基于重建策略的云工作流调度算法优化

为了进一步提高算法性能,提出一种改进的蛙跳算法,并与调度方案相结合,以期为云工作流资源分配提供最优调度.通过在蛙跳算法的局部搜索中加入重建策略,提高了数据随机性,有效避免了局部最优.研究了调度方案生成算法,与改进算法相结合得到接近最优的调度.利用Java模拟器进行仿真试验,并与粒子群优化算法和传统蛙跳算法作比较.实验证明,提出的方法可以在满足最长截止时间约束的情况下,使总执行成本最小化.     

基于排队论时间预测的网格工作流调度算法

针对时间限制严格的DAG（有向无环图）类型网格工作流提出了一种新的基于排队论时间预测模型的网格工作流调度算法。按照用户提交的工作流执行时间的要求,利用Little公式计算任务在各候选资源上执行时间超过规定时间概率的大小,然后选择最佳的候选资源执行工作流任务。仿真结果证明了该算法的有效性。     

Web服务工作流路由模型构造及QoS优化

针对服务工作流的路由构造与优化问题,提出一种服务工作流的路由模型(Workflow route model,WRM).该模型将功能相同的服务复本聚集成一类服务集合,每类服务集合采用聚合树的方式组织,同时,依据工作流之间的路由组合关系形成路由构造图,在此基础上提出一种基于QoS的工作流路由算法,在服务动态变化时能满足不同应用的多维QoS需求.实验结果表明:该模型能较好地组织服务资源;路由算法综合多维QoS目标优化,可在多项式时间内计算出较佳的工作流路径,适合于分布式环境中服务工作流的构造与协作.     

多目标服务工作流混合粒子群调度算法

针对NP难的服务工作流时间一费用优化问题,提出多目标混合粒子群算法(HMOPSO)来优化工作流调度问题.HMOPSO算法包括:初始种群生成、适应值分配、种群多样性保持、外部种群和极值选择.通过分析服务工作流的特征,构建有效的粒子结构使之离散化;通过设定单目标最优初始解,优化初始种群;通过引入外部种群和基于小生境技术的网格方法,获得分布均匀的Pareto最优解集.实验结果表明,HMOPSO具有更快的收敛速度和更好的寻优能力,并且在不同特征的问题实例上获得了数量众多、分布均匀、有较高质量的Pareto最优解集.     

基于QoS约束的计算能力调度算法研究

云计算具有很强的商业性特点,以为用户提供高质量的服务为目标。针对云计算对服务质量QoS的需求问题以及云计算原有计算能力调度算法没有考虑用户多样性的缺点,提出了基于QoS约束的计算能力调度算法。该算法可以在保证为用户提供模拟的独立计算能力基础上,根据QoS参数生成的向量进行资源与任务的匹配,区分用户的不同服务质量需求,为用户提供符合其需求的资源。     

基于LBT的网格依赖任务调度算法

文章将任务调度分为资源分配和调度执行2个阶段,定义了网格环境下的调度执行最晚开始时间、调度执行开始时间和任务依赖图中边的权值;分析了任务图冻结消减和执行消减对任务图结构的影响;提出了基于LBT的网格依赖任务调度算法;实验表明该算法有效地减弱了网格动态性对调度结果的影响。     

云环境下一种多维QoS约束的工作流调度算法

云计算以用户为中心按需提供服务,云环境下必须关注用户的服务质量(QoS).云计算工作流调度的QoS目标约束条件,不仅有工作流完成时间,还包括调度预算、系统的可靠性以及安全性等,多维QoS约束的工作流调度算法的研究至关重要.为此,提出一种基于生物共生演算法(symbiotic organisms search,SOS)的多维QoS约束的工作流调度算法(QoS-SOS).首先为工作流中的每个任务分配适当的优先级,将非支配解的思想融入到生物共生演算法中,从而获得分布均匀的Pareto最优解集来解决多维QoS约束的工作流调度问题.实验结果表明,QoS-SOS不仅拥有较快的收敛速度,而且有很好的寻优能力,还能够根据用户的偏好选择侧重不同的优化方案,从而适应于大规模的云环境.     

截止期约束下QoS导向的网格任务调度算法

网格系统具有异构性和动态性,同时运行在网格之上的任务对资源的需求也不同,从而使任务调度变得极其复杂.针对网格任务的资源QoS和截止时间QoS要求,提出一种截止期约束下的QoS导向的任务调度算法.采用GridSim模拟实验表明该算法相对于QoS-guided Min-min和MOR,任务完成比率得到了大幅度提高,同时能有效保证系统的负载均衡.     

云制造环境下基于QoS的组合云服务自适应调整

为提高云制造环境下组合云服务的柔性,提出一种基于QoS的组合云服务自适应调整机制.该机制将可靠性、可用性、时间、价格和柔性度作为云服务的QoS特征,给出各特征值的量化方法和云服务QoS包含度的定义;对云制造环境下可能产生的异常进行了分类和抽象,将自适应调整逻辑引入组合云服务,建立了组合云服务自适应调整模型,并给出相应的调整算法和调整逻辑.设计了仿真实验,实验结果验证了所提方法的可行性和有效性.     

基于知识结构图的个性化学习内容生成算法

在结构化知识图的基础上,根据不同学生的学习状态,提出了网络学习环境的个性化学习内容生成算法.在课程本体知识结构图的基础上,经过动态评估学习过程而形成基于不同学生的个性化知识结构图,结合其子空间及有向无环图的拓扑排序方法,设计并实现了基于目标知识点的学习路径和个性化学习内容生成算法,以及在线学习环境中个性化学习内容生成机制.经网络学习课程实例验证表明,该算法可以满足学生个性化学习的需求.     

基于边被收缩图的有向有环图有向割集求解算法

为了提高有向有环图有向割集生成算法的效率,通过收缩有向有环图环路中的边将有向有环图转换成带收缩顶点的有向无环图,并使得生成有向无环图有向割集的算法可以生成有向有环图的有向割集.在理论上分析了本文提出的算法的时间复杂度和空间复杂度,并进行了实验测试.理论分析和实验测试的结果表明本文提出的算法是很高效的.     

基于DAG的高校培养计划图自动生成算法

提出了基于有向无环图的构图和绘图算法,可完成课程拓扑关系图的自动绘制,并以C#为编程语言实现了该算法,最后通过实例验证了算法能直观地表现课程及其间拓扑关系效果,且运行界面整齐美观。     

一种基于DAG图的异构可重构任务划分方法

为了实现高性能低功耗的计算,以任务划分为研究对象,提出了异构可重构计算的基本概念和形式化描述方法,给出了基于异构计算任务和异构可重构体系结构相结合的异构可重构两种任务划分方法:节点内部可重组及网络可重建的任务划分及算法,最后验证了其任务划分方法的有效性.     

一种基于任务竞争力的工作流调度算法

网格计算聚集了大量的异构分布式的计算或存储资源,为科学研究提供了一个高性能环境.然而,网格资源的异构性和自治性特征使得任务调度变得极其复杂.针对DAG表示的科学工作流调度问题,根据任务可用资源率确定任务调度的优先级,以任务竞争力刻画任务对资源的最佳匹配度,基于分层调度策略提出了一种基于任务竞争力的工作流调度算法.采用GridSim模拟实验表明该算法相对于其他两个算法,具有更小的执行时间.     

一种基于遗传算法的网格任务调度算法

任务调度问题是一类NP问题,经典调度理论一般仅能获得问题的近似最优解.尽管已有用于任务调度的遗传算法的求解质量优于传统方法,但多数是考虑单任务或独立多任务调度的遗传算法.采用理论分析与仿真实验相结合的方法,提出了一种改进的遗传算法解决网格的任务调度问题.这种遗传算法所处理的任务不仅可以包含多个有前后约束关系的子任务,并且每个子任务可以需要多种资源.通过对比实验可以看到本文所提出的算法在网格任务调度方面要优于传统的HEFT和DLS算法.     

基于云遗传算法的不确定性环境下平台资源调度适应性优化方法

针对战场环境中不确定因素对平台资源调度方案的影响,提出了一种面向不确定事件的平台资源调度适应性优化方法。考虑平台损耗和任务处理时间2个方面的不确定性,建立以最大任务执行效率为目标函数的平台资源调度的适应性优化问题的数学模型,根据不确定事件对平台资源能力或任务属性的影响来判断是否触发调度方案的适应性优化,并基于云遗传算法设计了平台资源调度适应性优化问题数学模型的求解方法,最后通过算例进行了验证。仿真结果表明,使用云遗传算法对平台资源调度方案进行适应性优化调整,能得到更加优化的平台任务匹配关系,并从整体上缩短使命完成时间。     

一种面向通信开销的网格工作流调度算法

采用任务—资源分配图定义了网格任务调度模型,运用动态规划的方法提出了面向通信开销的工作流任务调度算法。采用扩展的拓扑排序算法对具有依赖关系的工作流任务进行划分,根据划分的任务子集得到相应的调度阶段,在每一阶段选择满足约束条件和以计算开销、通信开销以及任务执行成功率为最优目标函数的资源节点进行任务分配,从而使工作流任务调度目标函数最优。应用Grid Sim工具包实现了该调度算法,并与Min-Min算法进行对比分析。仿真结果表明,基于动态规划的网格工作流调度算法具有良好的适应性,且能较好地处理不同网络环境下任务间存在大量数据传输的网格调度问题。