基于改进蚁群算法的云环境任务调度研究(3)

vsLQcontroltechniquesappliedtoanindoormicro-quadrotor[A].ProceedingsoftheIEEEInternationalConferenceonIntelligentRobotsandSystems(IROS)[C],2004:2451 2456.

[8]聂博文,马宏绪,王剑,等.微小型四旋翼飞行器的研究现状

与关键技术[J].电光与控制,2007,14(6):113 118.

[9]彭军桥.四浆碟形飞行器飞行控制系统研究[D].上海:上海大

学,2004.

参考文献:

[1]杨明志,王敏.四旋翼微型飞行器控制系统设计[J].计算机

测量与控制,2008,16(4):485 488.

[2]马潮,詹卫前,耿德根.Atmega8原理及应用手册[M].北京清

华大学出版社,2003.

[10]王岩松.微型飞行器系统电路设计[D].成都:电子科技大学,

2005(5).

[11]周润景,张丽娜,刘印群.PROTEUS入门实用教程[Z].PRO

TEUS入门实用教程.2007.

[12]刘丽丽,彭辉,刘敏安.四旋翼飞行仿真器的建模研究[J].

仿真技术,2009,85(4):88 91.

2004:

4 结束语

由于本文采用了通过调节6个电机的转速来改变其螺旋桨

的速度,实现升力的变化,从而能够很灵活的对飞行姿态和位置进行控制,使六轴飞行器的设计成为可能。同时经过基于ProtuesISIS软件所搭建的模型进行的系统仿真,进一步验证了该控制系统软件设计的合理性,通过仿真结果显示该控制系统能够满足飞行器控制姿态的要求。

(上接第1204页)

aCenterBroker、Cloudlet等类,对改进的任务调度算法进行了模拟仿真。为验证本算法的优越性,在本次实验中,我们分别采用了CloudSim现有的轮循(RoundRobin,RR)调度算法、ACO算法及MACO算法进行任务调度。各任务平均执行时间如图2所示。从总体上看,RR算法随着任务数量的增加,所花费的时间也就越多。而ACO算法,开始时信息素较少,任务执行的较慢,后期随着信息素的不断增加,正反馈性增强,时间增加幅度小于RR算法。改进的ACO算

法,显然比前两种算法执行时间要短,效率要高。

的缺陷,综合考虑了云环境的一系列特点,将遗传算法融合到蚁群优化算法中,并引入了逆转变异策略,不仅加快了蚁群优化算法的收敛速度而且避免了陷入局部最优。实验结果表明,改进的蚁群优化调度算法大大缩短了任务的平均运行时间,实现了在该环境中高效的为用户任务提供合适的资源,提高了资源的利用率。

参考文献:

[1] 虚拟化与云计算小组.虚拟化与云计算[M].北京:电子工业

出版社,2009.[2]王天擎,谢军,曾洲.基于蚁群算法的网格资源调度策略研究

[J].计算机工程与设计,2007,28(15):3611 3613.

[3]李庆玉,徐敏强,往日新,等.基于蚁群算法的航天器观测动态调

度研究[J].计算机测量与控制,2009,17(5):822 825.[4]DorigoM,CaroGD.Antcolonyoptimization:Anewmeta-heu

ristic[A].Proc.ofthe1999CongressonEvolutionaryComputa tion[C].Washington:IEEEPress,1999.1470 1477.[5]丁建立,陈增强,袁著祉.遗传算法与蚂蚁算法的融合[J].计

算机研究与发展,2003,9(40):1352 1356.

[6]张青.网格环境下任务调度算法的应用研究[D].大连:大连

海事大学,2009.