為了滿足了巨大用戶群需求,特別在處理海量數(shù)據(jù)和任務(wù)時(shí),高效的云資源調(diào)度算法直接關(guān)系到計(jì)算節(jié)點(diǎn)與任務(wù)的分配方式,進(jìn)而影響到云平臺(tái)的整體性能,是提升云服務(wù)的關(guān)鍵。對(duì)于云資源調(diào)度問(wèn)題,當(dāng)系統(tǒng)具有一定的計(jì)算規(guī)模時(shí),即是一個(gè)特別復(fù)雜的NP問(wèn)題,難于采用諸如線性規(guī)劃法、單純形法、牛頓法等常規(guī)方法進(jìn)行求解。但是采用遺傳算法、蟻群算法、差分進(jìn)化算法等智能算法對(duì)其求解,更容易得到較優(yōu)的結(jié)果。然而,這些算法在迭代后期容易陷入局部收斂,致使優(yōu)化結(jié)果的改善程度達(dá)不到預(yù)期。粒子群算法由于結(jié)構(gòu)簡(jiǎn)單,尋優(yōu)能力強(qiáng),因而廣泛應(yīng)用于這類復(fù)雜的NP問(wèn)題的求解中。雖然目前已存在關(guān)于云計(jì)算任務(wù)調(diào)度、資源分配方面的學(xué)術(shù)研究,但往往選擇縮短任務(wù)完成時(shí)間、降低負(fù)載均衡度、減少成本三個(gè)優(yōu)化指標(biāo)中的一個(gè)或者兩個(gè)作為研究重點(diǎn),并沒有綜合考慮三個(gè)優(yōu)化指標(biāo),基于上述問(wèn)題,本文從三個(gè)方面進(jìn)行了研究:1.針對(duì)LDW策略粒子群算法（LPSO）存在的不足,首先,在慣性權(quán)重線性遞減的基礎(chǔ)上,加入常數(shù)擾動(dòng),使慣性權(quán)重大幅增大,以便于跳出局部搜索;同時(shí)為盡可能的避免粒子群在算法后期聚集在某個(gè)最優(yōu)的粒子群區(qū)域,一定概率自適應(yīng)的改變慣性權(quán)重并混入隨機(jī)粒子,以便... 

【文章來(lái)源】：重慶郵電大學(xué)重慶市

【文章頁(yè)數(shù)】：62 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

云計(jì)算分層結(jié)構(gòu)

剩下的工作就交給云資源池。其實(shí)這種編程模型是由早期的函數(shù)編程而來(lái)，最早是由谷歌公司提出，主要的思想是：一整塊任務(wù)被劃分成許多小任根據(jù)任務(wù)與計(jì)算節(jié)點(diǎn)的分配關(guān)系，每個(gè)節(jié)點(diǎn)負(fù)責(zé)處理不同的任務(wù)量，這些節(jié)點(diǎn)是大到計(jì)算機(jī)集群，小到某個(gè)處理器或者線程，這些都有可能發(fā)生。MapReduce編程模型有兩個(gè)比較大的優(yōu)勢(shì)：一方面是有效處理系統(tǒng)的實(shí)現(xiàn)細(xì)節(jié)，方面采用移動(dòng)算法優(yōu)先在那些保存有客戶端所需數(shù)據(jù)的機(jī)器上處理數(shù)據(jù)。在系現(xiàn)細(xì)節(jié)方面，在 Map/Reduce 編程模型中，研發(fā)者只需要將注意力集中在如何任務(wù)和虛擬機(jī)分配這個(gè)核心問(wèn)題上即可，暫時(shí)忽視一些細(xì)節(jié)性問(wèn)題，比如進(jìn)程程如何交互問(wèn)題等，因?yàn)榭梢曰诰幊棠Ｐ妥陨砭哂械某橄蠓绞浇鉀Q，這種方有高效性、可擴(kuò)充性和強(qiáng)壯性。在算法實(shí)現(xiàn)方面，有別于傳統(tǒng)數(shù)據(jù)處理的方式，基于移動(dòng)算法，磁盤上保存有呈散點(diǎn)分布的數(shù)據(jù)，模型優(yōu)先處理那些存儲(chǔ)有客需信息的計(jì)算機(jī)，同時(shí)針對(duì)繁雜的數(shù)據(jù)管理任務(wù)就交由分布式文件負(fù)責(zé)。

碩士學(xué)位論文 第 3 章 基于 DLPSO 算法的云資源調(diào)度單 對(duì)粒子群算法能否收斂起重要作用，它使粒子盡可能搜索未知區(qū)域的能力。對(duì)于 SPSO 算法，由于 是可變更好的進(jìn)行全局搜索并得到“全局”最優(yōu)解，但是局部收高；后期取較小的值，可以保證局部尋優(yōu)能力增強(qiáng)，提易聚集在最優(yōu)區(qū)域，喪失了全局搜索的能力。因此，合和搜索速度方面起協(xié)調(diào)作用。由此，不少學(xué)者針對(duì)慣性包括模糊選取、隨機(jī)選取、線性遞減等策略，一定程度權(quán)重線性遞減粒子群(LPSO)是比較成熟的一種，迭代次 所示。

【參考文獻(xiàn)】：
期刊論文
[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]高維多峰函數(shù)的量子行為粒子群優(yōu)化算法改進(jìn)研究[J]. 田瑾.  控制與決策. 2016(11)
[3]基于改進(jìn)粒子群算法的云資源調(diào)度[J]. 袁正午,李君琪.  計(jì)算機(jī)工程與設(shè)計(jì). 2016(02)
[4]基于改進(jìn)多目標(biāo)粒子群算法的機(jī)器人路徑規(guī)劃[J]. 翁理國(guó),紀(jì)壯壯,夏旻,王安.  系統(tǒng)仿真學(xué)報(bào). 2014(12)
[5]云環(huán)境下基于DPSO的任務(wù)調(diào)度算法[J]. 鄔開俊,魯懷偉.  計(jì)算機(jī)工程. 2014(01)
[6]基于粒子群遺傳算法的云計(jì)算任務(wù)調(diào)度研究[J]. 王波,張曉磊.  計(jì)算機(jī)工程與應(yīng)用. 2015(06)
[7]基于改進(jìn)免疫進(jìn)化算法的云計(jì)算任務(wù)調(diào)度[J]. 申麗君,劉麗,陸銳,陳玉婷,田平平.  計(jì)算機(jī)工程. 2012(09)
[8]基于差分方程的PSO算法粒子運(yùn)動(dòng)軌跡分析[J]. 李寧,孫德寶,鄒彤,秦元慶,尉宇.  計(jì)算機(jī)學(xué)報(bào). 2006(11)

碩士論文
[1]含風(fēng)電并網(wǎng)的復(fù)合型能源電力系統(tǒng)的優(yōu)化調(diào)度[D]. 張燦.昆明理工大學(xué) 2017
[2]基于混沌粒子群雞群融合優(yōu)化算法的云任務(wù)調(diào)度應(yīng)用與實(shí)現(xiàn)[D]. 關(guān)鶴童.吉林大學(xué) 2016
[3]云計(jì)算環(huán)境下基于改進(jìn)粒子群的任務(wù)調(diào)度算法[D]. 封良良.新疆大學(xué) 2013



本文編號(hào)：2953597