车联网数据流的多维服务质量改进异构计算最早完成时间调度算法

针对车联网中数据流分布式处理的调度问题,提出了多维服务质量(QoS)改进异构计算最早完成时间(HEFT)调度算法。首先,分别建立了车联网中数据流的分布式处理任务的带权有向无环图模型和车联网分布式计算资源的七维QoS属性带权无向拓扑结构图模型。其次,改进经典的HEFT调度算法中的列表构造方法为最高层最小后继任务优先列表构造方法;同时,将车联网分布式计算资源的七维QoS属性进行分组、降维,转化为两维综合属性优先权:计算性能优先权和通信性能优先权,形成了两种不同用户偏好的多维QoS改进HEFT调度算法。最后,通过算例分析表明:两种不同用户偏好的多维QoS改进HEFT调度算法综合性能优于经典的HEFT调度算法和轮询调度算法。

基于重复异构最早完成时间的云计算任务调度算法

针对云计算任务调度算法时间成本消耗大的问题,提出了一种新的算法,即重复异构最早完成时间(Duplication based Heterogeneous Earliest Finish Time,DHEFT)任务调度方法.该方法结合异构最早完成时间算法和任务重复算法,可以大大减少任务最早开始时间和最早完成时间.由于任务优先级对于相关任务调度算法的重要性,该算法中提出了乐观成本表的方法来计算任务优先级,根据优先级调度任务,并复制父任务以降低通信成本并获得最佳调度解决方案.实验结果表明,该文提出的DHEFT在调度长度比和完成时间性能方面优于其他算法,说明该文方法的可行性与有效性.

异构计算系统中独立任务调度的混合遗传算法

有效的任务调度是异构计算系统获取高性能的关键因素之一 ,由于任务调度问题是NP 困难的 ,为了获取尽可能好的解 ,文献中存在许多启发式调度算法 .针对异构计算系统的独立任务调度问题 ,基于遗传算法和最小完成时间算法MCT(MinimumCompletionTime) ,提出一种新的混合遗传算法 ,它采用遗传算法来进化任务调度的优先队列 ,然后再使用MCT算法把优先队列解码为一个有效的调度 ,与文献中其它算法进行比较表明 ,它不但能产生更好的调度结果 ,而且有很好的收敛速度 .

异构多处理器系统任务调度的最早完成时间算法

多处理器的任务分配问题是一个NP-完全问题,现有的算法主要是针对同构的多处理器系统,文中提出一个异构分布式系统的任务分配算法,既满足任务间的约束关系和通信设备的通信,又使得任务的完成时间较小。与现有算法相比具有较短的调度长度。

基于金豺优化算法的云计算资源调度研究

基于云计算环境下资源利用率低的问题,将一种新提出的金豺优化算法应用于云计算资源调度策略。研究采用Cloudsim作为仿真实验平台,以减少任务总完成时间为优化目标。实验中以猎物位置模拟任务对虚拟机序号的选择,在一定的迭代次数后根据猎物位置得出每个任务对虚拟机序号的最终选择和最终任务总完成时间。改变金豺优化算法的迭代次数并进行实验,结果表明,在迭代次数达100次时,金豺优化算法在云计算资源调度模型上的效果达到最优。将调用金豺优化算法与应用贪心算法和遗传算法下的实验结果进行对比,结果表明,在任务数量大于1000时,金豺优化算法在云计算资源调度模型上的效果优于贪心算法和遗传算法,效率相较于遗传算法提升了约20%。

求解目标是最小完成时间和的同类机调度的改进算法

研究了目标函数是完成时间和的同类机调度问题。同类机调度是一种重要的平行机调度问题,而最小完成时间和目标是最常见的规则目标一种,完成时间和的同类机调度问题在相关研究领域具有非常重要的地位。首先为此问题建立数学模型,然后提出一种改进的启发式算法,并通过实验验证了算法的性能。

含有到达时间的最大完成时间同类机调度算法

研究了目标函数是最小最大完成时间的同类机调度问题,其中作业到达时间可能不同。此问题被证明是NP-hard问题。通过对单机和同型机的相应问题研究成果的推广,提出5个启发式算法,给出算例及其计算结果,并通过实验对算法的性能及算法适应的情形进行了分析,与现有Koulamas&Kyparisis的算法进行了比较。

多机Flow Shop加权完成时间调度问题的渐近最优算法研究

最近 Chou、Queyranne 和 Simchi-Levi,Liu 分别证明了恒速平行机调度问题和 Flow shop 调度问题的基于有效作业加权最短处理时间的启发式算法是渐近最优的。本文使用分组机器模型的方法证明:即使对于多机 Flowshop 加权完成时间调度问题,基于有效作业加权最短处理时间的启发式算法也是渐近最优的。

基于遗传-蚁群算法的云计算任务调度优化

为了找到最佳的云计算任务调度方案,缩短云计算任务完成时间,通过综合考虑遗传算法和蚁群算法的优势,提出一种遗传-蚁群算法的云计算任务调度优化算法.首先采用遗传算法快速搜索到云计算任务调度的可行方案,然后采用可行方案初始化蚁群算法的信息素分布,解决初始信息素匮乏的难题,加快算法收敛速度和搜索能力,提高云计算任务求解效率.在CloudSim平台的实验结果表明,相对于遗传算法,遗传-蚁群算法更适合于大规模云计算任务问题的求解,可缩短任务完成时间,获得更高的用户满意度.

多级优化的云计算任务智能调度算法

在云计算环境中用户数量巨大,需要处理的任务繁多,高效的任务调度算法是云计算需要解决的关键问题之一。针对云计算的模型结构,引入粒子群算法和蚁群算法联合优化任务调度算法。首先使用粒子群算法生成初始调度结果,并引入随机性的惯性权重提高算法的调节能力,将改进粒子群算法生成的结果作为蚁群算法的初始信息素寻找最优调度方案,并使用遗传算法中的精英策略和交叉算子改进蚁群算法,在算法中使用多层次优化算法提高算法运行效率。实验结果表明,在相同的条件下,改进后的算法任务总完成时间得到降低,且随着任务量的增加性能优势更为明显。

含作业到达时间的单机调度问题的改进算法

研究了以作业完成时间之和最小化为目标函数的单机调度问题,该问题中各作业到达时间可能不同。在对传统启发式算法进行分析的基础上,提出一种改进算法,并给出了算例及其计算结果。大量的随机数据实验的结果表明,该改进算法的性能比传统启发式算法的性能更优。

基于递阶遗传算法的最小加权完工时间并行机调度

针对最小化加权完工时间的等同和非等同并行多机调度一类问题,提出了一种递阶遗传算法。该算法根据问题的特点,采用一种染色体递阶编码方案,此编码与调度方案一一对应。计算结果表明,递阶遗传算法是有效的,能适用于大规模等同和非等同并行多机调度问题,通过与Cheng所作编码的遗传算法比较,用递阶遗传算法优化并行机调度操作简单并且收敛速度快。

具有不精确活动时间的项目调度算法

针对以最小化项目工期为目标的资源受限项目调度问题,提出对不精确活动时间项目调度的求解方法。对现实项目调度中存在的不精确活动时间及模糊资源分配进行分析,在模糊集理论基础上建立了数学模型,提出一种基于蚁群算法的对不精确活动周期下的项目调度问题求解方法。人工蚂蚁的初始节点采用概率优先约束原则选择,以避免单一概率选择可能导致的过快收敛的局限性,提高解的质量;对算法所使用的重要参数的选择进行分析说明,给出计算方法。进行模拟实例并与其它实验结果进行对比,对比结果表明了该算法的有效性和可行性。

基于AGA的最小加权完成时间并行机调度

针对最小化加权完工时间的等同和非等同并行多机调度问题,通过一种新的扩展顺序表述方式编码,采用自适应遗传算法来优化。此编码与调度方案一一对应,并且适于用多种交叉算子。计算结果表明,基于该编码方式的自适应遗传算法是有效的,能适用于大规模等同和非等同并行多机调度问题,且算法操作简单,收敛速度快。

用于多媒体的最早截止时间优先算法改进

对经典实时调度算法之一的最早截止时间优先算法进行研究,提出一种基于动态死线时间的改进方法,避免了瞬时过载导致的系统不可预测的行为.实验表明,本方法保证了连续多媒体应用的服务质量,达到较高的资源利用率,使该算法更加适合多媒体应用环境.

一种基于混沌人工萤火虫算法的云计算资源调度优化

为提高云计算资源的利用率,保持负载平衡,提出一种基于改进混沌萤火虫算法的云计算资源调度模型。建立云计算环境下的资源调度模型,通过人工萤火虫算法个体最优与云计算节点资源分配对应起来,在萤火虫算法中引入混沌算法,通过对个体进行扰动,加快收敛速度,降低局部最优的概率。基于Cloudsim的仿真实验结果表明,该算法能有效避免资源分配的不均衡,缩短任务完成时间,提高系统的整体处理能力。

云计算环境下利用改进遗传算法结合二次编码的大规模资源调度方法

针对传统遗传算法无法满足多用户下的大规模云计算环境下的资源调度问题,提出利用改进遗传算法结合二次编码的方法解决大规模资源调度。首先,在选择复制阶段,采用基于最小任务完成时间和匹配程度的双适应度函数,对种群以双重标准进行筛选。然后,对算法的交叉变异概率进行了自适应优化,使其自适应能力进一步提高,保证了算法尽快向最优解收敛。同时引入的收敛终止条件保证了算法尽快跳出循环。最后,在CloudSim平台上对改进遗传算法(IGA)进行了分析,实验结果表明,提出的改进遗传算法能够很好地适用于大规模资源调度,且结果优于其他几种较新的对比算法。

云计算环境下基于改进粒子群算法的任务调度

为了优化云计算环境下任务调度,考虑调度过程中任务的最短完成时间、系统的负载均衡和经济成本3个目标约束,然而3个目标约束之间存在冲突,因此提出了一种使用改进粒子群优化算法来解决云计算任务调度中多目标优化问题,达到同时兼顾3个目标约束的目的。选择惯性权重的模糊自适应策略对粒子群算法进行改进,从而能很好的平衡粒子的全局搜索能力和局部搜索能力,尽量避免过早收敛和陷入局部极值,并且引入移动子和负载因子的概念,用于实现算法对云计算环境下的任务调度。仿真结果表明,该算法对多目标优化问题,具有较好的寻优能力。

云计算环境下基于粒子群算法的任务调度研究

为强化云计算环境下的系统任务调度效果,就需要考虑调度过程中的完成时间、系统负载、经济成本等方面的制约,使相关因素实现平衡,缓解之间的冲突。基于此,本文提出一种基于粒子群算法的云计算下任务调度模式,在兼顾相关因素平衡的基础上,实现多目标调度的优化。

一种基于复制的高效任务调度算法

近年来,对于拥有高性能计算功能的多处理器(包括多核处理器)系统的研究已逐渐成熟,并且在很多并行系统中已经开始采用多处理器架构。但是现在针对多处理器平台的任务调度算法尚未成熟,在满足最大化并行执行各个任务时难以兼顾任务间的通信延迟。基于此,提出了一个新的算法,采用选择复制特定任务的方法来减少任务间的通信时间并提高处理器的利用率,以达到使整个任务的执行时间最短的目标。算法的核心是基于待调度任务,分别计算其在有限个处理器下复制与不复制关键父任务的完成时间,并在之中找到符合条件的完成时间,基于该完成时间,将待调度任务调度到相应的处理器上。该调度算法采用了选择复制的方式进行调度,在增加了处理器利用率的同时,有效地减少了任务之间的通信时间,使整个任务的调度时间变短,调度时间相比对比算法平均缩短2%。这对于结构复杂、参数随机的有向无环图(Directed Acyclic Graph,DAG)任务模型来说,具有高效的调度性能。