一种云计算中的任务调度优化策略

发布时间：2020-11-11 17:04

　　 任务调度作为云计算的核心技术,在云计算处理任务的过程中,任务调度是不可避免的重要环节之一,因此,优化任务调度机制是强化云计算综合性能的重要方法。为了更有效地改善云计算的服务性能,不少学者针对云计算中的任务调度机制所遇到的问题展开了研究。蚁群算法(Ant Colony Optimization,ACO)作为一种全局优化算法,具有分布性、随机性、反馈性等特点,在云环境中利用蚁群算法的特点能够有效的处理任务调度机制所遇到的问题。在应用蚁群算法解决任务调度问题的过程中,首先计算任务与虚拟机的配对概率,由蚂蚁根据配对概率对任务进行分配,在算法完成收敛时得到目标解。由于随机选择的方法与反馈机制的原因,会导致收敛速度变慢与早熟现象。针对蚁群算法应用于任务调度时存在的问题,本文以任务的完成时间与负载均衡为优化目标对蚁群算法进行改进,主要工作内容为:(1)对云计算中任务调度的特点进行分析与研究,对现有的任务调度算法的原理进行分析,总结与分析现有算法计算效率不高的原因,对遇到的问题找到研究思路。(2)针对如何提高计算效率与改善最优解质量的问题,结合任务调度机制对蚁群算法进行改进,通过赋予权重的方法对该算法的信息素更新规则进行优化,并利用动态更新挥发系数的方法优化算法的综合性能,在局部信息素的更新过程中,引入虚拟机负载权重系数,使任务得到合理分配。(3)通过云计算仿真器CloudSim对改进算法进行仿真测试,并在相同环境下对其它算法进行仿真实验,实验结果表明:基于改进算法的任务调度策略在保证任务得到合理分配的同时,算法的收敛速度与总执行时间得到了优化,最后,根据测试结果进行分析与总结。
【学位单位】：长沙理工大学
【学位级别】：硕士
【学位年份】：2018
【中图分类】：TP18;TP3
【部分图文】：

通过对与Ｐｍａｘ赋予不同数值的情况下进行结果的比较分析，与其它的数值情况??相比较，当ｐｍｍ＝０．２、／＾＝０．８时结果较优。??４．３种群规模的选择??ＡＣＯ对相关问题的可行解进行查找的方式流程与ＰＳＯ、ＧＡ等算法相类似，需要利??用种群以某种工作方式来获得可行的匹配方案，对于这种需要进行信息感知的工作模??式，种群内部中相关个体之间的信息传递与协作方式较为关键而种群规模的合理设??定能够使关键信息的传递更高效，并优化个体搜索重要丨丨标的工作效率。单个个体在进??行一次目标搜索工作之后会生成一个匹配方案，在－次搜索进程中，ｎ个个体形各自获??得的匹配方案，因此，获得的方案种类越多则表示个休的规校越大，符利Ｔ个体能够获??得更多可选择的搜索信息，能够在一次的搜索进程屮提高方案种类的多样性。但是个体??的数量的增加会导致一次搜索进程屮工作量的增加，延长了完成一次搜索过程所需的时??

通过对与Ｐｍａｘ赋予不同数值的情况下进行结果的比较分析，与其它的数值情况??相比较，当ｐｍｍ＝０．２、／＾＝０．８时结果较优。??４．３种群规模的选择??ＡＣＯ对相关问题的可行解进行查找的方式流程与ＰＳＯ、ＧＡ等算法相类似，需要利??用种群以某种工作方式来获得可行的匹配方案，对于这种需要进行信息感知的工作模??式，种群内部中相关个体之间的信息传递与协作方式较为关键而种群规模的合理设??定能够使关键信息的传递更高效，并优化个体搜索重要丨丨标的工作效率。单个个体在进??行一次目标搜索工作之后会生成一个匹配方案，在－次搜索进程中，ｎ个个体形各自获??得的匹配方案，因此，获得的方案种类越多则表示个休的规校越大，符利Ｔ个体能够获??得更多可选择的搜索信息，能够在一次的搜索进程屮提高方案种类的多样性。但是个体??的数量的增加会导致一次搜索进程屮工作量的增加，延长了完成一次搜索过程所需的时??

通过对与Ｐｍａｘ赋予不同数值的情况下进行结果的比较分析，与其它的数值情况??相比较，当ｐｍｍ＝０．２、／＾＝０．８时结果较优。??４．３种群规模的选择??ＡＣＯ对相关问题的可行解进行查找的方式流程与ＰＳＯ、ＧＡ等算法相类似，需要利??用种群以某种工作方式来获得可行的匹配方案，对于这种需要进行信息感知的工作模??式，种群内部中相关个体之间的信息传递与协作方式较为关键而种群规模的合理设??定能够使关键信息的传递更高效，并优化个体搜索重要丨丨标的工作效率。单个个体在进??行一次目标搜索工作之后会生成一个匹配方案，在－次搜索进程中，ｎ个个体形各自获??得的匹配方案，因此，获得的方案种类越多则表示个休的规校越大，符利Ｔ个体能够获??得更多可选择的搜索信息，能够在一次的搜索进程屮提高方案种类的多样性。但是个体??的数量的增加会导致一次搜索进程屮工作量的增加，延长了完成一次搜索过程所需的时??
【相似文献】

相关期刊论文 前10条

1 段芃芃;;基于云计算的舰船大规模任务调度优化[J];舰船科学技术;2019年06期

2 李军;王钧;陈健;陈慧中;郭玉华;;基于多目标遗传算法的卫星成像任务调度技术[J];系统工程与电子技术;2007年07期

3 梁浩,吴洲;电子商务中供应链任务调度问题的研究[J];中国机械工程;2003年16期

4 陈军;谢立;孙钟秀;;分布式任务调度研究的新趋向[J];计算机研究与发展;1990年04期

5 ;简讯[J];成都电讯工程学院学报;1988年02期

6 刘心松,李健;分布式计算机系统中的任务调度[J];计算机应用;1989年01期

7 吕英,李教材,房其敏;周期性混合任务调度[J];计算机工程与设计;1989年01期

8 李晨蕾;;云计算环境下基于蚁群算法的任务调度研究[J];科技创新导报;2019年02期

9 丁志锋;;云计算环境下用户任务调度效率优化仿真[J];计算机仿真;2017年04期

10 陈利安;肖明清;高峰;赵亮亮;;人工蜂群算法在并行测试任务调度中的应用[J];计算机测量与控制;2012年06期

相关博士学位论文 前10条

1 徐海燕;带有学习与恶化效应的任务调度优化方法[D];东南大学;2017年

2 柳运昌;多媒体云资源提供与任务调度技术研究[D];武汉理工大学;2016年

3 何华;云计算的调度策略研究与性能分析[D];天津大学;2017年

4 鲁亮;大数据流式计算框架的任务调度优化方法研究[D];新疆大学;2018年

5 宾雪莲;实时系统中的任务调度技术研究[D];国防科学技术大学;2004年

6 吴琦;嵌入式操作系统功耗管理技术研究[D];电子科技大学;2006年

7 王涛;实时系统任务调度若干关键技术的研究[D];哈尔滨工程大学;2006年

8 陆平;云计算应用中的任务调度与资源分配的协同优化[D];中国科学技术大学;2017年

9 黄万伟;基于服务属性区分的可重构任务调度研究[D];解放军信息工程大学;2009年

10 王钧;成像卫星综合任务调度模型与优化方法研究[D];国防科学技术大学;2007年

相关硕士学位论文 前10条

1 曹云棣;云计算环境下工作流任务调度优化算法研究[D];浙江理工大学;2019年

2 陶煜;基于改进遗传算法的多目标云计算任务调度研究[D];武汉大学;2018年

3 全力;一种云计算中的任务调度优化策略[D];长沙理工大学;2018年

4 丁中正;面向遥感数据融合处理的云计算任务调度粒子群优化[D];南京理工大学;2018年

5 殷宪亮;面向遥感大数据应用的云计算任务调度研究[D];南京理工大学;2018年

6 陈雪娣;基于空闲时间分配的DAG图节能任务调度研究与实现[D];湖南大学;2015年

7 王猛;基于异构Hadoop集群的MapReduce任务调度算法研究[D];西北大学;2018年

8 王维;面向电信订单的分布式任务调度系统设计与实现[D];东南大学;2017年

9 朱晓旭;面向商业银行的分布式任务调度与管理系统设计与实现[D];哈尔滨工业大学;2017年

10 赵云祥;面向迭代型作业的云计算资源调度技术研究[D];国防科学技术大学;2016年

本文编号：2879479