基于多目标优化的云计算任务调度策略研究
发布时间：2020-12-14 22:27
随着网络技术的发展,云计算作为应用最广泛的商业服务模式,对社会发展、经济发展产生了深远的影响。云计算系统的核心技术之一就是任务调度,调度策略的合理性,直接关系到整个云系统的调度效率和运行性能。一个合理的调度策略可以减少任务的完成时间、完成成本,提高系统的利用率、可靠性和用户满意度,给用户带来良好的体验。但是由于云系统本身的复杂性和用户的多样性,使得对云环境下任务调度的研究变得异常艰难。目前,对任务调度选取单一目标进行研究仍然占多数,但是在云环境下进行任务调度的过程中,对单个目标进行优化并不满足实际情况。现阶段,关于多目标调度问题依然有很大的研究空间。此外,结合云计算特点,传统调度算法不易实现多目标优化等问题,本文选取智能启发式算法进行任务调度的求解。通过对云环境下任务调度模型、调度目标、调度算法的研究,针对任务调度研究目标单一问题,本文选取任务完成时间、任务完成成本、带宽和负载均衡作为调度指标,并建立了多目标任务调度模型,与改进后的DE_ACO算法结合起来,提出了一种基于DE_ACO算法的多目标任务调度算法。该算法将差分进化算法与蚁群算法进行融合,使两种算法优势互补,利用差分进化算法快...
【文章来源】：重庆邮电大学重庆市
【文章页数】：61 页
【学位级别】：硕士
【部分图文】：
标准差分进化算法流程图
图 2.3 蚁群觅食行为模拟图如图 2.3 所示，假设 A 点是蚁穴，F 点是食物源，且每只蚂蚁的运动速度相同，所有蚂蚁要想在 A 点和 F 点之间来往，必须通过 C 点或 D 点。设路径 BC 和 CE 长度分别为 0.5，路径 BD 和 DE 长度分别为 1(图 2.3(a))，路径 BCE 的长度明显小于BDE。设单位时间内分别有 30 只蚂蚁从 A 点和 F 点同时出发，到 F 点和 A 点去，当时间 T=0 时，蚂蚁运动到 B 点和 E 点，相当于站在了一个分叉路口，是走点 C还是点 D，由于开始路径上信息素量为 0，所以蚂蚁选择路径 BCE 和 BDE 的概率相同(图 2.3(b))，当 T=1 时，由于路径 BCE 长度为 1，BDE 长度为 2，路径 BCE 上爬过的蚂蚁为 30 只，路径 ED、BD 爬过的蚂蚁分别为 15 只，所以路径 BCE 上遗留的信息素多于路径 BDE。当 T=2 时，由于路径 BCE 上信息素量较多，所以选择路径 EC 和 BC 的蚂蚁多于选择路径 ED 和 DB 的蚂蚁(图 2.3(c))，这样路径 BCE 上的信息素量会越来越多，选择 BCE 路径的蚂蚁也越来越多。随着时间的推移，蚂蚁
2r3r两个个体的差值进行调节，若间差异越小，则扰动越小。最终，种群个体逐渐向最优向量之间的加、减、乘操作，所以在产生的新个体中会对变异后的个体向量进行判断修正。如果变异后的个体机的最大编号，即虚拟机的总数值，则不对个体值进行值操作。为了提高种群的多样性，将变异后的新个体与目标个体按新组合。交叉公式如下： xgrandCRvgrandCRugijjijjij(),(0,1)(1),(0,1)( 1),1]表示交叉概率。 (0,1)jrand 表示在[0,M-1]之间的基因位后与CR进行比较，图 3.1 是交叉操作示意图。
【参考文献】：
期刊论文
[1]Multi-objective Optimization for Cloud Task Scheduling Based on the ANP Model[J]. LI Kunlun,WANG Jun. Chinese Journal of Electronics. 2017(05)
[2]改进鱼群算法在云计算任务调度中的应用[J]. 张晓丽. 电子设计工程. 2017(06)
[3]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)
[4]基于遗传-蚁群算法的云计算任务调度优化[J]. 曹阳,刘亚军,俞琰. 吉林大学学报(理学版). 2016(05)
[5]基于烟花算法的云计算多目标任务调度[J]. 黄伟建,郭芳. 计算机应用研究. 2017(06)
[6]优化粒子群的云计算任务调度算法[J]. 谭文安,查安民,陈森博. 计算机技术与发展. 2016(07)
[7]基于改进萤火虫算法的云计算负载均衡研究[J]. 顾桓瑜,石磊,郭俊廷. 大连交通大学学报. 2015(06)
[8]基于滚动优化的虚拟云中实时任务节能调度方法[J]. 陈超,朱晓敏,陈黄科,王吉,纪浩然,包卫东. 软件学报. 2015(08)
[9]异构云环境多目标Memetic优化任务调度方法[J]. 李智勇,陈少淼,杨波,李仁发. 计算机学报. 2016(02)
[10]云计算环境下基于蜜蜂觅食行为的任务负载均衡算法[J]. 杨石,王艳玲,王永利. 计算机应用. 2015(04)
博士论文
[1]云计算负载均衡策略的研究[D]. 刘琨.吉林大学 2016
硕士论文
[1]混合云环境下多目标优化的云资源调度研究[D]. 李建丽.北京交通大学 2017
[2]基于遗传蚁群融合算法的云计算任务调度研究[D]. 刘林.湖南师范大学 2015
[3]基于复杂网络和改进蚁群算法的云计算资源负载均衡研究[D]. 赵东杰.燕山大学 2015
[4]基于蚁群算法的云计算资源调度研究[D]. 王艳平.曲阜师范大学 2015
[5]云计算环境中资源配置技术研究[D]. 李庆洲.北京理工大学 2015
[6]基于遗传算法的云计算任务调度算法研究[D]. 黄璐.厦门大学 2014
[7]云环境下基于改进的蚁群算法任务调度策略的研究[D]. 张海红.东北大学 2013
[8]私有云中基于QoS收益的资源调度机制研究[D]. 温小龙.云南大学 2013
[9]云环境下基于QoS约束和遗传算法的资源调度优化研究[D]. 杨琛.杭州电子科技大学 2013
本文编号：2917117
【文章来源】：重庆邮电大学重庆市
【文章页数】：61 页
【学位级别】：硕士
【部分图文】：
标准差分进化算法流程图
图 2.3 蚁群觅食行为模拟图如图 2.3 所示，假设 A 点是蚁穴，F 点是食物源，且每只蚂蚁的运动速度相同，所有蚂蚁要想在 A 点和 F 点之间来往，必须通过 C 点或 D 点。设路径 BC 和 CE 长度分别为 0.5，路径 BD 和 DE 长度分别为 1(图 2.3(a))，路径 BCE 的长度明显小于BDE。设单位时间内分别有 30 只蚂蚁从 A 点和 F 点同时出发，到 F 点和 A 点去，当时间 T=0 时，蚂蚁运动到 B 点和 E 点，相当于站在了一个分叉路口，是走点 C还是点 D，由于开始路径上信息素量为 0，所以蚂蚁选择路径 BCE 和 BDE 的概率相同(图 2.3(b))，当 T=1 时，由于路径 BCE 长度为 1，BDE 长度为 2，路径 BCE 上爬过的蚂蚁为 30 只，路径 ED、BD 爬过的蚂蚁分别为 15 只，所以路径 BCE 上遗留的信息素多于路径 BDE。当 T=2 时，由于路径 BCE 上信息素量较多，所以选择路径 EC 和 BC 的蚂蚁多于选择路径 ED 和 DB 的蚂蚁(图 2.3(c))，这样路径 BCE 上的信息素量会越来越多，选择 BCE 路径的蚂蚁也越来越多。随着时间的推移，蚂蚁
2r3r两个个体的差值进行调节，若间差异越小，则扰动越小。最终，种群个体逐渐向最优向量之间的加、减、乘操作，所以在产生的新个体中会对变异后的个体向量进行判断修正。如果变异后的个体机的最大编号，即虚拟机的总数值，则不对个体值进行值操作。为了提高种群的多样性，将变异后的新个体与目标个体按新组合。交叉公式如下： xgrandCRvgrandCRugijjijjij(),(0,1)(1),(0,1)( 1),1]表示交叉概率。 (0,1)jrand 表示在[0,M-1]之间的基因位后与CR进行比较，图 3.1 是交叉操作示意图。
【参考文献】：
期刊论文
[1]Multi-objective Optimization for Cloud Task Scheduling Based on the ANP Model[J]. LI Kunlun,WANG Jun. Chinese Journal of Electronics. 2017(05)
[2]改进鱼群算法在云计算任务调度中的应用[J]. 张晓丽. 电子设计工程. 2017(06)
[3]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)
[4]基于遗传-蚁群算法的云计算任务调度优化[J]. 曹阳,刘亚军,俞琰. 吉林大学学报(理学版). 2016(05)
[5]基于烟花算法的云计算多目标任务调度[J]. 黄伟建,郭芳. 计算机应用研究. 2017(06)
[6]优化粒子群的云计算任务调度算法[J]. 谭文安,查安民,陈森博. 计算机技术与发展. 2016(07)
[7]基于改进萤火虫算法的云计算负载均衡研究[J]. 顾桓瑜,石磊,郭俊廷. 大连交通大学学报. 2015(06)
[8]基于滚动优化的虚拟云中实时任务节能调度方法[J]. 陈超,朱晓敏,陈黄科,王吉,纪浩然,包卫东. 软件学报. 2015(08)
[9]异构云环境多目标Memetic优化任务调度方法[J]. 李智勇,陈少淼,杨波,李仁发. 计算机学报. 2016(02)
[10]云计算环境下基于蜜蜂觅食行为的任务负载均衡算法[J]. 杨石,王艳玲,王永利. 计算机应用. 2015(04)
博士论文
[1]云计算负载均衡策略的研究[D]. 刘琨.吉林大学 2016
硕士论文
[1]混合云环境下多目标优化的云资源调度研究[D]. 李建丽.北京交通大学 2017
[2]基于遗传蚁群融合算法的云计算任务调度研究[D]. 刘林.湖南师范大学 2015
[3]基于复杂网络和改进蚁群算法的云计算资源负载均衡研究[D]. 赵东杰.燕山大学 2015
[4]基于蚁群算法的云计算资源调度研究[D]. 王艳平.曲阜师范大学 2015
[5]云计算环境中资源配置技术研究[D]. 李庆洲.北京理工大学 2015
[6]基于遗传算法的云计算任务调度算法研究[D]. 黄璐.厦门大学 2014
[7]云环境下基于改进的蚁群算法任务调度策略的研究[D]. 张海红.东北大学 2013
[8]私有云中基于QoS收益的资源调度机制研究[D]. 温小龙.云南大学 2013
[9]云环境下基于QoS约束和遗传算法的资源调度优化研究[D]. 杨琛.杭州电子科技大学 2013
本文编号：2917117
本文链接：https://www.wllwen.com/kejilunwen/yysx/2917117.html
