如何在提高云計算服務資源調(diào)度效率的同時盡量降低工作能耗,成為當前必須解決的問題。因此,提出一種基于遺傳算法的云計算資源調(diào)度方法,適用于高校師資培訓資源管理。首先,搭建基于云服務的高校教師師資培訓系統(tǒng)模式;其次,利用具有較強NP問題解決能力的遺傳算法設計大規(guī)模集群的資源調(diào)度方法,并采用粒子群算法對其全局尋優(yōu)能力進行改進;最后,設計了由質(zhì)量和成本構(gòu)成的雙指標約束適應度函數(shù)。CloudSim平臺的Hadoop實驗仿真結(jié)果顯示,提出的遺傳云計算資源調(diào)度方法在約束條件下獲得了最佳的調(diào)度結(jié)果。 

【文章來源】：現(xiàn)代電子技術(shù). 2020,43(01)北大核心

【文章頁數(shù)】：4 頁

【部分圖文】：

基于云服務的高校教師師資培訓系統(tǒng)架構(gòu)

如前面所述，面對云計算平臺中存儲的異構(gòu)、動態(tài)和大規(guī)模教學資源時，傳統(tǒng)的云計算任務調(diào)度算法的性能較差，平衡性和工作效率較低。因此，本文采用遺傳算法來實現(xiàn)云計算資源的調(diào)度。首先，假設資源調(diào)度任務中具有m個主機H，且這些主機上安裝了n個虛擬機V，利用編碼映射對每個遺傳個體進行編碼{k0,k1,k2,…,kn-1}。如圖2所示，虛擬機與主機映射關(guān)系中，序列長度為5，那么V的0～5的編號為{1,0,2,0,2}，序列中的編號為主機H的編號，然后初始化生成種群。設某個調(diào)度任務的組成對象總量為N，則N個組成對象單個的適應度為fi，那么，第i個對象被挑中進化的概率為：

圖3 時間跨度對比

【參考文獻】：
期刊論文
[1]基于遺傳算法的平板車調(diào)度優(yōu)化方法[J]. 孟令通,朱洪淵,蔣祖華,劉建峰.  哈爾濱工程大學學報. 2018(03)
[2]試論基于云計算的高校數(shù)據(jù)中心的設計與實現(xiàn)[J]. 高慶磊,丁利群,滿樂,李磊.  工程建設與設計. 2015(08)
[3]基于云計算的高校教育資源共享服務平臺構(gòu)建研究[J]. 李會.  赤峰學院學報(自然科學版). 2015(15)
[4]一種多源協(xié)作網(wǎng)絡中輪詢節(jié)點選擇算法[J]. 林貞,李正權(quán).  中國計量學院學報. 2013(03)
[5]基于彈性定額值的分組輪詢調(diào)度算法[J]. 劉桂開,高蕾.  計算機科學. 2013(08)



本文編號：3557594