摘要：针对大规模服务选择和组合优化问题,设计了一种工作流调度优化的算法集成框架,通过引入超平面投影划分模型,过滤冗余候选服务,建立Skyline服务数据集,并运用理论证明分析了Skyline模型算法的可行性;然后,采用逆向分层的优化算法,确定初始工作流调度方案;最后,在初始方案的基础上,围绕工作流截止期,提出权值迭代优化计算方法,通过逐步优化工作流调度模型,从而获得费用最优方案.仿真实验结果表明,提出的跨组织工作流调度优化算法具有良好的效率与正确性,为解决大规模服务的选择和组合优化问题,提供了一种新的实用解决方案,具有重要的应用价值.

摘要：为实现云工作流调度的多目标最优化,提出一种协同进化多群体优化调度算法。以执行跨度、代价和能耗同步最优化为目标,建立基于激素的协同进化多群体优化模型;通过多群体方式,使每个群体通过多目标粒子群优化寻找单目标非占优解;为避免局部最优,粒子进化中,引入激素激励机制和多群体竞争与协作机制,得到多目标最优解。通过仿真实验,与多目标调度算法MOHEFT和CMPSO作分析比较,结果表明,该算法在综合性能上实现了更好的Pareto最优解,具有更好的有效性和可行性。

摘要：为满足云工作流实例的多样化需求,根据工作流的特点和云环境中资源部署结构,建立多服务质量指标的云工作流调度模型。对蚁群算法进行改进,解决其收敛速度慢、易陷入局部最优等缺点。利用用户对服务质量不同程度的偏好,引入云任务优先次序启发式规则,提出一种基于服务质量的云工作流调度算法(SPACO)。在Cloud Sim平台上,对云工作流调度模型和算法进行仿真分析,将仿真结果与基本蚁群算法(ACO)、改进的蚁群算法(PACO)进行比较,其结果表明该算法能缩短执行时间、降低能耗成本,验证了该模型的可行性和算法的有效性。

摘要：为了优化云工作流应用的调度效率与代价,提出基于改进樽海鞘群算法的工作流调度策略。建立截止时间与预算约束的多目标优化模型,利用樽海鞘觅食的位置变化对工作流调度进行编解码,设计融合执行跨度与执行代价的权重适应度函数。为了增强樽海鞘群的寻优性能,引入基于疯狂算子的领导者更新模式,通过疯狂变量,减少领导者更新的停滞早熟现象;引入遗传算子的追随者更新模式,利用个体交叉和变异使樽海鞘群具有更均衡的搜索全局性和个体多样性,避免陷入局部最优。结果证明,改进樽海鞘群算法可以有效提升计算精度和收敛速度;应用于工作流调度求解后,其调度解收敛性更好,调度解集空间分布更加一致。

摘要：针对目前云计算服务中用户体验的要求不断提高,工作流业务繁多且复杂的现状,本文为了改善工作流中各子任务执行效率不平均以及计算资源利用率低的问题,通过云工作流仿真环境,结合群体智能优化算法理论,根据科学工作流模型,创建任务集合,提出一种改进粒子群优化算法(PSO)用以优化工作流中任务调度策略,并进行仿真。仿真结果表明,本文提出的改进粒子群优化算法,与模拟退火粒子群优化算法(SA-PSO)对比,特别在面对云工作流节点多而复杂的情况时,执行成本可以减少20%,调度效果更好。

摘要：针对现有的云计算工作流调度方法侧重于节能和可靠性等方面进行研究,忽略了安全性约束的要求,设计了一种基于协同禁忌算法的具有安全型约束的能实现云计算工作流高效调度的方法;首先,定义了云计算工作流调度的DAG图,对安全性约束进行了形式化描述,并建立了云计算工作流调度的数学模型;然后,在经典的协同禁忌算法的基础上,通过设计解的编码方式、适应度函数、变邻域结构和双禁忌表,实现对经典的协同禁忌算法进行改进;最后,定义了基于改协同禁忌算法实现对云计算工作流调度的具体算法;在云计算的仿真环境Cloud-Sim下进行实验,实验结果证明了文中方法不仅具有较快的收敛速度,而且能寻求到比其它方法更优的调度方案,能满足安全性约束要求,是一种可行实用的调度方法。

摘要：移动边缘计算环境下,用户可将本地的计算密集型任务卸载至边缘服务器,从而缩短工作流的完工时间并节省设备能耗。然而,许多研究忽略了用户移动导致的网络连接变化对工作流调度的影响。针对现有算法中存在的卸载不合理问题,文中提出了基于移动感知的工作流调度算法MaWS。该算法通过预测用户移动轨迹得出未来可通信的基站集合,并融入遗传算法,制定合理的任务执行顺序和执行位置。仿真结果表明,相比HEFT和Greedy等算法,MaWS算法能够有效缩短10%~15%的工作流完工时间并降低8%~13%的设备能耗,为移动边缘计算下的工作流调度提出一种有效方案。

摘要：目前自动驾驶推理任务调度中要解决的关键问题是如何在不同的时间窗内,让实时推理任务满足可容忍时间约束的前提下,在相应的处理设备上被调度执行完成.在不同时间窗内,依据边缘节点的数量变化以及推理任务的不同,设计了一种边缘环境下基于强化学习算法的工作流调度策略.首先,利用推理任务工作流调度算法计算任务的完成时间;其次,采用基于模拟退火的Q学习算法(Q-learning based on simulated annealing,SA-QL)来优化推理任务的完成时间;最后,从可行性、收敛性、有效性和探索性四个角度来体现基于模拟退火的强化学习算法(Reinforement learning based on simulated annealing,SA-RL)和粒子群优化算法(Particle Swarm Optimization,PSO)的性能差异.实验结果表明,模拟退火的强化学习算法和粒子群优化算法都具有可行性和有效性,单步时序差分算法(TD(0))具有更强的探索性,多步时序差分算法(TD(λ))具有更强的收敛性.

摘要：云工作流系统研究集中在工作流任务执行的时间效率优化,然而时间最优的任务调度方案可能存在不同能耗,因此,文中求解满足时间约束时能耗最优的调度方案.首先改进任务执行能耗模型,设计适用于评价任务调度方案执行能耗的适应度计算方法.然后基于精准调整粒子速度的自适应权重,提出解决任务调度能耗优化问题的自适应粒子群算法.实验表明,文中算法收敛稳定,调度方案执行能耗较低.

摘要：为了优化云环境中预算约束下的科学工作流调度问题,提出一种工作流均衡调度算法BDWTS.算法以满足工作流预算约束并同步优化执行代价和执行时间为目标,将工作流调度划分为四个阶段:工作流分级、预算分割、任务选择和实例选择.工作流分级通过自顶向下的方式对所有工作流任务进行分级,预算分割中设计了六种用户预算在不同工作流分级上的子划分方法,任务选择通过最早开始时间原则选择优先的调度任务,实例选择则综合考虑时间因子和代价因子选择最优执行资源.通过仿真实验,证明了算法可以在预算约束下得到降低工作流执行时间和代价的均衡调度方案.