基于改進(jìn)進(jìn)化算法的網(wǎng)格任務(wù)調(diào)度研究與實(shí)現(xiàn).pdf

1、目錄mmiABSTRACTIImM緒ifel1.1研究背景和意義l1.2國(guó)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(biāo)132.5網(wǎng)格任務(wù)調(diào)度特點(diǎn)142.6本章小結(jié)15第三章遺傳算法和進(jìn)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(shí)現(xiàn)過程243.3免疫進(jìn)化算法303.3.1進(jìn)化算法的思想303.3.2免疫進(jìn)化算法的實(shí)現(xiàn)過程313.4本章小結(jié)32第四章基于改進(jìn)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(jìn)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(jìn)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(gè)虛擬的有機(jī)體，類似于一個(gè)邏輯整體或一臺(tái)超級(jí)計(jì)算機(jī)，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(shí)現(xiàn)了信息的充分共享。網(wǎng)格系統(tǒng)強(qiáng)大的計(jì)算能力是通過網(wǎng)格上任務(wù)的運(yùn)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(dòng)態(tài)性、分布性及異構(gòu)性等特點(diǎn)，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(biāo)和特點(diǎn)的基礎(chǔ)上，著重做了如下工作：1、在介紹遺傳算法（GeicAlgithmGA)實(shí)現(xiàn)過程和算法優(yōu)缺點(diǎn)的基礎(chǔ)上，提出了改進(jìn)的粗粒度并行遺傳算法。該算法在交叉階段設(shè)計(jì)了一種基于模式階的多點(diǎn)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(shí)采用精英策略保持種群的多樣性。此外，還引入統(tǒng)計(jì)學(xué)中“移動(dòng)平均“的原理來預(yù)測(cè)

5、種群進(jìn)化若干代后適應(yīng)度值的變化趨勢(shì)。2、在介紹免疫進(jìn)化算法（ImmuneEvolutionaryAlgithmIEA)實(shí)現(xiàn)過程和算法優(yōu)缺點(diǎn)的基礎(chǔ)上，提出了自適應(yīng)的免疫進(jìn)化算法。將免疫機(jī)制引入到適應(yīng)度函數(shù)的設(shè)計(jì)中，且將調(diào)節(jié)因子A:調(diào)整為自適應(yīng)變化的因子。實(shí)驗(yàn)結(jié)果表明改進(jìn)的算法能夠改善免疫進(jìn)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(duì)改進(jìn)的算法進(jìn)行了多次的仿真實(shí)驗(yàn)，對(duì)比分析了改進(jìn)前后算法的性能。實(shí)驗(yàn)結(jié)果表明，與改