基于蚁群优化的云任务调度策略的研究

为了解决云任务调度过程中虚拟机资源使用不合理导致任务完成时间长的问题,提出一种基于蚁群优化的任务调度算法。采用集团资产管理模式管理虚拟机资源,同时确定云任务优先级,根据任务优先级与虚拟机的实时情况确立启发因子,增强算法的搜索能力;改进信息素更新规则,提高任务求解率;建立云任务调度过程模型。通过Cloud Sim模拟仿真器实验仿真,结果表明改进算法在任务平均完成时间上比ACO算法减少了,负载均衡值上降低了。     

求解Hadoop作业调度问题的混合遗传算法

将自适应遗传算法和改进的蚁群算法融合用以求解Hadoop作业调度问题。首先利用自适应遗传算法的全局搜素能力产生任务所分配的资源列表,在遗传算法的搜索速度逐渐降低时,适时切换到蚁群算法,由自遗传算法求解的最优解生成蚁群算法的初始信息素分布。改进蚁群算法的目标节点选择策略,考虑节点完成任务的成功率,加快蚁群算法求解最优解的速度。仿真结果表明,与遗传算法和蚁群算法相比,混合遗传算法用时较少,并且任务数越多,优势越明显。     

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.     

遗传算法与蚁群算法的融合研究

遗传算法具有快速全局搜索能力,但对于系统中的反馈信息却没有利用,往往导致无为的冗余迭代,求解效率不高.而蚁群算法是通过信息素的累积和更新来收敛于最优路径,具有分布、并行、全局收敛能力,但是搜索初期信息素匮乏,导致算法速度慢.通过将两种算法进行融合,克服两种算法各自的缺陷,优势互补,形成一种时间效率和求解效率都比较好的启发式算法.并通过仿真计算,表明融合算法的性能优于遗传算法和蚁群算法.     

基于遗传与蚁群混合算法的智能组卷研究

针对遗传组卷算法局部求解能力不足、容易早熟和退化对系统中的反馈信息利用不够的问题,以及蚁群组卷算法搜索初期信息素匮乏的缺点,充分利用遗传算法较好的全局搜索能力和蚁群算法较高的求解精度的优势,提出了一种遗传算法与蚁群混合算法的智能组卷策略。实验结果表明,与单一组卷算法相比,提出的混合组卷方法收敛速度更快,能更有效地解决智能组卷问题,具有更好的实用性。     

基于包簇映射的云计算资源分配策略

提出了一种基于包簇映射的云计算资源分配策略。在包、簇概念下,资源可共享,任务调度更为灵活,资源利用率更高。将多目标遗传算法与改进的蚂蚁算法动态融合,提出了一种基于成本最优的云计算资源分配算法。该算法在任务前期利用遗传算法快速随机的全局搜索能力,产生初始信息素,在任务后期通过蚂蚁算法蚂蚁间的信息交流和正反馈机制,寻找资源分配的最优解。实验结果表明,在包、簇概念下,该混合式调度算法能够显著降低云计算系统的任务完成时间和任务执行平均成本,有效减少簇结点的使用数量,提高资源利用率。     

基于自适应多态蚁群算法的多约束车辆路径问题

建立了在有客户优先级、路况影响、多车型、时间窗和容量等多约束条件下车辆路径问题(VRPMC)的数学模型.由于该模型是一个NP-hard问题,目前还没有多项式算法求解,又提出了采用自适应的多态蚁群算法(APACA)来对其进行求解的策略.首先,算法中侦察蚁完成满足约束条件的路径侦察并设置侦察信息素;其次,搜索蚁利用侦察蚁提供的辅助信息进一步搜索可行路径,通过多态蚂蚁间的协作和自适应调整挥发系数,能更快地搜索到问题的优化解;最后通过一个实例与节约算法、遗传算法、禁忌搜索算法和基本蚁群算法进行了对比,结果表明:对VR-PMC问题,APACA算法比前述算法在算法稳定性、运行距离、计算速度方面更具有优势.     

导弹并行测试系统设计与任务调度仿真

针对传统串行测试时间长、效率低、成本高等问题,利用并行性程序设计、仿真了导弹测试系统,同时基于蚁群算法提出了并行测试系统任务调度算法.并行测试系统的硬、软件包括可重构测试接口适配器、同步类以及仪器类组合方法等.算法中设计了局部搜索函数、状态转移概率、基于Tchebycheff不等式的信息素更新和测试禁忌计算式,配置了测试任务优先级,从而获得了测试任务最优调度方案.仿真结果表明,所提算法的测试时间是串行测试的30%～75%,平均搜索时间和找到最优解的概率等较之TaskScheduler-T调度和遗传退火算法优越性更加显著.     

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.     

求解成像卫星调度问题的改进蚁群算法

蚁群算法求解成像卫星调度问题时容易陷入局部最优。针对这一问题,提出了一种改进的蚁群算法,在可行解构造初期找到一种综合启发信息来生成初始任务链,并用分类消减的方法进行时间窗更新。局部更新时引入扰动机制,信息素更新时添加了信息素限制策略。最后通过仿真实例与遗传算法和传统蚁群算法对比,说明了该方法的可行性和相对优越性。     

一种改进的蚁群求解算法

为了提高蚁群算法的求解性能,对基本蚁群算法进行了改进.采用上三角的信息素存储形式、改禁忌表为可选表、遗传算法中的交叉及变异、全局更新信息素等做法对基本蚁群算法进行改进,并介绍了在Matlab环境下编程实现的方法及步骤,仿真实验求解了16个城市的TSP问题,得到最短距离为73.988,结果表明了编程思路的正确性及算法的高效性.此改进算法改善了随着求解空间的增加而导致的求解效率低下及因迭代次数的增加而造成的信息素量堆积导致的不成熟收敛,提高了搜索能力及速度,拓展了搜索空间.     

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。     

基于改进蚁群算法的阈值医学图像分割

为了提高医学图像分割的精确度,提出了一种基于改进蚁群算法的阈值医学图像分割.对蚁群算法中的初始聚类中心、动态更新信息素浓度和参数变量进行了改进.实验结果证明:改进算法可以提高医学图像的分割精确度,同时克服蚁群算法搜索时间较长,求解速度较慢的缺陷,缩短运算时间.     

基于改进萤火虫算法的云计算任务调度策略

针对云计算中任务调度效率低引起的资源利用不平衡问题,提出一种基于改进萤火虫算法的虚拟机任务调度策略,该策略首先构建云计算资源负载平衡优化问题的约束条件,采取最小用户任务完成时间作为资源优化的目标函数;其次通过改进的萤火虫算法优化资源搜索路径,优化云服务器中多个虚拟机之间的任务负载平衡,通过提高云服务器的响应效率达到缩短用户任务完成总时间的目的.实验结果表明:相比于其他算法,本文提出的策略在云计算任务完成时间方面具有明显优势,能够有效地解决服务器中的负载不平衡问题,提高用户请求的响应效率.     

双目标冷链物流车辆路径问题及其遗传蚁群求解

针对带容量和软时间窗约束的双目标生鲜农产品冷链物流车辆路径问题,建立了以最小化总成本和最大化客户满意度为目标的双目标优化模型。为了求解问题,运用ε约束法处理双目标模型,以蚁群算法为基础,加入交叉与变异算子,设计了遗传蚁群算法。算法求解过程中,蚂蚁个体在进行状态转移时按照确定性选择和伪随机比例选择相结合的方式,信息素总量采用分段函数进行优化。为验证模型与算法的有效性,对实际算例进行求解,并与遗传算法、蚁群算法求得结果进行对比。结果表明所建模型符合实际需求,所设计的遗传蚁群算法收敛速度和求解结果均优于遗传算法和蚁群算法。     

无线传感网络改进混合移动代理路由的研究

移动代理路由的本质是一个多约束条件下的优化问题,针对遗传算法快速随机的全局搜索能力,但对于系统中反馈信息却无法利用、求精确解效率低的问题,本文提出了一种遗传蚁群混合算法的WSN移动代理路由方法.利用遗传算法快速随机的全局搜索能力找到较优解,将较优解代换成蚁群算法的初始信息素,最后采用蚁群算法收敛速度的优点,找到移动代理路由全局最优解.仿真结果表明,该算法能在较短的时间找到最优移动代理路由,相对于其他的路由算法,减少了网络延时和平均能量消耗,提高了数据传输的速度和效率.     

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.     

作业车间调度的非合作博弈模型与混合自适应遗传算法

采用博弈理论,建立了一种基于非合作博弈的作业车间任务调度模型.在该任务调度模型中,将源于不同客户的制造任务映射为非合作博弈模型中的局中人,并将与制造任务包含的工序集所对应的可选加工设备映射为可行方案集,使各制造任务的加工完成时间和成本组合形成的多目标综合指标映射为收益函数,从而将对任务调度模型的求解转换为寻求非合作博弈模型的Nash均衡点.通过设计的爬山搜索混合自适应遗传算法、自适应交叉和变异算子,实现了对该任务调度非合作博弈模型的Nash均衡点的有效求解,同时算例仿真结果也验证了所提出的调度方法的正确性.     

配送中心选址与车辆路径问题的优化

为了克服蚁群算法(Ant Colony Optimization,ACO)搜索初期信息匮乏、信息素累积时间长、求解速度慢的缺点,结合具有快速全局搜索能力的遗传算法(genetic algorithm,GA),同时引入混沌搜索和平滑机制,采用混沌搜索产生初始种群可以克服生成大量非可行解的缺陷,加速染色体向最优解收敛,平滑机制有助于对搜索空间进行更有效的搜索,构成混沌蚁群优化算法(Chaos Ant Colony Optimization,CACO)。建立物流配送中心选址(logistic distribution center location)与车辆路径问题(vehicle routing problem,VRP)的数学模型,分别应用CACO和GA求解,对50客户规模的问题模型仿真,结果表明CACO优于GA。     

一种成本驱动的云计算任务调度策略

为了使得云计算不仅满足调度任务的QoS要求,且尽可能地最大化其服务收益,从云服务提供方的角度出发,提出了一种成本驱动的云计算任务调度策略.提出的方法在满足用户任务QoS约束的前提下,以最大化云环境单位计算开销的服务收益作为其调度目标,在此基础上建立相应的任务调度模型,最后通过遗传算法在多项式时间复杂度内对上述调度目标进行优化求解.在Cloudsim模拟器上完成了一系列仿真测试.结果表明:提出的方法在任务完成时间、调度完成时间超过调度截止时间底线的任务比例,以及云环境单位计算开销的服务收益等指标上均优于传统的Min-min算法和改进的QoS约束的Min-min算法.