研究文章|开放存取
基于截止时间的边缘云协同场景任务调度策略
摘要
任务调度对边缘云协作的性能起着至关重要的作用。任务是否在云中执行以及如何在云中调度是一个重要的问题。本文在满足延迟的基础上,将任务调度到边缘设备或云上,提出了一种基于灾变遗传算法(CGA)的任务调度算法,以实现全局最优。该算法将总任务完成时间和惩罚因子量化为适应度函数。通过改进轮盘选择策略,优化变异和交叉算子,引入灾变策略,扩大了搜索范围。同时,有效地缓解了进化算法的早熟问题。实验结果表明,该算法能够在满足任务延迟的基础上,在显著缩短任务完成时间的同时,解决最优局部问题。
1.介绍
随着边缘计算的兴起,云计算的融合和边缘计算已经成为一大焦点[<一个href="#B1">1一个>-<一个href="#B3">3一个>]. 特别是在我们大踏步迈向物联网数字化时代的今天,边缘云协作已经成为CDN、工业互联网、能源、智能交通、安全监控等众多场景中的重要应用。云计算和边缘计算需要紧密合作,更好地匹配各种需求场景,从而最大限度地发挥边缘计算和云计算协作的价值。以物联网场景为例。物联网中的设备会产生大量的数据,并将数据上传到云上进行处理,这将给云带来巨大的压力。为了分担中心云节点的压力,边缘计算节点可以在自己的范围内负责数据计算和存储[<一个href="#B4">4一个>-<一个href="#B6">6一个>]. 云计算在全局性、非实时性、长周期的大数据处理和分析方面具有优势,可以在长期维护、业务决策支持等方面发挥优势,边缘计算更适合于本地、实时、短周期的数据处理和分析。边缘计算可以更好地支持本地业务的实时智能决策和执行。有一些高实时性能的应用,如工业系统检测应用、控制应用、执行应用和新兴的VR/AR应用。有些场景要求实时性能在10 ms以内,甚至更低[<一个href="#B7">7一个>,<一个href="#B8">8一个>]. 如果数据分析和处理都是在云中实现的,有时很难满足服务的实时性要求。它严重影响最终客户的业务体验。但是,通常更多的研究通常考虑卸货过程,忽略卸货后的任务分配。
任务可以根据能量消耗和时间延迟安排到边缘或远云。对于需要在云中心进行处理的问题,如何进行合理的调度以达到目标是一个值得研究的问题。
云中心的任务调度方法可分为启发式算法(如RR和SJF)、元启发式算法(基于生物激励和群智能)和混合任务调度算法[<一个href="#B9">9一个>]. 在调度过程中,使用各种基于性能的性能指标,如系统利用率、执行时间、负载平衡、网络通信成本、延迟等[<一个href="#B10">10个一个>]。启发式任务调度算法,可以轻松地安排任务,并提供最佳的解决方案。然而,这并不能保证最好的结果,很容易陷入局部选择。的元启发式算法是一种基于启发式算法的改进算法,该算法是随机算法和局部搜索算法[组合<一个href="#B11">11个一个>-<一个href="#B13">13个一个>]. 它能够实现搜索空间的探索和开发,处理大量的搜索空间信息。此外,它还可以利用学习策略获取和掌握信息,有效地找到近似最优解。其中,遗传算法(GA)、粒子群算法(PSO)和蚁群算法(ACO)是近年来在任务调度中应用最为广泛的进化算法[<一个href="#B14">14个一个>]. 然而,这些算法通常过早收敛,并且容易陷入有限最优。当接近最优解时,它也可能左右摆动,使收敛速度变慢[<一个href="#B15">15个一个>]. 在遗传算法中,交叉算子因其全局搜索能力成为主要算子,变异算子因其局部搜索能力成为辅助算子。遗传算法具有平衡全局搜索空间和局部搜索空间的能力。遗传算法总是通过交叉和变异算子来搜索全局和局部空间。他们互相合作,互相监督。如何在求解过程中有效地配合交集和变异运算,使收敛速度更快,跳出局部最优是当前遗传算法的一个有价值的研究内容。
提出了一种基于灾难遗传算法的边缘云协同计算任务调度策略。考虑到交叉操作的含义、个体最优保持率和进化过程中变异概率的大小,改进了遗传算法的收敛能力和三种遗传算子。惩罚因子根据时间延迟确定执行时间目标函数。同时,引入灾难策略模拟生物进化中的灾难现象。在最初的1/2次迭代中,可能会发生早衰,并且后代的最佳染色体根本不会发育。因此,我们增加了突变的概率,打破了原有基因的垄断,使个体脱离当前最优解进入群体,增加了基因的多样性,创造了新的生存个体。该算法能跳出局部最优解,有效地缓解了早熟收敛问题。
本文的其余部分安排如下。部分<一个href="#sec2">2一个>介绍了相关工作。部分<一个href="#sec3">3一个>介绍了任务分类策略。剖面图<一个href="#sec4">4一个>介绍了云中心的任务调度模型。部分<一个href="#sec5">五一个>介绍了CGA算法。剖面图<一个href="#sec6">6一个>介绍了实验和比较结果。最后,第<一个href="#sec7">7一个>总结本文。
2.相关工作
边缘云协作的研究尚处于起步阶段,但国内外许多学者对边缘或云上的任务调度问题进行了相关的研究,并取得了一定的研究成果。Ke等人。[<一个href="#B16">16个一个>]建议根据任务是否满足延迟和能量消耗对任务进行分类。在云任务调度中,遗传算法因其对各种任务调度问题的适应性而受到广泛的研究。遗传算法适用于各种任务调度问题。遗传算法的改进主要是对遗传算子进行改进,达到提高经典遗传算法收敛速度和性能的目的。目前,经过学者们的实验和论证,已经陆续提出了许多封塞算法。Keshanchi等人[<一个href="#B17">17岁一个>]提出了一种改进启发式遗传算法,称为N-二GA。的N GA用于在云中的静态任务调度。阿克巴里等。[<一个href="#B18">18岁一个>]通过显著改变遗传算子,提高了遗传算法的性能,保证了样本的多样性和整个空间的可靠覆盖。在[<一个href="#B19">19个一个>]提出了一种混合元启发式算法,该算法采用混合粒子群算法和遗传算法相结合的HEFT算法来提高性能。Johnson提出了一种基于规则的遗传算法(JRGA)[<一个href="#B20">20个一个>]用于数据中心中的两阶段任务调度。在[<一个href="#B11">11个一个>,提出了一种基于遗传算法的异构计算系统任务调度方案,该方案根据分配的优先级将每个任务映射到处理器,以尽可能缩短制造时间。戈亚尔和阿格拉瓦尔[<一个href="#B21">21岁一个>]提出了一种在多台机器上调度一组独立任务的模型,并将遗传算法和选举启发式算法相结合解决了该问题。该模型的目标也是最小化最大时间。Kumar等人。[<一个href="#B22">22个一个>]提出了一种新的任务调度方法,该方法综合分钟分钟算法和最小 - 最大算法在遗传算法。这项研究的目的是缩短生成时间和执行时间,以最大程度[<一个href="#B23">23个一个>]。
然而,在求解多模问题时,上述方法仍可能陷入局部最优[<一个href="#B10">10个一个>]。因此,算法需要一些策略来避免此限制。文献[<一个href="#B24">24个一个>-<一个href="#B28">28个一个>]提到了一种使用“突变”算子的整数遗传算法。它旨在帮助跳出局部极值点。着重介绍了“突变”算子的仿生意义和改进的灾难遗传算法在解决上述问题中的应用。这些操作可以减少陷入局部最优和过早收敛的现象。
此外,很少有研究,实现基于满足每个任务的延迟最少的总时间。因此,基于遗传算法的基础上,本文提出了所谓的CGA任务调度算法基于灾变策略[<一个href="#B29">29个一个>],它主要考虑的时间延迟,以实现最小总执行时间。而该算法的有效性通过实验检查。
三。任务分类
在系统中,我们考虑一组要执行的任务,每个任务都来自一个边缘设备,该设备表示为 。任务包括交互式游戏、自然语言处理、图像定位等[<一个href="#B16">16个一个>]。每个任务都应该在最后期限内完成。每个具有三个属性的任务被定义为 。为了 , 是用于计算所述输入数据,其可以包括程序代码,输入文件等的大小[<一个href="#B16">16个一个>]。是完成任务的最后期限。是任务的长度。因此,我们首先要进行分类需要被处理,以确定是否在云中执行任务。根据任务和任务的长度的延迟的比率,任务的灵敏度被确定。最后,在云中的任务将被安排以减少总执行时间。
让表示分配给通过边缘装置。因此,我们可以得到如
传输到云的时间定义为
是任务转移到云上的上传速率;这里的上传速率是一个固定的值。
为了便于在后续云任务调度,任务需要根据灵敏度进行排序。任务灵敏度可以被定义为
完整的任务分类过程在算法中进行了说明<一个href="//www.newsama.com/journals/sp/2020/3967847/alg1/" target="_blank">1一个>。
|
四。云中心任务调度模型
云中的任务调度问题是如何将每个任务合理地安排到多个虚拟机中,使所有任务都能在更短的执行时间内完成,并尽可能地满足延迟[<一个href="#B10">10个一个>]。在此,我们做出以下假设:(1)任务和任务之间没有相互依赖关系(2)任务的大小和虚拟机的计算速度是已知的
定义1。物理机上的虚拟机: 哪里表示主机,表示虚拟机的数量,以及表示虚拟机资源在云环境中。
定义2。虚拟机的资源: 哪里虚拟机的序列号是和吗表示的计算能力虚拟机。
定义3。任务序列: 哪里表示需要在云中执行的任务数,以及表示任务在任务序列。
定义4。任务预期完成时间。
该矩阵用于表示每个虚拟机资源上所有任务的完成时间。
为每个任务所需的运行上的计算资源(虚拟机)的执行时间的计算方法如下:
将任务集分配给虚拟机;然后,任务完成时间在虚拟机
是每个计算资源的最长完成时间:
定义5。匹配矩阵A.
我们可以得到矩阵A:
其中,
。和值指示任务是否编号在编号为的虚拟机上执行
,如果它是1,它被执行。
5. CGA算法
5.1。算法思想
遗传算法的三种遗传操作影响了算法的收敛速度。本文主要考虑满足延迟和最小化总执行时间,改进遗传算法的选择操作、交叉操作和变异操作,在迭代过程中模拟生物进化的同时生成新一代种群。过程中的突变现象使得算法在不增加种群规模的情况下增加个体多样性,更容易摆脱最优局部陷阱。算法流程图如图所示<一个href="//www.newsama.com/journals/sp/2020/3967847/fig1/" target="_blank">1一个>:
5.2。该算法的基本操作
5.2.1。编码
在云计算调度问题,解决方案的编码通常使用二进制编码和实数编码,其中实数编码是多到一映射配对编码。本文和虚拟机的任务是由映射配对方法编码[<一个href="#B2">2一个>]。例如,如果有虚拟机,也就是说{},和任务,也就是说{},代码的长度为N,每个基因的值将来自到 ,如图所示<一个href="//www.newsama.com/journals/sp/2020/3967847/fig2/" target="_blank">2一个>:
5.2.2。健身功能
适应度函数表示个体在进化过程中的适应度。适应性越强,在进化过程中就越容易被保留。适应度函数直接影响算法的性能和能否达到目标。在本文中,我们需要考虑时间延迟和执行时间对个体适应度的影响。
每个任务的执行时间和截止时间之间的区别:
基于延迟是否满足的惩罚因子:
因为我们的目标是同时满足任务的最后期限,以尽量减少任务调度的总执行时间,本文的适应度函数设计成
5.2.3。提高轮盘选择
轮盘选择方法也被称为比例选择方法。其基本思路是,个体较大的适应性,越容易被选中。传统的轮盘赌法可以选择最好的个体,但不能保证最佳的个性化将保持到下一代,以及随后的交叉操作会破坏最好的个体。因此,本文结合轮盘赌的最佳个人在每一代保存以最大的健身个人直接到下一代,不参加交叉操作或突变操作。其余的人使用传统的轮盘赌选择子代群体。概率传统轮盘赌中的个人选择是
5.2.4。交叉
传统遗传算法的交叉操作是根据交叉率选择要交叉的个体数,利用随机函数为每个交叉个体生成一个交叉操作 ,和所述位置点被交换之后的两个染色体的片段映射。传统的交叉操作是容易产生交叉片段的高相似性,此时交叉意义变小的情况。为此,本文将跨门槛,且仅当超过阈值,交叉被认为是有意义的。否则,不会发生交叉。阈值大小代表相似基因在总基因的比例。这种操作主要是基于防止近亲繁殖,并在人类进化过程中优化后代的原则。在本文中,我们设置了阈值以0.8和交叉概率高于0.7,以避免减慢引起放弃交叉操作,因为相似性过高的收敛速度的速度。具体交叉操作示于图<一个href="//www.newsama.com/journals/sp/2020/3967847/fig3/" target="_blank">3一个>:
5.2.5条。变化
突变运算符是一个非常重要的操作。有两个目的用于导入突变的遗传算法:一个是使遗传算法具有局部随机搜索能力。当遗传算法是接近通过交叉算子的最优解附近,用变异算局部随机搜索能力可以加速收敛到最优解[<一个href="#B30">30个一个>]. 在这种情况下,变异概率应该取一个较小的值。二是使遗传算法能够保持群体的多样性,防止不成熟收敛。此时,突变概率应取较大值。变异概率通常取一个小值,一般不超过0.1。
本文设置了两个变异值。当迭代次数达到2/3时,变异概率降低0.02。根据突变概率确定需要突变的个体数量,随机选择染色体上的两个位置,并交换基因值。在执行变异操作后,基因值可能没有改变,这相当于没有变异操作,并且对变异操作进行改进,以确保即使变异操作已经是小概率事件也可以执行。如果突变的两个基因值相同,则将第一个随机数加到1,让它对另一个基因点执行突变操作。如果第一个随机数仍然相同,则将该值增加一个,直到该值不同,以确保执行变异操作(见图<一个href="//www.newsama.com/journals/sp/2020/3967847/fig4/" target="_blank">4一个>)。
5.2.6。灾难
进化多代后,组可能获得局部最优解。此时,该组蕴涵着大量的与当地最佳的信息,倾向于过早收敛和诸如交叉操作和变异操作由运营商跳出的可能性。它可以用一个大概率推出“大灾难”的策略,获得了一些有用的全球信息,并获得解决方案远离原来的地方,这样一个更大的多样性可以在更小的组大小来获得。它可以提供更多的机会来摆脱原来的局部最优解的。然而,灾难无法通过进化去所有的时间。我们应该考虑避免破坏了最佳的解决方案,并在后期重新优化的问题。
遗传算法具有容易的缺点陷入局部最优和过早收敛[<一个href="#B31">31个一个>]. 一旦陷入局部最优,就很难跳出来。为此,我们添加了文献中提到的灾难性策略[<一个href="#B28">28个一个>]为了这份报纸。通过增加变异概率远离当前最优解,将远离当前最优解的解包含在种群中跳出最优局部解。算法中显示了灾难性操作<一个href="//www.newsama.com/journals/sp/2020/3967847/alg2/" target="_blank">2一个>。
|
5.3条。任务分类与调度描述
步骤1:根据算法对来自不同设备的所有任务进行分类<一个href="//www.newsama.com/journals/sp/2020/3967847/alg1/" target="_blank">1一个>。步骤2:对于需要卸载到云中的任务,请按敏感度排序。根据虚拟机的计算能力对初始编码进行优化。步骤3:染色体编码和的参数的初始化。第四步:计算适合度。第5步:叠加代数加1。步骤6:判断一代等于一代一代人,如果是的话,灾难阈值会降低一个;否则,灾难阈值会继续。第7步:执行选择操作,交叉操作,和变异操作。步骤8:生成后代种群,并确定突变阈值cat是否等于0(在t/2迭代之前)。如果等于0,则执行灾难操作。步骤9:如果迭代次数达到最大值,则输出;否则,转到步骤4。
6。评价
在该实验中,对于任务那需要在云中被处理,我们使用CloudSim 3.0实施的算法,通过将在DAtacenterBroker类的bindCloudletToVM方法;加入基于所述灾难遗传算法的算法CGA进行模拟实验。数据,诸如资源的计算能力和任务计算从在MATLAB随机生成的数据导出的。我们选择了不同的任务数,以及不同迭代次数的实验数据进行了分析,并用相同的数据条件下,基于时间的差分进化算法(TDE)和简单的遗传算法进行比较。该TDE算法基于差分进化(DE)的任务调度算法,最大限度地减少了完成时间。差分进化算法也是基于人群的启发式搜索算法。有差分进化算法和遗传算法之间的一个很大的相似性。它们都包括变异,交叉和选择操作,而这些操作的具体定义是由遗传算法不同。实验结果显示在图<一个href="//www.newsama.com/journals/sp/2020/3967847/fig5/" target="_blank">五一个>-<一个href="//www.newsama.com/journals/sp/2020/3967847/fig9/" target="_blank">9一个>。
Parameter setting: crossover probability crossover = 0.8, maximum evolution algebra = 200, and mutation probability is 0.03, and in order to avoid errors as much as possible, this paper will perform ten times for each group of experiments and finally get the total task completion time. The experimental values are taken as the average of ten experiments.
当任务数量较少时,最优效果不明显。然而,当任务数量较大时,算法的优化更为明显。但是,任务越多,卸载到云中的任务就越少,因为随着任务数量的增加,任务的执行时间也会变长。随着进化代数的增加,该算法收敛速度更快,节省时间。数据<一个href="//www.newsama.com/journals/sp/2020/3967847/fig5/" target="_blank">五一个>和<一个href="//www.newsama.com/journals/sp/2020/3967847/fig6/" target="_blank">6一个>给出了不同迭代次数下CGA算法、经典遗传算法和TDE算法的总任务执行时间和自适应值的变化。可见,经典遗传算法的效果最差。与其他算法相比,CGA算法使用较少的进化代数来获得更好的平均适应度。其中,本文还对初始种群进行了优化,CGA算法能够更快地找到最优解。众所周知,遗传算法得到的解可能不是最优的,但实验结果表明,CGA算法优于其他两种算法,更容易跳出局部最优,找到最优解。数字<一个href="//www.newsama.com/journals/sp/2020/3967847/fig7/" target="_blank">7一个>和<一个href="//www.newsama.com/journals/sp/2020/3967847/fig8/" target="_blank">8一个>比较了CGA算法和TDE算法。可以看出,CGA算法能够更好地实现本文的目标。
根据实验结果,从图中可以看出<一个href="//www.newsama.com/journals/sp/2020/3967847/fig9/" target="_blank">9一个>实验的延迟满足率在95%以上,能够满足要求。CGA算法的性能优于TDE算法。此外,CGA算法在任务完成时间和进化过程的收敛速度上均优于TDE算法,其收敛速度明显优于TDE算法和传统遗传算法。随着迭代次数的增加,CGA算法能更好地找到最优解,加快收敛速度。突变策略称为大灾变策略,旨在帮助人口跳出局部极值点[<一个href="#B27">27个一个>]。由此可以看出,本文的灾难性的策略不会减慢收敛速度和破坏的最佳方向。相反,它可以帮助操作,不断优化人口,是不容易陷入局部最优。
7.总结与展望
在边缘云协作方案的任务调度被认为是关键的挑战之一。无论任务在云中执行,它是如何在云计算计划是一个重要的问题。在过去,许多启发式和启发式任务调度策略已经在云计算或边缘计算使用。遗传算法具有独特的优势,传统的方法不解决复杂问题,如大空间,非线性和全局优化有。他们已被广泛应用于越来越多的领域。在本文中,我们提出了在规定的期限限制,其中的边缘设备,任务可以选择执行场所,包括云和本地设备任务调度策略。而我们的目标是尽量减少所有任务的执行时间。所述CGA算法以解决任务调度问题的另一种方法;该算法增加了灾难的策略吧。我们已经考虑了时间的限制[<一个href="#B5">五一个>]优化了任务调度。CGA算法受冰期灭绝行为的启发,被用作一种全局优化算法[<一个href="#B10">10个一个>]。
我们提出的CGA算法是在CloudSim环境下模拟的,主要目标是最小化执行时间,满足延迟。研究结果与传统的遗传算法(GA)和基于时间的差分进化算法(TDE)的结果进行了比较。实验结果表明,该算法能有效地将任务调度到虚拟机中,达到了预期的目标。
在未来,我们将考虑在更接近实际环境的条件下对算法进行改进,使该算法能够应用于边缘云协作中的动态实时任务调度。此外,我们希望建立一个多目标版本的CGA来优化云中的任务调度问题。基于CGA的工作流调度研究是下一步的研究方向。我们也可以挖掘或预测它的潜在关系[<一个href="#B32">32个一个>-<一个href="#B34">34个一个>]。此外,任务调度方法可以考虑许多其他参数,如内存使用、需求峰值和过载[<一个href="#B10">10个一个>]。此外,我们可以将马尔可夫链与并行计算框架相结合,并将其应用于我们的模型[<一个href="#B35">35岁一个>,<一个href="#B36">36个一个>]。
数据可用性
由于本文只处理时间和静态任务,因此我们使用随机生成的数据将其导出为任务长度的数据集。
利益冲突
作者宣称,有兴趣就本文发表任何冲突。
致谢
感谢中国石油大学计算机科学与技术学院国际网络服务和生物计算创新团队的讨论和技术支持。本研究由国家自然科学基金(61572522、61873281、61572523)资助。
工具书类
- M、 Satyanarayanan,“边缘计算”电脑卷。50,没有。10,第36-38,2017年。查看位置:<一个href="https://doi.org/10.1109/mc.2017.3641639">发布者网站一个>|谷歌学术一个>
- Y、 Mao,C.You,J.Zhang等人,《移动边缘计算:调查与研究展望》,2017年,<一个t型一个rget="_blank" href="http://arxiv.org/abs/1701.01090">http://arxiv.org/abs/1701.01090一个>。查看位置:<一个href="https://scholar.google.com/scholar_lookup?title=Mobile%20edge%20computing:%20survey%20and%20research%20outlook&author=Y. Mao&author=C. You&author=J. Zhang et al.&publication_year=2017" target="_blank">谷歌学术一个>
- Y、 Yu,“面向5G的移动边缘计算:愿景、最新进展和开放挑战”中国交通卷。13,没有。2,第89-99,2017年。查看位置:<一个href="https://doi.org/10.1109/cc.2016.7833463">发布者网站一个>|谷歌学术一个>
- G、 Ananthanarayanan,P.Bahl,P.Bodik等人,《实时视频分析:边缘计算的杀手级应用》电脑,第50卷,第10期,第58-67页,2017年。查看位置:<一个href="https://doi.org/10.1109/mc.2017.3641638">发布者网站一个>|谷歌学术一个>
- J.刘,毛Y.,J. Zhang等人,“移动边缘计算系统的时滞最优的计算任务调度,”在2016年IEEE信息理论国际研讨会论文集(ISIT),西班牙巴塞罗那,2016年7月。查看位置:<一个href="https://doi.org/10.1109/isit.2016.7541539">发布者网站一个>|谷歌学术一个>
- Z、 Ke,Y.Mao,S.Leng等人,“车辆边缘计算网络的最优延迟约束卸载”,in来文2017年IEEE国际会议(ICC)的诉讼,法国巴黎,2017年5月。查看位置:<一个href="https://doi.org/10.1109/icc.2017.7997360">发布者网站一个>|谷歌学术一个>
- Y.贤,徐W.,Y.徐,李赫,和L.宇,“协同服务质量预测与数据过滤和slopeone模型移动服务”移动信息系统,第2017卷,文章编号7356213,14页,2017年。查看位置:<一个href="https://doi.org/10.1155/2017/7356213">发布者网站一个>|谷歌学术一个>
- Y.阴,F.宇,徐Y.,L.羽和J.木“网络位置感知与随机游走在网络物理系统服务的建议,”传感器,第17卷,第9期,第2059页,2017年。查看位置:<一个href="https://doi.org/10.3390/s17092059">发布者网站一个>|谷歌学术一个>
- T、 Jena和J.R.Mohanty,“使用遗传算法负载均衡器的云间灾难恢复服务”国际电力与计算机工程卷。6,没有。4,P。1828年,2016年。查看位置:<一个href="https://doi.org/10.11591/ijece.v6i4.9956">发布者网站一个>|谷歌学术一个>
- M、 A.Elaziz,S.Xiong,K.P.N.Jayasena和L.Li,“基于混合蛾搜索算法和差分进化的云计算任务调度”基于知识的系统,第169卷,第39-522019页。查看位置:<一个href="https://doi.org/10.1016/j.knosys.2019.01.023">发布者网站一个>|谷歌学术一个>
- Y.许,J. K. Li和K.李,“A遗传算法使用多个优先级队列的异构计算系统任务调度,”信息科学卷。270,第255-287,2014。查看位置:<一个href="https://doi.org/10.1016/j.ins.2014.02.122">发布者网站一个>|谷歌学术一个>
- Y.高,H.关,Z.齐,Y.侯,和L.刘,“A多目标蚁群系统算法用于云计算虚拟机放置,”计算机与系统科学杂志,第79卷,第8期,第1230-12422013页。查看位置:<一个href="https://doi.org/10.1016/j.jcss.2013.02.004">发布者网站一个>|谷歌学术一个>
- J、 -F.Li和J.Peng,“云计算环境下基于改进遗传算法的任务调度算法”吉思安吉英永/计算机应用学报,第31卷,第1期,第1841862011页。查看位置:<一个href="https://doi.org/10.3724/sp.j.1087.2011.00184">发布者网站一个>|谷歌学术一个>
- J、 薛、李、赵、焦,“基于差分进化算法的云计算任务调度研究”,年国际会议的计算智能通信网络程序,博帕尔,印度,2014年11月。查看位置:<一个href="https://doi.org/10.1109/cicn.2014.142">发布者网站一个>|谷歌学术一个>
- C.朱和J.倪,“云模型为基础的优化问题的差分进化算法”,在第六届国际会议上因特网电脑科学工程学。,河南,中国,2012年4月。查看位置:<一个href="https://doi.org/10.1109/icicse.2012.57">发布者网站一个>|谷歌学术一个>
- Z.轲,Y.茅,S. Leng等人,“用于移动边缘5G异构网络计算节能卸载,”IEEE访问卷。4,没有。99,第5896-5907,2016。查看位置:<一个href="https://doi.org/10.1109/access.2016.2597169">发布者网站一个>|谷歌学术一个>
- B. Keshanchi,A Souri和N. J. Navimipour,“一种改进的遗传算法中使用优先级队列的云环境的任务调度:形式化验证,仿真和统计检验,”系统与软件杂志,第124卷,第1-21页,2017年。查看位置:<一个href="https://doi.org/10.1016/j.jss.2016.07.006">发布者网站一个>|谷歌学术一个>
- M、 Akbari,R.Hassan和S.H.Alizadeh,“一种在异构计算系统中使用新算子进行任务调度的改进遗传算法”人工智能的工程应用卷。61,第35-46,2017年。查看位置:<一个href="https://doi.org/10.1016/j.engappai.2017.02.013">发布者网站一个>|谷歌学术一个>
- K、 Amin和A.Ghaffari,“基于遗传算法和de算法的云计算混合任务调度方法”无线个人通信卷。97,没有。4,第6301-6323,2017。查看位置:<一个href="https://doi.org/10.1007/s11277-017-4839-2">发布者网站一个>|谷歌学术一个>
- Y.熊,黄S.,M.吴,J.她和K江,“A johnson',基于规则的遗传算法在云计算数据中心的两阶段任务调度问题,”IEEE交易上的云计算卷。7,没有。3,第597-610,2017。查看位置:<一个href="https://doi.org/10.1109/tcc.2017.2693187">发布者网站一个>|谷歌学术一个>
- T.戈亚尔和A.阿格拉瓦尔,“主机调度算法使用遗传算法在云计算环境中,”国际杂志在工程技术的进展,第1卷,第1期,第7-12页,2013年。查看位置:<一个href="https://scholar.google.com/scholar_lookup?title=Host%20scheduling%20algorithm%20using%20genetic%20algorithm%20in%20cloud%20computing%20environment&author=T. Goyal &author=A. Agrawal&publication_year=2013" target="_blank">谷歌学术一个>
- P、 Kumar和A.Verma,“改进遗传算法在云计算中的独立任务调度”国际杂志高级研究在计算机科学和软件工程,第2卷,第5期,第111-114页,2012年。查看位置:<一个href="https://scholar.google.com/scholar_lookup?title=Independent%20task%20scheduling%20in%20cloud%20computing%20by%20improved%20genetic%20algorithm&author=P. Kumar &author=A. Verma&publication_year=2012" target="_blank">谷歌学术一个>
- H、 Aziza和S.Krichen,“基于遗传算法的云计算任务调度双目标决策支持系统”计算卷。100,没有。2,第65-91,2018。查看位置:<一个href="https://doi.org/10.1007/s00607-017-0566-5">发布者网站一个>|谷歌学术一个>
- 五十、 辛荣,杨国强,“灾难性自适应遗传算法在电力系统无功优化中的应用”,年2010年国际人工智能与计算智能会议纪要卷。2,第450-454,IEEE,三亚,中国,2010年10月。查看位置:<一个href="https://doi.org/10.1109/aici.2010.214">发布者网站一个>|谷歌学术一个>
- M.王,李B.,Z.王,和X.谢,“基于大灾变测试进化的优化策略,”在计算机软件应用交流研讨会论文集,韩国首尔,2010年7月。查看位置:<一个href="https://doi.org/10.1109/compsacw.2010.69">发布者网站一个>|谷歌学术一个>
- Z. X.彩“灰色理论在预测的桑螟灾变应用,”蚕业科学卷。35,第869-871,2009。查看位置:<一个href="https://scholar.google.com/scholar_lookup?title=Application%20of%20grey%20theory%20in%20forecasting%20the%20diaphania%20pyloalis%20cataclysm&author=Z. X. Cai&publication_year=2009" target="_blank">谷歌学术一个>
- S. X.吕,俞R.曾和L.王“与混合信息交换及其应用有效的果蝇优化算法”国际机器学习控制论杂志,第9卷,第10期,第16231648页,2018年。查看位置:<一个href="https://doi.org/10.1007/s13042-017-0669-5">发布者网站一个>|谷歌学术一个>
- S、 肖,孙,郭,“求解带时间窗的车辆调度问题的大灾变遗传算法”计算机应用研究,第31卷,第12期,2014年。查看位置:<一个href="https://scholar.google.com/scholar_lookup?title=Cataclysm%20genetic%20algorithm%20for%20solving%20vechicle%20scheduling%20problem%20with%20time%20windows&author=S. C. Xiao&author=S. D. Sun&author=&author=H. Guo&publication_year=2014" target="_blank">谷歌学术一个>
- Z、 王和陈,基于突变遗传算法的二元决策图变量排序计算机工程应用,第51卷,第3期,第55-60页,2015年。查看位置:<一个href="https://scholar.google.com/scholar_lookup?title=Binary%20decision%20diagram%20variable%20ordering%20based%20on%20catastrophe%20genetic%20algorithm&author=Z. Wang &author=Y. Chen&publication_year=2015" target="_blank">谷歌学术一个>
- A. W.穆罕默德,H. Z.萨布里和T.阿布德Elaziz,“通过有效的差分进化算法的实时参数优化,”埃及信息学杂志,第14卷,第1期,第37-53页,2013年。查看位置:<一个href="https://doi.org/10.1016/j.eij.2013.01.001">发布者网站一个>|谷歌学术一个>
- K. Chandrasekaran和U. Divakarla,基于遗传算法的云计算虚拟机资源负载均衡,卡纳塔克邦国家技术研究所,苏拉特内德,曼加罗尔,卡纳塔克邦,2013年。
- H.高,W.黄X.杨,Y段和Y.阴,“走向了工作流程重新配置服务选择:基于接口的计算解决方案,”下一代计算机系统卷。87,第298-311,2018。查看位置:<一个href="https://doi.org/10.1016/j.future.2018.04.064">发布者网站一个>|谷歌学术一个>
- H、 Gao,D.Chu,Y.Duan和Y.Yin,“基于概率模型检查的业务流程建模服务选择方法”国际杂志软件工程与知识工程,第27卷,第06期,第897-92320017页。查看位置:<一个href="https://doi.org/10.1142/s0218194017500334">发布者网站一个>|谷歌学术一个>
- Y.贤,陈L.,Y。徐和J.万,“具有增强的概率矩阵分解位置感知服务的建议,”IEEE访问卷。6,第62815-62825,2018。查看位置:<一个href="https://doi.org/10.1109/access.2018.2877137">发布者网站一个>|谷歌学术一个>
- S.庞,T.丁,A. Rodrfguez-Patdn,T.乐曲和Z. Phen的,“为使用酶P系统始于酶促环境数值计算的并行仿生框架,”IEEE访问,第6卷,第65548-65556页,2018年。查看位置:<一个href="https://doi.org/10.1109/access.2018.2876364">发布者网站一个>|谷歌学术一个>
- H.高,S茂,黄W.和X洋,“应用概率模型检测到金融生产风险评估和控制:阿里巴巴的Yu'e宝为例,”IEEE交易在计算社会系统卷。5,没有。3,第785-795,2018。查看位置:<一个href="https://doi.org/10.1109/tcss.2018.2865217">发布者网站一个>|谷歌学术一个>
版权
版权所有©2020蜀东王等人。这是下发布的开放式访问文章<一个rel="license" href="http://creativecommons.org/licenses/by/4.0/">知识共享署名许可一个>,其允许在任何介质无限制地使用,分发和再现时,所提供的原始工作正确的引用。