Sep, 2023

基于改进的鲲鸟群算法的云空间职责调度

PDF
TL;DR云计算和任务调度算法的研究，使用遗传算法、颗粒群优化、蚁群优化以及扩展改进的 Salp Swarm Algorithm 进行比较。研究结果表明，提出的算法性能普遍优于其他算法，如与基本的 Salp Swarm Algorithm 相比，平均减少近 21% 的执行时间。
发现论文，激发创造
  • 机器学习优化在云计算资源调度和管理中的应用

    本文通过使用机器学习优化技术，提出了一种创新的方法来解决云计算资源调度和管理中的复杂问题，通过对云环境中低资源利用率和负载不平衡等挑战的深入研究，本研究提出了包括深度学习和遗传算法等优化方法在内的全面解决方案，以提高系统性能和效率，从而在云计算资源管理领域带来新的突破和进展。合理分配资源在云计算中起着至关重要的作用。

    Feb, 2024

  • 基于量子启发的混沌鲸群优化算法在动态优化中的应用

    该研究探索了一种名为量子启发式混沌鳐鱼群智能优化 (Quantum-inspired Chaotic Salp Swarm Optimization, QCSSO) 的新算法，旨在通过定位和跟踪全局最优解以有效处理动态优化问题。通过与其他算法进行比较实验，发现该算法是动态优化问题的竞争对手。

    Jan, 2024

  • 基于多智能体强化学习的地理分布数据中心可持续负载调度

    本研究提出一种基于多智能体强化学习和演员 - 评论家方法的算法，通过与真实工作负载模式、能源价格和碳强度相互作用的云系统学习最优的协同调度策略，从而最大化 GPU 利用率、降低运营成本和减少碳排放。与其他算法相比，我们的方法提高了系统效用，最高可达 28.6％。

    Apr, 2023

  • 加强基于深度学习和强化学习技术的 Kubernetes 自动调度以优化大规模云计算

    基于深度学习和强化学习的大规模云计算系统自动任务调度方案的研究和验证。

    Feb, 2024

  • 运用遗传算法和模拟退火优化物流配送中心的工人排班

    本研究通过综合应用遗传算法和模拟退火算法，解决了物流中心工人排班的优化问题。该优化问题涉及到永久性和临时性工人的合理排班，以提高物流中心的效率并最小化劳动力使用。研究通过建立一个 0-1 整数线性规划模型，使用遗传算法和模拟退火算法解决模型，并发现遗传算法在解决问题时的质量优于模拟退火算法。最优解揭示了 29857 个人天的最小工时需求。

    May, 2024

  • 分布式机器学习集群中的在线作业调度

    本文针对分布式机器学习系统的调度问题，使用参数服务器框架设计了一种在线算法，以最大化所有作业的整体效用，并在跟踪驱动模拟和实验测试中证明了其优越性。

    Jan, 2018

  • 基于聚类调度的多目标云多工作流公平优化

    该篇论文提出一种基于 makespan、cost 和 fairness 的多目标优化模型和全局聚类多工作流调度策略用于资源分配，实验结果表明该方法在维持整体 makespan 和 cost 的同时也达到了个体公平性，可为云上模拟工作流调度提供指导。

    May, 2022

  • 神经异构调度器

    本研究使用深度强化学习技术，提出了一种方法，在具备多种协处理器的异构 SoC 系统中智能地调度和学习任务流，实验结果表明，相比于传统的调度启发式算法，我们的强化学习系统在最小化执行时间方面提供了更好的选择。

    Jun, 2019

  • 异构多处理器系统下带内存约束的数据分配和任务调度的一种启发式方法

    本文主要研究在共享内存平台下内存限制下数据分配和任务调度问题，提出了一个整数线性规划模型和基于禁忌搜索算法的可行解决方案，并在随机生成的实例上验证了该方法的有效性。

    May, 2022

  • MetaNet: 云环境中自动化动态调度策略的选择

    本研究旨在使用元模型 MetaNet 来解决在线动态选择调度策略的问题，以优化任务调度和执行成本。相比于现有的深度学习调度器，MetaNet 能使执行成本、能源消耗、响应时间和服务水平协议的违规率分别提高 11、43、8 和 13％左右。

    May, 2022