基于多Agent系统的粒子群遗传优化云工作流调度算法

随着大数据时代的来临,传统的工作流计算平台已经无法满足大量工作流应用的计算要求.因此,工作流应用开始由原有的基础设施转移到更加高效、可靠、廉价的云平台上.针对现有的云工作流调度算法执行时间最小化、作业最优分配以及调度算法的收敛时间问题,提出一种基于多Agent系统的粒子群遗传优化云工作流调度算法.该算法首先利用粒子的自身历史最优位置和粒子群历史最优位置优化全局最优解的搜索过程,然后将系统中每个粒子作为一个Agent,多Agent间相互竞争和协调,最后在多Agent系统中引入遗传算法,通过Agent间的信息交互进行有目标地交叉变异操作,不仅避免粒子群的盲目随机化以及陷入局部最优解,而且加速了搜索全局最优解的收敛过程.使用真实工作流数据进行模拟实验,实验结果证明该算法的有效性.     

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.     

一个面向数据密集型应用程序的网格工作流调度方案

采用网格工作流调度和数据感知调度相结合的方法,提出一个面向数据密集型应用的网格工作流调度方案.在CSF4网格元调度程序中以调度插件的形式实现了该方案,并且保证两个调度插件之间能够协同工作.实验结果表明,该方案能有效解决数据密集型网格工作流作业的调度问题,并且进一步完善了CSF4多调度插件协同工作机制.     

面向云工作流的两阶段资源调度方法

为提高云计算系统的资源利用率,优化系统性能,同时兼顾用户的服务质量(Qo S)需求约束,文中结合云计算和工作流建立了云工作流系统,给出了具有两个调度阶段的系统资源调度模型.在第1阶段中,考虑了Qo S的时间及价格约束、工作流内各个任务之间的依赖关系以及各个任务所产生的中间数据的处理,提出了改进的粒子群优化(MPSO)算法,并利用Pareto获得最优解,以提高调度效率;在第2阶段中,考虑了资源在主机上的分配情况,提出了具有负载感知的调度策略,根据系统的负载情况进行资源调度,以提高系统的资源利用率.实验结果表明:在云工作流系统的资源优化调度中,与经典的异构最早完成时间算法、单目标优化的遗传算法相比,MPSO算法的任务执行速度更快、资源利用率更高,能满足用户的Qo S需求;具有负载感知的调度策略能更有效地根据负载情况进行调度,提高任务执行的效率和资源利用率.     

基于混合微粒群算法的网格服务工作流调度

采用微粒群优化的种群搜索方式,融合了局部搜索和全局搜索,引入了模拟退火算法和遗传算法思想,利用模拟退火随机概率来避免陷入局部最优,提出了一种混合微粒群优化算法,以便更好地满足用户期望的服务质量,解决网格服务工作流调度问题.网格仿真试验结果显示:对于具有全局QoS约束条件的Web服务选择,在执行效率上混合微粒群优化算法明显优于其他混合遗传算法,可在较短时间内获得较好的解,是求解多目标网格服务工作流调度问题的有效方法.     

基于重建策略的云工作流调度算法优化

为了进一步提高算法性能,提出一种改进的蛙跳算法,并与调度方案相结合,以期为云工作流资源分配提供最优调度.通过在蛙跳算法的局部搜索中加入重建策略,提高了数据随机性,有效避免了局部最优.研究了调度方案生成算法,与改进算法相结合得到接近最优的调度.利用Java模拟器进行仿真试验,并与粒子群优化算法和传统蛙跳算法作比较.实验证明,提出的方法可以在满足最长截止时间约束的情况下,使总执行成本最小化.     

云环境下一种多维QoS约束的工作流调度算法

云计算以用户为中心按需提供服务,云环境下必须关注用户的服务质量(QoS).云计算工作流调度的QoS目标约束条件,不仅有工作流完成时间,还包括调度预算、系统的可靠性以及安全性等,多维QoS约束的工作流调度算法的研究至关重要.为此,提出一种基于生物共生演算法(symbiotic organisms search,SOS)的多维QoS约束的工作流调度算法(QoS-SOS).首先为工作流中的每个任务分配适当的优先级,将非支配解的思想融入到生物共生演算法中,从而获得分布均匀的Pareto最优解集来解决多维QoS约束的工作流调度问题.实验结果表明,QoS-SOS不仅拥有较快的收敛速度,而且有很好的寻优能力,还能够根据用户的偏好选择侧重不同的优化方案,从而适应于大规模的云环境.     

具有多种备选方案的露天矿统一运输调度优化

受客观条件限制,使得露天矿统一运输调度的优化存在多个复杂约束,需要多种备选方案的问题.提出了一种新型优化方法,该方法采用一种自适应的惩罚函数方法来处理约束,然后运用多元优化算法进行优化.该自适应惩罚函数参数少,简单高效,对问题依赖小.多元优化算法将搜索个体按其不同的功能组合成一个特殊的数据结构,利用该结构保存和共享寻优过程信息,实现搜索过程记忆,能以较大概率找到最优解,同时保留多个次优解.以某露天铁矿为工程应用实例研究,将该方法与GA、PSO-w、DMS-PSO-HS几种群智能算法的优化结果进行比较验证,结果表明本文提出的方法在露天矿统一运输调度优化中处理约束简单、高效,能够提供多种备选方案且最优解精度更高.对露天矿统一运输调度优化问题进行多个备选方案的研究具有理论依据和实际意义,采用该方法进行具有多个备选方案的露天矿统一运输调度优化是可行有效的.     

任务类型感知的无线传感器网络数据融合调度算法

针对数据融合调度能量与时延优化问题,提出一种任务类型感知的无线传感网数据融合调度算法。通过传感器节点多功率、多信道的方式,利用最大独立集思想,构建基于数据融合主干树的网络拓扑结构,从而根据调度优先级,通过近似贪婪算法实现簇内数据融合调度,同时结合稀疏系数感知任务类型,减少传输数据量,进而利用簇头节点在网络中的等级,实现簇间数据融合调度。结果表明,所提算法在减少簇头节点数据传输量,降低节点能耗的同时,缩短了数据融合时延,提高了网络寿命。     

面向交通感知数据处理业务的虚拟机调度系统

海量、实时、持续、多样的交通感知数据对承栽其处理业务的IT设施提出了更高的要求,但现有云基础设施服务中采用的虚拟机调度方案在承栽交通感知数据多处理业务时,会出现负栽倾斜、负栽不均及资源利用率不高的问题。为此,提出一种对交通感知数据处理业务敏感的虚拟机调度策略并设计了相应的调度算法,给出了系统的设计与实现,该系统可以适应计算密集和数据密集不同特征交通处理业务的承栽,同时能够实现能耗约束下的负栽平衡调度。通过基于实际交通应用场景的实验表明,该系统可在保障所承栽业务的前提下实现虚拟机的负栽均衡和优化节能。     

QoS约束的云工作流调度算法

将云计算和工作流两者结合起来,并根据用户关心的QoS中执行时间和执行费用问题,针对工作流调度策略在云环境下调度实例密集型工作流时效率不高的问题优化资源调度策略,给出云工作流调度模型,提出一种基于QoS约束的云工作流调度算法MSCWQ(modifiedschedulingalgorithmforcloudworkflowbasedonQoS).该算法利用DAG(directedacyclicgraph)进行建模,优化资源策略,保证在最晚结束时间内使整个工作流实例的执行费用尽可能小.实验结果表明,在调度实例密集型云工作流时,该算法能有效提升科学工作流的执行效率,并能减少资源的使用费用.     

移动计算环境中数据广播调度算法的研究

在移动计算机环境中,数据广播是一种发布数据的重要途径,能有效支持对具有公共访问兴趣的热点数据的访问。数据广播的一个首要问题是如何调度待广播的数据,优化数据广播的访问时间和调谐时间。通过比较数据广播的平坦调度与非平坦调度,说明多盘调度的优越性,并且提出一种基于Zipf法则的多盘调度算法。该算法具有可操作性好、性能优异、实用性强的优点,性能接近理论最优访问时间。     

带约束PSO算法的最优多带协作式频谱感知

针对无约束粒子群优化(PSO)算法在进行多带协作频谱感知时存在难以控制系统总干扰的问题，设计了一种带约束PSO算法的最优多带协作式频谱感知方法.该方法通过引入惩罚函数，将带约束条件下的优化问题转化为无约束优化问题.仿真实验结果表明，相对于无约束PSO算法，带约束PSO算法能够解决带约束的多带协作式频谱感知问题，所得最优解满足约束条件，避免造成总干扰过大.     

多vCPU环境中基于容器的科学工作流调度策略

现有科学工作流调度研究较少考虑计算资源的多道程序设计,难以同时实现有效的容器共享并优化任务并行度与资源利用率。为了解决以上难点,文章提出了一种分布式多vCPU环境中基于容器技术的分段式工作流调度策略。该策略通过分段调度方法,降低启发式算法的解空间大小,使用带遗传算子的自适应离散粒子群优化算法(ADPSOGA),在设备使用成本的约束下优化各个工作流的完成时间,并制定一种容器与设备间的动态伸缩方案,实现容器的复用并解决单个设备中任务并行时的资源争用问题。结果表明：ADPSOGA的性能优于其他同类启发式算法,并且分段调度方法与容器伸缩方案在工作流调度方面表现出良好的性能,能很好地适应因任务并行度增加所带来的影响。     

折现流多模式资源约束项目调度问题研究

针对带折现现金流的多模式资源约束项目调度问题研究,在考虑实际工程中对最终净现值产生影响的多种因素的基础上,建立以最大化现金流净现值为优化目标的非线性数学模型,提出一种改进的遗传模拟退火算法对模型进行求解.该算法利用遗传算法进行全局并行搜索,种群每个新产生的个体在交叉和变异后采用模拟退火技术进行局部串行优化,使之移动到最近的局部最优点再进入下一代迭代.采用针对活动的整数编码方式,基因的值表示活动的优先权和执行模式,每个个体对应一个满足时序约束和资源约束的项目调度方案.仿真结果表明,新算法能有效地对多模式资源约束项目调度问题做出合理调度,使项目收益最大化,并且比传统的遗传算法具有更高的求解质量和求解效率,为承包商在项目投资和进度管理上提供了定量化决策支持.     

基于任务分类思维的云计算海量资源改进调度

对云计算海量数据下的资源调度的研究过程中,进行资源调度时资源分配无法到达合理化调度,存在资源调度效率低的问题。提出分类思维的云计算海量数据资源优化调度方法。该方法引入膜计算概念,将云计算下的海量资源调度的总任务划分为多个子任务,并详细计算每个子任务的资源调度任务量。将优化调度系统内部分解为主膜和辅助膜,利用蝙蝠算法在辅助膜内进行资源分配个体寻优,并将优化后的资源分配最优个体传送到主膜间进行云计算海量数据下的资源分配优化。实验仿真证明,基于改进膜计算蝙蝠算法的云计算海量数据下的资源优化调度方法调度效率高,分配较为均衡。     

成像卫星密集任务合成方法及其调度算法

当一般卫星面临问题规模较大且任务比较密集时,传统的调度模型会出现任务排斥,造成观测效率及观测收益都较低的现象.针对该问题,提出了基于任务合成机制的多星调度算法.首先,考虑任务之间的约束条件,建立基于均值漂移的卫星任务合成算法;然后,考虑卫星资源的固存约束、能量约束,以及观测任务之间的观测时间、观测角度等约束条件,建立了基于均值漂移的多星任务合成调度问题模型;最后,结合任务合成算法及问题特点,用改进的蚁群求解算法进行求解,并设计了Insert搜索算子来提高算法的探索能力.仿真实验验证了该任务合成方法及求解算法的效率.     

图书馆数据存储中的重球最优阈值算法

对图书馆数据存储中的压缩感知问题的数值算法进行研究.将传统梯度下降法多步扩展的重球加速法与一种新的阈值技术——最优s阈值相结合,提出了用于求解压缩感知问题的两种算法：基于重球的最优s阈值算法和基于重球的最优s阈值追踪算法.证明了算法产生的迭代点序列全局收敛到压缩感知问题的一个解.     

基于马尔可夫决策过程的云平台资源调度

云计算平台可以动态地配置资源,适合基于工作流的科学计算。当前云平台的资源调度研究更多考虑运行时长和成本的最优化,而较少提到鲁棒性。本文提出了一种基于马尔可夫决策过程理论的资源调度算法,对工作流任务进行分组,按照任务的计算量和依赖关系将任务期限分配给各个任务组,在满足工作流总期限的基础上,将异构环境中的云资源分配给工作流的各个任务,通过最大化每个任务组的容忍时间使得整个工作流的鲁棒性达到最优。实验结果表明:该调度算法在异构环境中可以在任务期限和开销内提高调度的鲁棒性。     

基于具有自适应与自学习能力的粒子群优化算法的车间调度算法

针对车间调度问题, 提出一种新的基于粒子群优化和模拟退火的混合算法. 该算法将问题规模作为启发式信息, 通过对模拟退火算法引入新的邻域搜索机制--多粒度搜索, 并加入选择优化和淘汰更新机制, 提高了算法的自适应性和自学习能力, 降低了粒子群算法陷入局部最优的可能性. 实验结果表明, 该算法在最优解的求解能力上优于其他算法.