天基预警系统传感器调度方法

对天基预警系统调度问题进行了研究。在分析预警任务过程与特性的基础上,提出一种基于关键点的任务分解方法,以简化多任务多资源间的复杂可视关系并降低单任务的资源占用量。针对子任务调度问题,提出一种基于复合优先权的求解算法。仿真结果表明提出的任务分解方法和调度算法能够在给定时间内求得理想的调度方案。     

基于改进粒子群算法的云计算任务调度算法

如何对任务进行高效合理的调度是云计算需要解决的关键问题之一,针对云计算的编程模型框架,在传统粒子群优化算法（PSO）的基础上,提出了一种具有双适应度的粒子群算法（DFPSO）。通过该算法不但能找到任务总完成时间较短的调度结果,而且此调度结果的任务平均完成时间也较短。仿真分析结果表明,在相同的条件设置下,该算法优于传统的粒子群优化算法,当任务数量增多时,其综合调度性能优点明显。     

多启发式规则融合粒子群算法的受限项目调度

在船舶生产的现实背景上,对船舶生产过程中如何利用总装平台这一瓶颈资源建立空间资源受限项目调度的问题模型。利用空间资源和分段任务对象的特性,在最大面积优先、最长边优先、BL（Bottom-Left,一种解决布局问题的启发式规则）规则等启发式规则的基础上,提出多启发式规则融合粒子群算法的空间资源受限项目调度算法。将分段任务对象根据几何特性和拖延惩罚因子赋予不同的权值,确定其实际开始时间,再通过最长边优先和BL规则确定其空间位置。设计了具有初始解集并且能够自动识别的粒子群算法,加速其收敛以更快更优地获取分段任务对象序列。通过和其他几种主流的空间调度方法（分支界定和遗传算法）进行不同规模的实验对比,得出该算法在时间复杂度和平均资源利用率方面都有所提高。     

采用优先规则的粒子群算法求解RCPSP

优先规则是解决大规模资源受限的项目调度问题（Resource-Constrained Project Scheduling Problem,RCPSP）强有力的方法,但是单一的优先规则的往往仅在某些特定的问题上表现出良好的性能。以粒子群算法为基础,提出了基于优先规则编码的粒子群算法（Priority Rule based Particle Swarm Optimization,PRPSO）,求解资源受限的项目调度问题。该方法能够通过粒子群算法搜索优先规则和调度生成方案的组合。分别对PRPSO采用串行调度方案、并行调度方案和混合调度方案时,不同任务数和资源强度的问题实例进行了分析。通过对PSPLIB进行测试,结果表明该方法与其它基于优先规则的启发式方法相比有较低的偏差率,因而有较好的性能。     

基于粒子群遗传算法的云计算任务调度研究

对云计算任务调度进行了研究,针对用户满意度和云提供商利益需求,提出一种融合粒子群和遗传算法的PSOGA改进算法。根据云环境特点对虚拟机资源进行分类,同时引入任务-资源满意度距离、资源综合性能概念;对粒子群初始粒子操作进行优化,来提高粒子质量;为克服粒子易陷入局部最优解问题,加入遗传算法（GA）的交叉、变异操作,扩展粒子的搜索空间。仿真结果表明,该调度策略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。     

混合粒子群算法在ETV调度优化中的应用

为了提高机场货运区(Elevating Transfer Vehicle,ETV)转运效率,建立以最小化任务集调度时间为优化目标的调度模型,提出一种混合的粒子群算法对ETV调度问题求解。算法对加速因子采取动态的自适应调整策略;采用混沌序列替代标准粒子群中的随机数;建立平均粒距、适应度方差和汉明距离相结合的早熟判断机制并采用混沌算子扰动微粒的位置来跳出局部最优。通过实例验证和遗传算法、模拟退火等经典的优化算法以及非线性学习因子粒子群、混沌粒子群等改进的粒子群算法相比,该算法在ETV调度最优序列的求解中收敛速度快,全局寻优能力强,稳定性好;和传统的链式调度算法相比,平均调度任务时间减少了15.6%,较好地解决了ETV转运效率低的问题。     

基于混合粒子群优化算法的现金流优化

以最大化现金流净现值为优化目标的多模式资源约束调度问题MMRCPSP(Multi-mode Resource-Constrained Project Scheduling Problem)是一类带有复杂非线性特征的NP-hard问题,传统粒子群算法在解决该类离散问题上具有一定局限性。从粒子群算法的优化原理出发,结合遗传算法,在粒子群算法中引入交叉和变异操作,得出一种应用于MMRCPSP现金流优化的快速、易实现的混合粒子群算法,拓宽了粒子群优化算法在离散优化领域的应用。仿真实验结果验证了算法的有效性和高效性。     

基于混合优化算法的云计算资源调度

由于云计算的动态性、异构性和不可预测性等特点,使得资源调度策略面临很大的挑战。目前解决资源调度的方法主要是一些启发式算法,如模拟退火算法、人工神经网络算法、粒子群算法、蚁群算法和遗传算法等,由于优缺点分明,不能单独实现云计算任务的最优分配。因此,提出了使用混合优化算法解决云计算资源分配问题。在算法前期,借助粒子群全局广泛搜索能力,快速寻找到较优解;在算法后期,借助蚁群算法的正反馈性和高效性,寻找最优解。实验表明该算法有较短的任务执行时间和实现各个物理主机间的负载均衡。     

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。     

一种自适应粒子群算法在云资源调度中的应用

通过资源调度优化提升云计算的效率并降低数据中心能耗是云计算领域的主要研究内容之一。粒子群算法常用于解决资源调度问题,然而粒子群算法在云计算资源调度应用中算法初期收敛速度快,后期收敛速度缓慢,易陷入局部寻优。本文提出了一种自适应改进的粒子群算法用于云计算资源调度问题的研究,该算法通过自适应改进粒子的个体学习因子和社会学习因子,以提高算法的全局探索能力,使得粒子逼近更优解。实验结果表明：本文提出的自适应粒子群算法不仅具备良好的收敛性和全局寻优能力,同时能够大幅度降低云资源调度中任务队列的总完成时间。     

A hybrid meta-heuristic algorithm for optimization of crew scheduling

Crew scheduling problem is the problem of assigning crew members to the flights so that total cost is minimized while regulatory and legal restrictions are satisfied. The crew scheduling is an NP-hard constrained combinatorial optimization problem and hence, it cannot be exactly solved in a reasonable computational time. This paper presents a particle swarm optimization (PSO) algorithm synchronized with a local search heuristic for solving the crew scheduling problem. Recent studies use genetic algorithm (GA) or ant colony optimization (ACO) to solve large scale crew scheduling problems. Furthermore, two other hybrid algorithms based on GA and ACO algorithms have been developed to solve the problem. Computational results show the effectiveness and superiority of the proposed hybrid PSO algorithm over other algorithms.     

差分进化粒子群算法求解发电资源调度问题

为了有效地解决水火电力系统资源短期优化调度问题,提出了一种基于差分进化粒子群的调度算法。设计了水火电力系统资源调度问题的数学模型,给出了差分进化粒子群优化算法的框架,通过PSO种群和DE种群之间的信息交流机制以寻求全局最优位置,从而使算法具有动态自适应性,能够较容易地跳出局部最优。实验结果表明,该算法能有效解决水火发电资源调度问题,具有较好的应用价值。     

求解job shop调度问题的量子粒子群优化算法*

针对粒子群优化算法搜索空间有限、容易出现早熟现象的缺陷,提出将量子粒子群优化算法用于求解作业车间调度问题。求解时,将每个调度按照一定的规则编码为一个矩阵,并以此矩阵作为算法中的粒子;然后根据调度目标确定目标函数,并按照量子粒子群优化算法的进化规则在调度空间内搜索最优解。仿真实例结果证明,该算法具有良好的全局收敛性能和快捷的收敛速度,调度效果优于遗传算法和粒子群优化算法。     

面向可靠性一费用优化的网格任务调度模型及算法研究

网格资源的异构性、动态性等特征使得网格任务调度仍面临着诸多问题。针对传统可靠性评佑模型仅考虑 资源失效的问题,在考虑本地任务会抢占网格任务执行资源的情况下,引入任务执行延期失效,从而建立了一种新的 网格资源可靠性评估模型。该模型使用随机服务系统理论建模网格资源的动态负载压力,给出了任务在资源上的执 行可靠性的计算方法及证明。基于建立的网格资源可靠性模型,建立了面向可靠性和费用的多目标任务优化调度模 型,以获得最大化任务执行可靠性、最小化任务执行费用的任务调度策略。针对该NP问题,采用化学反应优化算法 对该优化问题进行求解,并给出了算法4种操作的具体实施方法。仿真实验表明,所提出的可靠性评估模型更符合真 实的网格系统,与遗传算法、粒子群算法相比,化学反应优化算法能更好地解决可靠性一费用双目标优化的网格任务调 度问题。     

CGSA scheduler: A multi-objective-based hybrid approach for task scheduling in cloud environment

In cloud computing task scheduling is one of the important processes. The key problem of scheduling is how to allocate the entire task to a corresponding virtual machine while maximizing profit. The main objective of this paper is to execute the entire task with low cost, less resource use, and less energy consumption. To obtain the multi-objective function for scheduling, in this paper we propose a hybridization of cuckoo search and gravitational search algorithm (CGSA). The vital design of our approach is to exploit the merits of both cuckoo search (CS) and gravitational search algorithms (GSA) while avoiding their drawbacks. The performance of the algorithm is analyzed based on the different evaluation measures. The algorithms like GSA, CS, Particle swarm optimization (PSO), and genetic algorithm (GA) are used as a comparative analysis. The experimental results show that our proposed algorithm achieves the better result compare to the existing approaches.     

求解作业车间调度问题的微粒群遗传退火算法

标准微粒群算法（PSO）通常被用于求解连续优化的问题,很少被用于离散问题的优化求解,如作业车间调度问题（JSP）。因此,针对PSO算法易早熟、收敛慢等缺点提出一种求解作业车间调度问题（JSP）的混合微粒群算法。算法将微粒群算法、遗传算法（GA）、模拟退火（SA）算法相结合,既增强了算法的局部搜索能力,降低了算法对参数的依赖,同时改善了PSO算法和GA算法易早熟的缺点。对经典JSP问题的仿真实验表明：与标准微粒群算法相比,该算法不仅能有效避免算法中的早熟问题,并且算法的全局收敛性得到了显著提高。     

带时限的多出救点应急物资调度模型及算法

主要研究时间限制下的多出救点应急资源调度优化问题。针对传统优化算法搜索速度慢、易陷入局部最优解的缺点,提出一种新的基于高斯函数的混沌粒子群优化算法,该算法利用高斯函数的分布曲线特性和混沌的遍历性来增强粒子群优化算法的寻优能力。将该算法应用时间限制下的多出救点应急资源调度优化,建立了满足应急时间限制下系统总费用最小的数学模型,介绍了该算法的详细实现过程。算例通过和遗传算法和标准粒子群算法进行比较,证明了其搜索速度和寻优能力的优越性。     

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。