一种基于改进人工鱼群的云计算任务调度算法

为提高云计算任务调度的效率,减少系统执行任务的最大完工时间以及成本,本文提出一种改进的人工鱼群任务调度算法(improved artificial fish swarm algorithm,IAFSA).首先,将反向学习策略应用于种群初始化和鱼群的行为选择中,以提高改进人工鱼群算法在迭代中的收敛速度和种群多样性.其次,将自适应全局-局部记忆机制引入到标准AFSA算法的觅食行为中,以进一步提高勘探能力.最后,增加了基于平均适应度的行为选择机制,以提供更合理的行为选择,减少算法的复杂性.通过使用CloudSim平台进行实验验证,分别测试在不同任务规模下IAFSA的算法效能.实验结果表明,改进人工鱼群算法在降低系统任务最大完工时间和成本上均表现出了显著的优势.

基于改进粒子群算法的云数据中心能耗优化任务调度策略

随着云计算的发展,能耗急剧上升,这进一步限制了云数据中心整体性能的提高,因此能耗问题引起了工业界和学术界的重视。同时,传统粒子群算法被广泛应用于数据中心任务调度问题的求解,但其收敛速度慢、精度低,容易忽略集群能耗问题。为此提出了一种基于反向学习的混沌映射自适应粒子群算法(OAPSO)。首先,采用反向学习的方法产生初始种群,使粒子更加均匀地分布于初始解空间,提高了初始种群的质量;其次,在粒子更新方式中引入非线性递减的动态惯性权重策略,以改变粒子的寻优能力,使局部搜索和全局搜索达到平衡,避免算法陷入局部最优;然后,引入混沌映射策略,在最优解位置进行扰动变异产生新解,提高算法从局部最优中跳出的能力。最后,在Cloudsim平台上对所提算法进行实验验证,结果表明,与PSO,OBL_TP_PSO和SAPSO算法相比,OAPSO算法资源利用率更高,节能效果更好。