云计算仿真平台CloudSim在资源分配研究中的应用

针对云计算环境的复杂性和资源分配的不确定性,评价云资源的调度分配策略、应用的工作负载都很难实现,墨尔本大学的学者提出的云计算仿真平台CloudSim,可以实现云计算系统的模拟和实验。对ClouSim的体系结构、开发流程进行了研究,在ClouSim平台下实现了云计算资源分配Min-Min算法的仿真,并将仿真结果与RoundRobin算法进行比较。结果表明,Min-Min算法的任务最短执行时间和负载平衡性能均优于RoundRobin算法。     

改进遗传算法在云计算任务调度中的应用

云计算由于其前景广阔而日益受到人们关注。通过云计算,硬件、软件和平台都能以服务的形式按用户需求提供给使用者。因而对于云计算的提供者而言,一个重要的课题就是如何调度任务,即按照用户的请求分配资源,以保证在用户限定的时间内尽快执行完任务。通过对Min Min算法、Max Min算法、遗传算法的研究,提出一种改进的遗传算法,将Min Min算法、Max Min算法融入遗传算法中,从而提高资源使用效率。     

基于模拟退火算法的云计算资源调度模型

针对云计算平台的特征,提出基于模拟退火算法建立云计算资源调度模型。模拟退火算法在保证用户公平性的前提下,以缩短总任务的完成时间及提高用户满意度为目标。通过仿真实验,在相同硬件环境下对比分析模拟退火算法与传统遗传算法的资源调度性能。结果表明,模拟退火算法在收敛速度和用户满意度方面均优于传统遗传算法,更加适应云计算环境。     

基于混合算法的汽车零部件物流配送路径优化

针对汽车零部件供应物流,建立循环取货配送路径优化模型,将遗传算法与Max-Min蚁群算法融合,采用遗传算法生成初始信息素分布,利用Max-Min蚁群算法求精确解,并通过实例验证。结果表明,混合算法对于解决供应商数量多、带时间窗限制与碳排放限制的配送路径优化问题,可有效降低车辆取货频次和提高车辆装载率。     

云计算环境中优化混合遗传算法的资源调度研究

将云计算传统的遗传算法应用到任务调度中,存在迭代次数多、资源利用率低、执行时间长等问题。因此,提出贪心算法来初始化种群,以避免随机初始化种群时基因的低表现性,并且引进精英因子到传统遗传算法中以优化收敛速度。设计出双适应度函数,兼顾考虑用户对执行时间和带宽的要求,通过采用可适应交叉和变异方法,提升算法的全局收敛能力。仿真实验结果表明,在云计算的任务调度中使用优化混合遗传算法能更加有效地解决资源调度问题。     

云计算环境下基于蚁群优化算法的资源调度策略

云计算是当前国内外企业与研究机构研究的重点,是下一代网络应用的新兴与主流技术。资源调度作为云计算中的关键问题,研究怎样将用户提交的任务合理地分配给各个计算节点同时能够兼顾计算结节的动态扩展性。本文提出运用蚁群优化算法进行资源调度,综合考虑任务完成时间和计算成本优化问题,建立数学模型,是一种有效的资源调度算法。     

面向云雾计算的实时任务调度算法的设计及分析

相比于云计算,雾计算通过将计算、存储和网络服务靠近物联网设备,满足了时延和响应时间要求。为此,提出基于模糊逻辑的实时任务调度（fuzzy logic-based real-time task scheduling,FLTS）算法。先利用模糊逻辑算法合理地给云层和雾层分配任务,当雾层执行任务时,就依据任务对计算、存储和带宽要求以及任务的截止日期、数据尺寸,选择最适宜的虚拟机处理任务。仿真结果表明,相比于同类算法,提出的FLTS算法提升了执行任务的成功率、完成时间以及平均周转时间等性能。     

云环境下基于蚁群算法的动态容错技术研究

云计算环境下信息处理会产生海量而又至关重要的中间数据,服务器如果失效会导致中间数据丢失。可靠性保障能力不足不仅是云计算应用推广的主要障碍,而且还促使云计算环境下的容错技术研究成为一个亟待解决的问题。针对目前云计算环境下容错效率低、计算资源浪费等问题,提出基于蚁群算法的动态容错技术,利用任务重新提交、检查点技术和资源执行历史记录等方法,减少任务执行和处理时间,提高云计算成功率。实验结果表明,该技术改进了任务重新提交、检查点和扩展信息素更新公式,在任务分配和重新提交过程中,明显缩短了任务平均执行时间,提高了执行成功率。     

基于绿色云计算的能耗优化与资源分配研究

任务调度和资源分配是云计算的两大关键技术,资源分配决定着资源使用规则,关系到云计算的执行效率和并发处理能力。针对绿色云计算中的资源管理与调度过程,在Map Reduce调度模型基础上,设计一种并行Map Reduce资源分配算法。实验结果表明,该算法在能耗优化和执行时间方面都优于Map Reduce算法。     

云环境下结合改进粒子群优化与检查点技术的容错调度算法

云计算环境中任务执行容易受资源故障影响,导致调度效率与成功率降低。针对该问题,提出一种结合改进粒子群优化与检查点技术的容错调度算法。通过改进粒子群优化算法进行全局搜索,寻找粒子群最优解,以保证任务获取最优资源,减少调度复杂度;同时通过设置检查点,使失效任务从检查点继续执行,实现任务动态恢复,提高调度可靠性。仿真实验表明,与传统算法相比,当任务数量不断增加时该算法可提高任务执行成功率,缩短任务执行时间。     

用遗传神经网络混合算法求解可变加工时间Job-shop调度问题

有效地混合了遗传算法和基于约束满足的自适应神经网络算法,对于一类加工时间可变的调度问题进行了研究.遗传算法被用来进行迭代寻优.当前代经交叉和变异后生成的染色体对应非可行解,由自适应神经网络运算后得到可行解,对应的染色体作为新一代染色体.本算例的目标函数是基于任务的提前/拖期惩罚、附加惩罚以及加工时间的偏离量惩罚,目标是确定最优加工时间和最优加工顺序极小化目标函数,并与一般的遗传算法相比较,实验结果说明了遗传/自适应神经网络算法混合算法的有效性.     

基于遗传算法的云计算任务分配

任务调度的高效性是云计算中要解决的重要问题.已有的适用于分配任务的遗传算法易陷入局部最优这一缺陷,本文对遗传算法进行改进,用于保证云服务的质量.该算法引入双精英策略思想,从而减少产生局部最优解的可能,最后通过仿真实现.结果表明,该方法是一种有效的任务调度算法,减少了处理请求任务的平均完成时间.     

改进遗传算法在云计算资源优化调度中的应用

在大量用户请求云计算资源服务时,如何合理组织资源和任务调度是云计算的关键技术之一。如果分配调度方法不合理,就可能产生用户需求得不到满足和资源使用不均衡等问题。在传统遗传算法基础上,将模拟退火算法与遗传算法相融合,扩大遗传算法的搜索领域,解决遗传算法早熟收敛现象,使云资源分配更加合理,以提高云资源利用率。在CloudSim平台上进行仿真,结果表明该方式能较好地对云计算资源进行分配,在能耗、带宽等约束条件下达到云资源最优调度的目的。     

遗传算法在云任务调度中的应用

云任务调度的目的是快速找到全局最优解.将多个云任务合理的分配给有限的资源上,使得整个任务的完成时间较短.文中主要介绍了遗传算法在云任务调度中的应用.通过仿真实验分析了采用精英策略的遗传算法和没有采用精英策略的遗传算法在云任务调度中的不同.     

一种移动云计算计算卸载算法及其仿真研究

移动云计算可以通过将计算任务从资源受限的移动设备卸载至云端以增强移动设备的计算能力,而如何实现约束条件下的能效计算卸载机制是当前的主要挑战。针对以降低移动设备能耗和应用完成时间为目标,将移动云计算的卸载问题形式化为博弈问题,提出一种分布式计算卸载博弈算法。分析了博弈的结构属性,证明了博弈算法在同质和异质无线访问情形下均能产生Nash均衡解,量化了算法在集中式最优解基础上的效率。数值仿真结果表明,在以能耗与完成时间衡量的总体能效代价性能上,新算法是有效可行的,在计算规模增大时依然拥有良好性能。     

一种基于资源可靠性的网格资源调度

在借鉴已有的考虑任务按时完成率对资源可靠性影响的基础上,提出了增加考虑任务被执行所需实际时间比任务预期完成时间提前或超出的程度所影响的资源可靠性量度模型,并运用该模型对资源的可靠性值进行评价,从而在网格资源调度中实现了网格资源的动态调度。模拟实验表明,通过增加考虑任务被执行所花的实际时间比任务预期完成时间提前和超出的程度可以在任务按时完成率稳定的情况下,大大降低超期执行任务的超期程度,从而从总体上让用户得到可靠性程度更高的资源服务。     

基于SimGrid的网格依赖任务的Min-Min算法模拟

网格技术——被称为下一代的Internet的计算机网络技术,是近几年IT领域的一个研究热点,网格的主要目标是实现网络资源的充分共享和提供较高的计算能力。一个好的任务调度算法能够更好地发挥网格资源的作用。在网格任务调度的研究中采用一个实际的网格环境是没有必要的,而往往采用网格模拟器来完成。用SimGrid SG模拟网格环境,应用Min-Min算法思想对依赖任务实现了调度,通过对算法的模拟,验证了算法的可行性,并找出了实现算法高效的适用条件。     

云计算环境下基于遗传算法的任务调度技术研究

遗传算法是一种通过模拟自然进化过程搜索最优解的方法。目前,将遗传算法作为云计算环境下的任务调度算法已逐渐成为研究热点。云计算作为一种全新的分布式计算模式,通过网络将大量分散资源按用户所需进行分配,其实施资源分配、任务调度的技术将直接决定“云计算”性能的高低。探讨当前云计算中基于遗传算法的任务调度技术研究现状及有待解决的问题,为进一步研究指出方向。     

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。     

基于分布估计的新型手术室调度算法（英文）

为了提高手术室的利用率、降低医院的成本、提高服务质量的水平,提出了一种基于分布估计的调度算法(EDA).首先,对问题域进行描述,以最大完成时间最小为优化目标,在考虑手术分配约束和资源能力约束的基础上,建立数学规划模型;在此基础上,建立可行调度解策略,结合手术室特有的约束条件,提出基于分布估计的手术室调度算法;最后,设计仿真实验,采用正交试验确定算法中的参数后,与遗传算法和粒子群算法进行对比,不同规模的实验结果表明该算法能够减少手术系统总完成时间,且在大规模情况下运行时间仅为5 s,说明该算法适应大规模实际情况下的手术室调度.