《雲計算多工作流調度的動態分散式粒子群最佳化方法研究》是依託華南理工大學，由陳偉能擔任項目負責人的面上項目。
基本介紹
- 中文名：雲計算多工作流調度的動態分散式粒子群最佳化方法研究
- 項目類別：面上項目
- 項目負責人：陳偉能
- 依託單位：華南理工大學
項目摘要,結題摘要,
項目摘要
隨著雲計算套用的日益複雜化，工作流技術已成為對雲計算套用實施靈活組織和有效管理的重要手段。圍繞雲工作流技術的核心問題- - 工作流調度問題，針對雲計算環境下多用戶、多套用、資源及負載動態時變等複雜特性對工作流調度所提出的挑戰，開展基於粒子群最佳化方法的雲計算多工作流動態調度方法研究。針對大規模、多工作流的調度難題，依據云計算的分散式資源調度架構建立分散式的雲工作流調度模型，並提出分散式的粒子群調度算法，通過多種群技術及分散式執行策略突破大規模、多工作流調度的效率瓶頸；針對雲計算環境的動態時變特性，研究動態環境下的粒子群調度算法，利用基於啟發信息的編碼策略提高算法對動態環境的適應能力。最終，本項目將給出基於分散式、動態粒子群算法的新型雲計算多工作流動態調度方法。在粒子群最佳化研究層面，本課題是對分散式及動態粒子群算法的前沿探索；在工作流調度研究層面，本課題將為克服雲計算的工作流調度難題提供有效途徑。
結題摘要
隨著雲計算套用的日益複雜化，工作流技術已成為對雲計算套用實施靈活組織和有效管理的重要手段。圍繞雲工作流技術的核心問題——工作流調度問題，針對雲計算環境下多用戶、多套用、資源及負載動態時變等複雜特性對工作流調度所提出的挑戰，本項目開展基於粒子群最佳化方法的雲計算多工作流動態調度方法研究，取得的主要進展包括：（1）針對於大規模多工作流調度的效率問題，研究了面向大規模最佳化的群體智慧型算法，提出了分段學習和分層學習的策略，並基於分散式計算框架研究了群體智慧型算法的協同進化策略，以增大計算規模的方式提升了分散式工作流調度的效率；（2）針對最佳化過程中出現的早熟收斂問題，研究了多峰值最佳化的群體智慧型算法，提出了基於機率分布的多峰最佳化方法以及基於進化路徑的新型差分進化算法，提高了群體智慧型方法對複雜問題求解精度；（3）針對多服務質量指標（QoS）的動態多工作流調度問題，建立了基於有向無環圖的調度模型，研究了多目標的群體智慧型最佳化方法，其中包括面向排列最佳化的基於分解的集合型多目標粒子群最佳化算法，以及基於雙檔案的新型多目標最佳化進化計算方法；（4）將上述研究與方法套用於動態雲工作流調度問題，取得了良好的結果，進一步將此類算法在物流調度與路徑規劃、感測器網路最佳化等領域進行套用拓展和驗證，取得了良好的最佳化效果。 圍繞上述成果，本項目共發表學術論文33篇，其中包括國際期刊論文12篇（IEEE Transactions 論文10篇），國際會議論文21篇，申請發明專利5項；培養博士研究生8人，碩士研究生9人；項目負責人獲邀5次在國外高校就本項目的研究成果進行學術報告和交流，並派遣12人次參與項目相關領域的國際學術會議。本項目的成果，一方面完善了群體智慧型算法的框架，以分段、分層和協同演化的新機制提高了算法求解大規模複雜最佳化問題的效率；另一方面利用群體智慧型算法實現了大規模、多工作流的高效調度，為求解工作流調度等基於排列的調度最佳化問題提供了新的思路和途徑。
