云计算环境下任务调度算法的研究

在云计算环境中存在庞大的任务数,为了能更加高效地完成任务请求,如何进行有效地任务调度是云计算环境下实现按需分配资源的关键。针对调度问题提出了一种基于蚁群优化的任务调度算法,该算法能适应云计算环境下的动态特性,且集成了蚁群算法在处理NP-Hard问题时的优点。该算法旨在减少任务调度完成时间。通过在CloudSim平台进行仿真实验,实验结果表明,改进后的算法能减少任务平均完成时间、并能在云计算环境下有效提高调度效率。     

云环境下任务调度算法对比研究

云计算是完全基于互联网的新兴技术。云计算环境中的任务调度问题一直都是该领域的研究热点。合理高效的任务调度算法在云环境中能有效的缩短任务完成时间,提高系统负载均衡,更好的满足用户与云提供商的需求。本文研究了云平台的任务调度机制,探究了任务调度过程中的关键性指标。通过云仿真平台CloudSim实现并分析了顺序调度算法、Min-Min算法和Max-Min算法,对比其在随机生成用户任务负载与虚拟机计算资源的情况下的任务完成时间,实验证明Min-Min算法与Max-Min算法均优于顺序调度算法。以此为未来研究提供实验支撑和方向。     

异构多平台信号处理任务调度研究

简单的并行计算或单一异构平台已经无法满足计算量大、复杂度高的信号处理和任务调度需求，异构多平台系统已经成为信号处理和任务调度的发展趋势。针对提高平台的吞吐量、处理器的利用率以及任务的感知等问题，文中对异构多平台信号处理模型进行了研究，并利用有向无环图对调度任务和软硬件资源建模。基于已提出的调度算法，对任务调度进行了归纳总结、对比分析，发现基于任务感知的混合调度算法能够较好地满足平台调度需求。利用基于任务感知的混合调度算法解决信号处理中的任务调度将是未来研究发展的趋势。     

基于混合算法的云计算任务调度方法研究

目前针对任务调度方法的研究中,为了降低研究难度,通常只针对某一个考量任务调度方法好坏的尺度进行研究,经常会出现优化后的方法以较高的计算成本为代价换来较短的任务完成时间,有时是得不偿失的。因此该文将任务完成时间和计算成本均作为优化的目标,对任务调度方法进行研究,平衡任务完成时间和计算成本,提高云计算的效率。该文使用遗传优化算法对上述提出的任务调度问题进行求解,并将模拟退火算法、自适应机理相结合,建立更加适合云计算任务调度求解的混合优化算法。最后,通过实验分析,以仅对任务完成时间优化和仅对计算成本优化的算法进行比较,该文研究的混合算法的云计算任务调度方法能够有效平衡任务完成时间和计算成本,有效提高云计算的效率,降低其计算成本。     

基于粒子群算法的嵌入式云计算资源调度

随着移动互联网的发展,基于嵌入式设备的云计算服务成为研究热点。在国内,嵌入式云计算目前正处于探索研究阶段,云资源管理调度是嵌入式云计算的核心技术之一,其效率直接影响嵌入式云计算系统的性能。为了提高云计算性能,本文提出一种基于粒子群优化算法的云计算任务调度模型。粒子群算法中粒子位置代表可行的资源调度方案,以云计算任务完成时间及资源负载均衡度作为目标函数,通过粒子群优化算法,找出最优资源调度方案。在matlab实验平台进行了仿真,通过大量数据模拟实验表明,该模型可以快速找到最优调度方案,提高资源利用率,具有较好的实用性和可行性。     

基于模糊聚类的云任务调度算法

为了更好地实践云计算提供廉价按需服务的宗旨,提出了一种在模糊聚类基础上,基于两级调度模式的任务调度(FCTLBS,fuzzy clustering and two level based task scheduling)算法,新算法设置用户调度和任务调度2个等级。对资源进行性能模糊聚类;根据任务参数计算资源偏好,使不同偏好任务在不同聚类中选择,缩小了选择范围,更好地反映了任务需求。仿真实验表明,本算法较之同类算法具备一定的优越性。     

基于改进灰狼算法的云资源调度策略研究

针对云计算中任务调度考虑因素单一和大规模任务环境下任务存在调度效率低、分配不合理等问题,本文提出了一种基于改进的灰狼优化算法的云计算任务调度策略。通过建立基于多目标的评价模型,使其在单一适应度中处理多目标,其中包含任务总耗时、功耗以及系统负载度;提出一种将粒子群算法和灰狼优化算法相结合的搜索方法,以增强灰狼层次的全局最优搜索;引入自适应权重以增强灰狼优化算法的局部搜索能力;同时引入随机对立学习策略以避免陷入局部最优。将本文提出的改进算法与粒子群优化算法(PSO)、标准灰狼优化算法(GWO)及基于MakeSpan适应度的灰狼优化算法(MGWO)在CloudSim平台进行对比实验。仿真结果表明,该方法适用于大规模任务调度,且在任务完成总耗时、功耗以及系统的负载均衡度方面较PSO、GWO和MGWO均有明显提升,其中较MGWO算法综合提升14%。     

云计算环境中任务调度策略

在满足用户QoS的前提条件下,对海量任务进行高效调度并对云资源进行合理分配是云计算领域的一个研究热点。文章论述云计算环境下任务调度的概念、特点和目标,归纳了云计算任务调度的研究现状,并对传统任务调度算法、Hadoop中的任务调度算法、智能化的任务调度算法的实现机制和性能指标等进行了分析与比较。分析结果表明智能化任务调度算法性能优良且适应性强,是今后的研究重点。     

云计算资源调度策略中最小资源矩阵应用的研究

传统的蚁群算法(ACO)在云计算资源调度的应用中,存在一些资源节点无法满足任务运行所需的硬件配置条件,从而在任务调度算法中造成了大量的浪费以及整体资源调度效率低下等问题。据此提出一种基于最小资源矩阵(ACO-MRM)的改进蚁群算法,抛弃大量不满足任务运行条件的资源节点,减少大量对无效资源节点的计算,加速算法收敛。仿真实验表明,改进的蚁群算法不仅能够提高云计算调度的有效性,而且能缩短任务执行时间和减少运行成本来获取全局最优调度方案。     

基于双重自适应策略的旋转相控阵雷达任务调度方法研究北大核心CSCD

针对旋转相控阵雷达任务调度过程中资源利用不充分问题和调度算法优化需求,提出基于双重自适应策略的任务调度算法(TSM-DAS)。首先,通过探究旋转相控阵雷达扫描特性,将雷达任务分为两类;然后,针对不同类型任务的调度时间差异,提出任务调度的双重自适应策略;最后,结合任务时间窗、优先级和贪心算法,给出基于双重自适应策略的任务调度算法,并通过仿真实验对TSM-DAS进行验证。实验结果表明,相比其他同类算法,TSM-DAS能够有效提升雷达资源利用率,降低任务截止期错失率,从整体上提升旋转相控阵雷达的任务调度效能。