發(fā)布時間：2021-10-10 17:34

　　為提升云計算的服務質量與資源調度能力,從負載均衡問題著手,提出了一種負載均衡策略。在標準人工蜂群的基礎上,對種群初始化進行優(yōu)化,并引入差分進化算法與叢林法則來優(yōu)化蜂群個體,還在算法中引入"吸引點"思想來提升蜂群的搜索能力。通過仿真實現結果顯示,提出的負載均衡策略具有很強的優(yōu)越性,任務完工與請求響應時間短,負載均衡性能明顯優(yōu)于標準人工蜂群算法和遺傳算法。 

【文章來源】：合肥師范學院學報. 2019,37(06)

【文章頁數】：4 頁

【部分圖文】：

引入“吸引點”后的搜索方式

采用Cloud Sim對改進后的算法性能進行仿真實驗,分別從完工時間、響應時間以及被遷移任務數量三個方面進行全面評估,并與標準蜂群算法和遺傳算法進行對比。仿真實驗結果如圖2、圖3所示。圖3 三種算法人去請求響應時間對比

圖2 三種算法任務完工時間對比從圖2、圖3中可以看到,引入了差分進化與叢林法則的蜂群算法在任務完工時間、請求響應時間明顯短于標準的人工蜂群算法和遺傳算法,這表明改進后的算法其性能更為優(yōu)越。尤其是隨著任務數量的增加,改進后的算法與其他兩種算法之間的時間差越大,這進一步說明了改進后的蜂群算法具有良好的性能。通常來說,云系統所遷移的任務量就越少,表明負載越容易達到均衡狀態(tài)。從圖4中可以明顯看到,采用改進后的蜂群算法所遷移的任務量明顯要少于標準的人工蜂群算法,被遷移任務數量伴隨著虛擬機數量的增加而呈現下降趨勢。通過對比不難發(fā)現,改進后的人工蜂群算法均衡云計算負載的能力明顯要高于標準蜂群算法。

【參考文獻】：
期刊論文
[1]基于混沌貓群算法的云計算多目標任務調度[J]. 黃偉建,辛風俊,黃遠.  微電子學與計算機. 2019(06)
[2]云計算中數據流存儲負載均衡優(yōu)化仿真[J]. 葉倫強.  計算機仿真. 2018(10)
[3]云計算環(huán)境下多樣性資源負載均衡高效調度方法[J]. 吳軍英,辛銳,曹秀峰.  科技通報. 2017(12)
[4]云計算下均衡負載的差異性資源調度算法優(yōu)化[J]. 羅南超.  科學技術與工程. 2017(34)
[5]一種基于改進蟻群算法的多目標優(yōu)化云計算任務調度策略[J]. 葛君偉,郭強,方義秋.  微電子學與計算機. 2017(11)
[6]云計算資源優(yōu)化問題求解的螢火蟲算法[J]. 任長安,趙巾幗,羅慶云.  吉林大學學報(理學版). 2017(05)
[7]基于負載均衡的云計算資源分配算法[J]. 張繼榮,陳琛.  微電子學與計算機. 2017(09)
[8]基于蜂群算法的多維QoS云計算任務調度[J]. 顏麗燕,張桂珠.  計算機工程與科學. 2016(04)
[9]基于離散人工蜂群算法的云任務調度優(yōu)化[J]. 倪志偉,李蓉蓉,方清華,龐閃閃.  計算機應用. 2016(01)
[10]基于蜜蜂采蜜機理的云計算負載均衡策略[J]. 孫蘭芳,張曦煌.  計算機應用研究. 2016(04)



本文編號：3428837