基于包簇映射的云计算资源分配策略

提出了一种基于包簇映射的云计算资源分配策略。在包、簇概念下,资源可共享,任务调度更为灵活,资源利用率更高。将多目标遗传算法与改进的蚂蚁算法动态融合,提出了一种基于成本最优的云计算资源分配算法。该算法在任务前期利用遗传算法快速随机的全局搜索能力,产生初始信息素,在任务后期通过蚂蚁算法蚂蚁间的信息交流和正反馈机制,寻找资源分配的最优解。实验结果表明,在包、簇概念下,该混合式调度算法能够显著降低云计算系统的任务完成时间和任务执行平均成本,有效减少簇结点的使用数量,提高资源利用率。     

基于k-means的量子微粒群动态聚类

k-means算法原理简单、收敛速度快,但易陷入局部最优,且须将聚类的类簇数作为先验知识,为此,引入量子微粒群与k-means算法结合,提出了一种改进的动态聚类算法。改进算法具有量子微粒群的全局搜索能力,且对每个粒子采用k-means进行优化,从而加快算法的收敛速度。通过适应度函数值的调整,算法在聚类中能够搜寻到最优类簇数,这样类簇个数和中心就不受主观因素的影响。实验表明,算法有效。     

基于蚁群优化算法的云计算资源负载均衡研究

针对云数据中心虚拟机分配物理机时存在负载不均衡的问题,提出了一种基于蚁群优化算法的资源调度算法.对问题场景进行了分析,提出了数据中心负载不均衡度以及物理机与虚拟机之间不匹配度的概念,并给出了问题的形式化描述.在蚁群算法选择概率规则中参考了用户对虚拟机资源的需求,尽量避免对相同类型虚拟机部署在一台物理机上,同时对信息素的初始化、信息素的更新进行了改进.通过CloudSim模拟平台进行仿真实验,并与其他的分配算法进行了比较,实验结果表明:该调度算法能够快速地完成虚拟机的放置,并且使云数据中心的物理机具有较低负载不均衡度,提高了资源的利用率.     

基于谱聚类的BaaS资源负载均衡调度算法

Fabric作为超级账本的核心项目,以其多通道的设计为用户提供更为隐私的交易空间,为了解决基于分布式架构下的多通道资源负载均衡问题,提出了基于NJ W谱聚类的区块链即服务(BaaS)负载均衡调度算法SC-channel.该算法将平台子节点的数量作为划分类簇数量的依据,首先,基于通道采用peer之间的Jaccard系数构造相似矩阵;其次,计算拉普拉斯矩阵,求取前k个特征值和特征向量并将特征向量单位化;最后,用基于数量加权的k-means算法完成聚类.在Kubernetes平台上对这种方法进行验证,并与采用经典k-meansi的NJW算法默认调度算法下的资源负载均衡度做了比较分析.结果表明,采用基于谱聚类的BaaS资源负载均衡调度算法可提高资源利用的均衡程度,增强了平台的可用性与可靠性.     

面向带宽保障的云中虚拟集群调度算法

在多租户的云数据中心,由于网络资源的共享,最小带宽保障已经成为保障云应用性能的重要方法之一.高效的云中虚拟网络划分能够有助于容纳更多的虚拟集群,提高数据中心资源利用率.为此面向用户的网络带宽保障需求,提出了一种基于回溯的虚拟集群调度算法.针对典型的树形数据中心网络拓扑,首先逐层判定网络拓扑中每棵子树内部是否存在调度解,随后基于回溯的算法在子树内部递归搜索具体的放置方案,从而避免已有研究中存在的假性成功分配或者错误地拒绝请求的问题.实验表明,基于回溯的精确搜索能够有助于接受更多的虚拟集群请求,相对于已有算法,请求拒绝率降低了10%,有利于提高数据中心的资源利用率.     

基于改进k-means聚类算法的车轮踏面损伤检测研究

为提高列车车轮踏面检测效率,设计了一套基于机器视觉的车轮踏面动态检测系统,分析了k-means聚类算法,通过加权欧式距离对该算法进行改进,利用聚类法具有保持最大相似性的特性,将基于加权欧式距离的k-means聚类算法用于机器视觉的图像处理。先对原始图像作图像增强、图像灰度化等预处理,再以特征聚类思想对图像作阈值分割,使图像中的各部分特征更加突出。图像处理结果显示,基于加权欧式距离k-means聚类算法的车轮踏面损伤视觉检测系统可以有效地检测出踏面损伤。     

k-means聚类算法的改进研究

聚类分析是数据挖掘的一个重要运用方法,它是一个把数据对象划分成子集的过程.k-means算法是一个基于划分且应用非常广泛的聚类算法,具有原理简单、便于理解和实现、能处理大数据集等优点.但是,该算法也存在着一些不可避免的缺点,本论述针对在多维空间k-means算法中聚类数需要事先给定以及该算法对初始中心点选取的敏感性这两方面的缺点给出了改进算法,并选取数据集对改进算法进行试验.结果表明笔者提出的改进算法比传统的k-means算法和基于最大最小距离算法的k-means聚类算法具有更高的有效性和稳定性.     

基于改进雷达图的可视化聚类方法研究

针对高维数据的聚类过程不够直观、聚类结果也不易解释的问题,本文提出了一种基于改进雷达图的交互式可视化聚类方法。首先对传统雷达图进行了改进,采用熵权法确定数据的主要特征和属性排列,在去掉非主要特征基础上采用以极径表示属性值,以属性权重确定极角的改进雷达图进行数据可视化来突出数据的主要特征;然后采用改进的k-means算法对平面上的点集进行聚类,该改进算法不需事先给定簇的个数,能够依据密度和距离对初始中心进行优化,且在聚类过程中可交互调整参数,并使用不同颜色来区分不同类别,方便观察聚类过程和结果;最后通过仿真实验表明改进的雷达图更能反应数据的分布情况,改进的聚类算法具有更高的效率和聚类准确度。     

基于聚类蚁群算法的虚拟机资源分配算法研究

深入分析云计算环境下虚拟机资源调度分配的调度结构及与之对应的调度策略和算法后,结合云计算资源分配的最新研究成果和发展趋势,研究出一种基于聚类算法和蚁群算法的虚拟机资源分配算法.该算法基于Map/Reduce框架提出,着眼于如何为众多不同的用户任务分配虚拟机节点,充分考虑云计算环境中物理机的地域差异.在一个物理机区域内寻找分配虚拟机资源时引入蚁群算法,能更好地确保用户任务的按时完成,任务执行时间跨度方面满足服务等级协议(SLA).     

基于云计算的并行k-means算法研究

针对传统k-means聚类算法面对海量数据存在时间复杂度急剧增加的问题,结合云计算的优势,提出基于MapReduce编程框架来实现k-means聚类算法的并行化处理。Map函数完成每个样本记录到聚类中心的距离计算并标记其所属聚类类别,Reduce函数汇总中间结果并计算出新的聚类中心,供下一轮迭代使用。通过实验表明:基于MapReduce的并行化k-means聚类算法具有较好的加速比和良好的扩展性。     

云计算数据中心的虚拟资源自适应供给模型

随着云计算技术的飞速发展,云计算数据中心的规模越来越大,随之而来的资源管理、运维调度、能耗开销等问题也开始日益严峻。本文对云计算数据中心的设计思路与设计结构进行了详细的介绍,先从云计算数据中心的总体结构进行分析,随后引入虚拟资源自适应供给模型概述,通过综合分析三种不同的虚拟资源供给模型优劣,提出利用多层次网络队列方法搭建虚拟资源自适应供给模型,通过综合考量模型的平均响应时间、服务器利用率、使用成本等因素,对虚拟资源进行合理的规划与调度,最终帮助云计算数据中心配置合适数量的虚拟机,做出合理的资源调度策略,力求优化数据中心的运维调度,降低能耗开销,提高能源利用效率,推动能源发展。     

Selections of data preprocessing methods and similarity metrics for gene cluster analysis

Clustering is one of the major exploratory techniques for gene expression data analysis. Only with suitable similarity metrics and when datasets are properly preprocessed, can results of high quality be obtained in cluster analysis. In this study, gene expression datasets with external evaluation criteria were preprocessed as normalization by line, normalization by column or logarithm transformation by base-2, and were subsequently clustered by hierarchical clustering, k-means clustering and self-organizing maps (SOMs) with Pearson correlation coefficient or Euclidean distance as similarity metric. Finally, the quality of clusters was evaluated by adjusted Rand index. The results illustrate that k-means clustering and SOMs have distinct advantages over hierarchical clustering in gene clustering, and SOMs are a bit better than k-means when randomly initialized. It also shows that hierarchical clustering prefers Pearson correlation coefficient as similarity metric and dataset normalized by line. Meanwhile, k-means clustering and SOMs can produce better clusters with Euclidean distance and logarithm transformed datasets. These results will afford valuable reference to the implementation of gene expression cluster analysis.     

一种用于云计算的数据容灾分配算法的改进

在云计算环境下进行数据容灾分配,可以提高云计算数据资源调度能力。传统算法采用粒子群数据聚类方法进行数据的容灾分配,数据负载均衡差,同时消耗数据任务调度的吞吐率。提出一种新的数据容灾分配改进算法。首先建立云计算环境下数据容灾分配层次结构模型,计算整个数据资源处理平台的整体响应时间,将云计算下的数据资源容灾分配优化问题转化为数据资源分配响应时间最小化问题;利用多用户QoS开销适应度运算机制和粒子群聚类算法对云计算中数据资源任务进行权衡分配,减少数据权衡调度时间,提高数据容灾备份能力。实验结果表明,采用改进算法可以提高数据容灾分配时数据的召回率和云计算数据任务权衡调度能力,在云计算信息处理中具有较好的应用价值。     

异常网络环境下云计算资源需求策略

针对常规云计算资源预测算法不能在异常网络环境下做到精准预测的难题,提出一种基于改进蚁群算法的调度策略.该策略融入了信息数的概念,既能快速均衡负载,又能保障用户在多条件下云计算的需要,合理降低能耗,提高云计算性能.实验结果表明,基于改进的蚁群调度算法提高了云计算资源利用率,降低了能量消耗,使单节点处理任务量有较大提升,极大提高了云计算的性能和服务质量.     

基于BQPSO的无线传感器网络节点调度算法

在多目标跟踪中,要求无线传感器网络在满足跟踪精度的前提下,最大限度地降低对传感器资源的使用。基于这一目的,适当选择节点避免共线度过高,并采用APIT实现精确定位,同时考虑跟踪簇总能耗设计节点调度目标函数,采用二进制量子粒子群优化算法解决传感器资源冲突问题。仿真结果表明:虽然基于BQPSO的节点调度算法比基于PSO的节点调度算法在能耗上增加了17.47%,但定位精度可以提高31.84%。算法在提高定位精度的同时最大限度地降低了对资源的使用,有效延长了无线传感器网络的工作寿命。     

基于改进k-means算法的可见光通信非线性补偿技术

可见光通信系统中,正交频分复用技术的高峰均功率比会加大发射信号产生非线性失真的概率。为了降低系统的误码率,提出了一种改进的k均值(k-means)算法的非线性补偿技术。该算法考虑了信号的传输特性,运用Dijkstra算法优化了k-means算法中初始点的选择,能够准确地找到接收信号星座图的聚类中心,避免了传统k-means算法在选择初始聚类点时陷入局部最优解。仿真结果表明,相比于传统的k-means算法,改进的k-means算法能更准确地找到非线性失真后信号的星座点位置,因此能有效地解决可见光通信系统的非线性问题,降低了系统的误码率。     

基于业务统一部署与管理的资源调度算法

针对当前资源调度算法无法满足业务多样化要求的问题,提出一种基于业务统一部署与管理的云计算资源调度算法.首先,对各业务进行分类和统一管理,根据业务变化实时调整资源需求;然后,通过业务的软约束、硬约束之间的转化以适应业务多样化要求;最后,通过仿真实验测试算法的有效性和优越性.实验结果表明,相比于其他算法,该算法大幅度提高了云计算系统资源的利用率,可以满足实际应用的要求.     

基于QK-Mean聚类的云任务调度算法

在运用聚类的思想对云资源进行分类时，资源属性的信息熵能反映资源属性在聚类过程中的重要程度。将信息熵的思想运用到K—mean聚类中，提出基于QK—mean聚类的任务调度算法，即对云资源按照属性的重要程度逐一进行K—mean聚类，把任务的调度过程转化成在资源K叉树中查找合适的“叶子”节点的过程。实验证明，该任务调度算法能够有效提高云任务调度的效率。     

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.