本文關(guān)鍵詞： 云計(jì)算 蟻群優(yōu)化算法 Q學(xué)習(xí) 資源分配　出處：《計(jì)算機(jī)測(cè)量與控制》2014年10期 　論文類(lèi)型：期刊論文

【摘要】：云計(jì)算異構(gòu)環(huán)境中由于計(jì)算和存儲(chǔ)資源物理分布的不一致性,往往容易導(dǎo)致在應(yīng)用傳統(tǒng)的調(diào)度算法進(jìn)行任務(wù)資源分配時(shí)存在調(diào)度效率低和負(fù)載不均衡的問(wèn)題,為此,設(shè)計(jì)了一種基于Q學(xué)習(xí)和雙向ACO算法的云計(jì)算任務(wù)資源分配模型;首先,引入了基于主從結(jié)構(gòu)的調(diào)度模型,并綜合考慮任務(wù)計(jì)算完成時(shí)間、網(wǎng)絡(luò)帶寬和延遲等因素設(shè)計(jì)了資源分配目標(biāo)函數(shù),然后,設(shè)計(jì)了基于Q學(xué)習(xí)的云計(jì)算資源初始分配方法,將其獲得的最優(yōu)策略對(duì)應(yīng)的Q值初始化網(wǎng)絡(luò)中節(jié)點(diǎn)的Q值,最后,設(shè)計(jì)一種結(jié)合前向螞蟻和后向螞蟻的雙向ACO算法實(shí)現(xiàn)任務(wù)資源的最終分配,并對(duì)算法進(jìn)行了定義和描述;在CloudSim環(huán)境下進(jìn)行仿真實(shí)驗(yàn),結(jié)果證明文中方法能有效實(shí)現(xiàn)云計(jì)算異構(gòu)環(huán)境下的任務(wù)資源分配,且與其它方法相比,負(fù)載均衡離差值平均約為0.071 5,是一種適用于云計(jì)算異構(gòu)環(huán)境的有效資源分配方法。
[Abstract]:Due to the inconsistency of the physical distribution of computing and storage resources in the heterogeneous environment of cloud computing, it is easy to lead to the problems of low scheduling efficiency and unbalanced load when the traditional scheduling algorithm is used to allocate task resources. Therefore, a resource allocation model of cloud computing task based on Q learning and bidirectional ACO algorithm is designed. Firstly, the scheduling model based on master-slave structure is introduced, and the objective function of resource allocation is designed considering the completion time of task calculation, network bandwidth and delay. This paper designs an initial allocation method of cloud computing resources based on Q learning, and initializes the Q value of nodes in the network by the Q value corresponding to the optimal policy. Finally. A bidirectional ACO algorithm combining forward ant and backward ant is designed to realize the final assignment of task resources, and the algorithm is defined and described. The simulation results in CloudSim environment show that the proposed method can effectively implement task resource allocation in heterogeneous cloud computing environment, and compared with other methods. The average value of load balancing distance is about 0.071 5, which is an effective resource allocation method for cloud computing heterogeneous environment.
【作者單位】： 鹽城工學(xué)院信息工程學(xué)院;
【分類(lèi)號(hào)】：TP18;TP3
【正文快照】： 0引言云計(jì)算[1-2](cloud computing)是繼并行計(jì)算、分布式計(jì)算和網(wǎng)格計(jì)算的一種新的計(jì)算模式[3-4]。云計(jì)算平臺(tái)的體系結(jié)構(gòu)[5]主要是由三個(gè)部分組成即基礎(chǔ)設(shè)施即服務(wù)、軟件即服務(wù)和應(yīng)用級(jí)服務(wù),但其需要解決的問(wèn)題是對(duì)于新到達(dá)的服務(wù)請(qǐng)求,需要將虛擬資源池中的資源分配給該服務(wù)

【參考文獻(xiàn)】

相關(guān)期刊論文 前6條

1 王永貴;韓瑞蓮;;基于改進(jìn)蟻群算法的云環(huán)境任務(wù)調(diào)度研究[J];計(jì)算機(jī)測(cè)量與控制;2011年05期

2 師雪霖清華大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)系 清華信息科學(xué)與技術(shù)國(guó)家實(shí)驗(yàn)室(籌);徐恪;;云虛擬機(jī)資源分配的效用最大化模型[J];計(jì)算機(jī)學(xué)報(bào);2013年02期

3 柯何楊;楊群;王立松;段汐;;同構(gòu)Hadoop集群環(huán)境下改進(jìn)的延遲調(diào)度算法[J];計(jì)算機(jī)應(yīng)用研究;2013年05期

4 陳旭輝;于國(guó)龍;;云模型優(yōu)化LSF調(diào)度算法的研究[J];計(jì)算機(jī)工程與設(shè)計(jì);2010年13期

5 段趙磊;朱會(huì)東;;ECluster:一種面向數(shù)據(jù)密集計(jì)算的彈性集群[J];微電子學(xué)與計(jì)算機(jī);2013年02期

6 張建華;吳恒;張文博;;云計(jì)算核心技術(shù)研究綜述[J];小型微型計(jì)算機(jī)系統(tǒng);2013年11期

【共引文獻(xiàn)】

相關(guān)期刊論文 前10條

1 張冬梅;劉強(qiáng);;一種基于強(qiáng)化學(xué)習(xí)的傳感器網(wǎng)絡(luò)應(yīng)用重構(gòu)決策方法[J];北京交通大學(xué)學(xué)報(bào);2010年03期

2 楊萍;畢義明;孫淑玲;;具有自主決策能力的機(jī)動(dòng)單元智能體研究[J];兵工學(xué)報(bào);2007年11期

3 趙曉華;李振龍;于泉;張杰;;基于切換模型的兩交叉口信號(hào)燈Q學(xué)習(xí)協(xié)調(diào)控制[J];北京工業(yè)大學(xué)學(xué)報(bào);2007年11期

4 孫若瑩;李忱;趙剛;;基于強(qiáng)化學(xué)習(xí)的牛鞭效應(yīng)對(duì)策模型[J];北京信息科技大學(xué)學(xué)報(bào)(自然科學(xué)版);2011年01期

5 王華;崔曉婷;劉向東;張宇河;;基于Q-學(xué)習(xí)的衛(wèi)星姿態(tài)在線模糊神經(jīng)網(wǎng)絡(luò)控制[J];北京理工大學(xué)學(xué)報(bào);2006年03期

6 畢金波,吳滄浦;有效的自適應(yīng)λ即時(shí)差異學(xué)習(xí)(英文)[J];Journal of Beijing Institute of Technology(English Edition);1999年03期

7 童亮;陸際聯(lián);;Multi-Agent Reinforcement Learning Algorithm Based on Action Prediction[J];Journal of Beijing Institute of Technology(English Edition);2006年02期

8 吳洪巖;劉淑華;張崳;;基于RBFNN的強(qiáng)化學(xué)習(xí)在機(jī)器人導(dǎo)航中的應(yīng)用[J];吉林大學(xué)學(xué)報(bào)(信息科學(xué)版);2009年02期

9 楊銀賢;Multi-agent reinforcement learning using modular neural network Q-learning algorithms[J];Journal of Chongqing University;2005年01期

10 楊東,殷萇茗,陳煥文,吳柏森;基于Q-學(xué)習(xí)的非線性控制[J];長(zhǎng)沙電力學(xué)院學(xué)報(bào)(自然科學(xué)版);2003年01期

相關(guān)會(huì)議論文 前10條

1 毛劍琳;向鳳紅;馮麗輝;;一種改進(jìn)的IEEE802.15.4自適應(yīng)實(shí)時(shí)帶寬分配策略[A];第二十七屆中國(guó)控制會(huì)議論文集[C];2008年

2 馬麗;劉惟一;;多個(gè)交通路口調(diào)度博弈模型及其均衡求解的增強(qiáng)學(xué)習(xí)算法[A];第二十七屆中國(guó)控制會(huì)議論文集[C];2008年

3 ;Complexity Analysis of Quantum Reinforcement Learning[A];第二十九屆中國(guó)控制會(huì)議論文集[C];2010年

4 樸松昊;洪炳熔;褚海濤;;基于BDI的多Agent協(xié)作模型研究[A];2003中國(guó)控制與決策學(xué)術(shù)年會(huì)論文集[C];2003年

5 劉長(zhǎng)有;孫光余;;一種應(yīng)用Elman型回歸網(wǎng)絡(luò)的Q-學(xué)習(xí)[A];2004中國(guó)控制與決策學(xué)術(shù)年會(huì)論文集[C];2004年

6 鄒亮;徐建閩;;基于Q-learning的電子地圖動(dòng)態(tài)最短路徑求解方法[A];2005中國(guó)控制與決策學(xué)術(shù)年會(huì)論文集（下）[C];2005年

7 ;Hybrid Q-learning Algorithm About Cooperation in MAS[A];2009中國(guó)控制與決策會(huì)議論文集（3）[C];2009年

8 ;An Adaptive Inventory Control for a Supply Chain[A];2009中國(guó)控制與決策會(huì)議論文集（3）[C];2009年

9 謝志華;鄭應(yīng)平;;基于再勵(lì)學(xué)習(xí)的排隊(duì)系統(tǒng)優(yōu)化控制[A];1995年中國(guó)控制會(huì)議論文集（下）[C];1995年

10 Meng Joo Er;;Modeling and Fuzzy Q-Learning Control of Biped Walking[A];第二十四屆中國(guó)控制會(huì)議論文集（上冊(cè)）[C];2005年

相關(guān)博士學(xué)位論文 前10條

1 王作為;具有認(rèn)知能力的智能機(jī)器人行為學(xué)習(xí)方法研究[D];哈爾濱工程大學(xué);2010年

2 高延增;超小型水下機(jī)器人關(guān)鍵性能提升技術(shù)研究[D];華南理工大學(xué);2010年

3 黃正行;臨床過(guò)程分析與優(yōu)化技術(shù)研究[D];浙江大學(xué);2010年

4 林龍信;仿生水下機(jī)器人的增強(qiáng)學(xué)習(xí)控制方法研究[D];國(guó)防科學(xué)技術(shù)大學(xué);2010年

5 馮奇;POMDP近似解法研究及在中醫(yī)診療方案優(yōu)化中的應(yīng)用[D];北京交通大學(xué);2011年

6 孫祥;大學(xué)生就業(yè)區(qū)域流向及引導(dǎo)策略研究[D];合肥工業(yè)大學(xué);2011年

7 陳學(xué)松;強(qiáng)化學(xué)習(xí)及其在機(jī)器人系統(tǒng)中的應(yīng)用研究[D];廣東工業(yè)大學(xué);2011年

8 李s，

本文編號(hào)：1471540