论述静态任务调度算法和动态任务算法的原理和优缺点等,然后结合Min-min、Max-min算法的优点设计一种新的调度算法SA-MM,根据资源的使用情况自适应调度相应算法进行任务到资源的映射。最后,用GridSim模拟工具对网格计算中Min-min、Max-min和SA-MM任务调度算法进行仿真实验,分析和比较它们的调度长度(MakeSpan)和资源负载情况等影响任务调度效率的指标。