云计算环境下基于用户和资源约束的免疫效用均衡任务调度算法

针对云计算中的任务调度问题, 提出了一种免疫均衡效用任务调度算法. 该算法将云计算环境下任务调度问题建模为一个多目标优化模型, 同时兼顾了用户任务的时间跨度和虚拟化资源的负载均衡. 仿真结果表明, 该任务调度算法提高了用户满意度的同时减少了任务的完成时间, 是云平台下一种有效的任务调度策略.     

基于车联网应用的云平台任务调度算法

在云平台车联网优化调度问题的研究中,车联网具有多用户、多业务、高并发等特点.为了保障车联网应用在云平台上快速、稳定和可靠的运行,在云计算的基础上,提出一种基于车联网应用的MCT-LB-GSA(Minimum Completion Time-Load Balance-Greedy Scheduling Algorithm)任务调度算法.算法以虚拟机资源的当前负载作为约束条件,依照贪心策略将任务调度到当前负载较轻且具有最小任务完成时间上的虚拟机资源上.在CloudSim环境下进行了仿真,结果表明,改进算法在保证最优任务调度跨度的同时也有效地实现了资源负载均衡,提高了资源利用率.     

改进蚁群算法的云计算任务调度方法

针对蚁群算法在云计算任务调度问题求解过程存在的不足,以找到最佳的云计算任务调度方案为目标,提出了一种基于改进蚁群算法的云计算任务调度方法.首先对当前云计算任务调度研究现状进行分析,并对问题进行了具体描述,然后采用蚁群算法对云计算任务调度问题进行求解,并针对标准蚁群算法缺陷进行改进,最后在CloudSim平台对该方法的性能进行测试.结果表明,改进蚁群算法可以找到较好的云计算任务问题调度方案,加快云计算任务完成速度,具有一定的实际应用价值.     

基于QoS的云任务调度算法研究

随着云计算的发展,越来越多的人开始使用"云"来处理他们的业务,这对公有云平台提出了一些重要挑战:如何让公有云平台在不断激增的云业务模式下,既能保证云用户的服务满意度,同时也能稳步提高云服务商(CloudServiceProviders)的收益。首先建立了任务调度算法以及QoS需求约束等相关模型,然后将QoS(Qualityof Service)需求约束分别引入到三种传统任务调度算法(FCFS(RR)、MinMin和MaxMin算法)中对其进行改进,接着将改进后的算法与传统任务调度算法之间进行比较,通过选取在任务完成度、任务最终完成时间(MakeSpan)、任务平均执行时间(这些影响用户的服务满意度),以及云服务商总收益等方面的指标表现,最后确定了一个较好的改进MinMin任务调度算法(I-MinMin算法)。实验通过CloudSim进行模拟,并采用了现有的阿里云ECS云服务器中的虚拟机实例相关数据。结果表明:在任务量不断增加的情况下,I-MinMin算法在用户的服务满意度各方面,以及云服务商总收益等指标表现上要更优于其他算法,更好地实现了用户和云服务商的双重利益。     

基于多群智能算法的云计算任务调度策略

为提高云计算任务调度的服务质量(QoS),提出一种多群智能算法的云计算任务调度策略。首先利用全局搜索能力强的遗传算法快速找到云计算任务调度问题的较优解,然后将较优解转换成蚁群优化算法的初始信息素,最后通过蚂蚁间的信息交流和反馈找到云计算任务调度的全局最优解。以CloudSim为仿真平台进行了模拟实验,结果表明,与同类算法相比,多群智能算法不仅大幅提高了云计算任务调度效率,而且减少了处理请求任务的平均完成时间。     

融合信息反馈共享与蜉蝣搜索机制的樽海鞘群算法

针对樽海鞘群算法(SSA)收敛速度慢和易陷入局部最优的问题,提出了一种融合信息反馈共享与蜉蝣搜索机制的改进樽海鞘群算法。使用Piecewise映射的方法进行种群初始化,使初始樽海鞘种群更均匀的覆盖可行域空间;采用信息共享机制,提出辅助领导者策略,改进领导者位置更新公式,增强全局搜索能力;利用进化学说以及正负反馈调节的思想,通过变异操作和自然选择原则选取更优领导者,从而提高搜索精度;最后,提出蜉蝣搜索机制,选取蜉蝣算法的交配公式,优化追随者位置迭代公式,使算法在后期更快收敛。通过在12个基准测试函数的多个维度以及17个CEC测试函数的实验,证明了改进樽海鞘群算法的综合性能,并通过消融实验验证了改进策略的有效性,实验结果表明,改进算法在收敛速度以及搜索精度上具有明显的优势。     

改进蚁群算法在云计算任务调度中的应用

针对云计算中的任务调度问题,提出了一种任务调度的增强蚁群算法(task scheduling-enhanced ant colony optimization,TS-EACO).算法兼顾了任务调度的最短完成时间和负载平衡,同时参考了近年来蚁群算法的各种改进,创新地将任务在虚拟机上的一次分配作为蚂蚁的搜索对象.实验在CloudSim仿真平台下进行,并将仿真结果与Round Robin算法和标准蚁群算法进行比较,结果表明TS-EACO算法的任务执行时间和负载平衡性能均优于这两种算法.     

一种多策略驱动的改进樽海鞘群算法

针对樽海鞘群算法(Salp Swarm Algorithm,SSA)求解精度不足、容易早熟收敛的缺点,提出了一种多策略协同作用的改进樽海鞘群算法(MSSSA).在领导者位置更新公式中引入指数衰减因子,改善算法的全局收敛速度;在跟随者位置更新公式中引入随机惯性权重算子,以协调并增强算法的局部开采和全局勘探能力;通过加权方式产生潜在食物源,并根据贪婪准则在当前食物源和潜在食物源中保留较优食物源,引导樽海鞘个体向最优解空间运动.采用7个基准函数进行仿真,同时使用Friedman排名检验评价所提算法的性能,测试结果表明,改进算法的寻优精度和收敛速度明显优于标准樽海鞘群算法和多种改进的樽海鞘群算法.     

基于粒子群遗传算法的云计算任务调度研究

对云计算任务调度进行了研究,针对用户满意度和云提供商利益需求,提出一种融合粒子群和遗传算法的PSOGA改进算法。根据云环境特点对虚拟机资源进行分类,同时引入任务-资源满意度距离、资源综合性能概念;对粒子群初始粒子操作进行优化,来提高粒子质量;为克服粒子易陷入局部最优解问题,加入遗传算法（GA）的交叉、变异操作,扩展粒子的搜索空间。仿真结果表明,该调度策略提高了用户满意度的同时减少了任务的完成时间,是云平台下一种有效的任务调度策略。     

云环境下基于模板遗传算法的任务调度方法

云任务调度是云计算研究的一个热点。云任务调度方法的好坏直接影响云平台的整体性能。提出一种基于模板遗传算法(TBGA)的任务调度方法。首先,根据处理机的运算速度和带宽等条件,计算出每个处理机应分配的任务量模板大小;然后,根据模板大小将任务集合中的任务划分为多个子集合;最后,利用遗传算法将集合中的任务分配到对应的处理机。实验证明通过此方法能得到总任务完成时间较短的调度结果。通过仿真实验将TBGA算法与Min-Min算法和遗传算法(GA)进行比较,实验结果表明,TBGA算法与Min-Min算法相比任务集合完成时间降低了20%左右,与遗传算法相比任务集合完成时间降低了30%左右,是一种有效的任务调度算法。     

基于MGA-PSO的云计算多目标任务调度

为了提高云计算任务调度的效率,将微生物遗传算法(MGA)和改进的粒子群算法(PSO)融合成MGA-PSO算法用于云计算任务调度.综合任务完工时间、任务执行成本及虚拟机负载均衡三个目标构造适应度函数,以此寻找任务调度的最优解;对粒子群算法进行改进,使用动态惯性权重策略以提高算法的自适应搜索能力;在任务调度前期使用MGA算法缩小求解空间,在任务调度后期使用改进的PSO快速收敛到最优解.仿真实验表明:与其他三种算法相比,该算法有较快的收敛速度和较强的寻优能力;在云计算任务调度中,不仅能减少任务完工时间和执行成本,还能优化虚拟机的负载.     

云环境下基于DO-GAPSO的任务调度算法

为了找到合理的云计算任务调度方案,仅从单一方面来优化调度策略已不能满足用户需求,但从多个方面优化调度策略又面临着权重分配问题。针对上述问题,从任务完成时间、任务完成成本、服务质量3个方面考虑,提出一种基于遗传与粒子群算法相融合的动态目标任务调度算法,在算法的适应度评价函数建模中引入线性权重动态分配策略。通过CloudSim平台进行云环境仿真实验,并将此算法与经典的双适应遗传算法(DFGA)、离散粒子群优化算法(DPSO)进行比较。实验结果表明,在相同的设置条件下,该算法在执行效率、寻优能力等方面优于其他两个算法,是一种云计算环境下有效的任务调度算法。     

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。     

云环境下改进SOS的多目标任务调度算法

为有效获取云计算中多目标任务调度求解算法的全局最优解,提出一种云环境下基于改进期望服务质量(Qo S)的多目标任务调度算法。设计多目标任务调度框架,提出相应的目标函数与约束条件。利用准反射学习构建初始种群以改进共生生物搜索(SOS)算法,加入自适应变异率以提高全局搜索能力。通过设定坐标进行任务分配,利用改进后SOS算法实现多目标任务优化调度。云计算仿真结果表明,所提算法相比于其它算法,有效改善了能源利用率、能耗和时间成本,具有较好的Qo S传输性能。     

一种类欧氏距离-负载平衡的云任务调度算法

面对云计算中庞大用户群的需求,云计算平台的性能起着关键的作用。任务调度算法对云计算平台的性能存在很大的影响。虽然云计算任务调度算法是目前云计算中研究的热点,但是多数任务调度算法并没有从用户满意程度的角度去考虑。针对云计算的现有资源调度算法提出了一种类欧氏距离负载平衡(EDL-LB)的任务调度解决方案,能够针对用户的不同需求提出与之相适应的资源选择方案,有效地提高用户对云资源的使用满意度。仿真结果表明了方法能够在保证任务完成时间的条件下,通过新的任务调度策略来提高用户对云计算任务的满意度以及资源的利用率,是一种云计算环境下有效的任务调度算法。     

一种改进樽海鞘群算法及其多目标云工作流调度应用

为了优化云工作流应用的调度效率与代价，提出基于改进樽海鞘群算法的工作流调度策略。建立截止时间与预算约束的多目标优化模型，利用樽海鞘觅食的位置变化对工作流调度进行编解码，设计融合执行跨度与执行代价的权重适应度函数。为了增强樽海鞘群的寻优性能，引入基于疯狂算子的领导者更新模式，通过疯狂变量，减少领导者更新的停滞早熟现象；引入遗传算子的追随者更新模式，利用个体交叉和变异使樽海鞘群具有更均衡的搜索全局性和个体多样性，避免陷入局部最优。结果证明，改进樽海鞘群算法可以有效提升计算精度和收敛速度；应用于工作流调度求解后，其调度解收敛性更好，调度解集空间分布更加一致。     

基于用户满意度的任务调度策略磁

为了满足云环境中用户任务调度的不同需求,提出一种改进粒子群算法的任务调度策略。将用户对时间和费用的期望值作为动态适应度函数的加权值,同时在粒子群算法中引入遗传算法的交叉和变异操作,不仅避免了算法陷入局部最优还保持解的多样性,最终求出满足用户需求的任务调度。仿真实验结果表明,该策略能够减低任务的完成时间和执行费用,提高云计算服务质量,具有良好的实用性。     

基于云计算和改进离散粒子群的任务调度研究

针对云计算处理节点的任务调度问题,提出了一种基于改进离散粒子群算法的云计算任务调度方法;首先,定义了云计算任务调度数学模型,在此基础上对离散粒子群算法进行改进,采用自然数编码来表示任务调度方案对应的粒子位置,提出了一种自适应的惯性权重因子调整方法,并给出了子种群和主种群进行协同寻优的粒子群任务调度算法;仿真实验表明:文中方法获得最优解的次数远大于其他方法,在迭代次数为22次时就获得全局最优解192.34,同时具有良好的收敛特性。     

跨云环境下任务调度综述

随着云计算技术的不断发展，越来越多的企业和组织开始采用跨云的方式进行IT交付.跨云环境可以更有效地应对传统单云环境资源利用率低、资源受限以及供应商锁定等问题，并对云资源进行统一管理.由于跨云环境中资源具有异构性，导致跨云任务调度变得更为复杂.基于此，如何合理地调度用户任务并将其分配到最佳的跨云资源上执行，成为了跨云环境中需要解决的重要问题.拟从跨云环境的角度出发，探讨该环境下任务调度算法研究的进展及挑战.首先，结合跨云环境特征将云计算分为联盟云、多云环境并进行详细介绍，同时回顾已有的任务调度类型并分析其优缺点；其次，根据研究现状选取代表性文献对跨云环境下任务调度算法进行整理、分析；最后探讨了跨云环境下任务调度算法研究中的不足和未来的研究趋势，为跨云环境下任务调度算法的进一步研究提供了参考.     

混合变异自适应樽海鞘算法的甩挂运输多目标调度优化

建立一种考虑时间窗的甩挂运输多目标调度模型，提出一种改进樽海鞘算法的求解策略。通过引入混合变异算子，改进樽海鞘算法领导者位置易陷入局部最优的问题，增加种群多样性；通过引入动态惯性权重策略，使追随者在迭代后期减小搜索步长，提高算法收敛精度。实验结果表明，该改进的樽海鞘算法具有较高的全局搜索能力，能有效得出甩挂运输多目标问题最优解，相关研究结论能够为大型企业运输提供决策支持。