CN115185655B - 基于基因频次改进的云计算平台任务调度方法 - Google Patents
基于基因频次改进的云计算平台任务调度方法 Download PDFInfo
- Publication number
- CN115185655B CN115185655B CN202210724724.5A CN202210724724A CN115185655B CN 115185655 B CN115185655 B CN 115185655B CN 202210724724 A CN202210724724 A CN 202210724724A CN 115185655 B CN115185655 B CN 115185655B
- Authority
- CN
- China
- Prior art keywords
- chromosome
- gene
- optimal
- fitness
- value
- 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
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
- G06F9/48—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
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Physiology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Genetics & Genomics (AREA)
- General Factory Administration (AREA)
Abstract
本发明公开了一种基于基因频次改进的云计算平台任务调度方法,涉及云计算技术领域,包括以下步骤:对云计算平台中H个计算节点和M个待调度的任务进行编号;随机初始化种群,计算种群中各染色体的适应度;初始化各染色体的局部最优染色体和局部最优适应度;初始化全局最优染色体和全局最优适应度;初始化各基因的各基因值在局部最优染色体和全局最优染色体出现的频次;对种群执行交叉操作,并更新上述初始化内容;根据各基因的各基因值在局部最优染色体和全局最优染色体出现的频次,对各染色体进行非等概率的均匀变异操作;根据全局最优染色体每个基因的基因值,将对应任务调度到相应的计算节点上。本发明提高了遗传算法在任务调度问题上的应用效果。
Description
技术领域
本发明涉及云计算技术领域,特别涉及一种基于基因频次改进的云计算平台任务调度方法。
背景技术
云计算平台是支撑各类智能应用的基础设施,任务调度通过合理地将任务分配到计算节点,是云计算平台改进资源使用效率和任务处理性能有效途径之一。然而任务调度问题是NP难问题,不存在多项式时间开销的方法对其进行精确求解。求解该问题的主要方法包括启发式方法和元启发式方法,启发式方法利用局部搜索策略对任务调度问题进行近似求解;元启发式方法通过模拟自然界客观规律,借助随机性设计全局搜索方法,能够在合理的时间内获取更优的解,并存在获取全局最优解的可能。基因算法是当前最常采用的元启发式方法之一。遗传算法被广泛用于求解各行各业的决策问题,涵盖自动化技术、计算机软件及计算机应用、电力工业、公路与水路运输、航空航天科学与工程等学科;然而,现有的遗传算法收敛速度较慢,影响遗传算法在任务调度问题上的应用效果。
发明内容
基于此,有必要针对上述技术问题,提供一种基于基因频次改进的云计算平台任务调度方法,在多项式时间内求解任务调度问题,解决现有的遗传算法收敛速度较慢,影响遗传算法在任务调度问题上的应用效果的问题。
本发明提供了一种基于基因频次改进的云计算平台任务调度方法,包括以下步骤:
分别将云计算平台中H个计算节点编号为1、2、…、H,M个待调度的任务编号为1、2、…、M;随机初始化种群,计算所述种群中每个染色体的适应度;初始化每个所述染色体的局部最优染色体和局部最优适应度;初始化全局最优染色体和全局最优适应度;初始化每个基因的各基因值在所述局部最优染色体和所述全局最优染色体出现的频次;
对所述种群执行交叉操作,并更新每个所述染色体的局部最优染色体和局部最优适应度,更新所述全局最优染色体和所述全局最优适应度,更新每个所述基因的各基因值在所述局部最优染色体和所述全局最优染色体出现的频次;
根据每个所述基因的各个基因值在所述局部最优染色体和所述全局最优染色体出现的频次,对每个所述染色体进行非等概率的均匀变异操作,其中,变异后的基因取值概率与对应基因的基因值在局部最优染色体和全局最优染色体出现的频次呈正比;
根据全局最优染色体每个基因的基因值,将对应任务调度到相应的计算节点上。
进一步的,所述随机初始化种群,计算所述种群中每个染色体的适应度,包括:
随机生成一个所述种群,所述种群包含N个所述染色体,N>1;每个所述染色体包含M个基因,与M个待调度的任务一一对应,M>1;每个所述基因的基因值有H个,分别为1、2、…、H,H>1;
根据所述基因的基因值和适应度函数计算每个所述染色体的适应度,所述适应度函数为采用染色体对应的任务调度方案时所有任务的总完成时间。
进一步的,所述初始化每个所述染色体的局部最优染色体和局部最优适应度,初始化全局最优染色体和全局最优适应度,包括:
初始化每个所述染色体的局部最优染色体为所述染色体本身,初始化每个所述染色体的局部最优适应度为所述染色体的当前适应度;
获取当前具有最优适应度的染色体及所述具有最优适应度的染色体的适应度;
将所述全局最优染色体初始化为所述具有最优适应度的染色体,将所述全局最优适应度初始化为所述具有最优适应度的染色体的适应度。
进一步的,所述初始化每个基因的各基因值在所述局部最优染色体和所述全局最优染色体出现的频次,包括:
统计每个基因的各基因值在所述局部最优染色体和所述全局染色体中出现的次数,将所述次数作为每个基因的各基因值在所述局部最优染色体和所述全局最优染色体出现的频次的初始值。
进一步的,所述对所述种群执行交叉操作,并更新每个所述染色体的局部最优染色体和局部最优适应度,更新所述全局最优染色体和所述全局最优适应度,更新每个所述基因的各个基因值在所述局部最优染色体和所述全局最优染色体出现的频次,包括:
针对染色体Ci,随机选取另一个染色体Co,计算所述染色体Co的局部最优染色体为Lo;以一定概率地对所述染色体Ci和所述染色体Co进行均匀交叉操作,获得染色体P1和染色体P2;以一定概率地对染色体对所述染色体Ci和所述染色体Lo进行均匀交叉操作,获得染色体P3和染色体P4;
计算所述染色体P1的适应度为q1,计算所述染色体P2的适应度为q2,计算所述染色体P3的适应度为q3,计算所述染色体P4的适应度为q4;获取所述染色体P1、所述染色体P2、所述染色体P3和所述染色体P4中最优的适应度为qbest,及具有最优适应度的染色体Pbest;利用轮盘赌选择法从染色体Ci、染色体P1、染色体P2、染色体P3和染色体P4中选出一个染色体,并将所述染色体Ci更新为选出的染色体;
比较最优的适应度qbest与染色体Ci的局部最优适应度li,如果适应度qbest优于染色体Ci的局部最优适应度li,将染色体Ci的局部最优染色体Li和局部最优适应度li分别更新为具有最优适应度的染色体Pbest和最优的适应度qbest,并根据局部最优染色体Li各基因取值,累计每个基因的对应基因值在局部最优染色体和全局最优染色体出现的频次;
比较最优的适应度qbest与全局最优适应度b,如果最优的适应度qbest优于全局最优适应度b,则将全局最优染色体B更新为具有最优适应度的染色体Pbest,将全局最优适应度b更新为最优的适应度qbest,并根据全局最优染色体各基因取值,累计每个基因的对应基因值在局部最优染色体和全局最优染色体出现的频次。
进一步的,所述根据每个所述基因的各个基因值在所述局部最优染色体和所述全局最优染色体出现的频次,对每个所述染色体进行非等概率的均匀变异操作,其中,变异后的基因取值概率与对应基因的基因值在局部最优染色体和全局最优染色体出现的频次呈正比,包括:
针对染色体Ci的第j个基因gij,随机生成一个0和1之间的随机数,若生成的随机数小于变异概率,则针对染色体Ci的第j个基因gij,将其值利用轮盘赌选择法进行变异,变异后的可能取值为该基因的取值范围,即1~H,其中H为计算节点数量;变异后取值为k的概率为其中,xjk表示第j个基因在局部最优染色体和全局最优染色体中取值为k的次数。
进一步的,所述根据全局最优染色体每个基因的基因值,将对应任务调度到相应的计算节点上,包括:
针对全局最优染色体Cbest的M个基因gb1,gb2,...,gbM,若Cbest的第j个基因gbj取值为k,则将第j个任务调度到第k个计算节点。
本发明的有益效果:
本发明的基于基因频次改进的云计算平台任务调度方法,将云计算平台中H个计算节点编号为1、2、…、H,将M个待调度的任务编号为1、2、…、M;在遗传算法中,针对每个染色体引入局部最优染色体,记录当前染色体获取的最优适应度对应的染色体;在遗传算法交叉阶段,一个染色体不仅与另一个染色体进行交叉,而且与另一个染色体的局部最优染色体进行交叉;在遗传算法变异阶段,每个基因变异的结果与其在局部最优染色体和全局最优染色体中出现的频次呈正比;增加了优秀基因遗传的概率,提高了遗传算法的收敛速度,提升了遗传算法在任务调度问题上的应用效果。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明提供的一种基于基因频次改进的云计算平台任务调度方法流程图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本发明实施例。为了说明本发明的技术方案,下面通过具体实施例来进行说明。
参见图1,是本实施例提供的一种基于基因频次改进的云计算平台任务调度方法流程图,该云计算平台任务调度方法可以包括以下步骤:
步骤S1,分别将云计算平台中H个计算节点编号为1、2、…、H,M个待调度的任务编号为1、2、…、M;随机初始化种群,计算所述种群中每个染色体的适应度;初始化每个所述染色体的局部最优染色体和局部最优适应度;初始化全局最优染色体和全局最优适应度;初始化每个基因的各基因值在所述局部最优染色体和所述全局最优染色体出现的频次。
本实施例中,步骤S1中的方法,包括以下步骤:
步骤S11:随机生成一个种群,该种群包含N个染色体,分别用C1,C2,...,CN表示,N>1;每个染色体包含M基因,与M个待调度的任务一一对应,第i个染色体Ci的M个基因分别使用gi1,gi2,...,giM表示,M>1,即Ci=[gi1,gi2,...,giM];每个基因的可能取值有H个,分别为1、2、…、H,表示对应任务被调度到的计算节点的编号。
步骤S12:根据基因取值和适应度函数,计算每个染色体的适应度。其中适应度函数为采用染色体对应的任务调度方案时所有任务的总完成时间。一个染色体的适应度越小,该染色体和适应度越优。本实施例使用fi记录染色体Ci当前的适应度。
步骤S13:针对每个染色体,初始化其局部最优染色体为其本身,初始化其局部最优适应度为其当前适应度,即:Li=Ci,li=fi,其中Li表示染色体Ci的局部最优染色体,li表示染色体Ci的局部最优适应度。
步骤S14:找出当前具有最优适应度的染色体,记为Cbest,其适应度为fbest;将全局最优染色体和全局最优适应度分别初始化为该染色体及其适应度,即:B=Cbest,b=fbest;其中B和b分别为全局最优染色体和全局最优适应度。
步骤S15:统计每个基因各个取值在局部最优染色体和全局染色体中出现的次数,记为X=[xjk]1≤j≤M,1≤k≤H;其中xjk表示第j个基因在局部最优染色体和全局最优染色体中取值为k的次数。
步骤S2,对所述种群执行交叉操作,并更新每个所述染色体的局部最优染色体和局部最优适应度,更新所述全局最优染色体和所述全局最优适应度,更新每个所述基因的各基因值在所述局部最优染色体和所述全局最优染色体出现的频次。
本实施例中,步骤S2中的方法,包括以下步骤:
步骤S21:针对染色体Ci,随机地选取另一个染色体Co,染色体Co的局部最优染色体为Lo;以一定概率地对染色体Ci和染色体Co进行均匀交叉操作,获得两个新的染色体,分别记为染色体P1和染色体P2;以一定概率地对染色体对Ci和染色体Lo的局部最优染色体Lo进行均匀交叉操作,获得两个新的染色体,分别记为P3和P4。
步骤S22:计算染色体P1、染色体P2、染色体P3和染色体P4的适应度,分别记为q1、q2、q3和q4;获取染色体P1、染色体P2、染色体P3和染色体P4中最优的适应度qbest及其对应染色体Pbest。利用轮盘赌选择法从染色体Ci、染色体P1、染色体P2、染色体P3和染色体P4中选出一个染色体,并将染色体Ci更新为选出的染色体。
本实施例中的轮盘赌选择法为现有技术,在此不再赘述。
步骤S23:比较qbest与染色体Ci的局部最优适应度li,如果qbest优于li,将染色体Ci的局部最优染色体Li和局部最优适应度li分别更新为Pbest和qbest,并根据局部最优染色体Li各基因取值,累计每个基因的对应基因值在局部最优染色体和全局最优染色体出现的频次,并执行步骤S24;反之不进行操作。
步骤S24:比较qbest与全局最优适应度b,如果qbest优于全局最优适应度b,则将全局最优染色体B和全局最优适应度b分别更新为Pbest和qbest,并根据全局最优染色体各基因取值,累计每个基因的对应基因值在局部最优染色体和全局最优染色体出现的频次。
步骤S3,根据每个所述基因的各个基因值在所述局部最优染色体和所述全局最优染色体出现的频次,对每个所述染色体进行非等概率的均匀变异操作,其中,变异后的基因取值概率与对应基因的基因值在局部最优染色体和全局最优染色体出现的频次呈正比。
本实施例中,步骤S3中的方法,包括以下步骤:
步骤S31:对于N个染色体,C1,C2,...,CN,分别执行步骤S32。
步骤S32:对于染色体Ci的M个基因,gi1,gi2,...,giM,分别执行步骤S33。
步骤S33:针对染色体Ci的第j个基因gij,随机生成一个0和1之间的随机数,若生成的随机数小于变异概率,则执行步骤S34,反之不执行操作。
步骤S34:针对染色体Ci的第j个基因gij,将其值利用轮盘赌选择法进行变异,变异后的可能取值为该基因的取值范围,即1~H,其中H为计算节点数量。变异后取值为k的概率为其中xjk表示第j个基因在局部最优染色体和全局最优染色体中取值为k的次数。
步骤S4,根据全局最优染色体每个基因的基因值,将对应任务调度到相应的计算节点上。
本实施例中,步骤S4中的方法,包括以下步骤:
步骤S41:针对全局最优染色体Cbest的M个基因gb1,gb2,...,gbM,分别执行步骤S42。
步骤S42:若Cbest的第j个基因gbj取值为k,则将第j个任务调度到第k个计算节点。
本实施例的基于基因频次改进的云计算平台任务调度方法,在云计算平台的任务调度中,针对每个个体引入局部最优染色体,并在交叉阶段增加个体与局部最优染色体的交叉操作,不影响群体多样性前提下提高优秀基因值遗传到下一代的概率。同时,在基因突变阶段,优秀的基因值具有更高的概率成为变异结果,从而具有更高概率地遗传到下一代,进而使遗传算法更快地收敛,提升了遗传算法在任务调度问题上的应用效果。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围,均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于基因频次改进的云计算平台任务调度方法,其特征在于,包括以下步骤:
分别将云计算平台中H个计算节点编号为1、2、…、H,M个待调度的任务编号为1、2、…、M;随机初始化种群,计算所述种群中每个染色体的适应度;初始化每个所述染色体的局部最优染色体和局部最优适应度;初始化全局最优染色体和全局最优适应度;初始化每个基因的各基因值在所述局部最优染色体和所述全局最优染色体出现的频次;
对所述种群执行交叉操作,并更新每个所述染色体的局部最优染色体和局部最优适应度,更新所述全局最优染色体和所述全局最优适应度,更新每个所述基因的各基因值在所述局部最优染色体和所述全局最优染色体出现的频次;
根据每个所述基因的各个基因值在所述局部最优染色体和所述全局最优染色体出现的频次,对每个所述染色体进行非等概率的均匀变异操作,其中,变异后的基因取值概率与对应基因的基因值在局部最优染色体和全局最优染色体出现的频次呈正比;
根据全局最优染色体每个基因的基因值,将对应任务调度到相应的计算节点上;
所述随机初始化种群,计算所述种群中每个染色体的适应度,包括:
随机生成一个种群,所述种群包含N个染色体,N>1;每个所述染色体包含M个基因,与M个待调度的任务一一对应,M>1;每个所述基因的可能取值有H个,分别为1、2、…、H,H>1;
根据所述基因的基因值和适应度函数计算每个所述染色体的适应度,所述适应度函数为采用染色体对应的任务调度方案时所有任务的总完成时间。
2.根据权利要求1所述的基于基因频次改进的云计算平台任务调度方法,其特征在于,所述初始化每个所述染色体的局部最优染色体和局部最优适应度,初始化全局最优染色体和全局最优适应度,包括:
初始化每个所述染色体的局部最优染色体为所述染色体本身,初始化每个所述染色体的局部最优适应度为所述染色体的当前适应度;
获取当前具有最优适应度的染色体及所述具有最优适应度的染色体的适应度;
将所述全局最优染色体初始化为所述具有最优适应度的染色体,将所述全局最优适应度初始化为所述具有最优适应度的染色体的适应度。
3.根据权利要求1所述的基于基因频次改进的云计算平台任务调度方法,其特征在于,所述初始化每个基因的各基因值在所述局部最优染色体和所述全局最优染色体出现的频次,包括:
统计每个基因的各基因值在所述局部最优染色体和所述全局染色体中出现的次数,将所述次数作为每个基因的各基因值在所述局部最优染色体和所述全局最优染色体出现的频次的初始值。
4.根据权利要求1所述的基于基因频次改进的云计算平台任务调度方法,其特征在于,所述对所述种群执行交叉操作,并更新每个所述染色体的局部最优染色体和局部最优适应度,更新所述全局最优染色体和所述全局最优适应度,更新每个所述基因的各个基因值在所述局部最优染色体和所述全局最优染色体出现的频次,包括:
针对染色体Ci,随机选取另一个染色体Co,计算所述染色体Co的局部最优染色体为Lo;以预设概率对所述染色体Ci和所述染色体Co进行均匀交叉操作,获得染色体P1和染色体P2;以预设概率对所述染色体Ci和所述染色体Lo进行均匀交叉操作,获得染色体P3和染色体P4;
计算所述染色体P1的适应度为q1,计算所述染色体P2的适应度为q2,计算所述染色体P3的适应度为q3,计算所述染色体P4的适应度为q4;获取所述染色体P1、所述染色体P2、所述染色体P3和所述染色体P4中最优的适应度为qbest,及具有最优适应度的染色体Pbest;利用轮盘赌选择法从染色体Ci、染色体P1、染色体P2、染色体P3和染色体P4中选出一个染色体,并将所述染色体Ci更新为选出的染色体;
比较最优的适应度qbest与染色体Ci的局部最优适应度li,如果适应度qbest优于染色体Ci的局部最优适应度li,将染色体Ci的局部最优染色体Li和局部最优适应度li分别更新为具有最优适应度的染色体Pbest和最优的适应度qbest,并根据局部最优染色体Li各基因取值,累计每个基因的对应基因值在局部最优染色体和全局最优染色体出现的频次;
比较最优的适应度qbest与全局最优适应度b,如果最优的适应度qbest优于全局最优适应度b,则将全局最优染色体B更新为具有最优适应度的染色体Pbest,将全局最优适应度b更新为最优的适应度qbest,并根据全局最优染色体各基因取值,累计每个基因的对应基因值在局部最优染色体和全局最优染色体出现的频次。
5.根据权利要求1所述的基于基因频次改进的云计算平台任务调度方法,其特征在于,所述根据每个所述基因的各个基因值在所述局部最优染色体和所述全局最优染色体出现的频次,对每个所述染色体进行非等概率的均匀变异操作,其中,变异后的基因取值概率与对应基因的基因值在局部最优染色体和全局最优染色体出现的频次呈正比,包括:
6.根据权利要求1所述的基于基因频次改进的云计算平台任务调度方法,其特征在于,所述根据全局最优染色体每个基因的基因值,将对应任务调度到相应的计算节点上,包括:
针对全局最优染色体Cbest的M个基因gb1,gb2,...,gbM,若Cbest的第j个基因gbj取值为k,则将第j个任务调度到第k个计算节点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210724724.5A CN115185655B (zh) | 2022-06-23 | 2022-06-23 | 基于基因频次改进的云计算平台任务调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210724724.5A CN115185655B (zh) | 2022-06-23 | 2022-06-23 | 基于基因频次改进的云计算平台任务调度方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115185655A CN115185655A (zh) | 2022-10-14 |
CN115185655B true CN115185655B (zh) | 2023-05-12 |
Family
ID=83514948
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210724724.5A Active CN115185655B (zh) | 2022-06-23 | 2022-06-23 | 基于基因频次改进的云计算平台任务调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115185655B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103412792A (zh) * | 2013-07-18 | 2013-11-27 | 成都国科海博计算机系统有限公司 | 一种云计算平台环境下的动态任务调度方法及装置 |
CN105740051A (zh) * | 2016-01-27 | 2016-07-06 | 北京工业大学 | 基于改进的遗传算法的云计算资源调度实现方法 |
CN112486651A (zh) * | 2020-11-30 | 2021-03-12 | 中国电子科技集团公司第十五研究所 | 一种基于改进遗传算法的云测试平台任务调度方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103902375B (zh) * | 2014-04-11 | 2017-09-29 | 北京工业大学 | 一种基于改进遗传算法的云任务调度方法 |
CN104811491A (zh) * | 2015-04-17 | 2015-07-29 | 华南理工大学 | 一种基于遗传算法的云计算资源调度方法 |
CN108492025A (zh) * | 2018-03-20 | 2018-09-04 | 合肥工业大学 | 基于混合差分遗传算法的高端装备制造过程协同调度方法 |
CN109800071A (zh) * | 2019-01-03 | 2019-05-24 | 华南理工大学 | 一种基于改进遗传算法的云计算任务调度方法 |
CN112181598B (zh) * | 2020-10-12 | 2022-12-09 | 内蒙古农业大学 | 基于改进遗传算法的云计算任务调度方法 |
-
2022
- 2022-06-23 CN CN202210724724.5A patent/CN115185655B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103412792A (zh) * | 2013-07-18 | 2013-11-27 | 成都国科海博计算机系统有限公司 | 一种云计算平台环境下的动态任务调度方法及装置 |
CN105740051A (zh) * | 2016-01-27 | 2016-07-06 | 北京工业大学 | 基于改进的遗传算法的云计算资源调度实现方法 |
CN112486651A (zh) * | 2020-11-30 | 2021-03-12 | 中国电子科技集团公司第十五研究所 | 一种基于改进遗传算法的云测试平台任务调度方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115185655A (zh) | 2022-10-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Memetic Harris Hawks Optimization: Developments and perspectives on project scheduling and QoS-aware web service composition | |
Zhang et al. | An improved shuffled frog leaping algorithm with cognitive behavior | |
CN102063339B (zh) | 基于云计算系统的资源负载均衡的方法和设备 | |
Liu et al. | Resource-constrained federated edge learning with heterogeneous data: Formulation and analysis | |
CN113778654B (zh) | 基于粒子群优化算法的并行任务调度方法 | |
CN112511346A (zh) | 一种基于可信度筛选的Web服务组合方法 | |
Xiao et al. | A new artificial bee colony based on multiple search strategies and dimension selection | |
Su et al. | An improved genetic algorithm for web services selection | |
CN114461368A (zh) | 一种基于协同果蝇算法的多目标云工作流调度方法 | |
CN115185655B (zh) | 基于基因频次改进的云计算平台任务调度方法 | |
Ahn et al. | Multiple-deme parallel estimation of distribution algorithms: Basic framework and application | |
Guo et al. | Multi-objective combinatorial generative adversarial optimization and its application in crowdsensing | |
Tan et al. | A fast and stable forecasting model to forecast power load | |
Guo et al. | Dependent-chance goal programming for water resources management under uncertainty | |
Madani-Isfahani et al. | An imperialist competitive algorithm for a bi-objective parallel machine scheduling problem with load balancing consideration | |
Wang et al. | Particle-swarm krill herd algorithm | |
Sun et al. | Hybrid cooperative co-evolution algorithm for uncertain vehicle scheduling | |
Yu et al. | Team formation in business process context | |
Zhao et al. | Two-phases learning shuffled frog leaping algorithm | |
Wu et al. | An adaptive brain storm optimization algorithm based on heuristic operators for TSP | |
Xu et al. | An Improved Yin-Yang-Pair Optimization Algorithm Based on Elite Strategy and Adaptive Mutation Method for Big Data Analytics | |
Cheng et al. | A chaotic ant colony optimization method for scheduling a single batch-processing machine with non-identical job sizes | |
Wang et al. | Improved quantum genetic algorithm in application of scheduling engineering personnel | |
Pei et al. | A Surrogate Model Based Genetic Algorithm for Complex Problem Solving | |
Yan et al. | Recent advances in particle swarm optimization for large scale problems |
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 |