基于可用性任務(wù)調(diào)度問(wèn)題的粒子群算法研究與實(shí)現(xiàn).pdf

1、隨著計(jì)算機(jī)技術(shù)的不斷發(fā)展,分布式異構(gòu)系統(tǒng)開(kāi)始越來(lái)越多地用在大型復(fù)雜問(wèn)題的解決方案里。該系統(tǒng)把網(wǎng)絡(luò)中的計(jì)算機(jī)、工作站等計(jì)算資源整合到一起,使之實(shí)現(xiàn)全系統(tǒng)內(nèi)的資源共享,通過(guò)高效的資源管理和任務(wù)調(diào)度技術(shù)使系統(tǒng)達(dá)到高性能。然而這些資源是有限的,為了讓有限的資源能夠盡量滿足需要,就必須要合理的利用資源,盡可能的降低系統(tǒng)的開(kāi)銷。任務(wù)調(diào)度技術(shù)是使系統(tǒng)達(dá)效的關(guān)鍵性技術(shù)之一。在一般情況下的任務(wù)調(diào)度問(wèn)題屬于NP完全問(wèn)題,很難在合理時(shí)間內(nèi)探求其精確解,因此目

2、前主要是用伺機(jī)載入平衡(Opportunistic Load Balancing)、最小完成時(shí)間(Minimum Completion Time)、模擬退火(Simulated Annealing)、禁忌搜索(Tabu Search)、遺傳算法(Genetic Algorithm)、神經(jīng)網(wǎng)絡(luò)(neural networks),極小算法(Min-min),極大極小算法(Max-min)等算法來(lái)求該問(wèn)題的近似最優(yōu)解。
　　 粒子群算

3、法是從鳥(niǎo)類的群體覓食行為中得到啟發(fā),基于人工生命和演化計(jì)算理論而提出的一種智能優(yōu)化算法,它同時(shí)保留和利用了位置與速度信息,在大多數(shù)情況下都能很快收斂于最優(yōu)值。由于粒子群算法思想直觀、實(shí)現(xiàn)簡(jiǎn)單而且具有很高的執(zhí)行效率,現(xiàn)在已經(jīng)被作為一個(gè)獨(dú)立的分支,與遺傳算法、進(jìn)化規(guī)劃等進(jìn)化算法相提并論。近十年內(nèi)粒子群算法被廣泛地應(yīng)用于優(yōu)化計(jì)算、神經(jīng)網(wǎng)絡(luò)以及人工智能等多個(gè)領(lǐng)域?？捎眯允欠植际疆悩?gòu)系統(tǒng)的一個(gè)基本性能參數(shù)。它是指節(jié)點(diǎn)有效計(jì)算時(shí)間在其整個(gè)運(yùn)行時(shí)間中

4、所占的比率。本文在現(xiàn)有粒子群算法的設(shè)計(jì)框架下,結(jié)合遺傳算法里的輪盤(pán)賭選擇來(lái)改進(jìn)基本粒子群算法,同時(shí)還對(duì)粒子群算法中的編碼,適應(yīng)度函數(shù)進(jìn)行研究,以形成算法的整體思想,來(lái)對(duì)任務(wù)調(diào)度問(wèn)題中的可用性問(wèn)題進(jìn)行了深入研究。首先,我們假設(shè)任務(wù)之間是相互獨(dú)立的,不同節(jié)點(diǎn)的可用性與計(jì)算能力各異,且不同任務(wù)在不同節(jié)點(diǎn)上的可用性的要求也不同。然后提出一個(gè)基于粒子群算法的任務(wù)調(diào)度算法對(duì)分布式異構(gòu)系統(tǒng)可用性做有效改進(jìn)。最后,采用實(shí)驗(yàn)?zāi)M工具SimGrid,對(duì)本文