14、分布式云环境下科学工作流调度研究

分布式云环境下科学工作流调度研究

1. 引言

在云环境中，任务调度至关重要。合理的任务调度能减少任务反应时间，使提交的任务在尽可能短的时间内执行。它涉及在时间限制下找到任务执行的正确顺序，合适的顺序有助于减少任务执行的总时间，提升云环境的效率和性能。为实现高效调度，专家们提出了各种算法，且云的性能会随算法的选择而变化。

2. 背景

在分布式云环境中，众多研究运用不同的优化技术进行工作流调度：
- 粒子群优化（PSO） ：
- 有研究提出基于PSO的启发式方法来调度云系统中的应用程序，在成本计算和通信成本节约方面表现出色。
- 还有研究通过基于小位置规则的PSO模型，尝试最小化任务调度的处理成本，在云系统中取得了较好的任务调度效果。
- 混合蛙跳算法 ：在云系统中对工作流调度进行了进一步优化，在最小化执行成本方面效果显著。
- 猫群优化算法 ：用于优化云系统中的工作调度，同时考虑了执行成本和数据传输成本。
- 遗传和粒子群优化混合算法 ：通过减少云系统中的makespan时间来平衡任务成本，与现有算法相比取得了最优结果。
- BAT算法 ：用于改进云系统中的工作流调度，实现了最小的整体工作流成本。
- 可靠且成本高效的任务调度方法 ：为云系统中程序的执行提供了有效的解决方案，在降低成本方面表现出色。
- 仿真模型 ：通过应用调度