针对云计算中的任务分配问题,提出一种基于建立时间成本负载约束函数的模拟退火蚁群算法(a restraint Function of Time Cost Load based on the Simulated Annealing ant colony Algorithm,TCBSA-ACO),该算法结合云计算中任务分配的特点,创新地通过建立时间成本约束函数和负载标准差函数分别改进信息素的更新和启发信息,并用模拟退火算法对求出的解进行全局寻优.利用CloudSim工具进行仿真测试,与标准的蚁群算法BACO和最新的改进蚁群算法DSFACO做仿真对比,实验结果表明TCBSA-ACO算法在云任务的执行时间,成本,系统负载均衡率方面均优于这两种算法,提高了系统资源利用率.
为提高云计算环境下资源调度的效率,提出一种基于时间成本负载加强型的蚁群算法TCLB-EACO(time,cost and load balance-enhanced ant colony optimization),在综合参考各种最新蚁群算法的基础上,创新地改进信息素和启发信息。利用CloudSim工具进行仿真测试,与标准ACO算法、最新LBACO算法做仿真对比,实验结果表明,TCLB-EACO算法在任务的执行时间、成本以及系统负载均衡方面均优于这两种算法,提高了系统资源利用率。
为了提高任务在云环境中的执行效率,提出一种基于任务资源匹配度函数和的成本函数的改进蚁群算法(an advanced Matching function of Task Resource and Cost in Ant Colony Optimization,MTRCACO),在综合参考各种最新蚁群算法的基础上,创新地通过任务与资源匹配度函数来改进信息素中的启发信息,并通过成本函数降低云计算中心的负载不均衡度,使虚拟机通过多次算法迭代以后能够处于一种负载均衡的状态,利用CloudSim工具进行仿真测试,实验结果表明MTRCACO算法在任务的执行成本以及系统负载均衡方面均优于IPSO算法和BACO算法,提高了资源的利用率.
