基于分布式计算的密集型多路网络流均衡调度方法

针对传统的密集型多路网络流均衡调度中,普遍存在着平均带宽利用率较低、能量消耗较大等问题。提出基于分布式计算的密集型多路网络流均衡调度方法。通过对密集型多路网络流进行分析,将网络节点跳数信息和多路网络流负载信息相结合作为网络流选择和切换的标准,获取网络流选择的决策函数。根据现阶段密集型多路网络流负载均衡状态对网络中过载链路上的数据流进行调度,利用链路粘值来获得网络数据流对调度任务的拒绝程度,减小调度对流性能的影响,实现多路网络流均衡调度。实验结果表明,所提方法平均带宽利用率较高、能量消耗较低。     

基于自适应遗传算法的混合流水车间调度研究

混合流水车间调度问题具有建模复杂性、动态多约束、计算复杂性、多目标性等特点,近些年,各种演进化算法被运用到生产调度中,特别是遗传算法的应用。本文提出了自适应遗传算法求解混合Flow-shop调度问题的方法,应用Matlab对算法进行编码,并利用实际的生产数据进行了仿真。通过仿真实验,仿真调度数据验证了自适应遗传算法用于求解大型流水车间调度的可行性和有效性。     

基于改进跟随蜂搜索过程的ABC算法

研究了一种求解作业车间调度问题的改进人工蜂群算法.在分析了蜂群算法在车间调度问题应用现状的基础上,指出了蜂群算法的优势和不足.针对蜂群算法在邻域搜索能力上的不足,利用模拟退火算法改进跟随蜂的邻域搜索过程,提高了算法搜索范围和收敛性.采用车间调度标准算例,通过仿真实验与其它算法进行比较,验证了算法的有效性和优越性.     

云计算资源调度现状分析

针对云计算系统规模大且执行任务数量多的问题,需要对其进行合理有效的资源调度。目前,云资源调度相关研究主要考虑负载均衡、能源消耗以及用户服务质量等问题,合理的云资源调度算法可以提高系统负载均衡度,改善系统资源利用率和能耗,同时也能提升用户服务质量。文章将近年来国内外研究成果进行了分类探讨,并分析了现有研究的优点及不足。     

基于层次划分行为特征状态重组的网络资源调度

用户端数量及多样性不断增加变化,原有网络资源调度算法已经不能够满足多个链路层及多个专网同时对网络资源进行调试的业务需求。实际应用中重帧丢帧的现象频出,数据传输完整性得不到保障。在WiMAX Mesh模式下,对WAN资源进行调度,提出一种基于层次划分行为状态重组的网络资源调度算法,通过调节层次的网络流量及两个层次间的距离矩阵进行数据传输,根据网络不同层次划分行为特征生成网络资源调度树,合理调度每一数据帧的微时隙数来完成网络资源由上级转发至下级的传输。仿真实验表明,基于层次划分行为特征状态重组的网络资源调度算法能够最优化网络资源,解决传统方法的弊端,完善了网络资源调度算法并提高网络资源利用率。     

车间调度问题的一种基于遗传算法的混合调度算法

针对车间调度问题,提出一种基于遗传算法的混合调度算法。该算法主要有两部分组成:遗传算法和操作加工时间分配算法。在遗传算法中,采用基于工件操作的符号编码,对于其中违反操作约束的个体,提出了一种基因调整方法。通过遗传算法确定出所有工件操作的调度次序。在该次序基础上,采用一种基于启发式的操作加工时间分配算法为每个工件的每个操作分配时间。仿真结果表明,该算法能达到较好的调度结果。     

基于并行遗传算法的车间调度问题求解

本文首先引入了车间调度问题的数学模型,并讨论了调度策略的设计,在此基础上提出了解决问题的设计思路,并给出了并行遗传算法的实现步骤,最后对本文解决问题的算法进行了实验结果分析,表明此算法可以得到较好的解.     

基于改进多时隙散点算法的大数据任务调度

针对当前大数据任务的调度管理,传统的调度处理方法采用随机调度机制,从单个节点的性能出发,无法达到全局最优化的效果。提出基于改进多时隙散点算法的大数据任务调度管理方法,为了克服多时隙调度算法的缺点,运用多时隙调度算法时,引入了一个管理因子,对系统节点进行数据调度任务分配,根据分配的任务进行评价和估计,并且不断更新实时任务,追求最优性能,最终达到全局最优化。最后通过一组20节点数据进行测试实验,结果显示,采用改进的多时隙大数据任务调度管理算法,相对于传统调度方法,系统整体效率提高了平均约28%,具有很好的应用价值。     

改进的云资源调度自相关匹配数据融合算法

提出一种基于自相关匹配滤波和云间相似程度特征提取的云资源调度数据融合算法。设计了基于云资源调度的云计算海量数据处理平台,构建数据融合预处理模型,在云资源调度系统中,设计自相关匹配滤波器,得到融合特征分簇重构空间,对特征进行模式匹配,得到后置处理滤波器的系统函数,实现了对云资源调度自相关匹配数据融合算法的改进。仿真实验表明,该算法能高精度、高平稳地实现云资源调度数据的融合,对云滴数的要求极低,数据处理效果较好,云资源调度执行任务数、云资源调度总任务完成时间、用户满意度等指标优于传统方法,展示了较好的应用价值。     

基于反向最近邻查询的智能交通调度模型

智能交通调度模型设计是保障交通网络畅通的关键。传统的基于PID控制律的智能交通调度模型存在抗毁性和鲁棒性不好的问题。提出基于反向最近邻查询改进方法的智能交通调度模型,引入跟随蜂搜索蜜源算子,基于反向最近邻查询改进方法,建立一种基于粗糙集理论的前馈补偿动态博弈数学模型,提取制约交通拥堵的车辆密度、不同车道内的车辆加权平局速度等信息特征,作为PID路网系统的输出,克服实体无规则增长导致调度控制精度不高的问题。采用基于蜂群算法的反向最近邻查询改进方法交通信息特征提取,实现智能调度算法和控制模型的改进。仿真实验得出,采用该智能交通调度模型,可以有效提高车辆通行吞吐量,缩短路阻时间,保证了车辆畅通运行。     

基于ARM9的嵌入式控制操作系统调度算法分析与改进的研究

目的:对嵌入式操作系统的调度算法进行分析和改进。方法:应用改进EMS调度算法和EDF调度算法。结果:系统资源利用率得到提高,并且可以充分发挥系统性能,提高系统处理任务的吞吐量,缩短任务全部完成所需时间。结论:用尽可能小的花销来满足尽可能大的需求,从使用上来说,就是降低了单位应用成本,这无疑也有着重要的经济意义。因此,可以说改进RMS算法和EDF算法在提升嵌入式操作系统性能方面,做到了有所兼顾,有些方面还做到了最优。     

一种改进的数据网格资源调度技术研究

研究了网格资源调度技术。针对网格任务的瞬变性、随机性等特点,提出了一种改进的网格资源调度算法。由于数据网格任务数量庞大,本文采用了并行遗传算法优化网格资源调度。实验结果表明,提出的改进的算法能够对大规模的数据网格任务进行有效调度,是一种有效的方法。     

改进蚁群算法在车间作业调度问题中的应用

Job Shop问题是与实际生产相关的多约束组合优化问题,具有约束较多,计算量大的特点,一直以来是研究的热点。应用改进型蚁群算法解决车间作业调度问题。在原有标准蚁群算法的基础上采用了新的信息素更新规则,提高了算法的效率和可用性。实验结果表明算法对解决小规模Job Shop问题有很好的性能。     

多服务器环境下网络调度模型仿真分析

多服务器环境下网络具有随机性和异构性,导致传统方法由于算法收敛效率低、易出现局部最优等弊端,大大降低网络调度的效率,无法有效完成网络调度,提出一种基于重复博弈算法的多服务器环境下网络调度方法,塑造多服务器环境下网络调度模型,依据网络调度模型以及博弈论原理,通过最优反应函数对多服务器环境下网络进行调度,将其转换成目标规划问题,采用混沌粒子群优化算法对目标规划问题进行求解,从而有效完成多服务器环境下的网络调度。实验结果说明,所提的网络调度方案可提高网络调度的速度以及效率,能够有效处理多服务器环境下网络任务调度过程中出现的问题。     

一种交通调度平台大规模拥堵优化调控算法

传统车辆调度模型针对复杂的路况和复杂的车辆流动信息,存在调度时间长、难以提供实时调度时间的缺点,从而造成模型中前后级调度信号失联、调度算法冲突,效率不高的问题.本文提出一种改进遗传算法交通调度平台大规模拥堵优化调度方案.通过对算法编码过程进行合理的优化,加入针对多调度中心的约束条件防止算法陷入早熟,通过不同的分析角度,分别建立的回路形式和时间优化控制形式对车辆进行合理的调度.仿真结果显示,改进后的算法有效地降低了车辆平均延误时间,提高了交通运行效率.     

并行同构系统中任务调度冗余消除方法研究

并行分布式计算机系统中的多任务调度是一个NP完全问题。大多数基于复制的启发式调度算法复制当前节点前驱节点时会产生冗余副本。在CPFD/SD算法的基础上提出一种新的消除冗余副本（ERD）的方法,算法在调度的过程中记录下每个节点所使用数据的来源和产生结果的去向,调度完成后利用记录下的信息自底向上地消除冗余的副本节点。算法分析结果表明,这种算法可以有效减少现有的基于复制的任务调度算法的副本数量和处理机的使用数量。     

并行技术领域中调度算法研究

主要对同构和异构环境下的并行任务调度算法进行分类,对任务调度模型以及调度算法进行阐述并列表比对;对分布式任务调度,介绍了两种算法--全局动态调度ADS算法和上次优先调度LFS算法,最后指出设计合理并行任务调度算法的重要性.     

一个无等待流水车间调度启发式算法

提出一个求解以总完工时间最小为目标函数的无等待流水车间调度启发式算法:采用一个经典的全局任务插入算法构造初始解,应用局部搜索方法对其进行改进。通过4000个不同规模实例将提出算法与目前求解该问题最好的几个算法从性能和计算时间方面进行了全面比较,实验结果表明:提出算法的性能是目前最好的,多项式复杂度的计算时间适合实际生产需求。     

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。     

三时隙分布式电力调度时分多址自动化控制

提出一种智能分布式电力调度系统的协同调度方法,采用三类时隙,即前导时隙、若干中断时隙和大量分配时隙分布式管理的思想,采用高效时分多址协议对每个电网节点的耗电信息进行收集,然后采用协调调度,综合考虑整个电网的负载能力,对每个节点的供电进行智能化的分配,并且采用反馈系统不断调整,达到最优供电状态;采用一组节点进行实际的供电管理实验,结果显示,分布式协同调度算法能够更加高效的调度系统电力,相同载荷情况下,平均效率高出约15%,在电力管理系统中具有广泛应用的价值。