基于粒子群优化算法的云计算资源调度策略研究

针对移动互联网用户具有移动性的特点,采用移动云的概念来分担计算任务.粒子群算法能够有效地寻找移动互联网的计算资源,从而提高云计算中各个计算资源的分配速度和计算效率.采用粒子群算法,兼顾用户的服务质量,高效调度异构网络中的计算资源,完成具有大计算量的科学计算的云计算资源调度方案.仿真结果表明,所提策略能够提高资源调度的速度,并且能提高云计算的效率.     

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.     

云计算资源调度算法仿真

针对云计算的资源调度问题,有效利用云网络结构,是分布式结构与网格技术中的主要问题.大量资源调度算法使用任务结构对云计算环境下的负载进行分配,但较少考虑网络节点的动态信任度问题使得云计算资源存在一定的安全隐患.首先基于云计算任务串并联结构对网络动态资源进行分配,然后使用粒子群算法并结合节点置信度指标进行改进.通过仿真进行验证,证明了改进方法在增加节点信任度指标后提高了云计算资源的利用率,降低了网络资源负载.     

基于MPSO算法的云计算资源调度策略

针对云计算服务集群资源调度和负载平衡的优化问题,提出一种基于改进的粒子群优化算法的云计算资源调度策略。将动态多群体协作和变异粒子逆向飞行思想引入到粒子群优化算法中,从而控制全局搜索和局部搜索,尽量避免陷入局部最优。在CloudSim 平台进行模拟测试,结果表明,该调度策略有效且执行效率较高。     

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。     

云计算中的基于粒子群算法和差分遗传算法的资源调度

云计算资源调度一直以来都是研究的热点, 本文在云计算中引入粒子群算法, 针对该算法局部收敛速度快, 容易陷入局部最优值的缺点. 本文提出了两个改进: 一个是在粒子群种群寻找最优解中引入差分遗传算法, 既可以发挥粒子群全局搜索快的优点, 又可以发挥差分遗传算法局部搜索效率高的优点, 将两种算法优点进行结合弥补粒子群算法不足; 另一个是引入惩罚函数避免了粒子向无效的空间移动, 节约了移动的成本. Cloudsim平台说明本文算法能够有效满足云计算资源分配, 同时在任务完成时间, 成本消耗方面都有了很大的提高, 为云计算的资源分配提供了一种参考.     

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。     

基于离散粒子群优化的云计算QoS调度算法

针对云计算环境下用户任务的多种服务质量(QoS)需求,综合考虑任务截止时间、调度预算和可靠性,提出一种多QoS约束离散粒子群优化(QoS-DPSO)的任务调度算法。对任务的QoS进行定义和数学建模,通过截止时间和调度预算约束DPSO的搜索空间,根据可靠性重新定义DPSO的适应度函数,由适应度值搜索最优的任务调度方案。实验结果表明,与PSO,DPSO,DBC和EDF算法相比,QoS-DPSO在满足调度截止期的情况下具有较高的可靠性,并且对Makespan性能的影响较小。     

基于粒子群的后件多项式RBF神经网络算法

RBF（径向基函数）神经网络能在各个领域得到了很好的应用,关键在于网络模型参数权值、网络中心值、基宽向量和隐含层节点数的选取。传统的RBF神经网络存在精度不高,容易陷入局部最优,收敛速度慢等缺点。针对这些问题,提出了利用粒子群算法优化后件多项式RBF神经网络方法,即优化含有后件多项式RBF神经网络的权值、网络中心值和基宽向量值,并选取最优的隐含层节点数,进而提出了PSOIRBF（基于粒子群的后件多项式RBF）神经网络。通过对非线性模型和实例等非线性被控对象的仿真研究及对模型的分析,表明了所提出算法的有效性。     

基于云计算神经网络物流车辆调度算法研究

研究了物流车辆调度优化问题。针对云计算下任务调度算法没有考虑调度的服务质量和用户满意度的问题,特别是在物流任务调度问题中存在复杂的计算网络,造成计算率降低,为了解决上述问题,提出了一种新的有关云计算和神经网络相结合的物流作业调度算法。算法充分考虑了调度的服务质量以及用户满意度,建立一个参数化的处理模型,计算用户在各个资源上的综合满意度,再将任务分配到满足用户需求和使系统资源达到均衡的资源上执行,最后采用改进的神经网络进行优化车辆调度。实验结果表明,改进算法不仅能满足用户的多种需求,提高了用户的满意度,同时也提高了资源调度率和系统资源的利用率。     

基于Map-Reduce模型的云资源调度方法研究

为提高Map-Reduce模型资源调度问题的求解效能,分别考虑Map和Reduce阶段的调度过程,建立带服务质量(QoS)约束的多目标资源调度模型,并提出用于模型求解的混沌多目标粒子群算法。算法采用信息熵理论来维护非支配解集,以保持解的多样性和分布均匀性;在利用Sigma方法实现快速收敛的基础上,引入混沌扰动机制,以提高种群多样性和算法全局寻优能力,避免算法陷入局部最优。实验表明,算法求解所需的迭代次数少,得到的非支配解分布均匀。Map-Reduce资源调度问题的求解过程中,在收敛性和解集的多样性方面,所提算法均明显优于传统多目标粒子群算法。     

基于神经网络改进的云环境下暴发式请求部署策略研究

针对暴发式任务请求给云计算系统性能带来的影响,结合现有资源部署模型,提出了一种基于误差反向传播神经网络改进的资源部署模型来应对上述问题。模型判断出暴发式任务请求的始末时,自动启动网络模块,通过事先训练好的网络进行参数调整值的预测,以达到动态跟踪云计算系统底层资源与外界任务请求变化的目的。通过CloudSim对模型进行了仿真实验,结果证明,引入神经网络模块可有效提高现有系统的资源部署响应速度。     

基于云计算的大数据服务资源评价方法

随着大数据服务领域引入云计算技术,需要调动的云服务资源增多且其拓扑结构变得复杂,因此传统基于服务质量(QoS)的加权评价方法无法动态地评价云计算服务资源的有效性和准确性。针对此问题,文中提出了一种基于博弈优化调度的筛选加权评价方法。此方法引入了用户的体验质量(QoE)评价指标,充分考虑了动态调度的业务和时延特性,通过多个指标的博弈,得到加权评价的参数的纳什均衡点。仿真实验结果表明,所提评估方法能够准确地评价云计算服务资源调度的有效性和准确性,并且适合大数据服务业务的拓展。     

云计算资源调度研究综述

资源调度是云计算的一个主要研究方向.首先对云计算资源调度的相关研究现状进行深入调查和分析;然后重点讨论以降低云计算数据中心能耗为目标的资源调度方法、以提高系统资源利用率为目标的资源管理方法、基于经济学的云资源管理模型,给出最小能耗的云计算资源调度模型和最小服务器数量的云计算资源调度模型,并深入分析和比较现有的云资源调度方法;最后指出云计算资源管理的未来重要研究方向:基于预测的资源调度、能耗与性能折衷的调度、面向不同应用负载的资源管理策略与机制、面向计算能力(CPU、内存)和网络带宽的综合资源分配、多目标优化的资源调度,以便为云计算研究提供有益的参考.     

基于社会力群智能优化算法的云计算资源调度

为了提高云计算资源的调度效率,提出了一种基于社会力群智能优化算法的云计算资源调度方法.首先将云计算资源调度任务完成时间最短作为社会力群智能优化算法的目标函数,然后通过模拟人群疏散过程中的自组织、拥挤退避行为对最优调度方案进行搜索,最后采用仿真实验对算法性能进行测试.结果表明,相对于其它云计算资源调度方法,该方法可以更快地找到最优云计算资源调度方案,使云计算资源负载更加均衡,提高了云计算资源的利用率.     

基于云计算的海量碎片资源动态调度仿真

传统的资源调度方法处理的碎片资源偏散乱,对静态调度效果较好,但资源动态调度耗时长。提出基于云计算的海量碎片资源动态调度方法。量化处理海量碎片资源,并计算碎片资源对应的权值,判断碎片资源调用的优先级。依据碎片资源的优先级计算结果,利用云计算技术重组海量碎片资源。发布资源分配调度任务,确定资源调度的初始位置和速度,最后通过调度信息素更新、资源动态循环迭代控制和决策调度区间自适应调整三个步骤,实现海量碎片资源的动态调度。经过实验对比得出结论:传统的调度方法调度任务的平均时间为520秒,而基于云计算的海量碎片资源动态调度方法的平均消耗时间为350秒,相比之下节省了170秒,资源利用率较高。     

云环境下计算资源动态能耗感知的并行任务调度方法

云计算是一种新兴的计算模式,倡导一切皆服务.要实现低成本、高效、安全、易用的云计算系统,依然面临诸多挑战,其中,高能耗已成为云计算不可忽视的问题.在计算资源电压可动态调整的环境下,为截止完成时间有要求的并行任务,提出两种满足并行任务截止时间要求的降低并行任务执行能耗的调度方法Ssef和Egsa.模拟实验表明,提出的算法在保证并行任务截止完成时间要求的条件下能够有效降低并行任务的执行能耗,从而大幅度降低云计算系统的能耗开销.