基于改进的粒子群优化的云计算资源调度模型

针对云计算系统中多任务并发模式下引发的资源竞争,本文提出了一种基于改进的粒子群优化的云计算资源调度分配模型,以提高资源利用率.首先,对云计算系统中的资源调度问题进行形式化描述,构建以任务的总完成时间为优化对象的目标函数.其次,求解时采用粒子群优化算法,为保证收敛速度且避免粒子群在搜索过程中陷入局部最优,定义了惯性权重函数.另外,引入一个调整算子以优化位置更新.仿真结果表明,本文提出的资源调度分配模型能够有效提高云计算资源利用率,大幅减少任务的处理时间.     

基于二维路由的流量工程解决方案

流量工程是应对互联网规模和流量高速增长的必要方法,高效的流量工程受限于流量矩阵的测量和已有路由设备转发能力.结合上述挑战提出了基于大流调度的二维路由流量工程方案,建立了描述二维路由大流调度问题的数学优化模型,使用改进的随机取整算法求得问题的近似解.实现了基于Quagga的二维路由大流调度的原型系统,使用扩展链路状态通告下发路由决策信息.真实实验证明,系统能够实现大流的快速调度.仿真实验结果表明,基于二维路由的大流调度明显优于基于传统一维路由方式的大流调度,并且前者能够达到接近最优的调度结果.真实实验和仿真实验证明,该方案不仅仅实现了更为细粒度的流量调度,而且具有更好的可扩展性以及更低的转发流表开销.     

云计算环境下的大规模图状数据处理任务调度算法

针对云计算环境下调度算法必须考虑资源租赁成本的问题,提出一种新的基于粒子群优化的大规模图状数据处理任务调度算法(LGPPSO).首先,该算法将图状数据处理任务调度方案编码为粒子群中粒子的位置,并利用任务的调度长度和资源租赁成本建立适应度函数来评价当前粒子的优劣程度,然后重新定义粒子群的参数和相关操作,最后在算法的每一次迭代过程中,粒子不断更新自身的速度和位置,以获得任务调度的近似最优解.模拟实验结果表明:在仅以调度长度为目标时,LGPPSO算法的调度长度比异构最早完成时间任务调度算法(HEFT)平均降低约12.3%;在以调度长度和资源租赁成本为目标时,与成本感知任务调度算法(CCSH)相比,在资源租赁成本基本一致的情况下,LGPPSO算法的调度长度平均降低约9.97%.     

基于粒子群优化的目标分类算法

定义一个确定聚类数K和初始数据中心的算法,将由算法得到的初始数据中心作为初始粒子,用粒子群优化算法寻优,获得最优数据中心;使用模糊K-Means算法,采用最优数据中心进行聚类.在UCI数据集上的实验结果表明,算法能准确实现分类,具有较强的全局寻优能力和较快的收敛能力,寻优时间较少,能有效地解决目标分类问题.     

云制造系统中基于粒子群优化的多任务调度

为解决云制造系统的同类型多任务调度问题,建立了该问题的数学模型,提出了一种离散粒子群遗传混合算法,以所有任务的总完成时间及成本最优为目标进行求解.该算法采用整数编码方法建立粒子的位置矢量与服务分配的映射关系,在采用标准粒子群算法更新粒子位置时,引入了遗传算法的交叉和变异操作思想,使用4种方法按条件"逐级叠加"的方式对粒子位置进行更新,以保证种群的多样性.算例仿真结果表明,该算法是有效的且具有较高的执行效率.     

基于改进的多目标量子行为粒子群优化算法的多无人机协同任务分配

为在给定的时间内以最小代价和最大效益完成任务,建立了多无人机协同任务分配问题的多目标优化模型.采用改进的多目标量子行为粒子群优化算法求解最优任务分配方案,定义了一种从所求候选方案中选取最优分配方案的自主选择准则.对比分析多目标粒子群优化、多目标进化算法和该文算法所求的最优分配方案.仿真结果表明该文算法能够较快地求解问题,而且所求最优任务分配方案的性能优于其它三种算法.     

应用禁忌粒子群算法的车间调度及其并行化实现

为了解决批量生产、制造、装配等车间调度问题,基于Hadoop集群,提出应用禁忌粒子群算法的车间调度及其并行化实现.以某装载机制造车间最小化完成时间为目标,通过使用禁忌粒子群算法对车间调度问题进行求解.结果表明：在车间批量大的情况下,禁忌粒子群算法可得出有效的调度方案,避免算法陷入局部最优解.与现有的智能算法相比,禁忌粒子群算法更有利于实现全局最优解.     

基于多Agent系统的粒子群遗传优化云工作流调度算法

随着大数据时代的来临,传统的工作流计算平台已经无法满足大量工作流应用的计算要求.因此,工作流应用开始由原有的基础设施转移到更加高效、可靠、廉价的云平台上.针对现有的云工作流调度算法执行时间最小化、作业最优分配以及调度算法的收敛时间问题,提出一种基于多Agent系统的粒子群遗传优化云工作流调度算法.该算法首先利用粒子的自身历史最优位置和粒子群历史最优位置优化全局最优解的搜索过程,然后将系统中每个粒子作为一个Agent,多Agent间相互竞争和协调,最后在多Agent系统中引入遗传算法,通过Agent间的信息交互进行有目标地交叉变异操作,不仅避免粒子群的盲目随机化以及陷入局部最优解,而且加速了搜索全局最优解的收敛过程.使用真实工作流数据进行模拟实验,实验结果证明该算法的有效性.     

求解作业车间调度问题的混合粒子群算法

由于传统粒子群算法应用于作业车间调度问题易于陷入局部最优,为了克服传统粒子群算法的局限性,本文将遗传算法的交叉和变异思想引入,快速、全面地生成粒子,并在较大程度上保证了粒子的优良性质,由于模拟退火算法以简单高效的搜索方式避免了局部搜索算法快速收敛于局部最优点的缺点,故本文将模拟退火算法融入,提出了混合粒子群算法.从实验结果可以看出,混合粒子群算法为求解作业车间调度的一种有效算法.     

无线网状网中多并发流路由结合调度的组合方案

为解决无线网状网中多条路径同时传送引起的干扰冲突和资源竞争问题,提出了依托信道分层方法的组合式路由结合调度的方案:首先,给出了路径发现的可行方案,并基于网状网的可用资源提出一种路径选择判据——资源可获得度;然后,确定了多条路径可并发传输的信道分配方案;最后,开发了结合路由、信道分配、调度的组合优化调度方案(COSS算法),以启发式的方法找到每个时隙下尽可能多的可兼容路径,实现可兼容路径的组合优化调度.为验证COSS算法的性能,在不同网络资源配置、多种流量请求下进行仿真实验.实验结果表明:(1)COSS算法在吞吐量、传输延迟、传输完成时间方面有较好的表现;(2)与AODV路由协议相比,COSS算法有效地提高了吞吐量.     

改进的粒子群算法及其在带软时间窗车辆调度问题中的应用

针对微粒群优化算法容易陷入局部极值的缺陷,提出多相粒子群优化算法(Multi-pha-ses Particle Swarm Optimization,MPSO).建立了带软时间窗车辆调度问题数学模型,并将该方法运用于带软时间窗车辆调度路径优化.根据多相粒子群并行搜索的思想,给出MPSO算法在带软时间窗物流配送车辆调度路径优化的实现流程.仿真结果表明:多相粒子群算法可以快速、有效地求得车辆路径问题的优化解,是一种求解带软时间窗车辆路径问题的较好方案.     

改进粒子群算法在三维水下导航规划中的应用

基于群智能理论提出了一种改进粒子群算法.以非线性策略改变惯性权值,增强粒子群算法局部和全局寻优的调度能力,以改变迭代公式加大"优秀"粒子的影响,增强粒子群体的寻优能力.通过理论推导、验证和实验仿真,证明了改进粒子群算法具有更优的性能.在此基础上,将该算法应用到水下潜器的三维路径规划中,通过对三维空间的分割降维,并进行条件约束,实现了将路径规划问题转化为路径点求解的优化问题.实验仿真获得了从起点到终点的无碰撞路径,验证了该方法的可行性.     

基于改进粒子群算法的含电动汽车的微电网经济调度

以含电动汽车的并网型微电网为研究对象,在考虑储能系统损耗成本的基础上,建立了考虑运行成本和环境治理成本的经济调度模型.提出一种改进粒子群算法对模型进行求解,该算法采用了交叉和变异操作作用于个体历史最优值,并采用候选解修复和罚函数相结合的改进方法对模型中等式约束和不等约束进行处理.通过算例仿真分析了电动汽车集群在不同场景下微电网最优调度策略.结果表明,电动汽车集群参与微电网调度能够减少经济成本,提出的改进粒子群算法相比于标准粒子群算法等其他算法,求解结果更优且收敛性好.     

一种求解带约束多式联运问题的群智能算法

针对如何有效运用群智能算法求解多式联运问题,设计了一种针对群智能优化算法的个体解码方式,提出了一个有效的个体编码与多式联运方案的映射模型.在该映射模型中设计了基于比例的流量分配方式,实现了个体编码信息向初步流量分配方式的解码;同时构建了局部流量调整策略,进行不可行方案修复,提高了解码方案的有效性.而后,提出了一种变邻域粒子群算法,将社会网络演化特征引入进行粒子群算法的种群拓扑和邻域调整,以改善个体在搜索过程中的交互模式.基于解码策略,采用改进算法对多式联运问题进行求解,并与3种新型群智能算法进行对比.通过实例分析,该编码策略可以有效应用于多式联运问题求解.同时,变邻域粒子群优化算法的收敛效率和性能优于对比算法.     

基于改进粒子群的柔性作业车间调度问题优化研究

主要针对柔性作业车间调度问题进行求解,利用改进粒子群算法作为求解方法,以最小化最大完工时间(C_max)作为该问题的求解目标.在算例的选取上,选用作业车间调度问题的8*8经典算例和柔性作业车间调度问题的Brandimarte算例对提出的算法进行验证.改进粒子群算法由遗传算法和粒子群算法构成,遗传算法具有较好的全局搜索能力,但搜索过程中收敛的精度不高,粒子群算法由于其寻优特性,在搜索过程中速度较快,但容易陷入局部最优,综合考虑两者的优缺点,将遗传算子引入粒子群算法中,采用交叉搜索的方式,调整惯性权重以及变异的方式使粒子进化,当粒子群进化到一定程度后,对部分粒子进行变异处理从而避免算法陷入局部最优解,同时可以提高粒子群算法的收敛精度.依据柔性作业车间调度问题的特点,在经过多次变换种群规模以及迭代次数后,求解出最适合柔性作业车间调度问题的最优解.     

采用改进粒子群的P2P流媒体数据调度算法

P2P技术解决了传统流媒体应用中的不能支持大用户的问题.而数据调度算法一直是P2P流媒体研究领域中的核心问题.为了减轻服务器的负载, 并且有效利用P2P网络中节点的资源.本文提出一种基于改进粒子群算法的P2P流媒体数据调度方法.该算法使用了粒子群算法进行寻优,并对粒子群算法进行改进,算法中定义了 "加法"运算,替换原来的速度方程,并增加变异算子,防止早熟收敛.最后通过对比实验验证了算法的有效性.     

多集散点车辆路径优化的混合算法

为使多集散点车辆路径优化结果全局最优,以订单为基准建立多集散点车辆路径优化模型.采用粒子群算法与改进蚁群算法组成的混合优化算法求解模型.由粒子群算法的粒子位置向量得到每辆车所需运送的订单号,用蚁群算法优化单车路径,根据优化的总路径评价和筛选粒子,直到满足终止条件.该模型和混合算法是所有车辆对所有订单节点的路径优化,突破了多仓库问题直接或间接转化为多个单仓库车辆路径优化问题中的局部节点求解的限制.实例求解结果表明,用该混合算法优化的车辆总路径长度小于用蚁群算法求得的结果.     

D-Spillover 负载均衡的算法研究

【目的】通过研究一种基于流量溢出效应的动态负载均衡（Dynamic load balancing based on spillover，D-Spillover）模型与算法，为当前动态负载均衡不能从网络整体资源利用角度将富裕带宽贡献给其他流量，造成资源浪费的问题提供解决方案。【方法】对网络数据流进行粒子化最优分解，利用粒子群寻优法，以粒子化等比例利用带宽，结合非线性时间序列分析方法，按比例节点数据流溢出后动态调整分发的负载均衡算法和策略，实现每一个时间段、每一个节点上宽带的最大利用化与均衡转发，充分利用网络的带宽,最大化发挥网络设备性能。【结果】D-Spillover负载均衡机制在任何时间段能让流量均匀分配给等比例接口容量，每一个接口都会性价比的利用带宽，流量分布比较均衡。【结论】根据网络的需要，将D-Spillover负载均衡机制运用在网络负载较重的数据中心设备中，有利于整个网络的优化。     

一种基于冗余优化的Web服务工作流构造方法

针对SOA系统中服务动态组合的可靠性问题,提出了Web服务工作流的最优冗余优化.同时,在重定义粒子群算法的基础上,结合遗传算法中的交叉、变异思想,设计了一种基于改进粒子群优化算法的QoS(quality of service)调度策略,最后通过仿真实验证明了算法的有效性.     

基于流量模式的Q-学习路由及其连接调度

为解决无线网状网中因多条路径同时传输数据而引起网络性能降低的问题, 提出了一个基于流量的Q-学习路由与调度方案(QRST): 针对每一个路由请求, 首先采用强化学习中的Q-学习算法寻找路径; 然后根据找到的路径结合信道分配完成组合调度, 以启发式的方法尽可能为每个时隙使用网络资源分配路径的连接. 并在不同网络资源配置和多种流量请求下进行虚拟计算实验, 以验证该方案的正确性和有效性. 实验结果表明: 与COSS方案和AODV方案相比,采用QRST方案的无线网状网在吞吐量、激活链路数量和传输完成时间等网络性能上有较好的表现.