改进人工蜂群算法的云任务调度

针对云资源调度中任务分配效率和资源利用率低等情况,提出一种改进的人工蜂群算法.在基本人工蜂群算法基础上,将交叉机制与全局最优引导的人工蜂群算法相结合,增强人工蜂群算法中蜂群对蜜源的开发能力,同时保持探索能力.在观察蜂选择策略中,引入灵敏度的概念.灵敏度通过配合蜜源信息素而让观察蜂选择蜜源,增加种群的多样性,避免算法陷入...     

一种基于改进人工鱼群的云计算任务调度算法

为提高云计算任务调度的效率,减少系统执行任务的最大完工时间以及成本,本文提出一种改进的人工鱼群任务调度算法(improved artificial fish swarm algorithm, IAFSA).首先,将反向学习策略应用于种群初始化和鱼群的行为选择中,以提高改进人工鱼群算法在迭代中的收敛速度和种群多样性.其次,将自适应全局-局部记忆机制引入到标准AFSA算法的觅食行为中,以进一步提高勘探能力.最后,增加了基于平均适应度的行为选择机制,以提供更合理的行为选择,减少算法的复杂性.通过使用CloudSim平台进行实验验证,分别测试在不同任务规模下IAFSA的算法效能.实验结果表明,改进人工鱼群算法在降低系统任务最大完工时间和成本上均表现出了显著的优势.     

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.     

一种面向云计算的分态式自适应负载均衡策略

在云计算环境中,大规模并行任务的运行容易造成某些节点负载过重,进而导致整个云计算平台负载不均衡和效率低下。针对此问题,提出了一种面向云计算的分态式自适应负载均衡策略。该策略根据节点的负载度判断节点负载的状态,当节点处于轻度过载或重度过载时,自发地执行过载避免或快速均衡的方法。该策略通过动态调整节点的效益度,使轻度过载的节点能够尽量避免重度过载,重度过载的节点能够快速恢复到正常负载。实验结果表明,分态式自适应负载均衡策略能有效实现云计算系统中的负载均衡,提供高效的性能。     

基于带宽约束的云计算负载调度算法

负载调度是云计算得以大规模应用及提高服务性能的关键技术,对提高云供应商服务质量、用户满意度以及数据中心集群资源利用率等有极其重要的意义.云计算环境中,由于用户任务类型的不同,对带宽的需求也不尽相同,若不区分不同任务对不同带宽的要求,可能会造成资源的浪费,增长用户等待时间.本文对经典Min-Min算法进行改进,提出了BCLL-Min-Min算法,该算法满足带宽需求约束,并且实现相对负载均衡调度.仿真实验表明,BCLL-Min-Min算法能够适应云计算环境下任务多样性和不确定性的情况,使用该调度算法可以提高集群的吞吐率、较大改善数据中心的负载均衡性.     

云计算虚拟机群中带遗传算法的负载均衡算法

研究面向单个云的虚拟机群,以最小化任务响应时间和资源损耗代价为优化目标,提出基于遗传算法的负载均衡优化算法.所提算法实现了自适应的变异概率,并且可以根据用户任务的实际需求动态地调整系统响应时间和资源损耗在整个优化过程中所占的比重.模拟仿真结果表明,该算法不仅能够满足用户需求,而且能够获得较高的资源利用率.     

基于服务器负载状况分类的负载均衡调度算法

针对云端集群负载均衡问题和现有负载均衡算法的优缺点,提出了一种基于服务器负载状况分类的负载均衡算法.通过每阶段采集负载信息,实时掌握节点状态,停止重负载节点接收任务,降低中负载节点集合接收的负载,相应地增加轻负载节点集合的负载,以达到负载均衡效果.同时采用集合的形式很好的避免了大量负载涌入某一指标最优的节点,能够更好地实现均衡,提高系统的吞吐率.结果表明:该算法可以有效地避免云端集群负载发生倾斜,使系统在长时间的运行过程中达到动态的负载均衡.     

一种基于云计算的负载均衡技术的研究

运用云计算模型与马尔可夫过程理论,建立云计算下的负载转移,给出转移概率算法来解决节点的负载失衡问题。通过将服务封装在虚拟机中并映射到各台物理服务器上,根据虚拟化技术负载变化进行虚拟机和物理资源的重映射,从而实现整个系统的负载均衡。     

基于猫群优化算法的云计算虚拟机资源负载均衡调度

为了提高虚拟机资源调度的利用率, 实现虚拟机资源合理调度, 提出一种基于猫群优化算法的虚拟机资源调度优化方法. 首先根据虚拟机资源调度优化目标构建数学模型; 然后综合考虑最短时间与最优负载构建猫群优化算法的适应度函数, 并通过模拟猫的日常行为实现虚拟机资源调度最优方案的寻优; 最后在CloudSim平台上对该算法的有效性进行测试. 测试结果表明, 该算法能获得更优的虚拟机资源调度方案, 保证了虚拟机资源的负载均衡, 可以满足用户需求的偏好性.     

云计算下均衡负载的差异性资源调度算法优化研究

随着云计算的逐渐发展,云计算下容易出现虚拟机负载不均衡和差异性资源调度时间长的问题,当前调度算法大多无法有效解决均衡负载问题,影响调度性能。为此,提出一种新的云计算下均衡负载的差异性资源调度算法,对云计算下资源调度问题进行描述,针对云计算下虚拟机差异性资源负载问题设定参数。设计蚁群优化算法,蚂蚁爬行的每一步代表指派的一个差异性资源任务,引入挥发因子对信息素更新规则进行改进,获取全局信息素。利用蚁群优化算法对云计算下负载的差异性资源进行均衡调度,给出详细实现过程。实验结果表明,所提算法有较好的收敛性,均衡负载效果好,且时间复杂度低。     

数据云中基于启发式反向蜂群的虚拟机选择节能算法

结合数据中心中数据密集型作业的频繁读写数据特点,综合考虑CPU使用率和RAM使用率两个影响因素构建服务器能耗评价模型,并引入人工蜂群算法及启发式反向思想,将其应用于数据中心虚拟机迁移策略中的虚拟机选择环节,实现云计算中数据中心节能问题的优化.在CloudSim 3.0云计算模拟器中的仿真实验结果表明:该启发式反向蜂群虚拟机选择节能算法(ABCS)与最大最小时间(MMT)、随机选择(RS)和最小使用率(MU)3种经典虚拟机选择算法相比节能20%~25%,虚拟机迁移频率减少至5%以下.     

云计算环境下基于非均匀窗口蚁群行为的负载平衡算法

针对云计算环境下可能面临请求过载和较长响应时间的问题,在非均匀窗口蚁群行为思想的启发下,提出一种负载平衡算法。假设云环境下任何时候虚拟机都处于过载状态,即服务提供者不得不分配资源。根据该假设,对可利用的资源合理优化,优化过程中动态代理和静态代理同时进行,其中蚁群行为被用于负载平衡,通过加载资源到所有的虚拟机上来实现系统平衡。利用 CloudSim 仿真器模拟云计算环境进行实验分析,实验结果表明,与容错分簇的负载均衡感知（tolerant cluster-aware,TCLB）、基于博弈论的负载均衡算法（scheduling strategy on load balancing,SSLB）和基于蜜蜂行为的负载均衡算法（honey bee behavior inspired load balancing,HBB-LB）相比,提出的算法分别节省了37％,8％和4％的响应时间,最大完成时间也大幅度降低,整体性能有所提高。     

多态蚁群算法在计算网格负载均衡中的应用研究

研究了基于多态蚁群算法的计算网格负载均衡方法的可行性,在此基础上,分析并设计了一个基于多态蚁群算法的网格负载均衡算法,给出了算法流程图.最后通过实验仿真,验证了算法的有效性.     

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。     

一种面向流媒体云服务平台的自适应负载均衡方法

设计了一种基于云计算技术的流媒体服务平台体系结构,针对此服务平台提出了一种面向云计算资源的自适应负载均衡方法,以提高平台的资源利用率以及减少服务拒绝率.测试结果表明:此方法适用于流媒体云服务平台的负载均衡调度.     

人工蜂群算法在飞机舵机电液伺服系统的应用

针对飞机舵机电液伺服系统运行过程中存在的多余力干扰问题,提出结合改进人工蜂群算法和比例-积分-微分(proportion integration differentiation,简称PID )控制器的复合控制方法。该方法在建立系统数学模型的基础上,利用云模型和变邻域搜索对传统人工蜂群算法的选择策略和选择方式进行改进,增强算法开采能力,获得最优食物源,提高系统的加载精度和响应速度。再由PID控制器根据所得最优食物源进行控制参数在线自适应调整,提高系统的稳定性和抗干扰性。仿真结果表明：该方法能够达到飞机舵机电液伺服系统控制性能指标要求,且相较于采用传统人工蜂群算法,具有更良好的跟踪能力和多余力抑制效果,验证了该方法的可行性和有效性。     

多目标人工蜂群双聚类算法在基因表达数据中的应用研究

基于多目标优化的双聚类算法能够同时优化均方残差和尺寸等多个相互冲突的目标,更好地挖掘出均方残差较小、尺寸较大的双聚类,提出了一个多目标人工蜂群双聚类算法．该方法首先采用组信息对蜜源进行编码,然后使用2种交叉和1种变异操作分别实现算法的局部搜索和全局搜索,最后根据非劣排序和拥挤距离对外部档案进行修剪．在2套真实的基因表达数据集上进行实验,结果表明：与其他公开算法相比,多目标人工蜂群双聚类算法具有较好的收敛性和种群多样性,同时挖掘出具有显著生物意义的双聚类．     

基于改进多目标蜂群算法的Web服务组合优化方法

为解决Web服务组合优化方法中的组合多样性和服务质量的问题,在人工蜂群算法上提出改进,通过在算法中引入反向学习算子、精英引导策略和组合变异策略等操作,使得种群个体有针对性地进行更新,在保证服务组合质量的前提下,提高了服务组合的多样性.结果表明,所提算法具有良好的算法收敛性和均匀性,同时在为Web服务组合优化方面,也取得了较好的优化效果,提高了寻优精度、解的质量和收敛速度.