本文關鍵詞： 云計算 蟻群優(yōu)化算法 Q學習 資源分配　出處：《計算機測量與控制》2014年10期 　論文類型：期刊論文

【摘要】：云計算異構環(huán)境中由于計算和存儲資源物理分布的不一致性,往往容易導致在應用傳統(tǒng)的調(diào)度算法進行任務資源分配時存在調(diào)度效率低和負載不均衡的問題,為此,設計了一種基于Q學習和雙向ACO算法的云計算任務資源分配模型;首先,引入了基于主從結構的調(diào)度模型,并綜合考慮任務計算完成時間、網(wǎng)絡帶寬和延遲等因素設計了資源分配目標函數(shù),然后,設計了基于Q學習的云計算資源初始分配方法,將其獲得的最優(yōu)策略對應的Q值初始化網(wǎng)絡中節(jié)點的Q值,最后,設計一種結合前向螞蟻和后向螞蟻的雙向ACO算法實現(xiàn)任務資源的最終分配,并對算法進行了定義和描述;在CloudSim環(huán)境下進行仿真實驗,結果證明文中方法能有效實現(xiàn)云計算異構環(huán)境下的任務資源分配,且與其它方法相比,負載均衡離差值平均約為0.071 5,是一種適用于云計算異構環(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】： 鹽城工學院信息工程學院;
【分類號】：TP18;TP3
【正文快照】： 0引言云計算[1-2](cloud computing)是繼并行計算、分布式計算和網(wǎng)格計算的一種新的計算模式[3-4]。云計算平臺的體系結構[5]主要是由三個部分組成即基礎設施即服務、軟件即服務和應用級服務,但其需要解決的問題是對于新到達的服務請求,需要將虛擬資源池中的資源分配給該服務

【參考文獻】

相關期刊論文 前6條

1 王永貴;韓瑞蓮;;基于改進蟻群算法的云環(huán)境任務調(diào)度研究[J];計算機測量與控制;2011年05期

2 師雪霖清華大學計算機科學與技術系 清華信息科學與技術國家實驗室(籌);徐恪;;云虛擬機資源分配的效用最大化模型[J];計算機學報;2013年02期

3 柯何楊;楊群;王立松;段汐;;同構Hadoop集群環(huán)境下改進的延遲調(diào)度算法[J];計算機應用研究;2013年05期

4 陳旭輝;于國龍;;云模型優(yōu)化LSF調(diào)度算法的研究[J];計算機工程與設計;2010年13期

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

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

【共引文獻】

相關期刊論文 前10條

1 張冬梅;劉強;;一種基于強化學習的傳感器網(wǎng)絡應用重構決策方法[J];北京交通大學學報;2010年03期

2 楊萍;畢義明;孫淑玲;;具有自主決策能力的機動單元智能體研究[J];兵工學報;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燈Q學習協(xié)調(diào)控制[J];北京工業(yè)大學學報;2007年11期

4 孫若瑩;李忱;趙剛;;基于強化學習的牛鞭效應對策模型[J];北京信息科技大學學報(自然科學版);2011年01期

5 王華;崔曉婷;劉向東;張宇河;;基于Q-學習的衛(wèi)星姿態(tài)在線模糊神經(jīng)網(wǎng)絡控制[J];北京理工大學學報;2006年03期

6 畢金波,吳滄浦;有效的自適應λ即時差異學習(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的強化學習在機器人導航中的應用[J];吉林大學學報(信息科學版);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-學習的非線性控制[J];長沙電力學院學報(自然科學版);2003年01期

相關會議論文 前10條

1 毛劍琳;向鳳紅;馮麗輝;;一種改進的IEEE802.15.4自適應實時帶寬分配策略[A];第二十七屆中國控制會議論文集[C];2008年

2 馬麗;劉惟一;;多個交通路口調(diào)度博弈模型及其均衡求解的增強學習算法[A];第二十七屆中國控制會議論文集[C];2008年

3 ;Complexity Analysis of Quantum Reinforcement Learning[A];第二十九屆中國控制會議論文集[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中國控制與決策學術年會論文集[C];2003年

5 劉長有;孫光余;;一種應用Elman型回歸網(wǎng)絡的Q-學習[A];2004中國控制與決策學術年會論文集[C];2004年

6 鄒亮;徐建閩;;基于Q-learning的電子地圖動態(tài)最短路徑求解方法[A];2005中國控制與決策學術年會論文集（下）[C];2005年

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

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

9 謝志華;鄭應平;;基于再勵學習的排隊系統(tǒng)優(yōu)化控制[A];1995年中國控制會議論文集（下）[C];1995年

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

相關博士學位論文 前10條

1 王作為;具有認知能力的智能機器人行為學習方法研究[D];哈爾濱工程大學;2010年

2 高延增;超小型水下機器人關鍵性能提升技術研究[D];華南理工大學;2010年

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

4 林龍信;仿生水下機器人的增強學習控制方法研究[D];國防科學技術大學;2010年

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

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

7 陳學松;強化學習及其在機器人系統(tǒng)中的應用研究[D];廣東工業(yè)大學;2011年

8 李s，

本文編號：1471540