论文部分内容阅读
云计算的任务调度和资源分配一直是当前云计算研究的热点。随着大数据和物联网的发展,如何在最短时间内寻找最优结果是云计算调度分配的核心问题。当前各种改进算法仍然是在算法复杂度和性能之间寻找平衡,并不能从根本上解决该矛盾。针对上述问题,利用深度学习模型训练群组优化调度后的数据来实现对调度结果的直接预测是一条可行的路径。但是由于深度学习复杂的层次结构和数量众多的神经元节点,导致其训练时间比传统的机器学习更长,如何提高训练速度优化深度学习模型是须解决的现实问题。论文主要从两个方面研究,一是从研究优化调度算法的角度以获取更精确的训练样本,另一个方面是从研究改进深度学习模型的角度以提高训练速度。具体工作如下:(1)针对云计算任务调度问题,建立了基于任务最短执行时间的调度模型。(2)针对调度优化效果问题,研究了两种优化算法。在鸟群算法的基础上结合差分进化算法并根据鸟群中个体飞入飞出群体的行为,提出改进型鸟群算法(ISBSA)。在新蝙蝠群算法的基础上加入动态因子,二阶震荡以及差分进化算法等三种改进方式。提出改进型新蝙蝠群算法(ONBA),并使用这两种改进的算法求解本文提出的多目标问题。同时对两种改进算法的求解结果进行对比分析给出各自的使用范围。(3)针对调度优化效率问题,提出改进的深度学习模型(IDBN),在传统的DBN网络前向训练RBM阶段和反向微调阶段引入自适应学习率,并使用上面的学习率改进算法对模型的训练次数进行控制以达到加快训练速度的目的。紧接着对上面的IDBN训练方法进行实验仿真以验证该方法确实能够加快模型的训练速度。(4)最后,论文对前面提出的改进的鸟群算法和改进的新蝙蝠群算法进行多目标任务调度模型的求解以获取调度数据集,并使用数据集训练IDBN模型,之后使用训练完成的IDBN模型对任务的调度结果进行预测并和传统的调度方法在时间上进行对比,以验证本文提出的方法具有实际应用价值。