文档下载 文档下载导航
设为首页 | 加入收藏
搜索 请输入内容:  
 导航当前位置: 文档下载 > 所有分类 > 工程科技 > 信息与通信 > 基于改进免疫遗传算法的网格任务调度
侵权投诉

基于改进免疫遗传算法的网格任务调度

河

北

工

程

大

学

学

报

(自然

科

学

版)

息素,设计的亲和度函数为: m

拟,实验过程中,分别采用粒子群任务调度算 ( 5 )

_厂 ( )=1/ t o t a l ( b ) J= l ’

法],蚁群遗传算法[ 3],改进的加入蚁群算子的免疫遗传算法完成不同任务规模的任务调度。网格实验环境中,算法相关参数设置如下:相应的杂交概率设置为 P = 0 . 7,变异概率 P=0 . 1 5,终止条 件设为进化 3 0 0代。

式中: 6一每个抗体的适应度值。 步骤 5:运用蚁群算子对步骤 4中所得到的抗体再进行处理,得到一组优化的新抗体,蚁群算子的路径信息素更新规则如下: ( t+1 )= p 仃 ( t )+ ( ) ( 6 )

调度实例 1:资源数 m=3,任务数 n:8, t= { 1 0 0, 9 0, 9 0, 4 2, 4 1, 3 0, 2 0, 7};实例 2:资源数 m= 5,任务数 n= 4 0, t={ 4 2, 7 2, 1 5, 2 7, 8 9, 8 8, 5 5, 6 1, 8 3, 7 2, 6 3, 4, l 6, 91, 43, 71, 2 6, 31, 9 0, 8 3, 77, 7 3, 6, 38, 1 3, 2 7, 7 2, 1 1, 1 0, 4, 96,1 7, 6 2, 6 2, 2 4, 8 4, 1 2,

式中: A T ( t )一蚂蚁 k在路径 ( i, )上留下的

单位长度轨迹信息素数量; p一信息素的持久性 ( 0 s p≤1 );仃 ( t )一计算资源的信息素浓度。

3 2, 4 6。 6 9}。

迭代次数 ( a )任务完成时间图( m一3, —

8 )

◆ _ _本文算法

量

厘

翟馐假 出

2 1 0 1 8 0 1 5 0 1 2 0 0 9 0 O 6 O 0 3 0 0 o 0

迭代次数 是

( b )任务完成时间图 (脚; 5,

4 0)

图2不同算法下任务执行总时间和收敛性比较 Fi g . 2 T h e c o m p a r i s o n o f t a s k e x e c u ti o n t o t a l t i m e a n d c o n v e r g e n c e u n d e r t h e d i f f e r e n t a l g o r i t h ms

由图 2不同任务数下算法运行的最终结果可以看出,当任务规模较小时,使用粒子群算法或蚁 图1算法调度流程 F i g . 1 Th e a l g o r i t h m s c h e d ul i ng p r o c e s s

群遗传算法做任务调度,算法的最优解为 2 9 0 S, 整体执行时间较长,其稳定性也相对较差,而采用

步骤 6:对比蚁群算子得到的优化新抗体与初 始抗体种群及克隆变异后的抗体,记录亲和度大 的那组染色体。

改进的免疫混合算法,最优解可以达到 2 7 5 S,算

法收敛效果较好;当任务规模较大时,采用改进的免疫遗传算法,当算法迭代到第 1 2 0代左右时,已 经达到了稳定的收敛状态,同时最优解明显高于

步骤 7:当 2G一时,进化过程结束,输出最 优解;否则,置一+1返回步骤 3。

其他两类算法,表明该算法在进行任务调度时能够有效地降低总的任务执行时间,而且收敛效果也比粒子群算法或单纯的蚁群遗传混合算法好, 全局相比之下,改进的免疫算法效果更理想。能够

3实例测试 本文采用网格计算仿真平台 C l o u d S i m进行模

基于改进免疫遗传算法的网格任务调度

上一页第3页

热门文档

相关文档

站点地图 | 文档上传 | 侵权投诉 | 手机版
本站所有资源均来自互联网,本站只负责收集和整理,均不承担任何法律责任,如有侵权等其它行为请联系我们.
文档下载 Copyright 2013 doc.guandang.net All Rights Reserved.  -  email