【摘要】：在云計(jì)算環(huán)境中用戶(hù)數(shù)量巨大,需要處理的任務(wù)繁多,高效的任務(wù)調(diào)度算法是云計(jì)算需要解決的關(guān)鍵問(wèn)題之一。針對(duì)云計(jì)算的模型結(jié)構(gòu),引入粒子群算法和蟻群算法聯(lián)合優(yōu)化任務(wù)調(diào)度算法。首先使用粒子群算法生成初始調(diào)度結(jié)果,并引入隨機(jī)性的慣性權(quán)重提高算法的調(diào)節(jié)能力,將改進(jìn)粒子群算法生成的結(jié)果作為蟻群算法的初始信息素尋找最優(yōu)調(diào)度方案,并使用遺傳算法中的精英策略和交叉算子改進(jìn)蟻群算法,在算法中使用多層次優(yōu)化算法提高算法運(yùn)行效率。實(shí)驗(yàn)結(jié)果表明,在相同的條件下,改進(jìn)后的算法任務(wù)總完成時(shí)間得到降低,且隨著任務(wù)量的增加性能優(yōu)勢(shì)更為明顯。
[Abstract]:In the cloud computing environment, there are a large number of users and many tasks to deal with. Efficient task scheduling algorithm is one of the key problems that cloud computing needs to solve. Aiming at the model structure of cloud computing, particle swarm optimization (PSO) and ant colony algorithm (ACO) are introduced to optimize task scheduling. First, the initial scheduling results are generated by particle swarm optimization (PSO) algorithm, and the stochastic inertial weight is introduced to improve the adjustment ability of the algorithm. The result of PSO algorithm is used as the initial pheromone of ant colony algorithm to find the optimal scheduling scheme. Ant colony algorithm is improved by using elite strategy and crossover operator in genetic algorithm, and multi-level optimization algorithm is used to improve the efficiency of the algorithm. The experimental results show that under the same conditions, the total task completion time of the improved algorithm is reduced, and the performance advantage is more obvious with the increase of the number of tasks.
【作者單位】： 湖南文理學(xué)院芙蓉學(xué)院;湖南文理學(xué)院現(xiàn)代教育技術(shù)中心;
【基金】：湖南省自然科學(xué)基金(14JJ2124) 湖南省教育廳科學(xué)研究項(xiàng)目(14C0792)
【分類(lèi)號(hào)】：TP18;TP3

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 黃漾;;分布式環(huán)境下任務(wù)調(diào)度探討[J];電腦知識(shí)與技術(shù);2011年19期

2 張占軍,楊學(xué)良;具有優(yōu)先次序的多媒體流調(diào)度和資源共享[J];軟件學(xué)報(bào);1999年05期

3 章軍,章立生,韓承德;非完全互連同構(gòu)系統(tǒng)上的靜態(tài)任務(wù)調(diào)度[J];軟件學(xué)報(bào);1999年11期

4 李英;黃國(guó)范;;遺傳算法在云任務(wù)調(diào)度中的應(yīng)用[J];洛陽(yáng)師范學(xué)院學(xué)報(bào);2013年05期

5 江維;詹瑾瑜;桑楠;楊霞;;可信嵌入式系統(tǒng)中可靠且能量有效的任務(wù)調(diào)度[J];四川大學(xué)學(xué)報(bào)(工程科學(xué)版);2011年02期

6 徐正光;陳雁;尹怡欣;胡長(zhǎng)軍;王玨;;一種基于梯形自調(diào)度技術(shù)的集群任務(wù)調(diào)度的實(shí)現(xiàn)[J];計(jì)算機(jī)工程;2005年23期

7 穆鵬程;NEZAN Jean-Fran噻ois;RAULET Mickaёl;COUSIN Jean-Gabriel;;并行嵌入式系統(tǒng)中具有通信競(jìng)爭(zhēng)任務(wù)調(diào)度問(wèn)題的高級(jí)列表調(diào)度方法[J];中國(guó)科學(xué):信息科學(xué);2011年03期

8 譚一鳴;曾國(guó)蓀;王偉;;隨機(jī)任務(wù)在云計(jì)算平臺(tái)中能耗的優(yōu)化管理方法[J];軟件學(xué)報(bào);2012年02期

9 張彪;郭衛(wèi)斌;李建華;李洪林;;一種改進(jìn)的基于動(dòng)態(tài)信任的分布式調(diào)度模型[J];華東理工大學(xué)學(xué)報(bào)(自然科學(xué)版);2013年04期

10 葉軍,謝康林;分布式實(shí)時(shí)嵌入式系統(tǒng)任務(wù)調(diào)度研究[J];微型電腦應(yīng)用;2004年05期

相關(guān)博士學(xué)位論文 前8條

1 瞿進(jìn);可重構(gòu)系統(tǒng)軟硬功能劃分及任務(wù)調(diào)度技術(shù)研究[D];解放軍信息工程大學(xué);2011年

2 周雙娥;實(shí)時(shí)分布容錯(cuò)系統(tǒng)的任務(wù)調(diào)度技術(shù)研究[D];哈爾濱工程大學(xué);2003年

3 柴亞輝;基于FPGA的高性能計(jì)算架構(gòu)硬件任務(wù)與資源模型研究[D];上海大學(xué);2012年

4 金剛;云環(huán)境下任務(wù)調(diào)度關(guān)鍵問(wèn)題研究[D];吉林大學(xué);2015年

5 耿曉中;基于多核分布式環(huán)境下的任務(wù)調(diào)度關(guān)鍵技術(shù)研究[D];吉林大學(xué);2013年

6 王寧;云計(jì)算環(huán)境下數(shù)據(jù)管理與任務(wù)調(diào)度優(yōu)化策略研究[D];北京科技大學(xué);2015年

7 王曉麗;云環(huán)境下節(jié)能優(yōu)化模型及算法研究[D];西安電子科技大學(xué);2014年

8 任崇廣;面向海量數(shù)據(jù)處理領(lǐng)域的云計(jì)算及其關(guān)鍵技術(shù)研究[D];南京理工大學(xué);2013年

相關(guān)碩士學(xué)位論文 前10條

1 楊鏡;基于人工免疫系統(tǒng)的云平臺(tái)動(dòng)態(tài)任務(wù)調(diào)度[D];電子科技大學(xué);2014年

2 姜志剛;數(shù)據(jù)中心溫度感知任務(wù)調(diào)度技術(shù)研究[D];南京大學(xué);2014年

3 翟釗;云環(huán)境下的集群性能優(yōu)化研究[D];南京郵電大學(xué);2016年

4 李蓉蓉;基于人工蜂群算法的云任務(wù)調(diào)度研究[D];合肥工業(yè)大學(xué);2016年

5 楊俊;多核系統(tǒng)靜態(tài)任務(wù)調(diào)度問(wèn)題研究[D];合肥工業(yè)大學(xué);2016年

6 王璇;基于智能搜索算法的多核處理器任務(wù)調(diào)度[D];杭州電子科技大學(xué);2015年

7 懷偉城;基于動(dòng)態(tài)調(diào)頻技術(shù)的數(shù)據(jù)中心任務(wù)調(diào)度問(wèn)題研究[D];南京大學(xué);2014年

8 高金華;基于多核的任務(wù)調(diào)度研究與實(shí)現(xiàn)[D];中南大學(xué);2010年

9 馬玉明;云計(jì)算數(shù)據(jù)中心的任務(wù)調(diào)度研究[D];云南大學(xué);2015年

10 王同欣;分布式計(jì)算框架Antnest的任務(wù)調(diào)度設(shè)計(jì)與實(shí)現(xiàn)[D];華中科技大學(xué);2012年

，

本文編號(hào)：2359529