改进蚁群算法的云计算资源调度模型

针对当前云计算系统资源调度算法的资源利用率低、浪费严重等缺陷,提出一种基于改进蚁群算法的云计算资源调度优化模型,以获得更理想的云计算资源调度方案.首先对云计算资源调度的工作原理进行分析,建立云计算资源调度优化目标函数;然后利用蚁群优化算法模拟蚁群找到一条从起点到目的地的路径,即云计算资源调度目标函数的最优解,并结合目标函数对蚁群算法进行相应地改进;最后采用MATLAB2014R编程实现云计算资源调度优化模型.实验结果表明,该模型在短时间内可找到云计算资源调度的最优解,使资源利用率得到了改善.     

RAQPSO算法的云计算资源调度策略

在"互联网+"时代,云计算代表了一种新的商业模式,而云系统中用户任务与计算节点的调度问题极大地影响着系统的性能和云竞争力。为此,提出了一种改进的量子粒子群算法——反向自适应量子粒子群算法(RAQPSO),通过对惯性权值参数的调整和加入反向学习算子来提高算法的全局搜索能力,并将其应用于云计算资源调度中,仿真验证了算法的有效性。建立了云计算资源调度问题的模型;采用自适应机制,将适应度函数的变化程度作为惯性权值的更新因子,避免了单纯地根据迭代次数的线性函数来取值,从而使粒子不易陷入局部最优;随后加入粒子反向学习算子,加强了粒子全局搜索能力。实验结果表明,RAQPSO算法大大节约了任务完成时间,并且保持了良好的计算节点负载平衡。     

基于改进克隆选择算法的云计算集群资源调度

为了实现云计算环境下的集群资源调度和实现资源负载平衡,提出了一种基于克隆选择算法的云计算集群资源调度方法。首先,定义了以最小化执行时间跨度和负载均衡因子为目标的云计算资源调度模型。在此基础上提出了一种采用克隆选择算法对云计算环境下集群资源进行调度的方法,对抗体编码方式,抗体与抗体之间以及抗体与抗原之间的亲和度函数、免疫克隆算子、退火交叉算子以及高斯变异算子均进行了设计。并定义了采用改进的克隆选择算法进行集群资源调度的具体算法。仿真实验表明:方法能获得最优的资源调度方案,且与其它方法相比,具有较少的执行时间跨度和负载均衡因子,具有较大的优越性。     

改进混合蛙跳算法求解考虑运输时间的柔性作业车间调度问题

【目的】考虑到工件在机器间的转移,对具有运输时间的柔性作业车间调度问题进行研究。【方法】建立以最小化最大完工时间为目标的数学模型,并设计一种改进的混合蛙跳算法(Improved shuffled frog leaping algorithm,ISFLA)。在该算法中,从全局和局部的角度产生高质量的初始种群,考虑运输时间的贪婪插入解码能够合理地安排工件在机器上的加工顺序。批处理的模因组搜索方法能够充分利用模因组内其他个体信息,扰动策略可以防止算法陷入局部最优。此外,基于关键路径设计两种局部搜索策略以进一步提升解的质量。【结果】通过21组不同规模的算例进行测试,测试结果证明了ISFLA的有效性。【结论】ISFLA能够有效解决考虑运输时间的柔性作业车间调度问题。     

改进混合蛙跳算法的研究

针对传统混合蛙跳算法(SFLA)在优化过程中出现的求解精度不高、收敛速度慢、算法易陷入局部最优的问题,本文经过改变种群个体的位置更新公式,提出一种改进混合蛙跳算法(ISFLA)。在种群个体位置更新公式中,引入自适应同步因子和惯性权重系数。通过引入自适应同步因子,控制青蛙寻优过程中的移动步长,改进算法的局部搜索范围,保持种群的多样性。通过引入惯性权重系数,加入上一次的移动距离,表示对过去的经验记忆,加快搜索速度。通过对6个测试函数的实验结果表明,改进后的混合蛙跳算法相较于传统混合蛙跳算法具有较好的寻优性能。     

基于协作蛙跳算法的可重入混合流水车间调度

针对可重入混合流水车间调度问题(RHFSP),提出一种协作蛙跳算法(CSFLA),以同时最小化最大完成时间和总延迟时间．给出了模因组的解质量和进化质量评价方法,根据进化质量确定最多两对模因组,在每对的两个模因组之间执行交换搜索次数和搜索能力的动态协作,并运用动态多邻域搜索(DMNS)和自学习过程改善算法性能．运用大量实例进行仿真实验,实验结果表明：CSFLA的新策略有效,且在多目标RHFSP优化方面具有较强的优势．     

改进粒子群算法的云计算环境资源优化调度

针对云计算的资源调度问题,提出一种基于改进粒子群优化算法(Improved Particle Swarm Optimization,IPSO)的资源调度算法.对云资源调度问题进行分析,建立云资源调度的目标函数,利用PSO较快的收敛速度找到云资源调度问题的最优解,并根据每个粒子的适应度值自适应地改变每个粒子的速度权重,提高了全局寻优能力和收敛能力,同时在Cloud Sim平台对算法进行仿真实验.结果表明:IPSO算法减少了任务的平均完成时间,提高了任务处理的效率,具有很好的优化资源以及合理调度资源的能力.     

改进的混合蛙跳算法及其应用

针对混合蛙跳算法(SFLA)后期搜索速度变慢,容易陷入局部极值的缺点,提出一种改进的混合蛙跳算法(ISFLA).借鉴分子动力学模拟思想,将正态云模型云滴的随机性和稳定倾向性特点应用于比例积分微分(PID)控制器的参数整定中.ISFLA将青蛙个体等效成分子,提出一种新的分子间作用力.利用Velocity-Verlet算法和正态云发生器代替SFLA的更新策略,平衡了搜索的高效性和种群的多样性.仿真结果表明:ISFLA提高了收敛精度、收敛速度、寻优时间、稳定性和后期跳出局部极值的能力,其全局寻优能力优于SFLA;基于ISFLA整定的PID控制器具有良好的鲁棒性、优良的抗干扰性和满意的闭环控制效果.     

基于混合蛙跳算法的背包问题求解

混合蛙跳算法(SFLA)是一种全新的后启发式群体进化算法,具有高效的计算性能和优良的全局搜索能力.背包问题是一个典型的 NP完全问题.首先建立了背包问题基于 0/1规划的数学模型,阐述了混合蛙跳算法的基本理论.针对离散搜索空间,提出了SFLA的改进算法,应用该算法解决了背包问题.在实例上的运行结果表明本文方法的可行性和有效性.     

基于蚁群算法的云计算资源调度研究

本文针对云计算中资源调度问题进行了研究,提出云计算资源调度的蚁群优化算法,在算法设计中综合考虑了在云计算环境中任务完成时间和计算成本优化问题,建立数学模型,并通过cloudsim平台进行实验仿真测试。验证表明算法模型能使总任务完成时间较短、成本较小,是一种有效的资源调度算法。     

云计算下均衡负载的差异性资源调度算法优化研究

随着云计算的逐渐发展,云计算下容易出现虚拟机负载不均衡和差异性资源调度时间长的问题,当前调度算法大多无法有效解决均衡负载问题,影响调度性能。为此,提出一种新的云计算下均衡负载的差异性资源调度算法,对云计算下资源调度问题进行描述,针对云计算下虚拟机差异性资源负载问题设定参数。设计蚁群优化算法,蚂蚁爬行的每一步代表指派的一个差异性资源任务,引入挥发因子对信息素更新规则进行改进,获取全局信息素。利用蚁群优化算法对云计算下负载的差异性资源进行均衡调度,给出详细实现过程。实验结果表明,所提算法有较好的收敛性,均衡负载效果好,且时间复杂度低。     

基于改进的粒子群优化的云计算资源调度模型

针对云计算系统中多任务并发模式下引发的资源竞争,本文提出了一种基于改进的粒子群优化的云计算资源调度分配模型,以提高资源利用率.首先,对云计算系统中的资源调度问题进行形式化描述,构建以任务的总完成时间为优化对象的目标函数.其次,求解时采用粒子群优化算法,为保证收敛速度且避免粒子群在搜索过程中陷入局部最优,定义了惯性权重函数.另外,引入一个调整算子以优化位置更新.仿真结果表明,本文提出的资源调度分配模型能够有效提高云计算资源利用率,大幅减少任务的处理时间.     

面向云计算的任务调度算法研究

云计算中任务调度对云计算的整体性能有重要影响.归纳了云计算调度的特点和性能指标,指出云计算任务调度研究的主要进展.从传统任务调度算法、Hadoop中的任务调度算法、智能化的任务调度算法等方面概括、分析和比较了不同算法的算法思想、实现机制、达到的性能要求.最后,讨论了现有任务调度策略存在的问题,结合云计算面向服务的特点对云计算任务的研究进行展望.     

基于云计算的多目标服务调度算法的改进研究

在研究现有云计算服务调度算法的基础上,设计了基于QoS的分布式多目标服务调度算法。该算法兼顾用户需求和系统整体性能,依据完成时间、费用、开销和负载均衡多个参数进行服务调度,从而获得较好的调度质量。仿真实验表明该调度算法能够满足云用户的QoS要求,调节云内各种设备的负载均衡,提高云计算平台运行效率。     

云计算环境下基于热力学演化算法的任务调度与虚拟机分配算法研究

在云计算环境下的云任务调度和虚拟机分配过程建立了数学模型,并将其转换为整数编码形式的组合优化问题,并提出了一种热力学演化算法进行问题求解。算法根据整数编码形式定义了基因熵和个体能量,并引入了温度的概念,算法中提出了两种选择策略,算法利用自由能极小值原理驱动种群向最优化方向演化。实验结果表明热力学演化算法可以有效地解决云任务调度和虚拟机分配问题,可以为云环境调度问题提供依据。     

云计算下安全可控的移动弹性资源动态调度算法

当前云计算下移动弹性资源动态调度算法CPU利用率较低,且运行不稳定。为此,提出一种新的云计算下安全可控的移动弹性资源动态调度算法,把云计算下移动弹性资源的CPU平均利用率、内存负载、带宽负载以及可靠性看作移动弹性资源调度目标的约束,给出移动弹性资源的状态模型。依据遗传算法的优点,设计了一种基于蚁群算法的、安全可控的移动弹性资源动态调度算法。依据云计算下移动弹性资源动态调度特点和约束条件,利用适应度指标,对种群中个体的优良度进行描述,给出适应度函数。通过一维字符串完成对解的编码,利用轮盘赌法设置合理的阈值,获取所有染色体中选择性能较好的染色体。通过选择的实数编码完成对字符串的逆向解码,得到云计算下移动弹性资源调度的最优方案。实验结果表明,所提算法稳定性、效率和资源利用率高,迁移率低,负载均衡性好。     

基于检验点的移动云资源调度策略研究

移动云以按需付费的方式交付给用户,其服务可靠性成为了用户最为关心的性能指标之一。容错资源调度策略常用于云平台中提供服务的可靠性,其中检验点技术是云平台中容错资源调度的一种主要手段。对Web云中检验点技术的原理进行了深入分析,重点讨论了基于检验点策略的容错资源调度方法,分别对预设故障概率服从泊松分布的固定间隔周期检验点容错策略及无预设故障概率的动态间隔周期检验点容错策略进行了深入的分析,比较了不同检验点技术的特点和问题。结合移动云的工作特点,提出了移动云环境下检验点技术未来的研究点。     

云计算虚拟机群中带遗传算法的负载均衡算法

研究面向单个云的虚拟机群,以最小化任务响应时间和资源损耗代价为优化目标,提出基于遗传算法的负载均衡优化算法.所提算法实现了自适应的变异概率,并且可以根据用户任务的实际需求动态地调整系统响应时间和资源损耗在整个优化过程中所占的比重.模拟仿真结果表明,该算法不仅能够满足用户需求,而且能够获得较高的资源利用率.     

基于QoS云计算任务调度优化

由于云计算技术快速发展,为了满足日益多样化的云计算用户服务质量(QoS需求)以及提高云计算资源调度的效率,提出基于改进蚁群算法的云计算资源调度优化算法,包括建立云计算资源模型和用户QoS需求模型.为了得到更准确的结论,针对传统蚁群算法过快收敛造成的局部最优解现象,在传统的蚁群算法的基础上加入随机选择机制,时间、成本和结果有效可用性适应度因子进行了优化改良,以求得全局最优解.通过仿真实验将传统的蚁群算法、Mi n-Mi n调度算法和改进的蚁群优化算法进行比较,实验表明,改进的蚁群优化算法在调度效率、节约成本、减少任务执行时间和任务得到结果质量方面有明显的优势.     

一种混合遗传算法在云计算负载均衡中的应用研究

遗传算法(GA)被广泛用于解决科学与工程中的复杂问题,然而传统的GA在求解高维函数优化问题时存在很多限制因素,因此无法在云计算中直接应用.提出了一种多智能体与遗传算法混合的多Agent遗传算法(MAGA).首先论证了MAGA较传统GA的优越之处,然后采用MAGA建立了基于虚拟化资源管理的负载均衡模型,解决云计算中的负载均衡问题.与Min_min策略对比实验结果表明,多Agent遗传算法能够达到更加优越的负载均衡效果.