随着云计算的快速发展,如何高效地进行云任务调度逐渐成为云计算研究的重点。任务调度问题属于NP优化问题,许多超启发式算法被应用到任务调度问题。针对蚁群算法在任务调度中存在收敛速度慢、局部搜索能力差和易于陷入局部最优的问题,将蚁群算法和模拟退火算法相结合,提出了蚁群模拟退火算法,拟解决云计算中的任务调度问题。在该算法中,以减少任务的完成时间和保证资源负载均衡为目标,根据蚁群算法构造局部最优解,利用模拟退火算法较强的局部搜索能力,将局部最优解作为模拟退火算法的初始解进行局部搜索并以一定的概率接受当前搜索结果,从而避免算法陷入局部最优。仿真结果表明,蚁群模拟退火算法的性能优于先来先服务(First Come First Served,FCFS)和标准蚁群优化(Ant Colony Optimization,ACO)算法。
在获取RFID(Radio Frequency Identification)数据过程中,大量的漏读导致用户无法直接使用原始数据,需通过一定方法对其清洗。在现有的清洗算法的基础上,分析已有算法的优缺点,并结合马尔科夫链提出改进算法。通过马尔科夫链对于状态转...
详细信息
在获取RFID(Radio Frequency Identification)数据过程中,大量的漏读导致用户无法直接使用原始数据,需通过一定方法对其清洗。在现有的清洗算法的基础上,分析已有算法的优缺点,并结合马尔科夫链提出改进算法。通过马尔科夫链对于状态转移概率的计算,改进SMURF算法检测标签状态改变机制,并将概率引入窗口大小调整策略中。实验中将匀速运动的标签和随机运动的标签产生的数据进行清洗。结果表明,所提出的算法对于数据漏读的填补效果更好。
暂无评论