發(fā)布時間：2018-07-30 07:34

【摘要】：粒子群算法(particle swarm optimization,PSO)是解決云計算環(huán)境中工作流系統(tǒng)的任務調度優(yōu)化問題的主流智能算法.然而基于傳統(tǒng)自適應慣性權重的粒子群任務調度算法易陷入局部最優(yōu),導致調度方案的執(zhí)行時間與費用較高.因此,通過改進單個粒子的成功值計算方法,提出了一種新的自適應慣性權重計算方法 NAIWPSO(new adaptive inertia weight based particle swarm optimization).該方法通過比較每個粒子的適應度與全局最優(yōu)值,可以更加精確描述粒子狀態(tài),進而提高了權重的自適應性.在新慣性權重基礎上,提出了一種解決云工作流系統(tǒng)中任務調度優(yōu)化問題的改進粒子群算法.新權重可以更準確的調整粒子速度,使算法更好地平衡粒子全局與局部搜索,避免陷入局部最優(yōu),獲得執(zhí)行費用更優(yōu)的調度方案.實驗表明,與5種已有慣性權重算法比較,新算法收斂穩(wěn)定、適應度最低、執(zhí)行費用平均減少18%.
[Abstract]:Particle swarm optimization (particle swarm) is the main intelligent algorithm to solve the task scheduling optimization problem of workflow system in cloud computing environment. However, the particle swarm optimization (PSO) task scheduling algorithm based on traditional adaptive inertial weights is prone to fall into local optimum, which leads to higher execution time and higher cost. Therefore, by improving the method of calculating the successful value of a single particle, a new adaptive inertial weight calculation method, NAIWPSO (new adaptive inertia weight based particle swarm optimization)., is proposed. By comparing the fitness of each particle with the global optimal value, the method can more accurately describe the state of the particle and improve the self-adaptability of the weight. Based on the new inertia weight, an improved particle swarm optimization algorithm is proposed to solve the problem of task scheduling optimization in cloud workflow systems. The new weight can adjust particle velocity more accurately, so that the algorithm can balance particle global and local search better, avoid falling into local optimum, and obtain a scheduling scheme with better execution cost. The experimental results show that compared with the existing inertial weight algorithms, the new algorithm has stable convergence, the lowest fitness, and the average cost of execution is reduced by 18%.
【作者單位】： 安徽大學計算機科學與技術學院;
【基金】：國家自然科學基金項目(61300169) 安徽省教育廳自然科學研究重點項目(KJ2016A024)~~
【分類號】：TP18

【參考文獻】

相關期刊論文 前3條

1 王強;李雄飛;王婧;;云計算中的數(shù)據(jù)放置與任務調度算法[J];計算機研究與發(fā)展;2014年11期

2 王鵬;黃焱;李坤;郭又銘;;云計算集群相空間負載均衡度優(yōu)先調度算法研究[J];計算機研究與發(fā)展;2014年05期

3 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

【共引文獻】

相關期刊論文 前10條

1 李學俊;徐佳;朱二周;張以文;;任務調度算法中新的自適應慣性權重計算方法[J];計算機研究與發(fā)展;2016年09期

2 許建豪;;云計算中基于拍賣的虛擬機動態(tài)供應和分配算法[J];重慶郵電大學學報(自然科學版);2016年04期

3 張少輝;崔仲遠;韓秋英;;云計算環(huán)境下基于非均勻窗口蟻群行為的負載平衡算法[J];重慶郵電大學學報(自然科學版);2016年04期

4 王鵬;黃焱;;具有能級穩(wěn)定過程的MQHOA優(yōu)化算法[J];通信學報;2016年07期

5 劉秀;李燁;;云計算環(huán)境下資源評級的虛擬機部署算法[J];電子科技;2016年07期

6 曾薇;;云平臺海量任務的多約束調度算法優(yōu)化研究[J];微電子學與計算機;2016年06期

7 崔博;劉利平;;網(wǎng)絡考試信息的交互調度模型仿真分析[J];計算機仿真;2016年06期

8 饒瑋;周愛華;常濤;謝若承;蔣靜;;基于分布式存儲的多類型數(shù)據(jù)管理技術研究[J];電力信息與通信技術;2016年05期

9 趙宏偉;申德榮;田力威;;云計算環(huán)境下資源需求預測與調度方法的研究[J];小型微型計算機系統(tǒng);2016年04期

10 趙宏偉;李圣普;;基于粒子群算法和RBF神經(jīng)網(wǎng)絡的云計算資源調度方法研究[J];計算機科學;2016年03期

【二級參考文獻】

相關期刊論文 前6條

1 張磊;王鵬;黃焱;陳冬曉;郭又銘;;基于相空間的云計算仿真系統(tǒng)研究與設計[J];計算機科學;2013年02期

2 王鵬;張磊;任超;郭又銘;;云計算系統(tǒng)相空間分析模型及仿真研究[J];計算機學報;2013年02期

3 王聰;王翠榮;王興偉;蔣定德;;面向云計算的數(shù)據(jù)中心網(wǎng)絡體系結構設計[J];計算機研究與發(fā)展;2012年02期

4 李強;郝沁汾;肖利民;李舟軍;;云計算中虛擬機放置的自適應管理與多目標優(yōu)化[J];計算機學報;2011年12期

5 劉少偉;孔令梅;任開軍;宋君強;鄧科峰;冷洪澤;;云環(huán)境下優(yōu)化科學工作流執(zhí)行性能的兩階段數(shù)據(jù)放置與任務調度策略[J];計算機學報;2011年11期

6 李世勇;楊冬;秦雅娟;張宏科;;基于效用最大化的網(wǎng)絡跨層映射[J];軟件學報;2011年08期

【相似文獻】

相關期刊論文 前10條

1 王俊偉,汪定偉;粒子群算法中慣性權重的實驗與分析[J];系統(tǒng)工程學報;2005年02期

2 郭長友;;一種自適應慣性權重的粒子群優(yōu)化算法[J];計算機應用與軟件;2011年06期

3 周俊;陳t熁，

本文編號：2154292