摘要：为解决云环境中科学工作流调度的代价优化问题,提出一种满足截止时间约束的工作流调度代价最优化遗传算法CODC-GA。设计新的工作流任务调度编码方式和种群初始化策略,为满足种群多样性,定义种群个体的遗传交叉和变异操作,优化遗传搜索方向和空间,利用符合工作流调度目标特征的适应度评估标准对进化个体做最优选择。实验结果表明,该算法在截止时间约束满意度、降低执行时间和执行代价方面均优于其它算法。

摘要：为了实现云计算环境中工作流调度的执行时间与代价的均衡优化,提出了一种截止时间与预算双QoS约束条件下的工作流均衡调度算法。该算法将最优调度方案的求解过程划分为两个阶段:资源分级调度阶段和任务分级调度阶段。资源分级调度阶段中,算法通过任务升秩值定义任务优先级,并将任务按升秩值排序后为任务选择满足双QoS约束的适合资源集;进一步,在任务分级调度阶段,算法定义了4条满足时间/代价均衡的最优资源选择规则,进而得到最优工作流调度方案。通过设计算例,详细阐述了新算法的思想。最后,通过现实科学工作流的仿真测试,将所提算法与同类算法进行了性能比较。结果表明,在不同紧密程度的约束条件下,所提算法在调度代价、调度时间和调度成功率等指标上均表现出更优的性能,可以有效实现均衡调度。

摘要：为了解决云环境中工作流调度的可靠性问题,提出了一种基于可靠性驱动信誉度模型的工作流调度遗传算法RDR-GA。算法以工作流执行跨度makespan与可靠性最优化为目标,设计了一种基于时间依赖的可靠性驱动信誉度模型,通过该模型可以有效评估资源可靠性。同时,为了寻找遗传最优解,算法设计了新的遗传进化和评估机制,包括:以进化算子对调度解中的任务—资源映射进行遗传进化;以两阶段MAX-MIN策略评估并决定调度解的任务执行序列。仿真实验结果表明,满足可靠性驱动的信誉度算法不仅能够以更精确的信誉度改善工作流应用执行可靠性,而且能够以比同类遗传算法更快的收敛速度得到进化更优解。

摘要：为了解决云计算环境中科学工作流的调度优化问题,提出一种基于化学反应优化与蚁群优化融合的调度算法。在传统化学反应优化的基础上,设计四种分子化学反应操作,不仅增加种群分子的多样性,还能以较快的速度获得调度问题的候选解。为了提高前一化学反应优化阶段中调度解的质量,利用修正的蚁群优化机制对调度解进行精炼。通过两种优化机制的融合最终得到在截止时间约束时工作流调度问题的最优解。仿真结果表明,通过设置硬约束和软约束的截止时间条件,该算法在截止时间约束满意度、降低执行时间和执行代价方面均优于对比算法。

摘要：针对云工作流调度优化问题,提出一种基于预算约束和截止时间敏感的高能效工作流调度算法ESDWB。利用最长路径计算任务优先级,在满足剩余预算的前提下选择目标虚拟机;在不影响工作流执行跨度和预算约束的情况下,利用动态电压/频率调整方法DVFS扩展任务完成时间,进一步降低工作流的整体执行能耗。利用4种科学工作流结构进行仿真实验,其结果验证了ESDWB算法在满足预算约束的同时,还可以有效降低截止时间违例,减少工作流调度能耗,实现高能效任务调度。

摘要：针对云工作流调度问题,提出一种融合遗传算法和粒子群优化算法的工作流调度负载均衡算法。充分利用多元启发式方法融合的优势,避免遗传算法的收敛过慢和粒子群算法易于陷入局部最优的缺陷,有效将工作流任务映射至虚拟机资源,实现全局工作流执行跨度最小化和虚拟机分配的负载均衡。以算例详细说明算法实现思路,在现实科学工作流条件下进行仿真测试,验证算法性能。与几种单一元启发式调度方法相比,验证该算法拥有更高执行效率和负载均衡度。

摘要：针对当前广泛使用的云计算工作流调度方法过多侧重于可靠性和节能等方面的优化,而忽略安全性约束要求,基于协同禁忌算法设计了一种能实现云计算工作流高效调度的方法,该方法具有安全性约束。首先对云计算工作流调度的DAG图进行定义,形式化描述安全性约束,建立云计算工作流调度的数学模型;然后基于经典的协同禁忌算法设计解的编码方式、适应度函数、变邻域结构和双禁忌表,改进了经典的协同禁忌算法;对基于该协同禁忌算法实现对云计算工作流调度的算法进行定义;最后基于云计算仿真环境Cloud-Sim进行了实验,实验结果表明,所设计的算法收敛速度较快,且其较快地寻找到了相对于其他方法更佳的调度方案,符合安全性约束要求,是一种实用的调度方法。

摘要：为了实现云环境中科学工作流调度的执行跨度和执行代价的同步优化,提出了一种多目标最优化进化遗传调度算法MOEGA。该算法以进化遗传为基础,定义了任务与虚拟机映射、虚拟机与主机部署间的编码机制,设计了满足多目标优化的适应度函数。同时,为了满足种群的多样性,在调度方案中引入了交叉与变异操作,并使用启发式方法进行种群初始化。通过4种现实科学工作流的仿真实验,将其与同类型算法进行了性能比较。结果表明,MOEGA算法不仅可以满足工作流截止时间约束,而且在降低任务执行跨度与执行代价的综合性能方面也优于其他算法。

摘要：为了同步考虑用户的任务QoS需求和云资源提供方的收益,提出一种云环境中满足帕累托最优的多目标最优化DAG(Directed Acyclic Graph)粒子群算法MODPSO(Multi-objective DAG Particle Swarm Optimization)。综合考虑任务执行跨度、执行代价与执行能耗的三目标同步最优化,设计基于DVFS的离散PSO调度优化方法。重新定义PSO的种群粒子进化过程和更新规则,进而得到多目标优化工作流调度解。通过人工合成工作流和现实科学工作流进行仿真测试,并对算法性能进行分析。结果表明,该算法可以通过非支配集的方式实现冲突多目标的调度优化求解。在满足用户QoS的同时,得到最优解的Pareto边界集,实现调度性能与系统能耗的均衡。

摘要：人工智能的巨大市场需求极大地促进了云计算的发展.随着公用云定价模式的逐渐成熟,预算成本约束已成为异构云计算系统中大型工作流科学应用设计调度策略首要考虑的问题.本文基于异构云计算系统,提出一种预算成本约束下高效的工作流任务调度算法(ESBL).ESBL算法根据给定的工作流任务集及预算成本,首先确定各任务的执行优先级及预算等级成本;然后根据给定的虚拟器集群决定该任务集中关键路径对应的关键虚拟机节点;最后将任务映射至虚拟机,优先保证关键路径上的任务分配至关键虚拟机节点,其它任务节点按照更新的预算成本选择最佳虚拟机.ESBL算法既保证了任务集遵循约束条件,又最大限度地根据任务的优先等级预留计算成本.在真实并行应用的实验中,与著名的预算等级最小化调度长度算法相比,ESBL在不增加实际计算成本的前提下,工作流的调度长度可以降低12.11%-17.22%.