.png){kind=icon}
返回
Dynamic resource mapping in cloud computing workflows using the modified artificial fish swarm algorithm with dynamic vision and step-size adaptation
.png){kind=icon}
PRE
AI
DOI：10.1007/s00607-026-01652-x.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
云计算最近已成为处理需要高计算能力、可扩展性和高效资源利用的大型科学工作流的一种突出方法。工作流调度涉及将依赖活动分配到云中的虚拟化资源，以确保高效的模型性能。然而，在管理大型科学工作流时，寻找能耗成本与延迟之间的合理权衡仍是一个关键挑战。通常，标准人工鱼群算法（AFSA）等元启发式算法面临严重限制，包括早熟收敛、固定参数设置以及在高维问题中的灵活性有限。为此，本研究提出了一种集成到科学模型中的改进人工鱼群算法（MAFSA）以提高性能和效率。所提出的技术采用了三项重要改进：(i) 一种自适应步长控制模型，用于调整动态人工鱼运动以在有效和高效的搜索空间之间导航；(ii) 一种视觉辅助搜索模型，用于提高全局收敛并克服局部收敛问题；(iii) 通过引入衰减因子来调整精度，以在后续迭代中修改收敛精度。在CloudSim平台上进行了广泛的仿真，使用异构虚拟机和基于DAG的工作流，任务数量范围从100到500。实验结果表明，与最强的基线方法相比，MAFSA可减少21%～28%的能耗和17%～24%的延迟开销。此外，工作负载不均衡和性能下降分别降低了约18%和22%，而QoS提高了近15%。采用t检验和ANOVA的统计验证确认了这些改进具有显著性。
Keyword:
Cloud computing
Artificial fish swarm algorithm
Workflow scheduling
Energy–latency optimization
Processor utilization
期刊
C
IF:
2.8
论文数:
2.3K
被引数:
3.5K
机构
引用论文
分享收藏
An efficient workflow scheduling in cloud-fog computing environment using a hybrid particle whale optimization algorithm基于混合粒子鲸鱼优化算法的云计算-雾计算环境下的高效工作流调度.png)
IF0
PREAI
分享收藏Dynamic load balancing in cloud computing using predictive graph networks and adaptive neural scheduling基于预测图网络和自适应神经调度的云计算动态负载均衡
PREAI
分享收藏Quality of service aware improved coati optimization algorithm for efficient task scheduling in cloud computing environment服务质量感知的改进Coati优化算法，用于云计算环境中的高效任务调度
OAAI
OAAI分享收藏Efficient task scheduling in cloud networks using ANN for green computing基于人工神经网络（ANN）的云计算网络中高效任务调度研究
PREAI
分享收藏
查看更多内容