QIACO:一种多QoS约束网格任务调度算法

网格环境下的任务调度问题属于NP难解,难以得到精确的最优解,适合使用蚁群算法等智能优化算法对最优解进行逼近;同时,服务质量(QoS)也是衡量网格性能的一个重要指标,网格任务调度应该满足用户的QoS需求.为解决具有QoS保证的网格任务调度问题,本文以带有QoS约束的任务为研究对象,结合改进的蚁群算法,提出了一种基于蚁群算法的多QoS约束网格任务调度算法(QIACO).QIACO将蚁群算法用到网格任务调度问题中,具体考虑了5种QoS约束,并将QoS约束转换成效用,提出了多约束QoS任务调度模型.同时,本文改进了蚁群算法的搜索策略、决策规则和信息素更新策略,使总效用值即用户满意度达到最大.理论分析和仿真实验表明QIACO无论是在Makespan方面,还是在总效用方面都相比同类算法有较大的优势.

基于资源融合的网格任务调度模型与算法

讨论了网格资源计算能力和网络通信速度异构的树型计算网格环境下独立任务的调度问题,为单层树型网格计算环境下的任务调度问题建立了整数线性规划模型,并采用资源融合方法将多层树型网格计算环境下的任务调度问题转化为单层树型网格计算环境下的任务调度问题,建立了相应的数学模型.基于所提出的模型构造了两个任务分配启发式算法OPCH和OPBH.实验结果表明,在异构的树型计算网格环境下实现独立任务调度时,文中提出的算法比FCFS、Min-min算法具有更好的性能.

基于分层遗传算法的网格任务调度策略

针对传统的网格任务调度算法存在的缺陷,提出了用分层遗传算法来实现对网格任务调度策略的优化.在构造分层遗传算法时引入了SGA,AGA和CHC算法.SGA采用基本的遗传操作,保证了种群的多样性;AGA对交叉概率和变异概率的动态调整,保证了遗传算法的收敛性;CHC算法强调优良个体的保留,加快了遗传算法的收敛速度;分层遗传算法在吸收了这3种算法优点的基础上进行优化.实验结果表明,分层遗传算法在结果精度和收敛速度上都较其他算法有较大程度的提高.

一种基于遗传算法的网格任务调度算法

任务调度算法是网格计算研究的一个重要方向,已被证明是一个NP完全问题。提出了一种新的网格任务调度算法。该算法基于遗传算法,为加快算法的收敛速度,在生成初始种群时优先分配关键路径上的任务;由于资源间存在着通信延迟,引入任务复制方法,并结合遗传操作控制任务复制的深度,可以减少任务之间的通信开销,缩短整个调度的完成时间;最后进行优化操作,减少冗余的任务复制。模拟实验结果表明,该算法在收敛速度和调度完成时间均优于普通遗传算法。

基于遗传算法的网格任务调度方法研究

网格任务调度是典型的NP完全问题,因此如何快速地找到全局最优解是网格任务调度的难点所在。而遗传算法在解优化问题上具有快速性和健壮性,因而遗传算法是解决复杂的非线性问题,特别是复杂环境下的资源调度的有效方法。文中先对网格任务调度进行建模,把资源分配抽象成染色体上的等位基因,然后采用遗传算法对生成的染色体进行杂交、变异进化模拟,并且利用相对适应度以及精英选择来提高算法的收敛性。仿真结果表明,该改进算法能更有效地解决网格任务调度问题。

基于量子蚁群算法的网格任务调度研究

任务调度策略是网格计算的核心问题。在系统任务调度和资源分配中,提出一种基于量子蚁群算法的任务调度策略。算法将量子计算与蚁群算法相融合,通过对蚁群进行量子化编码并采用量子旋转门及非门操作,实现对任务自适应启发式的分配和优化。算法有效增强了种群的多样性、克服了遗传算法和蚁群算法的早熟收敛和退化现象。仿真实验中,分别与基于遗传算法和基于蚁群算法的任务调度策略相对比,结果表明算法有效缩短了任务调度的时间跨度,增强了网格系统的性能。

基于网格任务调度的Monte Carlo仿真建模

网格系统是异构和动态分布系统,其节点的计算能力存在差异。在多个节点共同完成任务时,容易产生计算瓶颈,影响计算吞吐量和造成延迟,甚至导致整个任务失败。利用Monte Carlo仿真的自然并行性,解决了网格任务调度问题,设计了基于网格的Monte Carlo仿真流程框架和节点状态机模型。在此基础上,建立了“N-M”调度策略的二项式概率模型,并在不同的参数条件下对Monte Carlo仿真任务的性能进行了测试和分析,结果验证了设计方案的有效性。

融合目标空间分割的网格任务调度算法

针对网格环境中多个相互独立的任务调度问题,提出一种融合空间分割思想的网格任务调度算法(OSD-GTSA,a Grid Task-Scheduling Algorithm based on Objective-Space-Divided)。算法结合了OSD-MOEA(A Multiple-Objective Evolutionary Algorithm based on the ObjectiveSpace-Divided)算法的目标空间分割的思想,通过对网格中多个相互独立的任务问题进行建模,针对费用和时间权重的不同,进行了3组仿真实验。实验结果表明,OSD-GTSA在算法的收敛性和Pareto解集的分布性上都取得了满意的效果。

一种基于信息素传递的GIS网格任务处理算法

本文在分析蚁群算法模型缺陷的基础上,提出一种与真实蚁群系统更加相符的基于信息素传递的蚁群算法,并提出了一种适合该算法的任务分配网格模型,该网格模型能对GIS海量数据进行有效的处理。并进行实验分析验证了其独特的效果。

混沌粒子优化算法在网格任务调度的应用

研究网格计算中任务调度优化问题,由于网格环境具有动态性、异构性等特点,导致传统网格任务调度算法的调度效率,网格负载严重不平衡。结合粒子群的快速性和混沌的遍历性优点,提出了一种基于混沌粒子群优化算法(CPSO)的网格任务调度优化方法。首先建立网格任务调度问题的数学模型,然后采用CPSO对其进行求解,通过混沌变量产生优化粒子群,加快网格任务调度求解速度。仿真结果表明,CPSO提高了资源调度效率,网格负载更加均衡,具有较好的应用价值。

一种新的异构网格任务调度算法

提出了一种基于免疫计算的异构网格任务调度算法。设计了异构网格独立任务调度问题的数学模型,给出了免疫调度算法的框架、基于实数编码的克隆变异算子和浓度抑制算子,并在仿真环境下进行了实验。实验结果表明,算法能有效地解决异构网格任务调度问题,具有较好的应用价值。

融合遗传算法和蚁群算法动态网格任务调度算法研究

网格计算是当今计算机科学领域最新兴起的一项有很高学术价值和应用价值的研究课题。未来互联网的发展方向是将网络中众多闲置的计算资源、存储资源以及科学仪器等可用资源充分合理的加以利用。如何高效地使用网格资源,即网格调度问题也随之成为研究的重点,虽然在传统的分布式并行计算中有很多成熟的任务调度算法,但由于网格的新特性,使得必须研究新的算法来解决一些新出现的问题,如调度问题的NP安全性,调度算法的高效性,资源的异构性以及资源分配决策的并行性和分布性等。

基于蒙特卡洛仿真的制造资源网格任务可靠性分析

为了反映本地任务到达和失效对网格任务执行的影响,采用确定与随机Petri网描述了制造资源的运行状态,并给出了不考虑本地任务到达情况下制造资源的网格任务可靠性表达式。对于考虑本地任务到达的情况,采用蒙特卡洛仿真方法,研究了在本地任务优先策略下制造资源的网格任务可靠性问题,分析了本地任务到达率、本地任务执行率等因素对任务可靠性的影响,从而为网格资源管理系统更好地实现网格任务调度提供依据。

基于多维QoS约束的网格任务负载均衡调度模型及算法

为了在网格任务调度过程中更好满足用户多维QoS需求和提高系统负载均衡性能,提出一种基于多维QoS约束的网格任务负载均衡优化算法.综合考虑任务执行费用、执行时间和系统负载均衡性能,构造了新的评价用户综合满意度的连续性效应函数和反映系统负载均衡的异构网格任务调度模型.通过对遗传算法算子进行重新设计,实现了目标优化.仿真实验结果表明,在同等条件下该算法与同类算法相比,在负载均衡性能、QoS总效应值、任务完成率方面具有较好的综合性能.

一种改进的进化优化网格任务调度算法

针对网格环境中任务调度问题,本文提出了一种改进的进化优化网格任务调度算法(IE-GTSA),该算法融合了目标空间分割的进化算法的思想,在个体选择机制上实现了快速高效。模拟实验结果表明,该算法比Min-min、Max-min性能更优。

可信禁忌粒子群优化网格任务调度算法

网格任务调度是典型的NP(Non-Polynomial)难题,基于粒子群优化智能算法,提出一种新的任务调度算法,目标是使所有任务整体完成时间最小。算法首先随机产生一群粒子,然后对粒子的位置和速度不断迭代,获得可以接受的任务调度方案,并从中选择一组信任度最高的作为较优解,再利用禁忌搜索算法由较优解获得最优解。仿真实验结果表明,与遗传算法相比更适合于求解规模较大的网格任务调度问题。

一个扩展的以QoS为指向的网格任务调度算法

在对网格计算的研究中,有人考虑了计算资源中服务质量(QoS)因素,在对传统的 Min Min算法加以改进的基础上,提出了QoS Guided Min Min算法。在此基础上,本文提出一种新的扩展型算法,以进一步提高网格资源的利用率。最后,本文对以上三种算法的实验结果进行了比较分析。

基于请求负载的网格任务模糊控制调度策略

在面向大规模复杂应用的网格环境中,网格任务的优化调度变得越来越重要。文中首先提出了一种新的网格任务-服务映射算法,即基于任务负载和优先级的网格任务模糊控制调度策略。在考虑到外部网格任务请求负载和优先级的基础上,能够减少众多网格任务的平均完成时间,使得资源利用更加合理,同时还考虑到了网格服务的价格,即在满足任务负载影响和优先级的情况下,选择价格最小的服务。最后,开发了网格任务调度中间件,并在平台上给出了算法与其他几种常见的经典调度算法进行比较的试验结果。实验表明,算法明显优于已有的经典算法,具有较好应用情景。

自适应邻域的多目标网格任务调度算法

针对网格计算中的多目标网格任务调度问题,提出了一种基于自适应邻域的多目标网格任务调度算法。该算法通过求解多个网格任务调度目标函数的非劣解集,采用自适应邻域的方法来保持网格任务调度多目标解集的分布性,尝试解决网格任务调度中多目标协同优化问题。实验结果证明,该算法能够有效地平衡时间维度和费用维度目标,提高了资源的利用率和任务的执行效率,与Min-min和Max-min算法相比具有较好的性能。

一种启发式数据分发网格任务调度算法

针对单优先级数据分发任务调度算法存在的缺陷,依据网格任务分发服务质量(QoS)效益函数理论,运用加权法将网格系统的性能指标转化为加权效益和函数,将加权效益和函数作为启发式函数,设计了一种基于效益函数的任务调度算法对数据分发任务进行调度,并进行仿真实验。结果表明,该算法弥补了只考虑单优先级数据分发任务调度算法的缺陷,具有一定的实用性。