基于Map-Reduce模型的云资源调度方法研究

被引：11

作者：

张恒巍

韩继红

卫波

王晋东

机构：

[1] 解放军信息工程大学三院

来源：

计算机科学 | 2015年 / 42卷 / 08期

关键词：

云计算; Map-Reduce; 资源调度; 粒子群算法; 信息熵; 混沌扰动;

D O I：

暂无

中图分类号：

TP18 [人工智能理论]; TP393.01 [];

学科分类号：

140502 [人工智能];

摘要：

为提高Map-Reduce模型资源调度问题的求解效能,分别考虑Map和Reduce阶段的调度过程,建立带服务质量(QoS)约束的多目标资源调度模型,并提出用于模型求解的混沌多目标粒子群算法。算法采用信息熵理论来维护非支配解集,以保持解的多样性和分布均匀性;在利用Sigma方法实现快速收敛的基础上,引入混沌扰动机制,以提高种群多样性和算法全局寻优能力,避免算法陷入局部最优。实验表明,算法求解所需的迭代次数少,得到的非支配解分布均匀。Map-Reduce资源调度问题的求解过程中,在收敛性和解集的多样性方面,所提算法均明显优于传统多目标粒子群算法。

引用

页码：118 / 123

页数：6

共 12 条

[1]

基于粒子群优化算法的动态多目标优化算法研究及应用 [D].

张伟星 .

郑州大学,

2013

[2]

A View of Cloud Computing [J].

Armbrust, Michael ;

Fox, Armando ;

Griffith, Rean ;

Joseph, Anthony D. ;

Katz, Randy ;

Konwinski, Andy ;

Lee, Gunho ;

Patterson, David ;

Rabkin, Ariel ;

Stoica, Ion ;

Zaharia, Matei .

COMMUNICATIONS OF THE ACM, 2010, 53 (04) :50-58

[3]

Cloud computing and emerging IT platforms: Vision; hype; and reality for delivering computing as the 5th utility.[J].Rajkumar Buyya;Chee Shin Yeo;Srikumar Venugopal;James Broberg;Ivona Brandic.Future Generation Computer Systems.2008, 6

[4]

基于改进蛙跳策略的Map-Reduce作业调度算法 [J].