基于云计算资源分配与调度优化的改进蚁群算法研究

发布时间：2021-08-02 04:54

　　针对云计算环境下节点数量巨大,单个节点资源配置低,难以实现及时的资源调度有效性,为此提出了一种基于云计算环境下资源调度分配的改进遗传算法策略。通过在算法中添加查找表作为一个中间层,给不同的任务推荐匹配的节点,根据不同的节点类型或者成功率因子来进行节点选择,采用节点强度对任务查找进行优先级划分,并根据概率参数来查看查找表信息。仿真结果表明:提出的算法相较于传统的RR算法,显著降低了任务执行耗时,从而能然用户任务更快的完成。 

【文章来源】：微型电脑应用. 2020,36(05)

【文章页数】：3 页

【部分图文】：

算法流程图

执行时间如图2所示。图2中可以看出,在相同的任务数量下,算法1和算法2较传统的RR算法任务用时短。同时,随着任务数量的增加,这种任务执行时间越短,即执行效率进一步提高。这主要是由于任务数的不断上升,任务分配占用时间比例下降,有效提升了对资源的调度和任务的完成效率[23-24]。比较算法1和算法2的任务按时时间可以看出,算法2的平均完成时间更多,即采用节点查找表的方式相对于资源类表和任务列表能够加快算法的收敛,具有更高的任务完成效率。

同时比较算法在相同任务数条件下的任务延迟时间对比,如图3所示。设调度任务为100时,比较三种算法的任务延迟时间可以看出,采用算法2的收敛速度较快,且任务任吃时间相较于RR算法少了40 ms,当任务量增加到200时,两种算法的任务延迟时间差距增加到210 ms,可以看出,随着调度数量增加,采用本文设计的调查表插入法进行任务调度具有更小的任务延时效果,能够有效提升任务调度效率。

【参考文献】：
期刊论文
[1]改进快速稀疏算法的云计算资源负载均衡[J]. 李菁.  微型电脑应用. 2019(10)
[2]负载均衡的主导资源公平分配算法[J]. 刘梓璇,周建涛.  计算机工程与科学. 2019(09)
[3]基于改进蚁群算法的云计算任务调度方法研究[J]. 杨建华,郑杰.  中国新通信. 2019(06)
[4]基于支持向量机的云计算资源负载预测模型[J]. 赵莉.  南京理工大学学报. 2018(06)
[5]基于改进的粒子群优化的云计算资源调度模型[J]. 王虎,雷建军,万润泽.  华中师范大学学报(自然科学版). 2018(06)
[6]云计算环境下的资源分配关键技术研究综述[J]. 姜栋瀚,林海涛.  中国电子科学研究院学报. 2018(03)
[7]基于包簇框架平衡蚁群算法的资源分配策略[J]. 杨苏影,陈世平.  软件. 2018(06)
[8]基于蚁群优化-蛙跳算法的云计算资源调度算法[J]. 陈暄,徐见炜,龙丹.  计算机应用. 2018(06)
[9]云计算资源纳什均衡优化分配方法改进[J]. 王岩,汪晋宽,宋欣.  计算机工程. 2017(12)
[10]基于蚁群算法的云计算资源调度研究综述[J]. 王文东,刘继梅.  电脑知识与技术. 2017(23)



本文编号：3316932