网格环境中相似资源的模糊聚类研究

采用模糊聚类的方法对网格系统中的最大相似性资源进行聚类。并且采用多维向量的方式表示网格资源,根据用户对资源向量各维的关心程度的不同进行加权,提出了加权欧氏距离法计算资源之间的相似度。通过构造F-分布统计量的方法确定最佳分类,并且给出了理论证明。最后,通过仿真实验将网格资源进行分类,实验结果表明文中的聚类方法以及确定最佳分类的方法能够有效的将具有最大相似性的网格资源聚在同一簇内。

网格资源模糊聚类查找的研究

为了解决动态网格环境中资源查找的难题,提出了基于特征加权模糊K-原型聚类的网格资源查找算法。该算法根据资源请求对各维资源关心程度的不同,用特征加权模糊K-原型聚类算法对数值型、类属型并存的混合型网格资源节点集合进行划分。然后根据资源的静态数值特征与类属特征,确定与资源请求属性特征值最相似的类簇。最后综合资源的动态数值特征选择最优的资源节点。模拟实验的结果表明,与其他同类算法比较,算法能提高资源查找的查准率、鲁棒性和降低平均响应时间。

混合蚁群算法在网格计算任务调度中的应用

网格环境下的资源分配与任务调度问题已经被证明了是一个NP难题,而传统的任务调度算法很难对大量的异构的、动态的网格任务进行有效的调度。本文提出了一种任务调度模型,并且在该模型中采用混合蚁群算法,该算法以信息素为启发,引导蚂蚁选择最优资源。蚂蚁选择资源之后不仅进行信息素的整体更新,还要求预分配网格资源时进行信息素的局部更新。模拟实验表明该算法是一种快速,有效,负载更均衡的算法。