基于蚁群算法的网格资源分配与调度研究

网格环境下的资源分配与调度是一个NP难问题,蚂蚁算法是解决这类问题的有效算法.文章提出了改进的蚁群算法.该算法采用伪随机比例规则,不仅在网格计算资源完成任务后进行信息素的整体更新,还要求预分配网格计算资源时进行信息素的局部更新.模拟实验表明该算法是一种快速,有效,负载更均衡的算法.     

基于云计算环境的蚁群优化计算资源分配算法

提出一种基于蚁群优化(Ant Colony Optimization)的计算资源分配算法.分配计算资源时,首先预测潜在可用节点的计算质量,然后根据云计算环境的特点,通过分析诸如带宽占用、线路质量和响应时间等因素对分配的影响,利用蚁群优化算法得到一组最优的计算资源.通过在Gridsim环境下的仿真分析和比较,这种算法能够在满足云计算环境要求的前提下,获得比其他一些针对网格的分配算法更短的响应时间和更好的运行质量,因而更加适合于云环境.     

基于改进粒子群-蚁群融合算法的网格资源分配方法

为有效解决网格计算中的资源分配和任务调度问题,提出一种改进粒子群-蚁群融合算法.该算法通过改进的离散粒子群算法对信息进行优化调度,产生优选的调度列表,并通过该列表产生改进蚁群算法的初始信息素,有效克服了粒子群算法后期局部搜索能力差和蚁群算法前期盲目搜索的缺陷.理论分析和仿真实验表明本文算法具有较好的性能.     

一种基于蚁群算法动态均衡的网格任务调度

网格资源分配属于NP-难问题,为了更好地解决该问题,首先建立一种性能QoS优化的作业级网格任务调度模型和目标函数,并对资源和任务数进行了分析.提出了基于动态信誉度的改进蚁群算法RACO(reputation-based ACO)进行网格任务调度,RACO引入空间效率和时间效率的动态调节因子,同时采用局部和全局信息素更新策略.仿真实验表明,RACO在资源利用率、动态均衡方面优于Min-min,Max-min和ACO算法.     

网格系统中的层次化资源分配与任务调度

讨论具有大量任务数的一类应用在网格系统中的资源管理和控制问题．提出了具有层次化结构的资源分配与任务调度模型,它由任务分发器和次级调度器组成．上层的任务分发器根据任务的性质和需求,并参考下层次级调度器的执行情况,将任务分发到相应的次级调度器上;而下层次级调度器负责将分发来的任务进行实际的资源分配及调度工作．模拟分析表明随着次级调度器个数的增加,任务调度的并行性增加,但系统的优化趋势逐步减缓．在实际应用中,合理选择次级调度器个数,可在满足调度性能的同时减少设备投入．     

基于蚁群算法的无联系并行机调度问题的仿真研究

针对无联系并行机调度求解问题,引入了蚁群算法的思想.基于转移概率构建的信息素迭代模型,研究了无联系并行机调度问题的求解过程.基于Python的仿真实验结果表明:通过蚁群算法可以得到其近似解;更进一步探求了任务次序对解的影响;通过实验探索了此算法的时间性能.     

网格任务调度算法比较研究

网格任务调度是根据采集到的信息将不同的策略任务分配到其对应的资源节点上加以运行。良好的调度策略能够充分的利用系统资源并行处理能力,保证用户任务能够按期完成,对网络应用的发展具有重要意义和深远影响。首先分析了网格任务调度模型和调度策略,然后对网格任务调度算法进行了比较分析,最后给出了各种网格任务调度算法的适用范围和网格技术发展方向,为进一步研究提供参考。     

网格负载均衡策略及其蚁群优化算法

以重庆大学CampusGrid建设和加入ChinaGrid的发展规划为背景,研究了多网格环境中出现共用节点(即同时为多个网格系统服务的节点)时资源利用率下降问题,并针对该问题提出了以提高资源利用率为优化目标的负载均衡算法。主要分为问题模型建立、算法设计、以及实验评估3个部分。提出的算法能较好解决该问题,并考虑了网络通信开销对算法执行效果的影响。实验表明,提出的算法能有效防止网格中出现共用节点时资源利用率的下降,并对网格动态变化的特性具有较强的适应能力。     

网格的任务调度算法研究与分析

介绍网格计算中的任务调度技术,通过三个典型的调度模式,分析了适合各种环境下网格任务调度的基本模式。并给出几种经典的网格任务调度算法,通过对比各种算法的优缺点,指出调度问题进一步研究的方向。     

改进蚁群算法的云存储任务调度算法研究

由于云存储环境与云计算环境中不同,若直接将云计算环境中的任务调度算法移植到云存储环境中,必然会导致任务调度的效率下降。为解决此问题,提出了一种适用于云存储环境中的改进蚁群算法。改进蚁群算法能使云计算环境的任务调度算法更符合云存储的环境;同时,对于改进PSO算法在引入存在矩阵时,由于数据资源不存在而造成算法前期优化浪费引起效率低下的问题进行了有效解决。分析测试结果表明,提出的改进蚁群算法在云存储环境的任务调度算法在保障有效解的前提下能够拥有更快的收敛速度。     

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。     

基于改进蚁群算法的物流车辆调度问题研究

传统蚁群算法在求解中容易出现搜索时间长、收敛过早或停滞现象,为克服这些缺点,通过对蚁群算法进行选择策略、信息素更新等方面的改进,以加快算法的收敛速度,提高算法的搜索能力。再将改进后的蚁群算法引入物流运输车辆调度、综合车辆调度理论,对物流运输车辆的优化调度进行了探讨,对有时间窗车辆调度问题(VSPTW)探求新的求解方法,运用Matlab语言进行编程实现,应用实例对算法进行验证。实践证明,改进后的蚁群算法基本上克服了一般蚁群算法自身的不足,提高了算法的性能。     

基于蚂蚁算法的网格计算任务调度方法设计

网格环境中的资源情况和任务情况异常复杂,难以用实验测试各种资源管理和任务调度方法的有效性.文中提出一种网格仿真系统结构,并设计和实现了基于蚂蚁算法的任务调度策略,将任务调度和资源管理相结合,兼顾系统的负载平衡和QOS,取得了较理想的实验结果.     

A Hybrid Task Scheduling Algorithm in Grid

Task scheduling in Grid has been proved to be NP- complete problem. In this paper, to solve this problem, a Hybrid Task Scheduling Algorithm in Grid （HTS） has been presented, which joint the advantages of Ant Colony and Genetic Algorithm.Compared with the related work, the result shows that the HTS algorithm significantly surpasses the previous approaches in schedule length ratio and speedup.     

树型网格下独立任务的实用调度算法

讨论在节点计算能力和网络通信速度异构的树型网格下独立任务的调度问题。与最小化任务总执行时间不同（该问题被证明是NP难题[1]）,本文修正[2]中为树型网格平台任务调度问题建立的整数线性规划模型,针对多层树通过线性规划模型求解最优任务分配数的时间复杂性大（ ）的问题,引入推拉方法,将多层树线性规划求解归结为单层树求解,复杂性降低为 ,其中 ,m为树的层数, 为第j层中节点的数目最多的节点的子节点数。基于求出的近似最优任务分配数,提出一个静态分布式的启发式任务调度算法。分析和实验表明,在异构的树型网格下做大量的独立任务调度时,算法性能优于同类算法。 关键词: 任务调度; 网格计算; 线性规划; 最优任务分配; 分布式任务调度算法;     

基于蚁群模糊聚类的协同过滤推荐算法

为解决传统协同过滤算法在产生推荐时实时性较差性问题,提出了一种基于蚁群模糊聚类的协同过滤推荐算法.该算法将分两个步骤产生推荐.离线时,应用蚁群模糊聚类技术,对基本用户进行聚类;在线时,利用已有的用户蚁群聚类寻找目标用户的最近邻居,并产生推荐.实验表明,基于蚁群模糊聚类的协同过滤推荐算法能提高推荐产生的速度,即实时性得到...     

基于蚁群算法的灵巧卫星调度

灵巧卫星的出现将极大程度增加卫星对给定地面目标实施观测的可选方式和灵活度,使得灵巧卫星调度问题的高度组合特征更加突出,大大增加了卫星调度问题的复杂性和解搜索的寻优难度。分析了灵巧卫星调度问题的约束条件,建立了灵巧卫星调度的约束满足模型。提出了求解灵巧卫星调度方法的蚁群算法,对算法的状态转移规则、信息素更新规则以及安排观测窗口的规则做了详细描述;并提出了任务路径处理流程,以此产生调度方案,评价路径优劣,反馈给蚂蚁路径搜索阶段。通过实例计算,展现了灵巧卫星强大的观测能力以及方法的有效性。     

融合粒子群优化算法与蚁群算法的随机搜索算法

针对PSO算法与蚁群算法的优缺点,提出一种融合PSO算法与蚁群算法的混合随机搜索算法.该算法充分利用PSO算法的快速、全局收敛性和蚁群算法的信息素正反馈机制,达到优势互补,将这种优化方法拓展到求解连续空间问题,并通过实例来验证该算法对于单峰、多峰函数都能取得较好的优化效果.