一种资源负载均衡的Web集群启发式优化算法

Web集群系统需要同时使用系统各种资源来满足客户的请求 ,如何做到系统资源均衡分配的同时 ,使系统资源利用率最优是一个急需解决的问题 .针对目前 Web集群的应用现状与特性 ,提出了一种既能使资源负载均衡又能充分利用系统资源的启发式算法 ,它是对集合划分问题 (Set Partitioning Problem,SPP)和多选择多维背包问题(Multiple- Choice Multi- Dimension Knapsack Problem,MMKP)的扩展与优化 .该启发式算法能显著地降低资源最优分配中的计算复杂度 ,使其能满足实时调度的需要 ,模拟实验证实了该方法的有效性     

基于多维评价模型及改进蚁群优化算法的云计算资源调度策略

针对云计算环境下资源调度模型未充分考虑资源评价的问题,为更好适应不同节点计算性能和大规模数据环境的处理需求,提出了一种基于多维评价模型的虚拟机资源调度策略;首先,在云计算环境下建立包括网络性能在内的多维资源评价模型,在此基础上提出一种改进的蚁群优化算法实现资源调度策略;然后在云计算仿真平台CloudSim上进行实现。实验结果表明,该算法可以更好适应不同网络性能的计算环境,显著提高了资源调度的性能,同时降低了虚拟机负载均衡离差,满足了云计算环境下的虚拟机资源负载均衡需求。     

云数据中心基于负载权重的负载均衡调度算法

针对现有云数据中心的多维资源利用不均衡问题,提出基于资源负载权重的动态多资源负载均衡调度算法。算法结合服务器各维度资源动态负载情况,构造层次分析法（AHP）判断矩阵来处理多维资源对于负载均衡影响权重大小,在此基础上综合考虑任务资源需求,将任务放置到合适服务器来改善资源利用,实现资源间负载均衡。平台仿真显示新算法可有效提高利用率低的资源的利用效率,在提高整体资源利用率、降低资源间负载不均衡率方面有优势。     

多项目资源均衡问题及其遗传算法

针对单项目资源均衡优化在企业实际应用中的不足，提出了多项目资源均衡优化的概念，建立了多项目资源均衡问题模型。在此基础上给出一种遗传算法的求解方法，在算法中有效地利用了网络计划图的拓扑排序，减少了遗传操作过程中非法个体的修复计算量，加快了算法的收敛速度。实例计算表明，多项目资源均衡优化可以有效地实现整个企业资源的均衡配置，遗传算法在求解该问题时具有可行性和高效性。     

一种用于云计算资源调度的双向蚁群优化算法

对云计算环境中的资源调度问题进行了研究,针对蚁群优化算法(ACO)在处理大规模组合优化问题时易陷入搜索速度慢和局部最优解的缺陷,提出了一种实现云计算负载均衡的双向蚁群优化算法(BACO)用于资源调度;该算法考虑到了每个虚拟机的负载和计算能力,同时在云环境中引入了蚂蚁的向前移动和向后移动;最后通过在CloudSim平台进行仿真实验,结果表明该算法的总任务完成时间较短,具有较好的寻优能力,并且能够实现负载均衡,是一种有效的资源调度算法。     

一种云计算资源的多目标优化的调度方法

云计算通过虚拟化技术将基础设施硬件资源虚拟化,以动态可缩放的方式提供给用户。云计算基础设施规模不断增加导致资源调度系统负载不均衡,从而造成资源浪费等问题。提出多目标优化资源调度策略和相应的算法,试图同时满足多个资源调度优化目标,如减少资源浪费,降低服务等级约定(SLA)违背率、保持系统负载均衡等。通过仿真实验,验证了多目标优化资源调度的策略能够在多个相互冲突的目标之间实现最优权衡。     

Xen虚拟机资源调度优化算法

针对Xen虚拟化平台中虚拟机资源分配不合理的问题,提出了两种资源调度优化算法,即细粒度优化算法和粗粒度优化算法.细粒度优化算法主要解决单个物理节点上虚拟机资源分配不合理问题,能够根据物理节点上运行的各虚拟机的资源利用情况来调整资源分配量,适当增加利用率较高的虚拟机的资源,减少资源利用率低的虚拟机的资源,从而优化资源分配,提高资源利用效率,避免不必要的虚拟机迁移.粗粒度优化算法是针对集群中多个物理节点之间虚拟机负载不均衡问题而提出的.该算法结合粒子群优化技术,选择将集群系统中热点物理机上的部分虚拟机迁移到最适合的冷点物理机上,从而避免高载物理机宕机.实验结果表明,这两种资源调度优化算法能够有效解决虚拟机资源分配不合理的问题,具有较好的适用性和应用前景.     

多项目资源均衡问题及其遗传算法*

针对单项目资源均衡优化在企业实际应用中的不足,提出了多项目资源均衡优化的概念,建立了多项目资源均衡问题模型。在此基础上给出一种遗传算法的求解方法,在算法中有效地利用了网络计划图的拓扑排序,减少了遗传操作过程中非法个体的修复计算量,加快了算法的收敛速度。实例计算表明,多项目资源均衡优化可以有效地实现整个企业资源的均衡配置,遗传算法在求解该问题时具有可行性和高效性。     

信息迁移多任务优化共生生物搜索算法

针对现有共生生物搜索（SOS）算法只能求解单个任务，以及信息负迁移影响多任务优化（MTO）性能这两个难题，提出一个信息迁移多任务优化共生生物搜索（ITMTSOS）算法。首先基于多种群演化MTO框架，根据任务个数设置相应数量种群；然后各种群独立运行基本SOS算法，当某一种群连续若干代停滞进化时，引入个体自身最优经验和邻域最优个体以形成知识模块并将该模块迁移至该种群个体进化过程中；最后对ITMTSOS算法时间和空间复杂度进行分析。仿真实验结果表明，ITMTSOS算法同时求解多个不同形态高维函数时均能快速收敛至全局极值解0，与单任务SOS算法相比，平均运行时间最多缩短约25.25%；而在同时求解多维0/1背包问题和师生匹配问题时，所提算法在测试集weing1和weing7上的最优适应值与目前测试集公布的最优结果相比分别提高了22 767和22 602，师生最优匹配差和平均匹配差的绝对值分别下降了26和33，平均运行时间约缩短了7.69%。     

云计算中基于NSGA Ⅱ的虚拟资源调度算法

云计算环境下将物理资源抽象为同一的虚拟资源,如何将虚拟资源调度到物理资源上是云计算中一个基本且复杂的问题.对虚拟资源的调度进行建模并证明其难解性,将该模型的求解转化以系统负载均衡为优化目标的多目标优化问题,提出采用改进的基于非支配排序的遗传算法(NSGA Ⅱ)来求解该问题.与针对具体环境的调度算法相比,抽象的模型更能代表典型的云计算环境中的虚拟资源调度问题.对提出模型进行了仿真,实验结果表明了该模型的有效性和NSGA Ⅱ算法求解该问题的可行性,同时对比随机算法、静态算法和排序匹配调度算法,NSGA Ⅱ算法优于其他算法.     

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．     

面向多目标的云计算资源调度算法

在传统的虚拟机资源调度中,仅仅考虑当前负载,对虚拟机历史数据没有充分考虑,在处理云计算资源调度的时候出现负载失衡的状况,为了解决上述问题,本文提出了基于启发式遗传算法的资源调度算法,满足多目标规划的情况下实现云计算资源的调度.算法在为用户提供服务的同时充分考虑虚拟机的各种开销和因素,使提供云计算资源的服务器达到负载均衡.对目前的负载情况和历史数据进行分析,经过搜索和计算,计算得到同时满足负载变化数据约束和最小动态迁移开销的最好的云计算资源调度方案.最后,通过仿真实验,对算法进行验证,通过引入负载变化率和平均负载距离二个性能参数来比较和衡量虚拟机负载.实验数据证明,所提出的算法具有很好的全局收敛性和资源利用率,有效解决在资源调度中出现负载失衡和较大动态迁移开销的问题,因此,算法是可行和有效的.     

改进的最小链接负载均衡调度算法

在有限资源情况下, FTP服务资源共享平台仅凭多个独立的服务器无法承担访问量、数据容量、网络流量等快速增长所需要的运算需求,采用最小连接调度(LVS)策略设计并实现了改进的最小链接负载均衡调度算法,在通过增加备用调度服务器方法设计的调度服务器冗余资源共享平台中评测传输速度、负载用户数和磁盘读取速度等方面的性能,结果表明文中设计的资源共享平台性能有显著提高,这对促进有限资源条件下的高效资源共享平台构建技术发展具有实际意义。     

多蚁群算法的网络负载动态均衡方法

针对网络资源管理中的负载均衡与优化问题,提出一种多蚁群网络负载动态均衡方法,采用网络流量工程理论中拥塞控制机制实现信息素随网络流量动态释放与更新。算法通过蚁群间信息素的动态相互作用（蚁群内信息素相互增强,蚁群间信息素相互削弱）,将代表网络负载的蚂蚁合理分配到可用路径,避免蚂蚁集中到特定路径而造成网络拥塞。实验结果表明,通过路径信息素控制能够实现网络负载均衡,有效提高网络在路径延时、平均带宽利用率和平均丢包率方面的性能。     

一种基于多种资源的负载平衡算法的设计与模拟

系统资源的有效利用是集群系统的关键问题，负载平衡是实现资源有效利用的重要手段。本文中，我们提出了一种基于资源使用率和向量负载指数的、采用进程迁移机制的负载平衡算法，并通过踪迹驱动的方法进行了大量的模拟和分析。     

网络负载均衡优化算法的建模与仿真

研究网络资源管理中的负载均衡与优化问题,网络资源有限且负载具有突发性,造成资源浪费。采用传统单一蚁群算法或遗传算法均存在各自不足,难以适应用网络负载变化特点,使网络资源利用率低,网络拥塞严重。为了提高网络资源利用率,使网络负载更加均衡,提出一种蚁群-遗传算法的网络负载均衡方法。首先利用遗传算法对网络负载均衡问题进行全局搜索,使网络负载均衡的解迅速处于全局最优区域解附近,然后将遗传算法的解作为蚁群算法初始信息素,进行进一步搜索,最后找到网络负载均衡的最优解。仿真结果表明,用蚁群-遗传算法提高了网络资源利用率,降低网络丢包率,提高网络整体性能。     

基于模糊多目标决策的网格资源调度算法研究

针对如何提高网格资源的使用效率和用户满意度及系统效率等问题,提出了一个基于层次调度模型的、将资源的表示与需求用XML方式描述、以模糊多目标决策理论为资源调度策略,以用户满意度和系统资源利用率为主要目标的综合网格资源调度算法.该算法不仅最大程度提高用户的满意度,而且较好地解决了网格资源的均衡使用,极大地提高了系统效率,对网格系统综合性能有明显地提高.     

异构集群系统中一种基于资源的负载平衡算法的设计与模拟

本文指出了一种基于资源使用率和向量负载指数的,采用进程迁移机制的负载平衡算法,并通过踪迹驱动的方法进行了大量的模拟和分析。     

云计算环境下的DPSO资源负载均衡算法

负载均衡问题是云计算研究的热点问题之一。运用离散粒子群算法对云计算环境下的负载均衡问题进行研究,根据云计算环境下资源需求动态变化,并且对资源节点服务器的要求较低的特点,把各个资源节点当做网络拓扑结构中的各个节点,建立相应的资源-任务分配模型,运用离散粒子群算法实现资源负载均衡。验证表明,该算法提高了资源利用率和云计算资源的负载均衡。     

基于节点重要度的路由选择与频谱分配算法

在频谱一致性和频谱连续性的约束条件下,弹性光网络运行一段时间后,网络频谱会出现大量碎片的问题。针对碎片以及业务在各节点间分配不均衡的问题,提出了一种基于节点重要度的路由选择与频谱分配算法NIRSA（Route Selection and Spectrum Allocation algorithm based on Node Importance）。该算法针对路由选择问题,考虑业务的类型与大小,找出网络中的关键节点,使得业务分配达到均衡。在频谱分配方面,算法考虑到网络链路上频谱资源的分布情况,结合每个业务所需的频隙数,可以尽可能地减少频谱碎片。在NSFNET和USNET两个不同规模的网络拓扑环境下,对所提算法进行了仿真实验。仿真结果显示,所提出的NIRSA算法既可以有效地降低业务阻塞率,又能提高网络的频谱利用率,实现网络性能提升。