基于资源融合的网格任务调度模型与算法

讨论了网格资源计算能力和网络通信速度异构的树型计算网格环境下独立任务的调度问题,为单层树型网格计算环境下的任务调度问题建立了整数线性规划模型,并采用资源融合方法将多层树型网格计算环境下的任务调度问题转化为单层树型网格计算环境下的任务调度问题,建立了相应的数学模型.基于所提出的模型构造了两个任务分配启发式算法OPCH和OPBH.实验结果表明,在异构的树型计算网格环境下实现独立任务调度时,文中提出的算法比FCFS、Min-min算法具有更好的性能.     

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。     

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。     

云计算资源优化问题求解的萤火虫算法

为了提高云计算资源利用率,结合云计算资源优化问题的特点,设计一种云计算资源优化问题求解的萤火虫算法.首先建立云计算资源负载调度问题的约束条件,以用户任务完成时间最少作为云计算资源负载调度优化的目标函数;然后通过萤火虫算法找到目标函数值最优的资源调度策略;最后在CloudSim平台上实现云计算资源负载调度仿真实验.实验结果表明,萤火虫算法减少了云计算任务完成的时间,均衡了云计算资源的负载,使云计算资源得到合理分配,且比其他算法优势明显.     

二进制自适应步长萤火虫优化算法

基本萤火虫优化算法(GSO)存在着易陷入局部最优、后期收敛速度慢和适应函数值震荡等缺陷,引起这些问题的一大原因是算法中设置的固定移动步长。而在一些自适应步长萤火虫优化算法(AGSO)中,算法收敛精度和速度虽较基本萤火虫算法有所优化,但其迭代过程中出现的不稳定性仍需改进。为此,设计了二进制自适应步长萤火虫优化算法(BAGSO),此算法将移动步长转换为各萤火虫位置编码之间的码距,使萤火虫的收敛方向更具全局性,不易陷入局部最优,且进一步提高了收敛精度和稳定性。通过标准测试函数测试,表明在3种算法中BAGSO算法于各性能指标上通常是最优的。     

网格环境下的静态启发式任务调度算法

针对网格环境中,任务调度的目标系统通常为任意连接的网络,程序大多数为密集型的并行分布式应用程序,提出了一个新的基于复制的启发式任务调度算法,该算法减少了任务在执行过程中重复查找最佳处理器的时间花费,可以同时执行多个应用程序,缩短了应用程序总的执行时间,并且平衡了处理器间的负载。实验结果表明:该算法能很好地符合网格的复杂环境,也能够更好地满足不同用户的实际需要。     

采用遗传-谐振算法求解网格依赖任务安全调度问题

针对异构网格环境下任务调度面临的安全性问题,考虑网格节点的系统安全控制策略与历史行为表现,构建了网格节点安全评估模型,并在此基础上提出了一种安全可信的网格依赖任务调度优化模型。为求解该模型,结合遗传算法全局寻优能力较强的特性,同时克服其局部寻优不足的缺点,引入谐振算法,从而设计了一种新的遗传-谐振算法(GASHO)。首先,针对DAG任务图基于启发式思想设计遗传进化算子和量子谐振算子等操作以产生任务调度优先队列,解决离散解非法的问题;然后,采用安全约束下的最早完成时间算子操作实现任务集到网格节点的映射,提高算法收敛效率;最后,对算法的时间复杂度和收敛性进行分析证明。仿真实验结果表明,在同等条件下与同类算法相比,GASHO算法在收敛性、调度长度、安全效益值等方面具有明显的优势。     

基于动态任务优先级的网格任务调度算法研究

网格环境下的任务调度是一个NP完全问题.为了确保每一步都能优先调度影响调度长度最大的就绪任务,提出一种采用动态任务优先级策略的任务调度算法.在进行任务调度的过程中,通过动态计算任务图DAG的关键路径并有效地利用处理器的空闲时间段来复制任务,使任务节点之间的通信开销尽可能降低,进而缩短整个任务图的完成时间.大量的模拟实验结果表明,所提的算法在任务完成时间上明显优于HEFT算法和DDS算法.     

求解布局问题的混合萤火虫群优化算法

为了充分发挥萤火虫算法的优点,将人工萤火虫群优化算法与启发式策略相结合,设计了一个新的求解布局问题的高效萤火虫优化算法.实例测试和实验对比结果表明:相对于已有文献中的算法,提出的混合布局方法更加有效.     

基于改进萤火虫算法的云计算任务调度策略

针对云计算中任务调度效率低引起的资源利用不平衡问题,提出一种基于改进萤火虫算法的虚拟机任务调度策略,该策略首先构建云计算资源负载平衡优化问题的约束条件,采取最小用户任务完成时间作为资源优化的目标函数;其次通过改进的萤火虫算法优化资源搜索路径,优化云服务器中多个虚拟机之间的任务负载平衡,通过提高云服务器的响应效率达到缩短...     

改进的粒子群优化算法在云计算任务调度中的应用

针对粒子群优化算法在求解云计算任务调度问题中存在的收敛速度慢、精度低、易陷入局部极值等缺陷,综合考虑最大完成时间最少、任务执行总时间最优两个优化目标,提出一种多策略融合的粒子群优化(multi-strategy particle swarm optimization, MSPSO)算法,并将其应用于求解云计算任务调度问题。该算法融合模拟退火算法、饥饿游戏搜索和双重变异限制策略。首先,通过模拟退火算法动态更新惯性权重,平衡粒子群优化算法的全局搜索和局部搜索,帮助粒子跳出局部极值。其次,引入饥饿游戏搜索算法优化粒子位置更新策略,在算法后期加快粒子收敛速度,提高结果精度。最后,采用双重变异限制策略,同时限制粒子速度和位置,避免粒子发生越界。与其他3种粒子群优化算法进行对比实验,在适应度平均值、最小值、标准差3个方面,MSPSO都有更好的表现。通过仿真,在求解不同任务量的云计算任务调度问题中,MSPSO在总成本、适应度值最小化两方面均表现出明显优势。尤其当任务量为40时,MSPSO总成本比其他算法分别降低了14.4%、15.3%、11.2%,适应度值分别降低了10.5%、10.6%、7.6%,...     

求解奇异非线性方程组的粒子群优化算法

奇异非线性方程组是一类十分重要也比较困难的问题,基于粒子群优化算法提出了一种求解奇异非线性方程组的新方法.先把奇异非线性方程组转化为无约束优化问题,然后与人工智能算法相结合,利用标准粒子群优化算法求解.此算法不但不受方程组的连续性、光滑性的限制,而且避免了大量的求导计算,得到了极为精确的数值解.数值仿真结果显示了算法的有效性和可行性.该方法为求解奇异非线性方程组提供了一种有效、可行的新算法,也扩大了粒子群算法的应用领域.     

基于微粒群算法的半导体炉管区调度应用研究

提出了用微粒群算法来解决半导体炉管区的调度问题.给出了算法的具体过程及参数设置方案.实例计算的结果表明,该算法是解决半导体炉管区调度问题可行且高效的方法.     

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。     

用Optorsim仿真数据网格中调度和复制优化策略

数据网格中，调度和复制优化策略的好坏直接影响网格资源的使用性能。在将优化策略应用于网格之前，通常使用仿真环境对其进行评估。本文选取网格模拟器Optorsim2．0仿真动态网格环境。仿真模型使用不同的作业调度和复制优化策略来衡量其对网格性能的影响，并根据网格性能评价指标对仿真结果进行了分析。     

遗传粒子群算法的动态计划与排程问题研究

文章针对柔性作业车间生产过程中随机出现的异常情况和频繁动态排程导致的系统振荡问题,提出了一种新的动态计划与排程方法;该方法以生产效率、设备利用率以及交货期满意程度三者综合为优化目标,采用基于事件驱动和周期驱动相结合的驱动机制,以适应生产过程中的异常情况,并提出一种改进的主、从递阶结构的遗传粒子群算法;最后,通过实例验证了该方法的有效性。     

平面选址问题的萤火虫算法

平面选址问题是工程设计、线路布置、项目选址等工作中经常碰到的典型组合优化难题,根据群集智能优化原理,给出一种基于人工萤火虫群优化算法的求解方法,并针对平面选址问题进行求解.为避免算法陷入局部极值,将一种邻域搜索的局部搜索方法引入萤火虫算法中.通过对典型平面选址问题的仿真实验和与其它算法的比较,表明算法可行有效,且具良好的全局优化能力.     

求解可重入作业车间调度问题的改进离散微粒群优化算法

本文针对可重入作业车间调度问题,对离散微粒群算法的搜索方式进行改进,混合一种变异机制,并结合Interchange邻域局部搜索机制,设计与开发有效的混合离散微粒群算法。通过实验仿真结果的比较,有力地证明了所提算法的有效性。     

基于改进型免疫遗传算法对网格中独立任务调度问题的研究

在研究现有任务调度算法的基础上,借鉴生物免疫系统原理中抗体多样性产生及保持机理,定义了基于抗体的矢量距离、亲合力及浓度相关的选择概率,这样可以在进化过程中保留优秀个体,同时抑制抗体群陷于同一极值而停止进化的早熟现象;另一方面,提出父子竞争(PCC)交叉算子和基于浓度调节机制的变异概率,提高抗体群进化速度的同时保留优秀抗体.仿真实验结果表明,算法与其它调度算法比较,更能有效地实现资源的分配,可以成功应用于网格环境下独立任务调度.     

二进制改进粒子群算法在背包问题中的应用

提出了用于求解0 1背包问题的二进制编码的粒子群算法,阐明了该算法求解背包问题的具体实现过程.为了提高粒子群算法的收敛速度,在传统的二进制编码的粒子群算法中嵌入了记忆功能.通过对其他文献中仿真实例的计算和结果比较,表明该算法在寻优能力、计算速度和稳定性方面都超过了文献中提到的遗传算法和模拟退火算法.提出的求解背包问题的二进制改进粒子群算法,同样可以应用于其他离散优化问题.