基于ACO-ICA的云计算任务的调度研究

针对云计算中的任务调度的存在效率低的问题,首先分析了云计算任务调度目标,其次,对蚁群算法的信息素设置质量函数、对选择概率设置经验反馈因子进行了改进,对帝国竞争算法中的殖民地计算方式、边界值的处理都采用了新的方式,最后将两种算法进行融合,得到基于蚁群算法-帝国竞争算法的云计算任务调度算法,仿真实验中,在任务执行时间,执行成本和负载率方面,本文算法都具有一定的优越性。     

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。     

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。     

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。     

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。     

基于云计算的“用户期待”任务调度算法的研究

文章在云计算提供的各项服务质量基础上,提出了云计算任务调度的用户期待函数,并根据用户期待函数和服务质量的任务分类,提出了用户期待函数的任务调度算法,最后在云计算仿真平台CloudSim上进行仿真实验与分析。实验结果表明,该任务调度算法在调度时间、可靠性与费用等方面具有一定的优势。     

粒子群优化算法及在电力系统中的应用

粒子群优化PSO(Particle Swarm Optimization)算法是一种有效的全局优化技术,PSO算法通过粒子间的相互作用在复杂搜索空间中寻求最优区域。PSO的优势在于算法简单,容易实现。从研究PSO算法及其在电力系统中的无功优化、最优潮流计算、电网扩展规划、机组优化组合、经济负荷分配等方面的应用现状出发,对其研究发展方向作了展望。     

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。     

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.     

基于优化的帝国算法的云计算任务调度

针对云计算任务调度效率低的问题,将改进后的帝国算法用于云计算任务调度。首先提出了一种基于时间、成本和能耗的任务调度模型;其次在帝国算法的种群中采用Logistic映射进行初始化、优化了算法因子、引入蛙跳算法降低了帝国算法陷入局部最优;最后,在仿真实验中通过与基本帝国算法,蛙跳算法在小任务和大任务条件下的任务调度指标对比说明了优化后的帝国算法能够取得较好的效果。     

云计算在电信业中的应用

本文介绍了云计算的由来和特点以及关键技术在当前电信业务中的应用,结合物联网指出云计算的出现为电信运营商从管理提供商向服务提供商的转变提供了机遇。     

云计算在高校信息化资源中的应用与管理

云计算是以互联网为中心,提供快速、便捷的数据存储和网络计算服务。从高校信息化资源使用与管理的实际情况来看,当前存在的主要问题,即高校资源利用率低和资源浪费导致资源不足和每年需要投入大量资金等。本文介绍了云计算的含义、应用和服务模式,分析了云对高校信息化资源使用与管理的影响,并进行了可行性论证。     

改进的Apriori算法在云计算挖掘下的研究

云计算下的数据挖掘一直都是研究的重点,本文以基本的Apriori算法为基础,提出了构建适合云计算下的数据集分解方式,减少扫描数据库次数和减少频繁项集自连接比较次数的三个策略,并从挖掘频繁1项集,2项集和多项集进行描述。仿真实验中将本文算法与基本Apriori算法、改进的Apriori算法进行比较,取得了比较好的效果。     

浅谈云计算在中小型图书馆中的应用

云计算作为一个迅速发展的信息技术已在国内外许多地区,中小型图书馆得以应用,云计算的出现对中小型图书馆的影响和机遇也值得我们关注和思考。本文介绍云计算基本原理和云计算发展概述的基础上,探讨了云计算技术在数字图书馆建设的影响,以及云计算技术用于中小图书馆需要关注的问题。     

云计算在图书馆中的应用和发展

云计算是一种计算方式,这是一种虚拟情况的计算方式,云是网络和计算机等设施的一种比拟性说法,而云计算则是在互联网的基础上建立起来的。通过云计算,计算机操作者可以通过网络进行软件和硬件的共享,这样提高了计算机的工作效率。共享的资源可以提供给任意一台需要资源的计算机和其他使用互联网的设备。人们可以通过浏览器软件或者服务器来对网络上共享的数据资源进行运用和共享。这些链接资源的软件和网络资源都存储在服务器一端,这样就节约了使用者计算机的空间,并且能够同时让很多的人进行访问和对资源的共享。云计算是一种交付模式,是一种能够通过互联网来动态的扩增资源和空间的虚拟状态的资源。这种虚拟资源方便了新世纪人们对计算机网络的需求,因此可以说云计算是一项很重要的网络计算方式。