基于双适应度遗传退火的云任务调度算法

云计算是当前计算机领域研究的热点,其中云任务调度算法性能的好坏直接影响到云计算平台的整体性能。为了满足云计算平台庞大用户群的不同服务需求,针对现有的云计算任务调度算法提出一种双适应度遗传退火任务调度算法(DFG2A),基于该任务调度算法的任务调度策略能够有效平衡用户对任务各项属性的需求,提高云计算平台的用户满意度。实验结果证明了该算法能兼顾云计算平台总任务执行时间和用户需求,是云计算环境下一种有效的任务调度算法。

基于双适应度微粒群优化算法的最优潮流计算

在分析最优潮流(OPF)理论及其算法的基础上,引入微粒群优化算法(PSO)。考虑到传统PSO算法应用罚函数处理OPF约束条件时容易造成对优良个体的湮灭,提出双适应度概念对微粒进行评估。利用双适应度PSO算法对算例进行分析并与其他算法比较,结果表明双适应度微粒群优化算法可较好处理最优潮流约束条件,在处理最优潮流问题上具有一定的有效性和优越性。

基于双适应度遗传算法的虚拟机放置的研究

减少数据中心产生的网络时延以及优化数据中心能源消耗和物理资源的浪费等越来越受到研究者的关注。主要关注数据中心的物理资源的浪费和数据中心产生的网络时延,并且建模一个多目标优化问题:最小化数据中心的物理资源以及数据中心的时延。通过改进型双适应度遗传算法将两个目标同时优化,将其结果与贪心算法进行比较,实验结果表明,此算法优于贪心算法,是云环境下有效的虚拟机放置算法。

基于双适应度动态遗传算法的云计算资源调度

为减少云服务的任务完成时间和能量消耗,提出基于双适应度动态遗传算法的云计算资源调度方法。建立用于调度策略的消耗时间模型、硬件耗能模型、动态性能模型;使用加权的方法将耗能和耗时两个目标融合在一起,提出代价函数用于辅助权值的分配;改进遗传算子,使染色体在调度问题中具有可行性和高效性;提出再选择策略,减少算法循环次数和运算时间,提高收敛精度。实验结果表明,双适应度动态遗传算法在耗时和耗能上都具有优异表现,代价函数可以选出适应于不同调度问题的权值。

基于改进双适应度遗传算法的碎纸片拼接

破碎文件的拼接在诸多领域都有着重要的应用,目前碎片拼接复原工作主要由人工完成,存在着效率低技术较为落后等问题。本文提出了一种基于改进双适应度遗传算法的碎纸片拼接方法,通过设计规则填补进一步定位字符位置,并优化分段最优边缘匹配度,避免了由于切割线两侧部分位置匹配度过低而导致的整体匹配度下降问题。实验结果表明基于此算法的碎纸片拼接准确率达到了98%,得到了一般规则碎片的拼接方法,解决了由于进行边缘匹配计算的两个碎片边缘皆为空白而引起的分段最优边缘匹配度失灵的问题。

基于改进自适应遗传算法的MIMO雷达阵列优化

针对传统遗传算法在全局搜索和收敛方面的不足,提出一种改进自适应遗传算法。算法改进了自适应规则,采用随迭代次数和种群适应度自适应变化的交叉、变异操作,同时采用新的选择算子和改进后的最优精英保留策略,摒弃了传统轮盘赌博选择法,增加了收敛于全局最优解的概率,加快了收敛速度。通过测试函数优化求解试验证明,改进算法能够有效提高搜索过程种群的多样性,具有更快的收敛性和更好的全局最优性。在此基础上,将改进的自适应遗传算法应用到MIMO雷达阵列优化设计,通过稀疏栅格编码,采用同时考虑副瓣电平与波束宽度的双适应函数,使优化得到的MIMO雷达方向图具有更好的综合性能,更利于实际工程应用。最后仿真实验结果进一步验证了本文改进算法的有效性。

云计算环境下基于改进粒子群的任务调度算法

现有云计算任务调度算法为追求最短完成时间不能很好地兼顾成本。为此,提出一种基于改进粒子群的任务调度算法。采用间接编码方式对每个子任务占用的资源进行编码,给出解码方式,定义考虑时间和成本的适应度函数,确立粒子位置和速度的更新方法。实验结果表明,在相同的条件设置下,该算法的总任务完成时间和总任务完成成本小于传统粒子群优化算法。

基于改进粒子群算法的云计算任务调度算法

如何对任务进行高效合理的调度是云计算需要解决的关键问题之一,针对云计算的编程模型框架,在传统粒子群优化算法(PSO)的基础上,提出了一种具有双适应度的粒子群算法(DFPSO)。通过该算法不但能找到任务总完成时间较短的调度结果,而且此调度结果的任务平均完成时间也较短。仿真分析结果表明,在相同的条件设置下,该算法优于传统的粒子群优化算法,当任务数量增多时,其综合调度性能优点明显。

云计算环境下基于改进遗传算法的任务调度算法

在云计算中面对的用户群是庞大的,要处理的任务量与数据量也是十分巨大的。如何对任务进行高效的调度成为云计算中所要解决的重要问题。针对云计算的编程模型框架,提出了一种具有双适应度的遗传算法(DFGA),通过此算法不但能找到总任务完成时间较短的调度结果,而且此调度结果的任务平均完成时间也较短。通过仿真实验将此算法与自适应遗传算法(AGA)进行比较,实验结果表明,此算法优于自适应遗传算法,是一种云计算环境下有效的任务调度算法。

基于微粒群优化算法的阻塞管理

根据机组和电网安全运行的约束提出了适用于实际POOL模式的电力市场阻塞管理模型。针对该模型的复杂性和非线性,引入了微粒群优化算法,提出了双适应度概念对微粒优劣进行评估,先后比较约束函数的约束型适应度和优化目标函数的优化目标适应度来确定微粒的优劣程度,避免了罚函数处理约束条件时造成的优良个体的湮灭。通过IEEE30节点算例分析,该文研究了微粒群优化算法中参数对结果的影响,表明微粒群算法在解决阻塞模型时均可稳定收敛。最后通过与内点法和遗传算法的对比证明该算法的有效性和优越性。

基于改进粒子群算法的储能系统优化运行

针对储能系统运行经济性及储能电池运行损耗评估问题,建立计及电池损耗成本的储能系统运行收益优化模型;同时,针对标准粒子群算法全局寻优能力不足,罚函数难以选取等问题,提出一种双适应度混沌粒子群算法,采用该算法对电池损耗及储能系统收益情况进行优化计算,并与采用标准粒子群算法优化和未经运行优化所得结果进行对比分析。结果表明:储能电池损耗成本对系统收益影响明显,应建立合适的电池损耗模型进行评估计算;对储能系统进行运行优化后,合成负荷曲线方差减小,负荷峰、谷值削减,系统收益提高,损耗成本占比减小;通过与其他两种运行情况对比发现,双适应度混沌粒子群算法寻优所得储能系统运行收益值更高,储能系统经济性更佳。

基于改进GA的云计算任务调度策略

针对传统遗传算法在云计算任务调度过程中的收敛速度慢和易早熟等问题,提出了一种基于遗传优化算法的双适应度函数改进算法.该算法采用任务完成时间和任务完成成本为双适应度函数,引入个体相似度概念来提高种群质量;采用并列选择法进行选择操作,并且采用自适应规则约束交叉和变异操作,提高种群个体质量,加速进化策略可以有效地避免早熟.结果表明,改进的遗传算法有效地加快了云任务作业调度的收敛速度,并改善了易早熟等现象.

改进萤火虫算法的云计算任务调度算法研究

文章以任务的总完成时间为优化目标函数,构建云计算任务调度模型;为解决萤火虫算法受初始参数影响,容易陷入局部最优、收敛速率欠佳的问题,基于双适应度函数的遗传算法优化初始解,引入该算法的个体初始化中,以便调节个体选择最优路径的概率,使其达到最优解收敛。最后,在Cloudsim平台上,经由对比仿真实验,验证了该改进的萤火虫算法能够显著提升云计算任务调度性能,优化调度效率,缩减任务完成时间,可有效解决多用户的海量云计算任务调度。