.png){kind=icon}
返回
A Continuous Optimization Approach for Deadline-Constrained Cloud Workflow Scheduling
.png){kind=icon}
PRE
AI
DOI：10.1109/JIOT.2026.3657425.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
云环境下，面向截止时间约束的工作流调度作为典型的NP难问题，在满足用户服务质量（QoS）需求和高效管理云资源方面发挥着关键作用。其核心难点在于处理截止时间约束，现有方法存在两大主要问题：固定截止时间分配策略缺乏对多样化工作流的适应性，以及元启发式搜索在组合空间中需要离散编码和修复规则导致效率低下。为克服这些限制，本文提出一种连续优化方法以高效处理截止时间约束。基本思路是通过迭代优化为每个工作流中的任务寻找合适的子截止时间。首先，将每个任务的子截止时间视为决策变量，建立连续优化问题求解带截止时间约束的工作流调度；其次，针对该连续优化问题，提出一种融合社会学习的社会学习动态多群粒子群优化（SL-DMSPSO）算法，包含以下两个创新设计：1）将整个种群划分为多个群，并在每次迭代中重新划分，确保群动态且随机分配，促进群间信息交换并增强探索多样性；2）在更新各群粒子时引入社会学习，结合个体学习平衡多样性与收敛性。在真实工作流数据集上的实验对比了SL-DMSPSO与最新算法，结果表明SL-DMSPSO在云环境下有效调度截止时间约束工作流方面具有显著优势。
Keyword:
Continuous optimization
deadline constraint
dynamic multiswarm
particle swarm optimization (PSO)
workflow scheduling
期刊
IF:
8.9
论文数:
1.4W
被引数:
7.8W
机构
引用论文
.png){kind=icon}
Cooperative Co-Evolution With Differential Grouping for Large Scale Optimization面向大规模优化的差分分组协同进化算法
OAAI
OAAI分享收藏Damping-Assisted Evolutionary Swarm Intelligence for Industrial IoT Task Scheduling in Cloud Computing阻尼辅助的进化群智能在云计算工业物联网任务调度中的应用OAAI
OAAI分享收藏
查看更多内容