基于进阶粒子群优化算法的云计算资源调度策略研究

云计算是一种商业计算模型,云厂商一般都有自己的资源分配和任务调度模式,但并没有统一的标准和规范。分析云计算系统资源调度,提出一种基于进阶的粒子群算法,采取集群动态协作产生优质粒子及对粒子逆向作用平衡局部资源的策略,以达到全局及局部搜索双向资源最优。经云仿真平台测试表明,应用该算法的调度策略可行且高效。     

基于分簇能耗聚集的云计算多目标任务调度算法

在云计算环境下的多分簇目标的任务调度是提高软件嵌入式系统稳定性的关键,由于云计算中能耗扩散,在多处理器集群多目标任务调度中出现任务调度优先级列表混乱,调度性能不好的问题.传统方法采用节点行为信息流特征分析方法进行任务调度,随着分簇能耗扩散,收敛性不好.提出一种基于分簇能耗聚集的云计算多目标任务调度算法.待分析任务调度信息流的分层能耗聚集轨迹峰值往往含有重要的信息,提取待分析任务调度信息的能耗特征,构建云计算多目标任务调度模型,实现对云计算多目标任务调度算法的改进.仿真结果表明:采用该算法能有效提高云计算多目标任务调度效率,任务执行时间较短,系统稳定性高.     

基于云计算的大数据信息管理框架研究

大数据信息管理框架中的各项性能、Qo S以及能耗对大数据信息管理有着重要的影响.在大数据信息管理框架中引用云计算方法,该策略运用三空间分割以及组方式对大数据信息进行有目的性的约束以及云计算,根据大数据信息的变化规律设计大数据信息管理框架.同时,对大数据信息管理框架内的多个区域同时搜索,取得云计算的最优解.通过实验可知:相对于传统算法,本文算法可以更大幅度降低大数据下的资源占用率,优化大数据信息管理系统.     

一种面向云计算环境的服务推荐算法

随着云计算理念的普及和云计算技术的发展,在云中部署商业服务已成为一个趋势。云服务类型和数量的持续增长,使用户面临着如何选择最佳云服务的重要挑战。首先分析了云计算环境中服务推荐涉及的对象,接着引入了用户社区的概念,最后结合经典协同过滤推荐算法和聚类技术,提出了一种基于社区聚类的云服务推荐算法:Cloudrec。实验结果表明该算法性能优于传统经典推荐算法,更适应云计算环境。     

基于正则表达式的协议识别方案

随着网络服务大量使用随机端口号,传统的基于端口号的协议识别方法不再适用。设计了一种基于正则表达式的协议识别方案。将NFA匹配引擎转换为DFA匹配引擎,提出了构造最优DFA状态数的算法,该算法保证在任意有限的系统资源下具有最小的时间复杂度和空间复杂度。     

安全检测服务动态接入虚拟网络的方法

随着计算机网络的迅速发展,网络安全问题日益突出,而传统的安全检测工具无法在接入云计算虚拟网络的环境下为用户进行安全检测。研究了安全检测服务动态接入虚拟网络的方法,该方法可实现在原有虚拟网络环境下系统检测工具的虚拟化,并可并行地为多个不同区域的租户进行安全检测服务,从而降低资源消耗,有效提升安全检测效率。     

基于正则表达式的协议识别方案

随着网络服务大量使用随机端口号,传统的基于端口号的协议识别方法不再适用。设计了一种基于正则表达式的协议识别方案。将NFA匹配引擎转换为DFA匹配引擎,提出了构造最优DFA状态数的算法,该算法保证在任意有限的系统资源下具有最小的时间复杂度和空间复杂度。     

基于云计算的高校计算机实验室构建

利用云计算提供的基础架构即服务（IaaS）、平台即服务（PaaS）和软件即服务（SaaS）可以很好地解决传统高校计算机实验室建设和管理中存在的资金投入大、使用周期短、软硬件维护量大和实验室使用受时间和地点限制的弊端。提出基于云计算的高校计算机实验室架构和实验室建设方案,利用虚拟化技术将服务器资源和存储资源虚拟为多套操作系统和应用,实现实验资源的合理分配和数据共享。     

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。     

基于贝尔曼动态规划的服务恢复决策方法

基于面向服务的架构（SOA）,针对可控分布式信息系统中服务的特点并借鉴服务组合思想,详细分析了信息系统的典型服务过程,提出一种基于贝尔曼动态规划的服务恢复决策算法.通过逻辑层网络自组织和评价标准制定2个步骤,将服务恢复过程中恢复决策问题转化为人工智能领域的规划问题,并对此规划问题使用贝尔曼动态规划算法,解决了确保服务质量（QoS）的前提下,最优服务恢复方案制定与应急响应路径选择问题.仿真实验验证了方法的最优性与合理性,算法复杂性理论分析及与传统方法的性能对比均表明了该方法的高效性.     

一种离散型多目标粒子群优化算法

为获得更好的非劣前端,提出一种离散型多目标粒子群优化算法。该算法根据离散型多目标优化问题的特点,将种群分成多个子种群,在各个子种群中利用表现型共享的适应度函数选择每个子种群的最优粒子。通过多个最优粒子的引导,使整个种群分布更均匀,避免陷入局部最优,保证了解的多样性。实验表明了该算法的有效性。     

多种群遗传蚁群融合的多Qos约束组播路由算法

具有多约束的Qos（quality of service）路由问题是一个NP完备问题,传统方法很难求得全局最优解。针对多约束Qos组播路由问题,选择带宽、时延和时延抖动为Qos参数,由多种群遗传算法产生初始状态,利用蚁群算法的全局寻优能力提出一种将多种群遗传算法和蚁群算法融合的新算法。分析表明,该算法是可行、有效的。     

一种双向聚类协同过滤推荐算法研究

针对传统协同过滤推荐算法在大数据环境下存在数据稀疏性及计算复杂性等问题,提出一种双向聚类协同过滤推荐算法。该算法首先从用户维度和项目维度两个方向分别进行属性聚类,然后在目标用户和目标项目所在类簇中分别使用改进后的相似度计算方法进行协同过滤推荐,最后通过平衡因子综合预测评分并形成最终推荐列表。在 MovieLens 公开数据集上进行实验,结果表明,该算法（DCF）相比传统协同过滤推荐算法（TCF）、基于用户聚类的协同过滤推荐算法（UCF）以及基于项目聚类的协同过滤推荐算法（ICF）,在平均绝对误差上分别降低了 16%、8.1%、7.5%,有效提高了推荐精度。     

基于公共本体的高效语义服务发现(英文)

为解决集中式服务发现结构存在的性能瓶颈问题,基于领域本体语义信息,提出一种能自适应地调整领域划分、分配系统资源的分布式web服务发现体系结构,并分析了该结构的可扩展性、自组织性和自适应性.具体描述了该结构下的语义web服务发现算法的2个阶段:语义注册中心定位和基于输入输出的服务匹配.在注册中心组成的平衡树拓扑结构中,注册代理能够快速将请求转发至目标注册中心,避免产生性能瓶颈.然后,通过引入一种新的基于语义距离的服务匹配算法来进行服务查询效果优化.模拟实验结果表明:提出的服务发现方法具有高可扩展性的优点;与其他服务查询算法相比,服务匹配算法具有更高的查全率和查准率.     

一种分布式数据库查询优化算法

在分析分布式数据库查询目标和策略的基础上,提出了一种新的查询优化算法:基于二级索引的查询算法.该算法利用全局和局部二级索引对查询语句进行分析,进而确定最优查询路径.该算法可以有效地减少分布式数据库系统查询过程对带宽的消耗.     

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。     

改进粒子群优化算法下的视频目标跟踪方法

提出一种基于改进的粒子群优化算法的视频目标跟踪方法,对视频目标跟踪问题模型进行分析设计,建立一种视频目标跟踪的四维参数模型,针对该模型使用粒子群优化算法寻求最优解。分析视频目标跟踪场景的特性,使用模式匹配相关系数作为粒子群算法的适应度估计函数,同时引入动态调整粒子群算法的惯性权重参数的改进方法,避免传统粒子群算法过早收敛,陷入局部最优的问题。实验测试表明该算法相较于传统算法,在视频目标的跟踪上具有更佳的检测精确度和跟踪稳定性。     

基于SLSD道路网络模型的最优路径算法

提出了基于单线单向（SLSD）道路网络的最优路径算法.不同于传统网络,在SLSD网络中,路元素被抽象成网络的节点,且都是单向单线的;而道路节点被抽象成网络的链接.该网络模型可以很好地表述拐弯限制、回路以及多条道路存在于2个路口等只有超图模型才能很好表示的真实路网情形.基于此网络模型,给出了相关的最优路径算法,并且证明了将超图转化为SLSD道路网络后,A＊及Diskstra算法可以不加修改直接用于计算任何真实路网的最优路径.最后,结合新加坡道路网络数据,给出了一个预先计算的两步法最优路径算法及其计算结果,验证了所提出的模型和算法.     

基于多目标遗传算法的游戏路径规划研究

为游戏中非玩家控制角色（NPC）设计自动寻路算法是人工智能研究领域的一大热点。首先模拟多目标游戏地图作为实验平台,然后以路径长度、路径安全程度和对游戏角色的耗费为评估目标,提出了基于多目标遗传算法的路径规划方法。经过实验验证,算法虽然比A*算法实时性差,但其对地图全局有很好的把握,在多目标环境下,其得到的路径存在明显的全局最优。     

基于改进混沌PSO的多相机组网优化研究

多相机组网网络设计具有多参数、多约束、运算量大等特点,在理论上是一个复杂的优化策略问题,寻找其绝对精确的最优解通常需要很大的运算量,因此在实现时必须考虑算法效能。利用基于粗糙集的启发式属性约简算法获得特征属性的约简,在此基础上利用改进的支持向量机对约简信息进行预测。为了获得最优预测精度,采用混沌粒子群优化（PSO）算法以避免SVM预测模型的局部优化。最后通过实验对粒子群优化（PSO）算法、改进的PSO（IPSO）算法与混沌PSO（CPSO）算法性能进行比较,分析结果表明,相比于其它方法,该方法在收敛速度以及防止局部寻优等性能方面有较大提高。