【摘 要】
：
研究云存储系统中的任务调度算法。分析总结了任务调度在云存储和云计算系统中的不同,指出现有云计算中的PSO调度算法应用在云存储中时会产生对云存储系统来说无意义的解,即会要求系统节点提供它所不具有的数据。为解决此问题,改进现有的基于PSO的调度算法,引入存在矩阵的概念,将其初始化解和解的更新均限制于存在矩阵中,保证生成的解是有意义解。实验结果显示本调度算法可以节省约77%的迭代次数、缩短约4倍的执行时
【基金项目】
：
四川省科技支撑计划项目（2011GZ0195）, 四川省教育厅科研项目（青年）（10ZB093）, 成都信息工程学院科研基金资助项目（KYTZ201121）, 成都信息工程学院青年学科带头人资助项目（J201107）
论文部分内容阅读
研究云存储系统中的任务调度算法。分析总结了任务调度在云存储和云计算系统中的不同,指出现有云计算中的PSO调度算法应用在云存储中时会产生对云存储系统来说无意义的解,即会要求系统节点提供它所不具有的数据。为解决此问题,改进现有的基于PSO的调度算法,引入存在矩阵的概念,将其初始化解和解的更新均限制于存在矩阵中,保证生成的解是有意义解。实验结果显示本调度算法可以节省约77%的迭代次数、缩短约4倍的执行时间,并保证产生对云存储系统有效的解。
其他文献
为了实现双足机器人在障碍环境中的路径规划,提出一种将三维环境分层的方法,用两个截面将环境分为高于机器人身高障碍层、低于机器人抬脚高度障碍层和中间障碍层。首先在中间障碍层进行机器人轨迹规划,再根据机器人各种步态的不同损耗构建代价函数,把规划好的轨迹放到最底层进行规划修改,最终得到双足机器人在规划路径上代价最小的一系列连续的动作,通过计算机仿真实验验证了方法的有效性。
针对基本萤火虫优化算法在求解函数全局最优值时的不足,提出了一种带高斯变异的人工萤火虫优化算法。该算法在萤火虫的移动过程中,应用了高斯变异策略,从而在一定程度上避免了算法陷入局部最优,且能获得精度更高的解。通过对六个标准测试函数进行测试,结果表明,改进后的人工萤火虫算法比基本萤火虫优化算法有更高的收敛速度、求解精度和收敛成功率。
研究了一个制造商领导市场、一个零售商和一个第三方回收商共同负责回收且跟随决策的再制造闭环供应链系统。对制造商领导博弈时的四种不同市场结构下（M→R＋T、M→R→T、M→T→
结合综合公交中各式公交的适应性和服务阈值,兼顾出行者不同出行目的时间价值敏感性,建立了综合公交系统线网布局双层优化模型,上层是0-1数学规划模型,下层是用户平衡分配模型。同时,基于改进的IOA进行优化求解,克服了传统单式线网优化层次化不显著的缺陷,提高了布局优化过程求解效率。算例仿真结果表明:综合公交系统需求多样性在客观上决定综合公交系统线网的多元性和层次性,线网布局优化需考虑不同出行目的的时间价
针对传统的概念格合并算法仅为单向的纵向或横向合并,提出一种基于概念内涵、外延升降序的双序渐进式合并算法。按照概念的内涵或外延的升序和降序,从两个方向(由上到下和由下到上)同时进行子概念格的纵向或横向合并。算法分析和示例结果表明,该算法不仅在结构上较好地保留了原有信息,而且在效率上也获得了显著的提高。
针对现有的大众分类中标签模糊导致影响用户搜索效率的问题,使用概率潜在语义索引(probabilistic latent semantic indexing,PLSI)模型对标签进行潜在语义分析,经回火期望最大化(tempered exception maximization,TEM)算法训练得到在潜在语义下的条件概率,生成概率向量;在此基础上,提出凝聚式层次k中心点(hierarchical ag
针对稀疏表示中匹配追踪算法计算复杂度过大的问题,提出了基于冗余字典原子相关性的匹配追踪算法。该算法利用相邻迭代过程中匹配原子的相关性对冗余字典进行簇化,得到M个多原子集合(原子簇);每次迭代过程中利用LVQ神经网络的快速学习能力从原子簇中选取目标簇;最后在目标簇中选取匹配信号结构的若干原子进行信号的稀疏逼近。实验采用一维稀疏信号进行仿真,结果表明与匹配追踪算法相比,其逼近性能相近,同时稀疏分解速度
旅行商问题(TSP)是组合优化问题的典型代表,针对TSP的求解提出一种离散型细菌觅食(DBFO)算法。该算法通过结合2-opt算法设计了一种适合处理离散型变量的趋化算子,将细菌觅食算法推广到了离散情形。同时,结合TSP的特点,在迁徙算子中引入基因库的思想来指导新个体的生成,提高了算法的搜索效率。通过对TSPLIB标准库中22个实例进行仿真实验。实验结果表明,该算法能够有效求解城市规模500以下的T
为了解决传统聚类算法易陷入局部最优解的问题,提出了一种复合形退火的随机聚类算法。该方法通过在聚类过程中设置退火准则,并且将退火过程中的生成复合形部分引入随机化的复合形节点,从而在加速收敛的过程中实现了较低的算法复杂度。理论分析及仿真实验证明,该方法的聚类效果好于传统的K-均值聚类方法,并且计算复杂度比目前基于人工智能的方法低。