基于负载波动预测的虚拟机自主迁移启发式方法

成熟的虚拟化技术使云计算软件架构可以灵活、高效、充分地管理和利用硬件资源。虚拟机迁移是实现动态资源管理的关键技术,也是保障云计算平台负载均衡和高可用的重要前提。提出一种基于虚拟机负载波动预测的启发式迁移方法。通过分析虚拟机负载波动平衡情况,设计启发式方法预测虚拟机的负载点和负载波浪的转势时间。实验数据表明,该方法有较强的自适应性,可有效改善虚拟机自主迁移的效率,达到辅助迁移虚拟机的目的。     

旅行商问题中巡回路径的数据结构

旅行商问题中巡回路径的数据结构对局部启发式算法的效率起着非常关键的作用。巡回路径的数据结构必须能够查询一条回路中每个城市的相对顺序,并且能够将一条回路中的部分城市逆序。分析了数组表示法、伸展树表示法和两级树表示法表示巡回路径时各种基本操作的实现过程及时间复杂度。数组表示法能够在常数时间内确定一条回路中每个城市的相对顺序,但是最坏情况下完成逆序操作需要Ω（n）时间,不适用于大规模的旅行商问题。伸展树表示法执行查询和更新操作的平摊时间复杂度是O（logn）,适用于极大规模的旅行商问题。而两级树表示法在最坏情况下每一个更新操作的时间复杂度是O（n^0.5）,适用于大规模的旅行商问题。     

考虑转包的平行机供应链排序

研究一类考虑转包的供应链排序问题, 即工厂从客户处接受一批订单, 这些订单既可以由工厂完成, 也可以通过支付一定费用进行转包. 工厂需要确定被转包的订单集并安排未被转包订单的生产和运输. 针对工厂为平行机生产环境的情况, 以交货期限内完成所有订单的转包成本、生产成本与运输成本之和最小化为目标, 构建了问题的数学模型, 并设计了启发式算法. 最后通过数值实验结果表明了算法的有效性.

     

基于约束规划的岸桥与集卡集成调度

针对进口集装箱卸船的岸桥与集卡集成调度问题,分别提出混合整数规划(MIP)模型和约束规划(CP)模型,目标是使得卸船完工时间最短,该问题是NP难题。通过OPL语言设计约束规划模型,利用其为调度问题提供的特殊构造,如区间变量、序列变量等进行建模,并采用"扩展操作任务"的概念来定义区间变量以提升求解效率。为评价解的质量,设计一个新的下界求解方法。使用不同规模的实例对约束规划模型和MIP模型进行测试,结果表明,在小规模实例中,CP模型求解性能略差于MIP模型,但对于中大规模实例,MIP模型无法在设定时限内找到解,而CP模型则能以较快的收敛速度得到高质量的解,目标距离下界的差距控制在2.19%~8.28%。     

回归测试中测试用例集缩减问题的研究

测试用例集缩减(Test Suite Minimization,TSM)问题作为回归测试的研究热点和难点,在满足对指定测试需求的覆盖前提下,通过识别并移除冗余测试用例来降低回归测试成本。对国内外已有的TSM研究成果进行综述。首先分别从源代码和模型两个角度出发,总结已有的TSM方法:从源代码角度出发,重点分析与总结传统TSM方法和考虑缺陷检测能力的TSM方法;从模型角度出发,重点分析与总结基于扩展有限状态自动机的TSM方法。然后对实证研究中采用的评测程序、评测指标和实证结论进行总结。随后总结了TSM方法在特定测试领域的应用,包括GUI应用测试、Web应用测试和缺陷定位等。最后展望了未来的可能发展趋势。     

计算机组成原理启发式教学探析

提出以学生为主体,采用问题引导的启发式教学方式,将理论与实验相结合,以实验引发理论,变被动学习为主动学习,在开课之初最大化激发学生的学习兴趣。     

基于混合优化算法的云计算资源调度

由于云计算的动态性、异构性和不可预测性等特点,使得资源调度策略面临很大的挑战。目前解决资源调度的方法主要是一些启发式算法,如模拟退火算法、人工神经网络算法、粒子群算法、蚁群算法和遗传算法等,由于优缺点分明,不能单独实现云计算任务的最优分配。因此,提出了使用混合优化算法解决云计算资源分配问题。在算法前期,借助粒子群全局广泛搜索能力,快速寻找到较优解;在算法后期,借助蚁群算法的正反馈性和高效性,寻找最优解。实验表明该算法有较短的任务执行时间和实现各个物理主机间的负载均衡。     

启发式教学在计算机硬件基础课程中的应用

目前,计算机硬件基础课程教学中普遍存在不能充分激发学生的学习兴趣的问题,影响了教学效果。采用启发式教学方法,通过创设问题情境,构建学生的认知冲突,激发学生的内在求知欲,教师通过思维引导、关键知识点拨等启发式教学手段辅助学生主动探索新知识,并能灵活运用所学知识,形成创新能力。     

多拓扑路由实现IP网络区分服务的优化算法*

在IP网络使用多拓扑技术对不同业务区分服务和路由优化的背景下,提出一种改进的链路权重优化启发式算法,在一定条件下以一定概率接受非可行解,从而引入松弛机制扩大候选解范围,避免搜索陷入局部最优。在仿真中将所提出的算法和已有算法进行了比较,结果证明该算法能够为每个高优先级需求的服务层协定（SLA）提供保证,有效降低全网总时延或提高网络吞吐量。     

一种新的高维数据聚类自适应算法的研究

聚类有效性是用来评估在不同输入条件下的聚类算法性能的处理过程.高维数据空间的稀疏性和"维灾"问题使得传统有效性指标失去作用.提出新的可用于高维数据集的有效性指标,并结合启发式递减算法,提出一种高维数据的自适应聚类算法,用于确定高维数据集的最佳聚类数目.实验结果表明:提出的聚类算法有较好的性能.