优化粒子群和蚁群算法的云计算任务调度研究

发布时间：2017-03-24 10:00

  本文关键词：优化粒子群和蚁群算法的云计算任务调度研究，，由笔耕文化传播整理发布。

【摘要】：针对互联网应用数据量庞大并呈现爆炸式增长,伴随着海量数据的存储与处理等问题,云计算技术应运而生。云计算任务调度是云计算的关键技术之一,一个好的任务调度算法,不仅可以帮助我们打造一个稳定、健壮、节能的云计算环境,还可以提高用户使用云计算服务的满意度。本文针对基于任务完成时间优化的云计算任务调度问题,研究并提出了多个任务调度算法,具有重要的理论研究意义和实用价值。论文创新性工作体现在以下几个方面:针对单一调度算法难以适应云计算环境中不同类型任务的调度,提出了多级队列调度策略。该策略将不同类型的任务按照任务优先级顺序安排到不同的队列之中,有效满足了云计算任务调度多样性的要求。针对该策略,设计了一种简单高效的任务调度算法,该算法实现资源和任务配对,不但优化了任务完成时间,而且平衡了资源负载压力。实验数据表明,在复杂的云环境中该算法和多级队列调度策略的结合取得了显著的实验效果。针对传统调度算法难以实现多目标优化等诸多问题,提出了一种带极值扰动的相关性粒子群(EDCPSO)算法。该算法运用Copular函数建立随机因子之间的相关性,解决了粒子群算法在寻优过程中没有考虑随机因子作用而造成全局优化能力不足的缺陷;添加极值扰动算子,解决了粒子群算法后期收敛精度低的问题。仿真实验显示,该算法优于标准粒子群算法和传统FIFO调度算法,是一种有效的任务调度算法。最后,通过分析粒子群算法和蚁群算法的优缺点,提出了一种融合二者优点的任务调度算法(PSACO2)。该算法将迭代过程分为两个阶段:首先使用粒子群算法,实现了云计算任务调度的快速收敛;接着使用蚁群算法,提高了云计算任务调度对资源的寻优能力。实验结果证明,该算法优于这些算法单独使用时的效率。
【关键词】：云计算 任务调度 多级队列 粒子群算法 蚁群算法
【学位授予单位】：南京航空航天大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP18
【目录】：

• 摘要4-5
• ABSTRACT5-13
• 缩略词13-14
• 第一章 绪论14-23
• 1.1 研究背景和意义14-17
• 1.2 研究现状分析17-20
• 1.3 论文主要工作20
• 1.4 论文组织结构20-23
• 第二章 基于优先级的多级队列调度策略23-31
• 2.1 云环境下的任务调度结构23-24
• 2.2 多级队列调度策略24-25
• 2.3 eMin-Min算法25-28
• 2.3.1 Min-Min算法26-27
• 2.3.2 改进Min-Min算法的eMin-Min算法27-28
• 2.4 实验结果与分析28-30
• 2.5 本章小结30-31
• 第三章 优化粒子群的云计算任务调度算法31-50
• 3.1 智能优化算法简介31-36
• 3.2 标准PSO算法36-37
• 3.3 粒子编码及初始化37-38
• 3.3.1 粒子编码37-38
• 3.3.2 种群初始化38
• 3.3.3 适应度函数38
• 3.4 相关性PSO算法38-43
• 3.4.1 Copula相关知识39-40
• 3.4.2 CPSO算法40-42
• 3.4.3 CPSO算法的粒子行为分析42-43
• 3.5 CPSO算法的收敛性分析43-45
• 3.6 带极值扰动的CPSO算法45-46
• 3.6.1 极值扰动45
• 3.6.2 EDCPSO算法45-46
• 3.7 云计算任务调度中的多目标优化46-47
• 3.8 实验结果与分析47-49
• 3.8.1 实验结果48-49
• 3.8.2 实验分析49
• 3.9 本章小结49-50
• 第四章 融合粒子群和蚁群的云计算任务调度算法50-65
• 4.1 粒子编码及初始化51-52
• 4.1.1 粒子编码51-52
• 4.1.2 种群初始化52
• 4.1.3 适应度函数52
• 4.2 PSO算法分析52-53
• 4.3 ACO算法分析53-55
• 4.3.1 信息素初始化54
• 4.3.2 路径选择54
• 4.3.3 更新信息素54-55
• 4.4 融合PSO和ACO的PSACO2算法55-58
• 4.4.1 PSACO2算法思想55
• 4.4.2 PSACO2算法实现55-58
• 4.5 PSACO2算法的复杂度分析58-59
• 4.6 PSACO2算法的收敛性分析59-62
• 4.7 实验结果与分析62-64
• 4.7.1 实验结果63-64
• 4.7.2 实验分析64
• 4.8 本章小结64-65
• 第五章 云计算任务调度算法测试平台的实现65-82
• 5.1 CloudSim简介65-67
• 5.1.1 CloudSim体系结构65-66
• 5.1.2 CloudSim技术实现66-67
• 5.2 CloudSim的安装方法67-69
• 5.3 CloudSim中任务调度算法的扩展69-72
• 5.4 云计算任务调度算法测试平台的设计72-79
• 5.4.1 功能描述73-76
• 5.4.2 数据库设计76-79
• 5.5 实验结果与分析79-81
• 5.5.1 实验结果79-80
• 5.5.2 实验分析80-81
• 5.6 本章小结81-82
• 第六章 总结与展望82-84
• 6.1 论文总结82
• 6.2 研究展望82-84
• 参考文献84-88
• 致谢88-89
• 攻读硕士期间发表的学术论文89-90
• 附录A 相关性粒子群算法的详细实现代码90-92
• 附录B 基于CloudSim仿真的详细实现代码92-96
• 附录C 实验设置的任务与资源的详细信息96-98

  本文关键词：优化粒子群和蚁群算法的云计算任务调度研究，由笔耕文化传播整理发布。

本文编号：265410