导读:本文包含了任务调度策略论文开题报告文献综述及选题提纲参考文献，主要关键词:云计算,任务调度,差分进化,时间
任务调度策略论文文献综述
林涛,王昊,李鹏[1]（2019）在《基于改进差分进化算法的云计算任务调度策略》一文中研究指出针对传统云计算资源调度策略存在资源利用率低等缺陷,提出了一种基于改进差分进化算法的云计算任务调度算法(LADE)。首先建立云计算任务调度问题的数学模型,然后采用差分进化算法对目标函数进行求解,并引入自适应的放缩因子和交叉算子进行改进,使算法更符合最优解的求解规律,有效地避免陷入局部最优解和"早熟"的缺陷。仿真实验表明:LADE算法具有更强的全局搜索能力,不仅解决了传统资源调度算法存在的缺陷,而且大幅减少了云计算任务的完成时间和执行能耗。(本文来源于《传感器与微系统》期刊2019年09期）
胡志刚,常健,周舟[2]（2019）在《面向云环境中任务负载的粒子群优化调度策略》一文中研究指出随着云环境中任务规模的不断扩大,云计算中心高能耗问题变得日益突出.如何解决云环境中任务分配问题从而有效降低能耗,本文提出了一种改进的粒子群优化算法(Modified Particle Swarm Optimization,M-PSO).首先构建出一个云计算能耗模型,同时考虑处理器的执行能耗和任务传输能耗.基于该模型,对任务分配问题进行定义描述,并采用粒子群优化算法对问题进行求解.此外,构建动态调整的惯性权重系数函数以克服标准PSO算法的局部最优和收敛速度慢的问题,有效提高系统性能.最后通过仿真实验对该算法模型的性能进行了评估,结果表明M-PSO算法与其他算法相比能有效地降低系统总能耗.(本文来源于《湖南大学学报(自然科学版)》期刊2019年08期）
苟英,李冀明,魏星[3]（2019）在《边缘计算的物联网深度学习及任务卸载调度策略》一文中研究指出为解决物联网深度学习模型的网络性能和隐私问题,提出一种边缘计算的物联网深度学习应用及任务卸载策略,以优化网络性能,保护数据上传中的用户隐私。深度学习的多层结构适用于边缘计算,边缘节点上传缩减的中间数据,因此减少了从物联网设备到云服务器的网络流量。考虑到边缘节点有限的服务能力,提出一种边缘计算环境中最大化任务数量的卸载调度策略,优化边缘计算的物联网深度应用性能。实验结果表明,该策略能够在边缘计算环境中执行多个深度学习任务,并且性能优于其他物联网深度学习优化解决方案。(本文来源于《计算机应用与软件》期刊2019年08期）
潘晓衡,赵铁柱[4]（2019）在《网格计算技术及其任务调度策略》一文中研究指出本文对现有的网格计算任务调度算法进行了深入而详细的阐述,为网格计算任务调度算法研究提供支持。(本文来源于《电子测试》期刊2019年11期）
刘洋[5]（2019）在《云环境下基于多目标优化的任务调度策略研究》一文中研究指出任务调度策略则是云计算面对的一个不可避免的问题,良好的系统运行效率和较高的用户满意度需要一个较好的任务调度策略来支撑。在这种情况下,如何优化云计算中的任务调度策略来提高系统的运行效率和用户的满意度一直是云计算领域的研究热点和难点。目前,云计算中的任务调度策略种类较多,但大多数算法优化目标比较单一,以负载均衡、任务完成时间、成本或者能耗四个目标中的一个为优化目标的算法占多数。多目标优化的调度策略比如:以任务完成时间、成本和负载均衡叁者共同作为优化目标的算法还比较少,也不够深入和全面。此外,蚁群算法在解决NP-hard问题方面应用比较广泛,而云计算任务调度就是这方面的问题。但是标准的蚁群算法具有容易陷入局部最优、在缺乏初始信息素的情况下收敛速度较慢等问题,经过改进的蚁群算法在应用到云计算任务调度的时候也具有优化目标单一的问题,将任务完成时间、任务完成成本和负载均衡叁者作为共同的优化目标的蚁群算法还比较少。本文在对蚁群算法和现有的任务调度模型进行调研分析后,提出了一种以负载均衡、成本和任务完成时间为优化目标并结合蚁群算法的任务调度策略。对叁个目标分别进行建模,归一化处理之后采用线性加权和法构造目标函数,将叁个目标转换为单一目标。之后,引入前人对信息素Q动态自适应的思想,结合构造的目标函数对蚁群算法的信息素更新策略进行改进,然后在期望启发函数中融入任务等待时间因素,来避免蚁群算法陷入局部最优并改善了其负载均衡指标。通过CloudSim仿真平台对提出的算法进行实验验证,实验结果表明,本文提出的基于蚁群算法的多目标优化任务调度策略在负载均衡、成本和任务完成时间指标上有一定的提升。(本文来源于《重庆邮电大学》期刊2019-06-02）
顾琳[6]（2019）在《移动边缘中任务卸载机制及资源调度策略的研究》一文中研究指出移动边缘计算(Mobile Edge Computing,MEC)作为云计算到边缘网络的拓展,成为网络转型驱动力之一。通过将计算能力下沉到分布式基站,在更靠近计算能力和电池寿命都有限的移动终端附近为其提供云计算能力,并满足其不同资源密集型和时间敏感型应用服务请求。任务卸载是移动终端设备利用边缘云计算能力增强任务处理能力,降低时间、能量开销的常用手段。将不同应用程序的虚拟机副本(Virtual Machine Replica Copy,VRC)合理部署在多个MEC服务器的边缘网络是实现MEC为移动终端提供不同应用程序资源服务的有效方式。现有的移动边缘计算研究中,任务卸载策略主要集中考虑计算资源的卸载决策来降低设备消耗及系统开销,而考虑通信资源的分配以提高系统总效能的较少。因此,设计一种结合无线通信资源和计算资源的任务卸载策略,以期最大化系统效能,对移动边缘计算的实际发展具有重要的理论意义;现有的应用程序在边缘网络中的资源布置策略,主要集中在应用程序的虚拟机资源在移动边缘计算平台内部的布置,而考虑将其虚拟机副本资源在基站边缘服务器侧部署,更好贴近用户侧,考虑用户请求分布的较少。因此,设计一种多应用程序多VRC分配算法,在边缘网络中合理布置VRC是重要的。本文主要从如下几个方面展开了研究工作:1.针对移动边缘计算中的任务卸载策略问题,本文在MIMO-OFDM MEC系统模型中讨论了用户卸载决策和无线资源分配问题:不同基站下的边缘用户选择同一无线资源时产生的干扰会对上传速率产生影响。因此,(1)首先将用户分为中心用户和边缘用户,分别讨论其通信模型。(2)提出改进的基于定价博弈卸载决策算法(Pricing Game-Based Offloading Decision Algorithm,PGODA),通过引入定价机制考虑不同用户的差异性,从而得到每个用户的卸载决策和无线资源数。仿真结果表明,该模型最终能够达到平衡,得到最优的卸载决策。与简单博弈论相比,该算法下的用户表现为更具有“社会性”。(3)在无线资源分配过程中,为防止不同基站的边缘用户选择相同物理资源块产生小区间干扰的情况,提出避免小区间干扰的通信资源分配算法(Inter-Cell Interference-Avoid Communication Resource Allocation Algorithm,IACRA)。实验结果表明,该方法可以实现高效的无线资源分配性能。2.针对应用程序在边缘网络中的资源部署问题,本文对多应用程序在边缘网络部署VRCs所产生的数据流量问题进行分析,采用两阶段的多应用程序多VRC的分配流程:(1)考虑用户请求分布,及不同应用程序资源需求和服务器容量之间匹配性,以最大化高匹配VRC block数量为目标,提出优先结合具有高匹配性能VRC的算法(Maximization of High-Matching VRC Block Algorithm for VRC Block Combination,M-HMVBA)。(2)将结合的VRC blocks在边缘网络中的MEC服务器中进行分配,提出最小化平均数据流量交换匹配的VRC block分配算法(Minimization Average Data Traffic Swap Matching Algorithm for VRC Block Allocation,M-DTSMA)。实验证明我们的算法能够合理的分配布置VRCs,最小化数据流量,为边缘网络中多应用程序服务的供应提供了有效的支持。本文的工作和研究成果为移动边缘计算任务卸载及应用程序资源调度研究提供了参考。(本文来源于《吉林大学》期刊2019-06-01）
李乐乐[7]（2019）在《云计算下硬件资源度量方式及其任务调度策略研究》一文中研究指出在现代数据中心中,异构机器的数量成千上万,且它们之间的硬件资源细粒度异构性表现明显,如不同的处理器体系架构、CPU主频、CPU缓存大小、内存型号、内存容量以及硬盘的I/O读写速度等等。然而,当前数据中心对资源的度量是粗粒度的,如CPU个数和内存大小的组合。这种粗粒度的资源度量方式忽略了不同机器之间硬件的细粒度异构性,没有考量异构机器的实际计算能力。因此,它不能使资源分配和任务调度达到性能最优,减慢了任务处理的时间。针对上述问题,本文提出 SMHC(a synthetic metric for heterogeous cloud resources)—一个合成的云资源度量方式,它的主要作用有:1.SMHC考虑了五种细粒度硬件资源(CPU型号、CPU主频大小、CPU叁级缓存大小以及内存频率、硬盘I/O读写速度),它们通过加权的方式组合起来,比较准确地反映出一台服务器的计算能力。2.SMHC通过线性组合的数学模型,综合评估了粗粒度和细粒度的异构硬件资源对大数据处理任务的加速效果。3.集群资源管理系统可以基于SMHC,设计出根据异构机器实际计算能力比较的任务调度策略,有效利用异构机器的计算能力,加速任务运行。为了验证SMHC的有效性,针对Spark大数据处理任务,本文提出一种通过异构机器之间SMHC加速因子比较的任务调度策略,并在流行的分布式资源管理系统Mesos上得以实现。在异构的集群环境中,基于SMHC的加速因子大小比较,调度器能够将大数据处理任务优先地调度到计算性能较好的机器上运行。实验结果表明,与Mesos原有基于粗粒度资源度量单位的调度策略相比,基于SMHC的任务调度策略能更能有效利用异构机器的计算能力,平均降低Spark任务运行时间约16.7%。(本文来源于《中国科学院大学(中国科学院深圳先进技术研究院)》期刊2019-06-01）
任金霞,刘敏[8]（2019）在《基于改进GA的云计算任务调度策略》一文中研究指出针对传统遗传算法在云计算任务调度过程中的收敛速度慢和易早熟等问题,提出了一种基于遗传优化算法的双适应度函数改进算法.该算法采用任务完成时间和任务完成成本为双适应度函数,引入个体相似度概念来提高种群质量;采用并列选择法进行选择操作,并且采用自适应规则约束交叉和变异操作,提高种群个体质量,加速进化策略可以有效地避免早熟.结果表明,改进的遗传算法有效地加快了云任务作业调度的收敛速度,并改善了易早熟等现象.(本文来源于《沈阳工业大学学报》期刊2019年03期）
曾东[9]（2019）在《一种基于资源估算的大数据系统任务调度策略》一文中研究指出大数据系统一般都具有存储数据量大、结构复杂、运行的任务繁多,以及任务处理的数据量大、任务间的依赖关系复杂等特点。仅就一个具体的大数据系统而言,在一定时期内,其系统资源都已确定,因此,只有合理地对系统中的任务进行调度,让任务协调地执行,才能使得系统有限的资源充分发挥作用,实现大数据系统的真正价值。本文从工程实践的角度,阐述了一种大数据系统中基于资源估算的任务调度策略,实现对任务资源的估(本文来源于《电子世界》期刊2019年07期）
段菊[10]（2019）在《云环境下基于通信开销的并行任务调度策略》一文中研究指出云环境下,任务的执行效率受限于任务间的通信时间和计算时间,通信时间是由于数据跨数据中心传输产生的,计算时间与任务所在集群的计算能力有关,有效减少任务因等待数据的到来而产生的时间开销可提高任务的执行效率,进而降低用户租赁云资源的费用,提出基于任务复制的调度策略,以提高任务的并行性。经性能分析,该策略在提高任务的执行效率方面有一定的贡献。(本文来源于《电脑知识与技术》期刊2019年10期）
任务调度策略论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
随着云环境中任务规模的不断扩大,云计算中心高能耗问题变得日益突出.如何解决云环境中任务分配问题从而有效降低能耗,本文提出了一种改进的粒子群优化算法(Modified Particle Swarm Optimization,M-PSO).首先构建出一个云计算能耗模型,同时考虑处理器的执行能耗和任务传输能耗.基于该模型,对任务分配问题进行定义描述,并采用粒子群优化算法对问题进行求解.此外,构建动态调整的惯性权重系数函数以克服标准PSO算法的局部最优和收敛速度慢的问题,有效提高系统性能.最后通过仿真实验对该算法模型的性能进行了评估,结果表明M-PSO算法与其他算法相比能有效地降低系统总能耗.
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
任务调度策略论文参考文献
[1].林涛,王昊,李鹏.基于改进差分进化算法的云计算任务调度策略[J].传感器与微系统.2019
[2].胡志刚,常健,周舟.面向云环境中任务负载的粒子群优化调度策略[J].湖南大学学报(自然科学版).2019
[3].苟英,李冀明,魏星.边缘计算的物联网深度学习及任务卸载调度策略[J].计算机应用与软件.2019
[4].潘晓衡,赵铁柱.网格计算技术及其任务调度策略[J].电子测试.2019
[5].刘洋.云环境下基于多目标优化的任务调度策略研究[D].重庆邮电大学.2019
[6].顾琳.移动边缘中任务卸载机制及资源调度策略的研究[D].吉林大学.2019
[7].李乐乐.云计算下硬件资源度量方式及其任务调度策略研究[D].中国科学院大学(中国科学院深圳先进技术研究院).2019
[8].任金霞,刘敏.基于改进GA的云计算任务调度策略[J].沈阳工业大学学报.2019
[9].曾东.一种基于资源估算的大数据系统任务调度策略[J].电子世界.2019
[10].段菊.云环境下基于通信开销的并行任务调度策略[J].电脑知识与技术.2019