基于自适应遗传算法的网格任务调度优化

针对传统任务调度算法效率较低、资源负载不平衡等缺点,基于遗传算法,考虑现代网格系统异构性和动态性的特点,提出一种有效的交叉概率和变异概率自适应更新方法,提高遗传算法的全局搜索能力和收敛速度.仿真实验表明,改进后的遗传算法在进化速度上有明显提升,可较好地处理网格任务调度问题,提高任务调度效率,降低资源负载的不平衡性.     

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.     

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.     

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.     

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.     

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。     

网格资源调度中基于云模型的蚁群算法

针对异构网格资源下任务的调度最小化执行时间问题(NP难题),提出了一种基于云模型的自适应蚁群调度算法.该算法在定性知识的指导下,权衡提高收敛速度和保持解的多样性之间的矛盾,能够自适应控制搜索范围,较好地避免了传统蚁群算法易陷入局部最优解和选择压力过大造成的早熟收敛等问题,提高其快速寻优能力.实验结果表明该算法在保证有效的加速比的同时具有精度高、收敛速度快等优点,极大地提高了网格任务调度的规模和效率.     

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.     

采用遗传-谐振算法求解网格依赖任务安全调度问题

针对异构网格环境下任务调度面临的安全性问题,考虑网格节点的系统安全控制策略与历史行为表现,构建了网格节点安全评估模型,并在此基础上提出了一种安全可信的网格依赖任务调度优化模型。为求解该模型,结合遗传算法全局寻优能力较强的特性,同时克服其局部寻优不足的缺点,引入谐振算法,从而设计了一种新的遗传-谐振算法(GASHO)。首先,针对DAG任务图基于启发式思想设计遗传进化算子和量子谐振算子等操作以产生任务调度优先队列,解决离散解非法的问题;然后,采用安全约束下的最早完成时间算子操作实现任务集到网格节点的映射,提高算法收敛效率;最后,对算法的时间复杂度和收敛性进行分析证明。仿真实验结果表明,在同等条件下与同类算法相比,GASHO算法在收敛性、调度长度、安全效益值等方面具有明显的优势。     

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.     

多因素感知的网格资源度量方法与任务调度

资源管理和任务调度是网格计算的核心问题,目前这方面的研究已取得丰硕的成果,但是,在网格资源评估方面仍缺乏行之有效的途径.文章论证了任务调度中候选资源选择的重要性,提出了资源定量评估的线性组合方法,在此基础上提出了一种结合节点计算能力、负载量、带宽、通信距离以及费用等多种因素的网格资源度量方法,建立了相应的数学模型,并设计了新的任务调度算法,实验表明该算法有效改善了网格的性能.     

一种基于改进蚂蚁算法的网格任务调度策略

网格是分布式高性能计算的一个主要发展方向.任务调度问题的解决是网格得以充分发展的基本前提.提出了一种基于改进蚂蚁算法的网格任务调度策略.不同于传统蚂蚁算法,改进的蚂蚁算法通过在处理任务前后分别调整信息素来准确地反映资源的性能.任务调度将选择由改进蚂蚁算法产生的性能最佳的资源来处理任务.改进蚂蚁算法以及任务调度策略的有效性已被OP-NET上的仿真结果所验证.     

基于并行处理系统的一种新的任务调度算法

提出了在计算机并行处理系统中的一种新的任务调度算法,该算法利用遗传算法思想对加权最少连接算法的任务调度方案进行了改进,弥补了加权最少连接算法的不足,并增加了动态控制功能,较好地解决了N个处理机的任务分配问题.实验结果表明:改进后的W LCGA算法优于普通遗传算法和加权最少连接算法.     

基于可信度策略的校园网格作业调度算法

为了实现校园网上的资源共享,降低资源浪费,文中讨论了基于网格技术的校园网作业调度模型,并设计和实现了基于可信度遗传算法的作业调度方法.该方法采用资源可信度策略,同时结合遗传算法的优点,满足了网格对调度系统可扩展性和全局最优调度的需求,从而使调度系统具有了一定的自主性和智能性.实验结果表明该作业调度方法收敛速度快,全局寻优能力强,整体性能优于其他调度算法.     

网格环境下的高效动态任务调度算法

网格系统具有异构性、动态性和分布性，这使得网格中的任务调度变得十分复杂，要求调度算法具有动态性和自适应性．文中将群体智能技术引入网格的任务调度中，针对一组相互独立的任务调度问题，提出了一种新的动态任务调度算法．该算法利用蜂群与环境的交互模型来实现网格中动态的任务分配；同时根据蜂群的自组织社会层次的概念，解决了算法中出现的竞争问题．实验结果表明，相比于现有的方法，该算法对于网格中的动态环境具有更好的适应性，且调度性能更优．     

小生境技术对遗传算法的改进作用研究

将标准遗传算法用于最优化问题时存在早熟收敛和后期收敛速度缓慢的现象。本扼要分析了遗传算法的运行机制,提出一种基于小生境改进遗传算法;对复杂函数的遗传优化仿真实验数据表明,改进的遗传算法不但具有良好的全局收敛可靠性,而且具有快的收敛速度。     

基于改进遗传算法的网格任务调度

为在网格环境下完成任务调度,使服务运行时间和费用2个指标达到最优化,将这2个指标作为网格任务调度模型的衡量指标,将计算经济模型引入网格资源管理,改进了遗传算法。算法中的染色体编码采用间接编码方式,对每个任务占用的资源编码,即实数编码方法。生成初始种群时采用随机生成种群和根据某些先验知识生成种群这2种方法相结合,变异操作时根据原来染色体的适应值和适应度函数进行有目的的随机变异。通过网格仿真平台GridSim对该算法进行模拟验证,并将其与简单遗传算法及GridSim中经济模型下时间最优算法DBC_Time比较,试验结果证明,其能较好完成网格环境下任务的调度,实现时间和费用双目标优化。     

基于一种自适应并行遗传算法的网格资源选择策略

网格是在某一单一时间,将网络中众多的计算机资源集中起来共同处理某个单一问题的.而如何有效地从众多的资源中选出多个较优秀的资源是一个NP问题.该文提出一种新的自适应的并行遗传算法（NAPGA）,并对网格资源的选择策略在C+MPI平台上进行了并行模拟.结果表明,该算法不仅有效地避免了过早收敛的现象,而且取得了比改进型的并行遗传算法(NIPGA)更优的搜索结果.最后对遗传算法的搜索和收敛规律进行了一些讨论.