离散粒子群优化算法在流水作业调度问题中的应用

通过引入随机向量, 改进离散粒子群算法DPSO的更新方程, 提出一种离散的粒子群优化算法MDPSO, 并将其应用于调度问题的求解. 实验结果表明, 该算法优于传统的时序分解算法和遗传算法.     

云计算中基于改进离散粒子群优化的任务调度方案

针对云计算中现有智能任务调度算法容易陷入局部最优的问题,提出一种基于改进型离散粒子群优化(DPSO)算法的任务调度方案。对传统DPSO算法中的粒子位置更新公式中的惯性权重进行改进,使其根据迭代次数非线性递减,提高算法的搜索能力;另外,融入了随机扰动操作,避免算法陷入局部最优。实验结果表明,与传统遗传算法和粒子群算法相比,该方案能够获得最优的调度策略,有效降低任务的完成时间。     

云计算环境中优化遗传算法的资源调度策略

资源调度是云计算的核心问题,传统遗传算法(GA)、Sufferage算法等都可以用于云计算环境中的资源调度,但传统遗传算法存在收敛慢、易早熟等缺点,Sufferage算法则不适用于多聚类环境的密集型任务调度.本文在充分考虑云计算环境的动态异构性和大规模任务处理特性的基础上,提出了一种基于染色体编码方式和适应度函数的改进遗传算法(IGA),并在云仿真器CloudSim上对3种算法进行了仿真.仿真结果表明,该算法在性能和服务质量QoS(Qualityof Service)方面都优于传统遗传算法和Sufferage,能更好地适用于大规模任务下的云计算环境资源调度.     

改进PSO权值算法在流水生产调度中的应用

为了在生产中快速有效且合理地安排生产流程,达到生产最优化,采用改进粒子群权值算法(DPSO)。研究了DPSO算法地参数设置问题,在传统PSO算法基础上加入具有动态自适应调整功能的权重因子,使算法更快地达到全局最优化,迭代次数也大大缩短,将DPSO算法用于流程工业的flow-shop调度中,大大提高了生产效率,仿真实验表明该算法具有良好的全局优化性能。该成果对生产调度具有一定的参考价值和指导意义。     

基于竞争粒子群算法的云计算资源调度策略

针对大规模云计算环境下的资源调度问题,提出了改进的竞争粒子群优化算法,以提高云计算资源调度效率.基于多目标综合评价模型,首先建立包含任务完成时间、功耗以及负载均衡度的适应度函数,再利用混沌优化方法产生分布更加均匀的初始化粒子,引入自适应概率的高斯变异对胜利粒子位置进行更新,以提高种群多样性并增强全局搜索能力.仿真试验表明,在相同的条件下,本文算法能够寻到最佳的调度方案,适用于大规模资源调度,且结果优于对比模型.     

改进粒子群算法在作业车间调度问题中的应用

调度问题是一类典型的NP-hard问题,传统粒子群优化算法在解决该类问题上具有一定的局限性.通过分析其优化机理,提出了改进粒子群算法,结合了粒子群优化算法的全局搜索能力和交换粒子位置的局部搜索能力,提出了新的粒子编码方法--基于粒子坐标值排列编码(PPP),发展了一种快速、易实现的新的混合启发式算法.大量实验仿真结果表明本算法可以有效求解作业车间调度问题,通过与遗传算法比较,验证了改进粒子群算法是求解Job-shop调度问题可行而高效的方法.     

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%.     

基于蚁群粒子群优化算法的云计算资源调度方案

通过对蚁群算法和粒子群算法分别进行改进,利用两种算法自身优势相结合的方式建立一种蚁群粒子群算法,以提高云计算资源调度效率,解决云计算中资源调度方案优化问题.实验结果表明,该算法所消耗的时间更少,效果更好.     

采用离散粒子群算法的网格任务安全级调度

针对异构网格环境中任务调度问题对所面临的安全性研究不足,在考虑了保密性、完整性和真实性等安全性因素的情况下,构造了相应的安全效益函数;依据网格节点的历史行为特点,提出了节点的信誉度动态评估策略;基于行为特点提出了一种离散粒子群算法,由此建立了任务安全级调度新模型.算法基于安全调度的离散空间特征给出了粒子的位置表示方法,从而克服了连续空间解决离散问题所造成的解空间冗余问题.采用分步计算和修改粒子位置的方式重新定义了粒子进化方程,避免了进化过程中速度之间的相互干扰问题.为了防止算法陷入局部最优,引入了均匀扰动速度.实验结果表明,与基于连续空间的粒子群算法和遗传算法相比,所提算法具有较快的收敛速度、较短的调度长度和较高的安全性能.     

文化算法在有人/无人机协同作战目标分配中的应用

针对有人/无人机协同作战目标分配问题,基于文化算法提出一种遗传算法和离散粒子群算法相结合的目标分配方法。根据有人/无人机协同目标分配问题的特性,结合文化算法的基本框架,建立了遗传算法和离散粒子群算法的交互机制,充分利用遗传算法和离散粒子群算法对优化问题的搜索能力,改善了2种算法易陷入局部最优的缺点,对约束条件下的有人/无人机协同作战目标分配问题进行了有效求解。实验结果表明,基于遗传和离散粒子群相结合的文化算法优于遗传算法和粒子群算法,收敛速度更快,能够快速找到目标分配问题的最优解。