基于思维进化的集群作业调度方法研究

为了减少不准确的时间估计对作业调度的影响,提出了动态预约调度模式.在该模式中,预约队列中的作业与被预约资源是松耦合的,可根据作业完成情况进行重映射,以减少作业提前完成而产生的资源碎片.基于动态预约模式,将思维进化计算引入到作业调度中,以各种回填算法的调度结果作为初始群体,通过趋同和异化操作,使群体不断向最优解进化,从而产生更优的调度方案.基于真实作业集的仿真结果表明,所提算法的作业平均的等待、延迟时间比最优的基于回填的组合算法分别下降了68.5%和66.95%.     

一种短作业环境下的延迟调度算法

针对短作业场景下YARN平台中延迟调度算法基于静态时间等待阈值,不能进行合理等待的问题,提出了一种云计算环境中基于本地性资源预测的延迟调度算法(locality resource forecast delay scheduling,LRFD)。该算法综合考虑短作业和资源可用性动态变化的特点进行任务调度,根据节点上任务的完成进度和作业未处理数据在集群中的分布状况预估作业的本地性资源信息,从而判断是否需要进行等待以提高系统性能,实现了对本地性资源的合理等待。实验结果表明:在短作业场景下,LRFD算法的性能和稳定性均优于已有的延迟算法,作业性能平均提升约10%,最大加速比可达3倍以上。     

基于排队论的实时以太网缓存队列优化算法

提出了基于排队论的实时以太网缓存队列优化算法.首先对数据帧在实时以太网缓存队列中的传输过程进行分析,确定了数据帧排队延时是影响网络延时的主要因素;然后根据随机过程理论得到数据帧进入缓存队列的过程符合Poisson分布.针对该分布模型,用排队论对数据帧排队延时及丢包建立基于通信损失代价的数学模型,以损失代价最小为目标函数,再利用边际法计算出目标函数取极值时的最佳队列长度.仿真实验验证了模型的准确性和优化算法的有效性.     

基于启发规则的双向冲压生产线调度研究

根据冲压车间生产的无等待并行流水作业的特点,提出了一种基于启发式规则的双向冲压生产线的调度模型.在该模型中,建立在满足工序约束、机器约束、无等待约束等约束条件下的优化模型,提出了冲压作业的重复、折回和前行等排程规则,解决在冲压作业调度中的机器占用冲突问题,保证得到可行的调度解.并设计嵌入启发式规则的混合遗传算法来进行求解.最后通过一个例子对调度模型和求解算法进行了验证.     

面向对象数据库多粒度锁的双队列调度算法

引入了双队列调度策略（ＤＱＳ）的思想,建立了多粒度锁的双队列调度模型,设计出该模型的调度算法．通过模拟实验对单队列调度算法和双队列调度算法进行性能评价,从模拟结果中定量分析出在锁请求的到达率较大时,双队列调度算法比单队列调度算法要优越．研究了切换周期、等待队列最大长度、锁请求服务率与调度性能之间的关系．     

面向对象数据库多粒度锁的双队列调度算法

引入了双队列调度策略（ＤＱＳ）的思想,建立了多粒度锁的双队列调度模型,设计出该模型的调度算法,通过模拟实验对单队列调度算法和双队列调度算法进行性能评价,从模拟结果中定量分析出在锁请求的到达率较大时,双队列调度算法从单队列调度算法要优越。研究了切换周期,等待队列最大长度,锁请求服务率与调度性能之间的关系。     

Hadoop平台下基于资源预测的Delay调度算法

针对Delay算法的不合理等待问题, 提出一种基于资源预测的Delay调度算法（RFD）, 该算法基于对资源可用性的预测方法合理地调度作业. 实验结果表明, 在Hadoop机群一般应用场景下, 该调度算法与已有算法相比, 在保证作业本地化计算Map任务比例相近的同时, 将作业平均运行效率提高28.8%, 明显提高了Mapreduce作业的执行效率.     

基于遗传算法的数据挖掘方法及应用

车间作业调度问题的研究不仅具有重大的现实意义,而且具有深远的理论意义.该文采用数据挖掘算法从大量的车间作业调度中抽取一些有价值的信息或知识,然后应用这些知识来辅助车间作业调度.该研究的目的就是应用数据挖掘算法从车间作业调度最优方案(基于遗传算法的求解结果)中抽取出最优调度方案的一些模式知识,然后基于这些模式知识发展一些规则集来辅助车间作业调度.这些规则可以看作是隐含在车间作业调度最优方案中的事先未知的潜在有用的信息,根据这些规则可以产生比简单指派更好的车间作业调度方案.最后的数据实例表明本文方法无论在调度质量还是在计算速度上都具有非常好的性能.图3,表4,参15.     

基于双优先级队列的异构分布式控制系统容错调度算法

在对分布式控制系统进行分析的基础上,给出了任务模型和处理器模型.为了调度多种实时性的任务,提出了双优先级队列调度算法,用于调度每个处理器上的任务.该算法设置2个优先级队列,其中高优先级队列用于调度实时任务,低优先级队列用于调度非实时任务,高优先级队列中的任务可抢占低优先级队列中的任务.在此基础上,采用版本复制技术使系统具有容错能力,并分析了任务的容错可调度条件.基于此,采用首次适应的启发式任务分配策略,将任务分配到各个处理器上,在确保任务容错可调度的条件下使处理器负载均衡.仿真结果表明所提出的算法是有效的.     

Hadoop平台下MapReduce模型调度算法研究

针对Hadoop默认FIFO调度算法和Fair调度算法、Capacity调度算法的不足,引入了一种基于优先权的自适应MapReduce调度算法.该算法利用作业权值为不同的Job分配不同的系统资源,同时根据各TaskTracker节点反馈回来的消息调整可执行队列的长度,以达到各节点负载平衡,提高系统的执行效率.     

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.     

基于可信度的节点选择算法

为了解决提高检测概率与减少网络开销间的矛盾,基于数据优化融合理论,提出了基于可信度的能量融合协同感知算法（EFCS算法）及节点选择算法。通过自适应迭代算法估计出各认知用户的感知可信度,并推导出了算法检测性能与协同用户数及感知可信度间的确定关系。算法能够在达到检测性能指标的前提下,尽可能多地删除冗余协同感知用户。仿真证明,节点选择算法在保证较高的检测概率的同时极大的节省了网络开销。     

中深孔爆破振动加速度峰值的遗传BP网络预测

为准确预测爆破振动加速度峰值,保证爆破安全,相对于考虑因素少的经验公式法以及存在收敛性差、易陷入局部极小和计算复杂等缺陷的BP算法,提出了遗传BP神经网络算法,该算法具有更高的预测精度。以田湾核电站船山二期工程的试验数据为背景,比较分析并选择最大段药量、水平距离、总药量、高程差、爆破台阶高度和段别规模等6个参数作为输入层因子,建立了相应的爆破振动加速度峰值预测模型。结果表明,预测精度达到96.97%,验证了方法的可行性和有效性。     

基于时延抖动的网络拓扑推断技术

为了克服基于端到端单向时延的拓扑推断算法中需要时钟同步的缺点,根据端到端时延抖动的定义和特点提出了拓扑推断中端到端时延抖动的四元分组列车测量方法和基于端到端时延抖动的拓扑推断算法,其中端到端时延抖动的测量不需要节点间的时钟同步,并且实现简单.分析了基于端到端时延抖动推断网络拓扑的可行性和正确性,通过NS2进行了仿真.仿真结果表明,基于时延抖动推断拓扑结构的效果比基于端到端单向时延推断拓扑结构的效果好.     

一种聚类算法改进及其在税源分析中的应用

面对大量的涉税数据,为揭示纳税个体间内在的分类特性,发现其中偏离常规的异常纳税行为等,有效提高税源监管力度,针对税源监管的应用需求,分析了数据挖掘中常用聚类算法的特性,提出了基于DENCLUE密度聚类的改进方法。该方法不仅可以发现数据分布的典型聚簇模式,而且可以揭示对税源监管更有价值的离群模式。应用实践验证了该方法的有效性。     

基于点线回路优化求解TSP的一个新算法

快速有效地解决TSP问题,有着重要的理论价值和极高的实际应用价值。提出了基于点线回路优化求解TSP的算法,首先将原基本回路切去一些点(线段、路径)变成残缺回路,然后把切去的点(线段、路径)重新插入到残缺回路的所有节点之间,生成新的基本回路,切去点(线段、路径)的数量,从一个变到基本回路节点数的一半。算法实现容易、运行速度快,生成的结果接近其最优解。算法尽量避免了陷入局部极小,使得在短时间内能够求解较大规模的TSP问题。     

认知OFDM系统中抗窄带干扰的递推式干扰检测和译码

针对授权窄带系统可能对认知OFDM系统造成的窄带干扰,提出了一种抗窄带干扰的递推式干扰检测和译码算法。该算法构造了一种新颖的递推式干扰检测和译码的结构,能够由一个被干扰符号递推出其他被干扰符号,同时对软判决译码所需的干扰功率和噪声功率进行估算。仿真结果表明：该算法无需已知关于干扰和噪声的任何统计信息,就可在很大的干扰功率范围内达到接近最大似然译码的性能。     

WiMAX系统宏分集切换算法

针对WiMAX系统宏分集切换问题,提出了2种宏分集切换算法——MDHO和MDHO-H。MDHO算法对已有的Z算法进行了改进,选择信号强度最强的m个基站做为分集站。MDHO-H算法在MDHO算法的基础上加入了滞后因子。在相同切换场景下对3种算法进行了仿真比较。结果表明,MDHO算法和MDHO-H算法的切换次数比Z算法的切换次数分别减少了24%和53%。     

基于Fourier-Bessel展开和Karhunen-Loeve变换的语音变换

为了有效地进行语音变换,改善变换后语音的自然度和目标人倾向度.依据语音信号传播机理和(Fourier-Bessel)展开式系数对语音信号的表现能力,提出了利用F-B展开系数作为变换参数.在该算法中,根据F-B展开系数无语音相位信息的特点,提出基于最大基频相位的语音分帧算法;针对F-B展开式数据量过大的问题,提出了基于Karhunen-Loeve变换的参数压缩算法,转换模型使用GMM(Gaussian mixture model)模型.对算法进行了仿真实验.对变换后语音所进行的ABX测试表明,算法能够较好地完成语音变换,变换后语音的目标人趋向度比较高.     

认知无线电中的一种信道估计方法

认知无线电系统能否充分发挥其优势在很大程度上取决于信道估计的准确性和实时性。将基于新型时域内插的初始估计和EM跟踪应用于认知无线电系统,同时引入小波包对初始估计进行消噪处理,提出了一种新型的半盲信道估计方法。理论分析和仿真表明,该方法较好地解决了由于主用户存在造成的导频分布不均匀,保证了天线之间导频符号的相关性,且由于采用EM信道跟踪和小波包去噪进一步节省了频谱资源、提高了估计准确性。该方法可满足认知无线电信道估计实时性和准确性要求,具有较大的实际应用价值。