基于均衡更新蚁群算法的飞机排序调度

飞机排序调度问题是空中交通管制的一个关键问题,本文在给出飞机排序调度模型的基础上,提出一种均衡更新蚁群算法,利用当前解与全局最优解的差异来均衡地更新信息素,增强算法的全局搜索能力,从而生成更优解。实验结果表明,均衡更新蚁群算法求解飞机排序调度问题时,能用较短时间求出优于对比算法的结果,其性能可以提高12.9%,有助于空中交通管制人员根据实时情况安排合适的飞机着陆顺序。     

云中基于蚁群算法改进的负载均衡策略

针对云计算虚拟化资源中,提高资源利用率、负载均衡度的问题,在蚁群算法的基础上,提出云中节点间负载均衡的改进算法。前向蚂蚁检测节点的类型、记录节点信息,遇到负载节点时留下觅食信息素;后向蚂蚁依据循迹信息素追溯回负载节点,合理分配超载节点任务。所有蚂蚁不再更新自己的结果集,而是致力于更新单个结果集,在搜索过程中依据节点类型动态地修改路径信息素。在Cloudsim平台下进行的仿真实验验证了改进算法的有效性。     

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。     

基于多维QoS和云计算的资源负载均衡调度研究

为了实现云环境下虚拟资源的高效调度并满足用户QoS需求,提出了一种基于多维QoS能实现负载平衡的云资源调度方法;首先,建立了云资源调度的多维QoS数学模型,然后提出了一种基于蚁群算法实现云环境虚拟资源调度的算法,对信息素的初始化、虚拟机的选择以及信息素的更新等均进行了改进,并在算法中引入遗传变异因子以提高算法的收敛能力;实验结果表明:该算法能有效解决云环境下虚拟资源调度问题,减少负载均衡离差,较其它方法具有较大优越性,满足了云环境下资源调度的需求。     

基于信息素扩散的优化蚁群算法的研究

在蚁群算法实验性分析的基础上,对算法模型改进和信息素更新机制方面,首次引入了信息素扩散的概念,在信息素更新的时候更好地考虑了先前经过的节点,以尽力避免不必要的无用搜索,同时基于信息素扩散的蚁群算法具有不断获得新的最优解的能力,使得改进蚁群算法在不断的迭代过程后,可获得全局最优解,而不易陷入局部最优解.在解决实际旅行商问题时,首先对所有节点的坐标预处理,然后采取信息素扩散机制和蚂蚁泛滥技术来对蚁群算法进行改进,力求在相同的迭代次数内可以寻找到更短及代价更小的路径.最后,通过在vc++环境下实现改进蚁群算法程序,验证了改进后的蚁群算法的可行性以及改进后的蚁群算法求解的高效性.     

不确定性环境中医疗物联网资源云调度的仿真研究

为了在不确定性情况下提高云医疗物联网资源调度及负载的均衡，在研究系统不确定模型、遗传算法和贪心算法基础上，设计一种基于改进遗传算法的云物联网资源调度方案。通过将本文所提算法与GA、Min-Min和FCFS比较，所提算法减少了总体执行时间，以最小的定价成本实现不确定性下医疗物联网云资源上的负载均衡。     

基于混合蚁群算法的网格任务调度

针对网格任务调度的调度时间长、资源负载不平衡等问题,提出一种基于混合蚁群算法的网格任务调度方法。该方法将禁忌搜索作为蚁群算法的局部搜索策略,以扩大解的搜索空间,避免陷入局部最优,并通过多样化机制提高算法收敛速度。利用平衡因子调节信息素的更新,改善资源的负载平衡性能。     

云环境下副本优化放置策略研究

为了提高云计算数据调度和副本访问的效率,对副本策略中的副本放置问题进行研究,提出一种基于蚁群算法的副本放置策略。根据自然界中蚁群觅食的原理,把蚁群算法应用于副本放置的整个过程; 利用信息素的动态更新以及拉普拉斯概率分布改进的蚁群算法得出一组最优解进行副本放置。在CloudSim平台上进行了仿真模拟,实验结果表明,提出的方案在平均作业完成时间、网络利用率和负载均衡度上均优于原始蚁群算法,并在一定程度上降低了副本放置的时间消耗和网络负载。     

一种提高集群调度性能的改进型蚁群算法

蚁群算法ACO能较好地应用于集群调度,但其传统的信息素更新方式带来了性能匹配和负载均衡等问题,影响了集群调度的性能.针对这些问题,提出了改进型蚁群算法IACO,通过引入性能匹配因子和负载均衡因子更合理地调整信息素,缩短了作业处理时间,提高了CPU利用率,从而有效地提高了集群调度性能.     

基于改进蚁群算法的负载均衡机制的研究

针对传统网络中集群负载不均、负载压力大等问题,提出一种基于改进蚁群算法的动态负载均衡机制。该算法可根据服务器性能动态调整负载调度方案,实现服务器集群最小响应时间下的最大资源利用率。论文在基本蚁群算法的模型上,针对蚁群算法前期收敛速度慢和后期容易陷入局部最优解等问题,结合遗传算法和伪随机序列对算法进行优化。最后经实验结果证明,改进的蚁群算法能更好地提升系统负载均衡性能,实现负载目标。     

云存储副本优化选择策略

为了提高云计算环境中系统的整体数据调度效率,对云存储系统中的副本选择问题进行研究,提出一种基于蚁群觅食原理的云存储副本优化选择策略。该策略利用蚁群算法在解决优化问题上的优势,将自然环境中蚁群的觅食过程与云存储中的副本选择过程相结合;再充分应用信息素的动态变化规律以及高斯概率分布特性优化副本的选择方式,得出一组副本资源的最优解,从而为数据请求响应合适的副本。在OptorSim仿真平台上对该算法进行实现,实验结果表明该算法具有不错的表现,如在平均作业用时这一性能指标上相比原始蚁群算法提升了18.7%,从而在一定程度上减少了副本选择过程的时间消耗,降低了网络负载。     

基于时间负载均衡蚁群算法的云任务调度优化

针对云渲染系统中渲染节点与任务不匹配调度而带来的时间负载不均衡和耗时长的问题,提出一种基于时间负载均衡的任务调度方式来优化系统耗时的策略.该算法采用Min-min与Max-min相结合的思想,建立时间负载均衡模型进行前期迭代,将迭代结果作为蚁群算法的初始序列,并按照适应度规则计算出相应的初始信息素,同时通过单一变量法确定合理的参数,蚁群算法采用已有的初始资源和参数值进行后期迭代,根据标准量度自定义函数进行高效寻优,进而求得最终的任务调度序列.仿真结果表明,本策略既具有较高的搜索效率和较强的全局寻优能力,又能有效降低任务完成时间,且在时间负载均衡和寻优速度方面均显著优于蚁群算法和蚁群退火算法.     

基于遗传-蚁群混合算法的排课系统

在高校的教务管理中,排课问题是复杂又关键的环节,科目数量众多,教学资源有限等等因素都制约着排课的复杂程度和结果.排课本质就是将课程、班级在合适的时间段安排到合适的教学位置,是一个NP问题的求解.随着规模的不断扩大,问题求解难度呈指数形式增加,当规模达到一定程度的时候就很难在短的时间内求出最优解.鉴于此,本文提出了遗传-蚁群混合算法,将两种算法混合使用,依靠遗传算法生成信息素分布,利用蚁群算法求最优解.实验结果表明,混合算法提高了排课的效率和课表的合理度.     

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.     

基于改进蚁群算法和粒子群算法的云计算资源调度

针对云计算资源分配中存在分配不均、分配效果不好的问题,利用改进后的蚁群算法和粒子群算法进行资源分配.首先针对粒子群算法的惯性权值进行改进,设定适应度函数并选择最佳位置的粒子,然后将该粒子的位置转变为蚁群算法的初始信息素的值,通过狼群算法改进蚁群算法的信息素的选择.仿真实验表明,本文算法与蚁群算法、粒子群算法相比在任务完成时间、能量消耗方面都有了明显的改善.     

基于膜计算和蚁群算法的融合算法在云计算资源调度中的研究

针对云计算下的资源调度的问题,提出将蚁群算法的个体与云计算中的可行性资源调度进行对应,首先对云计算资源调度进行描述,其次针对蚁群算法的路径选择引入了平衡因子,对信息素进行了局部研究和全局研究,将蚁群个体引入到膜计算中,通过膜内运算和膜间运算,提高了算法的局部和全局收敛的能力,最后在云计算资源分配中,引入匹配表概念,将云计算任务和资源进行匹配,融合后的算法提高了算法的整体性能;仿真实验说明在网络消耗,成本消耗,能量消耗上有了明显的降低,提高了资源分配效率。     

云计算环境下基于多目标优化的虚拟机放置研究

云数据中心的规模日益增长导致其产生的能源消耗及成本呈指数级增长.虚拟机的放置是提高云计算环境服务质量与节约成本的核心.针对传统的虚拟机放置算法存在考虑目标单一化和多目标优化难以找到最优解的问题,提出一种面向能耗、资源利用率、负载均衡的多目标优化虚拟机放置模型.通过改进蚁群算法求解优化模型,利用其信息素正反馈机制和启发式...     

Two-generation Pareto ant colony algorithm for multi-objective job shop scheduling problem with alternative process plans and unrelated parallel machines

The flexibilities of alternative process plans and unrelated parallel machines are benefit for the optimization of the job shop scheduling problem, but meanwhile increase the complexity of the problem. This paper constructs the mathematical model for the multi-objective job shop scheduling problem with alternative process plans and unrelated parallel machines, splits the problem into two sub-problems, namely flexible processing route decision and task sorting, and proposes a two-generation (father and children) Pareto ant colony algorithm to generate a feasible scheduling solution. The father ant colony system solves the flexible processing route decision problem, which selects the most appropriate process node set from the alternative process node set. The children ant colony system solves the sorting problem of the process task set generated by the father ant colony system. The Pareto ant colony system constructs the applicable pheromone matrixes and heuristic information with respect to the sub-problems and objectives. And NSGAII is used as comparison whose genetic operators are re-defined. The experiment confirms the validation of the proposed algorithm. By comparing the result of the algorithm to NSGAII, we can see the proposed algorithm has a better performance.