基于蚁群算法和蛙跳算法的云计算资源调度算法

针对云计算下的资源分配不足的问题,本文引入蚁群算法和蛙跳算法进行融合,首先提出云计算条件下的资源分配模型,其次,针对蚁群算法的信息素更新慢和算法局部收敛速度快的缺点,引入反馈因子,降低了信息素更新所带来的易产生最优解影响,在蛙跳算法中引入交叉算子和变异算子,增加算法的寻优的能力,最后对两种算法融合下的本文算法进行仿真,Cloud Sim平台表明融合后的算法提高系统处理任务的效率以及云计算资源中的合理调度。     

基于混沌策略的蝙蝠优化算法在云计算资源调度中的研究

资源调度是当前云计算研究的热点,但是云计算中的虚拟节点的资源调度存在效率低,稳定性低的问题。针对这种情况,本文首先建立云计算环境下的资源调度模型,在模型中引入了优化后的蝙蝠算法,优化中引入混沌算法中的立方映射函数,对蝙蝠的个体进行混沌优化,同时缩小了搜索空间,加快了收敛速度。通过在Cloudsim平台上仿真实验表明,该算法在性能上、资源调度效率和任务调度方面都有很大改进,有效提高了云计算系统的资源调度能力。     

一种基于混沌人工萤火虫算法的云计算资源调度优化

为提高云计算资源的利用率,保持负载平衡,提出一种基于改进混沌萤火虫算法的云计算资源调度模型。建立云计算环境下的资源调度模型,通过人工萤火虫算法个体最优与云计算节点资源分配对应起来,在萤火虫算法中引入混沌算法,通过对个体进行扰动,加快收敛速度,降低局部最优的概率。基于Cloudsim的仿真实验结果表明,该算法能有效避免资源分配的不均衡,缩短任务完成时间,提高系统的整体处理能力。     

基于资源组合预测的云计算任务调度算法

云计算资源负荷状态的动态变化,使得如何预测其变化情况,从而合理地实施任务调度,成为亟待解决的问题。针对该问题,提出一种基于资源组合预测的云计算任务调度算法。该模型采用偏最小二乘回归从各种单一模型的预测结果中提取有效成分,建立组合预测模型;再依据对资源结点的资源预测结果和最小完成时间原则实施任务调度。仿真测试结果表明,该算法具有较好的性能与负载均衡性。     

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。     

基于蚁群算法的机场除冰车辆优化调度方法研究

随着我国民航运输业的发展,民航大型机场航班起降架次增长迅速。因此需要建立基于集中除冰坪的飞机除冰系统。就机场集中除冰的实际工作情况,给出了集中飞机除冰系统中除冰车辆调度问题的数学模型,并结合蚁群算法对此问题进行了分析和探索,验证了蚁群算法在解决此类问题过程中的优势,优化了飞机集中除冰策略中的调度问题。     

云计算服务平台资源调度人工鱼群算法的随机行为优化

针对标准人工鱼群算法在云计算服务平台资源调度的应用中还存在调度时间长、负载较高等问题。本文提出了一种基于随机行为优化人工鱼群算法的云计算服务平台资源调度模型,首先通过禁忌搜索对人工鱼群行为进行优化,若发现人工鱼群状态已经在禁忌表中,并且有意识地避开这个状态,根据禁忌计算得到新的人工鱼群向量,然后对觅食行为、聚群行为等追尾行为进行自适应随机优化,最后构建云计算服务平台资源调度模型。结果表明,本文提出的基于随机行为优化人工鱼群算法的云计算服务平台资源调度模型资源调度时间更少,负载更小。     

云计算环境下改进的虚拟机资源调度算法研究

对云计算虚拟机拓扑结构的任务调度算法进行研究。首先应该提出新的虚拟机模型和任务模型,此模型的建立必须以虚拟拓扑结构作为条件,然后建立虚拟机-任务适应度评价函数FEF。在资源调度时,应该协调好虚拟机之间拓扑距离与虚拟机处理性能之间的关系。当资源分配至相应的任务时,利用FEF函数对目标虚拟机与任务之间的适应度值进行准确地计算,通过计算出的结果来选取具有最高评价值的虚拟机。实验结果表明,采用此方法可以有效减少任务集合完成的总时间,从而保证调度的性能。     

基于蚁群算法的城市公共自行车调度研究

由于城市公共自行车存在供需时空分布的不均衡性,因而进行公共自行车的调度是十分必要的。通过分析现阶段我国城市公共自行车调度方式特性,为充分满足租赁者的需求,提出了一种带模糊时间窗的城市公共自行车调度路径优化模型。以租赁点满意度最大化为目标函数,同时将基本蚁群算法进行改进后应用于求解最优调度路径模型。最后,以宁波市公共自行车区域调度为例,运用Matlab进行仿真实验,证明了该模型及求解算法的有效性和可行性。     

基于云计算资源调度的多Agent遗传算法

针对标准遗传算法在云计算资源调度的应用中往往会出现负载不均的问题,本文提出了一种基于云计算资源调度的多Agent遗传算法,首先引入蚁群算法,利用蚂蚁变换方向的影响权重对标准遗传算法的信息素关联进行优化,然后优化了原算法的信息素更新方式,最后利用小生境方法限制种群个体的繁衍,以达到种族多样化的优化。仿真试验结果表明,本文提出的基于云计算资源调度的多Agent遗传算法在CPU利用率和内存利用率上比标准遗传算法具有更优秀的性能。     

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.     

基于时间和成本的自适应云计算调度算法

资源使用一直都是研究的重点,由于云计算中需要处理的任务量与数据量都十分巨大,为了能够更好地合理分配云计算资源,有效地调度任务执行,使得用户能够在短时间和低成本中完成目标,本文提出了一种基于时间和成本的遗传算法,通过对任务完成的总时间、总成本以及任务平均时间和任务平均成本四个主要因素进行分析,构建了相应的适应度函数,改进后的算法能够有效的解决云计算的时间和成本的因素,仿真实验中通过与近年来几个较新的其他改进云计算算法相比,本文算法具有更高的调度效率。     

基于蚁群拥挤度跃阶调整的交互信息调度算法

大数据库对象交互信息调度是提高网络数据库系统结构的稳定性和吞吐量的关键,通过采用UDP协议传输实时大对象数据调度,提高大对象数据的传输性能,是避免延时和丢帧的关键。提出一种基于蚁群拥挤度跃阶调整的交互信息调度算法,根据HList返回到IC Compiler中进行任务调度,根据每个节点的时序信息,采用双阈值判决条件设计,发送方需要发送数据时,时间轴划分成各个相邻的任务匹配平滑窗口模型,构建跃阶调整的自适应信息调度模型,仿真结果表明,本文算法能有效提高交互信息调度性能,节省了任务开销,缩短交互信息调度延时,降低误码率。     

基于反馈约束改进蚁群算法的网络路由优化

通过优化网络路由,提高网络的拓扑性能,实现网络的能量平衡。传统的网络路由算法采用能量平衡环形路由算法,出现网络能耗不均衡。提出一种基于反馈约束改进蚁群算法的网络路由优化方法。采用区域分割处理办法,得到分簇路由任务概率随机分布模式下的置信概率,通过蚁群反馈约束,提高信息正确传输的概率,根据贝叶斯定理,得到路由现成路由子节点定位和扑救路径方位置信度的递归计算式,实现网络路由优化。仿真实验表明,算法能有效提高网络信息正确传输的概率,可靠性较高,几乎能达到无失真传输,随着路由跳数的增加,设计的路由算法的优势愈发明显,提高了信息传输的通信质量。     

一种求解云计算资源优化的改进蝙蝠算法

为了最大限度优化云计算资源分配中的执行速度,平均响应时间和系统利用率,提出一种基于高斯差分变异蝙蝠算法(GDMBA)的云计算资源调度优化方法。首先引入高斯差分变异改进蝙蝠算法,避免蝙蝠个体陷入局部最优,改进后的算法加快了收敛速度,提高了收敛精度,然后采用GDMBA对资源调度进行寻优。仿真实验表明,GDMBA有效提高了算法性能,在云计算的资源调度中有效优化了云计算系统中的资源调度能力,提高了云计算资源的利用率。     

云计算下的基于改进的蝙蝠算法的任务调度研究

针对云计算任务调度中存在效率低,提出了基于改进的蝙蝠算法(improved bat alogrithm,IBA)云任务调度.首先,建立了以执行时间和负载均衡的调度模型,其次在蝙蝠算法的初始化中采用混沌映射,提高了种群的多样性;在蝙蝠算法的自适应参数使用指数递减因子代替;在每一次迭代后使用量化正交交叉算子进行个体筛选.最...     

私有云计算平台上资源搜索路径匹配算法优化

对私有云计算平台上资源最优路径匹配,实现对资源的有效调度和检测,提高资源共享能力。传统算法采用云平台的资源置换算法实现云资源目标匹配,受限于机器学习技术自身的复杂性,性能不好。提出一种基于委托管理节点角色量化合成的私有云计算平台上资源最优搜索路径匹配算法。构建私有云计算平台终端数据访问和资源调度模型,根据贪心算法的收缩原则,在资源访问管理中引入互斥锁机制以保证资源共享操作的完整性,路径匹配有向图模型,提高资源路径匹配搜索能力。以全局度量为中心节点,计算逆向追踪搜索频度,实现算法优化。仿真实验结果表明,采用该算法进行私有云计算平台上资源最优路径匹配优化,能有效提高私有云平台上的资源路径匹配准确度,从而提高资源搜索成功率,实现资源优化共享,展示优越的适用价值。     

利用K均值算法改进后的蚁群优化算法对高光谱图像聚类研究

在对K均值算法和图像聚类的蚁群优化算法(ACO)进行对比分析后,本文提出了K均值ACO算法来解决K均值误分类和ACO慢聚敛的问题。K均值ACO算法将K均值的结果当成ACO的启发式信息,如此提高了ACO在蚁群寻找规则方面的光照概率和光照像素,允许蚁群根据信息素集中度而非概率来筛选节点,以致可以在不对ACO的随机搜索质量进行改变的情况下就可以完全获取到启发式信息。对模拟数据和真实数据进行验证后,K均值ACO算法证实可以改善K均值误分类的聚类精确度并提高ACO的收率速度。