基于移动Agent的网格计算资源管理模型设计

网格计算是当前高性能计算领域的一个研究热点,由于网格计算的资源具有分布性,异构性,自治性,动态性等特点,因而其资源管理比一般系统的资源管理具有更大的复杂度。文中提出了一种基于Agent的网格计算资源管理模型,并且采用了混合遗传模拟退火算法作为调度策略,满足了网格对调度系统可扩展性和全局最优调度的需求。实验结果证实了该方法的有效性。     

网格计算中基于并行克隆遗传算法的任务分配与调度

实现网格计算的一个重要目的在于实现地理分布、异构资源的统一描述方法,提供用户虚拟的统一资源界面,并将用户提出的服务要求透明、动态地分配给最适应的资源上执行。针对目前任务调度的应用现状,提出了一种既能使资源负载均衡又能充分利用系统资源的并行克隆遗传算法,该启发式算法能显著地降低资源最优分配中的计算复杂度,使其能满足实时调度的需要。实验结果表明这种算法优于其他调度算法。     

并行设计中任务调度问题的研究

为了对产品并行开发过程进行合理规划,针对并行设计中任务调度的特点,综合考虑并行设计所涉及的企业运作的具体因素和约束,以模糊集理论为基础,给出了一种建立并行设计过程模糊设计结构矩阵的方法,提出了基于“任务影响度”的耦合任务集内任务执行调度算法。综合考虑并行设计中子任务和团队内成员的各种动态、模糊和非量化因素,建立了子任务和团队内成员之间的平衡矩阵,并利用匈牙利算法和遗传算法,按不同情况给出了子任务到团队内成员的分配方法。     

面向云计算环境任务调度的改进蚁群算法

云计算环境下的任务调度问题是一个NP完全问题,其目的是在各个处理节点上合理分配任务,优化调度策略以保证有效完成任务。以总任务完成时间最短和计算成本最低为优化目标,针对蚁群优化算法易陷入局部最优的缺陷,提出了一种求解该问题的改进蚁群算法。该算法将遗传算法的二点交叉算子融入到蚁群优化算法中,以提高蚁群优化算法的局部搜索能力。通过在云仿真平台Cloud Sim上进行仿真实验,结果表明改进蚁群算法缩短了总任务完成时间,降低了计算成本,从而证明了该算法能有效地解决云计算环境下的任务调度问题,并且其优化能力和收敛速度优于蚁群优化算法和改进离散粒子群算法。     

启发式任务调度中的处理器选择策略

任务调度是并行分布计算中最为基本、最为关键,也最具有挑战性的问题之一,是影响并行分布计算执行效率的一个关键因素.现有的基于任务静态优先级的启发式任务调度方法都是以“当前任务具有最早起始执行时刻”为目标来选择执行处理器.该文在详细分析讨论该种调度方法的基础上,指出了以该目标选择处理器存在的问题及缺点,并提出了以“当前任务的直接后继具有最早起始执行时刻”为目标选择处理器的方法,并给出了相应的约束条件.     

非安全互连同构系统上的静态任务调度

在分布式内存多处理机ＤＭＭ（ｄｉｓｔｒｉｂｕｔｅｄ ｍｅｍｏｒｙ ｍｕｌｔｉｐｒｏｃｅｓｓｏｒ）系统中,不同处理机上运行的任务之间的通信开销仍然很大,有时甚至抵消了多处理机并行所带来的好处．为了使并行程序在ＤＭＭ系统上能得以高效的执行,必须采用合理的调度技术将任务分配给处理机．章首先分别给出了任务调度系统中的任务模型、处理机模型以及调度问题的形式化描述,然后在此基础上研究了任务调度中３个最重要的     

算力网络中面向计算重用的任务调度优化

为应对未来算力需求爆炸性增长所带来的挑战,将计算重用技术引入算力网络中,通过重用计算任务结果,来缩短服务时延并减少计算资源消耗。在此基础上,提出基于服务联盟的上下文感知在线学习算法。首先,设计重用指数来减少额外查找时延;然后,基于服务联盟机制进行在线学习,根据上下文信息及历史经验做出计算任务调度决策。仿真实验结果表明,所提算法在服务时延、计算资源消耗等方面均优于基准算法。     

基于信息中心策略的P2P资源管理与调度模型

采用P2P方法构建资源管理和任务调度模型是目前网格研究的前沿和热点领域,但目前的P2P研究多集中在静态文件的搜索和调度领域。文章分析了当前主流P2P资源发现算法的优缺点,针对系统开销的根源,从全新的角度提出了P2P系统信息交互的分类方法,并在此基础上提出了一种基于广义资源和任务概念的区域自治的P2P模型,其信息中心的选择算法具有更好的合理性。最后通过理论分析证明该模型能较大地提高系统的运行能力,并能够兼顾效率与容错性。     

基于动态适应度的独立任务调度算法

在分析现有启发式调度算法的优缺点的基础上,综合考虑负载平衡和使尽可能多的任务调度到更适合它的机器上,提出了基于动态适应度（DFD）的调度算法,任务的DFD描述了最早完成时间所在机器对任务的适应程度,本算法以任务的DFD为优先级,优先调度DFD高的任务。与参考文献中其他算法进行比较表明,本算法能产生更好的调度结果。     

A Heuristic Algorithm for Task Scheduling Based on Mean Load on Grid

Efficient task scheduling is critical to achieving high performance on grid computing environment. The task scheduling on grid is studied as optimization problem in this paper. A heuristic task scheduling algorithm satisfying resources load balancing on grid environment is presented. The algorithm schedules tasks by employing mean load based on task predictive execution time as heuristic information to obtain an initial scheduling strategy. Then an optimal scheduling strategy is achieved by selecting two machines satisfying condition to change their loads via reassigning their tasks under the heuristic of their mean load. Methods of selecting machines and tasks are given in this paper to increase the throughput of the system and reduce the total waiting time. The efficiency of the algorithm is analyzed and the performance of the proposed algorithm is evaluated via extensive simulation experiments. Experimental results show that the heuristic algorithm performs significantly to ensure high load balancing and achieve an optimal scheduling strategy almost all the time. Furthermore, results show that our algorithm is high efficient in terms of time complexity.