基于遗传算法的网格任务调度的研究与仿真

《基于遗传算法的网格任务调度的研究与仿真》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、摘要网格是一个集成的计算与资源环境，它能充分吸纳各种计算资源，并将它们转化成一种随处可得的、可靠的、标准的同时还是经济的计算能力，实现资源的全面共享。网格任务调度是网格研究的核心内容之一，如何合理地将任务分配给不同资源，使整个网格系统达到最佳的性能，这是任务调度需要解决的问题。由于网格自身的分布性、异构性、动态性和自治性，使得传统的调度算法面临新的挑战。因此，如何在现有调度算法的基础上提出一个好的调度算法，尽可能提高网格系统的吞吐量，是一个重要而现实的问题。遗传算法是近年兴起的一种用于解决优化问题的启发式算法，被广泛用于解决各类NP问题和任务调度问题。有仿真实验证明:在

2、处理调度问题时，遗传算法与传统调度算法相比更具优越性。由于基本遗传算法sGA(simpleGeneticAlgorithm)本身存在一定的缺陷，比如“早熟”收敛和“欺骗”问题，因此大批学者都致力于改进遗传算法的探索和研究中。本文深入解析了遗传算法和模拟退火算法sA(simulatedAunealing)的基本原理，针对sGA的不足，提出了一种混合遗传算法HGA(H外ridGenetioAlgorithm)。HGA在SGA的基础上，主要改进了以下几个方面:借鉴了模拟退火的思想，根据sA中的Metropolis准则决定是否接受由交叉和变异操作产生的新个体，使得在接受优质解的

3、同时，也有限度的接受劣质解，保证了种群的多样性;采用了自适应交叉和变异概率;适当地改进了遗传操作。根据网格任务调度的特点，本文详细设计了混合遗传算法的各个组成部分。在Gridsim网格模拟器中，对混合遗传算法进行了仿真实现，并与SGA和SA进行了对比，结果表明本文提出的混合遗传算法具有更好的搜索能力和收敛速度。关键词:网格计算，任务调度，混合遗传算法，模拟退火算法，GridsimAbstraCtGrid15anenvironmentthatiniegratesealculationandresources.ItcanfullyabsothallkindsofeomPut

4、ingresourcesandturnstheminioacomPutingcaPabilitywhieh15easilyavailable，reliable，standardizedandeeonomieal.Inthisway，Wecansharetheresoureesthoroughly.Taskscheduling15oneofthemostimPortantPartinghdresearch，HowalloeatetaskstodifferentresourcesinordertomakethegridsystemobtainthehighestPerfor

5、manee15theProblemwhichthetaskschedulingneededtoresolve.Thefeaturesofdistribution，heterogeneousness，dynamieandself-rulingofghdehallengethetraditionalschedulingalgorithms.50it15veryimPortantandrealistictoPutforwardabeterschedulingalgorithmbasedonexistingalgorithmswhicheanmakefulluseofallki

6、ndsofresoureesandimProvethethroughPutofghdsystem.Genetiealgorithtn15anewkindofmodemhe丽sticsalgorithm，whieh15oftenusedtosolvedifferentkindsofNP一eomPlcteProblemsandcomPlexjobsehedulingProblems.SomesimulationexPerimentshaveconfirmedthatgenetiealgorithm15beterthanelassiealschedulingalgorithm

7、s.BeeausethesimPlegenetiealgorithrn(SGA)hassomedefects，suchasPretnaturelyeonvergeneeanddeeePtiveProbletn，manyacademieianscommittedthemselvestotheresearehofimProvingthegenetiealgorithm.ThisthesisanalyZesthebasiePrinciPleofthegenetiealgorithmandthesimulatedanealingalgorit知r