基于多QoS约束的数据网格任务调度算法研究

针对数据网格环境下的多QoS约束任务调度问题,提出了一种基于最早完成时间与QoS相识度的数据网格任务调度算法(data grid task scheduling algorithm based on Min-min and QoS similarity,MS-GTSA).该算法将最早完成时间与S-GTSA算法相结合,在任务调度过程中,选取任务QoS约束与资源QoS匹配最佳,且完成时间最早的一项优先进行调度.在满足任务最佳QoS匹配的同时,时间跨度得到了较大的改善.仿真结果表明,该算法有效降低了任务调度的时间跨度,在综合性能上较S-GTSA算法有所提高.     

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。     

云计算环境下基于时间和可靠性的调度策略

云计算中,调度策略对于用户任务的运行和服务提供方均有很大的影响,直接影响到云平台的运行效果。针对传统任务调度算法难以适用于云计算环境这一问题进行了研究,采用由星型结构演化而成的多代理模型,首先给出多代理模型的体系结构,然后针对多代理系统,提出了基于服务时间和可靠性为优化目标的任务调度策略,并采用模拟退火算法进行求解。最后进行了仿真实验,实验结果表明我们的调度策略是高效的。     

云工作流中基于分时虚拟机的任务层调度算法

云计算是新的一种面向市场的商业计算模式,向用户按需提供服务,云计算的商业特性使其关注向用户提供服务的服务质量。任务调度和资源分配是云计算中两个关键的技术,所使用的虚拟化技术使得其资源分配和任务调度有别于以往的并行分布式计算。目前主要的调度算法是借鉴网格环境下的调度策略,研究基于QoS的调度算法,存在执行效率较低的问题。我们对云工作流任务层调度进行深入研究,分析由底层资源虚拟化形成的虚拟机的特性,结合工作流任务的各类QoS约束,提出了基于虚拟机分时特性的任务层ACS调度算法。经过试验,我们提出的算法相比于文献[1]中的算法在对于较多并行任务的执行上存在较大的优势,能够很好的利用虚拟的分时特性,优化任务到虚拟机的调度。     

云工作流中基于分时虚拟机的任务层调度算法

云计算是新的一种面向市场的商业计算模式,向用户按需提供服务,云计算的商业特性使其关注向用户提供服务的服务质量。任务调度和资源分配是云计算中两个关键的技术,所使用的虚拟化技术使得其资源分配和任务调度有别于以往的并行分布式计算。目前主要的调度算法是借鉴网格环境下的调度策略,研究基于QoS的调度算法,存在执行效率较低的问题。我们对云工作流任务层调度进行深入研究,分析由底层资源虚拟化形成的虚拟机的特性,结合工作流任务的各类QoS约束,提出了基于虚拟机分时特性的任务层ACS调度算法。经过试验,我们提出的算法相比于文献[1]中的算法在对于较多并行任务的执行上存在较大的优势,能够很好的利用虚拟的分时特性,优化任务到虚拟机的调度。     

云计算环境下基于模板的任务调度策略与算法

针对云计算任务调度,提出了一种基于模板的任务调度（Template-based Task Scheduling,TTS）策略。该策略充分考虑了通信开销,在对任务分配进行预处理的基础上实现任务调度,主要分为两步：针对一个任务集合,采用可分任务调度求解子任务大小的方法,求出各个处理机应该分担的任务量模板;根据求出的模板,采用合理的调度算法对任务进行调度,从而得到较优的调度结果。在TTS策略下,对传统贪心算法加以改进,最终提出基于模板的任务调度贪心算法（Template-based Task Scheduling Greedy Algorithm,TTSGdA）。与Min-min算法和遗传算法的对比实验结果表明,TTSGdA能够有效减少任务集合完成时间。     

基于均匀离散PSO 算法的多QoS 网格任务调度策略

针对网格环境中多服务质量(QoS)约束条件下独立任务调度问题,提出一种融合配方均匀设计与离散粒子群优化算法(UDPSO)的任务调度策略,以实现对独立任务优化调度的快速生成.该算法采用类似 DPSO 算法的速度和位置更新方法,结合配方均匀设计,快速衡量各 QoS 约束条件的适应度,以产生分布均匀且较优的 Pareto 解集,最终为系统提供一组较优的任务调度方案.仿真实验表明,该算法更符合网格调度的复杂环境,能够得到较短的任务执行时间和较均衡的 QoS 保障.     

基于QoS Guided Min-min改进后的网格调度算法

在对网格调度现有算法的研究基础之上,对QoS Guided Min-min算法进行了分析,介绍了在任务对资源有特殊要求时算法的不足,并对其进行了改进.最后,使用GridSim模拟任务调度,对Min-min算法、QoS Guided Min-min算法和改进后的QoS Guided Min-min算法进行对比分析,验证了改进后算法的高效性.     

基于多QoS约束的网格任务调度算法

提出一种基于QoS的网格资源管理模型和此模型下基于多QoS约束的网格任务调度算法。引入效益函数对QoS描述建模,为网格任务调度算法提供合理的优化目标。在此基础上改进传统调度算法得到基于多QoS约束的调度算法。实验表明,改进后的算法有更好的性能,更适合应用于网格环境中。     

云计算环境下基于用户和资源约束的免疫效用均衡任务调度算法

针对云计算中的任务调度问题, 提出了一种免疫均衡效用任务调度算法. 该算法将云计算环境下任务调度问题建模为一个多目标优化模型, 同时兼顾了用户任务的时间跨度和虚拟化资源的负载均衡. 仿真结果表明, 该任务调度算法提高了用户满意度的同时减少了任务的完成时间, 是云平台下一种有效的任务调度策略.     

云计算平台中非定期任务并行调度仿真

由于云计算平台的动态不确定性和非定期任务调度本身的复杂性,使得非定期任务调度过程中的耗时长和负载不均等问题很难得到有效解决.针对上述问题,提出一种非定期任务并行调度方法,并应用到云计算中.通过多方面考虑云平台客户非定期任务的截止时间底线、调度估算等并行调度约束条件和各种可用资源的性能参数,对非定期任务调度的多目标约束条...     

An energy-efficient task scheduling for mobile devices based on cloud assistant

Mobile cloud computing is an emerging service model to extend the capability and the battery life of mobile devices. Mostly one network application can be decomposed into fine-grained tasks which consist of sequential tasks and parallel tasks. With the assistance of mobile cloud computing, some tasks could be offloaded to the cloud for speeding up executions and saving energy. However, the task offloading results in some additional cost during the communication between cloud and mobile devices. Therefore, this paper proposes an energy-efficient scheduling of tasks, in which the mobile device offloads appropriate tasks to the cloud via a Wi-Fi access point. The scheduling aims to minimize the energy consumption of mobile device for one application under the constraint of total completion time. This task scheduling problem is reconstructed into a constrained shortest path problem and the LARAC method is applied to get the approximate optimal solution. The proposed energy-efficient strategy decreases 81.93% of energy consumption and 25.70% of time at most, compared with the local strategy. Moreover, the applicability and performance of the proposed strategy are verified in different patterns of applications, where the time constraint, the workload ratio between communication and computation are various.     

基于离散人工蜂群算法的云任务调度优化

针对现今云计算任务调度只考虑单目标和云计算应用对虚拟资源的服务的质量要求高等问题,综合考虑了用户最短等待时间、资源负载均衡和经济原则,提出一种离散人工蜂群(ABC)算法的云任务调度优化策略。首先,从理论上建立了云任务调度的多目标数学模型;然后,结合偏好满意度策略并引入局部搜索算子和改变侦察蜂搜索方式,提出多目标离散型人工蜂群(MDABC)算法的优化策略。通过不同的云任务调度仿真实验,显示了改进离散人工蜂群算法相对于基础离散人工蜂群算法、遗传算法以及经典贪心算法,能够得到较高的综合满意度,表明了改进离散人工蜂群算法能够更好地改善虚拟资源中云任务调度系统的性能,具有一定的普适性。     

基于改进多目标布谷鸟搜索的资源调度算法

针对IaaS(Infrastructure as a Service)云计算中资源调度的多目标优化问题,提出一种基于改进多目标布谷鸟搜索的资源调度算法。在多目标布谷鸟搜索算法的基础上,通过改进随机游走策略和丢弃概率策略提高了算法的局部搜索能力和收敛速度。以最大限度地减少完成时间和成本为主要目标,将任务分配特定的VM(Virtual Manufacturing)满足云用户对云提供商的资源利用的需求,从而减少延迟,提高资源利用率和服务质量。实验结果表明,该算法可以有效地解决IaaS云计算环境中资源调度的多目标问题,与其他算法相比,具有一定的优势。     

基于李雅普诺夫优化的容器云队列在线任务和资源调度设计

为在保证任务服务质量（QoS）的条件下提高容器云资源利用率，提出一种基于李雅普诺夫的容器云队列任务和资源调度优化策略。首先，在云计算服务排队模型的基础上，通过李雅普诺夫函数分析任务队列长度的变化；然后，在任务QoS的约束下，构建资源功耗的最小化目标函数；最后，利用李雅普诺夫优化方法求解最小资源功耗目标函数，获得在线的任务和容器资源的优化调度策略，实现对任务和资源调度进行整体优化，从而保证任务的QoS并提高资源利用率。CloudSim仿真结果表明，所提的任务和资源调度策略在保证任务QoS的条件下能获得高的资源利用率，实现容器云在线任务和资源优化调度，并且为基于排队模型的云计算任务和资源整体优化提供必要的参考。     

云环境下基于强化学习的多目标任务调度算法

针对云计算环境下的多目标任务调度问题,提出一种新的基于Q学习的多目标优化任务调度算法(Multi-objective Task Scheduling Algorithm based on Q-learning,QM TS).该算法的主要思想是:首先,在任务排序阶段利用Q-learning算法中的自学习过程得到更加合理的任务序列;然后,在虚拟机分配阶段使用线性加权法综合考虑任务最早完成时间和计算节点的计算成本,达到同时优化多目标问题的目的;最后,以产生更小的makespan和总成本为目标函数对任务进行调度,得到任务完成后的实验结果.实验结果表明,QMTS算法在使用Q-learning对任务进行排序后可以得到比HEFT算法更小的makespan;并且根据优化多目标调度策略在任务执行过程中减少了makespan和总成本,是一种有效的多目标优化任务调度算法.     

云环境下周期和非周期混合实时任务双容错调度算法

云环境中的处理机故障已成为云计算不可忽视的问题,容错成为设计和发展云计算系统的关键需求。针对一些容错调度算法在任务调度过程中调度效率低下以及任务类型单一的问题,提出一种处理机和任务主副版本分组的容错调度方法;并给出了副版本可重叠执行的判定方法,以及任务最坏响应时间的计算公式。通过实验和分析表明,和以前算法相比,将处理机分成两组分别执行任务主版本和任务副版本,减少了任务调度所需进行可调度测试的时间,增加了副版本重叠执行的机会,减少了所需的处理机个数,对提高系统处理机的利用率和容错调度的效率具有重要的意义。     

不规则任务在图形处理器集群上的调度策略

针对大量的资源需求少且并行度高的不规则任务集合,利用图形处理器（GPU）来加速处理是目前的主流。然而现有的不规则任务调度策略要么采用独占GPU的方式,要么使用传统的优化方法将任务映射到GPU设备上。前者导致GPU资源的闲置,后者不能最大限度利用GPU计算资源。在分析了现存问题的基础上,采用多背包优化思想,使更多的不规则任务以最佳的方式共享GPU设备。首先,针对GPU集群的特点,给出了由调度器、执行器组成的分布式GPU作业调度框架;然后,以GPU显存为代价,设计了一种基于GPU计算资源的扩展贪心调度（EGS）算法,该算法将尽可能多的不规则任务调度到多个可用的GPU上,以最大限度地利用GPU计算资源,并解决了GPU资源的闲置问题;最后,使用实际基准程序随机生成目标任务集来验证所提调度策略的有效性。实验结果表明,与传统的贪心算法、最早完成时间（MCT）算法和Min-min算法相比,当任务数量等于1 000时,EGS算法的执行时长分别平均降低至原来的58%、64%和80%,并且能有效提升GPU资源利用率。     

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.