基于改进蛙跳算法的云计算资源调度

资源合理调度是云计算研究热点。为了提高云计算资源的调度效率,提出一种改进蛙跳算法的云计算资源调度方法。首先对云资源调度问题进行分析,建立云资源调度的目标函数,然后采用蛙跳算法对云资源调度问题进行寻优,并将对蛙跳算法进行改进,加快搜索速度,以提高算法学习能力。实验结果表明,相对于其他云计算资源调度方法,该方法可以更快找到最优云计算资源调度方案,使云计算资源负载更加均衡,提高云计算资源的利用率。     

云计算环境中基于混合蛙跳算法的资源调度

提出云计算环境中基于改进混合蛙跳算法（Shuffled Frog Leaping Algorithm,SFLA）的保证QoS（Quality of Service）资源调度方案。根据任务和资源的特点提出SFLA两种编码结构及其对应更新方程;对调度方案的QoS给出定义;提出根据QoS值进行个体优劣选择的改进SFLA;在CloudSim平台对算法进行了仿真实验。实验结果证明所提出的计算方案有效。     

基于QPSFLA算法的云计算环境资源调度策略

针对云计算环境下的资源调度优化问题,提出了一种基于量子粒子群策略的混洗蛙跳改进算法(简称QPSFLA算法),旨在引入量子粒子群搜索策略防止传统混洗蛙跳算法容易陷入局部最优的问题。在CloudSim平台上的模拟试验结果表明,QPSFLA算法能够达到预期效果,而且比平台自带算法和传统混洗蛙跳算法效率更高。     

云计算资源调度算法仿真

针对云计算的资源调度问题,有效利用云网络结构,是分布式结构与网格技术中的主要问题.大量资源调度算法使用任务结构对云计算环境下的负载进行分配,但较少考虑网络节点的动态信任度问题使得云计算资源存在一定的安全隐患.首先基于云计算任务串并联结构对网络动态资源进行分配,然后使用粒子群算法并结合节点置信度指标进行改进.通过仿真进行验证,证明了改进方法在增加节点信任度指标后提高了云计算资源的利用率,降低了网络资源负载.     

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。     

基于改进混合蛙跳算法的网格任务调度策略

针对网格任务调度问题,提出一种基于改进混合蛙跳算法的网格任务调度策略。通过引入遗传算子增加对局部极值的扰动,以避免陷入局部最优,同时借鉴粒子群优化算法中粒子飞行经验,对青蛙移动策略进行优化。实验结果表明,该策略高效合理,能够缩减执行任务的时间跨度,并提高最优解的质量。     

云计算调度算法综述

对当前云计算的调度算法进行了综述;介绍和分析了在云计算调度算法领域里比较有代表性的两个基本的算法——遗传算法和粒子群优化算法;最后对今后的研究方向进行总结和展望。     

混合蛙跳算法研究综述

针对混合蛙跳算法(SFLA)是一种结合了基于遗传基因的模因演算算法和基于群体觅食行为的粒子群优化算法的亚启发式协同搜索群智能算法,系统地介绍了SFLA的基本原理和算法流程,讨论了SFLA的研究进展和应用现状,并指出了SFLA的发展趋势和下一步的研究方向.     

云计算环境下的资源调度优化模型研究

为了提高了云计算资源调度效率,提出一种基于混沌粒子群算法的云计算资源调度模型.首先将资源调度可行方案作为粒子的位置向量,云计算资源的负载均衡度作为目标函数,然后通过粒子之间的信息共享、交流,最后找到最优资源调度方案,并引入混沌机制对粒子进行扰动操作,保证粒子群的多样性,防止早熟现象、局部最优解等缺陷出现.在CloudSim平台进行了仿真,结果表明,混沌粒子群算法可以快速找到云计算资源最优调度方案,提高了资源利用的效率,具有较好的实用性和可行性.     

求解多目标优化问题的自适应混沌混合蛙跳算法

针对多目标优化问题提出一种自适应混沌混合蛙跳算法MACSFLA(Adaptive chaos shuffled frog leaping algorithm for multiobjective optimization)。使用动态权重因子策略以提高混合蛙跳算法SFLA(Shuffled Frog Leaping Algorithm)收敛效率,引入基于Pareto支配能力的SFLA子族群划分策略,使得SFLA能够应用于多目标优化问题。在此基础上,MACSFLA首先利用SFLA快速寻优能力接近理论Pareto最优解,然后采用自适应网格密度机制动态维护外部存储器Pareto最优解规模,并使用自适应混沌优化技术改善Pareto最优解集样本多样性,最后利用Pareto最优解选择策略为青蛙种群选择最优更新粒子。多目标函数测试实验结果表明,与MOPSO和NSGA-Ⅱ相比,MACSFLA在Pareto最优解集均匀性和多样性上有明显优势。     

基于改进混合蛙跳算法的图像阈值分割算法

针对最大类间方差法在图像分割时存在造成噪声干扰和过分割的缺点,提出一种基于改进混合蛙跳算法的图像阈值分割算法。算法将苹果图像编码处理,选取图像的类间方差作为改进混合蛙跳算法的适应度值,通过改进的混合蛙跳算法寻找最大的分割阈值,利用该最优阈值使用经典最大类间方差法对花牛苹果图像进行分割。选取强光、较强光、较弱光和弱光条件下四幅花牛苹果图像进行分割实验,结果表明,采用基于改进混合蛙跳算法的图像阈值分割算法较最大类间方差法和基于混合蛙跳算法的图像阈值分割算法均具有较好的图像阈值寻优能力,可有效改善花牛苹果图像的分割效果。     

云环境下的基于Min-Max的节能资源调度算法的研究

针对云计算环境下的高能耗问题,从系统节能的角度提出一种节能资源调度算法(energy-saving scheduling algorithm based on min-max,ESSAMM)。在Min-Max算法的基础上综合考虑了用户对于任务期望的完成时间和能量消耗两个因素,以节省任务执行过程中产生的能量消耗,并提高用户的时间QoS满意度,实现负载均衡。将任务集合中各任务按照长度从小到大排序,并根据时间QoS为该集合中长度最大和最小的任务选出符合用户期望的物理资源;根据能量估算模型,计算出这两个任务在各物理机上的执行能耗;选择最小能耗对应的物理机来执行该任务;将这两个任务在任务集合中删除,并重复上述过程,直到任务集合为空。仿真结果表明,相比于Min-Max和Min-Min资源调度算法,该算法能够有效降低系统执行任务产生的总能耗,提高用户时间服务质量,并实现调度系统负载均衡。     

云计算环境下基于ABC-QPSO算法的资源调度模型

为了提高云计算资源的利用率,保证节点负载均衡,提出一种人工蜂群算法和量子粒子群算法相融合的云计算资源调度模型(ABC-QPSO)。首先将人工蜂群算法的搜索算子作为变异算子引入到量子粒子群算法中,以解决量子粒子群算法早熟收敛缺陷,然后以任务完成时间最短作为量子粒子群的适应度函数对云计算资源调度进行优化,最后在Cloud Sim平台上对ABC-QPSO的性能进行测试。结果表明,ABC-QPSO算法不仅克服了QPSO算法的不足,而且有效缩短了任务的完成时间,提高了云计算资源利用率,适合于进行大规模任务的云计算资源调度。     

基于改进多目标布谷鸟搜索的资源调度算法

针对IaaS(Infrastructure as a Service)云计算中资源调度的多目标优化问题,提出一种基于改进多目标布谷鸟搜索的资源调度算法。在多目标布谷鸟搜索算法的基础上,通过改进随机游走策略和丢弃概率策略提高了算法的局部搜索能力和收敛速度。以最大限度地减少完成时间和成本为主要目标,将任务分配特定的VM(Virtual Manufacturing)满足云用户对云提供商的资源利用的需求,从而减少延迟,提高资源利用率和服务质量。实验结果表明,该算法可以有效地解决IaaS云计算环境中资源调度的多目标问题,与其他算法相比,具有一定的优势。     

一种面向SLA的云计算环境下虚拟资源调度方法

云计算环境下,应用提供者可以根据需要决定租用虚拟资源的数量。租用大量资源会得到Qo S保障,从而获得较好的收益,但应用提供者需要为租用资源付费。同样,租用少量资源,会节省租用资源投入,但资源不足难以保障Qo S,SLA(Service Level Agreement)违背会带来经济损失。因此,租用多少虚拟资源才能使得资源得到充分利用,达到应用提供者的收益最大化成为亟待解决的问题。针对此问题,从应用提供者收益角度考虑,兼顾SLA收益损失和服务器租用成本投入,提出虚拟机资源调度方法,旨在使得应用租用者收益最大化。该方法利用排队论建模目标云应用的性能,并引入SLA收益损失函数估算在租用一定虚拟资源情况下的SLA收益损失,最后,利用爬山算法动态调整物理资源租用数量以达到收益最大化的目标。实验结果表明,与当前常见的虚拟机资源调度方法 1VMPer Job、1VM4All和Bin Packing相比,所提出的方法使得云应用提供者的成本投入分别降低了17.92%、22.85%和10.74%。     

一种云环境下基于QoS约束的资源分配策略

由于资源非均匀分布以及硬件具有较大异构性,导致资源服务时效率不高。针对上述的不足,根据用户对资源的偏好,建立任务与资源的映射模型,设计一种低负载和低成本的资源分配策略,实现系统负载均衡。实验结果表明,该策略在满足Qo S约束的条件下,有效地提高资源利用率。     

基于公平性和负载均衡的云计算任务调度算法

任务调度是云计算的关键技术之一,其主要目标是能更有效地满足系统资源和任务的公平性,同时尽可能实现系统资源的负载均衡。结合遗传算法的优点,提出一种公平均衡遗传调度算法FBGSA(Fair Balanced Genetic Scheduling Algorithm)。该算法充分考虑到任务调度过程中资源和任务的公平性问题,以及资源的负载均衡等因素。实验结果显示该算法不仅可以有效减少任务总完成时间,而且可以满足系统资源和任务的公平性,有效实现资源负载均衡。     

基于改进遗传算法的网格任务调度算法

网格任务调度是一个NP完全问题,它关注大规模的资源和任务调度,要求采用的调度算法能够具有高效性.遗传算法被证明是解决这类小规模问题的有效算法,随着任务数和资源数的增加,遗传算法表现出慢速收敛的缺点.为了克服其缺点,提出将Min-min算法与遗传算法相结合的改进遗传算法,从而设计出很好的选择和交叉算子,提高了算法搜索能力和收敛速度.仿真结果表明该算法能更有效解决网格任务调度问题.