一种用于云计算资源调度的双向蚁群优化算法

对云计算环境中的资源调度问题进行了研究,针对蚁群优化算法(ACO)在处理大规模组合优化问题时易陷入搜索速度慢和局部最优解的缺陷,提出了一种实现云计算负载均衡的双向蚁群优化算法(BACO)用于资源调度;该算法考虑到了每个虚拟机的负载和计算能力,同时在云环境中引入了蚂蚁的向前移动和向后移动;最后通过在CloudSim平台进行仿真实验,结果表明该算法的总任务完成时间较短,具有较好的寻优能力,并且能够实现负载均衡,是一种有效的资源调度算法。     

多目标模糊工期的维修保障资源调度优化研究

以某型特种车辆维修保养的三级保养工艺流程为对象,提出了不确定性维修保障资源调度优化问题;针对具有工序模糊作业时间和模糊工期的调度问题,采用一般三角模糊数来表示工序作业时间和完工时间,一般梯形模糊数来表示任务期望工期;并设计了一种混合粒子群-遗传算法,以完工时间最短、关键人力负荷最小和满意度最高为优化目标进行求解;算法可以有效求得其8个最优解,对求得的Pareto最优解集进行了结果分析,评价了不同评价指标对调度方案的影响;实例结果表明,算法求解结果与实际情况相吻合,较之精确调度,更加具有可操作性,为调度部门制定合理的调度方案可以提供理论支撑。     

一种用于云计算资源调度的改进遗传算法

针对轮询调度算法、遗传算法和模拟退火算法在云计算资源调度中存在收敛速度慢、易早熟和资源负载不均衡等问题,提出了一种基于模拟退火思想的改进遗传算法(Simulated Annealing Improved Genetic Algorithm: SAIGA)。改进算法设计了基于任务平均完成时间和负载均衡的双适应度函数和自适应的交叉变异概率函数,允许算法在退火过程中以一定概率接受劣质解从而避免早熟现象的发生,将虚拟资源上任务分配数的标准差作为选择个体的依据来实现节点的负载均衡。仿真结果表明,改进算法与上述算法相比,在任务平均完成时间、资源利用率以及收敛速度上表现得更优越,能够较快地找到资源最优调度方案,具有较好的可行性和实用性。     

改进粒子群算法在云计算负载均衡中的应用研究

云计算系统采用虚拟化技术可以更加灵活和高效地分配运算资源,便于管理员根据用户任务需求按需分配云计算资源。但虚拟化后的云计算中心存在种类多样、数量庞大的虚拟机资源,难以将虚拟机合理地放置到物理主机集群上并达到较好的负载均衡。为此,给出了云计算中心虚拟机放置到物理主机的负载均衡模型,采用改进后的粒子群算法（PSO）来求解最优解。最后通过和常用虚拟机放置算法的仿真对比实验,验证了所提云计算负载均衡优化算法的有效性。     

基于强化蚁群算法的任务DAG在线网格集群资源调度

网格集群资源调度是一个NP难题,而现有的调度方法通常具有任务调度效率低和负载不均衡的问题,由此设计了一种基于强化学习算法和蚁群算法融合的协同依赖型任务调度方法;首先对基于DAG的网格集群协同调度数学模型进行了定义,然后,采用改进的一步TD算法即Q-Learning算法实现集群资源的初始分配,从而得到最优调度方案以及对应的Q值,在此基础上提出一种改进的蚁群算法实现网格集群资源到任务分配的进一步优化,将Q-Learning算法得到的分配方案的Q值用于初始化蚁群路径中的信息素,以避免蚁群的盲目搜索,同时将Q值引入路径概率函数中使得蚂蚁具有启发式的搜索能力,从而获得协同依赖多任务集群调度的最终方案;在Gridsim环境下进行仿真试验,结果表明文中方法能有效地实现网格集群调度,且较其它方法具有任务调度效率高、CPU利用率高和负载均衡的优点,具有较大的优越性。     

基于DAG任务依赖和Q-Learning蚁群算法的在线网格集群资源调度

网格集群资源调度是一个NP难题,而现有的调度方法通常具有任务调度效率低和负载不均衡的问题,由此设计了一种基于Q-Learning算法和蚁群算法融合的协同依赖型任务调度方法。首先对基于DAG的网格集群协同调度数学模型进行了定义,然后,采用改进的一步TD算法即Q-Learning算法实现集群资源的初始分配,从而得到最优调度方案以及对应的Q值,在此基础上提出一种改进的蚁群算法实现网格集群资源到任务分配的进一步优化,将Q-Learning算法得到的分配方案的Q值用于初始化蚁群路径中的信息素,以避免蚁群的盲目搜索,同时将Q值引入路径概率函数中使得蚂蚁具有启发式的搜索能力,从而获得协同依赖多任务集群调度的最终方案。在Gridsim环境下进行仿真试验,结果表明文中方法能有效地实现网格集群调度,且较其它方法具有任务调度效率高、CPU利用率高和负载均衡的优点,具有较大的优越性。     

改进的粒子群优化目标跟踪方法

针对粒子群优化算法应用在目标跟踪时,其惯性权重调节机制的局限性,提出了改进的粒子群优化目标跟踪方法。首先,对目标及粒子群算法中相应参数进行初始化;接着,引入粒子进化率的概念,对惯性权重调节机制进行改进,根据每代每个粒子的不同状态及时调整惯性权重;然后,在更新粒子的速度和位置的同时,更新个体最优解和全局最优解,进行下一次迭代;最后,比较粒子的适应度,选择相似性函数值最大的区域为目标。实验结果表明,该方法与使用自适应惯性权重调节机制的粒子群优化目标跟踪方法相比,减少了获取相同适应度所需的迭代次数,运算效率提高了42.9%。实现了目标在相似性函数出现"多峰"情况下的准确定位,对目标出现部分遮挡的情况具有很好的适应性。     

基于CT-RAG和学习量子粒子群的云计算任务-资源分配算法

目前已有的云计算任务-资源分配算法仅针对独立任务进行同构资源分配,同时在分配时未考虑任务优先级；为了克服其缺点,提出了一种基于虚拟CT-RAG(Task-Resource Assignment Graph in Cloud Environment, CT-RAG)和学习量子粒子群的任务-资源分配模型；首先,定义了虚拟CT-RAG图和任务优先级,并描述了采用其获取任务-资源分配方案初始解的方法；然后采用具有学习能力的量子粒子群在可行解空间中寻优,通过为粒子安装学习机,粒子在每轮迭代的过程中根据适应度的变化情况自适应地调整动作选择概率,从而加快获取全局最优解和加快收敛速度；仿真实验表明:文中方法能有效地解决云计算环境下依赖型任务的异构资源调度,获取了全局最优解356.67,较其它方法具有较大的优越性。     

基于代价优化的云工作流调度改进PSO算法

云计算可以通过即付即用的方式向用户工作流提供资源。为了解决资源服务代价异构环境下的云工作流任务调度代价问题,提出一种基于改进粒子群算法的云工作流任务调度算法WSA-IPSO。通过综合考虑任务的执行代价和依赖任务间发生数据传输时的通信代价,算法将总代价优化问题形式化为有向无环图DAG中的任务调度模型,并提出基于改进粒子群算法的优化模型对其进行求解。通过改进传统粒子群算法的粒子速度更新策略和惯性权重更新策略,算法可以以更快的收敛速度得到代价最小化的调度方案。通过仿真实验,与MCT算法及标准粒子群算法进行性能比较。实验结果表明,WSA-IPSO算法在降低总代价、任务分布的负载均衡以及算法收敛性方面比较同类算法均表现出更好的性能。     

多目标粒子群优化算法在交变相位聚焦直线加速器优化设计中的应用

现代智能优化算法粒子群算法(Particle Swarm Optimization)在加速器设计优化上的应用逐渐增多。交变相位聚焦直线加速器(Alternative Phase Focused Drift Tube Linac)具有节省空间和造价的优点。将交变相位聚焦直线加速器的初步设计方案作为种子,植入粒子群算法中;以加速器的加速效率和束流能量作为目标,得到该方案的Pareto最优解集;在粒子进化过程中,以Pareto最优解集作为粒子的运动方向,以随机选取的Pareto最优解的运行结果作为粒子的输入参数来源,最终得到了输出能量为5.35 MeV/u、加速效率大于83%的APF优化方案。