改进混合蛙跳算法的云计算资源调度

改进混合蛙跳算法的云计算资源调度张沫【摘要】Reasonable scheduling of resource is the current research focus in cloud computing environment.Aiming at the shortage of shuffled frog leaping algorithm,we propose a novel cloud computing resource scheduling strategy which is based on improved shuffled frog leaping algorithm (ISFLA).First it introduces the particle update concept to local optimisation process to accelerate convergence rate,then it exerts chaos disturbance on best individual in global optimisation to reduce the probability of local optimum occurrence,finally the simulation experiment is carried out on CloudSim platform.Result shows that the proposed algorithm reduces the completion time of cloud computing task with more reasonable load distribution of resources.%资源合理调度是云计算研究热点。

针对混合蛙跳算法不足，提出一种改进混合蛙跳算法的云计算资源调度策略（ISF-LA）。

改进的猴群算法在云计算资源分配中的研究陈海涛【期刊名称】《计算机系统应用》【年(卷),期】2015(024)008【摘要】It has always been the focus of research as how to solve the resource distribution problem in cloud computing, and aiming at the weakness emerging in the monkey algorithm, i.e. too quick convergence speed and being easy to fall into local optimal, etc. the monkey algorithm is introduced in this paper. First, chaos algorithm and inverse learning are introduced into monkey algorithm to initialize the initial position of monkey swarm. Second, the improvement of climbing, watching and jumping in monkey algorithm has improved the convergence precision of this algorithm. After the test of classic function, algorithm in this paper has improved noticeably in performance compared with other intelligent algorithms. Cloudsim platform has proved that by applying algorithm in this paper to cloud computing, resource consumption has been greatly improved during completing tasks.%如何能够更好的解决云计算资源分配问题一直都是研究的热点, 引入猴群算法, 针对猴群算法中出现的局部收敛速度快, 容易造成局部最优值的缺点, 首先在猴群算法中引入混沌算法和反向学习来初始化猴群的初始位置, 其次, 通过猴群算法中的爬, 望, 跳三个过程的改进使得改算法收敛精度提高. 通过经典函数测试后,本文算法相比其他智能算法的性能有了明显的改进.Cloudsim平台证明将本文算法运用到云计算资源分配中,在任务完成时间, 资源消耗方面都有了很大的提高.【总页数】6页(P191-196)【作者】陈海涛【作者单位】中国食品药品检定研究院,北京 100050【正文语种】中文【相关文献】1.基于改进的蝙蝠算法在云计算中的资源分配 [J], 宋芳琴2.云计算中一种改进的猴群算法在资源分配中研究 [J], 史振华;陈暄3.基于云计算资源分配与调度优化的改进蚁群算法研究 [J], 王玲4.云计算下的一种基于改进的量子遗传算法在资源分配的研究 [J], 毛莉君;王林兵;张燕5.一种改进型的人工蜂群算法在云计算的资源分配中的研究 [J], 黄华因版权原因，仅展示原文概要，查看原文内容请购买。

基于QPSFLA算法的云计算环境资源调度策略贺智明;张扬;高林【期刊名称】《电脑知识与技术》【年(卷),期】2014(000)002【摘要】For the optimization problem of the cloud competing resource scheduling, this paper proposed a strategy based on quantum particle swarm shuffled frog leaping algorithm. This algorithm using quantum particle swarm search strategy in the local search to avoid falling into local optimum. By cloudsim platform simulation tests show that the algorithm has validity, and im-proved shuffled frog leaping algorithm more efficient than the original algorithm.%针对云计算环境下的资源调度优化问题，提出了一种基于量子粒子群策略的混洗蛙跳改进算法（简称QPSFLA算法），旨在引入量子粒子群搜索策略防止传统混洗蛙跳算法容易陷入局部最优的问题。

在CloudSim平台上的模拟试验结果表明，QPSFLA算法能够达到预期效果，而且比平台自带算法和传统混洗蛙跳算法效率更高。

【总页数】4页(P311-314)【作者】贺智明;张扬;高林【作者单位】江西理工大学信息工程学院，江西赣州341000;江西理工大学信息工程学院，江西赣州341000;江西理工大学信息工程学院，江西赣州341000【正文语种】中文【中图分类】TP311【相关文献】1.云计算环境中优化遗传算法的资源调度策略 [J], 崇阳2.云计算环境下基于蚁群优化算法的资源调度策略 [J], 刘永;王新华;邢长明;王硕3.云计算环境下粒子群优化算法的资源调度策略研究 [J], 王猛4.基于竞争粒子群算法的云计算资源调度策略 [J], 王镇道;张一鸣;石雪倩5.基于改进狮群算法的云计算资源调度策略 [J], 王艳红;张革文因版权原因，仅展示原文概要，查看原文内容请购买。

云计算中的资源调度算法的实现与优化云计算作为一种新型的计算模式，提供了强大的计算、存储和网络资源，可以满足不同规模的应用和服务的需求。

然而，随着云计算的快速发展，如何高效地使用和调度这些资源成为了关键问题之一。

资源调度算法在云计算中起着至关重要的作用，它决定了资源的分配和利用效率，直接影响到用户体验和服务质量。

云计算中的资源调度算法主要有以下几种实现方式，包括贪心算法、遗传算法、混合调度算法等等。

这些算法针对不同的场景和问题设计，旨在优化资源的利用效率和整体性能。

首先，贪心算法是一种简单且常见的资源调度算法。

它根据任务的实时需求和资源的可用情况，选择当前最优的资源进行调度。

贪心算法的优势在于实现简单、计算效率高，适用于任务规模较小的场景。

然而，贪心算法的局部最优解策略可能会导致资源利用不均衡和性能波动的问题，对于大规模任务和动态变化的资源需求不够灵活。

为了解决贪心算法的局限性，进化算法中的遗传算法被引入到云计算资源调度中。

遗传算法通过模拟进化过程，逐步改进候选解，从而找到更优的资源调度方案。

遗传算法可以在搜索空间中寻找全局最优解，并且对任务调度的约束条件灵活适应。

然而，遗传算法的计算复杂度较高，需要较长的运行时间和大量的计算资源，不适用于实时调度和高性能要求的场景。

除了贪心算法和遗传算法，混合调度算法是另一个值得探讨的研究方向。

混合调度算法将多种调度策略结合起来，根据任务的特点和环境的变化选择最合适的资源调度方式。

例如，可以结合贪心算法和遗传算法，利用贪心算法快速确定初步调度方案，然后通过遗传算法进一步优化细节。

混合调度算法的优点在于兼顾了不同算法的长处，具有更强的灵活性和适用性。

然而，混合调度算法的实现和参数调优较为复杂，需要权衡各种因素和指标。

在资源调度算法的实现过程中，还需要考虑各种实际因素和约束条件。

例如，考虑到用户的需求变化和系统的实际运行情况，资源调度算法需要具备良好的自适应性和弹性。

网络出版时间：2012-01-16 09:27网络出版地址：/kcms/detail/11.2127.TP.20120116.0927.038.html<计算机工程与应用>云计算环境中基于混合蛙跳算法的资源调度骆剑平，李 霞，陈泯融深圳大学信息工程学院 深圳 518060摘要：本文提出云计算环境中基于改进混合蛙跳算法(Shuffled frog leaping algorithm, SFLA)的保证QoS (Quality of Service) 资源调度方案。

根据任务和资源的特点提出SFLA两种编码结构及其对应更新方程；对调度方案的QoS给出定义；提出根据QoS值进行个体优劣选择的改进SFLA；在CloudSim平台对算法进行了仿真实验。

实验结果证明本文所提出的计算方案有效。

关键词：云计算；服务质量 (QoS)；混合蛙跳算法Guaranteed QoS resource scheduling scheme based on improved Shuffled frog leaping algorithm in cloud environmentLuo Jian-ping Li Xia Chen Min-rong(College of Information Engineering, Shenzhen University, Shenzhen,518060, P.R. China)Abstract: The resource scheduling scheme for cloud computing environment, that provides QoS（Quality of Service）guarantees, is presented in this paper based on improved Shuffled FrogLeaping Algorithm (SFLA). Two encoding structures for SFLA are introduced in accordance withthe characters of tasks and resources, the QoS of scheduling scheme is defined, and the improvedSFLA based on the QoS selections is given in ditails. Finally, the experiments simulated inCloudSim platform show that our algorithms are efficient.Key Words: Cloud computing; QoS; Shuffled Frog leaping algorithm (SFLA)1 引言云计算（Cloud Computing）是分布式处理（Distributed Computing）、并行处理（Parallel Computing）和网格计算（Grid Computing）的发展,是虚拟化（Virtualization）、效用计算（UtilityComputing）、IaaS（基础设施即服务）、PaaS（平台即服务）、SaaS（软件即服务）等概念整合并提升的结果[1]。

云计算环境中基于混合蛙跳算法的资源调度骆剑平;李霞;陈泯融【期刊名称】《计算机工程与应用》【年(卷),期】2012(048)029【摘要】The resource scheduling scheme for cloud computing environment, that provides QoS (Quality of Service) guarantees, is presented in this paper based on improved Shuffled Frog Leaping Algorithm (SFLA). Two encoding structures for SFLA are introduced in accordance with the characters of tasks and resources, the QoS of scheduling scheme is defined, and the improved SFLA based on the QoS selections is given in ditails. The experimental results in CloudSim platform show that the algorithms are efficient.%提出云计算环境中基于改进混合蛙跳算法(Shuffled Frog Leaping Algorithm,SFLA)的保证QoS(Quality of Service)资源调度方案.根据任务和资源的特点提出SFLA两种编码结构及其对应更新方程；对调度方案的QoS给出定义；提出根据QoS值进行个体优劣选择的改进SFLA;在CloudSim平台对算法进行了仿真实验.实验结果证明所提出的计算方案有效.【总页数】6页(P67-72)【作者】骆剑平;李霞;陈泯融【作者单位】深圳大学信息工程学院,广东深圳518060;深圳大学信息工程学院,广东深圳518060;深圳大学信息工程学院,广东深圳518060【正文语种】中文【中图分类】TP393【相关文献】1.云计算环境下基于负载平衡的数字图书馆虚拟机集群资源调度策略 [J], 马晓亭;李婷2.基于QPSFLA算法的云计算环境资源调度策略 [J], 贺智明;张扬;高林3.云计算环境下基于 ABC-QPSO 算法的资源调度模型 [J], 温聪源;徐守萍;曾致远4.云计算环境中基于分布估计蛙跳算法的资源调度 [J], 宁菲菲;王建玺5.云计算环境下基于效益最优的资源调度策略 [J], 熊安萍;黄凯;杨川因版权原因，仅展示原文概要，查看原文内容请购买。

改进的混合蛙跳算法及其应用张潇丹;胡峰;赵力;邹采荣【摘要】针对混合蛙跳算法(SFLA)后期搜索速度变慢,容易陷入局部极值的缺点,提出一种改进的混合蛙跳算法(ISFLA).借鉴分子动力学模拟思想,将正态云模型云滴的随机性和稳定倾向性特点应用于比例积分微分(PID)控制器的参数整定中.ISFLA将青蛙个体等效成分子,提出一种新的分子间作用力.利用Velocity-Verlet算法和正态云发生器代替SFLA的更新策略,平衡了搜索的高效性和种群的多样性.仿真结果表明:ISFLA提高了收敛精度、收敛速度、寻优时间、稳定性和后期跳出局部极值的能力,其全局寻优能力优于SFLA；基于ISFLA整定的PID控制器具有良好的鲁棒性、优良的抗干扰性和满意的闭环控制效果.%Aiming at the defects of the shuffled frog leaping algorithm (SFLA) such as slow searching speed and easily trapping into local extremum at anaphase, an improved shuffled frog leaping algorithm(ISFLA) is proposed here. The properties of randomness and stable tendency of the normal cloud theory are applied to the parameters tuning of a proportional integration differential (PID) controller using the ideas of molecular dynamics simulations for reference. The ISFLA equals the frog individual to molecular and proposes a new intermolecular force. The population diversity and search efficiency are balanced by using the Velocity-Verlet algorithm and normal cloud generator instead of the SFLA update strategy. The simulation results indicate that the ISFLA improves the convergence precision, the convergence speed, the optimization time, the stability and the capacity of out-of-local extremum at anaphase; the ISFLA-designed PID controller hasgood robustness, strong anti-interference ability and satisfactory closed-loop control result.【期刊名称】《南京理工大学学报（自然科学版）》【年(卷),期】2012(036)006【总页数】6页(P939-944)【关键词】混合蛙跳算法;分子动力学模拟;云模型;比例积分微分;控制器【作者】张潇丹;胡峰;赵力;邹采荣【作者单位】东南大学水声信号处理教育部重点实验室,江苏南京210096;东南大学水声信号处理教育部重点实验室,江苏南京210096;东南大学水声信号处理教育部重点实验室,江苏南京210096;东南大学水声信号处理教育部重点实验室,江苏南京210096【正文语种】中文【中图分类】TP301混合蛙跳算法(Shuffled frog leaping algorithm，SFLA)［1－3］是 2003 年由Eusuff和 Lansey 提出的一种基于群体智能的后启发式计算技术。

基于蚁群优化-蛙跳算法的云计算资源调度算法陈暄;徐见炜;龙丹【摘要】针对云计算资源调度存在效率低的问题,提出了基于服务质量(QoS)的云计算资源调度算法.首先,在蚁群优化(ACO)算法中采用质量函数和收敛因子来保证信息素更新的有效性,设置反馈因子来提高概率的选择;其次,在蛙跳算法(SFLA)中通过交叉因子和变异因子来提高SFLA的局部搜索效率;最后,在ACO算法的每一次迭代中通过引入SFLA的局部搜索和全局搜索进行更新,提高了算法的效率.云计算的仿真实验结果表明,与基本的ACO算法、SFLA、改进后的粒子群优化(IPSO)算法、改进的人工蜂群算法(IABC)相比,所提算法在QoS的4个指标中有最少的完成时间、最低的消耗成本、最高的满意度和最低的异常数值,表明所提算法能够有效地运用在云计算资源调度中.%Aiming at the issue of low efficiency existing in resource scheduling of cloud computing,a new resource scheduling algorithm of cloud computing based on Quality of Service (QoS) was proposed.Firstly,the quality function and convergence factor were used in Ant Colony Optimization (ACO) algorithm to ensure the efficiency of pheromone updating and the feedback factor was set to improve the selection of probability.Secondly,the local search efficiency of Shuffled Frog Leading Algorithm (SFLA) was improved by setting crossover factor and mutation factor in the SFLA.Finally,the local search and global searchof the SFLA were introduced for updating in each iteration of ACO algorithm,which improved the efficiency of algorithm.The simulation experimental results of cloud computing show that,compared with the basic ACO algorithm,SFLA,Improved Particle Swarm Optimization (IPSO)algorithm and Improved Artificial Bee Colony algorithm (IABC),the proposed algorithm has advantages in four indexes of QoS:the least completion time,the lowest cost of consumption,the highest satisfaction and the lowest abnormal value.The proposed algorithm can be effectively used in resource scheduling of cloud computing.【期刊名称】《计算机应用》【年(卷),期】2018(038)006【总页数】6页(P1670-1674,1681)【关键词】云计算;质量函数;蚁群优化算法;蛙跳算法;反馈因子【作者】陈暄;徐见炜;龙丹【作者单位】浙江工业职业技术学院,浙江绍兴312000;浙江工业职业技术学院,浙江绍兴312000;浙江大学理学部,杭州310058【正文语种】中文【中图分类】TP393.0270 引言云计算下的资源调度一直以来都是研究的重点，能否有效、合理地分配资源关系到云计算下是其效率能否提高的关键［1］。

一种改进的混合蛙跳算法赵红星;常小刚【摘要】针对混合蛙跳算法后期收敛速度慢、精度低并易陷入局部最优的问题,提出一种改进的混合蛙跳算法.在改进的混合蛙跳算法中,对青蛙的觅食机制和进化迭代公式重新定义,青蛙的第一跳向模因组其它青蛙单维搜索,第二跳向模因组内最优青蛙单维搜索,第三跳向全局最优青蛙单维搜索,通过青蛙的三跳协同搜索,能够使算法的全局搜索能力和局部搜索能力得到显著改善.通过7个测试函数与ABC算法和标准混合蛙跳算法实验对比,实验结果表明改进的混合蛙跳算法具有比ABC算法和混合蛙跳算法更优秀的搜索性能,在收敛速度和收敛精度方面具有明显的优势.%To solve the problem of slow convergence speed,low precision and easy to fall into local optimum of SFLA algorithm,an improved shuffled frog leaping algorithm (BCSFLA) is proposed.The searching mechanism and the evolutionary iteration formula of frogs are redefined.In the frog's first and second jump search,it's learning toward the other frogs and the optimal frog in the model group,and in the frog's third jump search,it's learning toward the global optimal frog.Through the cooperation of the three jump search,the global search ability and local search ability of the algorithm are improved significantly.Experiments are conducted on a set of 7 benchmark functions and compared with ABC algorithm and SFLAalgorithm.Finally,the result demonstrates a good performance of BCSFLA algorithm.【期刊名称】《兰州交通大学学报》【年(卷),期】2017(036)001【总页数】6页(P51-56)【关键词】混合蛙跳算法;人工蜂群算法;全局搜索;函数优化【作者】赵红星;常小刚【作者单位】兰州交通大学交通运输学院,甘肃兰州 730070;兰州交通大学现代信息技术与教育中心,甘肃兰州 730070;兰州交通大学现代信息技术与教育中心,甘肃兰州 730070【正文语种】中文【中图分类】TP301.6混合蛙跳算法(shuffled frog leaping algorithm,SFLA)[1]是Eusuff和Lansty依据群智能思想于2000年提出的一种亚启发式算法，该算法结合了模因算法(MA)[2]和粒子群算法(particle swarm optimization,PSO)[3]的优点，通过模拟青蛙群体的觅食过程，以局部搜索和全局信息交流的方式，在搜索范围内寻找最优解.SFLA因算法简单、易于理解、控制参数少且具有相对较优的搜索能力而得到了学者的广泛关注.文献[4]建立了SFLA的Markov链数学分析模型.文献[5]将人工鱼群算法(artificial bee colony algorithm,ABC)与SFLA结合提出了混合算法CSFLA(composite shuffled frog leaping algorithm).文献[6] 改进了SFLA的进化计算公式，使进化计算受到模因组内的最优个体、全局最优个体和干扰因子三者共同的影响，并成功解决了无线传感网的定位问题.文献[7]提出了基于惯性因子的SFLA.文献[8]将自适应粒子群(SAPSO)算法与SFLA相互结合，成功解决了配电网的重构问题.文献[9]将幂律极值动力学优化与SFLA融合，分析了容量约束车辆路径问题，并通过实例证明了算法的有效性.文献[10]引入模拟退火(SA)、免疫接种(IV)、高斯变异和混沌扰动算子以提高SFLA算法的深度搜索能力和广度搜索能力，改进后的SFLA算法成功优化了支持向量机(SVM)的参数.针对SFLA的全局收搜索能力和深度搜索能力的不足之处，提出了一种改进的混合蛙跳算法(bee colony shuffled frog leaping algorithm,BCSFLA)，在BCSFLA的寻优过程中，结合了人工蜂群算法的单维搜索机制，并且根据模因组的最坏青蛙进化情况决定是否由模因组的最优青蛙进行精细化搜索，通过对青蛙觅食过程的重新定义，使BCSFLA的全局搜索能力和精度搜索能力同时得到提高.利用7个60维的测试函数，进行了BCSFLA、ABC、SFLA的计算试验对比，结果表明BCSFLA在函数优化方面具有比ABC和SFLA更明显的优势.SFLA是模拟青蛙觅食过程中的信息交流特点在SFLA中，每个模因组的局部搜索首先是由该模因组的最坏青蛙在该模因组的最优青蛙或者全局最优青蛙的启发下计算进化，如果产生的新个体优于该模因组的最坏青蛙，则利用新个体代替该模因组的最坏青蛙，在下一次计算时，新的最坏青蛙必然优于之前的最坏青蛙，经过多次计算，从而使整个模因组实现进化.如果该模因组的最坏青蛙在进化计算时产生的新个体不优于当前的最坏青蛙，则在搜索范围内随机产生新个体代替当前的最坏青蛙，从而拓展了算法的全局搜索能力.在标准的SFLA算法中，青蛙的第一跳和第二跳是由模因组最坏青蛙向该模因组最优青蛙或者全局最优青蛙方向搜索，在算法的后期，如果部分较优秀的青蛙始终保持不变，将导致整个群体只向少部分较为优秀的青蛙方向搜索，从而使算法的广度搜索能力有所减弱.同时，随着算法的不断进化，模因组的最坏青蛙本身也携带了较为优秀的信息，此时模因组内的最坏青蛙很难通过前两跳得到改善，那么青蛙的第三跳将对模因组最坏青蛙随机处理，便不可避免地使最坏青蛙出现退化现象，影响了算法的搜索速度和搜索深度.为了提高蛙群的全局搜索能力，青蛙在第一跳的时候可以利用模因组内其它青蛙的启发信息，使模因组最坏青蛙可以朝着多个方向搜索.同时，为了使蛙群的整体质量得到快速提高，可以规定青蛙的第二跳向所在模因组内的最优青蛙学习，通过最坏青蛙的不断改善，将使模因组内的所有青蛙质量得到快速提高.在标准的SFLA 中，所有的搜索都是由模因组最坏青蛙完成的，缺乏对优秀个体周围充分的精细化搜索，使后期收敛速度慢. 故此，青蛙的第三跳可以由模因组最优个体进行精细化搜索，使算法的深度搜索能力得到提高.同时，为了避免BCSFLA在搜索时由于迭代空间过大，降低搜索性能，特借鉴了ABC的单维度计算方法，使BCSFLA以较小的搜索范围进行寻优迭代，进一步保证了算法的精细化搜索能力.BCSFLA的详细流程如图2所示.在BCSFLA算法的蛙群寻优过程中，青蛙的第一跳操作如果可以改善当前最坏青蛙，则算法直接进行下一次局部搜索判断，如果通过青蛙的第一跳操作没有使最坏青蛙得到改善，说明此时倾向广度搜索操作难以找到更加优秀的个体，则此时由最坏青蛙向模因组的最优青蛙方向搜索，以达到快速提高群体的整体质量的目的，如果此时最坏青蛙得到了改善，则进入下一次的局部搜索判断，否则青蛙进入第三跳操作，在第三跳的操作过程中，说明当前模因组的整体质量很难由最坏青蛙的搜索而得到改善，则此时应该由当前模因组内的最优青蛙进行精细化搜索，从而提高算法的搜索深度.在以上蛙群搜索过程中，青蛙的第一跳操作可以保证算法有较强的全局搜索能力，而第二跳操作可以快速改善蛙群的整体质量，使得第三跳精细化搜索更加高效.BCSFLA是通过分析SFLA的寻优进程，在SFLA算法框架基础之上结合人工蜂群算法的寻优机制，从而对SFLA的进化计算公式进行了重新定义.SFLA算法时间和空间复杂度分别为O(M×N×D×G)和O(M×N×D)，其中：M为模因组个数；N 为每个模因组个体数；D为优化问题维度；G为算法全局迭代次数.BCSFLA相对只是更改了SFLA算法的进化计算公式，由原来的D维变成了单维计算，并且在单维计算中只是参照了人工蜂群算法的进化策略，并未影响SFLA算法的时间复杂度和空间复杂度.因此，BCSFLA算法基本未增加运算时间和空间开销.为了测试BCSFLA的收敛性能，本文选用文献[11-13]中的7个60维的测试函数进行实验分析.各函数的表达式、搜索范围以及理论最优值如表1所列.同时，为了验证BCSFLA的性能优势，选择具有比遗传算法(genetic algorithm,GA)、PSO、差分算法(differential evolution algorithm, DE)更具优势的ABC[13-14]，以及标准SFLA算法进行性能对比，各算法的参数设置如下：BCSFLA：蛙群大小SN=100，模因组个数M=10，每个模因组包含青蛙个数N=10，模因组的局部搜索次数l=10；ABC算法：蜂群大小SN=100，参照文献[15]设置lim it=0.3×SN×D，D为具体问题的搜索维度；SFLA：蛙群大小SN=100，模因组个数M=10，每个模因组包含青蛙个数N=10，模因组的局部搜索次数l=10.三种算法搜索的终止条件为全局迭代次数G=3 000，所有实验均在内存为4 Gbyte，处理器Intel(R)Core i5-3750 3.40 GHz计算机上，采用VC++6.0实现. 为了使实验结果更加客观，使所有实验独立运行30次，统计30次实验结果的平均值和方差如表2所列.从表2的实验结果可以看出，在优化函数f3和f5时，BCSFLA和ABC同时获得了全局最优解，而在其它函数优化实验中，BCSFLA具有比ABC和SFLA更优秀的结果，而且优势较为明显.这是由于在进化计算时，青蛙的第一跳搜索侧重于广度搜索，能够增强算法的全局搜索能力，青蛙的第二跳搜索能够使模因组内的所有青蛙得到快速改善，从而改善了群体的整体质量，青蛙的第三跳则使蛙群具有了精细化搜索能力，通过模因组内的最优青蛙向全局最优青蛙的学习，使算法的收敛精度得到了有效提高.同时，从实验结果可以看出，ABC比SFLA更具优势，ABC算法通过雇佣蜂和侦察蜂的搜索提升了算法的全局搜索能力，而观察蜂更加倾向于选择优秀个体进化，提高了算法的深度搜索能力.在SFLA中，算法的搜索总是由模因组内的最坏青蛙向模因组内最优青蛙和全局最优青蛙学习，或者进行随机搜索，导致了算法的搜索性能低下.为了比较三种算法对各函数随迭代次数的收敛速度，三种算法对各函数30次收敛的平均过程如图3所示.从三种算法对各函数30次收敛的平均过程可以看出，BCSFLA随迭代次数的变化，总能够以较快的速度发现比ABC算法和SFLA更好的解，这是因为BCSFLA通过青蛙的三跳操作，有效地均衡了算法的全局搜索和深度搜索机会，在提升算法的搜索覆盖范围的同时，能够开发部分优秀青蛙的领域，减少了青蛙学习的方向的盲目性，借鉴ABC算法的进化计算公式，提高了青蛙能够以更高的效率向其它优秀青蛙进行学习.针对SFLA全局搜索能力和深度搜索能力的不足，提出了BCSFLA，重新定义了青蛙的三跳寻优机制，通过青蛙三跳搜索的互相协作，均衡了算法的全局搜索和深度搜索机会.通过常用的7个60维测试函数的试验对比分析表明：BCSFLA在函数优化方面具有比ABC和SFLA更好的收敛性能.。

混合蛙跳算法在云计算资源调度的策略改进王冠宇;王庆生;赵腾【摘要】Shuffled frog leaping algorithm(SFLA) has already been applied to the resource scheduling in cloud computing. Here,an improving strategy for the corresponding applications are put forward aimed at some existing issues,such as the high randomicity of frog populationinitialization,blindness of local search as well as easily sink-ing into local optima. To begin with,the population initialization was carried out via the combination of the SY-MM algorithm and randomly generation approach, creating multifarious frog population with favourable fitness. Then, the stepsize formula in the local search of traditional frog algorithm was also improved to update the step size by it-self and enhance the local search capacity. It has been demonstrated that the modified algorithm possesses good op-timal performance for both the resource scheduling time and the load balancing ability in cloud computing.%混合蛙跳算法已在云计算资源调度有所运用.针对青蛙种群初始化随机性大、局部搜索盲目、容易陷入局部最优的问题,提出了一种混合蛙跳算法在云计算资源调度的改进策略.该改进策略首先运用SY-MM算法和随机生成方式结合的方法对种群进行初始化,生成适应度较好且保持多样性的青蛙种群;然后对传统蛙跳算法局部搜索中步长公式进行改进,使得能够自适应的去更新步长,进而提升局部搜索能力.通过实验证明改进算法对于云计算中资源调度的时间和负载平衡方面有良好的优化性能.【期刊名称】《科学技术与工程》【年(卷),期】2018(018)004【总页数】7页(P297-303)【关键词】云计算;资源调度;混合蛙跳算法;SY-MM算法;时间;负载平衡【作者】王冠宇;王庆生;赵腾【作者单位】太原理工大学计算机科学与技术学院,太原030024;太原理工大学计算机科学与技术学院,太原030024;北方自动控制技术研究所,太原030024【正文语种】中文【中图分类】TP391.75云计算[1]是网格计算、分布式计算、并行计算、效用计算、网络存储、虚拟化、负载均衡等传统计算机技术和网络技术发展融合的产物。

改进混合蛙跳算法的研究作者：高建瓴潘成成吴建华陈娅先王许来源：《贵州大学学报（自然科学版）》2019年第05期摘要：针对传统混合蛙跳算法（SFLA）在优化过程中出现的求解精度不高、收敛速度慢、算法易陷入局部最优的问题，本文经过改变种群个体的位置更新公式，提出一种改进混合蛙跳算法（IS，FLA）。

在种群个体位置更新公式中，引入自适应同步因子和惯性权重系数。

通过引入自适应同步因子，控制青蛙寻优过程中的移动步长，改进算法的局部搜索范围，保持种群的多样性。

通过引入惯性权重系数，加入上一次的移动距离，表示对过去的经验记忆，加快搜索速度。

通过对6个测试函数的实验结果表明，改进后的混合蛙跳算法相较于传统混合蛙跳算法具有较好的寻优性能。

关键词：混合蛙跳算法：自适应同步因子：惯性权重系数：局部搜索中图分类号：TP391文献标识码：A蛙跳算法（Shumed Fmg Leading Algorithm）是一种启发式算法，通过启发式函数进行启发式搜索，从而找到组合最优问题的解。

混合蛙跳算法的运行原理从仿生上来说可以这么认为：在一个池塘，有若干块石头，青蛙可以落在石头上，每块石头上可以获取到的食物数量是不同的，在池塘中有很多只青蛙，也有很多块石头，青蛙间可以交流，这样所有青蛙就都会往自己所在蛙群中所知道的最多食物的方向跳，或往全部青蛙中食物最多的方向跳，最终在池塘中找到最多食物的石头。

他结合了以遗传为基础的memetic算法和以社会行为为基础的粒子群优化算法的优点，其显著特点是具有局部搜索与全局信息混合的协同搜索策略，寻优能力强，易于编程实现。

虽然混合蛙跳算法具有概念简单，调整的参数少，全局搜索寻优能力强，易于实现的特点。

但是该算法与其他群智能优化算法类似也存在着一些缺点，求解精度不高、收敛速度慢、算法易陷入局部最优的问题。

针对这些问题，近年来也有不少的国内外学者对其进行研究改进，张新明等提出了将每次只更新组内最差青蛙的方式改为更新组内所有青蛙的方式，增大了获得优质解的概率，提高可操作性和优化效率。

基于改进蛙跳策略的Map-Reduce作业调度算法梁静;许波;葛宇【期刊名称】《计算机应用研究》【年(卷),期】2013(30)7【摘要】In order to improve the efficiency of computing of intelligence algorithm in Map-Reduce job scheduling problems,this paper proposed an improved shuffled frog leaping job scheduling algorithm.Specifically,the algorithm designed the coding plan and evolutional operators,targeted in solving Map-Reduce job scheduling problems with frog methodology;and improved frog methodology,utilizing diversity of population to increase inversion mutational strategy,and improved the convergence capability of the algorithm.In simulation experiment,the improved frog strategy has more capability in convergence,total task time and average task time compared with the traditional frog methodology and up-to-date intelligence algorithm in solving MapReduce job scheduling problems,and thus a practical approach in Map-Reduce scheduling.%为提高智能算法在Map-Reduce作业调度问题中的求解效率,提出一种基于改进蛙跳策略的调度算法.针对蛙跳策略在Map-Reduce作业调度中的应用,算法具体设计了编码方案和进化算子；同时,为提高算法收敛性能,对蛙跳策略进行改进:结合种群多样性指标增加逆转变异操作.仿真实验结果表明,提出的改进蛙跳策略在Map-Reduce作业调度问题求解中,收敛性能、作业总完成时间和平均完成时间三个方面均优于基本蛙跳策略和已有的智能调度算法,是一种实用的Map-Reduce作业调度方案.【总页数】4页(P1999-2002)【作者】梁静;许波;葛宇【作者单位】成都工业学院网络中心,成都611730;广东石油化工学院计算机科学与技术系,广东茂名525000;四川师范大学基础教学学院,成都610068【正文语种】中文【中图分类】TP301【相关文献】1.基于元胞机和改进GA的大型零件柔性作业车间调度算法 [J], 陈勇;阮幸聪;鲁建厦;王亚良2.基于蚁群优化-蛙跳算法的云计算资源调度算法 [J], 陈暄;徐见炜;龙丹3.基于节点性能的Hadoop作业调度算法改进 [J], 冯兴杰;贺阳4.一种Hadoop中基于改进遗传算法的作业调度算法 [J], 徐肖;胡吉明5.基于蚁群算法和蛙跳算法的云计算资源调度算法 [J], 郭琪瑶;朱范德因版权原因，仅展示原文概要，查看原文内容请购买。

云计算平台的资源调度与优化云计算是当今信息技术领域的一项热门概念，它指的是通过网络将计算机资源、软件和数据交付给最终用户。

而云计算平台则是云计算技术实现的关键。

它是一个协同分布式系统，在其中计算资源、存储设备和通信网络等资源均可在实时性、容错性和可扩展性上得到保证，以满足用户的需求。

但对于云计算平台来说，资源调度与优化面临的挑战也不少。

一、云计算平台资源调度资源调度是云计算平台中的一个核心问题。

在云计算平台上，资源调度可以看作是一个动态调度问题，也是一种资料流的模拟调度。

主要包含以下几个任务：1.请求管理和调度：对请求进行响应和调度，以提高执行效率和及时性。

2.资源动态管理：对硬件资源进行动态分配和管理，以支持不同业务和应用场景。

3.迁移和灾备：针对资源的负载平衡，进行云端迁移和备份操作；并做好准备，以应对各种意外情况。

资源调度可分为静态调度和动态调度两种模式。

下面，我们来分别看一下两种调度模式的优缺点。

静态调度是预先安排调度资源，程序开始运行后就按照预案以顺序一步一步执行。

如此做法通常更适合中央集权且稳定的管理模式，但不利于应对不断变化的业务需求。

动态调度是根据预设的策略和负载实时判断压力状况，在需要的时候动态地添加或移出资源。

这种模式对于业务峰值期的应对，或是大量业务突然发生的情况，具有很大的优势。

对于云计算平台，为了达到高效地资源调度，应用多种技术的叠加，如容器化、虚拟化、自适应负载均衡等。

二、云计算平台资源优化云计算平台上的资源优化任务主要包括以下几个方面：1.算法优化：在资源调度之后，通过对算法的优化可以提升计算效率，减小限制。

2.能源管理：云计算平台耗能较大，如何通过多方面的手段节约能源，并减小环境影响，是云计算平台优化的重点。

3.成本控制：云计算平台使用的硬件、软件等资源费用昂贵，如何通过有效的措施降低成本，是在当前市场竞争中的必要条件。

对于云计算平台的资源优化，首先要进行相关的数据分析和测量，即对云计算平台的各个方面进行测量和统计，从而掌握其整体情况及其优化的方向。

基于改进混合蛙跳算法的网格任务调度策略欧阳;孙元姝【摘要】针对网格任务调度问题,提出一种基于改进混合蛙跳算法的网格任务调度策略.通过引入遗传算子增加对局部极值的扰动,以避免陷入局部最优,同时借鉴粒子群优化算法中粒子飞行经验,对青蛙移动策略进行优化.实验结果表明,该策略高效合理,能够缩减执行任务的时间跨度,并提高最优解的质量.%This paper proposes an improved Shuffled Frog Leaping Algorithm(SFLA) for grid task schedule. The algorithm is based on traditional SFLA. It introduces the genetic operators to increase relative extremum disturbance to avoid falling into a local optimum, and the frog leaping strategy is optimized by learn from the particle flying experience of Particle Swarm Optimization(PSO) algorithm. Experimental results prove the strategy has better performance. It can be faster to get a high-quality optimal solution.【期刊名称】《计算机工程》【年(卷),期】2011(037)021【总页数】3页(P146-148)【关键词】网格;任务调度;混合蛙跳算法;遗传算法;粒子群优化算法【作者】欧阳;孙元姝【作者单位】重庆理工大学信息与教育技术中心;重庆理工大学计算机科学与工程学院,重庆400054【正文语种】中文【中图分类】TP301.6网格任务调度是一个 NP完全问题，一直是网格计算研究领域的焦点。