基于群智能技术的云计算动态任务调度混合算法(IJISA-V8-N11-7)

群智能优化算法及其应用随着复杂问题的不断涌现，传统优化算法往往难以求解出满意解。

而群智能优化算法作为一种新型的优化策略，以其强大的自组织、协作和学习能力，在解决这类问题上具有显著优势。

本文将介绍群智能优化算法的背景、概念及其应用，展望未来的研究方向和挑战。

群智能优化算法是一类基于群体行为启发的优化算法，通过模拟自然界中生物群体觅食、协作等行为来求解优化问题。

这类算法包括蚁群算法、粒子群算法、蜂群算法等，它们都具有以下特点：群体协作：群智能优化算法利用群体中个体的协作和信息共享机制，共同寻找最优解。

分布式计算：群智能优化算法采用分布式计算方式，将问题分解成若干个子问题，交由不同个体进行处理。

自适应调整：群智能优化算法能够根据问题的特性和解的分布情况，自适应地调整算法参数和策略。

蚁群算法是一种模拟蚂蚁觅食行为的优化算法，通过蚂蚁之间留下的信息素来指导寻优过程。

其应用领域广泛，包括函数优化、路径规划、任务调度等。

然而，蚁群算法易出现早熟收敛和信息素更新方式单一的问题。

粒子群算法是通过模拟鸟群飞行行为来求解优化问题的一种算法，每个粒子代表一个潜在解。

粒子群算法在求解多目标优化、约束优化等问题上具有较好表现，但可能陷入局部最优解。

蜂群算法是一种模拟蜜蜂觅食和酿蜜行为的优化算法，通过蜜蜂之间的协作和信息共享来寻找最优解。

蜂群算法在处理复杂优化问题时具有较高效率和鲁棒性，适用于多目标优化、约束优化等领域。

群智能优化算法在解决优化问题上具有广泛应用，除了上述的蚁群算法、粒子群算法和蜂群算法，还包括遗传算法、模拟退火算法、灰色狼群算法等。

这些算法在解决不同类型的问题时具有各自的优势和适用范围。

遗传算法是模拟生物进化过程的优化算法，通过选择、交叉和变异操作来产生新的解。

遗传算法在求解大规模、高维度优化问题时具有较好表现，但可能存在早熟收敛和计算效率低下的问题。

模拟退火算法是模拟固体退火过程的优化算法，通过引入随机因素来避免陷入局部最优解。

群集智能技术简介群智能计算，又称群体智能计算或群集智能计算，是指一类受昆虫、兽群、鸟群和鱼群等的群体行为启发而设计出来的具有分布式智能行为特征的一些智能算法。

群智能中的“群”指的是一组相互之间可以进行直接或间接通信的群体；“群智能”指的是无智能的群体通过合作表现出智能行为的特性。

智能计算作为一种新兴的计算技术，受到越来越多研究者的关注，并和人工生命、进化策略以及遗传算法等有着极为特殊的联系，已经得到广泛的应用。

群智能计算在没有集中控制并且不提供全局模型的前提下，为寻找复杂的分布式问题的解决方案提供了基础。

对一般群智能计算，通常要求满足以下五条基本原则：邻近原则：群内的个体具有对简单的空间或时间进行计算和评估的能力；品质原则：群内的个体具有对环境以及群内其他个体的品质作出响应的能力；多样性原则：群内的不同个体能够对环境中某些变化做出不同的多样反应；稳定性原则：群内个体的行为模式不会在每次环境发生变化时都发生改变；适应性原则：群内个体能够在所需代价不高的情况下，适当改变自身的行为模式。

群智能计算现含蚁群算法、蜂群算法、鸡群算法、猫群算法、鱼群算法、象群算法、狼群算法、果蝇算法、飞蛾扑火算法、萤火虫算法、细菌觅食算法、混合蛙跳算法、粒子群算法等诸多智能算法。

下面对它们中间常用的一些重要算法进行一些简单介绍。

蚁群算法，受蚂蚁觅食过程及其通信机制的启发，对蚂蚁群落的食物采集过程进行模拟，可用来解决计算机算法中的经典“货郎担问题”，即求出需要对所有n个城市进行访问且只访问一次的最短路径及其距离。

在解决货郎担问题时，蚁群算法设计的虚拟“蚂蚁”将摸索不同路线，并留下会随时间逐渐消失的虚拟“信息素”。

虚拟的“信息素”会因挥发而减少；每只蚂蚁每次随机选择要走的路径，它们倾向于选择路径比较短的、信息素比较浓的路径。

根据“信息素较浓的路线更近”的原则，即可选择出最佳路线。

由于这个算法利用了正反馈机制，使得较短的路径能够有较大的机会得到选择，并且由于采用了概率算法，所以它能够不局限于局部最优解。

群智能混合优化算法及其应用研究一、本文概述随着技术的飞速发展，群智能优化算法作为一种新兴的启发式优化技术，正受到越来越多的关注。

本文旨在深入研究群智能混合优化算法的理论基础、实现方法以及其在各个领域的应用。

文章首先介绍了群智能优化算法的基本概念和发展历程，分析了其相较于传统优化算法的优势和挑战。

随后，文章详细阐述了群智能混合优化算法的设计原理，包括算法的基本框架、关键参数设置以及算法性能评估等方面。

在此基础上，文章进一步探讨了群智能混合优化算法在多个领域中的应用案例，如机器学习、图像处理、路径规划等，以验证其在实际问题中的有效性和可行性。

本文的研究不仅有助于推动群智能优化算法的理论发展，也为解决复杂优化问题提供了新的思路和方法。

二、群智能优化算法理论基础群智能优化算法，作为一种新兴的启发式搜索技术，近年来在优化领域引起了广泛关注。

其核心思想源于自然界中生物群体的行为特性，如蚂蚁的觅食行为、鸟群的迁徙模式、鱼群的游动规律等。

这些生物群体在寻找食物、避免天敌等过程中，展现出了惊人的组织性和智能性，成为了群智能优化算法的理论基础。

个体与群体：每个算法中的个体代表了一个潜在的解，而群体的集合则代表了搜索空间的一个子集。

个体的行为受到群体行为的影响，通过群体间的信息交流和协作，实现解的优化。

局部搜索与全局搜索：群智能优化算法通过个体在搜索空间中的局部搜索行为，结合群体间的信息共享，能够在一定程度上避免陷入局部最优解，从而增强全局搜索能力。

自适应与自组织：群体中的个体能够根据环境变化和搜索经验，自适应地调整搜索策略和行为方式。

这种自组织特性使得算法在面对复杂优化问题时具有更强的鲁棒性。

正反馈与负反馈：在搜索过程中，群智能优化算法通过正反馈机制，将优秀个体的信息传递给其他个体，加速搜索进程；同时，负反馈机制则帮助算法避免重复搜索无效区域，提高搜索效率。

群智能优化算法的代表包括粒子群优化（PSO）、蚁群算法（ACO）、人工鱼群算法（AFSA）等。

基于蚁群优化的云计算任务调度算法研究在提出蚁群优化算法应用到云计算任务调度问题时，首先要做的就是分析云计算任务调度问题的形式化。

从基础到本质，从而提出云计算任务调度的最佳方法，这种算法可以从生态机制方面入手，对于一群算法的技术性完善，信息要素充分。

解决组合优化问题，将会采取模拟的独特性，在一定的环境下，云计任务调度中将需要蚁群优化法。

标签：研究原理；蚁群算法；调度算法；优化组合前言云计算具有广泛性，服务性，功能性等独特性质，原始的一些任务调度算法已无法适应现在的社会环境。

所以为了使云计算达到最优，必须找出一种针对难解的离散优化问题的元启发式算法，那就是蚁群优化（Ant Colony Optimization ACO）。

人工蚁群的协作，会使整个机构建设过程达到一个完整的策略目标。

但是对于一些云计算任务调度依旧是不成熟的，必须要用一个系统的科学性方法来调度，从而将云服务的所有各种形式呈现出来。

ACO元启发式算法可以用在云计算的调度组合优化问题中，它采取一些不定向的构造过程，向部分解添加符合定义的解成分，从而达到一个完整的解。

1 蚁群优化的相关概念的介绍（1）蚁群优化算法的研究。

云计算先于个人计算机、互联网以及各种技术软件。

对云计算必须要进行研究，实验是检验真理的唯一标准，先从蚁群算法入手。

蚁群算法有很多不同的数学模型应用场景，它会呈现出更多的信息要素，使一些全新的信息更新较快，性能较好。

通过一些要素，采用数学中的条件循环，可以准确的表达出信息素的挥发程度，也准确地表达出蚂蚁之间协作能力的关系。

当循环条件结束时，可以画出统计图，研究出信息素挥发程度与算法求解成反比。

从中也可以延伸到一些必要的要素特征，找出一个平衡点，使算法进入最优解。

蚁群算法在1991年正式提出，20年的今天知名度已经相当的广泛。

它的算法框架逐步成熟形成了一个可以解决函数优化，涉及众多领域，解决静态优化问题，以至于达到优化组合。

（2）蚁群算法系统化。

人工智能原理中裙智能优化算法的内容以及过程1. 概述人工智能是指智能机器的研究和设计，它包括了形式逻辑思维、学习和自然语言理解等各种能力。

随着科技的发展和进步，人工智能已经成为了当今社会中一个非常重要的领域。

而在人工智能的研究和应用中，裙智能优化算法起到着非常重要的作用。

在本文中，我们将会介绍人工智能原理中裙智能优化算法的内容以及过程。

2. 裙智能优化算法的概念裙智能优化算法是一种基于生物裙体行为的算法，其最初的灵感来源于自然界中的一些生物的裙体行为，例如蚁裙、鸟裙或者鱼裙等。

这些生物在裙体行为中表现出极强的自适应性和智能性，这也启发了研究者们去开发一些模拟这些生物裙体行为的优化算法。

裙智能优化算法可以通过模拟这些生物裙体行为来解决一些优化问题，例如寻优、函数逼近、组合优化等。

3. 裙智能优化算法的工作原理裙智能优化算法的核心思想是通过模拟生物裙体行为来解决优化问题。

在这些算法中，通常会涉及到一些基本的生物行为模型，例如蚁裙算法中的信息素模型、粒子裙算法中的裙体飞行模型等。

在算法的执行过程中，个体之间会进行信息交流或者相互作用，从而使得整个裙体能够逐步收敛到最优解。

在算法的每一次迭代中，个体会根据一定的规则进行位置或者速度的更新，从而使得整个裙体可以朝着最优解的方向前进。

4. 裙智能优化算法的主要内容在裙智能优化算法中，最为著名和常用的算法包括蚁裙算法、粒子裙算法、鱼裙算法和人工免疫算法等。

这些算法在不同的优化问题上都有着自己独特的优势和特点，因此在实际应用中得到了广泛的应用。

下面我们将对这些算法进行简要的介绍。

4.1 蚁裙算法蚁裙算法是一种通过模拟蚁裙寻找食物的行为来解决优化问题的算法。

在这个算法中，蚂蚁会根据信息素的浓度来选择路径，并且在选择路径之后会在路径上释放信息素。

通过这种方式，蚂蚁可以很快找到最优路径，并且这种最优路径也会被更多的蚂蚁选择。

4.2 粒子裙算法粒子裙算法是一种通过模拟鸟裙觅食的行为来解决优化问题的算法。

《云服务中基于深度学习的任务调度方法研究》篇一一、引言随着云计算技术的快速发展，云服务已成为现代信息技术的重要组成部分。

在云服务中，任务调度是关键技术之一，其目的是在满足任务需求的同时，优化资源分配，提高系统性能。

近年来，深度学习技术的崛起为任务调度提供了新的思路和方法。

本文将研究云服务中基于深度学习的任务调度方法，以提高任务处理的效率和准确性。

二、研究背景及意义传统的任务调度方法主要依赖于静态规则或启发式算法，这些方法在处理大规模、复杂任务时可能存在效率低下、资源利用率不高等问题。

而深度学习作为一种强大的机器学习方法，能够从海量数据中学习并提取有价值的信息，为任务调度提供更准确的决策依据。

因此，研究基于深度学习的任务调度方法，对于提高云服务性能、优化资源分配、降低系统成本具有重要意义。

三、相关技术及文献综述深度学习是一种基于神经网络的机器学习方法，具有强大的表示学习和特征提取能力。

近年来，深度学习在计算机视觉、自然语言处理、语音识别等领域取得了显著成果。

在任务调度领域，深度学习也被广泛应用于优化算法、资源分配等方面。

相关研究表明，基于深度学习的任务调度方法能够有效提高系统性能和资源利用率。

四、基于深度学习的任务调度方法本文提出一种基于深度学习的任务调度方法，该方法主要包括以下步骤：1. 数据预处理：收集并整理任务数据和资源数据，包括任务类型、大小、时限等属性以及系统资源的使用情况。

对数据进行清洗和标准化处理，以便用于深度学习模型的训练。

2. 模型构建：采用深度神经网络构建任务调度模型。

模型输入为任务数据和资源数据，输出为任务调度策略。

通过训练模型，使模型能够从数据中学习并提取有用的信息，为任务调度提供决策依据。

3. 模型训练：使用大量历史任务数据对模型进行训练。

通过优化算法（如梯度下降法）调整模型参数，使模型能够更好地适应实际任务调度场景。

4. 任务调度：将训练好的模型应用于实际的任务调度中。

人工智能群智能算法群智能算法是一种新兴的演化计算技术，已成为越来越多研究者的关注焦点。

群智能算法通过模拟自然界中生物群体的社会行为和自组织现象，寻求在多智能体系统中的全局优化。

与传统的优化算法相比，群智能算法具有更好的鲁棒性和适应性，能够处理复杂的、大规模的问题。

群智能算法包括蚁群算法、粒子群算法等。

其中，蚁群算法是一种模拟自然界中蚂蚁觅食行为的优化算法。

通过模拟蚂蚁的信息素传递过程，蚁群算法能够寻找最短路径、解决旅行商问题等。

粒子群算法则是一种模拟鸟群、鱼群等动物群体的行为，通过个体之间的相互协作和竞争，寻找全局最优解。

群智能算法的应用非常广泛，包括但不限于：路径规划、机器学习、数据挖掘、图像处理、电力系统等领域。

通过模拟自然界中的群体行为，群智能算法能够找到更优的解决方案，提高系统的性能和稳定性。

总之，群智能算法是一种新兴的演化计算技术，通过模拟自然界中的群体行为，寻求全局优化问题的解决方案。

它具有鲁棒性、适应性和可扩展性等优点，应用前景广泛，是人工智能领域的一个重要研究方向。

群智能算法是一类基于种群的优化算法，它模拟了自然界中生物群体的社会行为和自组织现象，通过个体的局部搜索和种群的全局搜索来寻找最优解。

群智能算法在许多领域都有具体的应用，以下是一些例子：1.组合优化问题：群智能算法可以用于解决各种组合优化问题，例如旅行商问题、车辆路径问题、装箱问题、调度问题等。

在这些问题中，群智能算法可以找到最优解或近似最优解，提高系统的性能和效率。

2.机器学习：群智能算法可以用于机器学习中的分类、聚类和回归等问题。

通过模拟生物群体的行为，群智能算法可以找到最优的模型参数和结构，提高机器学习的准确性和稳定性。

3.数据挖掘：群智能算法可以用于数据挖掘中的模式识别、分类和聚类等问题。

例如，蚁群算法可以用于挖掘文档之间的关系，粒子群算法可以用于图像分割和目标跟踪等。

4.图像处理：群智能算法可以用于图像处理中的边缘检测、图像分割、图像配准等问题。

基于群智能算法的智能调度优化方法研究与应用智能调度优化方法在现代社会的各个领域中得到了广泛的应用，它可以帮助提高资源利用效率、降低成本、提高工作效率等。

而基于群智能算法的智能调度优化方法更是在这个领域中备受关注。

本文将对基于群智能算法的智能调度优化方法进行研究与应用，并探讨其实际应用的意义和前景。

首先，我们需要了解什么是群智能算法。

群智能算法是一种以模拟群体行为为基础的智能优化算法，它通过模拟群体中个体之间的相互作用和信息交流，来解决复杂问题。

群智能算法包括蚁群算法、粒子群算法、遗传算法等多种不同类型的算法，它们都能够模拟群体中的协作和适应性学习过程，从而找到问题的优化解。

面对日益复杂的调度问题，传统的优化方法已经难以满足实际需求。

而基于群智能算法的智能调度优化方法则能够充分利用群体中的信息和行为，更好地解决这些问题。

例如，在生产调度中，我们需要考虑到多个因素，如设备利用率、生产能力、物料供应等。

而传统的优化方法往往只能考虑到其中一两个因素，无法兼顾所有因素的权衡。

而基于群智能算法的智能调度优化方法可以考虑到整个生产系统的复杂性，通过模拟群体的行为和信息交流，找到一个能够平衡各种因素的最优调度方案。

在实践中，基于群智能算法的智能调度优化方法已经被广泛应用于各个领域。

以物流调度为例，物流调度问题是一个NP-hard问题，传统的优化方法往往在处理大规模实例时时间复杂度过高，不太适用。

而基于群智能算法的智能调度优化方法，通过模拟群体协作和信息的交流，可以在较短的时间内找到接近最优的调度方案，大大提高了物流调度的效率和准确性。

此外，在交通调度和能源调度领域，基于群智能算法的智能调度优化方法也显示出了强大的优势。

交通调度中存在着很多不确定性因素，如交通流量、道路状况、车辆故障等，而基于群智能算法的智能调度优化方法可以实时地感知并适应这些变化，从而更好地进行交通调度。

在能源调度方面，随着可再生能源的不断发展，电网调度问题也日益复杂，传统的方法往往无法很好地处理这些问题。

《基于资源感知的动态云任务调度算法研究》篇一一、引言随着云计算技术的不断发展，越来越多的企业和组织将业务部署在云端，使得云环境下的任务调度问题变得越来越重要。

动态云任务调度算法作为云计算中的关键技术之一，其性能的优劣直接影响到云服务的响应速度和资源利用率。

因此，研究基于资源感知的动态云任务调度算法具有重要的理论价值和实际应用意义。

二、研究背景及意义传统的任务调度算法往往忽视了资源的实时感知和动态调整，导致资源利用率低下和任务响应时间过长。

而基于资源感知的动态云任务调度算法能够根据实时的资源使用情况和任务需求，动态地调整任务的调度策略，从而提高了资源利用率和任务响应速度。

此外，随着云计算规模的扩大和复杂性的增加，如何实现高效、智能的任务调度成为了云计算领域的重要研究课题。

因此，本论文研究的基于资源感知的动态云任务调度算法具有重要的研究意义和实际应用价值。

三、算法原理及关键技术3.1 算法原理基于资源感知的动态云任务调度算法主要依据实时的资源使用情况和任务需求，通过感知、分析、决策和执行四个步骤实现任务的动态调度。

首先，通过资源感知技术获取实时的资源使用情况；其次，根据任务的需求和资源的实际情况进行分析和匹配；然后，根据分析和匹配结果进行决策，选择最优的调度策略；最后，执行调度策略，将任务分配给最适合的计算节点。

3.2 关键技术（1）资源感知技术：通过传感器、监控工具等技术手段获取实时的资源使用情况，包括CPU、内存、存储等资源的占用情况。

（2）任务需求分析：对任务的需求进行详细的分析和描述，包括任务的计算量、数据量、时限等要求。

（3）调度策略选择：根据任务的需求和资源的实际情况，选择最优的调度策略，包括任务优先级、负载均衡、故障恢复等策略。

（4）执行与反馈：执行选定的调度策略，并将任务分配给最适合的计算节点。

同时，通过反馈机制对调度结果进行评估和调整，以实现更好的调度效果。

四、算法实现及性能分析4.1 算法实现本论文提出的基于资源感知的动态云任务调度算法采用分布式架构，通过云计算平台实现。

智能管理NO.08 202345智能城市 INTELLIGENT CITY 基于改进天牛群算法的多目标云任务调度任金霞 王兴康 甘夏冰（江西理工大学电气工程与自动化学院，江西 赣州 341000）摘要：针对云计算的任务调度算法中处理任务时间慢、资源利用率低等问题，提出了基于改进的天牛群算法的多目标优化任务调度算法。

该算法通过对天牛群算法中的速度权重因子、步长进行自适应改进提高算法的搜索精度；通过增加骑兵反馈策略提高算法的跳出局部最优能力；利用对群体、个体学习因子适应性调整提高天牛的搜索效率；并且在任务属性中增加了用户偏好选择，使得优化目标更加贴合实际。

实验结果表明，当云任务数量不变时，改进天牛群算法收敛速度和精度均优于对比算法；当云任务数量逐渐增加时，改进天牛群算法寻优效率远优于对比算法。

本文提出的优化算法使云任务调度拥有更好的收敛速度、精度，能够有效降低任务完成时间、费用，提高资源负载均衡。

关键词：云计算；任务调度；多目标优化；天牛群算法中图分类号：TP393 文献标识码：A 文章编号：2096-1936（2023）08-0045-03DOI：10.19301/ki.zncs.2023.08.015任务调度是合理利用有限的计算资源处理用户的各类任务请求，而服务质量参数（QoS）则是在任务调度算法中不可避免的一项评价指标，在不违反服务级别协议（SLA）的前提下，有效完成各类用户提交的硬性指标，避免负载利用不充分等问题[1]。

目前，许多云计算任务调度模型通过引入启发式优化算法解决任务调度[2-4]。

如以布谷鸟搜索算法和粒子群算法为基础，通过将布谷鸟算法的随机搜索方式与粒子群算法的快速收敛优点相结合，使得算法能够较为高效地提高本身的搜索精度[2]。

本文提出了以天牛群搜索算法为基础进行改进的任务调度策略，对云任务调度分配中的任务完成时间、费用以及负载均衡度等多目标进行优化。

1　标准天牛群算法1.1　天牛须算法天牛须算法是在2017年由Jiang等经过研究、实验提出的一种智能仿生优化算法[5]，其算法代码简洁、运算速度快，但是算法精度过低。

云计算中融合群体智能软件优化算法的计算机动态调度李岚
【期刊名称】《西安文理学院学报（自然科学版）》
【年(卷),期】2018(021)001
【摘要】由于云计算任务具有明显的动态变化特征,导致计算机存在利用率严重失衡的现象,针对这一问题提出了云计算中融合群体智能软件优化算法(Swarm intelligence software optimization algorithm,SISOA)的计算机动态调度.通过全局搜索的方式设计了群体智能软件优化算法,根据实际分配速率与分配效果确定计算机类型的数量,引入的群体智能软件的思路实现了对计算机的长期运行状态优化效果.同时也对比分析了本文算法跟多种优化算法之间的差异性.结果显示该算法具有比其他各类算法更明显的优势,可作为改善云计算性能的重要理论参考.
【总页数】5页(P73-77)
【作者】李岚
【作者单位】安徽交通职业技术学院水运工程系,合肥230001
【正文语种】中文
【中图分类】TP311
【相关文献】
1.计算机人工智能在工商企业管理中的实现——商业智能软件的开发 [J], 唐秋一
2.云计算中基于共享机制和群体智能优化算法的任务调度方案 [J], 符晓
3.基于智能优化算法的天绘光学成像卫星动态调度系统 [J], 李今飞;王蓉;
4.基于互联网群体智能软件开发的现状与挑战探讨 [J], 田军
5.动态调度策略与竞争机制融合的蚁群优化算法 [J], 张海南;游晓明;刘升
因版权原因，仅展示原文概要，查看原文内容请购买。

基于混合群智能的节能虚拟机整合方法李俊祺;林伟伟;石方;李克勤【期刊名称】《软件学报》【年(卷),期】2022(33)11【摘要】数据中心的虚拟机(virtual machine,VM)整合技术是当今云计算领域的一个研究热点.要在保证服务质量(QoS)的前提下尽可能地降低云数据中心的服务器能耗,本质上是一个多目标优化的NP难问题.为了更好地解决该问题,面向异构服务器云环境提出了一种基于差分进化与粒子群优化的混合群智能节能虚拟机整合方法(HSI-VMC).该方法包括基于峰值效能比的静态阈值超载服务器检测策略(PEBST)、基于迁移价值比的待迁移虚拟机选择策略(MRB)、目标服务器选择策略、混合离散化启发式差分进化粒子群优化虚拟机放置算法(HDH-DEPSO)以及基于负载均值的欠载服务器处理策略(AVG).其中,PEBST,MRB,AVG策略的结合能够根据服务器的峰值效能比和CPU的负载均值检测出超载和欠载服务器,并选出合适的虚拟机进行迁移,降低负载波动引起的服务水平协议违约率(SLAV)和虚拟机迁移的次数;HDH-DEPSO算法结合DE和PSO的优点,能够搜索出更优的虚拟机放置方案,使服务器尽可能地保持在峰值效能比下运行,降低服务器的能耗开销.基于真实云环境数据集(PlanetLab/Mix/Gan)的一系列实验结果表明:HSI-VMC方法与当前主流的几种节能虚拟机整合方法相比,能够更好地兼顾多个QoS指标,并有效地降低云数据中心的服务器能耗开销.【总页数】23页(P3944-3966)【作者】李俊祺;林伟伟;石方;李克勤【作者单位】华南理工大学计算机科学与工程学院;Department of Computer Science University of New York 12561;鹏程实验室【正文语种】中文【中图分类】TP311【相关文献】1.基于布朗指数法的虚拟机动态整合方法2.基于负载不确定性的虚拟机整合方法3.基于自适应过载阈值选择的虚拟机动态整合方法4.基于混合群智能优化算法的私有云资源调度方法5.基于深度强化学习的自适应虚拟机整合方法因版权原因，仅展示原文概要，查看原文内容请购买。

基于动态能量感知的移动云计算任务调度模型
杨涌;项灵剑
【期刊名称】《信息技术》
【年(卷),期】2023(47)1
【摘要】传统云计算任务调度忽略了对总完成时间和总能耗目标的加权,导致任务调度的负载均衡性较差。

为此,设计基于动态能量感知的移动云计算任务调度模型。

将任务调度总完成时间和总能耗作为加权优化目标,引入基于能量感知的多适应度
动态遗传算法,求解数学模型。

通过遗传算子与再选择策略的相互协作获得新优势
种群,并对其更新,寻找最佳移动云计算任务调度结果。

实验结果显示,该模型的移动云计算任务调度总完成时间和总能耗较低,具有较好调度效果;负载均衡性良好,可适用于大规模移动云计算任务调度。

【总页数】6页(P73-77)
【作者】杨涌;项灵剑
【作者单位】中国移动通信集团浙江有限公司;三维通信股份有限公司
【正文语种】中文
【中图分类】TP311
【相关文献】
1.云计算环境下基于可靠性感知的任务调度算法
2.基于云计算的资源延迟感知任务调度优化
3.基于资源延迟感知的云计算实时任务调度仿真
4.云计算环境下能量感
知的任务调度算法5.基于动态能量感知的云计算任务调度模型
因版权原因，仅展示原文概要，查看原文内容请购买。

基于多群智能算法的云计算任务调度策略
陈海燕
【期刊名称】《计算机科学》
【年(卷),期】2014(041)0z1
【摘要】为提高云计算任务调度的服务质量(QoS),提出一种多群智能算法的云计算任务调度策略.首先利用全局搜索能力强的遗传算法快速找到云计算任务调度问题的较优解,然后将较优解转换成蚁群优化算法的初始信息素,最后通过蚂蚁间的信息交流和反馈找到云计算任务调度的全局最优解.以CloudSim为仿真平台进行了模拟实验,结果表明,与同类算法相比,多群智能算法不仅大幅提高了云计算任务调度效率,而且减少了处理请求任务的平均完成时间.
【总页数】4页(P83-86)
【作者】陈海燕
【作者单位】华东政法大学计算机科学与技术系上海201620
【正文语种】中文
【中图分类】TP393
【相关文献】
1.基于自适应交叉变异的飞蛾算法云计算任务调度策略 [J], 李宏伟
2.基于改进飞蛾优化算法的云计算任务调度策略 [J], 李宏伟
3.基于改进飞蛾优化算法的云计算任务调度策略 [J], 李宏伟
4.基于改进萤火虫算法的云计算任务调度策略 [J], 朱利华;朱玲玲
5.基于QoS和服务收益的云计算任务调度策略研究 [J], 陈为满;贺宗梅;陈畅
因版权原因，仅展示原文概要，查看原文内容请购买。

基于混合优化算法的云计算资源调度任小金;郭培【期刊名称】《电脑开发与应用》【年(卷),期】2014(000)011【摘要】由于云计算的动态性、异构性和不可预测性等特点，使得资源调度策略面临很大的挑战。

目前解决资源调度的方法主要是一些启发式算法，如模拟退火算法、人工神经网络算法、粒子群算法、蚁群算法和遗传算法等，由于优缺点分明，不能单独实现云计算任务的最优分配。

因此，提出了使用混合优化算法解决云计算资源分配问题。

在算法前期，借助粒子群全局广泛搜索能力，快速寻找到较优解；在算法后期，借助蚁群算法的正反馈性和高效性，寻找最优解。

实验表明该算法有较短的任务执行时间和实现各个物理主机间的负载均衡。

%It makes resource scheduling policy a big challenge because of the dynamic nature of cloud computing, heterogeneous and unpredictable characteristics. The present solution are heuristic algorithms, such as simulated annealing, artificial neural network algorithm, particle swarm optimization, ant colony optimization, genetic algorithm and so on;It cannot be achieved optimal allocation of cloud computing tasks separately due to all these methods have its advantages and disadvantages. So this study try to fix the problem of resource scheduling of cloud computing using Hybrid optimization algorithm. In the early stage of algorithm, using a wide range global search capability of Particle Swarm Optimization to find the optimum solution quickly;In the late stage, with positive and efficiency of feedback AntColony Algorithm, the optimal solution is found. Experimental results show that task execution time of the algorithm is shorter and make load balancing for each physical host.【总页数】6页(P1-6)【作者】任小金;郭培【作者单位】河南大学计算机与信息工程学院，河南开封 475004;河南大学计算机与信息工程学院，河南开封 475004【正文语种】中文【中图分类】TP393【相关文献】1.基于社会力群智能优化算法的云计算资源调度 [J], 袁浩;李昌兵2.基于粒子群优化算法的云计算资源调度策略研究 [J], 周丽娟;王春影3.基于进阶粒子群优化算法的云计算资源调度策略研究 [J], 校莉4.基于蚁群粒子群优化算法的r云计算资源调度方案 [J], 萨日娜5.基于混合优化算法的云计算资源调度策略的研究 [J], 阮江涛;吴海涛;钱程;黄陈辉因版权原因，仅展示原文概要，查看原文内容请购买。

一种基于混合任务集的高能效调度算法夏军【期刊名称】《电子技术应用》【年(卷),期】2013(39)8【摘要】动态电源与频率调整技术能够帮助实时系统显著减少能耗,之前的研究大多聚焦于基于周期性任务的线程调度算法,却很少考虑周期性与非周期性任务混合的模型.同时,尽管基于CPU利用率的DVS算法可以从系统级上减少能耗,但不能保证实时性.本文提出一种新的算法,它结合减慢因子的DVFS调度算法与系统级的DVS技术,融合PID控制器与自适应的权衡策略为软实时系统提供更好的能耗减少方法.该算法的能耗在服务器利用率低于25％的情况下比加州大学提出的算法下降了14.2％～25.9％,周期性任务超过时限率低于3％.%Dynamic voltage and frequency scaling can significantly save energy for real-timesystems.Previous studies consider thread schedules focused on the model of periodic tasks set while only a few of those heuristics aim at the mixed tasks set of periodic tasks and aperiodic tasks.Moreover,DVS heuristics based past value of CPU utilization reduce the energy consumed at the system level,but most of them cannot guarantee real-time constraint.This paper presents a new approach to combine slowdown factorvoltage/frequency scheduling and system-level DVS technique with PID controller and adaptive trade-off policy for better energy savings in soft real-time systems.This approach shows that when the utilization of server is less than 25％,the energy dissipation is reduced by 14.2％～25.9％ lessthan 3％ deadline missed rate compared with the proposed heuristics by University of the California.【总页数】4页(P26-28,36)【作者】夏军【作者单位】重庆邮电大学移动通信工程研究中心,重庆400065【正文语种】中文【中图分类】TN316.2【相关文献】1.一种云环境下基于混合型BBO的任务调度算法 [J], 童钊;陈洪剑;陈明;梅晶;刘宏2.基于改进型统一调度算法改善任务集的可调度性 [J], 李蕊;李志泽3.一种基于代价抢占的混合可重构任务调度算法 [J], 韩晓亚;汪斌强;黄万伟;王保进4.基于RMS调度周期、非周期混合任务集的一种新方法 [J], 谢拴勤;牛云;林文5.一种基于动态需求边界的混合关键级作业调度算法 [J], 曾理宁;徐成;李仁发;杨帆;徐洪智因版权原因，仅展示原文概要，查看原文内容请购买。