基于改进蚁群算法的网格资源调度

针对网格资源的分布式共享,提出了一种改进的蚁群算法,并用于网格资源调度中. 在算法中引入了资源节点的可信度,并作为蚂蚁残留的信息素评估要素之一,通过对可信度的评估,在一定程度上增强了蚁群算法的搜索能力和网格资源的可靠性. 在算法中设计了局部和全局信息素更新机制,实现了各资源节点上的负载均衡. 通过选取适当的参数,利用GridSim工具对基于改进蚁群算法的网格资源调度策略进行了仿真实验测试. 实验结果证明,该策略能有效地提高网格系统资源的利用率和任务提交的成功率,缩短了整个网格系统调度的总执行时间,改善了网格系统的性能.     

蚁群算法在网格资源调度中的应用

网格资源调度是网格研究的热点问题,蚁群算法是解决多项式复杂程度的非确定问题(non-deterministic polynomial,NP)的一种有效方法.通过对网格资源调度过程和蚁群算法的研究,提出了网格环境下用蚁群算法进行资源调度的方法.采用网格模拟器GridSim进行仿真,实验结果表明,蚁群算法用于网格资源调度可以减少系统总执行时间和任务完成时间.     

基于改进蚁群算法的SDN数据中心流调度研究

目前在软件定义数据中心网络中,基于蚁群算法的流调度策略在对路径进行选择时存在收敛过慢和搜索停滞等缺点,容易导致数据中心网络时延过高和资源利用率低等问题.为此,提出一种基于蚁群改进的流调度算法.该算法以最大化平均链路带宽利用率为优化目标,将流调度问题抽象为整数线性规划模型,通过重定义蚁群算法中的信息素更新方式对大流的重路...     

基于改进蚁群算法的智能调度系统设计与开发

蚁群算法是一种模拟蚂蚁群体智能行为的仿生优化算法,具有良好的正反馈、鲁棒性、群体性和并行性等特点.在研究柔性作业车间调度的基础上,针对企业实际生产情况,将改进蚁群算法应用于求解实际生产调度问题.笔者介绍了智能调度系统的需求分析、系统设计和主要功能模块的实现.系统实现时采用事件驱动调度策略,当调度任务发生变化时根据上次调度结果重新调度,同时对蚁群算法做出适当改进,添加机器选择策略,在搜索解路径的过程中,首先确定下一步可供选择加工的工件在哪台机器上加工,然后确定加工哪个工件.开发的智能调度系统能完成企业的动态柔性调度,能较好的解决机器变化和订单变化引起的重调度问题,提高企业生产效率.     

基于蚁群算法的云计算联盟资源调度

针对目前云计算联盟的架构和单云环境下资源调度的研究缺少对云计算联盟下的资源调度问题的研究情况,建立了由云用户、云服务供应商和云联盟协调器组成的云计算联盟资源调度模型,为达到云供应商利益最大化,设计了任务-虚拟机-数据中心的调度算法,利用蚁群算法进行模型求解,并通过Cloudsim仿真软件证实了该算法的合理性,验证了供应商资源的数据中心负载率在60％～80％之间时达到均衡,并可获得最大利益。     

基于双向收敛蚁群算法在车间作业调度上的应用

合理搭配车间中生产环节的各种资源,减少零部件的准备工作,可以提高设备使用率与生产效率。提出双向收敛蚁群算法,并通过实例跟基本蚁群算法相比较,实验结果证明采用双向收敛蚁群算法可以提高搜索过程的挥发系数,加快收敛速度。     

基于改进蚁群算法的作业车间调度

提出了一种改进的蚁群算法,应用于经典的作业车间调度问题。编码采用基于机器的编码可以控制冗余解的数量,但同时会产生不可行解。本研究提出了控制不可行解产生的策略,同时对已出现的不可行解问题,在尽量保留种群基因的前提下,改变解的形式加以利用。在丰富了种群的多样性的同时解决了不可行解的问题。采用自适应参数法则,使参数的变化顺应种群发展过程各个阶段的需要。在一定代数的迭代后,通过改变某些参数跳出局部最优,从而达到了较好的搜索效果。     

一种基于网格距离的资源调度

在网格资源调度中,当任务选择与自己距离较近、可用带宽较大的资源时,调度体现更好的特性。文章就距离、可用带宽并结合资源的使用费用,提出了网格距离的概念,实现网格资源选择中对上述因素的约束。定义了网格资源和应用的模型,在该模型上完成网格距离的计算,提出了资源选择算法。仿真实验表明,调度在通信开销、稳定性、任务完成时间以及任务执行的失败率等方面都得到了改善,同时促进整个网格系统资源交易的吞吐量。     

多目标资源受限项目调度的多种群蚁群算法

为实现资源受限项目调度的多目标优化,通过改进传统蚁群算法,提出适用于多目标优化的多种群蚁群算法.该算法基于串行进度生成机制,每个蚁群具有各自的目标函数、与目标函数相匹配的不同搜索策略以及各自的信息素更新机制.各蚁群独立进行搜索决策,但各蚁群之间存在信息素的相互作用,从而实现加速搜索.针对多目标资源受限项目调度问题设计新的精英策略.在目标规划基础上构造一系列多目标项目调度算例,经系统测试表明,所提出的多种群蚁群算法能够有效优化资源受限项目的资源配置,实现多目标优化.     

改进蚁群算法的云存储任务调度算法研究

由于云存储环境与云计算环境中不同,若直接将云计算环境中的任务调度算法移植到云存储环境中,必然会导致任务调度的效率下降.为解决此问题,提出了一种适用于云存储环境中的改进蚁群算法.改进蚁群算法能使云计算环境的任务调度算法更符合云存储的环境;同时,对于改进PSO算法在引入存在矩阵时,由于数据资源不存在而造成算法前期优化浪费引起效率低下的问题进行了有效解决.分析测试结果表明,提出的改进蚁群算法在云存储环境的任务调度算法在保障有效解的前提下能够拥有更快的收敛速度.     

多处理机调度问题的蚁群优化算法

传统蚁群算法存在收敛速度慢、计算时间长、易陷入局部最优解等方面的缺陷。通过对蚁群信息素更新、策略选择、参数选择等各方面进行改进,提出一种更加高效的多处理机调度蚁群优化算法。实验证明：与其他优化算法相比,该算法能在较短的时间内找到更好的调度策略,具有较好的收敛性和有效性及优良的全局优化性能。     

Improved Ant Colony Algorithm for Vehicle Scheduling Problem in Airport Ground Service Support

Support vehicles are part of the main body of airport ground operations, and their scheduling efficiency directly impacts flight delays. A mathematical model is constructed and the responsiveness of support vehicles for current operational demands is proposed to study optimization algorithms for vehicle scheduling. The model is based on the constraint relationship of the initial operation time, time window, and gate position distribution, which gives an improvement to the ant colony algorithm(AC...     

基于自适应参数混合蚁群算法的双资源约束作业车间调度

文章针对以生产成本最小为目标,考虑差异性工人的双资源约束作业车间调度问题,提出参数按算法迭代结果自适应调整,基于蚂蚁流量自适应控制路径选择的混合蚁群算法,在算法前期扩大解搜索空间,后期加快算法收敛,实现算法性能的分阶段性能优化。通过对仿真实验结果的分析,该混合蚁群算法能有效求解双资源约束车间调度问题,且能够在保证得到较优调度结果的同时,具备优秀的收敛性能。     

基于改进蚁群算法的航路规划优化方法

航路规划优化是作战任务规划和作战筹划的重要内容之一，也是军事运筹研究的热点问题。在对兵力航路规划优化问题分析的基础上，提出了基于改进蚁群算法的兵力航路规划优化方法。仿真结果表明，改进蚁群算法有效快速收敛到较满意的结果，可以为兵力航路规划优化问题的深入研究提供一定的借鉴和参考。     

自适应蚁群算法在Flow Shop调度问题上的应用研究

运用能自适应地改变挥发度系数的自适应蚁群算法研究流水车间作业排序问题,设计出解决该问题的算法步骤与流程。最后,通过仿真比较该算法与基本蚁群算法在解决该问题方面的性能,仿真结果表明,该算法在解决Flow Shop方面的问题上取得满意的效果。     

基于蚁群算法的多Agent任务分配方法

针对多Agent任务分配问题,结合蚁群算法的思想,设计了基于图的任务分配数学模型,提出了基于蚁群算法的多Agent任务分配方法,并通过实验与3个经典方法进行比较和分析,探讨了蚂蚁数对求解结果的影响。实验结果表明,所提出的算法是有效的。     

An Improved Ant Colony Algorithm for a Single-machine Scheduling Problem with Setup Times

Motivated by industrial applications we study a single-machine scheduling problem in which all the jobs are mutu- ally independent and available at time zero.The machine processes the jobs sequentially and it is not idle if there is any job to be pro- cessed.The operation of each job cannot be interrupted.The machine cannot process more than one job at a time.A setup time is needed if the machine switches from one type of job to another.The objective is to find an optimal schedule with the minimal total jobs'completion time.While the sum of jobs'processing time is always a constant,the objective is to minimize the sum of setup times.Ant colony optimization(ACO)is a meta-heuristic that has recently been applied to scheduling problem.In this paper we propose an improved ACO-Branching Ant Colony with Dynamic Perturbation(DPBAC)algorithm for the single-machine schedul- ing problem.DPBAC improves traditional ACO in following aspects:introducing Branching Method to choose starting points;im- proving state transition rules;introducing Mutation Method to shorten tours;improving pheromone updating rules and introduc- ing Conditional Dynamic Perturbation Strategy.Computational results show that DPBAC algorithm is superior to the traditional ACO algorithm.