共查询到20条相似文献，搜索用时 15 毫秒
1.
针对传统的蚁群算法在云计算中存在任务调度效率低的问题,本文将共生演算法引入到蚁群算法中,首先将蚁群算法分解为2个子群,并使用共生演算法中的共生,共栖和寄生虫机制避免了算法陷入局部最优,加速了算法获得最优解,在云计算调度仿真中,基于蚁群算法-共生演算法在虚拟机负载均衡、任务完成时间,任务完成成本等方面都有良好的表现,说明本文算法能够有效的提高云计算任务调度效率。 相似文献
2.
3.
《科技通报》2015,(10)
移动云计算成为一种新兴的数字信息处理技术,是移动通信数据信息处理的重要工具。在移动云计算中,对路由转发分簇簇间的波动离散数据进行量化处理是提高云计算并行数据分析效率的关键。传统方法采用时延估计方法进行量化处理,当用户信道分配出现时滞时,量化性能较差。提出一种基于贝叶斯粗糙集估计的移动云计算簇间波动离散数据均匀量化算法。构建移动云计算数据分簇模型和信道模型,进行波动离散数据采集,按照Logistic模式选择路径,得到移动云计算簇间波动离散数据均匀量化的最优概率密度,构建贝叶斯粗糙集均匀量化优化目标函数,实现算法改进。仿真结果表明,采用该算法能有效实现对移动云计算簇间波动离散数据的特征分类,对波动离散数据的量化效果较好,从而提高了云计算的并行计算效率。 相似文献
4.
5.
在计算机多分簇任务执行中,由于初始能量有限,需要对网络分簇能耗进行优化分配,提高任务执行效率。提出基于剩余能量相干均衡的网络分簇能耗双阈值分配算法,算法考虑了节点当前能量、簇成员数量、簇首与节点间距离,设计了能耗指导的分布式网络能量采集和消耗均衡模型,采用收敛性度量值进行路由分配,实现能耗的双阈值分配,在系统的全局任务调度中心将所有任务进行融合,输入系统总调度器,设计剩余能量相干均衡算法,构建能耗分配的双阈值模型,实现网络分簇能耗双阈值分配。实验结果表明,算法能够降低任务调度关键路径延时,提高low-Vt单元使用率,降低相干功耗,形成最优化能耗管理输出,使得系统更加稳定。 相似文献
6.
7.
8.
《科技通报》2015,(12)
研究云计算环境下的大型智能交通调度问题。云计算环境下的大型智能交通网络在进行车辆调度的过程中,由于运算量过于庞大,造成交通调度效率降低,运输成本增加。利用传统的遗传算法进行交通调度的过程中,无法避免由于早熟和停滞的现象造成的影响,难以搜索到最优交通路线,从而降低了交通调度的效率。为此,提出一种基于神经网络算法的大型智能交通调度方法,根据约束条件建立神经网络模型,确定各神经层中神经元的输入与输出关系式,从而得到基于神经网络算法的最优交通调度方案。实验结果表明,利用改进算法进行云计算环境下的大型智能交通调度,缩短了交通调度完成时间,提高了交通调度效率,效果令人满意。 相似文献
9.
针对现阶段提出的虚拟机资源迁移算法大多只考虑物理服务器的电能消耗,过于注重减小电能消耗,大多把重点放到如何减小数据处理量而忽略了云计算平台的使用性能以及过于注重平台性能而对能量消耗方面考虑欠佳等问题,本文提出一种改进的云平台数据中心虚拟机资源迁移算法,该算法在虚拟机迁移阶段综合考虑多种因素,并建立合适的数学模型加以优化分析,最终得到最优的虚拟机资源迁移方案。仿真实验结果表明,本本文提出的改进的云平台数据中心资源调度算法能够有效减小服务器电能消耗,提高了稳定性以及时间效率。 相似文献
10.
针对传统的蚁群算法在海量案例检索应用中,由于冗余案例数据的干扰,算法易陷入局部最优解而不能对解空间进行全面搜索的缺陷,将具有快速良好的全局搜索能力的遗传算法加入到蚁群系统的每一次迭代过程中,提出了一种融合遗传算法和蚁群算法的案例检索算法,对案例进行聚类处理,建立案例映射模型,克服了蚁群算法的缺陷.实验结果表明,利用本文提出的遗传蚁群算法进行案例检索,能够有效地提高案例检索的效率,取得了令人满意的效果. 相似文献
11.
《科技通报》2017,(2)
Adhoc的组播路由问题需要考虑延迟、带宽、费用和丢包率等服务质量约束的问题,其本质是一个NP问题。本文将人工蜂群算法和粒子群算法进行混合,在蜂群算法的蜜源更新的公式中引入柯西分布,能够帮助探路蜂跳出局部最优,提高产生全局最优解的速度,使用列维飞行可以减少寻找优化解的时间,在粒子群算法中采用自适应参数变换的思想,加速了产生种群的最优解。本文算法应用在Ad Hoc网络的组播路由算法中,在满足Qo S约束函数的前提下,降低了产生路由最优解的费用,缩短了时间。仿真实验说明本文的算法与基本的人工蜂群算法和粒子群算法相比在网络时延,网络消耗费用,网络成本和丢包率方面具有很好的效果。 相似文献
12.
基于动态趋势预测蚁群算法的云计算资源调度优化研究 总被引：4，自引：0，他引：4
《科技通报》2016,(1)
当前,计算机性能日益提高,人们的计算需求也日益增加,在这样的背景下,以往的计算方式已经不能满足人们的计算需求,随着云计算的出现,这一现象才得以缓解,但是就目前而言,云计算也存在许多缺陷与不足,例如资源调度资源占用多且响应速度慢等。本文以此为着眼点,设计了一种以动态趋势预测蚁群算法为基础的云计算资源调度优化研究。这一算法在具体实施过程中运用动态趋势预测以及蚁群算法相加的办法,借助虚拟机迁移实现资源的预留,并可以借助动态趋势预测方法来对数据中心负载变化实现预测,并且通过减小值的调整来实现具体操作。通过实验表明,本文所提出的将动态趋势预测和蚁群算法相结合的算法能够有效的提高数据中心的性能,加强响应速度和计算的精确度。 相似文献
13.
提出一种基于竞争关联优化的无线网络入侵图谱种类划分方法。在大量检测热点中,通过竞争关系,选取无线网络簇头,利用加入竞争因子的蚁群方法,对无线网络入侵的种类进行分类处理。实验结果表明,利用本文算法能够对无线网络的各种入侵进行图谱分簇处理,从而有效提高无线网络通信的安全性。 相似文献
14.
针对粒子群算法在云计算任务调度中存在效率低等问题,提出在将鸡群算法引入到粒子群算法中,将粒子的分布按照鸡群算法中的公鸡,母鸡和小鸡来进行区分,同时对粒子的学习因子进行了改进,有效的避免算法陷入局部,收敛速度快的缺点,在云计算仿真平台中,将本文算法与粒子群算法,鸡群算法在虚拟机负载均衡,消耗成本和完成时间上进行对比都取得了一定的优势,说明本文算法能够有效的提高云计算任务调度效率。 相似文献
15.
16.
《科技通报》2017,(12)
资源调度是云计算的重要问题之一,调度策略对云系统性能及运营成本产生直接影响。为了更好满足用户需求,在云计算环境下对多样性资源,提出一种考虑性能及信任需求混合遗传和蚁群思想的负载均衡高效调度方法。依据云计算虚拟性和弹性化要求,提出二级调度策略,先从用户应用程序至虚拟机调度,按照用户多样化需求,将任务性能需求及信任需求作为考量情况,分别通过综合性能效益参数值及综合信任效益参数值描述用户性能需求和信任需求。第二级调度为将任务配置给虚拟资源,基于遗传和蚁群思想,将分类后的任务个体根据适度值大小排序,选取全局最优初始值,通过蚁群搜索获得局部最优解,从而完成多样性资源负载均衡调度过程。仿真实验证明,运用文中资源负载均衡调度方法能够提升云计算系统资源利用效率。 相似文献
17.
蚁群算法是通过模拟蚂蚁觅食而发展出的一种新的启发式算法但是开始的时候信息素缺乏,收敛速度慢一直是蚁群算法的不足。针对该问题,提出加权蚁群算法,它利用传统蚁群算法最优路径的特点,对每个城市分别加权,然后从比较离散的点开始进行寻优。节省了在不可能构成最优路径上的计算时间,提高了运算速度。计算机仿真结果表明,该文算法改进了标准蚁群算法的效率和计算结果的质量。 相似文献
18.
提出一种抗浪涌电压干扰的电力设备故障挖掘算法,针对故障数据集合中的数据敏感性下降问题,运用故障类间数据的相似性,计算故障之间的类间相似特征。将相似度较高的数据分配到同一个类簇,在运用遗传算法进行特征分类寻优,保证最优解的唯一性,排除故障数据受到干扰造成的检测弊端。实验证明,该方法可以很好的解决浪涌干扰下的电力设备故障挖掘效率,与引入前相比,挖掘的结果更加准确,鲁棒性较强。 相似文献
19.
为了提高车牌自动识别的正确率,提出一种基于蚁群算法优化特征子集和识别器参数的车牌自动识别模型。首先提取车牌轮廓、笔画和灰度特征,然后利用蚁群算法选择最优特征子集,最后采用支持向量机建立车牌自动分类器。仿真结果表明,该模型能够有效特征集中的消冗余和无用特征,快速找到最优车牌特征子集,提高了车牌自动识别正确率和效率,是一种可靠、有效的车牌自动识别方法。 相似文献