导读:本文包含了任务调度算法论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:算法,节点,相控阵,工作流,优先级,稀疏,利用率。
任务调度算法论文文献综述
王彬[1]（2019）在《基于任务概率聚簇的工作流云费用优化调度算法》一文中研究指出由于云资源具有弹性伸缩、按使用量计费等优势,科研机构将工作流部署在云环境执行。工作流任务在云计算环境执行过程中会产生不可避免的系统开销。针对实际运行环境系统开销过大的问题,笔者提出基于聚簇概率的任务概率聚簇算法,平衡每层任务的资源需求,提高资源分配粒度,降低系统开销和降低公有云执行费用。实验表明,该算法能够有效降低公有云花费。(本文来源于《信息与电脑(理论版)》期刊2019年22期）
黄志武[2]（2019）在《动态物联网节点任务实时传输分簇调度算法》一文中研究指出为解决传统互联网节点任务实时传输分簇调度管理进程和内存管理效率低的问题,笔者提出了动态物联网节点任务实时传输分簇调度算法,通过构建互联网节点任务传输信息流的模型,进行传输信息流的融合处理,能够实现动态物联网节点任务传输信息流的分簇处理。实验数据表明,分簇调度算法较传统调度算法效率更高,适用于动态物联网节点下的实时传输分簇调度。(本文来源于《信息与电脑(理论版)》期刊2019年21期）
邹洪森,李良,奥琛,张普宁,王峥[3]（2019）在《任务类型感知的无线传感器网络数据融合调度算法》一文中研究指出针对数据融合调度能量与时延优化问题,提出一种任务类型感知的无线传感网数据融合调度算法。通过传感器节点多功率、多信道的方式,利用最大独立集思想,构建基于数据融合主干树的网络拓扑结构,从而根据调度优先级,通过近似贪婪算法实现簇内数据融合调度,同时结合稀疏系数感知任务类型,减少传输数据量,进而利用簇头节点在网络中的等级,实现簇间数据融合调度。结果表明:所提算法在减少簇头节点数据传输量,降低节点能耗的同时,缩短了数据融合时延,提高了网络寿命。(本文来源于《科学技术与工程》期刊2019年30期）
黄志武[4]（2019）在《物联网感知层节点任务分布式调度算法研究》一文中研究指出针对传统节点任务调度效率低的问题,笔者设计了物联网感知层节点任务分布式调度算法。通过选取任务节点,本算法减少任务集中出现在同一节点的情况,构建任务调度机制,提高调度过程中的资源整合能力。为保证调度的实时性需求,该算法设定调度时间约束,以此完成物联网感知层节点任务分布式调度。实验结果表明,该算法节点任务分布式调度的效率比传统算法效率高,具有实际应用意义。(本文来源于《信息与电脑(理论版)》期刊2019年20期）
刘燕龙,陶跃,陈占芳,周玉轩,范威振[5]（2019）在《基于K-means的选择性任务调度算法研究》一文中研究指出针对云任务调度中资源利用率低、任务执行时间长、资源和任务的匹配程度低等问题,提出了一种基于K-means的启发式选择调度算法。首先,依据任务的需求特征和资源的属性,通过K-means算法分别对任务和资源进行聚类分簇,使任务和资源形成匹配映射关系,将任务簇对应到合适的资源簇,解决了因任务与资源的不匹配,从而造成的资源浪费的问题。其次,为了快速处理同一资源簇中的不同任务集,采用Min-Min算法和Max-Min算法相结合的选择调度算法,有效地改善了传统的Min-Min算法中系统负载的均衡性和系统的执行效果。最后,在CloudSim云计算仿真实验平台下,实验结果表明改进后的算法具有较好的任务执行效率,与其他方法相比,能有效的减少任务执行时间和最后完成时间、提高系统资源的利用率。(本文来源于《长春理工大学学报(自然科学版)》期刊2019年05期）
杨善超,田康生,李宏权,梁复台,刘仁争[6]（2019）在《相控阵雷达任务调度算法综述》一文中研究指出任务调度是相控阵雷达资源管理的主要内容,高效的任务调度算法是充分发挥相控阵雷达性能的关键。为对任务调度算法的深入研究提供借鉴和支撑,从任务优先级规划、调度策略两方面对相控阵雷达任务调度算法的现状进行了归纳和总结,并着眼于相控阵雷达在反导预警作战中的重要作用和迫切需要,对未来的研究方向进行了展望。(本文来源于《飞航导弹》期刊2019年11期）
李文超[7]（2019）在《EDF多任务调度算法在物联网数据监控平台中的应用研究》一文中研究指出在基于物联网的数据监控平台中,由于感知层数据采集传感器具有种类繁多、数量庞大的特点,这就要求位于通信层的数据接收服务器必须通过一种完善的多任务调度算法来处理高并发通信,以缓解服务器的通信压力并保持处理的高效性。笔者以物联网数据监控平台为出发点,探究通过引入EDF多任务调度算法来处理高并发通信,对EDF多任务调度算法的算法原理与调度流程进行了深入分析,并通过设计实验论证算法的有效性。(本文来源于《信息与电脑(理论版)》期刊2019年17期）
罗斯宁,王化龙,李弘宇,彭蔚[8]（2019）在《基于改进蚁群算法的云计算用户任务调度算法》一文中研究指出云计算技术可以根据需要执行高计算密集型任务。目前,大多数信息技术(IT)行业已经迁移到基于云计算的框架,以服务其客户。云计算框架通过3个不同的层次提供服务,即基础设施层、平台层和应用程序层,支持消费者的即时按需需求(如数据存储、计算能力、高带宽等)。企业和个人可以通过虚拟化技术提供的方式使用这些服务。目前,已经存在许多趋势云提供商,如Amazon EC2、Google、HP和IBM等,其中资源根据客户要求进行虚拟化,并作为"按使用付费"的服务水平协议(SLA)进行提供。云计算可以实现很多功能,如灵活的资源存储库、可扩展和动态的按需服务、基于消费和服务质量(QoS)的服务定价等。在云计算系统中,资源管理起着重要作用,目的是处理由服务提供商提供的资源池,进行配置和分配任务。云计算系统中资源管理的主要部分是任务调度程序,通过优化算法优化"虚拟机(VM)"的预配置,在逻辑资源中分配用户任务提高任务调度过程的性能。任务调度是云计算中非常关键的问题,其中涉及智能搜索和决策,为每个用户任务找到最佳的虚拟机。本文在经典蚁群算法的基础上进行改进,在考虑算法快速收敛的同时满足虚拟机的负载均衡。在标准蚁群算法中,启发因子β是一常数,算法运行的初始阶段,信息素函数的值不变,信息素函数对蚂蚁选择的概率影响程度较小,而在信息素函数通过不断地局部更新,对获得最终解的影响程度不断增加,所以令启发因子β转化为随算法迭代次数变化的减函数:β(i)=b~(1/i)(1)其中,b为常数,i为算法当前迭代的次数。在算法的初始阶段,i值较小,β值较大,蚂蚁首要经由启发函数来选择路径,当算法不断迭代,i值增大,β值减小,同时路径上的信息素浓度增大,信息素函数对蚂蚁选择路径的影响增强,这样可以提高信息素函数的指导作用,有利于找到最优解。为了减少虚拟机过载情况,实现在任务分配过程中的虚拟机负载均衡,本文对信息素函数更新过程进行改进,加入信息素调整因子δ:δ=1-((C_j-C_(avg))/sum from j∈VM to (C_j)(2)其中,C_j是虚拟机在上一次迭代中的运行时间VM_j,C_(avg)是所有虚拟机运行时间平均值,即C_(avg)=sum from j∈VM to(C_j/m)。信息素函数更新方法改进为:τ_(ij)(t+n)=(1-ρ)×τ_(ij)(t)+sum from k=1 to m(△τ_(ij)~k(t)×δ)(3)信息素函数在更新的过程中加入了虚拟机负载状况的影响,当虚拟机的负载程度过大时,δ值减小,信息素函数减小,当进行下一次迭代时,虚拟机被分配任务的概率也随之减小,从而实现负载均衡。仿真平台选择云计算仿真平台工具Cloudsim,为了验证本文算法的调度效率和负载均衡的实现,实验在相同条件和环境下进行,并与Cloudsim自带的经典蚁群调度算法的任务分配结果进行比较。一方面,当虚拟机面临更严重的负载时,本文算法能够用更少的时间完成任务的调度,具有更高的调度效率。另一方面,采用改进蚁群算法执行任务时,计算节点的任务分配标准偏差较低,表明节点的负载均衡度较高。因此,本文算法在负载均衡方面也达到了一定的效果。本文提出了一种基于改进蚁群算法的用户任务调度算法,以解决虚拟机中的任务调度问题。通过对标准蚁群算法的改进,在最小化整体完工时间的同时实现任务调度时间的减小和负载均衡。仿真结果表明,通过该算法的任务调度不仅缩短了任务调度时间,同时实现了任务负载均衡。(本文来源于《生态互联 数字电力——2019电力行业信息化年会论文集》期刊2019-09-07）
夏军,袁帅,杨逸[9]（2019）在《基于异构多核平台低能耗周期任务调度算法》一文中研究指出针对异构多核平台存在的高能耗问题,提出一种运用优化理论求解周期任务最优能耗分配方案的算法。该算法对周期任务的最优能耗问题进行建模,并对模型添加限制条件。根据优化理论将二进制整数规划问题松弛化后得到凸优化问题,通过内点法求解优化问题并得到松弛化的分配矩阵,对分配矩阵进行判决处理后得到部分任务的分配方案。在此基础上,通过迭代的方式求得剩余任务的分配方案。实验结果表明,该分配方案产生的能耗与同类优化理论算法相比能耗降低约1.4%,与能耗相当的优化理论算法相比执行时间减少86%,且仅比理论最优能耗值高2.6%。(本文来源于《计算机应用》期刊2019年10期）
李罡,吴志军[10]（2019）在《基于多QoS约束条件的广域信息管理系统任务调度算法》一文中研究指出提出了面向广域信息管理系统(SWIM)的多QoS约束条件的蚁群优化任务调度算法(QoS-ACO)。针对SWIM中用户对任务请求完成服务质量(QoS)的要求,综合考虑任务完成时间、执行安全性和可靠性因素,构造了新的用户综合满意度评价函数和系统任务调度模型,使用SWIM中业务调度QoS总效用评价函数来更新蚁群算法中的信息素。仿真实验结果表明,同等条件下QoS-ACO算法在任务完成时间、安全性、可靠性和QoS总效用值方面都优于传统Min-Min算法和粒子群优化算法,满足用户的任务调度服务质量要求,较好地完成了SWIM调度任务。(本文来源于《通信学报》期刊2019年07期）
任务调度算法论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
为解决传统互联网节点任务实时传输分簇调度管理进程和内存管理效率低的问题,笔者提出了动态物联网节点任务实时传输分簇调度算法,通过构建互联网节点任务传输信息流的模型,进行传输信息流的融合处理,能够实现动态物联网节点任务传输信息流的分簇处理。实验数据表明,分簇调度算法较传统调度算法效率更高,适用于动态物联网节点下的实时传输分簇调度。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
任务调度算法论文参考文献
[1].王彬.基于任务概率聚簇的工作流云费用优化调度算法[J].信息与电脑(理论版).2019
[2].黄志武.动态物联网节点任务实时传输分簇调度算法[J].信息与电脑(理论版).2019
[3].邹洪森,李良,奥琛,张普宁,王峥.任务类型感知的无线传感器网络数据融合调度算法[J].科学技术与工程.2019
[4].黄志武.物联网感知层节点任务分布式调度算法研究[J].信息与电脑(理论版).2019
[5].刘燕龙,陶跃,陈占芳,周玉轩,范威振.基于K-means的选择性任务调度算法研究[J].长春理工大学学报(自然科学版).2019
[6].杨善超,田康生,李宏权,梁复台,刘仁争.相控阵雷达任务调度算法综述[J].飞航导弹.2019
[7].李文超.EDF多任务调度算法在物联网数据监控平台中的应用研究[J].信息与电脑(理论版).2019
[8].罗斯宁,王化龙,李弘宇,彭蔚.基于改进蚁群算法的云计算用户任务调度算法[C].生态互联数字电力——2019电力行业信息化年会论文集.2019
[9].夏军,袁帅,杨逸.基于异构多核平台低能耗周期任务调度算法[J].计算机应用.2019
[10].李罡,吴志军.基于多QoS约束条件的广域信息管理系统任务调度算法[J].通信学报.2019
论文知识图
