隨著網(wǎng)絡(luò)技術(shù)的發(fā)展,云計(jì)算作為應(yīng)用最廣泛的商業(yè)服務(wù)模式,對(duì)社會(huì)發(fā)展、經(jīng)濟(jì)發(fā)展產(chǎn)生了深遠(yuǎn)的影響。云計(jì)算系統(tǒng)的核心技術(shù)之一就是任務(wù)調(diào)度,調(diào)度策略的合理性,直接關(guān)系到整個(gè)云系統(tǒng)的調(diào)度效率和運(yùn)行性能。一個(gè)合理的調(diào)度策略可以減少任務(wù)的完成時(shí)間、完成成本,提高系統(tǒng)的利用率、可靠性和用戶滿意度,給用戶帶來良好的體驗(yàn)。但是由于云系統(tǒng)本身的復(fù)雜性和用戶的多樣性,使得對(duì)云環(huán)境下任務(wù)調(diào)度的研究變得異常艱難。目前,對(duì)任務(wù)調(diào)度選取單一目標(biāo)進(jìn)行研究仍然占多數(shù),但是在云環(huán)境下進(jìn)行任務(wù)調(diào)度的過程中,對(duì)單個(gè)目標(biāo)進(jìn)行優(yōu)化并不滿足實(shí)際情況�，F(xiàn)階段,關(guān)于多目標(biāo)調(diào)度問題依然有很大的研究空間。此外,結(jié)合云計(jì)算特點(diǎn),傳統(tǒng)調(diào)度算法不易實(shí)現(xiàn)多目標(biāo)優(yōu)化等問題,本文選取智能啟發(fā)式算法進(jìn)行任務(wù)調(diào)度的求解。通過對(duì)云環(huán)境下任務(wù)調(diào)度模型、調(diào)度目標(biāo)、調(diào)度算法的研究,針對(duì)任務(wù)調(diào)度研究目標(biāo)單一問題,本文選取任務(wù)完成時(shí)間、任務(wù)完成成本、帶寬和負(fù)載均衡作為調(diào)度指標(biāo),并建立了多目標(biāo)任務(wù)調(diào)度模型,與改進(jìn)后的DE_ACO算法結(jié)合起來,提出了一種基于DE_ACO算法的多目標(biāo)任務(wù)調(diào)度算法。該算法將差分進(jìn)化算法與蟻群算法進(jìn)行融合,使兩種算法優(yōu)勢(shì)互補(bǔ),利用差分進(jìn)化算法快... 

【文章來源】：重慶郵電大學(xué)重慶市

【文章頁數(shù)】：61 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

標(biāo)準(zhǔn)差分進(jìn)化算法流程圖

圖 2.3 蟻群覓食行為模擬圖如圖 2.3 所示，假設(shè) A 點(diǎn)是蟻穴，F(xiàn) 點(diǎn)是食物源，且每只螞蟻的運(yùn)動(dòng)速度相同，所有螞蟻要想在 A 點(diǎn)和 F 點(diǎn)之間來往，必須通過 C 點(diǎn)或 D 點(diǎn)。設(shè)路徑 BC 和 CE 長(zhǎng)度分別為 0.5，路徑 BD 和 DE 長(zhǎng)度分別為 1(圖 2.3(a))，路徑 BCE 的長(zhǎng)度明顯小于BDE。設(shè)單位時(shí)間內(nèi)分別有 30 只螞蟻從 A 點(diǎn)和 F 點(diǎn)同時(shí)出發(fā)，到 F 點(diǎn)和 A 點(diǎn)去，當(dāng)時(shí)間 T=0 時(shí)，螞蟻運(yùn)動(dòng)到 B 點(diǎn)和 E 點(diǎn)，相當(dāng)于站在了一個(gè)分叉路口，是走點(diǎn) C還是點(diǎn) D，由于開始路徑上信息素量為 0，所以螞蟻選擇路徑 BCE 和 BDE 的概率相同(圖 2.3(b))，當(dāng) T=1 時(shí)，由于路徑 BCE 長(zhǎng)度為 1，BDE 長(zhǎng)度為 2，路徑 BCE 上爬過的螞蟻為 30 只，路徑 ED、BD 爬過的螞蟻分別為 15 只，所以路徑 BCE 上遺留的信息素多于路徑 BDE。當(dāng) T=2 時(shí)，由于路徑 BCE 上信息素量較多，所以選擇路徑 EC 和 BC 的螞蟻多于選擇路徑 ED 和 DB 的螞蟻(圖 2.3(c))，這樣路徑 BCE 上的信息素量會(huì)越來越多，選擇 BCE 路徑的螞蟻也越來越多。隨著時(shí)間的推移，螞蟻

2r3r兩個(gè)個(gè)體的差值進(jìn)行調(diào)節(jié)，若間差異越小，則擾動(dòng)越小。最終，種群個(gè)體逐漸向最優(yōu)向量之間的加、減、乘操作，所以在產(chǎn)生的新個(gè)體中會(huì)對(duì)變異后的個(gè)體向量進(jìn)行判斷修正。如果變異后的個(gè)體機(jī)的最大編號(hào)，即虛擬機(jī)的總數(shù)值，則不對(duì)個(gè)體值進(jìn)行值操作。為了提高種群的多樣性，將變異后的新個(gè)體與目標(biāo)個(gè)體按新組合。交叉公式如下： xgrandCRvgrandCRugijjijjij(),(0,1)(1),(0,1)( 1),1]表示交叉概率。 (0,1)jrand 表示在[0,M-1]之間的基因位后與CR進(jìn)行比較，圖 3.1 是交叉操作示意圖。

【參考文獻(xiàn)】：
期刊論文
[1]Multi-objective Optimization for Cloud Task Scheduling Based on the ANP Model[J]. LI Kunlun,WANG Jun.  Chinese Journal of Electronics. 2017(05)
[2]改進(jìn)魚群算法在云計(jì)算任務(wù)調(diào)度中的應(yīng)用[J]. 張曉麗.  電子設(shè)計(jì)工程. 2017(06)
[3]Virtual Machine-Based Task Scheduling Algorithm in a Cloud Computing Environment[J]. Zhifeng Zhong,Kun Chen,Xiaojun Zhai,Shuange Zhou.  Tsinghua Science and Technology. 2016(06)
[4]基于遺傳-蟻群算法的云計(jì)算任務(wù)調(diào)度優(yōu)化[J]. 曹陽,劉亞軍,俞琰.  吉林大學(xué)學(xué)報(bào)(理學(xué)版). 2016(05)
[5]基于煙花算法的云計(jì)算多目標(biāo)任務(wù)調(diào)度[J]. 黃偉建,郭芳.  計(jì)算機(jī)應(yīng)用研究. 2017(06)
[6]優(yōu)化粒子群的云計(jì)算任務(wù)調(diào)度算法[J]. 譚文安,查安民,陳森博.  計(jì)算機(jī)技術(shù)與發(fā)展. 2016(07)
[7]基于改進(jìn)螢火蟲算法的云計(jì)算負(fù)載均衡研究[J]. 顧桓瑜,石磊,郭俊廷.  大連交通大學(xué)學(xué)報(bào). 2015(06)
[8]基于滾動(dòng)優(yōu)化的虛擬云中實(shí)時(shí)任務(wù)節(jié)能調(diào)度方法[J]. 陳超,朱曉敏,陳黃科,王吉,紀(jì)浩然,包衛(wèi)東.  軟件學(xué)報(bào). 2015(08)
[9]異構(gòu)云環(huán)境多目標(biāo)Memetic優(yōu)化任務(wù)調(diào)度方法[J]. 李智勇,陳少淼,楊波,李仁發(fā).  計(jì)算機(jī)學(xué)報(bào). 2016(02)
[10]云計(jì)算環(huán)境下基于蜜蜂覓食行為的任務(wù)負(fù)載均衡算法[J]. 楊石,王艷玲,王永利.  計(jì)算機(jī)應(yīng)用. 2015(04)

博士論文
[1]云計(jì)算負(fù)載均衡策略的研究[D]. 劉琨.吉林大學(xué) 2016

碩士論文
[1]混合云環(huán)境下多目標(biāo)優(yōu)化的云資源調(diào)度研究[D]. 李建麗.北京交通大學(xué) 2017
[2]基于遺傳蟻群融合算法的云計(jì)算任務(wù)調(diào)度研究[D]. 劉林.湖南師范大學(xué) 2015
[3]基于復(fù)雜網(wǎng)絡(luò)和改進(jìn)蟻群算法的云計(jì)算資源負(fù)載均衡研究[D]. 趙東杰.燕山大學(xué) 2015
[4]基于蟻群算法的云計(jì)算資源調(diào)度研究[D]. 王艷平.曲阜師范大學(xué) 2015
[5]云計(jì)算環(huán)境中資源配置技術(shù)研究[D]. 李慶洲.北京理工大學(xué) 2015
[6]基于遺傳算法的云計(jì)算任務(wù)調(diào)度算法研究[D]. 黃璐.廈門大學(xué) 2014
[7]云環(huán)境下基于改進(jìn)的蟻群算法任務(wù)調(diào)度策略的研究[D]. 張海紅.東北大學(xué) 2013
[8]私有云中基于QoS收益的資源調(diào)度機(jī)制研究[D]. 溫小龍.云南大學(xué) 2013
[9]云環(huán)境下基于QoS約束和遺傳算法的資源調(diào)度優(yōu)化研究[D]. 楊琛.杭州電子科技大學(xué) 2013



本文編號(hào)：2917117