网格协同设计环境下基于资源负载均衡策略的任务调度优化模型及其算法

为了解决协同环境中的冲突问题,设计了一种基于现代协同设计系统的网格仿真模型,并结合免疫克隆算法和遗传算法的优点,提出了一种网格任务调度优化模型和遗传克隆负载均衡算法.仿真实验结果表明,这种调度算法有效地实现了资源的负载均衡,克服了遗传算法容易陷入局部最优的缺点,可以成功地应用于网格任务调度中.     

网格任务调度问题求解的萤火虫算法

为了获得更优的网格任务调度方案,针对网格环境特点以及标准萤火虫算法存在的不足,提出了一种基于改进萤火虫算法的网格任务调度优化模型.对网格任务调度优化问题进行了分析,建立了网格任务调度的数学模型,引入非均匀变异算子和自适应步长的搜索策略,加快算法的求解速度和精度,并将改进萤火虫算法用于网格任务调度问题求解,通过萤火虫之间的信息共享和交流找到网格任务调度最优方案,采用仿真对比实验对其有效性和优越性进行测试.结果表明,相对于其他网格任务调度优化算法,改进萤火虫算法可以快速、准确地找到网格任务的最优调度方案,提高了计算资源的利用率,保证了网格系统负载均衡,尤其对于大规模网格任务调度问题,具有更加明显的优势.     

基于蚁群算法的多QoS约束海量数据网格任务调度

针对海量数据计算网格任务调度问题,提出一种多Qos约束网格任务调度蚁群改进算法,优先考虑与数据存储网格结点间数据传输效率高、完成任务概率高的网格计算资源,通过调整蚁群算法中信息素挥发因子和传输导向因子的更新方法来提高算法的收敛速度和全局最优解搜索能力,从而达到调度目标最优.仿真实验结果表明,该算法与QoS-Min-min和QoS-Sufferage等同类算法相比,具有较好的综合性能,特别是在计算数据文件较大时,该算法在收敛速度和全局最优解搜索能力方面有明显的提高.     

基于改进遗传算法的网格资源调度研究

网格资源调度问题是一个NP问题,遗传算法可以有效地解决这类问题。针对基本遗传算法收敛速度慢的不足,提出了一种改进的遗传算法。该算法采用资源与任务一一对应实数编码方法,更好地适应了任务调度问题的特点。实验数据证明,改进后的遗传算法即具有全局搜索能力,又具有较快的收敛速度及较好的性能。该实验达到了以实现网格任务调度的最优跨度为目标的实验目的。     

一种基于遗传算法的网格任务调度算法

任务调度问题是一类NP问题,经典调度理论一般仅能获得问题的近似最优解.尽管已有用于任务调度的遗传算法的求解质量优于传统方法,但多数是考虑单任务或独立多任务调度的遗传算法.采用理论分析与仿真实验相结合的方法,提出了一种改进的遗传算法解决网格的任务调度问题.这种遗传算法所处理的任务不仅可以包含多个有前后约束关系的子任务,并且每个子任务可以需要多种资源.通过对比实验可以看到本文所提出的算法在网格任务调度方面要优于传统的HEFT和DLS算法.     

基于优先级表的网格依赖任务调度算法研究

如何高效的使用网格资源成为网格计算研究的重点。依赖任务调度算法对于部分网格系统的任务调度提供了一种解决方案,本文在传统依赖任务调度算法基础上考虑资源负载均衡问题,充分利用空闲资源求解问题,缩短了任务完成时间。     

基于免疫遗传算法的网格任务调度

研究了网格环境下任务调度问题,提出了一个任务调度机制:基于任务图将每一个可能的任务调度方案表示成一个任务-资源分配图,将网格任务调度问题转化为任务-资源分配图优化选取问题.提出了一种基于免疫遗传算法的、实现任务-资源分配图优化选取的任务调度算法.该算法将任务-资源分配图的最长路径作为抗原,每一个任务-资源分配图对应一个抗体.实验结果表明这个算法在全局优化能力及收敛速度上均有显著提高.     

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.     

截止期约束下QoS导向的网格任务调度算法

网格系统具有异构性和动态性,同时运行在网格之上的任务对资源的需求也不同,从而使任务调度变得极其复杂.针对网格任务的资源QoS和截止时间QoS要求,提出一种截止期约束下的QoS导向的任务调度算法.采用GridSim模拟实验表明该算法相对于QoS-guided Min-min和MOR,任务完成比率得到了大幅度提高,同时能有效保证系统的负载均衡.     

仿真网格中一种基于匹配度的改进Min-Min调度算法

分布式仿真网格是完善分布式仿真系统有效途径之一,而资源任务调度问题是提高分布式仿真网格系统效率的基础。通过对经典Min-Min和Max-Min调度算法研究学习,发现现有算法存在负载不均衡问题。针对现存问题,在考虑到任务本身优先级要求、任务大小和机器运行速度运行效率等因素的情况下,提出机器任务匹配度函数Matching-rate[i][j],将任务的预期完成时间与任务优先级进行匹配;并定义了系统负载均衡参数LBP,然后根据机器任务匹配度函数和系统负载均衡参数实现动态地调度Min-Min算法和Max-Min算法。最后通过实验,验证了此算法在总执行时间、总执行费用和机器利用率指标中有了一定改进,提高了调度性能,且达到了实现负载均衡的目的。     

网格环境下基于免疫克隆策略的资源分析和任务调度

网格将多种资源组织在一个统一的框架下,为各种复杂的计算任务提供资源.因此计算任务在各种资源之间的调度成为了一个关键的问题.将遗传算法和免疫克隆算法结合起来,充分发挥各自的优势,先通过克隆操作来产生一组新的个体,然后再独立地对所产生的各个体进行克隆变异,克隆交叉操作,从而求得问题的最优解.实验结果表明,这种并行遗传免疫克隆算法全局寻优能力强,能有效地实现资源的负载均衡,可以成功地应用于网格任务调度中.     

基于资源融合的网格任务调度模型与算法

讨论了网格资源计算能力和网络通信速度异构的树型计算网格环境下独立任务的调度问题,为单层树型网格计算环境下的任务调度问题建立了整数线性规划模型,并采用资源融合方法将多层树型网格计算环境下的任务调度问题转化为单层树型网格计算环境下的任务调度问题,建立了相应的数学模型.基于所提出的模型构造了两个任务分配启发式算法OPCH和OPBH.实验结果表明,在异构的树型计算网格环境下实现独立任务调度时,文中提出的算法比FCFS、Min-min算法具有更好的性能.     

基于改进型免疫遗传算法对网格中独立任务调度问题的研究

在研究现有任务调度算法的基础上,借鉴生物免疫系统原理中抗体多样性产生及保持机理,定义了基于抗体的矢量距离、亲合力及浓度相关的选择概率,这样可以在进化过程中保留优秀个体,同时抑制抗体群陷于同一极值而停止进化的早熟现象;另一方面,提出父子竞争(PCC)交叉算子和基于浓度调节机制的变异概率,提高抗体群进化速度的同时保留优秀抗体.仿真实验结果表明,算法与其它调度算法比较,更能有效地实现资源的分配,可以成功应用于网格环境下独立任务调度.     

基于遗传-蚁群算法的云计算任务调度优化

为了找到最佳的云计算任务调度方案, 缩短云计算任务完成时间, 通过综合考虑遗传算法和蚁群算法的优势, 提出一种遗传 蚁群算法的云计算任务调度优化算法. 首先采用遗传算法快速搜索到云计算任务调度的可行方案, 然后采用可行方案初始化蚁群算法的信息素分布, 解决初始信息素匮乏的难题, 加快算法收敛速度和搜索能力, 提高云计算任务求解效率. 在CloudSim平台的实验结果表明, 相对于遗传算法, 遗传 蚁群算法更适合于大规模云计算任务问题的求解, 可缩短任务完成时间, 获得更高的用户满意度.     

考虑时变资源价格因素的Q学习强化和声搜索网格任务调度算法

针对传统网格任务调度算法不考虑价格时变因素缺点,提出一种基于Q学习强化和声搜索算法的考虑时变资源价格因素网格任务调度算法.首先,综合考虑价格时变因素影响,对网格任务调度模型进行改进,提出一种新的调度模型;其次,利用Q学习算法对和声搜索算法进行改进,平衡了算法的广度和深度搜索能力;最后,通过与同类算法的仿真对比结果表明,该算法和模型具有较好的收敛速度优化性能,并且在资源价格满意度和任务调度长度两个层面具有更全面的优化性能.     

一种基于蚁群算法动态均衡的网格任务调度

网格资源分配属于NP-难问题,为了更好地解决该问题,首先建立一种性能QoS优化的作业级网格任务调度模型和目标函数,并对资源和任务数进行了分析.提出了基于动态信誉度的改进蚁群算法RACO(reputation-based ACO)进行网格任务调度,RACO引入空间效率和时间效率的动态调节因子,同时采用局部和全局信息素更新策略.仿真实验表明,RACO在资源利用率、动态均衡方面优于Min-min,Max-min和ACO算法.     

基于时间期限和预算效益函数的网格资源调度算法

针对具有时间和代价约束的网格资源调度问题,提出了一种基于效益函数的改进的网格任务调度算法,并采用GridSim模拟器分别对提出的调度算法和现有的DBC算法进行模拟实现.对比分析表明,改进的调度算法能得到较高的任务完成率及较好的资源负载均衡性.     

改进蛙跳算法的网格任务调度优化模型

为解决当前调度模型存在的局限性, 以更好完成网格环境下的任务调度目标, 结合网格任务调度的NP(Non-deterministic Polynomial)问题特点, 提出了改进蛙跳算法的网格任务调度优化模型。首先以网格任务完成时间作为调度优化指标, 然后采用蛙跳算法找到最优的网格任务调度方案, 并对蛙跳算法存在不足进行改进,以改善算法工作性能, 最后在网格仿真平台GridSim 上进行性能验证分析。实验结果表明, 改进蛙跳算法可较好完成网格任务调度, 缩短了任务完成的时间, 资源负载更加均衡, 而且性能明显要优于其他算法。     

云计算中一种基于遗传算法与效益驱动的任务调度算法

针对云计算的任务调度问题,提出了一种基于遗传算法与效益驱动的任务调度算法.在满足任务QoS约束的前提下,对计算开销、服务收益、延迟赔偿等因素进行了综合考虑,对任务调度问题进行了数学建模,同时采用遗传算法对目标函数进行求解.仿真表明,与Min-Min算法和QoS Min-Min算法相比,所提算法能够明显地减少任务调度完成时间,更好地均衡负载,提高单位计算开销效益.     

洪水灾变模拟中的调度技术研究

为保障洪水灾变模拟系统各分布式计算资源的负载均衡,提高计算资源的利用效率,通过分析网格环境中实体之间的信任关系,本文对经典网格任务调度算法MCT进行了重新设计,提出基于信任机制的Trust MCT算法．算法分别根据MCT的特性,采用不同的划分机制划分信任值区间,对同一信任值区域的任务和资源进行匹配．实验结果表明：基于信任机制的任务调度算法可有效降低任务执行失败率,从而减少任务完成时间．