基于改进GEP和ANP的多目标云任务调度算法

发布时间：2017-05-03 15:01

  本文关键词：基于改进GEP和ANP的多目标云任务调度算法，，由笔耕文化传播整理发布。

【摘要】：云计算可以认为是由一系列可伸缩的资源组成的资源池。云用户可以通过虚拟化技术动态的租用云中的资源。随着云数据中心的规模不断扩大和云用户数量的持续增加,如何更好的利用网络将不同地理位置上的资源进行整合,为云用户提供更为优质的一体化应用服务(即资源分配和任务调度问题),已经成为云计算亟待解决的问题之一。因此云环境下任务调度和资源分配问题已成为本领域的研究热点。本文的主要工作如下:(1)本文首先结合矩阵理论给出了云任务调度的数学描述,该数学描述主要包括了资源需求矩阵、资源提供矩阵、映射矩阵、联系矩阵和迁移矩阵等。在弥补云任务调度算法数学模型不够完善等不足的同时,也为本文中的多目标多任务调度算法提供了必要的理论基础。(2)对云环境下的任务调度和资源分配问题进行了分析。针对现有的云任务调度算法在优化目标和调度层次上相对单一的问题,本文将NSGA-II多目标进化算法引入到云任务调度领域,并给出了一种由全局监控模块、策略生成模块、迁移策略模块和放置模块组成的动态多目标多层次云任务调度模型。(3)针对传统多目标进化算法寻优能力较弱,容易陷入局部最优解的问题,本文将GEP算法的编码方式和操作方式进行改进,并将改进后的GEP算法与NSGA-II算法相结合,设计了一种新的基于改进GEP的NSGA-II多目标优化算法,提高了传统的NSGA-II算法的寻优效率。(4)针对帕累托最优解组因可读性较差而引起的进一步筛选问题,本文将由NSGA-II多目标算法得到的帕累托最优解组带入到ANP网络层次分析模型中去,使用户能够根据自身的需要和偏好灵活地对调度方案进行选择。综上所述,本文提出了一个动态的多目标多任务调度算法模型,完善了云任务调度算法的数学描述,将改进的GEP算法引入到了多目标优化算法中去,结合ANP模型对帕累托最优解组进行筛选,并进行了仿真实验。实验结果表明所提算法有效。
【关键词】：云计算 调度算法 多目标优化算法 GEP ANP
【学位授予单位】：河北大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TP393.01
【目录】：

• 摘要5-6
• Abstract6-10
• 第1章 绪论10-18
• 1.1 研究工作的背景和意义10-11
• 1.2 国内外研究现状11-15
• 1.2.1 国外研究现状11-12
• 1.2.2 国内研究现状12-15
• 1.3 本文的主要工作15-16
• 1.4 本文的组织结构16-18
• 第2章 相关研究基础18-29
• 2.1 云任务调度概述18-22
• 2.1.1 云任务调度的相关概念18-19
• 2.1.2 云任务调度的关键技术19-21
• 2.1.3 云任务调度简介21
• 2.1.4 云任务调度算法的分类21-22
• 2.2 云任务调度模型22-25
• 2.3 云任务调度中的优化算法25-28
• 2.3.1 云任务调度中进化算法的一般流程25-26
• 2.3.2 云任务调度中的单目标进化算法26-27
• 2.3.3 云任务调度中的多目标进化算法27-28
• 2.4 本章小结28-29
• 第3章 虚拟机放置策略的改进及数学描述29-42
• 3.1 云任务调度的多层次模型29-31
• 3.2 虚拟机放置策略的改进31-36
• 3.2.1 全局监控模块32
• 3.2.2 策略生成模块32-33
• 3.2.3 迁移策略模块33-35
• 3.2.4 放置模块35-36
• 3.3 云任务调度问题的数学描述36-41
• 3.3.1 任务、虚拟机和物理机的数学描述36-38
• 3.3.2 映射矩阵38-39
• 3.3.3 联系矩阵39-41
• 3.4 本章小结41-42
• 第4章 基于改进GEP和ANP的多目标云任务调度算法42-56
• 4.1 NSGA-II算法的适应度函数及条件42-48
• 4.1.1 NSGA-II算法42-45
• 4.1.2 任务运行时间的适应度函数45-46
• 4.1.3 总能耗的适应度函数46-47
• 4.1.4 综合负载均衡度的适应度函数47-48
• 4.1.5 云任务调度问题的多目标优化描述48
• 4.2 GEP算法的改进48-52
• 4.2.1 GEP算法49-50
• 4.2.2 基因和染色体的改进50
• 4.2.3 编码和译码方式的改进50-51
• 4.2.4 初始种群生成的改进51-52
• 4.3 ANP模型在多目标云任务调度中的应用52-54
• 4.3.1 ANP模型53
• 4.3.2 ANP模型在多目标云任务调度中的应用53-54
• 4.4 基于改进GEP和ANP的多目标云任务调度算法的流程54-55
• 4.5 本章小结55-56
• 第5章 实验仿真和结果分析56-65
• 5.1 实验数据和实验方案56-57
• 5.2 改进的GEP算法和普通的遗传算法的对比实验57-58
• 5.3 基于改进GEP算法的帕累托最优解的分析58-62
• 5.4 基于ANP模型的选择策略的比较、分析62-64
• 5.5 本章小结64-65
• 第6章 总结与展望65-66
• 6.1 文章总结65
• 6.2 下一步研究工作展望65-66
• 参考文献66-72
• 致谢72-73
• 攻读学位期间取得的科研成果73

【参考文献】

中国期刊全文数据库 前10条

1 张利彪,周春光,马铭,刘小华;基于粒子群算法求解多目标优化问题[J];计算机研究与发展;2004年07期

2 谢涛,陈火旺,康立山;多目标优化的演化算法[J];计算机学报;2003年08期

3 郑湃;崔立真;王海洋;徐猛;;云计算环境下面向数据密集型应用的数据布局策略与方法[J];计算机学报;2010年08期

4 林闯;李寅;万剑雄;;计算机网络服务质量优化方法研究综述[J];计算机学报;2011年01期

5 刘少伟;孔令梅;任开军;宋君强;邓科峰;冷洪泽;;云环境下优化科学工作流执行性能的两阶段数据放置与任务调度策略[J];计算机学报;2011年11期

6 李强;郝沁汾;肖利民;李舟军;;云计算中虚拟机放置的自适应管理与多目标优化[J];计算机学报;2011年12期

7 江雪;李小勇;;虚拟机动态迁移的研究[J];计算机应用;2008年09期

8 肖晓伟;肖迪;林锦国;肖玉峰;;多目标优化问题的研究概述[J];计算机应用研究;2011年03期

9 朱宗斌;杜中军;;基于改进GA的云计算任务调度算法[J];计算机工程与应用;2013年05期

10 曹洁;曾国荪;钮俊;许金超;;云环境下可用性感知的并行任务调度方法[J];计算机研究与发展;2013年07期

中国硕士学位论文全文数据库 前1条

1 彭安鑫;面向云计算的虚拟机动态迁移研究[D];山东师范大学;2012年

  本文关键词：基于改进GEP和ANP的多目标云任务调度算法，由笔耕文化传播整理发布。

本文编号：343193