摘要：如何采取有效的方法在海量数据、分布性强并且是复杂变化的资源池中进行资源的有效组织、调度和管理是云计算的关键技术之一。常用的计算机虚拟资源调用方法,往往建模复杂,且数理方程描述困难,求解方法复杂。首先研究了云计算虚拟资源调度问题,构建了以云计算集群的负载均衡、任务平均完成时间和成本开销为评价指标的多目标调度模型,应用带精英策略的非支配集排序遗传算法(NSGAⅡ)进行求解。在该算法中引入K均值聚类(KMC)加快外部种群的聚类过程。实验结果证明了用多目标演化算法进行云计算虚拟资源调度的有效性和可行性。

摘要：云环境下存在负载均衡与最优跨度等困难,鉴于此,设计了虚拟资源调度智能优化策略。其充分兼顾云虚拟资源优势,改进了GA中的选择与交叉处理,将最优跨度与负载函数当做双适应度函数,使资源调度效率明显提升。另一方面,该方案还可以从云服务集群获得有效的资源,以充分保障处于负载均衡状态。同时本文还利用Cloud Sim进行仿真测试,研究表明,在大规模任务条件下,该方法可以明显提升调度效率,同时还改善了负载均衡,说明该方法具有较好的有效性。

摘要：为了解决静态资源调度所导致的CPU利用率不高的问题,研究了多目标约束的虚拟资源动态调度方法。给出了云计算虚拟资源调度模型,设计了多目标约束的虚拟资源表示方法,采用马尔科夫链对虚拟资源的下一时刻状态进行预测,从而得到可用资源向量;最后,计算任务与可用资源向量之间的匹配向量,将任务分配给匹配向量中具有最大各维分量之和的虚拟资源进行调度,并提出了具体的采用基于马尔科夫链预测的云计算虚拟资源动态调度算法。实验结果表明:该算法能有效解决云环境下多目标约束的虚拟资源动态调度问题,具有较小的负载均衡离差和任务执行跨度,较其它方法具有较大的优越性。

摘要：资源调度是云计算的一个主要研究方向,本文在研究现有云计算资源调度算法的基础上,为了提高云计算资源的利用率,保持负载平衡,设计了基于卡尔曼预测器的云计算资源调度算法,采用卡尔曼预测器预测虚拟资源下一时刻的状态,由此得到虚拟资源的向量,然后计算任务的代价,建立任务与资源的映射模型,将任务分配到合适的虚拟资源进行调度,避免了盲目调度,提出了基于卡尔曼预测器的云计算资源动态调度的具体算法,最后在云计算仿真平台Cloud Sim上进行仿真实验与分析。仿真实验的结果证明,本文提出的算法在任务执行的跨度和负载均衡离差方面具有一定的优势。