基于多智能体技术的虚拟企业任务调度

采用多智能体技术构建了虚拟企业任务调度运行模型,该模型包括管理智能体、任务智能体、资源智能体等.针对模型中的调度优化问题,以资源智能体所承担的生产任务为对象,综合考虑资源智能体自身已确定的生产任务、完成虚拟企业生产任务所需作业时间及转运时间等因素,建立了以制造时间最小化为目标的优化调度模型,并给出了粒子群优化求解算法.最后以工业机械手制造实例说明了任务调度模型及求解算法的有效性.     

基于蚁群算法的虚拟企业生产任务调度优化研究

描述了虚拟企业生产任务调度的层次框架,该调度框架包括虚拟企业全局调度和合作伙伴局部调度两个层次.针对虚拟企业调度层的优化问题,综合考虑虚拟企业生产任务的时序逻辑关系、作业时间和生产任务集等影响因素,建立了以任务总作业时间最小化为目标的数学模型,并基于蚁群算法对上述优化模型进行了求解.应用实例与算法比较验证了优化模型与求解算法的有效性.     

基于不同分配策略的云计算任务调度性能比较与分析

形式化描述了云计算环境下的负载均衡任务调度问题,借助动态规划方法形式化推导了最早完成时间的启发式优先分配策略,给出了基于先易后难优先分配策略、先难后易优先分配策略的启发式云计算任务调度算法。阐述了基于顺序调度策略、先易后难优先分配策略、先难后易优先分配策略等启发式任务调度算法和基于禁忌搜索策略、元胞演化策略等智能任务调度算法。针对不同分配策略的云计算任务调度进行性能比较与分析,提出了完成时间可改进百分比和资源负载平衡因子的调度性能评价指标,实验数据对比充分表明:与启发式调度算法相比,智能调度算法能减少任务执行时间,优化资源负载均衡性能。     

改进蛙跳算法的网格任务调度优化模型

为解决当前调度模型存在的局限性, 以更好完成网格环境下的任务调度目标, 结合网格任务调度的NP(Non-deterministic Polynomial)问题特点, 提出了改进蛙跳算法的网格任务调度优化模型。首先以网格任务完成时间作为调度优化指标, 然后采用蛙跳算法找到最优的网格任务调度方案, 并对蛙跳算法存在不足进行改进,以改善算法工作性能, 最后在网格仿真平台GridSim 上进行性能验证分析。实验结果表明, 改进蛙跳算法可较好完成网格任务调度, 缩短了任务完成的时间, 资源负载更加均衡, 而且性能明显要优于其他算法。     

基于时间与费用双优化的虚拟企业调度算法

基于合理抽象虚拟企业模型和任务模型,建立虚拟企业生产任务计划的数学模型,并提出了一种时间与费用双优化的调度算法.该算法分别针对虚拟企业生产调度的时间与费用2个目标提出启发式优化算法,并以调度优化的结果作为遗传算法的初始染色体,通过对遗传算法运算的重新定义来优化虚拟企业生产计划调度,充分发挥遗传算法良好的全局搜索能力和能有效避免陷入局部极小的优点,提高了算法的全局寻优能力.实验结果表明,启发式优化算法与遗传算法相结合的优化技术能够降低虚拟企业生产费用,使企业具有较好的生产敏捷性.     

基于MAS的动态协作任务求解模型与算法

为提高动态网格资源的利用率,提出了基于多智能体系统博弈协作的任务动态分配和协作求解模型,建立了网格资源调度模型和任务求解算法,证明了资源分配博弈中Nash均衡点的存在性、唯一性和Nash均衡解。该方法能够利用用户智能体的学习和行为能力,使得用户的资源申请和任务调度具有较高的合理性和有效性。进行了供求关系中竞价博弈的模型试验。实验结果表明,资源调度算法不但可以有效减少延迟,而且在响应时间的平滑性、吞吐率及资源利用率方面比类似方法要好。使得整个网格系统供需合理、负载均匀。     

基于CSA和PSO的多目标优化任务调度算法

针对现有云计算环境中任务调度算法资源利用率低、完成时间长和调度成本高的问题,提出一种基于布谷鸟搜索算法(Cuckoo Search Algorithm, CSA)和粒子群优化(Particle Swarm Optimization, PSO)混合的多目标优化任务调度策略.该策略以完成时间、成本以及最后期限违反率为目标函数,将布谷鸟搜索算法和粒子群优化有效地组合来执行智能优化任务调度问题,避免调度过程中出现局部最优现象.实验结果表明:相对于其他启发式调度算法,本文提出的方法明显具有优势,可以最大程度地降低完成时间、调度成本和最后期限违反率.     

基于Multi-Agent技术的露天矿山生产调度系统框架的构建

针对于露天矿山生产调度系统的复杂非线性、工艺点多面广等特性,引进具有分布式管理特性的多智能体技术,建立基于多智能体技术的露天矿山生产调度系统.在系统中将生产调度分为任务Agent、生产调度Agent、爆破Agent、运输Agent、破碎Agent以及资源Agent六个单智能体.运用具有较强非线性拟合能力的自适应神经模糊推理系统(ANFIS)进行局部与整体的建模,并利用粒子群优化算法对模型进行优化,得出最优化生产调度方案.对矿山实际生产调度方案的制定具有一定的参考价值.     

一种新型的云任务调度算法研究

云计算具有弹性、保证服务质量和按需的资源配置模型等特征,通常用于处理大批量的计算任务,因此任务调度策略对资源使用效率起着至关重要的作用.考虑到任务的数量和到达服务器的时间不确定性,并且用户对任务的执行往往有一定的期望(如任务优先级、执行时间等),如何合理地分配计算资源,最大程度满足用户的服务质量需求是一个值得研究的问题.为此,提出了一种新型的云环境下QoS-aware服务质量感知的任务调度算法(QTS),该算法结合贪心算法的思想,并加入了任务完成满意度模型作为任务调度的评价依据.通过扩展CloudSim仿真平台进行实验,将QTS与RR调度、Max-Min和Min-Min调度比较,结果表明,QTS是一种有效的任务调度算法.     

一种异构计算系统动态任务分配模型

文章将群体智能技术引入异构计算系统的优化调度问题当中,利用蜂群与环境的交互模型来实现异构计算系统中动态的任务调度和分配,提出了一种优化的动态任务分配模型.该模型通过处理器对待处理任务的动态选择,实现了异构计算系统中任务的动态分配和任务的优化分配.     

基于改进遗传算法的网格任务调度

为在网格环境下完成任务调度,使服务运行时间和费用2个指标达到最优化,将这2个指标作为网格任务调度模型的衡量指标,将计算经济模型引入网格资源管理,改进了遗传算法。算法中的染色体编码采用间接编码方式,对每个任务占用的资源编码,即实数编码方法。生成初始种群时采用随机生成种群和根据某些先验知识生成种群这2种方法相结合,变异操作时根据原来染色体的适应值和适应度函数进行有目的的随机变异。通过网格仿真平台GridSim对该算法进行模拟验证,并将其与简单遗传算法及GridSim中经济模型下时间最优算法DBC_Time比较,试验结果证明,其能较好完成网格环境下任务的调度,实现时间和费用双目标优化。     

基于改进的粒子群优化的云计算资源调度模型

针对云计算系统中多任务并发模式下引发的资源竞争,本文提出了一种基于改进的粒子群优化的云计算资源调度分配模型,以提高资源利用率.首先,对云计算系统中的资源调度问题进行形式化描述,构建以任务的总完成时间为优化对象的目标函数.其次,求解时采用粒子群优化算法,为保证收敛速度且避免粒子群在搜索过程中陷入局部最优,定义了惯性权重函数.另外,引入一个调整算子以优化位置更新.仿真结果表明,本文提出的资源调度分配模型能够有效提高云计算资源利用率,大幅减少任务的处理时间.     

实时控制系统一种基于模型预测控制的反馈调度

提出一种基于模型预测控制(MPC)的反馈调度算法(FS-MPC),可以在有限计算资源的情况下改进实时控制系统的性能.将被控的实时调度过程模型化为受约束的任务集密度控制问题.在FS-MPC算法中,约束条件保证任务集在最早截止时限优先(EDF)算法下是可调度的;同时,MPC的优化目标通过减小控制任务的截止时限使整个任务集的密度尽可能接近100%,从而提高控制任务的优先级,降低输出抖动.仿真结果表明,在有限计算资源的情况下,FS-MPC显著地降低了由调度过程引起的控制性能损失.     

一种基于蚁群算法动态均衡的网格任务调度

网格资源分配属于NP-难问题,为了更好地解决该问题,首先建立一种性能QoS优化的作业级网格任务调度模型和目标函数,并对资源和任务数进行了分析.提出了基于动态信誉度的改进蚁群算法RACO(reputation-based ACO)进行网格任务调度,RACO引入空间效率和时间效率的动态调节因子,同时采用局部和全局信息素更新策略.仿真实验表明,RACO在资源利用率、动态均衡方面优于Min-min,Max-min和ACO算法.     

基于动态规划的云计算任务调度研究

任务调度作为云计算中的核心问题,其目的是合理分配任务,实现最佳调度策略并且有效地完成任务.首先对当前云计算中任务调度算法进行分析并指出传统算法的不足与缺点,然后提出一种基于动态规划模型的任务调度算法,以任务运行时间最少为优化目标,把任务与数据集群中虚拟机匹配看成为多阶段决策的组合优化.最后在CloudSim进行仿真实验,结果表明,所提算法在满足多用户需求下与max-min和min-min算法相比,在一定数量规模下,任务完成时间减少而资源负载相对均衡.     

基于分层禁忌遗传算法的卫星任务调度方案

对地观测卫星在地球观测系统中起着核心作用,任务调度是对地观测卫星满足更多任务需求并获得高观测效率的重要手段。随着用户的激增,大量的任务请求引起卫星资源、时间资源的冲突,导致卫星任务的调度效率低下。为了解决上述问题,通过拆分和聚类2种策略对任务进行预处理,设计了一种基于分层禁忌遗传算法(layered tabu genetic algorithm, LTGA)的卫星任务调度方案。建立了对地观测系统模型,分析了观测任务调度的相关约束;通过分析任务时间窗口冲突情况来确定任务拆分方式,通过计算聚类距离来区分任务分布状态,从而选取合适的观测任务构成预调度任务集合;在上述任务规划的基础上,提出LTGA完成任务的选取和排序,生成观测计划。仿真结果表明,所提出的卫星任务调度方案能够有效提升调度收益、降低调度时间。     

网格系统中的层次化资源分配与任务调度

讨论具有大量任务数的一类应用在网格系统中的资源管理和控制问题．提出了具有层次化结构的资源分配与任务调度模型，它由任务分发器和次级调度器组成．上层的任务分发器根据任务的性质和需求，并参考下层次级调度器的执行情况，将任务分发到相应的次级调度器上；而下层次级调度器负责将分发来的任务进行实际的资源分配及调度工作．模拟分析表明随着次级调度器个数的增加，任务调度的并行性增加，但系统的优化趋势逐步减缓．在实际应用中，合理选择次级调度器个数，可在满足调度性能的同时减少设备投入．     

基于云遗传算法的不确定性环境下平台资源调度适应性优化方法

针对战场环境中不确定因素对平台资源调度方案的影响,提出了一种面向不确定事件的平台资源调度适应性优化方法。考虑平台损耗和任务处理时间2个方面的不确定性,建立以最大任务执行效率为目标函数的平台资源调度的适应性优化问题的数学模型,根据不确定事件对平台资源能力或任务属性的影响来判断是否触发调度方案的适应性优化,并基于云遗传算法设计了平台资源调度适应性优化问题数学模型的求解方法,最后通过算例进行了验证。仿真结果表明,使用云遗传算法对平台资源调度方案进行适应性优化调整,能得到更加优化的平台任务匹配关系,并从整体上缩短使命完成时间。