一种应用小数编码 GA 算法的 MIMO 天线选择方法

针对多输入多输出(MIMO)技术传统遗传算法(GA)的天线选择在进行遗传运算操作时,会遇到二进制染色体编码与选择天线数不匹配的问题,提出了一种用小数编码的 GA 遗传算法用于 MIMO 天线选择,所提方法可以有效解决传统 GA 在遗传操作上的问题,并具有较低的复杂度.     

云计算环境中优化遗传算法的资源调度策略

资源调度是云计算的核心问题,传统遗传算法(GA)、Sufferage算法等都可以用于云计算环境中的资源调度,但传统遗传算法存在收敛慢、易早熟等缺点,Sufferage算法则不适用于多聚类环境的密集型任务调度.本文在充分考虑云计算环境的动态异构性和大规模任务处理特性的基础上,提出了一种基于染色体编码方式和适应度函数的改进遗传算法(IGA),并在云仿真器CloudSim上对3种算法进行了仿真.仿真结果表明,该算法在性能和服务质量QoS(Qualityof Service)方面都优于传统遗传算法和Sufferage,能更好地适用于大规模任务下的云计算环境资源调度.     

基于遗传算法的Web集群负载均衡方法

Web集群技术解决了Web服务器系统的容量问题,其核心思想是负载均衡策略和算法。在此对Web集群中的负载均衡技术进行了分析和探讨,并提出一种混合遗传算法。仿真实验表明,这种算法能有效解决Web集群的负载均衡问题,并且能避免标准遗传算法的早熟收敛现象,同传统的负载均衡方法相比,降低了任务执行时间。     

基于遗传算法的Docker集群调度策略

Docker集群技术因其轻量级、部署简单、高效等特点而成为构建云计算平台的新方案.为了提升传统Docker集群调度策略的负载均衡性能和增加多任务并发调度能力,文中提出了基于遗传算法的Docker集群调度策略.该策略将多个任务合并成一个调度组,并生成相应调度结果作为种群个体;然后结合任务负载模式、节点当前负载状态及硬件性能计算集群负载均衡值并作为个体适应度;最后利用遗传算法筛选出全局近似最优解作为调度结果.实验结果表明,文中策略与目前流行的Docker Swarm的Spread策略、权值调度策略相比,负载均衡性能和多任务调度效率均有了显著的提高.     

SDN中一种多控制器负载均衡方案

针对软件定义网络(software defined network,SDN)中控制器子域分区不合理导致的控制器负载分配不平衡、网络通信性能下降的问题,本文提出一种基于负载均衡的多控制器部署(multi-controller load balancing,MLB)方案.在初始静态网络中,提出一种基于域内和域间通信成本的负载平衡控制器部署模型,并将流量请求转换为排队模型. MLB将近邻传播(affinity propagation,AP)算法中的偏置参数和阻尼系数这两个参数作为粒子,通过粒子群优化(particle swarm optimization,PSO)算法对其进行智能调整,解决集群性能受偏置参数和阻尼系数初始值影响的问题,得到合理的网络规划.实验结果表明:与亲缘传播算法和遗传算法(genetic algorithm, GA)相比,该方案可以提供更稳定、准确和负载均衡的多控制器部署.     

云计算环境下多信道联合均衡调度算法研究

针对传统资源调度方法存在执行时间跨度大、信道接入率低、资源负载不均衡等问题,提出云计算环境下多信道联合均衡调度算法研究.根据云计算环境下多信道通信链路优化时隙和多信道资源,构建多信道链路模型,提出信道端到端可靠性最大化优化模型,将优化问题转换为多信道联合均衡调度问题.利用多信道最优跨度和负载均衡算法对均衡调度问题进行求解.结合多信道数据处理和任务执行的特性,设计最优跨度和负载均衡双适应度函数,在种群进化初始阶段和接近收敛阶段对适应度函数做适当调整,完成多信道联合均衡调度.实验结果表明,所提方法资源调度的执行时间跨度小、信道接入率高、负载均衡程度好,能满足资源传输的实时性要求.     

云系统负载均衡问题的优化求解

为了得到理想的云计算负载均衡结果,提出一种改进布谷鸟搜索算法的云计算负载均衡优化策略.分析了云计算负载均衡问题,建立了相应的数学模型,用鸟巢模拟云计算负载均衡问题的潜在解,并通过布谷鸟之间的交流和信息共享找到全局最佳鸟窝位置,即云计算负载均衡的最优方案,然后与粒子群算法进行了对比测试实验.实验结果表明,改进布谷鸟搜索算法可以得到理想的云计算负载均衡结果,提高了云计算资源的利用率,得到了比粒子群算法更优的解.     

一种应用小数编码GA算法的MIMO天线选择方法

针对多输入多输出（MIMO）技术传统遗传算法（GA）的天线选择在进行遗传运算操作时,会遇到二进制染色体编码与选择天线数不匹配的问题,提出了一种用小数编码的GA遗传算法用于MIMO天线选择,所提方法可以有效解决传统GA在遗传操作上的问题,并具有较低的复杂度。     

基于遗传算法的云仿真环境动态构建映射算法

针对传统仿真系统静态构建技术中存在的资源重用性低、部署难度高等问题,提出了一种在云仿真运行环境下基于遗传算法来求解仿真模型与虚拟机之间最优映射的算法.该算法充分考虑云仿真环境下大规模资源调度的应用背景,保持适当的染色体编码长度,优化了种群的适应度函数,提高了GA算法收敛速度和所得解的可信度.实验结果表明:本文算法相比于传统遗传算法能有效避免局部收敛,达到更好的资源负载均衡效果.     

双链式智能体遗传算法用于数值优化的研究

针对传统智能体遗传算法全局优化计算精度不够高、时间较长的不足,提出了一种改进的双链式智能体结构,并基于此设计了一种新的智能体遗传算法--双链武智能体遗传算法.该算法采用了多子群并行搜索的模式,闭合链式智能体结构和循环链武智能体结构,可实现多机并行优化,具有优化时间短、优化精度高的特点.为了验证本文算法的优越性,采用国际标准的测试函数对该算法性能进行测试,并与智能体遗传算法(MAGA)相比较.实验结果表明,该算法在全局优化精度、优化收敛速度方面均优于MAGA.     

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。     

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.     

混合蛙跳算法在云计算资源调度的策略改进

混合蛙跳算法已在云计算资源调度有所运用。针对青蛙种群初始化随机性大、局部搜索盲目、容易陷入局部最优的问题,提出了一种混合蛙跳算法在云计算资源调度的改进策略。该改进策略首先运用SY-MM算法和随机生成方式结合的方法对种群进行初始化,生成适应度较好且保持多样性的青蛙种群;然后对传统蛙跳算法局部搜索中步长公式进行改进,使得能够自适应的去更新步长,进而提升局部搜索能力。通过实验证明改进算法对于云计算中资源调度的时间和负载平衡方面有良好的优化性能。     

基于云计算的多目标服务调度算法的改进研究

在研究现有云计算服务调度算法的基础上,设计了基于QoS的分布式多目标服务调度算法。该算法兼顾用户需求和系统整体性能,依据完成时间、费用、开销和负载均衡多个参数进行服务调度,从而获得较好的调度质量。仿真实验表明该调度算法能够满足云用户的QoS要求,调节云内各种设备的负载均衡,提高云计算平台运行效率。     

基于不同分配策略的云计算任务调度性能比较与分析

形式化描述了云计算环境下的负载均衡任务调度问题,借助动态规划方法形式化推导了最早完成时间的启发式优先分配策略,给出了基于先易后难优先分配策略、先难后易优先分配策略的启发式云计算任务调度算法。阐述了基于顺序调度策略、先易后难优先分配策略、先难后易优先分配策略等启发式任务调度算法和基于禁忌搜索策略、元胞演化策略等智能任务调度算法。针对不同分配策略的云计算任务调度进行性能比较与分析,提出了完成时间可改进百分比和资源负载平衡因子的调度性能评价指标,实验数据对比充分表明:与启发式调度算法相比,智能调度算法能减少任务执行时间,优化资源负载均衡性能。     

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。     

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。     

面向用户的通用云计算平台负载均衡机制

面向用户的通用云计算平台负载均衡机制在探寻云计算平台的成本和效用的基础上,由用户根据任务粒度从质量、成本定制云及云联盟资源三方面权重。由云均衡构件发出蚂蚁群搜索云内及云间计算资源。蚁群采用优化算法搜索资源并将信息发回蚁巢,并监视各个计算资源动态变化及时均衡负载,以降低云运营商成本和用户费用,提高云及云联盟的成本效用。将该负载均衡机制应用在自主研发的云计算平台上,实验结果验证了该负载均衡机制的可行性和优越性。     

云计算下安全可控的移动弹性资源动态调度算法

当前云计算下移动弹性资源动态调度算法CPU利用率较低,且运行不稳定。为此,提出一种新的云计算下安全可控的移动弹性资源动态调度算法,把云计算下移动弹性资源的CPU平均利用率、内存负载、带宽负载以及可靠性看作移动弹性资源调度目标的约束,给出移动弹性资源的状态模型。依据遗传算法的优点,设计了一种基于蚁群算法的、安全可控的移动弹性资源动态调度算法。依据云计算下移动弹性资源动态调度特点和约束条件,利用适应度指标,对种群中个体的优良度进行描述,给出适应度函数。通过一维字符串完成对解的编码,利用轮盘赌法设置合理的阈值,获取所有染色体中选择性能较好的染色体。通过选择的实数编码完成对字符串的逆向解码,得到云计算下移动弹性资源调度的最优方案。实验结果表明,所提算法稳定性、效率和资源利用率高,迁移率低,负载均衡性好。