网格环境下独立任务调度的混合遗传算法

提出一种新的混合遗传算法。该算法在基于传统遗传算法的基础上采用了分组和负载均衡策略。仿真实验结果表明,这种调度算法有效地实现了资源的负载均衡。它相对于传统遗传算法,收敛速度更快,能产生更好的调度结果。     

基于网格平台的实时任务调度算法

网格任务调度的目标是在最短的时间内将任务进行合理分配并实现负载均衡,最终得到实现全局的最优化调度方案.本文提出了一种兼顾任务之间的依赖关系和负载均衡的网格任务实时调度算法.首先,将网格分成若干个簇,每个簇由PC机、任务调度模块、任务控制器、数据集控制器以及数据存储器组成.簇负责接收用户提交的任务,将这些任务存放在本地任务队列中.通过对任务依赖关系的分析,将任务分配给网格的簇,并根据任务的截止期和依赖关系计算任务优先级,优先调度优先级高的任务.仿真实验表明,在Makespan和花费方面,本文算法都优于传统的Min-Min算法.     

微粒群算法在改进基于卡尔曼滤波的飞材航迹融合上的应用

微粒群优化算法（PSO）是一种有效的随机搜索方法,它由模拟鸟群的社会行为发展而来,基本思想是通过群体中个体之间的协作和信息共享来寻找最优解,其优势在于简单、容易实现并且没有许多参数的调节。将微粒群算法应用到改进基于卡尔曼滤波的航迹融合上,并进行数据仿真。实验结果表明,该方法具有较高的正确性和较强的有效性。     

基于微粒群算法的云计算资源调度策略的研究

本文在研究微粒群算法、任务分配和资源调度的基础上,结合云计算中资源动态变化的特点和模糊逻辑的相关知识,给出了一种改进的微粒群算法。通过仿真实验验证了本文改进的微粒群算法的正确性和有效性。     

云计算环境下基于遗传蚁群算法的任务调度

研究了云计算环境下的任务调度问题,通过构造云计算环境下的任务调度模型,提出了一种混合调度算法,该算法是蚁群算法与遗传算法的有机融合。其中的遗传算法采用间接编码方式,结合由遗传算法衍生出的优化解,对蚁群信息素的分布进行初始化处理,使遗传算法的快速搜索能力得到充分利用,并通过克服蚁群算法的起始信息素不足问题,加快了求解速度。云计算环境下的仿真实验结果表明,该混合算法是一种行之有效的任务调度算法。     

基于并行文化微粒群优化算法的非线性方程组解法

并行文化微粒群优化算法是一种改进的微粒群优化算法,具有较强的全局搜索能力.将非线性方程组的求解问题转化为函数优化问题,应用并行文化微粒群优化算法求解非线性方程组的解.计算中不需要使用目标函数的导数信息和初始点信息,数值实验结果表明了该算法的有效性和可行性.     

基于微粒群算法的西部地区自主创新能力综合评价研究

本文在介绍自主创新能力内涵以及自主创新能力构成的基础上,以与最优和最劣对象距离之和最小为目标,运用微粒群优化算法确定指标权重,用模糊隶属赋值方法对指标进行无量纲处理,进而对我国西部地区自主创新能力做出了模糊综合评价,验证了方法的可行性及有效性。     

网格任务调度模型的研究

网格任务调度是采用适当的调度策略把应用程序分配到异构的计算节点上进行高效的执行并返回正确结果的过程。本文研究了经典网格任务调度模型,分析了各自的优缺点,并提出了一种包含有树形全局调度模型和局部调度模型的两层结构模型,此树形全局调度模型通过负载从根节点自上而下的迁移,能够很好地实现网格系统的负载平衡。通过二叉树的节点删除算法能够很好地解决模型中节点的失效问题,因此具有很好的安全性和可靠性。     

基于一种改进的粒子群算法在云计算中的任务调度研究

针对粒子群算法在云计算任务调度中存在效率低等问题,提出在将鸡群算法引入到粒子群算法中,将粒子的分布按照鸡群算法中的公鸡,母鸡和小鸡来进行区分,同时对粒子的学习因子进行了改进,有效的避免算法陷入局部,收敛速度快的缺点,在云计算仿真平台中,将本文算法与粒子群算法,鸡群算法在虚拟机负载均衡,消耗成本和完成时间上进行对比都取得了一定的优势,说明本文算法能够有效的提高云计算任务调度效率。     

一种基于子种群带多亲体杂交的微粒群算法

文中提出了一种改进的微粒群算法XSPSO,使用子种群来决定各个个体的邻域,引入基于邻域的多亲体杂交,引导各个微粒飞向不同的山峰的同时搜索其他山峰.从实验的结果来看,该算法具有较强的搜索能力和较好稳定性,且精度较好.该算法用于多峰函数优化具有很好的效果.     

基于粒子群算法的企业项目群进度优化模型研究

通过层次分析法,计算出项目群中各项目相对于项目群进度优化总目标的权重,进而计算出不同单位约束资源的使用在项目重要性权重约束下,对项目群整体相对进度优化值的影响。引入粒子群算法,设计算法流程,构建约束资源分配模型,对目标模型进行求解,从而实现项目群整体进度的优化。通过算例验证粒子群算法在解决项目群进度优化管理的可行性和有效性。     

基于自适应变异的动态粒子群优化算法

提出了一种新的基于自适应变异的动态粒子群优化算法。该算法除了采用动态惯性权重外,还引入了自适应学习因子和新的变异算子。该算法在运行过程中,根据群体适应度方差以及当前最优解的大小来确定当前最佳粒子的变异概率,采用新的变异算子变异增强了该算法跳出局部最优解的能力。对几种典型函数的测试结果表明：新算法具有很强的全局搜索能力。收敛速度和收敛精度也有所提高,并且能有效避免早熟收敛问题。     

基于粒子群算法的危机信息网络动态配流模型

针对危机信息网络上信息传播拥塞问题,构建了危机信息流的动态配流模型,并采用粒子群算法对其进行求解.以汶川地震为背景进行算例分析,验证所研究内容的合理性和实用性.     

网格市场中基于成本计算的任务调度研究

现有网格环境中,在线调度策略主要着眼于资源的分配管理,往往以满足用户的各种资源请求为目的,而对于服务方关注不够。为增大服务方的收益,鼓励节点主动提供服务贡献资源,本文提出网格计算市场中基于成本计算的任务调度策略,根据用户提交任务的相关信息,计算接受任务的沉没成本和机会成本以决定是否接受任务,使得资源提供者和资源请求者都实现自身的经济目标,促使市场向健康稳定的方向发展。实验数据表明,该调度策略降低了服务方的成本,提高了服务方的收益,可以更有效的促使节点主动贡献自己的资源。     

智能电网视角下粒子群优化支持向量机的用电量预测

智能电网的—个重要特征是通过高精度的用电量预测进行电能智能调配,用电量信息的精确预测是电网智能化的关键指标.针对用电量数据非线性的特点,提出了一种基于粒子群优化的PSO-CV-SVR模型.该模型基于支持向量回归机原理,以粒子群算法和交叉验证的思想优化模型参数.将该模型应用于江苏省全社会用电量的预测分析,结果表明该模型优于BP-神经网络方法,提高了预测的精度.     

基于粒子群算法的自适应陷波器设计

传统的基于LMS算法的自适应陷波器,由于极易受到步长及其它参数的影响,学习曲线并不理想。文章在分析步长对基于LMS算法自适应陷波器的影响的基础上,将粒子群(PSO)算法应用到自适应陷波器的设计中。通过仿真结果显示,基于PSO算法的自适应陷波器收敛速度快、具有鲁棒性,优于传统的基于LMS的自适应陷波器,从而证明其有效性、可行性及工程价值。     

基于离散粒子群算法的多约束多目标优化

利用粒子群算法(PSO)提出了一个新的粒子编码方法,并将其用于高校排课问题。通过对某高校的排课数据进行测试,结果表明,本文所提出的改进PSO算法对于解决高校排课问题的优化是有效的,对其它多目标问题地求解也有借鉴意义。     

一种基于聚类的云计算任务调度算法

任务调度是云计算中的一个关键问题.针对 Min-Min 算法负载不平衡的缺点,引入 K-means 聚类,提出一种基于 K-means 聚类和 Min-Min 的云计算任务调度的新算法.该算法采用 K-means 聚类方法依据任务长度对任务聚类进行预处理,然后根据 Min-Min 算法的机制进行任务调度.仿真结果表明,该算法具有较好的负载均衡性和系统性能.