局域按需簇维护(local and on-demand maintenance of clusters,LDMC)具有多重优势,但仍可能因对受损簇即时维护导致频繁的局部业务中断和能量浪费,提出一种改进的物联网感知层簇维护优化算法,综合权衡对受损簇进行即时维护的成本和延...局域按需簇维护(local and on-demand maintenance of clusters,LDMC)具有多重优势,但仍可能因对受损簇即时维护导致频繁的局部业务中断和能量浪费,提出一种改进的物联网感知层簇维护优化算法,综合权衡对受损簇进行即时维护的成本和延时维护的代价,为应对不同受损状态和业务需要优化设定启动簇维护的条件,以降低网络维护开销和节点能耗,进一步延长网络生命周期。网络仿真软件(network simulation 2,NS2)仿真结果表明,与LDMC方法相比,该改进优化算法可减少业务中断次数和时长、降低簇维护时的能量消耗、增加数据发送总量,在仿真条件下网络生命周期最多可延长16.3%;且网络规模越大,该改进算法的优化效应越明显。展开更多
为提高云计算环境下资源调度的效率,提出一种基于时间成本负载加强型的蚁群算法TCLB-EACO(time,cost and load balance-enhanced ant colony optimization),在综合参考各种最新蚁群算法的基础上,创新地改进信息素和启发信息。利用Cloud...为提高云计算环境下资源调度的效率,提出一种基于时间成本负载加强型的蚁群算法TCLB-EACO(time,cost and load balance-enhanced ant colony optimization),在综合参考各种最新蚁群算法的基础上,创新地改进信息素和启发信息。利用CloudSim工具进行仿真测试,与标准ACO算法、最新LBACO算法做仿真对比,实验结果表明,TCLB-EACO算法在任务的执行时间、成本以及系统负载均衡方面均优于这两种算法,提高了系统资源利用率。展开更多
文摘局域按需簇维护(local and on-demand maintenance of clusters,LDMC)具有多重优势,但仍可能因对受损簇即时维护导致频繁的局部业务中断和能量浪费,提出一种改进的物联网感知层簇维护优化算法,综合权衡对受损簇进行即时维护的成本和延时维护的代价,为应对不同受损状态和业务需要优化设定启动簇维护的条件,以降低网络维护开销和节点能耗,进一步延长网络生命周期。网络仿真软件(network simulation 2,NS2)仿真结果表明,与LDMC方法相比,该改进优化算法可减少业务中断次数和时长、降低簇维护时的能量消耗、增加数据发送总量,在仿真条件下网络生命周期最多可延长16.3%;且网络规模越大,该改进算法的优化效应越明显。
文摘为提高云计算环境下资源调度的效率,提出一种基于时间成本负载加强型的蚁群算法TCLB-EACO(time,cost and load balance-enhanced ant colony optimization),在综合参考各种最新蚁群算法的基础上,创新地改进信息素和启发信息。利用CloudSim工具进行仿真测试,与标准ACO算法、最新LBACO算法做仿真对比,实验结果表明,TCLB-EACO算法在任务的执行时间、成本以及系统负载均衡方面均优于这两种算法,提高了系统资源利用率。
