CN113127206B - 一种基于改进蚁群算法的云环境任务调度方法 - Google Patents

一种基于改进蚁群算法的云环境任务调度方法 Download PDF

Info

Publication number
CN113127206B
CN113127206B CN202110477589.4A CN202110477589A CN113127206B CN 113127206 B CN113127206 B CN 113127206B CN 202110477589 A CN202110477589 A CN 202110477589A CN 113127206 B CN113127206 B CN 113127206B
Authority
CN
China
Prior art keywords
task
pheromone
subtask
iteration
deadline
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
CN202110477589.4A
Other languages
English (en)
Other versions
CN113127206A (zh
Inventor
曹建建
卢政昊
潘纪奎
王子健
孙福权
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.)
Northeastern University Qinhuangdao Branch
Original Assignee
Northeastern University Qinhuangdao Branch
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 Northeastern University Qinhuangdao Branch filed Critical Northeastern University Qinhuangdao Branch
Priority to CN202110477589.4A priority Critical patent/CN113127206B/zh
Publication of CN113127206A publication Critical patent/CN113127206A/zh
Application granted granted Critical
Publication of CN113127206B publication Critical patent/CN113127206B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5061—Partitioning or combining of resources
    • G06F9/5077—Logical partitioning of resources; Management or configuration of virtualized resources
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/44—Arrangements for executing specific programs
    • G06F9/455—Emulation; Interpretation; Software simulation, e.g. virtualisation or emulation of application or operating system execution engines
    • G06F9/45533—Hypervisors; Virtual machine monitors
    • G06F9/45558—Hypervisor-specific management and integration aspects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/48—Program initiating; Program switching, e.g. by interrupt
    • G06F9/4806—Task transfer initiation or dispatching
    • G06F9/4843—Task transfer initiation or dispatching by program, e.g. task dispatcher, supervisor, operating system
    • G06F9/4881—Scheduling strategies for dispatcher, e.g. round robin, multi-level priority queues
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/44—Arrangements for executing specific programs
    • G06F9/455—Emulation; Interpretation; Software simulation, e.g. virtualisation or emulation of application or operating system execution engines
    • G06F9/45533—Hypervisors; Virtual machine monitors
    • G06F9/45558—Hypervisor-specific management and integration aspects
    • G06F2009/45595—Network integration; Enabling network access in virtual machine instances
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2209/00—Indexing scheme relating to G06F9/00
    • G06F2209/50—Indexing scheme relating to G06F9/50
    • G06F2209/5017—Task decomposition

Landscapes

  • Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开一种基于改进蚁群算法的云环境任务调度方法，包括：将整个任务的完成最后期限拆分给若干个子任务，计算每一个子任务的排序参数，并计算子最后期限；将排序参数作为蚁群中的启发式信息，并根据控制信息素动态权重、控制启发式信息动态权重和信息素动态挥发率进行迭代，并根据迭代过程中出现的最优解来更新信息素轨迹；根据子最后期限，依次为子任务选择满足其子最后期限的计算资源。该方法针对部署在云服务器中任务调度，如何为其任务分配计算资源，使其在满足完成任务预设最后期限的前提下，总花费最小。

Description

一种基于改进蚁群算法的云环境任务调度方法
技术领域
本发明属于成本优化和资源调度技术领域，涉及一种基于改进蚁群算法的云环境任务调度方法。
背景技术
云计算具有按需服务、高拓展等特点，已经逐渐成为用户可随时获取的便捷资源，获得众多企业、高校师生及政府机关等广大用户的青睐，选择将程序部署到云环境中。随着全球用户规模的不断增加，信息和通信技术的总能源消耗已经超过全球耗电总量的8％，且每年仍将持续增长超过15％，能源的无限制消耗将使资源利用不可持续，所以应尽大可能地降低能源花费。在云计算任务调度领域中，调度优化已被证明是一个NP-hard问题，亟需一种调度方法使其在满足完成任务最后期限的前提下，总花费最小。
发明内容
为解决上述技术问题，本发明的目的是提供一种基于改进蚁群算法的云环境任务调度方法。
本发明的一种基于改进蚁群算法的云环境任务调度方法，包括：
步骤1：将整个任务的完成最后期限拆分给若干个子任务，计算每一个子任务的排序参数，并计算子最后期限；
步骤2：将排序参数作为蚁群中的启发式信息，并根据控制信息素动态权重、控制启发式信息动态权重和信息素动态挥发率进行迭代，并根据迭代过程中出现的最优解来更新信息素轨迹；
步骤3：根据子最后期限，依次为子任务选择满足其子最后期限的计算资源。
在本发明的基于改进蚁群算法的云环境任务调度方法中，所述步骤1包括：
步骤1-1：计算子任务ti的执行时间ETi，即为任务ti分配vmn类型虚拟机后完成任务ti所需要的时长：
Figure GDA0003498484380000021
其中，li代表任务ti的任务量，vn表示n类型虚拟机的任务处理速度；
步骤1-2：计算完成任务ti到任务tj的所需数据量的传输时间TTi,j，即完成任务ti到完成任务tj的所需数据的传输时间：
Figure GDA0003498484380000022
其中，di,j代表完成任务ti发送至用来完成任务tj的虚拟机数据的大小，ts为虚拟机之间数据传输的传输速度；
步骤1-3：计算变量Ωi它表示是否重视完成任务ti到完成任务tj所需数据的传输时间：
Figure GDA0003498484380000023
Figure GDA0003498484380000024
其中，random是0-1之间的随机数，ξ是一个大于1的参数，表示传输时间的重要程度，ξ越大，传输时间越重要；etti是子任务ti的执行时间ETi与完成子任务ti所需数据传输时间TTi之比，上式可知，etti越小，Ωi返回0的概率越大；
步骤1-4：计算子任务ti的排序参数ranki，它是分配给每个子任务最后期限的依据：
Figure GDA0003498484380000025
其中，tj是ti的子任务，ranki是ti的排序参数；
步骤1-5：将排序参数进行归一化处理，将任务完成最后期限D增加松弛时间后分配给子任务，得出每个子任务的子最后期限：
Figure GDA0003498484380000031
Figure GDA0003498484380000032
Figure GDA0003498484380000033
其中，rankmin为所有排序参数的最小值，rankmax为所有排序参数的最大值；Sbase是子任务用虚拟机平均执行速度运行的完成时间，即若能提前完成，则给子任务多留一部分时间以降低成本；当迭代次数k逐渐变大，其松弛时间也慢慢变小，以防止影响最后完成时间；在任务调度过程的起点和终点，添加了两个执行时间为零的虚拟子任务entry和exit以表示调度过程的起点和终点；最后得到的di(k)即为第k次迭代时的子任务i的子最后期限。
在本发明的基于改进蚁群算法的云环境任务调度方法中，所述步骤2包括：
步骤2-1：将排序参数作为蚁群中的启发式信息，动态设置重要参数：控制信息素的动态权重m、控制启发式信息的动态权重n和信息素动态挥发率q：
Figure GDA0003498484380000034
Figure GDA0003498484380000035
Figure GDA0003498484380000036
其中，k为迭代次数，η为一个常值更新参数，λ代表的含义是全局最优解更新时最大迭代次数；
m(k)为第k次迭代时控制信息素的动态权重，m(k+1)为第k+1次迭代时控制信息素的动态权重，mmin为迭代过程中控制信息素的动态权重的最小值；n(k)为第k次迭代时控制启发式信息的动态权重，n(k+1)为第k+1次迭代时控制启发式信息的动态权重，nmin为迭代过程中控制启发式信息的权重的最小值；q(k)为第k次迭代时的信息素动态挥发率，q(k+1)为第k+1次迭代时的信息素动态挥发率，qmin为迭代过程中信息素动态挥发率的最小值；
步骤2-2：根据下式计算更新后的信息素含量：
τi,j(k+1)＝(1-q)×τi,j(k)+Δτi,j(k)
其中，Δτi,j(k)是蚂蚁积累的信息素量；
Figure GDA0003498484380000041
当路径属于第k次迭代的局部最优解lbest(k)时，增量不为0，否则为0；c(k)为第k次迭代局部最优解的花费；cmax为所有虚拟机均选择最高配置的花费；cmin为所有虚拟机均采用最低配置的花费；第二个公式为更新后的信息素含量。
在本发明的基于改进蚁群算法的云环境任务调度方法中，所述步骤3包括：
步骤3-1：为子任务选择满足其子最后期限的虚拟机，并使任务ti增加的成本增量最小化，选择贴近子完成时间的虚拟机，越接近完成时间，完成速度越慢，成本越低；
步骤3-2：当所有虚拟机无法满足在子最后期限之前完成时，选择完成时间最少的虚拟机，减少延误时间成本，让执行其他子任务时弥补延迟的时间。
本发明的一种基于改进蚁群算法的云环境任务调度方法，对蚁群算法的参数进行了优化。可以针对特定的任务应用程序，在保障完成期限的前提下找到一种花费更低的云中任务的调度方案。在真实数据的模拟实验中，本发明在保证了高成功率的前提下，可以使任务调度的成本更低，并能够更有效的进行资源分配。
附图说明
图1是本发明的一种基于改进蚁群算法的云环境任务调度方法的流程图。
具体实施方式
本发明研究的问题是针对部署在云服务器中任务调度，如何为其任务分配计算资源，使其在满足完成任务预设最后期限的前提下，总花费最小。
云服务器可以理解为一个包含无限计算资源的资源池，计算资源则是以虚拟机的形式分配给任务。虚拟机拥有两个属性vi和ci，分别代表任务处理速度和处理任务单位时间花费，一般来说，二者呈负相关关系。
本发明提供的一种基于改进蚁群算法的云环境任务调度方法，可以针对云中的任务调度，在保障任务完成时间期限需求的前提下，找到一种降低成本的为任务分配计算资源的方法。
蚁群算法是一种用来寻找全局最优解且有良好表现的方法，其主要步骤是：(1)预设一个规模为定值的蚁群，初始化启发式信息；(2)每只蚂蚁为问题构建的一个解，(3)比较所有的解，存储局部最优解；(4)更新信息素轨迹；重复以上过程，当迭代次数增加到设定最大值时返回全局最优解。
本发明在蚁群算法的基础上提出了一种基于改进蚁群算法的云环境任务调度方法。本方法包括以下步骤：
步骤1：将整个任务的完成最后期限拆分给若干个子任务，计算每一个子任务的排序参数，并计算子最后期限；所述步骤1包括：
步骤1-1：计算子任务ti的执行时间ETi，即为任务ti分配vmn类型虚拟机后完成任务ti所需要的时长：
Figure GDA0003498484380000061
其中，li代表任务ti的任务量，vn表示n类型虚拟机的任务处理速度；
步骤1-2：计算完成任务ti到任务tj的所需数据量的传输时间TTi,j，即完成任务ti到完成任务tj的所需数据的传输时间：
Figure GDA0003498484380000062
其中，di,j代表完成任务ti发送至用来完成任务tj的虚拟机数据的大小，ts为虚拟机之间数据传输的传输速度；
步骤1-3：计算变量Ωi，它表示是否重视完成任务ti到完成任务tj所需数据的传输时间：
Figure GDA0003498484380000063
Figure GDA0003498484380000064
其中，random是0-1之间的随机数，ξ是一个大于1的参数，表示传输时间的重要程度，ξ越大，传输时间越重要；etti是子任务ti的执行时间ETi与完成子任务ti所需数据传输时间TTi之比，上式可知，etti越小，Ωi返回0的概率越大；
步骤1-4：计算子任务ti的排序参数ranki，它是分配给每个子任务最后期限的依据：
Figure GDA0003498484380000065
其中，tj是ti的子任务，ranki是ti的排序参数；
步骤1-5：将排序参数进行归一化处理，将任务完成最后期限D增加松弛时间后分配给子任务，得出每个子任务的子最后期限：
Figure GDA0003498484380000071
Figure GDA0003498484380000072
Figure GDA0003498484380000073
其中，rankmin为所有排序参数的最小值，rankmax为所有排序参数的最大值；Sbase是子任务用虚拟机平均执行速度运行的完成时间，即若能提前完成，则给子任务多留一部分时间以降低成本；当迭代次数k逐渐变大，其松弛时间也慢慢变小，以防止影响最后完成时间；在任务调度过程的起点和终点，添加了两个执行时间为零的虚拟子任务entry和exit以表示调度过程的起点和终点；最后得到的di(k)即为第k次迭代时的子任务i的子最后期限。
步骤2：将排序参数作为蚁群中的启发式信息，并根据控制信息素动态权重、控制启发式信息动态权重和信息素动态挥发率进行迭代，并根据迭代过程中出现的最优解来更新信息素轨迹，所述步骤2包括：
步骤2-1：将排序参数作为蚁群中的启发式信息，动态设置重要参数：控制信息素的动态权重m、控制启发式信息的动态权重n和信息素动态挥发率q：
Figure GDA0003498484380000074
Figure GDA0003498484380000075
Figure GDA0003498484380000081
其中，k为迭代次数，η为一个常值更新参数，λ代表的含义是全局最优解更新时最大迭代次数；
m(k)为第k次迭代时控制信息素的动态权重，m(k+1)为第k+1次迭代时控制信息素的动态权重，mmin为迭代过程中控制信息素的动态权重的最小值；n(k)为第k次迭代时控制启发式信息的动态权重，n(k+1)为第k+1次迭代时控制启发式信息的动态权重，nmin为迭代过程中控制启发式信息的权重的最小值；q(k)为第k次迭代时的信息素动态挥发率，q(k+1)为第k+1次迭代时的信息素动态挥发率，qmin为迭代过程中信息素动态挥发率的最小值；
步骤2-2：根据下式计算更新后的信息素含量：
τi,j(k+1)＝(1-q)×τi,j(k)+Δτi,j(k)
其中，Δτi,j(k)是蚂蚁积累的信息素量；
Figure GDA0003498484380000082
当路径属于第k次迭代的局部最优解lbest(k)时，增量不为0，否则为0；c(k)为第k次迭代局部最优解的花费；cmax为所有虚拟机均选择最高配置的花费；cmin为所有虚拟机均采用最低配置的花费；第二个公式为更新后的信息素含量。
步骤3：根据子最后期限，依次为子任务选择满足其子最后期限的计算资源，所述步骤3包括：
步骤3-1：为子任务选择满足其子最后期限的虚拟机，并使任务ti增加的成本增量最小化，选择贴近子完成时间的虚拟机，越接近完成时间，完成速度越慢，成本越低；
步骤3-2：当所有虚拟机无法满足在子最后期限之前完成时，选择完成时间最少的虚拟机，减少延误时间成本，让执行其他子任务时弥补延迟的时间。
本发明提供一种云服务器的任务调度方法，在保障完成任务最后期限需求的前提下，找到一种廉价的为服务实例分配资源的方案。
以上所述仅为本发明的较佳实施例，并不用以限制本发明的思想，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (2)

1.一种基于改进蚁群算法的云环境任务调度方法，其特征在于，包括：
步骤1：将整个任务的完成最后期限拆分给若干个子任务，计算每一个子任务的排序参数，并计算子最后期限；
步骤2：将排序参数作为蚁群中的启发式信息，并根据控制信息素动态权重、控制启发式信息动态权重和信息素动态挥发率进行迭代，并根据迭代过程中出现的最优解来更新信息素轨迹；
步骤3：根据子最后期限，依次为子任务选择满足其子最后期限的计算资源；
所述步骤1包括：
步骤1-1：计算子任务ti的执行时间ETi，即为任务ti分配vmn类型虚拟机后完成任务ti所需要的时长：
Figure FDA0003498484370000011
其中，li代表任务ti的任务量，vn表示n类型虚拟机的任务处理速度；
步骤1-2：计算完成任务ti到任务tj的所需数据量的传输时间TTi,j，即完成任务ti到完成任务tj的所需数据的传输时间：
Figure FDA0003498484370000012
其中，di,j代表完成任务ti发送至用来完成任务tj的虚拟机数据的大小，ts为虚拟机之间数据传输的传输速度；
步骤1-3：计算变量Ωi，它表示是否重视完成任务ti到完成任务tj所需数据的传输时间：
Figure FDA0003498484370000013
Figure FDA0003498484370000021
其中，random是0-1之间的随机数，ξ是一个大于1的参数，表示传输时间的重要程度，ξ越大，传输时间越重要；etti是子任务ti的执行时间ETi与完成子任务ti所需数据传输时间TTi之比，上式可知，etti越小，Ωi返回0的概率越大；
步骤1-4：计算子任务ti的排序参数ranki，它是分配给每个子任务最后期限的依据：
Figure FDA0003498484370000022
其中，tj是ti的子任务，ranki是ti的排序参数；
步骤1-5：将排序参数进行归一化处理，将任务完成最后期限D增加松弛时间后分配给子任务，得出每个子任务的子最后期限：
Figure FDA0003498484370000023
Figure FDA0003498484370000024
Figure FDA0003498484370000025
其中，rankmin为所有排序参数的最小值，rankmax为所有排序参数的最大值；Sbase是子任务用虚拟机平均执行速度运行的完成时间，即若能提前完成，则给子任务多留一部分时间以降低成本；当迭代次数k逐渐变大，其松弛时间也慢慢变小，以防止影响最后完成时间；在任务调度过程的起点和终点，添加了两个执行时间为零的虚拟子任务entry和exit以表示调度过程的起点和终点；最后得到的di(k)即为第k次迭代时的子任务i的子最后期限；
所述步骤2包括：
步骤2-1：将排序参数作为蚁群中的启发式信息，动态设置重要参数：控制信息素的动态权重m、控制启发式信息的动态权重n和信息素动态挥发率q：
Figure FDA0003498484370000031
Figure FDA0003498484370000032
Figure FDA0003498484370000033
其中，k为迭代次数，η为一个常值更新参数，λ代表的含义是全局最优解更新时最大迭代次数；
m(k)为第k次迭代时控制信息素的动态权重，m(k+1)为第k+1次迭代时控制信息素的动态权重，mmin为迭代过程中控制信息素的动态权重的最小值；n(k)为第k次迭代时控制启发式信息的动态权重，n(k+1)为第k+1次迭代时控制启发式信息的动态权重，nmin为迭代过程中控制启发式信息的权重的最小值；q(k)为第k次迭代时的信息素动态挥发率，q(k+1)为第k+1次迭代时的信息素动态挥发率，qmin为迭代过程中信息素动态挥发率的最小值；
步骤2-2：根据下式计算更新后的信息素含量：
τi,j(k+1)＝(1-q)×τi,j(k)+Δτi,j(k)
其中，Δτi,j(k)是蚂蚁积累的信息素量；
Figure FDA0003498484370000034
当路径属于第k次迭代的局部最优解lbest(k)时，增量不为0，否则为0；c(k)为第k次迭代局部最优解的花费；cmax为所有虚拟机均选择最高配置的花费；cmin为所有虚拟机均采用最低配置的花费；第二个公式为更新后的信息素含量。
2.如权利要求1所述的基于改进蚁群算法的云环境任务调度方法，其特征在于，所述步骤3包括：
步骤3-1：为子任务选择满足其子最后期限的虚拟机，并使任务ti增加的成本增量最小化，选择贴近子完成时间的虚拟机，越接近完成时间，完成速度越慢，成本越低；
步骤3-2：当所有虚拟机无法满足在子最后期限之前完成时，选择完成时间最少的虚拟机，减少延误时间成本，让执行其他子任务时弥补延迟的时间。
CN202110477589.4A 2021-04-30 2021-04-30 一种基于改进蚁群算法的云环境任务调度方法 Active CN113127206B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110477589.4A CN113127206B (zh) 2021-04-30 2021-04-30 一种基于改进蚁群算法的云环境任务调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110477589.4A CN113127206B (zh) 2021-04-30 2021-04-30 一种基于改进蚁群算法的云环境任务调度方法

Publications (2)

Publication Number Publication Date
CN113127206A CN113127206A (zh) 2021-07-16
CN113127206B true CN113127206B (zh) 2022-03-11

Family

ID=76780647

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110477589.4A Active CN113127206B (zh) 2021-04-30 2021-04-30 一种基于改进蚁群算法的云环境任务调度方法

Country Status (1)

Country Link
CN (1) CN113127206B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102932422A (zh) * 2012-09-29 2013-02-13 南京邮电大学 基于改进蚁群算法的云环境任务调度方法
CN106055395A (zh) * 2016-05-18 2016-10-26 中南大学 一种基于蚁群优化算法的云环境中截止时间约束工作流调度方法
CN107133095A (zh) * 2017-04-07 2017-09-05 北京科技大学 一种云环境下的任务调度方法
CN109948848A (zh) * 2019-03-19 2019-06-28 中国石油大学(华东) 一种云中科学工作流下截止期限约束的费用优化调度方法
CN112084035A (zh) * 2020-09-21 2020-12-15 西安理工大学 一种基于蚁群算法的任务调度方法及系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102932422A (zh) * 2012-09-29 2013-02-13 南京邮电大学 基于改进蚁群算法的云环境任务调度方法
CN106055395A (zh) * 2016-05-18 2016-10-26 中南大学 一种基于蚁群优化算法的云环境中截止时间约束工作流调度方法
CN107133095A (zh) * 2017-04-07 2017-09-05 北京科技大学 一种云环境下的任务调度方法
CN109948848A (zh) * 2019-03-19 2019-06-28 中国石油大学(华东) 一种云中科学工作流下截止期限约束的费用优化调度方法
CN112084035A (zh) * 2020-09-21 2020-12-15 西安理工大学 一种基于蚁群算法的任务调度方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于动态优先级的云计算任务调度研究;李梦盈;《中国优秀博硕士学位论文全文数据库(硕士) 信息科技辑》;20170215(第02期);全文 *
基于遗传蚁群融合算法的云计算任务调度研究;刘林;《中国优秀博硕士学位论文全文数据库(硕士) 信息科技辑》;20160415(第04期);全文 *

Also Published As

Publication number Publication date
CN113127206A (zh) 2021-07-16

Similar Documents

Publication Publication Date Title
CN107133095B (zh) 一种云环境下的任务调度方法
CN106055395B (zh) 一种基于蚁群优化算法的云环境中截止时间约束工作流调度方法
CN113627871B (zh) 一种基于多目标粒子群算法的工作流调度方法、系统及存储介质
Al-maamari et al. Task scheduling using hybrid algorithm in cloud computing environments
CN109656702A (zh) 一种基于强化学习的跨数据中心网络任务调度方法
CN101237469A (zh) 运用蚁群算法优化多QoS网格工作流的方法
CN112084035B (zh) 一种基于蚁群算法的任务调度方法及系统
CN109062682B (zh) 一种云计算平台的资源调度方法和系统
CN110086855A (zh) 基于蚁群算法的Spark任务智能感知调度方法
CN114968510A (zh) 一种基于改进蚁群算法的多目标动态任务调度方法和系统
CN112685138B (zh) 云环境下基于多种群混合智能优化的多工作流调度方法
US20220405129A1 (en) Workflow scheduling method and system based on multi-target particle swarm algorithm, and storage medium
CN111913800B (zh) 基于l-aco的云中微服务成本优化的资源分配方法
CN106371924A (zh) 一种最小化MapReduce集群能耗的任务调度方法
CN116302389A (zh) 一种基于改进蚁群算法的任务调度方法
CN113127206B (zh) 一种基于改进蚁群算法的云环境任务调度方法
Wang et al. Research on multi-agent task optimization and scheduling based on improved ant colony algorithm
Swarnakar et al. A bio-inspired and heuristic-based hybrid algorithm for effective performance with load balancing in cloud environment
CN108712337B (zh) 高性能网络中多路径带宽调度方法
CN112463340A (zh) 基于tensorflow的多任务弹性调度方法及系统
CN108234617A (zh) 一种面向电力系统混合云模式下的资源动态调度方法
CN110990130A (zh) 一种可再生自适应计算卸载分层服务质量优化方法
CN116089083A (zh) 一种多目标数据中心资源调度方法
CN114968554A (zh) 一种基于核函数映射方式的鲸鱼算法的工作流云调度方法
CN112698911B (zh) 一种基于深度强化学习的云作业调度方法

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