网格计算中任务分解和提交的研究

网格计算环境通过把若干个分散的异构计算资源虚拟为一个逻辑单元,使用户可以像使用一台计算机一样支配这些资源,从而达到提高资源利用率的目的。通过讨论使用Globus对应用程序进行任务分解和提交,得出如下结论：对于适合分解的应用程序,可以通过在虚拟计算环境进行分解后采用并行计算来提高应用程序的执行效率,但不适合实时性较强的应用。     

一种任务驱动的车联网边缘卸载策略

边缘计算为解决未来车联网中移动流量的爆炸式增长提供了可行范式,然而位置的动态变化以及计算任务的多样性和差异性,使得资源有限的边缘服务器很难在规定时间内完成区域内多车辆任务的并行处理需求。基于此,以最小化时延为目标,提出一种结合深度确定性策略梯度算法的任务驱动卸载策略。首先,结合差异性任务类型和紧迫程度进行预处理,构建了一种基于最大延迟容忍度的任务动态优先级调整模型;然后,利用道路区域内的车辆拓扑和通信半径,提出了基于网络密度和负载均衡的动态协作簇划分方法,解决了多样性任务的动态协作卸载优化问题。实验结果表明,所提算法在收敛性、卸载时延及卸载命中率等方面具有性能优势。     

基于电力物联网的边缘计算任务卸载优化

为了解决传统卸载模型仅涉及用户设备和边缘计算资源,而在云端资源利用上存在局限性的问题,通过有效利用计算任务时延、能耗及计算资源配置,提出了基于深度强化学习算法的计算任务卸载策略和资源配置优化算法,建立了边云协同的时延、能耗及能效模型,研究了用户设备数量、任务量、任务优先级等对时延、能耗及能效的影响。结果表明：边缘计算服务器资源配置为30 GHz较为合理;高级计算任务优先处理策略和计算资源优化分配,使得时延、能耗均较低;所提出的优化算法在时延、能耗及能效方面均优于其他3个对比算法,表明针对不同用户设备数量和计算任务量场景,所提出的优化算法和建立的模型能够更有效的实现基于电力物联网的计算任务卸载策略和资源配置优化。     

摄像机网络中基于任务域的任务分配方法

针对智能交通应用场景中摄像机网络的任务分配问题, 提出一种基于任务域并综合考虑节点负载和任务服务质量的任务分配方法。在保证任务服务质量的基础上, 使用了一种基于节点间相对价值的任务转移策略,并在嵌入式智能摄像机网络系统上实现了上述方法。实验结果表明, 该方法相对于传统任务分配方法, 系统平均资源利用率提高约50%, 任务分配成功率提高约40%。     

移动边缘计算中的低能耗任务卸载决策算法

移动边缘计算(mobile-edge computing,MEC)中,除了考虑智能移动设备(smart mobile devices, SMD)的能耗,还应考虑微蜂窝基站处理任务的能耗。为了有效降低微蜂窝基站处理任务的能耗,文章提出了一种任务卸载决策算法(task-offloading decision algorithm,TDA)。该算法能够实时地根据卸载到微蜂窝基站上任务的紧急度做出任务卸载的决策,确定卸载任务分片的数据量,联合微蜂窝基站无线通讯范围内的其他基站协作处理任务,有效降低整个处理任务的能量消耗。实验结果表明,在100个微蜂窝基站构成的蜂窝网络中,TDA可以降低蜂窝网络31%～36%的能耗。     

一种基于任务分解的时间均衡调度算法

网格环境下的任务调度是一个NP完全问题,它一直是网格领域研究的核心。针对计算网格中的任务放牧调度这类问题,提出了一种基于任务分解的时间均衡调度算法。该算法在调度过程中充分考虑了网格资源的特点,采用重复调度和任务分解策略,并进行了仿真实验。在任务完成时间和系统吞吐率两方面与Max-min和Max-int算法进行比较,实验结果证明该算法优于Maxmin和Max-int,是一种性能较好的任务调度算法。     

一种基于遗传算法的车载边缘计算卸载方案

延迟敏感型和计算密集型车辆应用的出现,给计算资源有限的车联网带来了巨大的挑战。移动边缘计算(Mobile Edge Computing, MEC)是云计算的一种补充,可以有效解决车辆计算资源有限等问题,但是车辆的高机动性以及中心云距离较远导致数据卸载延迟较大,对卸载效率产生较大影响。现有方案大多对车辆的高机动性以及空闲资源的利用方面考虑不足,因此,文中提出一种基于遗传算法的车载边缘计算卸载方案(Genetic Algorithm-based Vehicle Edge Computing Offloading Scheme, GAVECOS)。在该方案中,考虑了任务车辆周围的本地车辆、路边基站上的边缘服务器和空闲车辆的计算资源来卸载任务,然后提出一个以系统总成本最小为目标的优化问题,并利用遗传算法求解该优化问题。最后通过搭建仿真平台对方案进行了验证。仿真结果显示,在综合考虑系统的时延和能耗这两个因素的情况下,该方案与其他4种方案相比总成本有明显的降低。     

MDOCEM中一种改进的启发式任务分解算法

基于多Agent的分布式开放计算环境模型(MDOCEM)中,任务分解是提高任务执行并行度的重要环节。针对有关学者提出的一种启发式任务分解算法,分析了它的特点与不足,并据此提出了一种改进的启发式算法,该算法采用目标驱动的思想,实现了对任务分解问题求取包含操作数最少的可行解的目标.     

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.     

基于自适应樽海鞘算法的多无人机任务分配

针对多无人机的任务分配问题, 提出一种基于自适应樽海鞘算法的多无人机任务分配方法. 在经典樽海鞘算法的基础上, 重新设计领导者的位置更新公式, 以改善樽海鞘算法易陷入局部最优的缺陷, 同时在算法迭代过程中加入自适应算子, 对领导者和跟随者的数量进行动态调整, 以提高算法前期的全局搜索和后期跳出局部极值的能力. 通过与遗传算法、 粒子群优化算法、 经典樽海鞘算法进行对比实验, 实验结果表明, 该算法对解决多无人机任务分配问题效果较好, 具有更优的适应度和收敛性.     

基于改进NSGA-Ⅲ的船舶边缘计算中任务调度算法

针对现有的船舶集中式控制系统无法高效地处理迅速增长的电子设备与智能化任务的问题,研究了边缘计算架构与基于多目标优化的任务调度问题。提出了一种基于边缘计算的智能船舶的分布式控制架构,针对该架构中边缘计算层任务多且计算量大带来的调度优化问题,基于NSGA-III算法通过改进并设计种群编码、初始化种群策略、离散的自适应交叉策略与离散的自适应变异策略,提升了算法在计算任务调度问题上的综合性能。仿真实验表明,相较于其他算法本文设计的NSGA-III-ADO算法的解集在总计算时延、总计算能耗以及负载均衡度上的平均性能至少提升了6.8%、5.9%以及0.8%,同时其收敛速度也更快,能够更好地解决计算任务调度问题。     

异构边缘网络中基于服务器休眠的协同计算策略

在异构边缘网络中,基站和边缘服务器的密集部署使系统功耗激增,为移动运营商带来了高额成本.同时,由于异构系统中任务的多样性和复杂性,高效的资源分配和任务迁移构成了严峻的挑战.针对上述问题,建立了服务器间的任务迁移和服务器睡眠模型,提出了一种面向异构边缘网络中服务器多睡眠模式的任务迁移算法.该算法先将问题按时隙划分为多个子...     

基于无人机的移动边缘计算任务卸载

无人机具有高移动性,能帮助移动用户在基础通信设施缺乏的环境中快速部署边缘云。为降低基于无人机的边缘计算成本,提高能量利用效率,提出了一种移动边缘计算(Mobile Edge Computing, MEC)系统的任务卸载方案。首先基于排队论模型构建了多用户边缘计算模型,引入等待概率构造了移动边缘计算系统的成本函数,然后采用权重系数将多目标优化问题转化为求解卸载策略的单目标非线性规划问题,最后采用蒙特卡洛剪枝算法进行求解,并引入决策树剪枝算法降低了算法的复杂度。实验结果表明,文中提出的任务卸载方案在CPU性能较低、任务到达率较大的情况下均能降低成本开销,为基于无人机的边缘计算提供了一种低成本的解决方案。     

基于移动边缘计算的任务卸载策略研究

由于传统云计算的高时延和处理能力有限,无法满足5G网络的发展要求。基于移动边缘计算网络框架,提出了一种结合通信时延和计算时延的联合优化卸载策略用于移动边缘计算网络。该策略通过移动边缘计算设备不同的计算能力和通信链路的不同传输速率,对移动用户任务进行决策。通过仿真分析该卸载方法对任务大小和时延的影响,验证了该方法的优越性。结果表明,相比于传统的卸载方法,该方法可以有效地降低卸载时间和提高数据处理能力,有一定的参考价值。     

网格计算中住务分解和提交的研究

网格计算环境通过把若干个分散的异构计算资源虚拟为一个逻辑单元,使用户可以像使用一台计算机一样支配这些资源,从而达到提高资源利用率的目的。通过讨论使用Globus对应用程序进行任务分解和提交,得出如下结论：对于适合分解的应用程序,可以通过在虚拟计算环境进行分解后采用并行计算来提高应用程序的执行效率,但不适合实时性较强的应用。     

基于HTN的卫星应用任务分解

HTN(Hierarchical Task Network ,层次任务网络)具有任务描述和分解、任务分派、任务完成的能力以及约束机制和冲突解决机制,可以有效地对复杂问题进行规划.通过对卫星应用的复杂任务和基本任务的定义,分析了应用任务及其要素间的层次关系,就HTN在卫星应用任务的分解进行了初步探讨,指出了卫星应用任务分解的基本步骤和方法,得到卫星应用的基本任务.最后以海上移动目标的侦察监视应用任务为例,给出了应用任务分解过程和结果.     

基于遗传算法的光电干扰任务分配模型

 为评估光电干扰目标的威胁度,选取了目标的类型、速度、高度、距离、角度和目标的航路捷径等指标,构建了干扰任务分配模型,应用遗传算法对分配任务模型进行了求解,并通过实例验证方法的可行性。     

基于遗传模拟退火算法的任务分配与调度

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。结合遗传算法GA和模拟退火算法SA的优点,提出了一种全局遗传模拟退火算法GGSAA,并将算法应用于网格计算任务调度问题的求解之中。最后给出了GGSAA算法的仿真结果。