執(zhí)行時間、調(diào)度費用、資源利用率和能源消耗是衡量工作流調(diào)度優(yōu)劣的關(guān)鍵評估標(biāo)準(zhǔn),然而相對于傳統(tǒng)分布式系統(tǒng)例如網(wǎng)格計算,云計算由于其復(fù)雜多變的特性,導(dǎo)致這些評估標(biāo)準(zhǔn)所受到的影響因素增加,若不能較好的優(yōu)化平衡這些評估標(biāo)準(zhǔn),不僅影響了用戶的使用和體驗感受,增大了成本,而且同時也降低了服務(wù)提供商的市場競爭力。因此,如何在云計算環(huán)境下優(yōu)化執(zhí)行時間、調(diào)度費用、資源利用率和能源消耗對工作流調(diào)度而言是十分重要的。國內(nèi)外研究學(xué)者對在限制期下減少工作流調(diào)度費用和在相應(yīng)預(yù)算下減少工作流調(diào)度時間等問題上進(jìn)行了較多研究,但在多目標(biāo)的工作流調(diào)度優(yōu)化問題方面仍存有研究空間。針對存在的研究不足之處,本文的主要研究內(nèi)容如下:針對以往云計算環(huán)境下存在工作流調(diào)度方法優(yōu)化目標(biāo)的單一化等問題,本文構(gòu)建了云計算環(huán)境下工作流調(diào)度的多目標(biāo)優(yōu)化數(shù)學(xué)模型,調(diào)度目標(biāo)為降低調(diào)度費用和能源消耗,同時提高資源利用率。在花朵授粉算法的基礎(chǔ)上,將其從數(shù)值優(yōu)化算法改進(jìn)成組合優(yōu)化算法,從而適用于工作流調(diào)度優(yōu)化問題;由于元啟發(fā)式算法普遍存在容易陷入局部最優(yōu)等問題,提出了云計算下的差分授粉多目標(biāo)工作流調(diào)度算法(DMFPA),通過改進(jìn)花朵授粉算法的授粉操作并結(jié)合...

【文章頁數(shù)】：79 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 研究背景、目的及意義
        1.1.1 研究的背景
        1.1.2 研究的目的
        1.1.3 研究的意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 工作流調(diào)度方法的研究現(xiàn)狀
        1.2.2 花朵授粉算法的研究現(xiàn)狀
        1.2.3 多目標(biāo)優(yōu)化方法的研究現(xiàn)狀
    1.3 主要研究內(nèi)容及結(jié)構(gòu)
        1.3.1 主要研究內(nèi)容
        1.3.2 論文的結(jié)構(gòu)
第2章 云環(huán)境下工作流調(diào)度理論研究
    2.1 云計算環(huán)境的結(jié)構(gòu)和特點分析
        2.1.1 云計算環(huán)境的結(jié)構(gòu)分析
        2.1.2 云計算資源管理結(jié)構(gòu)分析
        2.1.3 云計算環(huán)境的特點分析
    2.2 花朵授粉算法介紹
        2.2.1 花朵授粉算法的基本原理
        2.2.2 全局授粉和局部授粉介紹
        2.2.3 花朵授粉算法的流程
    2.3 差分進(jìn)化算法介紹
        2.3.1 差分進(jìn)化算法的基本原理
        2.3.2 差分進(jìn)化算法的關(guān)鍵步驟
    2.4 本章小結(jié)
第3章 確定云環(huán)境下的多目標(biāo)工作流調(diào)度
    3.1 工作流模型定義
        3.1.1 工作流應(yīng)用模型
        3.1.2 云計算資源模型
        3.1.3 工作流調(diào)度模型
    3.2 優(yōu)化目標(biāo)
        3.2.1 工作流的執(zhí)行時間
        3.2.2 工作流的調(diào)度費用
        3.2.3 工作流的能源消耗
        3.2.4 工作流的資源利用率
    3.3 工作流任務(wù)的預(yù)處理過程
        3.3.1 任務(wù)優(yōu)先級分層操作
        3.3.2 編碼與解碼操作
    3.4 花朵授粉算法的改進(jìn)
        3.4.1 全局授粉操作的改進(jìn)
        3.4.2 局部授粉操作的改進(jìn)
    3.5 差分授粉工作流調(diào)度算法
    3.6 實驗結(jié)果分析
        3.6.1 算法執(zhí)行時間分析對比
        3.6.2 算法調(diào)度費用分析對比
        3.6.3 算法能源消耗分析對比
        3.6.4 算法資源利用率及復(fù)雜度分析
    3.7 本章小結(jié)
第4章 不確定云環(huán)境下的多目標(biāo)工作流調(diào)度
    4.1 不確定云環(huán)境模型
        4.1.1 基于Z數(shù)的不確定性建模
        4.1.2 正則化排序
    4.2 混合授粉工作流調(diào)度算法
        4.2.1 基于當(dāng)前最優(yōu)策略的虛擬機分配規(guī)則
        4.2.2 自適應(yīng)狀態(tài)轉(zhuǎn)移概率
        4.2.3 雙向?qū)W習(xí)局部授粉策略
        4.2.4 貪婪全局授粉策略
        4.2.5 算法流程
        4.2.6 時間復(fù)雜度分析
    4.3 實驗結(jié)果分析
        4.3.1 算法參數(shù)的選取
        4.3.2 確定與不確定環(huán)境對比
        4.3.3 優(yōu)化策略有效性驗證
        4.3.4 算法性能對比
    4.4 本章小結(jié)
第5章 云計算工作流調(diào)度仿真平臺
    5.1 實驗環(huán)境介紹
        5.1.1 Workflow Sim仿真平臺
        5.1.2 工作流調(diào)度實驗數(shù)據(jù)
        5.1.3 改進(jìn)FPA算法相關(guān)參數(shù)設(shè)置
        5.1.4 基于Workflow Sim的仿真平臺設(shè)計
    5.2 應(yīng)用案例
        5.2.1 程序主界面
        5.2.2 選擇執(zhí)行數(shù)據(jù)文件
        5.2.3 算法執(zhí)行
    5.3 本章小結(jié)
結(jié)論
參考文獻(xiàn)
攻讀碩士學(xué)位期間所發(fā)表的學(xué)術(shù)論文
致謝



本文編號：3856669