云计算环境下的大规模图状数据处理任务调度算法

针对云计算环境下调度算法必须考虑资源租赁成本的问题,提出一种新的基于粒子群优化的大规模图状数据处理任务调度算法(LGPPSO).首先,该算法将图状数据处理任务调度方案编码为粒子群中粒子的位置,并利用任务的调度长度和资源租赁成本建立适应度函数来评价当前粒子的优劣程度,然后重新定义粒子群的参数和相关操作,最后在算法的每一次迭代过程中,粒子不断更新自身的速度和位置,以获得任务调度的近似最优解.模拟实验结果表明:在仅以调度长度为目标时,LGPPSO算法的调度长度比异构最早完成时间任务调度算法(HEFT)平均降低约12.3%;在以调度长度和资源租赁成本为目标时,与成本感知任务调度算法(CCSH)相比,在资源租赁成本基本一致的情况下,LGPPSO算法的调度长度平均降低约9.97%.     

基于CSA和PSO的多目标优化任务调度算法

针对现有云计算环境中任务调度算法资源利用率低、完成时间长和调度成本高的问题,提出一种基于布谷鸟搜索算法(Cuckoo Search Algorithm, CSA)和粒子群优化(Particle Swarm Optimization, PSO)混合的多目标优化任务调度策略.该策略以完成时间、成本以及最后期限违反率为目标函数,将布谷鸟搜索算法和粒子群优化有效地组合来执行智能优化任务调度问题,避免调度过程中出现局部最优现象.实验结果表明:相对于其他启发式调度算法,本文提出的方法明显具有优势,可以最大程度地降低完成时间、调度成本和最后期限违反率.     

基于PSO算法的网格任务调度策略

为了合理地协调和分配网格资源,降低网格任务完成时间,有效保持网格资源负载平衡,通过分析网格任务调度的关键问题和PSO算法的优化原理,建立了网格任务调度的元任务模型和性能指标的数学模型,确定了粒子编码和解码方式,提出了一种基于局部模型PSO算法的网格任务调度策略,并在PSO算法处理粒子边界问题时,采用了"圆桌运动"的新方法。仿真实验结果表明,算法可行有效,并且改善了PSO算法易陷入局部最优的问题。     

基于粒子群优化的多处理器任务调度算法

对于NP(Non-Polynomial)完全问题,现有的算法主要是启发式算法,性能还有待提高。基于粒子群优化智能算法,提出一种新的任务调度算法,目标是在满足任务之间优先关系的条件下,使所有任务整体完成时间最小。算法将粒子位置和任务高度作为任务的优先级,通过表调度技术生成有效的调度方案,并将调度方案对应的调度长度作为粒子的适应值。首先随机产生一群粒子,然后通过使用全局模型的粒子状态更新策略不断迭代,获得可以接受的任务调度方案。仿真实验结果表明,与遗传算法相比,调度长度提高14.7%,运行时间缩短近一半,特别适合于求解规模较大的多处理器任务调度问题。     

基于遗传和粒子群结合的文化算法

针对粒子群优化(PSO)算法的"早熟"现象,给出了基于遗传和粒子群结合的文化演化算法.该算法将PSO/GA纳入文化算法框架,形成PSO的主群体空间和GA的信仰群体空间,两群体空间可以独立并行演化,并在适当的时机实现信仰群体空间对主群体空间的引导,达到改善粒子群优化算法全局搜索能力、提高计算精度的目的.仿真表明,该算法的优化性能和效率优于PSO算法、GA算法和GA-PSO混合算法.     

粒子群算法在云计算任务调度中的应用

针对云计算的任务调度问题,在传统PSO算法的基础上,提出了一种改进粒子群算法的云计算任务调度方法.首先描述了云计算任务调度的数学模型和粒子群算法的基本原理,在此基础之上,采用间接编码方式对资源进行编码,定义了适应度函数,确立粒子速度和位置的更新方法.仿真实验表明,文中的方法获得了较好的调度结果.     

改进的PSO算法在重油热解模型参数估计中的应用

针对传统的粒子群算法(PSO)在解决复杂的优化问题时易陷入局部最优这一情况,提出了一种改进的粒子群算法(EPSO),该算法在传统的粒子群算法陷入局部最优的情况下引入了单个粒子的"Hooke-Jeeves模式搜索"操作和粒子之间的"启发式交叉"操作。仿真结果表明:EPSO算法的全局搜索性能和收敛速度比传统的PSO算法有明显的提高。采用EPSO算法进行非线性参数估计所得到的重油热解模型,其预报的平均相对误差比传统的PSO算法得到的模型提高了11.98%,比遗传算法(GA)得到的模型提高了38.76%。     

求解作业车间调度问题的改进飞蛾扑火优化算法

针对作业车间调度问题,为了克服早熟收敛和容易陷入局部最优等不足,提出一种基于Lévy飞行的改进飞蛾扑火优化模型(LMFO)。首先,采用MFO算法求解作业车间调度问题,并与粒子群算法(PSO)、遗传算法(GA)进行对比研究,证明了MFO算法求解此类问题的有效性;然后,采用改进的随机键编码,引入Lévy飞行对MFO算法进行改进;最后,仿真实验表明,LMFO算法在求解作业车间调度问题时优于MFO、PSO和GA算法,能够跳出局部最优找到更好的解,且具有一定的鲁棒性。     

基于改进粒子群算法的云计算任务调度策略

云计算环境下的任务调度方法是实现其高效计算的关键步骤,文章针对目前其时间效率低下的问题提出了一种基于改进的粒子群算法的任务调度方法,利用迭代选择算子引入粒子群来完成任务调度的优化。改进的粒子群算法(Improved particle swarm optimization,IPSO),提高了算法的优化能力,尽量避免陷入局部最优,收敛的效果更好从而减少任务调度时间开销。选择CloudSim仿真平台进行模拟,实验结果表明,该改进算法具有寻优能力强、时间耗时少的优点,可用于云计算问题中复杂调度优化的研究与应用。     

一种新的优化神经网络权值算法及其应用

为克服和改进BP算法的不足,文章在分析遗传算法(GA)和粒子群优化(PSO)算法优越性与不足的基础上,提出了一种基于GA和PSO结合的算法——GA-PSO算法,用于训练神经网络权值.算法产生下一代个体时,不仅采用交叉和变异算子,而且在重新定义局部最优粒子的基础上,引入粒子群优化算法,有效地结合了遗传算法的全局收敛性能和粒子群优化算法的局部搜索能力.通过对异或问题和IRIS模式分类问题的学习,仿真结果明显好于单纯地用GA或PSO进行前向神经网络训练,能有效避免早熟收敛的同时,提高搜索精度.