云环境下基于DPSO的任务调度算法

针对云计算任务调度问题,结合粒子群优化(PSO)算法的种群个体协作和信息共享特点,提出一种基于离散粒子群优化(DPSO)的任务调度算法。采用随机方法生成初始种群,利用时变方式调整惯性权重,并在位置更新中使用绝对值取整求余映射法进行合法化处理,提高PSO算法的离散化程度。搭建并重新编译了CloudSim云计算仿真平台进行实验,结果显示,当迭代次数为200时,DPSO、PSO、GA算法的所有任务最终调度时间分别为457.69 s、467.90 s、472.41 s,从而证明DPSO算法能够有效解决云计算环境下的任务调度问题,并且算法收敛速度优于PSO和GA算法。     

云环境下基于DO-GAPSO的任务调度算法

为了找到合理的云计算任务调度方案,仅从单一方面来优化调度策略已不能满足用户需求,但从多个方面优化调度策略又面临着权重分配问题。针对上述问题,从任务完成时间、任务完成成本、服务质量3个方面考虑,提出一种基于遗传与粒子群算法相融合的动态目标任务调度算法,在算法的适应度评价函数建模中引入线性权重动态分配策略。通过CloudSim平台进行云环境仿真实验,并将此算法与经典的双适应遗传算法(DFGA)、离散粒子群优化算法(DPSO)进行比较。实验结果表明,在相同的设置条件下,该算法在执行效率、寻优能力等方面优于其他两个算法,是一种云计算环境下有效的任务调度算法。     

任务调度算法中新的自适应惯性权重计算方法

粒子群算法(particle swarm optimization, PSO)是解决云计算环境中工作流系统的任务调度优化问题的主流智能算法.然而基于传统自适应惯性权重的粒子群任务调度算法易陷入局部最优,导致调度方案的执行时间与费用较高.因此,通过改进单个粒子的成功值计算方法,提出了一种新的自适应惯性权重计算方法NAIWPSO(new adaptive inertia weight based particle swarm optimization).该方法通过比较每个粒子的适应度与全局最优值,可以更加精确描述粒子状态,进而提高了权重的自适应性.在新惯性权重基础上,提出了一种解决云工作流系统中任务调度优化问题的改进粒子群算法.新权重可以更准确的调整粒子速度,使算法更好地平衡粒子全局与局部搜索,避免陷入局部最优,获得执行费用更优的调度方案.实验表明,与5种已有惯性权重算法比较,新算法收敛稳定、适应度最低、执行费用平均减少18%.     

云环境中基于混合多目标粒子群的科学工作流调度算法

为了更高效地实现科学工作流任务的调度,研究了云环境中的工作流调度多目标优化问题,提出了一种基于非占优排序的混合多目标粒子群优化的工作流调度算法HPSO。首先,建立了截止时间与预算约束下工作流调度的多目标优化模型,模型引入三目标最优化,包括工作流执行跨度、执行代价及执行能耗;其次,设计了一种混合粒子群算法对相互冲突的三目标最优化进行求解,算法通过非占优排序的形式可以得到满足Pareto最优的工作流调度解集合;最后,通过3种科学工作流案例的仿真实验,与同类多目标调度算法NSGA-II,MOPSO和ε-Fuzzy进行了性能比较。实验结果表明,HPSO得到的调度解不仅收敛性更好,而且调度解的空间分布更加一致,更符合云环境中的工作流调度优化。     

最后期限动态分配的三步云工作流调度算法

现如今,云环境中的工作流调度问题依然很有挑战性.它的一个重要任务是找到一种能够满足最后期限约束且执行成本最优的调度方案.三步的列表调度算法可以有效地解决这一问题.该算法首先将最后期限分配到每个任务,形成任务子期限;之后再利用两步列表调度策略为每个任务分配资源.然而现有的最后期限分配策略均只能形成静态的子期限,因此还可以进行进一步的优化.本文采用三步列表调度算法进行云工作流调度,并提出一种基于粒子群的动态最后期限分配方法(DY-DD).实验结果表明,相比于其它经典调度算法,本文提出的算法在成功率和执行成本上均具有优势.     

一种云工作流任务调度能效优化算法

工作流任务执行时带来的高能耗不仅会增加云资源提供方的经济成本,而且会降低云系统的可靠性。为了满足截止时间的同时,降低工作流执行能耗,提出一种工作流能效调度算法CWEES。算法将能效优化调度划分为三个阶段：初始任务映射、处理器资源合并和任务松驰。初始任务映射旨在通过任务自底向上分级排序得到任务调度初始序列,处理器资源合并旨在通过重用松驰时间合并相对低效率的处理器,降低资源使用数量,任务松驰旨在为每个任务重新选择带有合适电压/频率等级的最优目标资源,在不违背任务顺序和截止时间约束前提下降低工作流执行总能耗。通过随机工作任务模型对算法的性能进行了仿真实验分析。结果表明,CWEES算法不仅资源利用率更高,而且可以在满足截止时间约束下降低工作流执行能耗,实现执行效率与能耗的均衡。     

基于代价优化的云工作流调度改进PSO算法

云计算可以通过即付即用的方式向用户工作流提供资源。为了解决资源服务代价异构环境下的云工作流任务调度代价问题,提出一种基于改进粒子群算法的云工作流任务调度算法WSA-IPSO。通过综合考虑任务的执行代价和依赖任务间发生数据传输时的通信代价,算法将总代价优化问题形式化为有向无环图DAG中的任务调度模型,并提出基于改进粒子群算法的优化模型对其进行求解。通过改进传统粒子群算法的粒子速度更新策略和惯性权重更新策略,算法可以以更快的收敛速度得到代价最小化的调度方案。通过仿真实验,与MCT算法及标准粒子群算法进行性能比较。实验结果表明,WSA-IPSO算法在降低总代价、任务分布的负载均衡以及算法收敛性方面比较同类算法均表现出更好的性能。     

云计算环境下基于可靠性感知的任务调度算法

针对云计算环境下并行任务易受资源失效的影响而无法完成,且动态提供云资源可靠性较低的问题,首先,引入失效恢复机制,由于在失效可恢复情况下资源失效规律动态变化,使用两参数Weibull分布对不同时段资源节点和通信链路失效规律的局部特征进行描述;然后,根据并行任务之间存在的各类交互关系分析,提出了一种基于变参数失效规则的资源可靠性评估模型;最后,将该模型并入粒子群算法得到基于可靠性感知的自适应惯性权重粒子群资源调度算法R PSO,从而在计算适应度时充分考虑备选资源的可靠程度。仿真实验结果表明,当选择了合适的失效恢复参数时,提出的R PSO算法能够大幅度提高云服务可靠性,且只会增加少量的额外失效恢复开销。     

基于离散粒子群算法的工作流任务调度研究

工作流系统可以实现企业的业务过程的自动化,好的调度算法可以提高整个工作流系统的执行效率。对工作流任务调度的研究具有重要的意义。离散粒子群优化算法是一种收敛速度快、调整参数少、易实现及理解的优化算法。结合工作流特点,通过置换因子的概念,将离散粒子群算法与工作流任务调度相结合,给出了基于离散粒子群算法的工作流任务调度的定义。并结合保险理赔处理进行实验,得到了良好的效果,验证了应用的有效性和可行性。     

云环境下基于任务分类和LPM优化模型的调度算法

针对用户任务预算不足或期望完成时间较短,云服务方无法保障任务全部完成,提出基于任务分类和线性规划优化模型调度策略,使任务完成数最大化,同时考虑任务重要性。算法根据任务长短及重要性进行分类,然后建立任务计算资源关系矩阵及3个相关约束条件,以任务完成数最大化为目标函数,搭建线性规划模型,并给出算法实现。模拟实验表明,在同样的用户任务预算和期望完成时间条件下,该算法任务完成数最大值明显高于经典算法。     

基于云模型改进的粒子群K均值聚类算法

研究粒子群K均值聚类算法问题,针对传统粒子群K均值算法容易陷入局部最优解,出现早熟收敛的缺点,提出一种基于云模型改进的粒子群K均值聚类算法．使用X条件云发生器自适应地调整粒子个体惯性权重的方法．保证惯性权重会逐渐减小而又不失随饥性。根据个体适应度的优劣将粒子群分为三个子群,在每次迭代时都保证仍有一个子群的粒子在进行全局搜索,避免算法陷入局部最优和早熟收敛。在典型数据集上的仿真结果表明,改进算法相比其他聚类算法得到较好的聚类准确率和较快的收敛速度,是一种行之有效的方法。     

基于云模型的自适应量子粒子群算法

利用云模型理论能兼顾随机性和模糊性的特质, 提出一种基于云模型的自适应量子粒子群优化算法。首先分析量子粒子群算法的控制机制, 在此基础上, 使用云算子实现对每个粒子的吸收扩张因子自适应控制, 达到在进化过程中对粒子飞行位置动态调整的目的, 使算法具有较快的收敛速度和较强的全局搜索能力。同时, 补充针对性的优化方案, 有效避免算法陷入局部最优。对典型测试函数的仿真对比实验表明, 该算法具有寻优能力强、搜索精度高、稳定度好等优点, 相比其它同类算法具有一定优势。     

基于改进免疫进化算法的云计算任务调度

针对云计算环境下内置任务调度方法的低效问题,提出一种基于改进免疫进化算法的任务调度算法,利用人工免疫进化原理完成任务调度的全局优化。通过将粒子群优化算法作为算子嵌入免疫进化算法中,避免陷入局部最优,改善收敛效果,减少任务调度时间开销。以CloudSim作为仿真平台进行模拟,实验结果表明,改进的免疫进化算法能大幅提高云计算任务调度效率。     

云计算调度算法综述

对当前云计算的调度算法进行了综述;介绍和分析了在云计算调度算法领域里比较有代表性的两个基本的算法——遗传算法和粒子群优化算法;最后对今后的研究方向进行总结和展望。     

多目标最优化云工作流调度进化遗传算法

为了实现云环境中科学工作流调度的执行跨度和执行代价的同步优化,提出了一种多目标最优化进化遗传调度算法MOEGA。该算法以进化遗传为基础,定义了任务与虚拟机映射、虚拟机与主机部署间的编码机制,设计了满足多目标优化的适应度函数。同时,为了满足种群的多样性,在调度方案中引入了交叉与变异操作,并使用启发式方法进行种群初始化。通过4种现实科学工作流的仿真实验,将其与同类型算法进行了性能比较。结果表明,MOEGA算法不仅可以满足工作流截止时间约束,而且在降低任务执行跨度与执行代价的综合性能方面也优于其他算法。     

QoS约束云环境下的工作流能效调度算法

云环境可以为大规模工作流的执行提供高效、可靠的运行环境,但工作流执行时带来的高能耗不仅会增加云资源提供方的经济成本,还会影响云系统的可靠性,并对环境产生不利影响。为了在满足用户截止时间QoS需求的同时降低云环境中工作流调度的执行能耗,提出一种工作流能效调度算法QCWES。该算法将工作流的能效调度方案求解划分为3个阶段:截止时间重分配、任务调度选择排序以及基于DVFS的最佳资源选择。截止时间重分配阶段旨在将用户定义的全局工作流截止时间在各个任务间进行重分配,任务调度选择排序阶段旨在通过自顶向下的任务分级方式得到任务调度序列;基于DVFS的最佳资源选择阶段旨在为每个任务选择带有合适电压/频率等级的最优目标资源,在满足任务的子截止时间的前提下使总体能耗达到最小。通过随机工作流和基于高斯消元法的现实工作流结构,对算法的性能进行仿真实验分析。结果表明,所提算法可以在满足截止时间约束下降低工作流的执行能耗,实现用户方的QoS需求与资源方的能耗间的均衡。