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。     

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.     

基于遗传算法的云计算资源调度策略研究

对云计算环境中的资源调度问题进行了研究,鉴于当前云计算环境中资源利用率不高,节点负载不均衡的问题,提出了一种新的基于遗传算法的关于虚拟机负载均衡的调度策略;根据历史数据和系统的当前状态以及通过遗传算法,该策略能够达到最佳负载均衡和减少或避免动态迁移,同时还引入了平均负载来衡量该算法的全局负载均衡效果;最后通过在CloudSim平台进行仿真实验,结果表明,该策略具有相当好的全局收敛性和效率,当系统虚拟机被调度之后,算法在很大程度上能够解决负载不均衡和高迁移成本问题,并且极大地提高了资源利用率.     

云环境下基于改进遗传算法的资源调度分配算法

在云计算环境中,数据中心需要高效且快速的调度算法来满足不同的任务要求。本文主要从分析Map/Reduce框架模型出发,在传统遗传算法的基础上引入QoS用户服务质量度量,考虑不同用户的任务差别,并将其应用至云计算环境中的资源调度。在云仿真器CloudSim上进行仿真,实验结果表明,相对于传统遗传算法,优化的遗传算法能在大量任务的情况下取得更好的优化效果,能使任务快速合理地分配到虚拟资源上。     

实数编码混沌量子遗传算法

基于量子位的混沌特性和相干特性,提出一种实数编码混沌量子遗传算法（RCQGA）．该算法在解空间内将实数染色体通过反向变换映射到量子位,采用量子位概率指导的实数交叉与混沌变异相结合的方法对实数染色体进行演化搜索．实验结果表明,RCQGA不仅可以有效避免二进制编码QGA早熟收敛的缺点,而且可以减少寻优的计算复杂度,具有收敛速度快、稳定性好、寻优能力强、精度提高容易等优点,适用于工程应用中的复杂函数优化问题．     

基于遗传算法的Kubernetes资源调度算法

Kubernetes在优选阶段仅根据节点CPU和内存的利用率来决定节点的分值,这只能保证单节点的资源利用率,无法保证集群资源的负载均衡.针对该问题,提出一种基于遗传算法的Kubernetes资源调度算法,该算法加入了网络带宽和磁盘IO两项评价指标,同时为评价指标赋予不同权重值,并且引入校验字典校验并修复遗传算法生成的新种群中不符合配置的个体.实验结果表明,与Kubernetes默认资源调度策略相比,该算法考虑了集群中的所有节点的资源利用率,在保证集群负载均衡方面有着更好的效果.     

一种用于云计算资源调度的改进遗传算法

针对轮询调度算法、遗传算法和模拟退火算法在云计算资源调度中存在收敛速度慢、易早熟和资源负载不均衡等问题,提出了一种基于模拟退火思想的改进遗传算法(simulated annealing improved genetic algorithm:SAIGA);改进算法设计了基于任务平均完成时间和负载均衡的双适应度函数和自适应的交叉变异概率函数,允许算法在退火过程中以一定概率接受劣质解从而避免早熟现象的发生,将虚拟资源上任务分配数的标准差作为选择个体的依据来实现节点的负载均衡;仿真结果表明,改进算法与上述算法相比,在任务平均完成时间、资源利用率以及收敛速度上表现得更优越,能够较快地找到资源最优调度方案,具有较好的可行性和实用性。     

基于量子遗传算法的校园网格作业调度

互联网的异构性导致了网络资源不能充分共享,传统的校园网结构使得教育资源难以大范围共享,网格技术能较好地解决这些问题。通过对校园网现状和网格技术的分析,该文提出校园网格作业调度模型,设计并实现了基于量子遗传算法的作业调度方法。算法借鉴量子比特的叠加性,采用量子编码来表征染色体,能够表示许多可能的线性叠加状态,其整体性能优于普通遗传算法。     

基于QPSFLA算法的云计算环境资源调度策略

针对云计算环境下的资源调度优化问题,提出了一种基于量子粒子群策略的混洗蛙跳改进算法(简称QPSFLA算法),旨在引入量子粒子群搜索策略防止传统混洗蛙跳算法容易陷入局部最优的问题。在CloudSim平台上的模拟试验结果表明,QPSFLA算法能够达到预期效果,而且比平台自带算法和传统混洗蛙跳算法效率更高。     

云计算环境下基于改进遗传算法的任务调度算法

在云计算中面对的用户群是庞大的,要处理的任务量与数据量也是十分巨大的。如何对任务进行高效的调度成为云计算中所要解决的重要问题。针对云计算的编程模型框架,提出了一种具有双适应度的遗传算法（DFGA）,通过此算法不但能找到总任务完成时间较短的调度结果,而且此调度结果的任务平均完成时间也较短。通过仿真实验将此算法与自适应遗传算法（AGA）进行比较,实验结果表明,此算法优于自适应遗传算法,是一种云计算环境下有效的任务调度算法。     

一种基于改进遗传算法的网格资源调度策略

首先对网格资源调度的特点、现有遗传算法的局限性进行了分析,在此基础上对遗传算法进行改进;提出一种基于改进遗传算法的网格资源调度策略（GRSS_IGA）,该算法综合考虑资源任务分配量、任务截止时间、任务等待时间及资源利用率等QoS参数;并用马尔可夫理论证明了算法的正确性;最后通过仿真对改进前后两种算法的性能进行比较,实验结果表明改进后的算法降低了时间消耗,提高了资源利用率。     

基于量子遗传混合算法的泊位联合调度

为了提高集装箱港口服务效率,减少船舶服务的拖期费用,针对港口硬件（泊位、拖轮、岸桥）既定条件下的拖轮-泊位联合调度问题,新建了以最小化总体船舶在港时间和总拖期时间为目标的数学模型,设计了一种混合算法进行求解。首先,分析确定了将量子遗传算法（QGA）和禁忌搜索（TS）算法进行串行混合的策略;然后,依据该联合调度问题特点,在解决算法实施中的关键技术问题（染色体结构设计和测量、遗传操作、种群更新等）的同时,采用了动态量子旋转门更新机制;最后,用生产实例验证了算法的可行性及有效性。算法实验结果表明,与人工调度结果相比,混合算法的总体船舶在港时间和总拖期时间分别减少了24%和42.7%;与遗传算法结果相比,分别减少了10.9%和22.5%。所提模型及算法不仅能为港口船舶的入泊、离泊和装卸作业环节提供优化作业方案,而且能增强港口竞争力。     

膜计算改进粒子群优化算法的云资源调度

云计算环境下的资源合理调度是当前的研究热点,针对粒子群优化算法的不足,引入膜计算理论,提出一种基于膜计算改进粒子群优化算法的云资源调度算法（PSO-MC）。对云资源调度问题进行分析,建立云资源调度的目标函数,受到膜计算的启发,将粒子放入膜中,主膜内粒子进行精细化局部寻优,辅助膜内的粒子进行全局搜索,通过膜区域之间信息传递搜索结果,找到云资源调度问题的最优解,在CloudSim平台对算法进行仿真实验。结果表明,PSO-MC算法减少了任务的平均完成时间,提高了任务处理的效率,使云计算资源调度更加合理。     

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。     

云计算环境下融合遗传算法和蚁群算法QoS约束任务调度

针对已有云计算任务调度算法为实现最短时间跨度而不能兼顾负载均衡和服务质量的问题,提出基于遗传算法和蚁群算法融合的QoS约束任务调度策略CAAC。CAAC利用任务的预测完成时间和成本耗费定义适应度函数;通过遗传算子全局搜索最优解,融合蚁群算子提高解的精确度;当任务数量大于50时,该算法收敛速度和资源利用率比蚁群算法平均提高4.7'和30.8'。仿真结果表明,该算法在保证服务质量和资源负载均衡方面具有优越性。     

基于改进GA的云计算任务调度算法

云计算通常需要处理大量的计算任务,任务调度策略在决定云计算效率方面起着关键作用。如何合理地分配计算资源,有效地调度任务运行,使所有任务运行完成所需的时间较短、成本较小是个重要的问题。提出一种考虑时间-成本约束的遗传算法(TCGA),通过此算法调度产生的结果不仅能使任务完成所需的时间较短,而且成本较小。通过实验,将TCGA与考虑时间约束的遗传算法(TGA)、考虑成本约束的遗传算法(CGA)进行比较,实验结果表明,该算法是云计算中一种有效的任务调度算法。     

基于量子遗传算法的物流管理信息系统

研究了量子遗传算法(QGA)的发展现状,运用量子遗传算法来解决物流管理系统中的成本问题,在应用程序中进行资源控制,设计了安全认证模式,并以每个人的身份进行系统权限的分配,进行了与企业运营成本有关的优化,包括装配车优化等.对开发的应用系统进行了具体的性能和实现技术方面的分析.该系统已在某物流公司应用至今,取得了较好效果.     

基于贪心改进算法的云计算任务调度

基于云计算的存储和计算架构的特征上,对资源存储算法和任务分配进行了研究.针对云计算的资源管理中单纯考虑算法的时间和空间复杂度,而忽略在数据链路层因调度所消耗的时间问题,因此将网络存储感知和贪心算法相结合,提出了一种贪心改进算法,目的在于大幅减少数据在数据链路层所消耗的时间.最终在CloudSim平台上进行云环境下的仿真,将得出的结果和一般的贪心算法相比较,经过对比分析表明:改进后的贪心算法对于任务的执行而言时间更短,效率更高.