為了滿足了巨大用戶群需求,特別在處理海量數(shù)據(jù)和任務時,高效的云資源調(diào)度算法直接關系到計算節(jié)點與任務的分配方式,進而影響到云平臺的整體性能,是提升云服務的關鍵。對于云資源調(diào)度問題,當系統(tǒng)具有一定的計算規(guī)模時,即是一個特別復雜的NP問題,難于采用諸如線性規(guī)劃法、單純形法、牛頓法等常規(guī)方法進行求解。但是采用遺傳算法、蟻群算法、差分進化算法等智能算法對其求解,更容易得到較優(yōu)的結果。然而,這些算法在迭代后期容易陷入局部收斂,致使優(yōu)化結果的改善程度達不到預期。粒子群算法由于結構簡單,尋優(yōu)能力強,因而廣泛應用于這類復雜的NP問題的求解中。雖然目前已存在關于云計算任務調(diào)度、資源分配方面的學術研究,但往往選擇縮短任務完成時間、降低負載均衡度、減少成本三個優(yōu)化指標中的一個或者兩個作為研究重點,并沒有綜合考慮三個優(yōu)化指標,基于上述問題,本文從三個方面進行了研究:1.針對LDW策略粒子群算法（LPSO）存在的不足,首先,在慣性權重線性遞減的基礎上,加入常數(shù)擾動,使慣性權重大幅增大,以便于跳出局部搜索;同時為盡可能的避免粒子群在算法后期聚集在某個最優(yōu)的粒子群區(qū)域,一定概率自適應的改變慣性權重并混入隨機粒子,以便... 

【文章來源】：重慶郵電大學重慶市

【文章頁數(shù)】：62 頁

【學位級別】：碩士

【部分圖文】：

云計算分層結構

剩下的工作就交給云資源池。其實這種編程模型是由早期的函數(shù)編程而來，最早是由谷歌公司提出，主要的思想是：一整塊任務被劃分成許多小任根據(jù)任務與計算節(jié)點的分配關系，每個節(jié)點負責處理不同的任務量，這些節(jié)點是大到計算機集群，小到某個處理器或者線程，這些都有可能發(fā)生。MapReduce編程模型有兩個比較大的優(yōu)勢：一方面是有效處理系統(tǒng)的實現(xiàn)細節(jié)，方面采用移動算法優(yōu)先在那些保存有客戶端所需數(shù)據(jù)的機器上處理數(shù)據(jù)。在系現(xiàn)細節(jié)方面，在 Map/Reduce 編程模型中，研發(fā)者只需要將注意力集中在如何任務和虛擬機分配這個核心問題上即可，暫時忽視一些細節(jié)性問題，比如進程程如何交互問題等，因為可以基于編程模型自身具有的抽象方式解決，這種方有高效性、可擴充性和強壯性。在算法實現(xiàn)方面，有別于傳統(tǒng)數(shù)據(jù)處理的方式，基于移動算法，磁盤上保存有呈散點分布的數(shù)據(jù)，模型優(yōu)先處理那些存儲有客需信息的計算機，同時針對繁雜的數(shù)據(jù)管理任務就交由分布式文件負責。

碩士學位論文 第 3 章 基于 DLPSO 算法的云資源調(diào)度單 對粒子群算法能否收斂起重要作用，它使粒子盡可能搜索未知區(qū)域的能力。對于 SPSO 算法，由于 是可變更好的進行全局搜索并得到“全局”最優(yōu)解，但是局部收高；后期取較小的值，可以保證局部尋優(yōu)能力增強，提易聚集在最優(yōu)區(qū)域，喪失了全局搜索的能力。因此，合和搜索速度方面起協(xié)調(diào)作用。由此，不少學者針對慣性包括模糊選取、隨機選取、線性遞減等策略，一定程度權重線性遞減粒子群(LPSO)是比較成熟的一種，迭代次 所示。

【參考文獻】：
期刊論文
[1]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)
[2]高維多峰函數(shù)的量子行為粒子群優(yōu)化算法改進研究[J]. 田瑾.  控制與決策. 2016(11)
[3]基于改進粒子群算法的云資源調(diào)度[J]. 袁正午,李君琪.  計算機工程與設計. 2016(02)
[4]基于改進多目標粒子群算法的機器人路徑規(guī)劃[J]. 翁理國,紀壯壯,夏旻,王安.  系統(tǒng)仿真學報. 2014(12)
[5]云環(huán)境下基于DPSO的任務調(diào)度算法[J]. 鄔開俊,魯懷偉.  計算機工程. 2014(01)
[6]基于粒子群遺傳算法的云計算任務調(diào)度研究[J]. 王波,張曉磊.  計算機工程與應用. 2015(06)
[7]基于改進免疫進化算法的云計算任務調(diào)度[J]. 申麗君,劉麗,陸銳,陳玉婷,田平平.  計算機工程. 2012(09)
[8]基于差分方程的PSO算法粒子運動軌跡分析[J]. 李寧,孫德寶,鄒彤,秦元慶,尉宇.  計算機學報. 2006(11)

碩士論文
[1]含風電并網(wǎng)的復合型能源電力系統(tǒng)的優(yōu)化調(diào)度[D]. 張燦.昆明理工大學 2017
[2]基于混沌粒子群雞群融合優(yōu)化算法的云任務調(diào)度應用與實現(xiàn)[D]. 關鶴童.吉林大學 2016
[3]云計算環(huán)境下基于改進粒子群的任務調(diào)度算法[D]. 封良良.新疆大學 2013



本文編號：2953597