基于混合PSO-Adam神经网络的外协供应商评价决策模型

当前复杂外协环境中外协加工资源的分散性、多样性、动态性、组合性对制造企业的外协供应商评价提出了更高的要求,这使得传统的方法难以满足当前环境下外协供应商评价的需求.对此,提出一种基于混合PSO-Adam神经网络的外协供应商评价决策模型,以弥补多目标决策方法主观性太强、数学规划方法难以求解复杂问题以及经典神经网络方法的性能不稳定等缺陷.为验证模型的有效性,以某建材装备制造企业外协供应商评价问题实例进行实验分析,并与其他现有算法进行对比.结果表明,该决策模型能够针对当前复杂的外协环境客观高效地进行外协供应商评价决策,进一步减少对个人经验的依赖,降低供应商评价难度,减少供应链管理成本.     

云计算环境下基于灰色AHP的供应商信任评估研究

针对传统信任模型的不足,以改善供应链企业间的信任危机为目标,以灰色系统理论为基础,将层次分析法(analytic hierarchy process,AHP)与灰色评估法相结合,提出一种基于灰色AHP的云计算供应商信任评估模型。通过定义信任评价等级灰类及白化权函数,计算云环境下供应商企业实体各信任证据的灰色评价权,结合层次分析法构建层次结构并确定信任证据权值,最后求出供应商企业的信任评估值及信任等级灰类。实例说明,该信任评估方法能够有效应用于云环境供应商评价中,评价结果客观有效。     

云计算中负载优化模型及算法研究

云计算环境的动态性和异构性,使得云计算很容易出现负载失衡现象,严重影响了云计算的整体性能和用户体验.论文提出了基于改进遗传算法的负载均衡优化模型,兼顾资源需求动态变化和虚拟机的计算能力,建立相应的资源调度模型,运用改进遗传算法实现资源负载均衡.验证表明,该算法能很好满足云环境下数据中心的使用要求,提高资源利用率和负载均衡度.     

云计算环境下的模糊解耦能效优化算法研究

在保证云计算环境的高计算性能和较优服务质量的前提下,系统能效优化成为推广云计算所要重点解决的问题。为了适应多负载和多任务的云计算任务环境,设计了一种模糊解耦能效优化方案。首先进行输入输出及中间变量参数的设定;然后建立模糊神经网络(Fuzzy Neural Network,FNN)模型及解耦规则,对影响能效指标的关键参数进行提取和优化,该方法能快速找到影响能效的关键因素并对其进行评估,从而实现稳定可控的能效优化;最后加入模糊解耦的参数扰动自调整设计,对解耦运算遇到的参数扰动进行自适应调整,提高系统的鲁棒性。     

云计算环境下动态虚拟企业伙伴选择模型

互联网内海量的企业信息检索以及虚拟企业UDDI的搭建和管理已成为中小型企业组建虚拟企业的严重障碍。云计算通过互联网络提供虚拟化的资源计算模式,使企业能够快速部署资源和获取信息服务,从而使中小企业以快速和较低的成本创建企业联盟,争取主导地位成为可能。提出了一种云计算环境下动态虚拟企业伙伴选择模型,采用并行筛选机制降低问题求解空间,实现了中小企业联盟海量伙伴选择和UDDI搭建等问题,并通过实验验证了模型的合理性和可行性。     

基于声誉的供应链合作伙伴选择模型

为高效准确地寻找最佳供应链伙伴组合,提出一种供应链伙伴选择的多目标优化模型。以提高企业声誉稳定性、企业与盟主企业拟合度极大化,以及供应链伙伴组合总体声誉极大化为目标函数,利用保留精英策略的非支配遗传算法进行求解,以减少优秀企业在迭代过程中被淘汰的概率,并找到Pareto最优解。算例结果表明,与供应链伙伴选择独立决策模型以及TOPSIS模型相比,该模型不仅有助于选取稳定性更高的伙伴组合,并能实现供应链整体综合效用的最大化。     

基于遗传神经元网络的供应链伙伴企业选择方法的研究

供应链管理是当今的研究热点,其中的伙伴企业选择是其主要研究的问题之一。本文介绍了一种遗传BP算法来优化人工神经元网络,以解决供应链的伙伴企业选择问题。最后以企业为背景,运用这种遗传神经网络来解决实际问题,并给出了结果。     

一种云计算环境下的能效模型和度量方法

提出一种云计算环境下的能效模型和度量方法.首先定义了能效的数学表达及其测量和计算方法,并推导出了能效最大值的发生条件;其次,为方便能效计算,改进了计算机功率和CPU工作状态之间关系的数学表达,通过CPU使用率和频率来计算能效,从而简化了能效测量方法,此外,还设计并实施了大量实验,验证了提出的能效模型的正确性;同时对单机环境,云计算环境中CPU密集型、I/O密集型和交互型运算进行能效评估,总结其能效规律和优化办法,理论和实验证明,所提出的能效模型和计算方法能够准确地评估云系统的能效,并为能效优化奠定基础.     

基于遗传算法的云服务商伙伴选择问题研究

针对目前云计算市场如何选择合适的云服务商来组成动态联盟,以便更快更有效地满足终端客户的需求,实现云服务资源的优化配置.运用灰色关联综合评价模型确定云服务市场的优化指标,运用多目标优化模型定量分析和研究了云服务商的伙伴选择问题,选取在云计算市场提供计算服务、存储服务、软件服务的云服务商作为研究对象,提取成本、响应时间、服务质量作为研究优化指标;通过赋予相应的权重值,采用遗传算法对多目标规划化问题进行求解,寻找到符合各个云服务商利益的合作伙伴,最后通过算例证明该算法在解决最佳云服务商伙伴选择组合方面的合理性,验证了该模型及算法的有效性.     

基于FCM的企业供应链绩效动态评价方法研究*

为了克服传统供应链绩效评价方法缺少动态性、忽略评价因素间的相互作用关系的缺点,通过对模糊认知图（FCM）原理的探讨,结合企业供应链绩效评价标准,提出了基于FCM的企业供应链绩效动态方法,构建了企业供应链绩效评价模型,实现了对企业供应链绩效的动态评估,通过实例验证了该方法的可行性。     

云计算环境下实体的多属性高效率评估策略设计

鉴于当前在云计算的实体信任评估领域所实施的方法策略无法满足云计算环境的动态模糊性,以遗传自适应学习算法为理论基础,在云计算环境下的信任管理过程中,针对动态评估高效率的需求,设计了多属性信任关系的动态评估模型。其可以评估分析信任管理过程实体的多属性问题,同时可以在持续的评估过程中,自主的学习,使其评估分析的执行能力逐渐提升,最终能够满足上文中阐明的高效性与动态性的要求。经过实验分析表明,本文所设计的模型在直接面对实时变化的云计算网络环境实体参数时,其可以自适应的调整评估策略规则,最终克服了云计算环境的动态模糊性,对实体的多个属性进行了综合评估。     

一种云环境下的主机负载预测方法

云计算是一种基于信息网络的计算模式和服务模式,它将信息技术资源以服务方式动态、弹性地提供给用户,使用户可以按需使用。由于受到主机的启动时间、资源分配时间以及任务调度时间等因素的影响,在云环境下提供给用户的服务存在时延问题。因此,工作负载预测是云环境下一种重要的能源优化的方式。此外,由于云中工作负载的变化具有十分大的波动性,因此增加了预测模型的预测难度。提出了一种基于自回归模型和Elman神经网络的预测模型(Hybrid Auto Regressive Moving Average model and Elman neural network,HARMA-E),其使用ARMA模型进行预测,再使用ENN模型对ARMA模型的误差进行预测,通过修正ARMA的输出值得到最终的预测值。仿真实验结果表明,该预测模型能够较好地提升主机负载预测值的准确度。     

基于边缘节点的深度神经网络任务分配方法

随着边缘计算的发展,边缘节点的计算规模不断增加,现有的边缘设备难以搭载深度神经网络模型,网络通信与云端服务器承受着巨大压力。为解决上述问题,通过对Roofline模型进行改进,借助新模型对边缘设备的性能与网络环境进行动态评估。根据评估指标,对神经网络模型进行分离式拆分,部分计算任务分配给边缘节点完成,云端服务器结合节点返回数据完成其它任务。该方法基于节点自身性能与网络环境,进行动态任务分配,具有一定兼容性与鲁棒性。实验结果表明,基于边缘节点的深度神经网络任务分配方法可在不同环境中利用设备的闲置性能,大幅度降低中心服务器的计算负载。     

基于云计算的供应链RFID信息服务研究*

针对供应链环境下现有的EPCGlobal网络存在的问题和信息服务的需求,提出一种基于云计算的射频识别技术（RFID）信息服务架构。该架构将企业的本地RFID应用与供应链公共信息服务解耦,利用基于隐马尔可夫模型的信息分布机制将RFID信息发布到云中,构建起统一的RFID信息服务云平台,为供应链环境下RFID应用提供近实时、序列级的信息服务。将该架构与EPCGlobal网络相比较论证了其优越性。     

云计算环境下基于FANP的用户行为的可信评估与控制分析

云计算环境下,开放的运行环境使其面临重大的安全挑战,仅仅提供用户身份认证的安全控制已经不能完全适应云计算等新型计算机网络的应用。结合动态的行为可信的安全措施,有效地确定不可信云终端用户并正确分析云用户的异常行为是在复杂动态环境下保证云安全的基础。采用基于三角模糊数的模糊网络分析法(FANP),通过使用模糊数来反映专家评判的模糊性,弱化了单纯使用ANP方法存在的主观性,并对网络用户行为各属性的权重进行了量化计算,使评判结果更加客观。评价结果为基于动态信任的安全控制提供了量化分析的基础,为服务提供者采取更加安全的策略来响应用户请求提供了量化依据。     

Matrix based proactive resource provisioning in mobile cloud environment

Mobile cloud computing is a dynamic, virtually scalable and network based computing environment where mobile device acts as a thin client and applications run on remote cloud servers. Mobile cloud computing resources required by different users depend on their respective personalized applications. Therefore, efficient resource provisioning in mobile clouds is an important aspect that needs special attention in order to make the mobile cloud computing a highly optimized entity. This paper proposes an adaptive model for efficient resource provisioning in mobile clouds by predicting and storing resource usages in a two dimensional matrix termed as resource provisioning matrix. These resource provisioning matrices are further used by an independent authority to predict future required resources using artificial neural network. Independent authority also checks and verifies resource usage bill computed by cloud service provider using resource provisioning matrices. It provides cost computation reliability for mobile customers in mobile cloud environment. Proposed model is implemented on Hadoop using three different applications. Results indicate that proposed model provides better mobile cloud resources utilization as well as maintains quality of service for mobile customer. Proposed model increases battery life of mobile device and decreases data usage cost for mobile customer.     

灰色关联分析和粒子群优化算法相融合的合作伙伴选择

针对目前解决云服务商合作伙伴选择问题方法均存在如搜索速度变慢、实用性差、难以获得完全合理的选择方案等不足,提出了一种灰色关联分析和粒子群优化(PSO)算法相融合的合作伙伴选择方法。首先采用灰色关联法对云服务商的评价指标进行筛选,并计算每一种指标的权重值;然后建立云环境下服务商合作伙伴选择问题的数学模型,并采用粒子群算法对其进行求解,找到云服务商合作伙伴选择的最佳方案。具体应用实例性能测试结果验证了方法的有效性和合理性,它可以选择出最佳的合作伙伴。     

基于利润场的云联盟合作伙伴动态选择机制研究

云联盟是云计算发展过程中的一种能优化资源配置的组织形式。在云联盟的发展过程中,选择合适的合作伙伴是保证云联盟质量的关键。针对云联盟的合作伙伴选择问题,文章结合现有的联盟合作伙伴选择机制,借鉴场论思想,构建利润场模型,设置企业（云资源供应商）进入退出联盟临界点,形成基于利润场的云联盟动态选择机制。最后,通过实例分析论证了此方法的合理性和有效性。     

公有云存储系统性能评测方法研究

随着云存储系统的迅速发展和广泛使用,许多企业开发者和个人用户将其应用从传统存储迁移至公有云存储系统,因此,云存储系统性能成为企业开发者和个人用户关注的焦点。由于传统测试难以模拟足够多的用户同时访问云存储系统;测试环境构建复杂,测试时间长,准备测试环境成本高;受网络因素及外界其他因素影响,评测结果不稳定。针对以上所述云存储系统性能评测的重点和难点,提出一种“云测试云”的公有云存储系统性能评测方法,该方法通过在云计算平台动态申请足够数量的实例,对公有云存储系统性能进行评测。首先,构建通用的性能评测框架,可动态伸缩申请实例,自动化部署评测工具及负载,控制并发访问云存储系统,自动释放实例及收集并反馈评测结果;其次,提出多维度的性能评测指标,涵盖不同典型应用、不同云存储接口;最后,提出一种可扩展通用的性能评测模型,该模型可以评测常见典型应用的性能,分析云存储性能影响因素,可适用于任何的公有云存储平台。为了验证该方法的可行性、合理性、通用性和可扩展性,利用所提方法对Amazon S3云存储系统进行性能评测,并使用s3cmd验证评测结果的准确性。实验结果表明,评测结果可以为企业开发者和个人用户提供参考意见。