CN108133260B - 基于实时状态监控的多目标粒子群优化的工作流调度方法 - Google Patents

基于实时状态监控的多目标粒子群优化的工作流调度方法 Download PDF

Info

Publication number
CN108133260B
CN108133260B CN201810044889.1A CN201810044889A CN108133260B CN 108133260 B CN108133260 B CN 108133260B CN 201810044889 A CN201810044889 A CN 201810044889A CN 108133260 B CN108133260 B CN 108133260B
Authority
CN
China
Prior art keywords
scheduling
particles
workflow
document
particle
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201810044889.1A
Other languages
English (en)
Other versions
CN108133260A (zh
Inventor
包晓安
曹云棣
张娜
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang University of Technology ZJUT
Original Assignee
Zhejiang University of Technology ZJUT
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Zhejiang University of Technology ZJUT filed Critical Zhejiang University of Technology ZJUT
Priority to CN201810044889.1A priority Critical patent/CN108133260B/zh
Publication of CN108133260A publication Critical patent/CN108133260A/zh
Application granted granted Critical
Publication of CN108133260B publication Critical patent/CN108133260B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Physics & Mathematics (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Educational Administration (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于实时状态监控的多目标粒子群优化的工作流调度方法，涉及云计算工作流调度领域。本发明首先通过BHEFT算法进行工作流预调度，提高算法的可行性。通过引入Pareto方差对进化状态实时监控，进化阶段处于多样时采取外部精英种群自优化策略，提高算法的局部搜索能力，进化状态处于停滞时采取逃离策略，使得工作流调度解空间多样化，从而有效平衡算法在进化过程中的开发和开采，实现工作流调度解的收敛性和调度解空间分布的多样性。

Description

基于实时状态监控的多目标粒子群优化的工作流调度方法
技术领域
本发明涉及云计算工作流调度领域，具体涉及一种基于实时状态监控的多目标粒子群优化的工作流调度方法。
背景技术
随着云计算技术的迅猛发展，越来越多的组织将传统的业务过程与应用迁移到云计算环境。云计算是一种利用互联网实现随时随地、按需、便捷地使用共享计算设施、存储设备、应用程序等资源的计算模式。云计算的主要特征是高可扩展性和高可靠性，意味着用户可以按需租用和释放资源，提供商使用数据多副本容错、计算节点同构互换等措施保障服务的高可靠性。工作流由一组存在数据依赖关系和时间偏序关系的任务组成，通常使用有向无环图来表示。工作流调度本质上是实现任务与可用资源间的映射，同时满足用户对任务执行定义的服务质量约束，如截止时间和预算费用。同一工作流使用不同计算资源和调度方案都会产生不同的调度结果。考虑时间和费用约束下，同时实现工作流调度成本低、调度时间短、可靠性高三个目标，已经成为服务提供商的一大难题。
多目标粒子群优化算法是求解多目标问题的最具潜力的方法之一，但是面临粒子群优化算法固有的缺陷和新的技术问题。比如开发和开采的平衡问题，全局最优解的选择问题等。目前已存在的多目标粒子群优化算法，缺乏实时状态检测机制，无法确定算法在什么时候采用什么策略到某个程度，所以导致过度开采或开发不全面的问题，最终导致获得的工作流调度解收敛度不高或者多样性不够。
针对上述问题，本发明提出了一种基于实时状态监控的多目标粒子群优化算法。通过引入Pareto方差实时监控种群进化所处的阶段，根据不同的阶段采取相应的种群进化措施，平衡进化过程中的开采和开发，实现工作流调度解的收敛性和解空间分布的多样性。
发明内容
本发明的目的就在于实时监控多目标粒子群算法进化阶段，根据不同的阶段实施对应的进化策略，平衡进化过程中的开采和开发，实现调度解的收敛性和调度解空间分布的多样性，提出一种基于实时状态监控的多目标粒子群优化的工作流调度方法。
本发明所采用的技术方案是：
S10，工作流预调度。
S20，初始化种群个体。
S30，实时监控种群进化状态。
S40，根据进化状态选择相应的进化策略。
S50，更新种群，再次迭代。
S60，若达到最大的迭代次数，输出外部精英文档中的工作流调度解集。
上述的技术方案，其中，所述步骤S10中工作流预调度包括如下步骤：
S11，利用BHEFT算法进行工作流预调度，计算工作流调度的时间和执行费用，判断工作流调度的时间和执行费用是否满足用户设定的截止时间和预算约束。
S12,如果不满足，则提醒用户重新设置截止时间/预算。如果满足条件，则执行后续步骤。
上述的技术方案，其中，所述步骤S20中初始化种群个体如下步骤：
S21，初始化全局精英文档的容量，最大迭代次数V，初始迭代次数，满足工作流优化调度解离散特性的粒子的速度和位置。
S22，计算每个粒子对应的三个目标函数值，分别是调度时间、调度费用、调度可靠性。
(1)工作流的调度时间计算公式：
Figure BDA0001550596960000021
其中N为工作流中任务的个数，
Figure BDA0001550596960000022
为任务ti被分配到虚拟机
Figure BDA0001550596960000023
上执行，
Figure BDA0001550596960000024
代表任务ti的完成时间。而
Figure BDA0001550596960000025
Figure BDA0001550596960000026
其中
Figure BDA0001550596960000027
代表任务ti的开始时间，
Figure BDA0001550596960000028
代表任务ti在虚拟机上的执行时间。
(2)工作流的调度费用计算公式：
Figure BDA0001550596960000029
Figure BDA00015505969600000210
对于虚拟机vmm，
Figure BDA00015505969600000211
和
Figure BDA00015505969600000212
分别代表vmm上的第一个和最后一个被执行的任务，
Figure BDA0001550596960000031
代表虚拟机执行任务所需要的单价。
(3)工作流的调度可靠性：
Figure BDA0001550596960000032
其中P(vmm)代表虚拟机vmm的可靠性，计算公式
Figure BDA0001550596960000033
f(vmm)表示虚拟机vmm执行任务的失败率，ET(vmm)表示虚拟机vmm上所有任务的执行时间。TP(vmm,vmn)代表虚拟机vmm,vmn间的传输可靠性，计算公式
Figure BDA0001550596960000034
tf(vmm,vmn)表示虚拟机vmm,vmn间的传输失败率，CT(vmm,vmn)表示任务在vmm,vmn间的传输时间；
S23，判断每个粒子对应的调度时间和调度费用，然后与约束条件相比较，选择满足条件的粒子保存到可行调度方案集合，如果粒子不满足约束条件，则重新生成粒子；
S24，把可行调度方案集合中的所有粒子都存入外部精英文档，然后对全局精英文档进行占优排序，保留占优粒子；
S25，保存每个粒子到个体精英文档。
上述的技术方案，其中，所述步骤S30实时监控进化状态如下步骤:
S31，首先计算全局精英文档中所有粒子的每一维值映射到二维坐标系的整数标号，得到粒子坐标分量集合。
S32，使用Pareto方差计算坐标分量在二维坐标系中分布均匀的程度。
S33，设定收敛临界阈值和停滞临界阈值。如果Pareto方差大于停滞临界阈值，那么判定此时是停滞阶段。如果Pareto方差小于收敛临界阈值，那么判定此时是收敛阶段。如果Pareto方差位于两个临界阈值之间，那么判定为多样阶段。
上述的技术方案，其中，所述步骤S40根据进化状态选择相应的进化策略如下步骤：
S41，当进化状态处于多样阶段，采取外部精英文档自优化策略，通过对全局精英文档粒子的变异快速寻找这些粒子周围的最优工作流调度解，提高算法的局部搜索能力和工作流调度解的收敛性。
S42，当进化状态处于停滞阶段，采取逃离策略，使得粒子快速跳出局部最优，提高算法的全局搜索能力和工作流调度解的多样性。
上述的技术方案，其中，所述步骤S50更新种群如下步骤：
S51，计算外部精英文档中每个工作流调度解的邻居数量密度，然后进行升序排序。
S52，选择邻居密度最小的工作流调度解作为全局最优解。
S53，每个粒子与上次迭代产生的个体最优解进行占优排序。如果该粒子占优，那么选取当前粒子为个体最优解。
S54，如果该粒子与上次迭代产生的个体互为非占优关系最优解，那么这两个粒子与全局最优解进行比较，选择欧氏距离小的粒子作为个体最优解。
S55，如果不满足最大迭代次数，则根据离散粒子群迭代公式更新粒子的速度和位置，再次迭代。否则，输出外部精英文档中的工作流调度解集。
本发明的实时状态监控的多目标粒子群优化的工作流调度方法产生以下几种良好的效果：
效果1：本发明采用实时监控粒子群进化状态，引入Pareto方差计算方法，从而能够快速判断出粒子群进化状态。根据不同的进化阶段，采取相应的搜索或者变异策略，从而使得到的工作流调度解具有好的收敛性和多样性。
效果2：本发明外部精英文档自优化策略，利用外部精英文档周围存在大量相似的工作流调度解这一特性，通过对外部精英文档粒子的变异，得到更多的最优工作流调度解，从而提高算法的局部搜索能力。
效果3：本发明采用逃离策略，使得算法有效地脱离局部极值的状态。通过粒子分成两个子种群，对子种群进行随机重新生成和互相学习，使得工作流调度解空间多样化，提高算法的全局搜索能力。
效果4：本发明采用BHEFT算法对用户设定的调度时间和调度费用进行预判，提高了算法的可行性。
附图说明
图1是本方法的步骤图；
图2是初始化种群个体流程图；
图3是实时状态检测的流程图；
图4是外部精英文档自优化策略的流程图；
图5是逃离策略检测流程图。
具体实施方式
以下结合附图和具体实施对本发明进行详细描述，但不作为对发明的限定。
一、方法
如图1，本方法的实现步骤如下：
A.工作流预调度
利用BHEFT算法进行工作流预调度，判断工作流调度的时间和执行费用是否满足用户设定的截止时间和预算约束。如果不满足，则提醒用户重新设置截止时间/预算。如果满足条件，则执行后继步骤。
B.初始化种群个体
如图2所示，首先初始化全局精英文档的容量V，最大迭代次数，初始迭代次数，满足工作流优化调度解离散特性的粒子的速度和位置。
然后计算每个粒子对应的三个目标函数值，分别是调度时间、调度费用、调度可靠性。
判断每个粒子对应的调度时间和调度费用，然后与约束条件相比较。选择满足条件的粒子。如果粒子不满足约束条件，那么随机重新生成粒子。
把可行调度方案集合中的所有粒子都存入外部精英文档，再对这些粒子进行占优排序，保留占优粒子，保留下来的则为初始工作流调度最优解集。最后把每个粒子都存入各自的个体精英文档中。
C.实时监控进化状态
如图3所示，首先计算全局精英文档中所有粒子的每一维值映射到二维坐标系的整数标号，得到粒子坐标分量集合。。
其次使用Pareto方差计算二维坐标系中坐标分量的分布均匀的程度。设定收敛临界阈值和停滞临界阈值。如果Pareto方差大于停滞临界阈值，那么判定此时是停滞阶段。如果Pareto方差小于收敛临界阈值，那么判定此时是收敛阶段。如果Pareto方差位于两个临界阈值之间，那么判定为多样阶段。
D.根据进化状态选择相应的进化策略
如图4所示，当进化状态处于多样阶段，采取外部精英文档自优化策略。对文档中的所有粒子分别按照三个维度的目标值进行排序，从每次排序中按等比间隔方法抽取一定比例的粒子组成样本集合。对样本集合中的粒子进行高斯扰动，计算扰动后的粒子对应的三个目标函数值。然后检验每个粒子对应的调度时间和调度费用是否在约束条件内，将满足条件的粒子保存到可行调度方案集合中。将可行调度方案集合中的粒子并入到外部精英文档中，然后进行占优排序。如果非占优解的占优值相同，那么采取邻居数量密度策略进行升序排序，选取前V个粒子更新外部精英文档。
如图5所示，当进化状态处于停滞阶段，采取逃离策略，提高算法的全局搜索能力和工作流调度解的多样性。把当前粒子分为2个子种群，子群A中的粒子位置随机重置，子群B中的粒子随机选择二维向子群A的各粒子学习。计算引导后的粒子所对应的的三个目标函数值，判断调度时间和费用是否满足约束。将可行调度方案集合中的粒子并入到外部精英文档中，然后进行占优排序。如果非占优解的占优值相同，那么采取邻居数量密度策略进行升序排序，选取前V个粒子更新外部精英文档。
E.更新种群，再次迭代
通过计算外部精英文档中每个工作流调度解的邻居数量密度，然后进行升序排序，选择邻居密度最小的工作流调度解作为全局最优解。
然后每个粒子与上次迭代产生的个体最优解进行占优排序。如果该粒子占优，那么选取当前粒子为个体最优解。如果该粒子与上次迭代产生的个体互为非占优关系最优解，那么从外部精英文档中随机选择一个粒子，计算这两个粒子与这个随机粒子进行比较，选择欧氏距离小的粒子作为个体最优解。最后更新粒子的速度和位置，再次迭代。
F.输出外部精英文档中的工作流调度解集
当满足最大迭代次数后，输出外部精英文档中的工作流调度解集。

Claims (5)

1.一种基于实时状态监控的多目标粒子群优化的工作流调度方法，其特征在于：包括：
A、工作流预调度；
B、初始化种群个体；
C、实时监控种群进化状态；
D、根据进化状态选择相应的进化策略,包括：
D1，当进化状态处于多样阶段，采取外部精英文档自优化策略对文档中的所有粒子分别按照三个维度的目标值进行排序，从每次排序中按等比间隔方法抽取一定比例的粒子组成样本集合；
D2，对样本集合中的粒子进行高斯扰动，计算扰动后的粒子对应的三个目标函数值；
D3，检验每个粒子对应的调度时间和调度费用是否在约束条件内，将满足条件的粒子保存到可行调度方案集合中，将可行调度方案集合中的粒子并入到外部精英文档中，然后进行占优排序，如果非占优解的占优值相同，那么采取邻居数量密度策略进行升序排序，选取前V个粒子更新外部精英文档；
D4，当进化状态处于停滞阶段，采取逃离策略，把当前粒子分为2个子种群，子群A中的粒子位置随机重置，子群B中的粒子随机选择二维向子群A的各粒子学习；
D5，计算子群A和B中的粒子所对应的的三个目标函数值，判断调度时间和费用是否满足约束，将可行调度方案集合中的粒子并入到外部精英文档中，然后进行占优排序，如果非占优解的占优值相同，那么采取邻居数量密度策略进行升序排序，选取前V个粒子更新外部精英文档；
E、更新种群，再次迭代；
F、若达到最大的迭代次数，输出外部精英文档中的工作流调度解集。
2.根据权利要求1所述的一种基于实时状态监控的多目标粒子群优化的工作流调度方法，其特征在于：所述步骤A，其包括：
A1，利用BHEFT算法进行工作流预调度，判断工作流调度的时间和执行费用是否满足用户设定的截止时间和预算约束；如果不满足，则提醒用户重新设置截止时间/预算；如果满足条件，则执行后续步骤。
3.根据权利要求1所述的一种基于实时状态监控的多目标粒子群优化的工作流调度方法，其特征在于：所述步骤B，其包括：
B1，初始化全局精英文档的容量V、最大迭代次数、初始迭代次数、满足工作流优化调度解离散特性的粒子的速度和位置；
B2，计算每个粒子对应的三个目标函数值，所述目标函数值分别是工作流调度时间、费用和可靠性；
(1)工作流的调度时间计算公式：
Figure FDA0002983566640000021
其中N为工作流中任务的个数，
Figure FDA0002983566640000022
指任务ti被分配到虚拟机
Figure FDA0002983566640000023
上执行，
Figure FDA0002983566640000024
代表任务ti的完成时间，而
Figure FDA0002983566640000025
Figure FDA0002983566640000026
其中
Figure FDA0002983566640000027
代表任务ti的开始时间，
Figure FDA0002983566640000028
代表任务ti在虚拟机上的执行时间；
(2)工作流的调度费用计算公式：
Figure FDA0002983566640000029
Figure FDA00029835666400000210
对于虚拟机vmm，
Figure FDA00029835666400000211
和
Figure FDA00029835666400000212
分别代表vmm上的第一个和最后一个被执行的任务，
Figure FDA00029835666400000213
代表虚拟机执行任务所需要的单价；
(3)工作流的调度可靠性：
Figure FDA00029835666400000214
其中P(vmm)代表虚拟机vmm的可靠性，计算公式
Figure FDA00029835666400000215
f(vmm)表示虚拟机vmm执行任务的失败率，ET(vmm)表示虚拟机vmm上所有任务的执行时间，TP(vmm,vmn)代表虚拟机vmm,vmn间的传输可靠性，计算公式
Figure FDA00029835666400000216
tf(vmm,vmn)表示虚拟机vmm,vmn间的传输失败率,CT(vmm,vmn)表示任务在vmm,vmn间的传输时间；
B3，判断每个粒子对应的调度时间和调度费用，然后与约束条件相比较，选择满足条件的粒子保存到可行调度方案集合，如果粒子不满足约束条件，则重新生成粒子；
B4，把可行调度方案集合中的所有粒子都存入外部精英文档，然后对全局精英文档进行占优排序，保留占优粒子；
B5，保存每个粒子到个体精英文档。
4.根据权利要求1所述的一种基于实时状态监控的多目标粒子群优化的工作流调度方法，其特征在于：所述步骤C，其包括：
C1，计算全局精英文档中每一维值映射到二维坐标系的整数标号，得到坐标分量集合；
C2，使用Pareto方差计算二维坐标系中坐标分量的分布均匀的程度；
C3，设定收敛临界阈值和停滞临界阈值，如果Pareto方差大于停滞临界阈值，那么判定此时是停滞阶段；如果Pareto方差小于收敛临界阈值，那么判定此时是收敛阶段；如果Pareto方差位于两个临界阈值之间，那么判定为多样阶段。
5.根据权利要求1所述的一种基于实时状态监控的多目标粒子群优化的工作流调度方法，其特征在于：所述步骤E，其包括：
E1，计算外部精英文档中每个工作流调度解的邻居数量密度，然后进行升序排序；
E2，选择邻居密度最小的工作流调度解作为全局最优解；
E3，每个粒子与上次迭代产生的个体最优解进行占优排序，如果该粒子占优，那么选取当前粒子为个体最优解；
E4，如果该粒子与上次迭代产生的个体互为非占优关系最优解，那么这两个粒子与全局最优解进行比较，选择欧氏距离小的粒子作为个体最优解；
E5，如果不满足最大迭代次数，则根据离散粒子群迭代公式更新粒子的速度和位置，再次迭代，否则，输出外部精英文档中的工作流调度解集。
CN201810044889.1A 2018-01-17 2018-01-17 基于实时状态监控的多目标粒子群优化的工作流调度方法 Active CN108133260B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810044889.1A CN108133260B (zh) 2018-01-17 2018-01-17 基于实时状态监控的多目标粒子群优化的工作流调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810044889.1A CN108133260B (zh) 2018-01-17 2018-01-17 基于实时状态监控的多目标粒子群优化的工作流调度方法

Publications (2)

Publication Number Publication Date
CN108133260A CN108133260A (zh) 2018-06-08
CN108133260B true CN108133260B (zh) 2021-05-07

Family

ID=62400021

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810044889.1A Active CN108133260B (zh) 2018-01-17 2018-01-17 基于实时状态监控的多目标粒子群优化的工作流调度方法

Country Status (1)

Country Link
CN (1) CN108133260B (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109710372B (zh) * 2018-11-12 2020-10-13 北京理工大学 一种基于猫头鹰搜索算法的计算密集型云工作流调度方法
CN110147274B (zh) * 2019-05-21 2022-01-18 长沙雷电云网络科技有限公司 多目标云任务均衡调度方法、服务器及存储介质
CN110247979B (zh) * 2019-06-21 2021-08-17 北京邮电大学 一种调度方案确定方法、装置及电子设备
CN110867224B (zh) * 2019-10-28 2022-02-08 南通大学 用于大规模脑病历分割的多粒度Spark超信任模糊方法
CN111667091B (zh) * 2020-04-17 2024-04-30 浙江优智物联科技有限公司 一种基于粒子群算法的输送系统智能控制方法
CN112328364B (zh) * 2020-11-05 2022-07-08 北京理工大学 一种基于农田肥力算法的计算密集型云工作流调度方法
CN113434267B (zh) * 2021-05-25 2022-12-02 深圳大学 云计算工作流动态调度方法、装置、设备及存储介质
CN113435097B (zh) * 2021-06-29 2023-05-23 福建师范大学 一种应用于多目标工作流调度的方法
CN114925935A (zh) * 2022-06-21 2022-08-19 福州大学 云边环境下时延约束的多工作流调度方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102222268A (zh) * 2011-06-02 2011-10-19 西安电子科技大学 基于多种群混合粒子群算法的流水车间调度方法
CN103699446A (zh) * 2013-12-31 2014-04-02 南京信息工程大学 基于量子粒子群优化算法的多目标工作流动态调度方法
CN106127334A (zh) * 2016-06-20 2016-11-16 浙江工业大学 一种基于网格排序的多目标粒子群优化方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102222268A (zh) * 2011-06-02 2011-10-19 西安电子科技大学 基于多种群混合粒子群算法的流水车间调度方法
CN103699446A (zh) * 2013-12-31 2014-04-02 南京信息工程大学 基于量子粒子群优化算法的多目标工作流动态调度方法
CN106127334A (zh) * 2016-06-20 2016-11-16 浙江工业大学 一种基于网格排序的多目标粒子群优化方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
"云环境中基于混合多目标粒子群的科学工作流调度算法";杜艳明等;《计算机科学》;20170831;第44卷(第8期);论文第2，4节 *
"基于多目标粒子群算法的网格工作流调度研究";孙妍姑等;《安徽理工大学学报（自然科学版）》;20120930;第32卷(第3期);论文第3.2节 *
孙妍姑等."基于多目标粒子群算法的网格工作流调度研究".《安徽理工大学学报（自然科学版）》.2012,第32卷(第3期), *

Also Published As

Publication number Publication date
CN108133260A (zh) 2018-06-08

Similar Documents

Publication Publication Date Title
CN108133260B (zh) 基于实时状态监控的多目标粒子群优化的工作流调度方法
Abdullahi et al. Symbiotic organism search optimization based task scheduling in cloud computing environment
Lezama et al. A new hybrid-adaptive differential evolution for a smart grid application under uncertainty
Kaur et al. Deep‐Q learning‐based heterogeneous earliest finish time scheduling algorithm for scientific workflows in cloud
Thakkar et al. MUVINE: Multi-stage virtual network embedding in cloud data centers using reinforcement learning-based predictions
Yeh et al. Economic-based resource allocation for reliable Grid-computing service based on Grid Bank
Al-Khanak et al. A heuristics-based cost model for scientific workflow scheduling in cloud
Jayanetti et al. Deep reinforcement learning for energy and time optimized scheduling of precedence-constrained tasks in edge–cloud computing environments
CN102984137A (zh) 一种基于多目标遗传算法下的多目标服务器调度方法
Tang et al. Budget‐constraint stochastic task scheduling on heterogeneous cloud systems
Yannibelli et al. A comparative analysis of NSGA-II and NSGA-III for autoscaling parameter sweep experiments in the cloud
Ebadifard et al. Optimizing multi objective based workflow scheduling in cloud computing using black hole algorithm
Kalra et al. Multi‐criteria workflow scheduling on clouds under deadline and budget constraints
Liu et al. An adaptive approach to better load balancing in a consumer-centric cloud environment
Kulshrestha et al. An efficient host overload detection algorithm for cloud data center based on exponential weighted moving average
Guo et al. Dynamic Fuzzy Logic Control of Genetic Algorithm Probabilities.
Delage et al. Percentile optimization in uncertain Markov decision processes with application to efficient exploration
Franke et al. Development of scheduling strategies with genetic fuzzy systems
Ji et al. Adaptive workflow scheduling for diverse objectives in cloud environments
Jung et al. A workflow scheduling technique using genetic algorithm in spot instance-based cloud
Mera-Gómez et al. A debt-aware learning approach for resource adaptations in cloud elasticity management
CN106874215B (zh) 一种基于Spark算子的序列化存储优化方法
CN113434267B (zh) 云计算工作流动态调度方法、装置、设备及存储介质
Zhang et al. Learning driven parallelization for large-scale video workload in hybrid CPU-GPU cluster
Anand et al. Optimal scheduling policy for a multi-upgraded software system under fuzzy environment

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant