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。     

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。     

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.     

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.     

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。     

混沌扰动w_BAPSO算法在任务调度中的应用

为提高云计算任务调度效率,减少任务调度的成本和时间,改进算法容易陷入局部最优的缺陷,提出基于混沌扰动的w_BAPSO算法.在云计算环境下,通过引入带有logistics混沌扰动的线性递减惯性权重,在PSO算法更新过程中结合蝙蝠算法脉冲速率、脉冲响度等参数,将带有混沌扰动的w_BAPSO算法用于云计算任务调度过程中.通过...     

绿色云计算的任务调度与能耗优化机制研究

云计算技术的日益更新,使得云计算服务的用户规模也不断增大,但其中存在许多不合理的任务调度策略,从而导致了大量的能源浪费。绿色云计算根据用户需求,针对任务调度模块提出一种行之有效的实施方案,从而降低云计算系统能耗。基于负载均衡机制和动态任务调度策略,设计了一种绿色云计算体系结构和能耗优化模型。实验结果证明了该方法的可行性和有效性。     

基于混合式启发的云计算任务调度算法

为了进一步降低云计算中的任务最大完成时间并提升负载均衡能力,提出了一种综合遗传算法、Max-Min算法以及Min-Min算法的混合式启发任务调度算法。首先,遗传算法通过染色体编码针对云计算中的任务和计算资源进行表征;然后,将新的染色体信息与每个任务的最大执行时间和最小执行时间的平均值作比较,从而决定对应任务应使用Max-Min算法或Min-Min算法加以调度。仿真结果表明,与经典的Max-Min算法以及Min-Min算法相比,本文算法在最大完成时间和资源利用率方面均具有显著优势。     

应用Min-Min算法思想解决依赖型任务调度

在云计算系统中,任务调度是其中的一个关键问题,它首要决定了整个云计算系统的运行效率。基于min-min算法思想和有向无环图(DAG)的基础上设计出一个解决依赖型的任务调度算法。根据具体例子进行算法演示,结果表明:该算法在完成时间跨度上与最优算法基本一致,有效地提高任务调度效率和云资源利用率。     

基于Powell算法的改进微粒群算法

提出一种与Powell算法相结合的新型改进微粒群算法——Powell-PSO.改进算法将粒子的搜索过程分为两阶段,第一阶段,将标准微粒群算法的速度公式加以改进进行搜索;第二阶段,将第一阶段的最后一代粒子作为Powell算法的初始点,让Powell算法与PSO算法交替进行.这样既克服了微粒群算法陷入局优的缺点,也大大提高了算法的求解精度,同时提高了收敛速度并保持了微粒的多样性.仿真结果表明：与标准微粒群算法相比,Powell-PSO具有较高求解精度和较强寻优能力,并且不论是对单峰还是多峰函数都能取得较好的优化效果.     

改进的蚂蚁遗传混合算法及应用

车间作业调度问题是一个典型的NP-hard问题。分析了蚂蚁算法和遗传算法的特点,就遗传算子、交叉概率和变异概率上对传统遗传算法进行了改进;同时为了加速蚂蚁的搜索效率、减少迭代次数,重构了传统蚂蚁算法的下一个结点选择策略、信息素的局部更新策略,并将改进后的两个算法进行混合求车间作业调度的最优解。试验表明,算法的改进和混合提高了搜索效率及搜索结果的准确性。     

加密算法之DES算法

21世纪是信息时代,信息在社会中的地位越来越重要,已成为社会发展的重要战略资源,信息技术改变着人们的生活和工作方式,与此同时,信息安全也已成为世人关注的社会问题。本文介绍了保证信息安全的一种方法:数据加密标准(即DES),重点阐述单钥密码体制中的分组密码的基本概念、结构和加密算法。     

从动态规划算法的应用谈算法设计的教学

动态规划是一种用于求解包含重叠子问题的最优化问题的方法。其基本思想是,将问题分解为相似的子问题,通过子问题的解组合求出原问题的解。动态规划的思想是多种算法的基础,被广泛应用于计算机科学和工程领域。本文通过阐述动态规划算法的求解过程、应用举例,结合教学体会分析了算法设计课程的教学方法。     

基于免疫单亲遗传算法在TSP中的应用

基本遗传算法保持群体多样性的能力较差,所以经常在问题求解的过程中极易陷入局部最优解。根据生物的免疫原理和单亲遗传算法并结合最近邻域算法思想提出的一种改进算法———基于免疫单亲遗传算法（IPGA）。免疫遗传算法中的基因重组、免疫记忆以及免疫元动态等特性,这些特性有助于改进基本遗传算法群体多样性的保持能力。最后结合48个城市旅行商问题进行了求解,仿真结果表明,基于免疫单亲遗传算法具有更好的性能,相对于传统的遗传算法收敛速度提高了30%。     

一个增强算法学习兴趣的算法实验设计

算法是计算机科学领域最重要的基石之一,但却受到了国内高校相关专业及学生的冷落。他们认为学习计算机就是学习各种编程语言,对算法学习没有兴趣。但是算法的学习更加重要,因为计算机语言和开发平台日新月异,但万变不离其宗的是那些算法。本文论述一个增强学生算法学习兴趣的算法实验设计方法。让学生在实验中体验算法学习的重要性,通过实验发现问题,分析问题出现的原因,寻找解决问题的办法,从而将原来的被动学习转化为主动学习。     

基于灰狼优化器和蜜蜂算法的新混合优化算法

文章基于灰狼优化器和蜜蜂算法两种种群优化算法,将两者的优点结合,提出一种新的混合优化算法来克服原算法的缺点。为了评估新的混合优化算法的性能,通过对基准函数的测试分析,将新的混合优化算法和原有算法进行了比较,验证了新算法的性能的优越性。     

基于LM和SA的混合优化算法

针对LM算法及模拟退火算法各自存在的不足,提出一种交替使用二者的混合优化算法（SALM算法）.该算法先通过模拟退火算法粗调得到一组全局最优近似解,再以该近似解为初值,交替使用模拟退火算法和LM算法,直至发现满意的最优解.实验结果表明,新算法不但具有模拟退火算法的全局收敛特性而且保留了LM算法的局部收敛速度,克服了单纯模拟退火算法所产生的随机性和概率性问题,也弱化LM算法对初始条件的依赖程度,保证了求解的速度和精度。     

基于改进蚁群遗传算法的排课问题研究

提出了一种以蚁群算法为主,利用遗传算法经过交叉,变异,选择后产生进化的信息素作为蚁群使用的信息素.在遗传算法多次进化效果不明显时,引入模拟退火算法进行跳变的混合算法,使各种算法取长补短,改善了蚁群算法初始阶段运行缓慢和遗传算法局部搜索能力弱的缺点.提高了运行效率,同时运用这种改进的算法对高校排课问题进行仿真,从而比较算法改进的优缺点.