云环境下粒子群优化算法的资源调度研究
发布时间：2021-01-02 20:33
为了满足了巨大用户群需求,特别在处理海量数据和任务时,高效的云资源调度算法直接关系到计算节点与任务的分配方式,进而影响到云平台的整体性能,是提升云服务的关键。对于云资源调度问题,当系统具有一定的计算规模时,即是一个特别复杂的NP问题,难于采用诸如线性规划法、单纯形法、牛顿法等常规方法进行求解。但是采用遗传算法、蚁群算法、差分进化算法等智能算法对其求解,更容易得到较优的结果。然而,这些算法在迭代后期容易陷入局部收敛,致使优化结果的改善程度达不到预期。粒子群算法由于结构简单,寻优能力强,因而广泛应用于这类复杂的NP问题的求解中。虽然目前已存在关于云计算任务调度、资源分配方面的学术研究,但往往选择缩短任务完成时间、降低负载均衡度、减少成本三个优化指标中的一个或者两个作为研究重点,并没有综合考虑三个优化指标,基于上述问题,本文从三个方面进行了研究:1.针对LDW策略粒子群算法（LPSO）存在的不足,首先,在惯性权重线性递减的基础上,加入常数扰动,使惯性权重大幅增大,以便于跳出局部搜索;同时为尽可能的避免粒子群在算法后期聚集在某个最优的粒子群区域,一定概率自适应的改变惯性权重并混入随机粒子,以便...
【文章来源】：重庆邮电大学重庆市
【文章页数】：62 页
【学位级别】：硕士
【部分图文】：
云计算分层结构
剩下的工作就交给云资源池。其实这种编程模型是由早期的函数编程而来，最早是由谷歌公司提出，主要的思想是：一整块任务被划分成许多小任根据任务与计算节点的分配关系，每个节点负责处理不同的任务量，这些节点是大到计算机集群，小到某个处理器或者线程，这些都有可能发生。MapReduce编程模型有两个比较大的优势：一方面是有效处理系统的实现细节，方面采用移动算法优先在那些保存有客户端所需数据的机器上处理数据。在系现细节方面，在 Map/Reduce 编程模型中，研发者只需要将注意力集中在如何任务和虚拟机分配这个核心问题上即可，暂时忽视一些细节性问题，比如进程程如何交互问题等，因为可以基于编程模型自身具有的抽象方式解决，这种方有高效性、可扩充性和强壮性。在算法实现方面，有别于传统数据处理的方式，基于移动算法，磁盘上保存有呈散点分布的数据，模型优先处理那些存储有客需信息的计算机，同时针对繁杂的数据管理任务就交由分布式文件负责。
硕士学位论文 第 3 章 基于 DLPSO 算法的云资源调度单 对粒子群算法能否收敛起重要作用，它使粒子尽可能搜索未知区域的能力。对于 SPSO 算法，由于 是可变更好的进行全局搜索并得到“全局”最优解，但是局部收高；后期取较小的值，可以保证局部寻优能力增强，提易聚集在最优区域，丧失了全局搜索的能力。因此，合和搜索速度方面起协调作用。由此，不少学者针对惯性包括模糊选取、随机选取、线性递减等策略，一定程度权重线性递减粒子群(LPSO)是比较成熟的一种，迭代次 所示。
【参考文献】：
期刊论文
[1]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)
[2]高维多峰函数的量子行为粒子群优化算法改进研究[J]. 田瑾. 控制与决策. 2016(11)
[3]基于改进粒子群算法的云资源调度[J]. 袁正午,李君琪. 计算机工程与设计. 2016(02)
[4]基于改进多目标粒子群算法的机器人路径规划[J]. 翁理国,纪壮壮,夏旻,王安. 系统仿真学报. 2014(12)
[5]云环境下基于DPSO的任务调度算法[J]. 邬开俊,鲁怀伟. 计算机工程. 2014(01)
[6]基于粒子群遗传算法的云计算任务调度研究[J]. 王波,张晓磊. 计算机工程与应用. 2015(06)
[7]基于改进免疫进化算法的云计算任务调度[J]. 申丽君,刘丽,陆锐,陈玉婷,田平平. 计算机工程. 2012(09)
[8]基于差分方程的PSO算法粒子运动轨迹分析[J]. 李宁,孙德宝,邹彤,秦元庆,尉宇. 计算机学报. 2006(11)
硕士论文
[1]含风电并网的复合型能源电力系统的优化调度[D]. 张灿.昆明理工大学 2017
[2]基于混沌粒子群鸡群融合优化算法的云任务调度应用与实现[D]. 关鹤童.吉林大学 2016
[3]云计算环境下基于改进粒子群的任务调度算法[D]. 封良良.新疆大学 2013
本文编号：2953597
【文章来源】：重庆邮电大学重庆市
【文章页数】：62 页
【学位级别】：硕士
【部分图文】：
云计算分层结构
剩下的工作就交给云资源池。其实这种编程模型是由早期的函数编程而来，最早是由谷歌公司提出，主要的思想是：一整块任务被划分成许多小任根据任务与计算节点的分配关系，每个节点负责处理不同的任务量，这些节点是大到计算机集群，小到某个处理器或者线程，这些都有可能发生。MapReduce编程模型有两个比较大的优势：一方面是有效处理系统的实现细节，方面采用移动算法优先在那些保存有客户端所需数据的机器上处理数据。在系现细节方面，在 Map/Reduce 编程模型中，研发者只需要将注意力集中在如何任务和虚拟机分配这个核心问题上即可，暂时忽视一些细节性问题，比如进程程如何交互问题等，因为可以基于编程模型自身具有的抽象方式解决，这种方有高效性、可扩充性和强壮性。在算法实现方面，有别于传统数据处理的方式，基于移动算法，磁盘上保存有呈散点分布的数据，模型优先处理那些存储有客需信息的计算机，同时针对繁杂的数据管理任务就交由分布式文件负责。
硕士学位论文 第 3 章 基于 DLPSO 算法的云资源调度单 对粒子群算法能否收敛起重要作用，它使粒子尽可能搜索未知区域的能力。对于 SPSO 算法，由于 是可变更好的进行全局搜索并得到“全局”最优解，但是局部收高；后期取较小的值，可以保证局部寻优能力增强，提易聚集在最优区域，丧失了全局搜索的能力。因此，合和搜索速度方面起协调作用。由此，不少学者针对惯性包括模糊选取、随机选取、线性递减等策略，一定程度权重线性递减粒子群(LPSO)是比较成熟的一种，迭代次 所示。
【参考文献】：
期刊论文
[1]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)
[2]高维多峰函数的量子行为粒子群优化算法改进研究[J]. 田瑾. 控制与决策. 2016(11)
[3]基于改进粒子群算法的云资源调度[J]. 袁正午,李君琪. 计算机工程与设计. 2016(02)
[4]基于改进多目标粒子群算法的机器人路径规划[J]. 翁理国,纪壮壮,夏旻,王安. 系统仿真学报. 2014(12)
[5]云环境下基于DPSO的任务调度算法[J]. 邬开俊,鲁怀伟. 计算机工程. 2014(01)
[6]基于粒子群遗传算法的云计算任务调度研究[J]. 王波,张晓磊. 计算机工程与应用. 2015(06)
[7]基于改进免疫进化算法的云计算任务调度[J]. 申丽君,刘丽,陆锐,陈玉婷,田平平. 计算机工程. 2012(09)
[8]基于差分方程的PSO算法粒子运动轨迹分析[J]. 李宁,孙德宝,邹彤,秦元庆,尉宇. 计算机学报. 2006(11)
硕士论文
[1]含风电并网的复合型能源电力系统的优化调度[D]. 张灿.昆明理工大学 2017
[2]基于混沌粒子群鸡群融合优化算法的云任务调度应用与实现[D]. 关鹤童.吉林大学 2016
[3]云计算环境下基于改进粒子群的任务调度算法[D]. 封良良.新疆大学 2013
本文编号：2953597
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/2953597.html
