基于改進進化算法的網(wǎng)格任務(wù)調(diào)度研究與實現(xiàn).pdf

1、目錄mmiABSTRACTIImM緒ifel1.1研究背景和意義l1.2國內(nèi)外研究現(xiàn)狀21.2.1網(wǎng)格任務(wù)調(diào)度的研究現(xiàn)狀21.2.2網(wǎng)格任務(wù)調(diào)度算法的研究現(xiàn)狀31.3本文的主要工作41.4論文的組織結(jié)構(gòu)4第二章網(wǎng)格任務(wù)調(diào)度概述62.1網(wǎng)格的概念和體系結(jié)構(gòu)62.2網(wǎng)格任務(wù)調(diào)度模型92.3網(wǎng)格任務(wù)調(diào)度過程112.4網(wǎng)格任務(wù)調(diào)度的目標132.5網(wǎng)格任務(wù)調(diào)度特點142.6本章小結(jié)15第三章遺傳算法和進化算法的介紹

2、163.1算法的關(guān)鍵理論163.1.1遺傳規(guī)劃模型介紹163.1.2多樣性度量183.1.3收斂性193.1.4模式定理203.2遺傳算法213.2.1遺傳算法的思想213.2.2遺傳算法的實現(xiàn)過程243.3免疫進化算法303.3.1進化算法的思想303.3.2免疫進化算法的實現(xiàn)過程313.4本章小結(jié)32第四章基于改進算法的網(wǎng)格任務(wù)調(diào)度334.1網(wǎng)格任務(wù)調(diào)度模型334.2網(wǎng)格任務(wù)調(diào)度的定義334.3基于改

3、進粗粒度并行遺傳算法的網(wǎng)格任務(wù)調(diào)度354.3.1算法改進的基本思想35摘要網(wǎng)格系統(tǒng)是目前應(yīng)用最廣泛的分布式應(yīng)用系統(tǒng)，它利用Inter將世界上不同地域內(nèi)的資源整合成一個虛擬的有機體，類似于一個邏輯整體或一臺超級計算機，用戶從中不僅可以享受一體化的信息和應(yīng)用服務(wù)，還可以共享資源和協(xié)同工作。網(wǎng)格中不存在資源“孤島“，它實現(xiàn)了信息的充分共享。網(wǎng)格系統(tǒng)強大的計算能力是通過網(wǎng)格上任務(wù)的運行性能體現(xiàn)的，在網(wǎng)格環(huán)境中，任務(wù)調(diào)度問題是網(wǎng)格研究領(lǐng)域的關(guān)

4、鍵問題之一。由于網(wǎng)格環(huán)境的動態(tài)性、分布性及異構(gòu)性等特點，網(wǎng)格任務(wù)調(diào)度面臨巨大的挑戰(zhàn)。本文在分析網(wǎng)格任務(wù)調(diào)度的過程、目標和特點的基礎(chǔ)上，著重做了如下工作：1、在介紹遺傳算法（GeicAlgithmGA)實現(xiàn)過程和算法優(yōu)缺點的基礎(chǔ)上，提出了改進的粗粒度并行遺傳算法。該算法在交叉階段設(shè)計了一種基于模式階的多點交叉算子，在變異階段采用一種基于任務(wù)遷移的定向變異方法，同時采用精英策略保持種群的多樣性。此外，還引入統(tǒng)計學(xué)中“移動平均“的原理來預(yù)測

5、種群進化若干代后適應(yīng)度值的變化趨勢。2、在介紹免疫進化算法（ImmuneEvolutionaryAlgithmIEA)實現(xiàn)過程和算法優(yōu)缺點的基礎(chǔ)上，提出了自適應(yīng)的免疫進化算法。將免疫機制引入到適應(yīng)度函數(shù)的設(shè)計中，且將調(diào)節(jié)因子A:調(diào)整為自適應(yīng)變化的因子。實驗結(jié)果表明改進的算法能夠改善免疫進化算法的不足，很好地保持種群的多樣性。3、利用GridSim仿真器對改進的算法進行了多次的仿真實驗，對比分析了改進前后算法的性能。實驗結(jié)果表明，與改