毕业设计文献综述
基于改进粒子群的多目标云任务调度算法研究与实现
1 导言
云计算环境中计算资源数量众多，为了实现资源的充分利用、大幅度提高计算效率，任务调度成为云计算领域中重要的研究问题。任务调度负责将用户任务匹配给合适的虚拟计算资源，算法的优劣将直接影响响应时间，最大完工时间，能耗，成本，资源利用率等一系列与用户和云服务供应商经济利益密切相关的性能指标大小。
2 任务调度分类
任务调度算法的类型根据不同的分类方式具有不同的定义。根据被调度任务之间是否存在依赖关系，可把任务调度分为独立任务调度和工作流调度[1]，根据任务调度算法的特点，可将算法分为启发式、元启发式和混合式，根据任务运行的环境，可分为单云环境任务调度和跨云环境任务调度[2]，根据调度目标的数量，可分为单目标优化和多目标优化[3]。
2.1 单目标优化
单目标优化的任务调度算法重点在于单一目标的最优解,主要包括最小完成时间(Minimum Completion Time, MCT)、最小执行时间(Minimum Execution Time, MET)、交换算法(Switching Algorithm, SA)、贪心算法(Greedy Algorithm, GRA)、先来先服务(先进先出)算法(First Come First Service, FCFS/First In First Out , FIFO)、短作业优先算法(Shortest Job First, SJF)等。单目标优化能取得某方面极好的效果，但局限性也很突出，为了单一指标牺牲其他重要因素常常导致模型效果不理想，为了全局考虑，多目标优化就很有必要了。
2.2 多目标优化
多目标优化要求多个目标达到最优的问题.根据实际情况求解最优资源映射关系的多目标调度问题本质上属于NP-hard问题[4]，目前多采用启发式算法解决此类问题，常用的有包括粒子群算法(Particle Swarm Optimization, PSO)[5]、鲸鱼算法(whale optimization algorithm ,WOA)[6]、免疫算法(Immune Algorithm ,IA)[7]、布谷鸟算法(Cuckoo Search, CS)[8]、模拟退火算法(Simulated Annealing, SA)等。
3 相关文献
Atul Vikas Lakra等[9]提出了一种采用遗传和粒子群算法的云计算多目标任务调度算法，该算法将最小总执行时间作为主要目标，在实时的云计算环境中需要考虑改进其他QoS参数。
郑宇超等[10]提出了一种基于模糊占优排序的DAG任务调度离散粒子群算法，该算法以执行时间、执行代价和调度可靠性为目标,利用改进的粒子群进化机制及解之间的模糊占优关系，在求均衡最优化解中提高了计算效率。
徐建锐等[11]以执行跨度和执行经济代价的同步最小化为目标,得到了Pareto最优的均衡最优解集合,并用hypervolume方法评估解，提高了解质量和均衡性。
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
