满足帕累托最优的多目标云工作流调度算法

为了同步考虑用户的任务QoS需求和云资源提供方的收益,提出一种云环境中满足帕累托最优的多目标最优化DAG(Directed Acyclic Graph)粒子群算法MODPSO(Multi-objective DAG Particle Swarm Optimization)。综合考虑任务执行跨度、执行代价与执行能耗的三目标同步最优化,设计基于DVFS的离散PSO调度优化方法。重新定义PSO的种群粒子进化过程和更新规则,进而得到多目标优化工作流调度解。通过人工合成工作流和现实科学工作流进行仿真测试,并对算法性能进行分析。结果表明,该算法可以通过非支配集的方式实现冲突多目标的调度优化求解。在满足用户QoS的同时,得到最优解的Pareto边界集,实现调度性能与系统能耗的均衡。     

改进的云自适应粒子群优化算法

为了提高基本PSO算法搜索性能和个体寻优能力,加快收敛速度,提出一种新的云自适应粒子群优化算法（CPSO）。此算法利用云滴具有随机性、稳定倾向性等特点,结合不同粒子与全局最优点的距离动态变化的性质,提出云自适应调整算法用于计算惯性权重,并对新算法进行了描述。通过典型函数优化实验表明,该算法较基本PSO明显提高了全局搜索能力和收敛速度,改善了优化性能。     

云环境中面向可靠性约束的工作流调度策略研究

随着越来越多的计算密集型依赖应用被卸载到云环境中执行，工作流调度问题受到了广泛的关注。针对云环境多目标优化的工作流调度问题，考虑到任务执行过程中服务器可能会发生性能波动和宕机等问题，基于模糊理论，使用三角模糊数表示任务执行时间和数据传输时间，提出了一种基于遗传算法的自适应粒子群优化算法(Adaptive Particle Swarm Optimization based GA,APSOGA),目的是在工作流的可靠性约束下，综合优化工作流的完成时间和执行代价。该算法为了避免传统粒子群优化算法存在的过早收敛问题，引入了遗传算法的随机两点交叉操作和单点变异操作，有效地提升了算法的搜索性能。实验结果表明，与其他策略相比，基于APSOGA的调度策略能够有效地降低云环境中面向可靠性约束的科学工作流的模糊总代价。     

基于云自适应粒子群优化粒子滤波的视频目标跟踪

针对视频目标跟踪中遮挡问题处理不佳和快速运动目标易丢失的问题,提出一种云自适应PSO（CAPSO）优化粒子滤波的视频目标跟踪算法。算法利用粒子滤波预测目标区域在视频下一帧图像的位置,结合颜色直方图统计特性,引入CAPSO算法并根据粒子适应度值将粒子集分成三个子群,分别采用不同的惯性权重生成 策略,普通种群的惯性权重由X条件云发生器自适应地调整,利用云模型云滴的随机性和稳定倾向性特点,使惯性权重满足快速寻优能力又具有随机性。通过CAPSO优化,降低了粒子滤波重采样帧数,减少了算法的运算量,同时提高了搜索精度,能较好处理目标遮挡问题。并且CAPSO算法通过采用这三种不同的惯性权重生成策略,可自适应地平衡算法的全局和局部搜索能力来调节粒子的搜索范围,有效地解决了快速运动目标易丢失的问题。仿真实验结果表明,新算法对视频目标跟踪中的遮挡和快速运动目标易丢失的情况具有较好的实时性和准确性。     

一种非线性权重的自适应粒子群优化算法

针对粒子群优化算法中出现早熟和不收敛问题,分析了基本PSO算法参数对其优化性能的影响,提出了基于非线性权重的自适应粒子群优化算法（NWAPSO）。在优化过程中,惯性权重随迭代次数非线性变化,改进的算法能使粒子自适应地改变搜索速度进行搜索,并与基本粒子群算法以及其他改进的粒子群算法进行了比较。实验结果表明,该算法在搜索精度和收敛速度等方面有明显优势。特别对于高维、多峰等复杂非线性优化问题,算法的优越性更明显。     

基于自适应参数与混沌搜索的PSO算法求解柔性作业车间调度问题

针对传统粒子群优化(PSO)算法在求解柔性作业车间调度问题中的不足,提出了基于自适应参数与混沌搜索的粒子群优化算法。对粒子群算法中的惯性系数等参数采用基于迭代搜索而自适应调整的方式,使粒子在初期以较大惯性进行大范围搜索,后期逐渐减小惯性而转入精细搜索。这种方法改变了传统粒子群算法在求解过程中的盲目随机与求解精度不高的问题;同时,通过在局部搜索过程中引入混沌技术,扩大对最优解的寻找范围,以此避免算法陷入局部最优,有效提高算法的全局寻优能力。实验结果表明,基于自适应参数与混沌搜索的粒子群优化算法在求解柔性作业车间调度问题(FJSP)时能够获得更优粒子适应度平均值及更好的优化目标。所提算法对求解柔性作业车间调度问题可行,有效。     

模糊云资源调度问题的RIOPSO算法

针对时间-成本约束下的云资源调度问题,使用三角模糊数表示不确定的任务执行时间,建立了模糊云资源调度模型,调度的目标是降低任务总的执行时间和总的成本消耗,决策变量是任务和虚拟机的映射关系.使用混合粒子群优化算法(RIOPSO)对模糊云资源调度进行求解.该算法使用了正交初始化粒子群的方法,提升粒子初始探索最优调度方案的质量,在粒子搜索过程中使用重新随机化控制粒子的搜索范围,使用实时更新惯性权重的方式控制粒子在搜索中的速度,从而得到最优的调度方案.在Cloudsim仿真平台上使用随机生成的仿真数据,对提出的问题模型和优化算法进行验证,证明了模型的可靠性,实验结果表明使用提出的优化算法,可以达到使云资源调度中总执行时间和总执行成本降低的目的,并且在收敛速度、求解能力方面具有良好的性能.     

改进的云自适应粒子群算法

为了提高粒子群算法的寻优速度和精度,提出一种改进的云自适应粒子群算法（MCAPSO）。算法中根据粒子适应度值把种群分为三个子群,分别采用不同的惯性权重生成策略和进化策略,普通子群粒子采用云自适应惯性权重,有效地调整了算法的全局与局部搜索能力。选取了五个基准函数进行测试,与其他PSO算法作了比较。仿真结果表明该方法是有效的。     

基于多微云协作的计算任务卸载

针对多微云计算模式下计算任务卸载过程复杂、任务响应时间长的问题,构建面向多微云协作的计算任务卸载模型,并提出加权自适应惯性权重的粒子群优化（WAIW-PSO）算法,快速求解最优卸载策略。首先,对移动终端-微云-远程云的任务执行过程进行建模;其次,考虑多用户对计算资源的竞争,构建基于多微云协作的任务卸载模型;最后,针对求解最佳任务卸载策略复杂度过高的情况,提出WAIW-PSO算法求解卸载问题。仿真实验结果表明,与标准粒子群优化（PSO）算法以及基于高斯函数递减惯性权重的粒子群优化（GDIWPSO）算法相比,WAIW-PSO算法可以根据进化代数和个体适应度综合调整惯性权重,寻优能力较强,求解最优卸载策略的时间最短;在不同设备数、任务数等情况下选择不同任务卸载策略进行对比实验的结果表明,基于WAIW-PSO算法的卸载策略可以明显缩短任务总完成时间。     

DAG分割模型下的云工作流调度策略

为了优化云工作流调度的经济代价和执行效率,提出一种基于有向无循环图（DAG）分割的工作流调度算法PBWS。以工作流调度效率与代价同步优化为目标,算法将调度求解过程划分为三个阶段进行：工作流DAG结构分割、分割结构调整及资源分配。工作流DAG结构分割阶段在确保任务间执行顺序依赖的同时求解初始的任务分割图;分割结构调整阶段以降低执行跨度为目标,在不同分割间对任务进行重分配;资源分配阶段旨在选择代价最高效的任务与资源映射关系,确保资源的总空闲时间最小。利用五种科学工作流DAG模型对算法进行了仿真实验。结果表明。PBWS算法仅以较小的执行跨度为开销,极大降低了工作流执行代价,实现了调度效率与调度代价的同步优化,其综合性能是优于同类型算法的。     

基于正交自适应鲸鱼优化的云计算任务调度

针对任务调度中存在的任务完成时间长、系统执行任务成本高且系统负载不均衡等问题,提出了一种基于正交自适应鲸鱼优化算法（OAWOA）的云计算任务调度方法。首先,将正交试验设计（OED）应用于种群初始化和全局搜索阶段,以提升和维持种群的多样性,避免算法过早陷入局部收敛状态;然后,利用自适应指数递减因子和双向搜索机制,来进一步加强算法的全局搜索能力;最后,对适应度函数进行优化,从而使算法实现多目标优化。通过仿真实验将所提的算法与鲸鱼优化算法（WOA）、粒子群优化（PSO）算法、蝙蝠算法（BA）以及其他两种改进的WOA进行比较。实验结果表明,在任务规模为50和500时所提算法都取得了更好的收敛效果,并且得到的系统执行任务的总时间和总成本均低于其他几种算法,同时负载均衡度仅低于BA。可见,所提算法在降低系统执行任务的总时间和总成本以及提高系统负载均衡方面均表现出了显著的优势。     

基于代价优化的云工作流调度改进PSO算法

云计算可以通过即付即用的方式向用户工作流提供资源。为了解决资源服务代价异构环境下的云工作流任务调度代价问题,提出一种基于改进粒子群算法的云工作流任务调度算法WSA-IPSO。通过综合考虑任务的执行代价和依赖任务间发生数据传输时的通信代价,算法将总代价优化问题形式化为有向无环图DAG中的任务调度模型,并提出基于改进粒子群算法的优化模型对其进行求解。通过改进传统粒子群算法的粒子速度更新策略和惯性权重更新策略,算法可以以更快的收敛速度得到代价最小化的调度方案。通过仿真实验,与MCT算法及标准粒子群算法进行性能比较。实验结果表明,WSA-IPSO算法在降低总代价、任务分布的负载均衡以及算法收敛性方面比较同类算法均表现出更好的性能。     

云环境下基于DPSO的任务调度算法

针对云计算任务调度问题,结合粒子群优化(PSO)算法的种群个体协作和信息共享特点,提出一种基于离散粒子群优化(DPSO)的任务调度算法。采用随机方法生成初始种群,利用时变方式调整惯性权重,并在位置更新中使用绝对值取整求余映射法进行合法化处理,提高PSO算法的离散化程度。搭建并重新编译了CloudSim云计算仿真平台进行实验,结果显示,当迭代次数为200时,DPSO、PSO、GA算法的所有任务最终调度时间分别为457.69 s、467.90 s、472.41 s,从而证明DPSO算法能够有效解决云计算环境下的任务调度问题,并且算法收敛速度优于PSO和GA算法。     

云计算环境中面向DAG任务的多目标调度算法

为了实现任务执行效率与执行代价的同步优化,提出了一种云计算环境中的DAG任务多目标调度优化算法。算法将多目标最优化问题以满足Pareto最优的均衡最优解集合的形式进行建模,以启发式方式对模型进行求解;同时,为了衡量多目标均衡解的质量,设计了基于hypervolume方法的评估机制,从而可以得到相互冲突目标间的均衡调度解。通过配置云环境与三种人工合成工作流和两种现实科学工作流的仿真实验测试,结果表明,比较同类单目标算法和多目标启发式算法,算法不仅求解质量更高,而且解的均衡度更好,更加符合现实云的资源使用特征与工作流调度模式。     

多目标最优化云工作流调度进化遗传算法

为了实现云环境中科学工作流调度的执行跨度和执行代价的同步优化,提出了一种多目标最优化进化遗传调度算法MOEGA。该算法以进化遗传为基础,定义了任务与虚拟机映射、虚拟机与主机部署间的编码机制,设计了满足多目标优化的适应度函数。同时,为了满足种群的多样性,在调度方案中引入了交叉与变异操作,并使用启发式方法进行种群初始化。通过4种现实科学工作流的仿真实验,将其与同类型算法进行了性能比较。结果表明,MOEGA算法不仅可以满足工作流截止时间约束,而且在降低任务执行跨度与执行代价的综合性能方面也优于其他算法。     

基于MPSO算法的云计算资源调度策略

针对云计算服务集群资源调度和负载平衡的优化问题,提出一种基于改进的粒子群优化算法的云计算资源调度策略。将动态多群体协作和变异粒子逆向飞行思想引入到粒子群优化算法中,从而控制全局搜索和局部搜索,尽量避免陷入局部最优。在CloudSim 平台进行模拟测试,结果表明,该调度策略有效且执行效率较高。     

云计算环境下带安全约束的工作流调度问题的研究

资源调度问题一直是云计算环境下的热点研究问题,然而当前的大部分研究都集中在满足用户的时间或成本需求上,很少考虑用户在调度过程中对安全的需求。针对这一问题,在对常见的云环境下工作流任务的资源调度问题进行建模的基础上,提出了一个安全约束模型,并使用变近邻粒子群算法对该问题进行了求解。最后在CloudSim仿真平台上,用最大 最小蚁群算法和遗传算法与该算法进行了对比,实验结果表明,该算法具有很好的可用性和寻优能力。关键词：     

基于混合粒子群优化的CMP线程调度方法

为提高片上多核处理器(CMP)架构中线程调度的执行效率,发挥CMP的并行性能,提出一种基于混合粒子群优化算法的线程调度方法.根据设计的线程调度模型,利用有向无环图表述线程及线程间的相互依赖关系,并采用改进的混合粒子群算法对其进行合理调度.实验结果表明,该方法的执行效率优于现有的遗传算法,能有效地降低任务的执行时间,充分发挥多核架构的优势.     

多目标FJSP的一维编码粒子群优化求解方法

以单件小批量生产方式为主的柔性车间调度中,快速得到满足低生产成本、高生产效率,避免瓶颈发生的调度方案,是调度优化算法的设计目标。就此建立了以制造期、机床总负荷和单机最大负荷为综合目标的柔性车间调度问题（Flexible Job-shop Scheduling Problems,FJSP）优化模型;设计了一种以概率值为分量的一维粒子群优化算法,通过概率区间划分将连续粒子分量离散化,结合完工时间最早启发式规则,实现工序的排序与加工机床的选取。通过不同规模算例的比较,分析结果表明该方法在求解较大规模问题时具有一定的优势。