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.     

基于改进遗传算法的网格资源调度研究

网格资源调度问题是一个NP问题,遗传算法可以有效地解决这类问题。针对基本遗传算法收敛速度慢的不足,提出了一种改进的遗传算法。该算法采用资源与任务一一对应实数编码方法,更好地适应了任务调度问题的特点。实验数据证明,改进后的遗传算法即具有全局搜索能力,又具有较快的收敛速度及较好的性能。该实验达到了以实现网格任务调度的最优跨度为目标的实验目的。     

一种基于遗传算法的网格调度算法的研究

分析网格中现有的调度算法的优点以及不足,综合考虑带宽和数据传输量等因素,利用遗传算法的选择,交叉,变异特性,有效的减少任务的完成时间,同时考虑到任务可能存在的异常现象。引入重调度思想解决该问题,最后提出了一种新的适用于网格环境下的任务调度算法,并通过模拟实验进行验证。     

一种十进制自适应并行遗传算法

针对遗传算法中的早收敛现象,从增强和保持种群多样性出发,引入自适应并行遗传算子的进化策略,提出了一种十进制自适应并行遗传算法(Decimal Adaptive Parallel Genetic Algorithm).实验结果表明,该算法对多个标准测试函数都表现出较好的搜索性能.     

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.     

一种基于Qos的网格资源调度策略

网格资源的合理调度一直是网格计算中的热点问题.当前网格资源调度的一种经典算法是Min-min算法.通过介绍Min-min算法的内容和特点,找出这种算法的缺点和不足,然后在该算法的基础上提出一种基于Qos的改进算法.这种改进算法的目的是在提高资源调度效率的同时又能均衡网格资源中的负载,进一步提高资源的利用率.     

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。     

一种基于自适应遗传算法的星地协作系统中继选择策略

针对星地协作系统的多中继选择问题,提出一种基于自适应遗传算法的中继选择策略。与现有的选择一个中继节点的选择算法不同,该策略建立了为源节点选择一个或多个中继节点模型,以最大化目的端接收信噪比为优化目标。对陆地卫星移动通信系统进行分析,在源节点(卫星)到目的节点(地面终端)间采用解码前传模式,并在目的节点处进行等增益合并。仿真结果表明,同基于最大接收信噪比的中继选择策略相比,该策略下系统在目的端接收信噪比约提升8dB且具有更高的能效;与穷举搜索策略相比在保证信噪比性能的同时能带来约75%的时效提升。     

基于多Agent和遗传算法的制造网格资源调度

为了保障用户的多QoS要求,在制造网格资源调度中引入灵活健壮的协商机制和高效的资源调度算法尤显重要.为此提出基于多Agent的制造网格资源调度方法,运用合同网协议作为多Agent的协作协议并根据制造网格资源调度需求运用遗传算法作为资源优化组合的算法.综合应用多Agent开发工具JADE和遗传算法工具包JGAP进行模拟调度实验,证明了方法的有效性.     

一种基于混合模型的数据网格副本选择机制

在基于遗传算法和蚂蚁算法的副本选择策略研究的基础上,针对两种算法的优缺点,提出了基于融合算法的副本选择策略,利用遗传算法中的适应度函数初始化蚂蚁算法中的信息素分布,利用蚂蚁算法选择最优副本,即解决了遗传算法求解效率低的问题,又解决了蚂蚁算法初期信息素匮乏问题。通过对仿真结果进行分析比较,基于融合算法的副本选择策略在整个网格环境下和在单个站点都能有效减少作业运行时间,提高副本选择的速度,提高了整体性能。     

基于网格环境的自适应资源调度策略

网格计算使得大规模的网络资源共享和协作成为可能,网格环境中如何提高资源有效利用率是一个有研究价值的问题.本文提出在网格环境中,根据资源失效规律可以自适应的提供更可靠的资源节点.经测试表明,与普通资源调度策略相比较,本文提出的策略可以屏蔽掉大量失效节点,为用户动态提供更可靠的节点资源.     

基于宗族进行裂变选择的自适应遗传算法

提出了一种改进的自适应遗传算法,在选择算子中引入裂变选择的思想,避免种群中超级个体的出现,维持了种群的多样性。该算法改造了交叉算子和变异算子,提高了算法的收敛速度,避免早熟。同时,提出了在宗族中构造子代种群的思想,提高了算法的寻优效率。仿真函数优化的结果验证了该算法能有效地维持种群的多样性并迅速找到最优解。     

遗传算法解TSP问题的并行实现

遗传算法是一种概率搜索算法,其本身固有并行性。目前,人们正不断地致力于把遗传算法应用于各种并行机器上。在基于工作站机群技术上,构架了一种粗粒度并行遗传算法,并在MPI并行环境下,用4台PC机测试了一个解决TSP问题的粗粒度并行遗传算法。该并行遗传算法可以更好的保护优秀个体从而提高遗传算法的收敛性。     

基于MPI的静态并行算法库

目前并行程序设计的状况是并行软件的发展落后于并行硬件,并行软件的缺乏是发展并行计算的主要障碍。基于这种状况,本文提出了构建并行算法库的思想,并给出了一个实例,说明如何将常用算法函数封装在一个高效优化的并行库中,从而可以被复用,从此免去并行程序员复杂、低效的劳动。     

基于自适应遗传算法的网络化制造盟员选择研究

针对网络化制造中动态联盟盟员选择优化问题,分析了盟友的评价指标体系,建立了盟友选择的多目标优化模型,并在此基础上提出一种自适应遗传算法.该算法设计了自适应交叉和变异概率, 使其在遗传过程中根据适应度自动选择, 从而使群体中每个个体对环境的变化具有自适应调节能力.通过保持迭代过程的最优解, 加快了搜索速度, 并保证收敛于全局最优解.     

基于离散变量自适应遗传算法的改进

在自适应遗传算法中交叉算子和变异算子随着其适应度变化自动改变其值,从而影响遗传进化的过程,但算法在进化初期对遗传操作的效果并不明显。本文针对离散变量的特征,通过计算个体间的离散程度,判断种群的进化程度,根据不同的进化时期自适应调整交叉概率和变异概率,使得种群的交叉和变异配合进行,有效地解决了离散变量在进化初期容易陷入局部寻优的问题。实验结果表明,算法经改进后,其全局收敛的可靠性增加并加快了收敛的速度。     

基于开放式遗传算法的图像阈值选取

引入了开放式遗传算法的理论,使种群在一个开放的环境中进化,增加了种群的多样性。同时对交叉、变异操作进行了改进,避免了进化过程中种群的退化现象,从而有效克服了遗传算法的早熟问题又提高了遗传算法的收敛性能。文章以最小误差法为例,对比了本文算法和简单遗传算法在阈值处理中的性能,并用实验证明了本文算法的可行性。     

基于生成树的网格资源发现算法

利用点对点技术的覆盖网络,提出了一种基于生成树的网格资源发现算法,通过维护并匹配邻居节点的链接资源信息位图索引,能有效地解决传统网格集中式资源发现算法缺乏动态性、可伸缩性和不能扩展等问题．仿真实验数据表明,该算法在查找过程中涉及的节点数和边数都比传统算法有明显降低,整个系统的资源发现效率大大提高．