一种基于贪心策略的启发式云计算任务调度算法

提出了一种基于贪心策略的启发式任务调度算法,用于优化云计算环境下任务调度中执行时间。首先,给出了云计算环境下任务调度问题的形式化描述及其最早完成时间的启发式优先分配原则;接着,基于最早完成时间的优先分配原则,采用贪心策略难易交错地分配任务求得任务调度的初始解;进而,引入了任务对交换的收益值概念,采用贪心策略选择收益值大的任务对交换优化任务调度初始解的执行时间;最后,在Cloud Sim云计算仿真实验平台下进行了顺序调度算法、Min-Min算法、Max-Min算法和本文算法的对比实验,实验数据对比充分验证了本文算法既能减少任务执行时间,又能使资源负载相对平衡。     

云计算资源优化问题求解的萤火虫算法

为了提高云计算资源利用率,结合云计算资源优化问题的特点,设计一种云计算资源优化问题求解的萤火虫算法.首先建立云计算资源负载调度问题的约束条件,以用户任务完成时间最少作为云计算资源负载调度优化的目标函数;然后通过萤火虫算法找到目标函数值最优的资源调度策略;最后在CloudSim平台上实现云计算资源负载调度仿真实验.实验结果表明,萤火虫算法减少了云计算任务完成的时间,均衡了云计算资源的负载,使云计算资源得到合理分配,且比其他算法优势明显.     

分布式系统中基于非合作博弈的调度算法

针对分布式系统中任务调度问题,根据分布式环境下的任务调度特性,建立了一个非合作博弈的多角色任务调度框架,在此基础上提出了一种基于纳什均衡联合调度策略的分布式强化学习算法.相比于静态调度算法,该算法需要更少的系统知识.能使调度器主动学习任务到达和执行的相关先验知识,以适应相邻调度器的分配策略,目标是使得调度器的策略趋向纳什均衡.模拟实验结果表明:所提出的算法在任务的预期时间和公平性上相对于OLB(机会主义负载均衡)、MET(最小执行时间)、MCT(最小完成时间)等同类调度算法具有更好的调度性能.     

基于CSA和PSO的多目标优化任务调度算法

针对现有云计算环境中任务调度算法资源利用率低、完成时间长和调度成本高的问题,提出一种基于布谷鸟搜索算法(Cuckoo Search Algorithm, CSA)和粒子群优化(Particle Swarm Optimization, PSO)混合的多目标优化任务调度策略.该策略以完成时间、成本以及最后期限违反率为目标函数,将布谷鸟搜索算法和粒子群优化有效地组合来执行智能优化任务调度问题,避免调度过程中出现局部最优现象.实验结果表明:相对于其他启发式调度算法,本文提出的方法明显具有优势,可以最大程度地降低完成时间、调度成本和最后期限违反率.     

QoS性能约束的云任务调度算法研究

云计算是目前研究的热点,云计算任务调度中为了在保证用户满意的前提下缩短任务完成时间和提高资源负载均衡性,提出了一种具有QoS约束的模拟退火云任务调度算法.首先引入QoS约束的贪心策略产生初始解,以最小任务完成时间和最小负载均衡标准差为目标,实行两阶段退火过程,制定两个具有QoS约束的新解产生函数,始终处于用户满意的前提下寻找最优分配方案.仿真实验结果表明,该算法能够在保证所有用户都满意的情况下降低任务完成时间并提高资源负载均衡性,是一种顾客和云服务提供商都满意的云任务调度算法.     

基于动态规划的云计算任务调度研究

任务调度作为云计算中的核心问题,其目的是合理分配任务,实现最佳调度策略并且有效地完成任务.首先对当前云计算中任务调度算法进行分析并指出传统算法的不足与缺点,然后提出一种基于动态规划模型的任务调度算法,以任务运行时间最少为优化目标,把任务与数据集群中虚拟机匹配看成为多阶段决策的组合优化.最后在CloudSim进行仿真实验,结果表明,所提算法在满足多用户需求下与max-min和min-min算法相比,在一定数量规模下,任务完成时间减少而资源负载相对均衡.     

网格计算中基于任务优先级的负载均衡算法

任务调度是网格计算研究的核心问题之一,任务调度策略的好坏将直接影响网格系统的性能.在对已有启发式任务调度算法进行分析比较基础上,针对于网格计算中的高吞吐率应用的任务调度问题,提出了一种综合考虑资源节点性能度量和任务优先级的负载均衡的启发式任务调度算法.进行了仿真实验,在任务完成时间和系统吞吐率二个方面与传统的Min-min算法、Max-min算法和Sufferage算法进行比较.仿真结果表明该算法不但可以减小任务总的完成时间,而且可以提高系统的吞吐率,更适用于高吞吐率应用任务调度问题的解决.     

基于负载均衡的任务调度算法

基于传统任务调度算法, 通过在调度过程中增设服务器最佳期望序列及负载均衡指数, 采用任务连接数约束服务器选择, 解决了传统任务调度算法对于集群负载均衡性能的忽略问题. 实验结果表明, 该改进算法能达到较高负载均衡度, 同时缩短任务完成时间, 并提高了集群对于批量级任务的处理能力, 从而达到了优化的目的.     

负载均衡的分布式系统任务调度优化算法

针对当前分布式系统任务调度算法存在节点负载不平衡,资源利用率低等缺陷,提出一种基于负载均衡的分布式系统任务调度优化算法.首先分析了当前分布式系统任务调度优化算法的研究现状;然后对节点的实时性能指标进行估计,并根据估计结果分配不同的任务;最后通过仿真实验与其他算法进行对比.实验结果表明,相比于经典分布式系统任务调度算法,该算法缩短了任务完成时间,使得系统各节点的负载更均衡,提高了节点资源的利用率.     

异构Flink集群中负载均衡算法研究与实现

Flink是目前非常流行的流处理引擎.和先前的Hadoop,Spark,Storm等分布式计算框架相比,Flink能实现低延迟、高吞吐,保证Exactly Once.调度模块是保证集群高性能非常重要的一部分,但目前Flink调度默认把集群中所有节点看作是同等性能的,采用轮询调度策略.但在异构集群里这样的调度就会低效,因为计算资源少的节点运行的Task和计算资源多的节点运行的Task一样多,所以局部负载不均衡,影响Job的运行时间和吞吐量,造成延时.提出平滑加权轮询任务调度算法和基于蚁群算法的任务调度算法,解决运行过程中集群负载不均衡问题.平滑加权轮询任务调度算法在任务调度初始阶段根据集群资源按照权重平滑轮询调度.基于蚁群算法的任务调度算法是在运行过程中当集群已使用资源高于阈值时采用类似蚁群算法去执行任务调度,动态计算全局最优任务分配方案,能重新负载均衡.     

云计算下均衡负载的差异性资源调度算法优化研究

随着云计算的逐渐发展,云计算下容易出现虚拟机负载不均衡和差异性资源调度时间长的问题,当前调度算法大多无法有效解决均衡负载问题,影响调度性能。为此,提出一种新的云计算下均衡负载的差异性资源调度算法,对云计算下资源调度问题进行描述,针对云计算下虚拟机差异性资源负载问题设定参数。设计蚁群优化算法,蚂蚁爬行的每一步代表指派的一个差异性资源任务,引入挥发因子对信息素更新规则进行改进,获取全局信息素。利用蚁群优化算法对云计算下负载的差异性资源进行均衡调度,给出详细实现过程。实验结果表明,所提算法有较好的收敛性,均衡负载效果好,且时间复杂度低。     

基于带宽约束的云计算负载调度算法

负载调度是云计算得以大规模应用及提高服务性能的关键技术,对提高云供应商服务质量、用户满意度以及数据中心集群资源利用率等有极其重要的意义.云计算环境中,由于用户任务类型的不同,对带宽的需求也不尽相同,若不区分不同任务对不同带宽的要求,可能会造成资源的浪费,增长用户等待时间.本文对经典Min-Min算法进行改进,提出了BCLL-Min-Min算法,该算法满足带宽需求约束,并且实现相对负载均衡调度.仿真实验表明,BCLL-Min-Min算法能够适应云计算环境下任务多样性和不确定性的情况,使用该调度算法可以提高集群的吞吐率、较大改善数据中心的负载均衡性.     

面向用户的通用云计算平台负载均衡机制

面向用户的通用云计算平台负载均衡机制在探寻云计算平台的成本和效用的基础上,由用户根据任务粒度从质量、成本定制云及云联盟资源三方面权重。由云均衡构件发出蚂蚁群搜索云内及云间计算资源。蚁群采用优化算法搜索资源并将信息发回蚁巢,并监视各个计算资源动态变化及时均衡负载,以降低云运营商成本和用户费用,提高云及云联盟的成本效用。将该负载均衡机制应用在自主研发的云计算平台上,实验结果验证了该负载均衡机制的可行性和优越性。     

基于云计算的多目标服务调度算法的改进研究

在研究现有云计算服务调度算法的基础上,设计了基于QoS的分布式多目标服务调度算法。该算法兼顾用户需求和系统整体性能,依据完成时间、费用、开销和负载均衡多个参数进行服务调度,从而获得较好的调度质量。仿真实验表明该调度算法能够满足云用户的QoS要求,调节云内各种设备的负载均衡,提高云计算平台运行效率。     

异常网络环境下云计算资源需求策略

针对常规云计算资源预测算法不能在异常网络环境下做到精准预测的难题,提出一种基于改进蚁群算法的调度策略.该策略融入了信息数的概念,既能快速均衡负载,又能保障用户在多条件下云计算的需要,合理降低能耗,提高云计算性能.实验结果表明,基于改进的蚁群调度算法提高了云计算资源利用率,降低了能量消耗,使单节点处理任务量有较大提升,极大提高了云计算的性能和服务质量.     

RAQPSO算法的云计算资源调度策略

在"互联网+"时代,云计算代表了一种新的商业模式,而云系统中用户任务与计算节点的调度问题极大地影响着系统的性能和云竞争力。为此,提出了一种改进的量子粒子群算法——反向自适应量子粒子群算法(RAQPSO),通过对惯性权值参数的调整和加入反向学习算子来提高算法的全局搜索能力,并将其应用于云计算资源调度中,仿真验证了算法的有效性。建立了云计算资源调度问题的模型;采用自适应机制,将适应度函数的变化程度作为惯性权值的更新因子,避免了单纯地根据迭代次数的线性函数来取值,从而使粒子不易陷入局部最优;随后加入粒子反向学习算子,加强了粒子全局搜索能力。实验结果表明,RAQPSO算法大大节约了任务完成时间,并且保持了良好的计算节点负载平衡。     

混合蛙跳算法在云计算资源调度的策略改进

混合蛙跳算法已在云计算资源调度有所运用。针对青蛙种群初始化随机性大、局部搜索盲目、容易陷入局部最优的问题,提出了一种混合蛙跳算法在云计算资源调度的改进策略。该改进策略首先运用SY-MM算法和随机生成方式结合的方法对种群进行初始化,生成适应度较好且保持多样性的青蛙种群;然后对传统蛙跳算法局部搜索中步长公式进行改进,使得能够自适应的去更新步长,进而提升局部搜索能力。通过实验证明改进算法对于云计算中资源调度的时间和负载平衡方面有良好的优化性能。