大规模在线课程非专用资源预测与查询调度

大规模在线课程系统需要大量资源作支撑。资源使用的动态性及租用的固定性导致资源被浪费。将“非专用”思想应用于系统,可整体降低资源租用量。首先通过马尔可夫“生灭”过程预测资源状态,筛选出“非专用”资源;接着建立查询期望代价矩阵,使用A-MM（Adaptive Min-Min and Max-Min）算法进行自适应查询处理;最后实验表明,预测错误率低,性能稳定;A-MM有较好执行效率和平衡负载能力。     

基于自适应蜂群算法的云计算负载平衡机制

针对将蜂群算法应用在负载平衡系统中,出现的由于请求之间关系处理不当而产生的不利于负载平衡的资源局部密集现象,提出了改进的自适应蜂群算法。通过引进其他类型的请求,以阻断短时间内本该到来的与该服务器处理的请求有某些相似的请求,由此增强了负载平衡的可用性,提高了系统吞吐量。实验结果表明基于蜂群算法的负载平衡机制无论是在系统吞吐量方面或是系统可扩展性方面均适用于云计算环境,改进的自适应蜂群算法在系统吞吐量方面较传统算法性能提高5%以上。     

一个基于网络并行计算环境的动态负载分配算法

网络并行计算系统具有大量的自主的计算资源,如何充分发挥它们的潜在性能,这正是负载平衡的研究内容。文中描述一个基于网络并行计算环境的动态负载分配算法,该算法能够根据系统的状态和任务之间的通信关系动态地分配系统中的负载,以实现系统的动态负载平衡。通过应用实例测试说明该算法在稳定性和性能上,优于稳定的发送者动自适应算法。     

分布式计算中基于资源分级的自适应Min-Min算法*

Min-Min任务调度算法的思路总是优先调度执行时间较短的小任务,无法得到理想的最优跨度及资源负载平衡．针对该问题,提出基于资源分级的自适应Min-Min算法．分配任务前,先参考现有资源的属性进行分级处理,再与任务在资源中的最小完成时间作乘积得到的最小任务资源组合进行调度;在任务调度过程中,引入自适应阈值,调节长任务的调度等级,从而达到优化效果．通过模拟仿真实验,表明该算法在时间跨度和负载平衡上均有较好性能．     

基于GridSim的A-MM调度算法模拟

对网格计算环境中的任务调度模块做了分析,介绍了两种最经典的网格任务调度算法：Min-Min与Max-Min。通过对两者的分析,得知Min-Min算法的优点在于其执行的高效性,但它存在资源负载不平衡的问题。而Max-Min则正好相反。经过对比,提出了一种平衡两者优缺点的A-MM算法。使用GridSim网格环境仿真包建立A-MM调度算法的模拟平台,对GridSim的内部机制及用法给予简单介绍,并通过模拟实验对A-MM算法进行性能评测。评测结果表明：A-MM算法的完成时间接近Min-Min,而负载平衡性接近Max-Min,平衡了Min-Min与Max-Min的优缺点。     

分布式系统中一种负载平衡的动态反馈调整自适应算法

重点研究了分布式系统中的进程迁移和定位、负荷分担中的负载平衡等问题；提出并讨论了基于动态阈值和阈长的进程定位模型和系统负载平衡的动态反馈调整自适应算法，还通过具体的实验分析论证了算法的性能．实验结果说明该算法能在一定的范围内很好地解决进程定位和负载平衡问题，具有较大的实用价值．     

一种自适应的动态网格任务调度算法

GRACE网格资源框架是一个分布式、可计算的经济学体系框架，针对框架中分配网格资源问题，引入近视算法，提出了一种自适应的动态网格任务调度算法。该算法通过在调度过程中动态监测系统的负载平衡度，自适应地选择任务调度策略。经模拟试验证明，该调度算法提高了任务的调度成功率。     

基于云计算的负载平衡的研究与分析

如何实现资源访问的负载平衡成为云计算实施的关键问题之一.基于云计算环境的特点,改进了模糊聚类C均值算法,将粒子群优化算法与模糊C均值聚类算法融合,提高算法正确率.而另一种算法,针对将蜂群算法应用在负载平衡系统中,出现的由于请求不当而产生的不利于负载平衡的资源局部密集现象,提出了改进的自适应蜂群算法.     

一个调度Out-Tree任务图的启发式算法

任务调度问题是并行分布式计算中的挑战性问题之一。大多数实际的调度算法是启发式的因而常常具有改进的余地。针对Out-Tree任务图这一基本结构提出一个基于任务复制的启发式调度算法,该算法在确保最短调度长度的同时,注重处理器的负载平衡,以达到节约处理器的目的。比较性实验的结果表明,该算法确保了最短调度长度且使用的处理器最少。因而,该算法提高了系统的利用率,避免消耗过多的资源,实际应用性更好。     

基于GridSim的A-MM调度算法模拟

对网格计算环境中的任务调度模块做了分析,介绍了两种最经典的网格任务调度算法:Min-Min与Max-Min.通过对两者的分析,得知Min-Min算法的优点在于其执行的高效性,但它存在资源负载不平衡的问题.而Max-Min则正好相反.经过对比,提出了一种平衡两者优缺点的A-MM算法.使用GridSim网格环境仿真包建立A-MM调度算法的模拟平台,对GridSim的内部机制及用法给予简单介绍,并通过模拟实验对A-MM算法进行性能评测.评测结果表明:A-MM算法的完成时间接近Min-Min,而负载平衡性接近Max-Min,平衡了Min-Min与Max-Min的优缺点.     

一种负载均衡的网格任务调度算法

在分析网格计算中经典的Min-Min和Max-Min任务调度算法的基础上,针对Min-Min算法存在的负栽不均衡的缺陷,本文提出了一种负载均衡的网格任务调度算法LBGTSA,以有效地均衡负载;给出了LBGTSA算法的设计原理和实现过程,而且采用GridSim模拟工具对LBGTSA和Min-Min算法进行了模拟实验,实验结果分析表明,LB（汀SA比Min-Min能获得更小的Makespan,而且能有效地均衡负载。     

网格计算中任务调度算法的研究和改进

任务调度一直是网格计算中的热点问题,任务调度的目的是最优地分配任务,实现最佳的调度策略,以高效地完成计算任务。在网格环境中,资源的合理有效利用是实现任务调度的关键问题之一。本文首先论述静态任务调度算法和动态任务算法的原理和优缺点等,然后结合Min-min、Max-min算法的优点设计一种新的调度算法SA-MM,根据资源的使用情况自适应调度相应算法进行任务到资源的映射。最后,用GridSim模拟工具对网格计算中Min-min、Max-min和SA-MM任务调度算法进行仿真实验,分析和比较它们的调度长度(MakeSpan)和资源负载情况等影响任务调度效率的指标。     

集群中基于资源可用度的作业调度

提出一种基于资源可用度的集群作业调度算法,综合考虑资源的历史记录和当前的资源信息。基于资源可用度评价方法,改进原有的Min-Min算法。采用GridSim对算法进行模拟实验,并与Min-Min算法进行了对比。模拟实验结果显示,基于可用度的作业调度算法提高了集群的效率和作业的完成效率,缩短了作业的平均完成时间。     

一个扩展的以QoS为指向的网格任务调度算法

在对网格计算的研究中,有人考虑了计算资源中服务质量(QoS)因素,在对传统的Min-Min算法加以改进的基础上,提出了QoS Guided Min-Min算法。在此基础上,本文提出一种新的扩展型算法,以进一步提高网格资源的利用率。最后,本文对以上三种算法的实验结果进行了比较分析。     

基于GHS的任务调度算法改进

针对非专用网格性能预测调度系统（GHS）中元任务调度算法负载不平衡问题,提出一种启发式动态任务调度策略（H-MM）,结合Min-Min与Max-Min的优点,将H-MM植入GHS,结果表明H-MM在时间跨度与可扩展性方面较以往算法有较大提高。     

DAGMap: efficient and dependable scheduling of DAG workflow job in Grid

DAG has been extensively used in Grid workflow modeling. Since Grid resources tend to be heterogeneous and dynamic, efficient and dependable workflow job scheduling becomes essential. It poses great challenges to achieve minimum job accomplishing time and high resource utilization efficiency, while providing fault tolerance. Based on list scheduling and group scheduling, in this paper, we propose a novel scheduling heuristic called DAGMap. DAGMap consists of two phases, namely Static Mapping and Dependable Execution. Four salient features of DAGMap are: (1) Task grouping is based on dependency relationships and task upward priority; (2) Critical tasks are scheduled first; (3) Min-Min and Max-Min selective scheduling are used for independent tasks; and (4) Checkpoint server with cooperative checkpointing is designed for dependable execution. The experimental results show that DAGMap can achieve better performance than other previous algorithms in terms of speedup, efficiency, and dependability.     

重排序RDF流三元组模式的蚁群优化方法

RDF是由W3C提出的一种Web数据模型,RDF流是一种遵从链接开放数据（Linked Open Data）、扩展RDF的数据模型,是一种随时间延续无限增长的动态RDF数据集合。在RDF查询处理中,RDF模式是静态编排执行策略的模式,无法满足动态RDF流实时变化的特性。因此,提出一种在RDF流查询处理中重排序RDF流模式的蚁群优化方法。主要研究内容包括：提出了基于AND-OR有向图RDF流代价评估模型;改进了Max-Min蚁群优化算法,并使用改进算法重排序RDF流模式。实验表明,该方法能够高效地动态编排RDF流执行策略。