融合负载均衡和蝙蝠算法的云计算任务调度

针对云计算虚拟机调度中存在的资源分配不均衡、蝙蝠算法收敛速度慢、寻优精度不高等缺点,文章提出了一种融合负载均衡和蝙蝠算法的云计算任务调度算法。利用负载均衡对蝙蝠种群数据进行初始化,提高初始样本数据解的质量;利用Powell局部搜索算法对当前最优解进行局部搜索,提高收敛速度和精度;利用改进蝙蝠算法对虚拟机进行分配时,充分利用物理机上的资源,达到了最优化目标。仿真实验表明,与其他标准蝙蝠算法和粒子优化算法相比,本文改进的算法有较快的收敛速度和较高的寻优精度。

自适应动态调整粒子群的云计算任务调度

为了高效地实现云计算任务调度,融合改进的分数阶达尔文粒子群算法和多目标函数构造,提出一种新的云计算任务调度算法。对分数阶达尔文粒子群算法进行全方位改进,基于粒子群适应度动态调整惯性权重系数以自适应搜索最优解;利用粒子自身进化信息定义进化因子,结合进化因子并利用高斯图函数调整分数阶次α系数以实现快速收敛;借助Levy飞行随机扰动对局部最优位置进行位置扰动以提高跳出局部最优的能力;综合最短等待时间、资源负载均衡程度及任务完成所耗费用等三个目标构造任务调度满意度函数,以此搜索任务调度最优解。仿真实验表明,与其他粒子优化算法相比,该算法有较快的收敛速度和较高的寻优精度;在任务调度中,该算法与其他三种调度算法相比,在较低的截止时间未完成率下实现了虚拟资源的均衡负载。

多计算任务调度优化的机载智能状态监测单元

为保障无人机的飞行安全,机载智能状态监测得到重点关注。然而,受机载计算资源约束,监测多个关键参数的多任务场景给机载实时计算带来较大挑战。因此,本文提出有限现场可编程门阵列(FPGA)资源下多计算任务调度优化的机载智能状态监测单元,首先,基于堆叠长短期记忆网络建立不同监测参数对应尺度的监测模型,并利用FPGA构建各模型的定制计算加速单元。然后,建立FPGA资源和模型计算时间联合约束的多任务调度优化方法,获取定制计算加速单元部署和计算调度策略,最小化总任务完成时间。最后,根据上述策略在机载计算平台中部署指定尺度的加速单元,完成多计算任务调度。采用实际飞行数据对机载智能状态监测单元进行验证。结果表明,该单元能够高效完成多个状态监测任务的实时计算,较其它基于FPGA的多任务计算方法,计算效率提升优于16.08%。

应用改进粒子群算法在云计算任务调度中的应用及其仿真研究

本文主要是针对计算"云"中的资源进行合理高效的调度分析,提出一种改进算法的且具有双适应度的粒子群优化调度算法(DFPSO),优化后的算法能够实现最小执行时间以及平衡资源负载,并且最后通过仿真实验来验证改进后算法的有效性。

基于改进蚁群算法的云计算任务调度方法研究

当前蚁群算法主要集中于降低任务执行时间方面,所以其在任务调度的执行过程中,容易出现负载不均衡、陷入局部最优解的情况。针对以上这些问题,本文提出了改进的蚁群算法。针对云计算任务调度中存在的负载不均衡、寻优精度不高等问题,通过信息素的更新来实现系统内部负载均衡。

基于改进NSGA-Ⅲ的船舶边缘计算中任务调度算法

针对现有的船舶集中式控制系统无法高效地处理迅速增长的电子设备与智能化任务的问题,研究了边缘计算架构与基于多目标优化的任务调度问题。提出了一种基于边缘计算的智能船舶的分布式控制架构,针对该架构中边缘计算层任务多且计算量大带来的调度优化问题,基于非支配排序遗传算法Ⅲ(non-dominated sorting genetic algorithmⅢ,NSGA-Ⅲ)通过改进并设计种群编码、初始化种群策略、离散的自适应交叉策略与离散的自适应变异策略,提升了算法在计算任务调度问题上的综合性能。仿真实验表明,相较于其他算法,所设计的NSGA-Ⅲ-ADO算法的解集在总计算时延、总计算能耗以及负载均衡度上的平均性能至少提升了6.8%、5.9%以及0.8%,同时其收敛速度也更快,能够更好地解决计算任务调度问题。

网格任务调度算法的多目标模型

在很多情况下处于相互独立或者冲突的情况，使网格任务出现了一个难题，就是多目标约束的问题。本文采用的模型建立和求解方法不同于其它文献的建模方法。这种建模方式的优点在于从系统建模时就可以解决多目标间的相互冲突问题。

一种构造自愿计算网络的新方法

虽然Peer to Peer结构的可扩展性已经成为普遍的共识,但如何简单、有效地构造具有良好特性的P2P计算网络仍然是一个开放问题。本文提出了一个自组织的Peer to Peer重叠计算网络的构造方法以及基于该网络的计算任务调度算法。仿真结果说明,本文构造的计算网络表现出明显的自组织特性,具有较好的可扩展性和自组织能力,能较好地为计算资源的调度提供支持。

遥感云计算:研究现状与展望

随着遥感技术和计算机技术的迅猛发展,遥感数据在深度、广度和密度3个层次上不断汇聚和交叉融合,进而导致了遥感大数据概念的诞生。作为高性能计算最具代表性的云计算技术可以有效地处理大数据。首先引入了遥感大数据和遥感云计算的概念,其次对目前遥感云计算的3个研究热点:遥感大数据的存储、遥感云计算数据处理和遥感云计算任务调度进行了综述,最后对遥感云计算未来的发展趋势进行了展望。

A new heuristic for task scheduling in heterogeneous computing environment

Heterogeneous computing (HC) environment utilizes diverse resources with different computational capabilities to solve computing-intensive applications having diverse computational requirements and constraints. The task assignment problem in HC environment can be formally defined as for a given set of tasks and machines, assigning tasks to machines to achieve the minimum makespan. In this paper we propose a new task scheduling heuristic, high standard deviation first (HSTDF), which considers the standard deviation of the expected execution time of a task as a selection criterion. Standard deviation of the ex- pected execution time of a task represents the amount of variation in task execution time on different machines. Our conclusion is that tasks having high standard deviation must be assigned first for scheduling. A large number of experiments were carried out to check the effectiveness of the proposed heuristic in different scenarios, and the comparison with the existing heuristics (Max-min, Sufferage, Segmented Min-average, Segmented Min-min, and Segmented Max-min) clearly reveals that the proposed heuristic outperforms all existing heuristics in terms of average makespan.

A hybrid differential evolution algorithm for meta-task scheduling in grids

Task scheduling is one of the core steps to effectively exploit the capabilities of heterogeneous re-sources in the grid.This paper presents a new hybrid differential evolution(HDE)algorithm for findingan optimal or near-optimal schedule within reasonable time.The encoding scheme and the adaptation ofclassical differential evolution algorithm for dealing with discrete variables are discussed.A simple but ef-fective local search is incorporated into differential evolution to stress exploitation.The performance of theproposed HDE algorithm is showed by being compared with a genetic algorithm(GA)on a known staticbenchmark for the problem.Experimental results indicate that the proposed algorithm has better perfor-mance than GA in terms of both solution quality and computational time,and thus it can be used to de-sign efficient dynamic schedulers in batch mode for real grid systems.

High performance computing of DGDFT for tens of thousands of atoms using millions of cores on Sunway TaihuLight

High performance computing(HPC)is a powerful tool to accelerate the Kohn–Sham density functional theory(KS-DFT)calculations on modern heterogeneous supercomputers.Here,we describe a massively parallel implementation of discontinuous Galerkin density functional theory(DGDFT)method on the Sunway Taihu Light supercomputer.The DGDFT method uses the adaptive local basis(ALB)functions generated on-the-fly during the self-consistent field(SCF)iteration to solve the KS equations with high precision comparable to plane-wave basis set.In particular,the DGDFT method adopts a two-level parallelization strategy that deals with various types of data distribution,task scheduling,and data communication schemes,and combines with the master–slave multi-thread heterogeneous parallelism of SW26010 processor,resulting in large-scale HPC KS-DFT calculations on the Sunway Taihu Light supercomputer.We show that the DGDFT method can scale up to 8,519,680 processing cores(131,072 core groups)on the Sunway Taihu Light supercomputer for studying the electronic structures of twodimensional(2 D)metallic graphene systems that contain tens of thousands of carbon atoms.