一种Hadoop Yarn的资源调度方法研究

针对Hadoop Yarn资源调度问题,为提高集群作业执行效率,提出一种基于蚁群算法与粒子群算法的自适应Hadoop资源调度算法SRSAPH.SRSAPH中,通过Hadoop Yarn跳通信机制获取负载、内存、CPU速度等属性信息初始化信息素矩阵;同时,将粒子群算法的自我认知能力与社会认知能力引入到蚁群算法,提高算法的收敛速度;此外,根据蚁群算法全局最优解的波动趋势动态调整信息素挥发系数,提高解的精度.实验表明,采用SRSAPH进行资源调度,集群的作业执行时间缩短至少10%.     

基于均衡更新蚁群算法的飞机排序调度

飞机排序调度问题是空中交通管制的一个关键问题,本文在给出飞机排序调度模型的基础上,提出一种均衡更新蚁群算法,利用当前解与全局最优解的差异来均衡地更新信息素,增强算法的全局搜索能力,从而生成更优解。实验结果表明,均衡更新蚁群算法求解飞机排序调度问题时,能用较短时间求出优于对比算法的结果,其性能可以提高12.9%,有助于空中交通管制人员根据实时情况安排合适的飞机着陆顺序。     

一种带有摄动的导向性蚁群算法

针对加入导向性局部搜索(Guided Local Search,GLS)的蚁群算法(Ant Colony Optimization,ACO)容易过早收敛的问题,提出一种带有摄动的导向性蚁群算法(Perturbation Guided Ant Colony Optimization,PGACO),该算法在当前解表现出过早收敛的趋势时,采用摄动(Perturbation)方式干扰解构建过程,使当前解移动到其邻域空间,从而产生一个新的可行解来避免算法过早收敛,提高算法求解的精度。实验结果表明,PGACO能有效地改善过早收敛问题,获得更优的可行解和执行速度,同时具有更强的全局搜索能力,能进一步提高算法的性能。