蚁群算法cloudsim资源调度

❶ 基于蚁群算法的工作流任务调度算法与CloudSim仿真

你这个解决了吗，我毕设也做这个，能不能共享一下代码

❷ 如何将蚁群算法植入cloudsim作为资源调度策略

cloudsim是澳大利亚墨尔本大学的网格实验室和Gridbus项目宣布推出的云计算仿真软件。
主要类的介绍：

Cloudlet类：构建云环境下的任务。
DataCenter类：数据中心，支持虚拟化的网格资源，处理虚拟机上面的信息查询，也包含虚拟机对资源的分配策略的处理。
DataCenterBroker类：隐藏了虚拟机的管理，如创建、任务提交、虚拟机的销毁等，即是一个代理业务。
Host类：扩展了机器对虚拟机除处理单元(PE)之外的参数分配策略，如带宽、存储空间、内存等，一台Host可对应多台虚拟机。
VirtualMachine类：虚拟机类，运行在Host上，与其它虚拟机共享资源，每台虚拟机由一个拥有者所有，可提交任务，并由VMScheler类定制该虚拟机的调度策略。
VMScheler类：虚拟机的调度策略，用来管理执行任务，实现了任务接口。
VMCharacteristics类：提供虚拟机描述。
VMMAllocationPolicy类：虚拟机监视器策略类，描述同一Host上的多台虚拟机共享资源的策略。

VMProvisioner类：实现数据中心的主机到虚拟机的映射。
主要过程：
①初始化一些值。
②创建数据中心,本实验中为两个数据中心：
DataCenter Mydatacenter_0 = createDatacenter(“MyDatacenter_0”);
DataCenter Mydatacenter_1 = createDatacenter(“MyDatacenter_1”);

③创建数据中心的代理业务：
DatacenterBroker broker = createBroker();
Int brokerId = broker.get_id();//获取代理的ID:
④创建虚拟机列表:

Private static VirtualMachineList cerateVm(int userID,int vms)
{
VirtualMachineList list = new VirtualMachineList();

//VM 一些基本参数
Long size = 10000;

Int vcpus = 1;

Int priority = 1;
String vmm = “bingchean”;//my name
//创建一个虚拟机列表数组
VirtualMachineList[] Myvm = new VirtualMachineList[vms];
For(int i = 0;i < vms;i++)
{
Vm[i] = new VirtualMachine
(new VMCharacteristics(i,usersID,size,memory,bw,vcpus,priority,
vmm,new TimeSharedVMScheler()));
//将每个创建好的虚拟机放入列表
List.add(vm[i]);
}
Return list;}

//创建15个虚拟机.
vmlist = createVM(brokerID,15);

//创建40个任务
cloudletlist = createCloudletlist(brokerId,40);

⑤提交任务列表和虚拟机列表
Broker.submitVMList(vmlist);
Broker.submitCloudletList(cloudletlist);

⑥开始仿真.
GridSim.startGridSimulation();
CloudletList newList = broker.getCloudletList();

⑦仿真结束,停止实验,打印结果.
GridSim.stop GridSimulation();
printCloudletList(newList);

⑧打印每个数据中心的dept值.
Mydatacenter_0.printDepts();
Mydatacenter_1.printDepts();

实验里运用蚁群算法对资源分配，和普通的没使用蚁群算法的随机算法进行资源分配的实验进行了对比。创建了两个数据中心，15个虚拟机，分别执行20,30,40,50,60个任务,上图中选取的是执行40个任务时的状态.最后是通过QoS标准对交付给用户的服务进行评判.
结果：

。。。。。太长

执行20个资源:平均耗时:
(4*40 + 11*80 + 3*60 + 2*160) / 15 = 102.67

执行30个资源:平均耗时:
(16*80 + 6*120 + 8*160) / 15 = 218.67

执行40个资源:平均耗时:
(4*80+24*120+12*240) / 15 = 405.33

执行50个资源:平均耗时:
(12*120 + 16*160 + 9*180 + 9*240 + 4*320) / 15 = 601.33

执行60个资源:平均耗时
(32*160 + 12*240 + 16*320) / 15 = 874.67
----------------------------------------------------------------------------------------------------------------

Qos中约束条件可以表述为:

要最终寻找的路径要保证最短,且保证T(R)要最小,在图G中寻找的范围约束条件为满足上式中的ABC.这样做就可以保证云计算在资源分配策略上满足QoS标准.

❸ 如何在cloudsim种实现调度算法

pdf" data_size="93.23M" data_filelogo="https://gss0.bdstatic.com//yun-file-logo/file-logo-6.png" data_number="1" data_sharelink="https://pan..com/s/1JItd0XES609gjhotspdKwQ" data_code="hwb0">

在CloudSim下有个DatacenterBroker.java文件，里面有个方法bindCloudletToVm()，重写这个方法或者写一个分配策略然后自己调用也是一样的，详细的在《云计算第二版》中第九章有说明，也只有在第二版的有，下面是第二版链接，大概也就275页左右吧（PDF） 提取码:hwb0

❹ 如何将蚁群算法植入cloudsim作为资源调度策略

cloudsim是澳大利亚墨尔本大学的网格实验室和Gridbus项目宣布推出的云计算仿真软件。
主要类的介绍：

• Cloudlet类：构建云环境下的任务。
• DataCenter类：数据中心，支持虚拟化的网格资源，处理虚拟机上面的信息查询，也包含虚拟机对资源的分配策略的处理。
• DataCenterBroker类：隐藏了虚拟机的管理，如创建、任务提交、虚拟机的销毁等，即是一个代理业务。
• Host类：扩展了机器对虚拟机除处理单元(PE)之外的参数分配策略，如带宽、存储空间、内存等，一台Host可对应多台虚拟机。
• VirtualMachine类：虚拟机类，运行在Host上，与其它虚拟机共享资源，每台虚拟机由一个拥有者所有，可提交任务，并由VMScheler类定制该虚拟机的调度策略。
• VMScheler类：虚拟机的调度策略，用来管理执行任务，实现了任务接口。
• VMCharacteristics类：提供虚拟机描述。
• VMMAllocationPolicy类：虚拟机监视器策略类，描述同一Host上的多台虚拟机共享资源的策略。


• VMProvisioner类：实现数据中心的主机到虚拟机的映射。

主要过程：
①初始化一些值。
②创建数据中心,本实验中为两个数据中心：
DataCenter Mydatacenter_0 = createDatacenter(“MyDatacenter_0”);
DataCenter Mydatacenter_1 = createDatacenter(“MyDatacenter_1”);

③创建数据中心的代理业务：
DatacenterBroker broker = createBroker();
Int brokerId = broker.get_id();//获取代理的ID:
④创建虚拟机列表:


Private static VirtualMachineList cerateVm(int userID,int vms)
{
VirtualMachineList list = new VirtualMachineList();

//VM 一些基本参数
Long size = 10000;

Int vcpus = 1;

Int priority = 1;
String vmm = “bingchean”;//my name
//创建一个虚拟机列表数组
VirtualMachineList[] Myvm = new VirtualMachineList[vms];
For(int i = 0;i < vms;i++)
{
Vm[i] = new VirtualMachine
(new VMCharacteristics(i,usersID,size,memory,bw,vcpus,priority,
vmm,new TimeSharedVMScheler()));
//将每个创建好的虚拟机放入列表
List.add(vm[i]);
}
Return list;}

//创建15个虚拟机.
vmlist = createVM(brokerID,15);

//创建40个任务
cloudletlist = createCloudletlist(brokerId,40);

⑤提交任务列表和虚拟机列表
Broker.submitVMList(vmlist);
Broker.submitCloudletList(cloudletlist);

⑥开始仿真.
GridSim.startGridSimulation();
CloudletList newList = broker.getCloudletList();

⑦仿真结束,停止实验,打印结果.
GridSim.stop GridSimulation();
printCloudletList(newList);

⑧打印每个数据中心的dept值.
Mydatacenter_0.printDepts();
Mydatacenter_1.printDepts();

实验里运用蚁群算法对资源分配，和普通的没使用蚁群算法的随机算法进行资源分配的实验进行了对比。创建了两个数据中心，15个虚拟机，分别执行20,30,40,50,60个任务,上图中选取的是执行40个任务时的状态.最后是通过QoS标准对交付给用户的服务进行评判.
结果：


。。。。。太长

• 执行20个资源:平均耗时:

(4*40 + 11*80 + 3*60 + 2*160) / 15 = 102.67

• 执行30个资源:平均耗时:

(16*80 + 6*120 + 8*160) / 15 = 218.67

• 执行40个资源:平均耗时:

(4*80+24*120+12*240) / 15 = 405.33

• 执行50个资源:平均耗时:

(12*120 + 16*160 + 9*180 + 9*240 + 4*320) / 15 = 601.33

• 执行60个资源:平均耗时

(32*160 + 12*240 + 16*320) / 15 = 874.67
----------------------------------------------------------------------------------------------------------------

Qos中约束条件可以表述为:


要最终寻找的路径要保证最短,且保证T(R)要最小,在图G中寻找的范围约束条件为满足上式中的ABC.这样做就可以保证云计算在资源分配策略上满足QoS标准.

❺ 云计算：资源调度管理的目录

第1章 云计算概述
1.1 云计算发展背景
1.2 云计算是集大成者
1.3 为什么需要云计算？
1.4 云计算发展现状和趋势
1.5 云计算应用初步分类
1.6 云计算的产业链中的不同角色
1.7 云计算主要特征和技术挑战
1.8 小结
思考题
参考文献
第2章 云数据中心概述
2.1 云数据中心概述
2.1.1 云数据中心介绍
2.1.2 云数据中心的需求和挑战
2.2 云计算数据中心资源调度需求分析
2.2.1 技术需求
2.2.2 技术目标
2.3 云计算数据中心资源调度研究进展
2.4 云计算数据中心资源调度方案分析
2.4.1 goosle解决方案
2.4.2 amazon解决方案
2.4.3 1bm解决方案
2.4.4 hp解决方案
2.4.5 vmware解决方案
2.4.6 其他厂家解决方案
2.5 云计算数据中心资源调度标准进展
2.6 云计算数据中心资源调度关键技术及研究热点
2.7 小结
思考题
参考文献
第3章 云资源定义与建模
3.1 引言
3.2 云数据中心资源建模
3.2.1 云数据中心多级体系结构
3.2.2 云数据中心涉及的资源
3.3 云数据中心资源定义
3.4 资源管理
3.5 小结
思考题
参考文献
第4章 云资源管理
4.1 概述
4.1.1 面向基础设施搭建的管理软件
4.1.2 面向能效设备控制的管理软件
4.1.3 面向虚拟化的数据中心管理软件
4.2 云数据中心资源管理的内容
4.2.1 用户管理
4.2.2 任务管理
4.2.3 资源管理
4.3 资源管理的目标
4.3.1 自动化
4.3.2 资源优化
4.3.3 简洁管理
4.3.4 虚拟资源与物理资源的整合
4.4 资源管理的关键问题
4.4.1 动态多层次分布式资源监控
4.4.2 物理和虚拟资源动态调度
4.4.3 物理和虚拟资源动态快速部署与维护
4.5 数据中心管理系统案例分析
4.6 小结
思考题
参考文献
第5章 云资源调度策略
5.1 资源调度关键技术
5.2 云计算数据中心调度策略对比分析
5.2.1 amazon调度策略
5.2.2 1bm调度策略
5.2.3 hp调度策略
5.2.4 vmware调度策略
5.2.5 其他方案
5.3 主要调度策略分类
5.3.1 性能优先
5.3.2 成本优先
5.4 调度策略约束条件
5.5 调度任务执行时间和触发条件
5.6 小结
附：基本术语
思考题
参考文献
第6章 云资源负载均衡调度算法的分析与设计
6.1 云计算数据中心综合负载均衡调度策略概述
6.2 云计算数据中心负载均衡调度策略中主要调度算法分析
6.2.1 轮转调度算法(rr)
6.2.2 加权轮转调度算法(wrr)
6.2.3 目标地址哈希调度算法(dh)
6.2.4 源地址哈希调度算法(sh)
6.2.5 最小链接算法(lc)
6.2.6 加权最小链接算法(wlc)
6.3 几种动态综合负载均衡调度算法分析
6.3.1 综合利用率乘积法
6.3.2 综合负载基准对比法
6.3.3 动态反馈综合负载均衡调度算法
6.4 负载均衡调度算法对比
6.5 动态反馈综合负载均衡调度算法详细设计
6.5.1 优化目标
6.5.2 动态反馈综合负载均衡调度算法
6.6 小结
思考题
参考文献
第7章 云数据中心资源调度模拟系统
7.1 简介
7.2 现有系统分析
7.2.1 cloudsim
7.2.2 cloudanalyst
7.3 cloudsched模拟系统设计框架
7.4 模拟系统分析——以考虑需求特性的调度算法为例
7.4.1 考虑需求特性调度算法解决的问题
7.4.2 考虑需求特性调度算法主要步骤
7.4.3 考虑需求特性调度算法流程图
7.4.4 考虑需求特性调度算法伪代码
7.4.5 算法类图
7.4.6 算法时序图
7.5 各种算法结果分析
7.5.1 其他算法思想简介
7.5.2 4种算法数据中心不均衡度对比
7.5.3 4种算法物理服务器不均衡度对比
7.5.4 4种算法运行时间对比
7.6 小结
思考题
参考文献
第8章 总结与展望
附录i 虚拟服务器管理系统vmmanager
附i.1 简介
附i.2 体系结构
附i.3 用户界面设计
附i.4 安装与配置
附i.5 vmmanager使用说明
附录ii 云计算模拟分析器cloudanalyst
附ii.1 cloudanalyst的安装过程
附ii.2 cloudanalyst的运行过程及配量方法

❻ 多目标智能优化算法及其应用的目录

《智能科学技术着作丛书》序
前言
第1章 绪论
1.1 进化算法
1.1.1 进化算法的基本框架
1.1.2 遗传算法
1.1.3 进化策略
1.1.4 进化规划
1.2 粒子群算法
1.2.1 标准粒子群算法
1.2.2 算法解析
1.3 蚁群算法
1.3.1 蚁群算法的基本思想
1.3.2 蚁群算法的实现过程
1.3.3 蚁群算法描述
1.3.4 蚁群优化的特点
1.4 模拟退火算法122
1.4.1 模拟退火算法的基本原理
1.4.2 模拟退火算法描述
1.5 人工免疫系统
1.5.1 生物免疫系统
1.5.2 人工免疫系统
1.6 禁忌搜索
1.7 分散搜索
1.8 多目标优化基本概念
参考文献
第2章 多目标进化算法
2.1 基本原理
2.1.1 MOEA模型
2.1.2 性能指标与测试函数
2.2 典型多目标进化算法
2.2.1 VEGA、MOGA、NPGA和NSGA
2.2.2 SPEA和SPEA2
2.2.3 NSGA2
2.2.4 PAES
2.2.5 其他典型MOEA
2.3 多目标混合进化算法
2.3.1 多目标遗传局部搜索
2.3.2 J—MOGLS
2.3.3 M PAES
2.3.4 多目标混沌进化算法
2.4 协同多目标进化算法
2.5 动态多目标进化算法
2.5.1 IMOEA
2.5.2 动态MOEA(DMOEA)
2.6 并行多目标进化算法
2.6.1 并行多目标进化算法的基本原理
2.6.2 多分辨率多目标遗传算法
2.6.3 并行单前端遗传算法
2.7 其他多目标进化算法
2.7.1 高维多目标优化的NSGA2改进算法
2.7.2 动态多目标优化的进化算法
2.8 结论与展望
参考文献
第3章 多目标粒子群算法
3.1 基本原理
3.2 典型多目标粒子群算法
3.2.1 CMOPSO
3.2.2 多目标全面学习粒子群算法
3.2.3 Pareto档案多目标粒子群优化
3.3 多目标混合粒子群算法
3.3.1 模糊多目标粒子群算法
3.3.2 基于分散搜索的多目标混合粒子群算法
3.4 交互粒子群算法
3.5 结论
参考文献
第4章 其他多目标智能优化算法
4.1 多目标模拟退火算法
4.2 多目标蚁群算法
4.2.1 连续优化问题的多目标蚁群算法
4.2.2 组合优化问题的多目标蚁群算法
4.3 多目标免疫算法
4.4 多目标差分进化算法
4.5 多目标分散搜索
4.6 结论
参考文献
第5章 人工神经网络优化
5.1 Pareto进化神经网络
5.2 径向基神经网络优化与设计
5.3 递归神经网络优化与设计
5.4 模糊神经网络多目标优化
5.5 结论
参考文献
第6章 交通与物流系统优化
6.1 物流配送路径优化
6.1.1 多目标车辆路径优化
6.1.2 多目标随机车辆路径优化
6.2 城市公交路线网络优化
6.3 公共交通调度
6.3.1 概述
6.3.2 多目标驾驶员调度
6.4 结论
参考文献
第7章 多目标生产调度
7.1 生产调度描述_
7.1.1 车间调度问题
7.1.2 间隙生产调度
7.1.3 动态生产调度
7.1.4 批处理机调度和E/T调度
7.2 生产调度的表示方法
7.3 基于进化算法的多目标车间调度
7.3.1 多目标流水车间调度
7.3.2 多目标作业车间调度
7.4 基于进化算法的多目标模糊调度
7.4.1 模糊调度：Sakawa方法
7.4.2 模糊作业车间调度：cMEA方法
7.5 基于进化算法的多目标柔性调度
7.5.1 混合遗传调度方法
7.5.2 混合遗传算法
7.6 基于粒子群优化的多目标调度
7.6.1 基于粒子群优化的多目标作业车间调度
7.6.2 多目标柔性调度的混合粒子群方法
7.7 多目标随机调度
7.8 结论与展望
参考文献
第8章 电力系统优化及其他
8.1 电力系统优化
8.1.1 基于免疫算法的多目标无功优化
8.1.2 基于分层优化的多目标电网规划
8.1.3 基于NSGA2及协同进化的多目标电网规划
8.2 多播Qos路由优化
8.3 单元制造系统设计
8.3.1 概述
8.3.2 基于禁忌搜索的多目标单元构造
8.3.3 基于并行禁忌搜索的多目标单元构造
8.4 自动控制系统设计
8.4.1 概述
8.4.2 混合动力学系统控制
8.4.3 鲁棒PID控制器设计
8.5 结论
参考文献
附录 部分测试函数
……