基于改进蝙蝠算法的云计算任务调度研究

乔良

Chinese

您当前的位置：

首页 >

文章列表页 >

基于改进蝙蝠算法的云计算任务调度研究

更新时间：2026-09-04

- 基于改进蝙蝠算法的云计算任务调度研究
- Cloud Computing Task Scheduling Based on Improved Bat Algorithm
- 微电子学与计算机 2017年34卷第7期页码：27-32
- 作者机构：
  
  华北科技学院机构计算机学院,河北,三河,065201
- 作者简介：
- 基金信息：
  
  国家自然科学基金青年科学基金项目 61402183中央高校基本科研业务费专项资金 3142013073
- DOI：
  中图分类号：
- 纸质出版：2017
- 稿件说明：
移动端阅览
乔良. 基于改进蝙蝠算法的云计算任务调度研究[J]. 微电子学与计算机, 2017, 34(7): 27-32.

QIAO Liang. Cloud Computing Task Scheduling Based on Improved Bat Algorithm[J]. 2017, 34(7): 27-32.
乔良. 基于改进蝙蝠算法的云计算任务调度研究[J]. 微电子学与计算机, 2017, 34(7): 27-32. DOI：

QIAO Liang. Cloud Computing Task Scheduling Based on Improved Bat Algorithm[J]. 2017, 34(7): 27-32. DOI：

摘要

针对云计算虚拟机调度中存在的资源分配不均衡

蝙蝠算法收敛速度慢、寻优精度不高等缺点

提出了一种基于K-means和蝙蝠算法的云计算虚拟机调度算法.利用K-means聚类对蝙蝠种群数据进行初始化

提高初始样本数据解的质量; 利用Powell局部搜索算法对当前最优解进行局部搜索

提高收敛速度和精度; 利用改进蝙蝠算法对虚拟机进行分配时

充分利用物理机上的资源

达到了最优化目标.仿真实验表明

与其他标准蝙蝠算法和粒子优化算法相比

本文改进的算法有较快的收敛速度和较高的寻优精度; 在虚拟机调度中

本文改进的调度算法与K-means均值调度算法相比

在物量节点的数量降低了12%左右

在系统资源综合利用率上平均提高了11%左右.

Abstract

For cloud computing resource allocation imbalance exists in the virtual machine scheduling

bat algorithm slow convergence speed and optimization accuracy is not high shortcomings

a method is proposed for calculating the virtual machine scheduling algorithm and K-means algorithm based on cloud bat. Algorithm using the K-means clustering initialized to bat population data

improve the quality of the initial solution of the sample data; By Powell local search algorithm for the optimal solution for the current local search and improve the convergence speed and accuracy; when using the improved bat algorithm to allocate the virtual machine

algorithm make full use of the resources on the physical machine to achieve the optimization goal.Simulation results show that the improved algorithm has faster convergence speed and higher searching accuracy compared with other standard bat algorithm and particle swarm optimization algorithm; in the virtual machine scheduling

this paper improves the scheduling algorithm compared with the K-means mean scheduling algorithm

the number of the physical quantity node is reduced by about 12%

and the comprehensive utilization rate of system resources is increased by about 11%.

关键词

Keywords

references

李煜, 马良. 新型全局优化蝙蝠算法[J]. 计算机科学, 2013, 40(9): 225-228. DOI: 225

金伟健, 王春枝. 基于蝙蝠算法的云计算资源分配研究[J]. 计算机应用研究, 2015, 32(4): 1184-1187. DOI: 1184

冯辉宗, 彭丹, 袁荣棣. 基于PSO-SVM的发动机故障诊断研究[J]. 计算机测量与控制, 2014, 22(2): 355-357. DOI: 355

UK Yang X S. Nature inspired meta-heuristic algorithms[M]. 2nd ed. UK: Luniver Press, 2010: 97-104. DOI: 97

Lin W, Qi D. Research on resource self-organizing model for cloud computing[C]//Internet Technology and Applications, 2010 International Conference on. Wuhan, China, IEEE, 2010: 1-5.

肖鹏, 刘洞波, 屈喜龙. 云计算中基于能耗比例模型的虚拟机调度算法[J]. 电子学报, 2015, 43(2): 305-310. DOI: 305

李煜, 马良. 新型全局优化蝙蝠算法[J]. 计算机科学, 2013, 40(9): 225-227. DOI: 225

Bawa R K, Sharma G. Modified min-min heuristic for job scheduling based on QoS in Grid environment[C]//IEEE International Conference on Information Management in the Knowledge Economy. India, Chandigarh, 2013: 166-171.

Chen H K, Wang F, He L N, et al. User-priority min-min scheduling algorithm for load balancing in cloud computing[C]//2013 National Conference on Parallel Computing Technologies. India, Bangalore, 2013: 1-8.

李乔, 郑啸. 云计算研究现状综述[J]. 计算机科学, 2011, 38(4): 32-37. DOI: 32

徐文忠, 彭志平, 左敬龙. 基于遗传算法的云计算资源调度策略研究[J]. 计算机测量与控制, 2015, 23(5): 1653-1656. DOI: 1653

全雪姣, 孟凡荣, 王志晓. 对k-mean初始聚类中心的优化[J]. 计算机工程与设计, 2011, 31(8): 165-167. DOI: 165

庄威, 桂小林, 林建材, 等. 云环境下基于多属性层次分析的虚拟机部署与调度策略[J]. 西安交通大学学报, 2013, 47(2): 28-32. DOI: 28

袁爱平, 万灿军. 云环境下基于改进遗传算法的虚拟机调度策略[J]. 计算机应用, 2014, 34(2) : 357-359. DOI: 357

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

一种基于SURF和BRIEF的图像配准算法

基于柯西变异的蚁狮优化算法

混合细菌觅食和粒子群的k-means聚类算法

基于改进K-means算法的海量数据分析技术研究

基于距离阈值及样本加权的K-means聚类算法