任務(wù)調(diào)度作為云計算的核心技術(shù),在云計算處理任務(wù)的過程中,任務(wù)調(diào)度是不可避免的重要環(huán)節(jié)之一,因此,優(yōu)化任務(wù)調(diào)度機制是強化云計算綜合性能的重要方法。為了更有效地改善云計算的服務(wù)性能,不少學(xué)者針對云計算中的任務(wù)調(diào)度機制所遇到的問題展開了研究。蟻群算法(Ant Colony Optimization,ACO)作為一種全局優(yōu)化算法,具有分布性、隨機性、反饋性等特點,在云環(huán)境中利用蟻群算法的特點能夠有效的處理任務(wù)調(diào)度機制所遇到的問題。在應(yīng)用蟻群算法解決任務(wù)調(diào)度問題的過程中,首先計算任務(wù)與虛擬機的配對概率,由螞蟻根據(jù)配對概率對任務(wù)進行分配,在算法完成收斂時得到目標解。由于隨機選擇的方法與反饋機制的原因,會導(dǎo)致收斂速度變慢與早熟現(xiàn)象。針對蟻群算法應(yīng)用于任務(wù)調(diào)度時存在的問題,本文以任務(wù)的完成時間與負載均衡為優(yōu)化目標對蟻群算法進行改進,主要工作內(nèi)容為:(1)對云計算中任務(wù)調(diào)度的特點進行分析與研究,對現(xiàn)有的任務(wù)調(diào)度算法的原理進行分析,總結(jié)與分析現(xiàn)有算法計算效率不高的原因,對遇到的問題找到研究思路。(2)針對如何提高計算效率與改善最優(yōu)解質(zhì)量的問題,結(jié)合任務(wù)調(diào)度機制對蟻群算法進行改進,通過賦予權(quán)重的方法對該算法的信息素更新規(guī)則進行優(yōu)化,并利用動態(tài)更新?lián)]發(fā)系數(shù)的方法優(yōu)化算法的綜合性能,在局部信息素的更新過程中,引入虛擬機負載權(quán)重系數(shù),使任務(wù)得到合理分配。(3)通過云計算仿真器CloudSim對改進算法進行仿真測試,并在相同環(huán)境下對其它算法進行仿真實驗,實驗結(jié)果表明:基于改進算法的任務(wù)調(diào)度策略在保證任務(wù)得到合理分配的同時,算法的收斂速度與總執(zhí)行時間得到了優(yōu)化,最后,根據(jù)測試結(jié)果進行分析與總結(jié)。
【學(xué)位單位】：長沙理工大學(xué)
【學(xué)位級別】：碩士
【學(xué)位年份】：2018
【中圖分類】：TP18;TP3
【部分圖文】：

通過對與Ｐｍａｘ賦予不同數(shù)值的情況下進行結(jié)果的比較分析，與其它的數(shù)值情況??相比較，當(dāng)ｐｍｍ＝０．２、／＾＝０．８時結(jié)果較優(yōu)。??４．３種群規(guī)模的選擇??ＡＣＯ對相關(guān)問題的可行解進行查找的方式流程與ＰＳＯ、ＧＡ等算法相類似，需要利??用種群以某種工作方式來獲得可行的匹配方案，對于這種需要進行信息感知的工作模??式，種群內(nèi)部中相關(guān)個體之間的信息傳遞與協(xié)作方式較為關(guān)鍵而種群規(guī)模的合理設(shè)??定能夠使關(guān)鍵信息的傳遞更高效，并優(yōu)化個體搜索重要丨丨標的工作效率。單個個體在進??行一次目標搜索工作之后會生成一個匹配方案，在－次搜索進程中，ｎ個個體形各自獲??得的匹配方案，因此，獲得的方案種類越多則表示個休的規(guī)校越大，符利Ｔ個體能夠獲??得更多可選擇的搜索信息，能夠在一次的搜索進程屮提高方案種類的多樣性。但是個體??的數(shù)量的增加會導(dǎo)致一次搜索進程屮工作量的增加，延長了完成一次搜索過程所需的時??

通過對與Ｐｍａｘ賦予不同數(shù)值的情況下進行結(jié)果的比較分析，與其它的數(shù)值情況??相比較，當(dāng)ｐｍｍ＝０．２、／＾＝０．８時結(jié)果較優(yōu)。??４．３種群規(guī)模的選擇??ＡＣＯ對相關(guān)問題的可行解進行查找的方式流程與ＰＳＯ、ＧＡ等算法相類似，需要利??用種群以某種工作方式來獲得可行的匹配方案，對于這種需要進行信息感知的工作模??式，種群內(nèi)部中相關(guān)個體之間的信息傳遞與協(xié)作方式較為關(guān)鍵而種群規(guī)模的合理設(shè)??定能夠使關(guān)鍵信息的傳遞更高效，并優(yōu)化個體搜索重要丨丨標的工作效率。單個個體在進??行一次目標搜索工作之后會生成一個匹配方案，在－次搜索進程中，ｎ個個體形各自獲??得的匹配方案，因此，獲得的方案種類越多則表示個休的規(guī)校越大，符利Ｔ個體能夠獲??得更多可選擇的搜索信息，能夠在一次的搜索進程屮提高方案種類的多樣性。但是個體??的數(shù)量的增加會導(dǎo)致一次搜索進程屮工作量的增加，延長了完成一次搜索過程所需的時??

通過對與Ｐｍａｘ賦予不同數(shù)值的情況下進行結(jié)果的比較分析，與其它的數(shù)值情況??相比較，當(dāng)ｐｍｍ＝０．２、／＾＝０．８時結(jié)果較優(yōu)。??４．３種群規(guī)模的選擇??ＡＣＯ對相關(guān)問題的可行解進行查找的方式流程與ＰＳＯ、ＧＡ等算法相類似，需要利??用種群以某種工作方式來獲得可行的匹配方案，對于這種需要進行信息感知的工作模??式，種群內(nèi)部中相關(guān)個體之間的信息傳遞與協(xié)作方式較為關(guān)鍵而種群規(guī)模的合理設(shè)??定能夠使關(guān)鍵信息的傳遞更高效，并優(yōu)化個體搜索重要丨丨標的工作效率。單個個體在進??行一次目標搜索工作之后會生成一個匹配方案，在－次搜索進程中，ｎ個個體形各自獲??得的匹配方案，因此，獲得的方案種類越多則表示個休的規(guī)校越大，符利Ｔ個體能夠獲??得更多可選擇的搜索信息，能夠在一次的搜索進程屮提高方案種類的多樣性。但是個體??的數(shù)量的增加會導(dǎo)致一次搜索進程屮工作量的增加，延長了完成一次搜索過程所需的時??
【相似文獻】

相關(guān)期刊論文 前10條

1 段芃芃;;基于云計算的艦船大規(guī)模任務(wù)調(diào)度優(yōu)化[J];艦船科學(xué)技術(shù);2019年06期

2 李軍;王鈞;陳健;陳慧中;郭玉華;;基于多目標遺傳算法的衛(wèi)星成像任務(wù)調(diào)度技術(shù)[J];系統(tǒng)工程與電子技術(shù);2007年07期

3 梁浩,吳洲;電子商務(wù)中供應(yīng)鏈任務(wù)調(diào)度問題的研究[J];中國機械工程;2003年16期

4 陳軍;謝立;孫鐘秀;;分布式任務(wù)調(diào)度研究的新趨向[J];計算機研究與發(fā)展;1990年04期

5 ;簡訊[J];成都電訊工程學(xué)院學(xué)報;1988年02期

6 劉心松,李健;分布式計算機系統(tǒng)中的任務(wù)調(diào)度[J];計算機應(yīng)用;1989年01期

7 呂英,李教材,房其敏;周期性混合任務(wù)調(diào)度[J];計算機工程與設(shè)計;1989年01期

8 李晨蕾;;云計算環(huán)境下基于蟻群算法的任務(wù)調(diào)度研究[J];科技創(chuàng)新導(dǎo)報;2019年02期

9 丁志鋒;;云計算環(huán)境下用戶任務(wù)調(diào)度效率優(yōu)化仿真[J];計算機仿真;2017年04期

10 陳利安;肖明清;高峰;趙亮亮;;人工蜂群算法在并行測試任務(wù)調(diào)度中的應(yīng)用[J];計算機測量與控制;2012年06期

相關(guān)博士學(xué)位論文 前10條

1 徐海燕;帶有學(xué)習(xí)與惡化效應(yīng)的任務(wù)調(diào)度優(yōu)化方法[D];東南大學(xué);2017年

2 柳運昌;多媒體云資源提供與任務(wù)調(diào)度技術(shù)研究[D];武漢理工大學(xué);2016年

3 何華;云計算的調(diào)度策略研究與性能分析[D];天津大學(xué);2017年

4 魯亮;大數(shù)據(jù)流式計算框架的任務(wù)調(diào)度優(yōu)化方法研究[D];新疆大學(xué);2018年

5 賓雪蓮;實時系統(tǒng)中的任務(wù)調(diào)度技術(shù)研究[D];國防科學(xué)技術(shù)大學(xué);2004年

6 吳琦;嵌入式操作系統(tǒng)功耗管理技術(shù)研究[D];電子科技大學(xué);2006年

7 王濤;實時系統(tǒng)任務(wù)調(diào)度若干關(guān)鍵技術(shù)的研究[D];哈爾濱工程大學(xué);2006年

8 陸平;云計算應(yīng)用中的任務(wù)調(diào)度與資源分配的協(xié)同優(yōu)化[D];中國科學(xué)技術(shù)大學(xué);2017年

9 黃萬偉;基于服務(wù)屬性區(qū)分的可重構(gòu)任務(wù)調(diào)度研究[D];解放軍信息工程大學(xué);2009年

10 王鈞;成像衛(wèi)星綜合任務(wù)調(diào)度模型與優(yōu)化方法研究[D];國防科學(xué)技術(shù)大學(xué);2007年

相關(guān)碩士學(xué)位論文 前10條

1 曹云棣;云計算環(huán)境下工作流任務(wù)調(diào)度優(yōu)化算法研究[D];浙江理工大學(xué);2019年

2 陶煜;基于改進遺傳算法的多目標云計算任務(wù)調(diào)度研究[D];武漢大學(xué);2018年

3 全力;一種云計算中的任務(wù)調(diào)度優(yōu)化策略[D];長沙理工大學(xué);2018年

4 丁中正;面向遙感數(shù)據(jù)融合處理的云計算任務(wù)調(diào)度粒子群優(yōu)化[D];南京理工大學(xué);2018年

5 殷憲亮;面向遙感大數(shù)據(jù)應(yīng)用的云計算任務(wù)調(diào)度研究[D];南京理工大學(xué);2018年

6 陳雪娣;基于空閑時間分配的DAG圖節(jié)能任務(wù)調(diào)度研究與實現(xiàn)[D];湖南大學(xué);2015年

7 王猛;基于異構(gòu)Hadoop集群的MapReduce任務(wù)調(diào)度算法研究[D];西北大學(xué);2018年

8 王維;面向電信訂單的分布式任務(wù)調(diào)度系統(tǒng)設(shè)計與實現(xiàn)[D];東南大學(xué);2017年

9 朱曉旭;面向商業(yè)銀行的分布式任務(wù)調(diào)度與管理系統(tǒng)設(shè)計與實現(xiàn)[D];哈爾濱工業(yè)大學(xué);2017年

10 趙云祥;面向迭代型作業(yè)的云計算資源調(diào)度技術(shù)研究[D];國防科學(xué)技術(shù)大學(xué);2016年

本文編號：2879479