专利交易市场

本发明公开了一种基于振荡式惯性权重的离散粒子群调度算法，包括如下步骤：S1，对粒子群中每个粒子的参数进行初始化；S2，计算每个粒子的完工时间，并找出全局最优解gbest和个体最优解pbest；S3，对每个粒子的速度和位置进行更新：S4，判断是否达到迭代次数，若达到迭代次数，则终止并输出结果；若未达到迭代次数，则循环进入步骤S2。本发明通过振荡式惯性权重的离散粒子群调度算法大幅度缩短了云计算中的任务调度的时间，提高了对用户请求的反馈速度，提升了云平台的服务质量。

本发明公开基于分组学习粒子群优化的众包软件项目调度方法，包括以下步骤：读取问题信息，定义优化目标，设定约束条件，初始化改进粒子群算法的参数，生成初始候选种群，评价个体适应度，产生个体极值和全局极值，采用分组学习策略根据个体适应度进行排序和分组，子组中粒子数量的自适应变化；更新个体价值；考虑任务人数上限的启发信息对全局极值进行局部搜索；终止准则判断。本发明建立了众包软件项目约束双目标三耦合调度模型，该模型融入开发者的信誉、最大工作负荷度属性，任务最大人头数属性，开发者对任务所需技能熟练度等实际因素，通过寻找最佳开发者选择和任务分配方案，最小化项目的工期和最大化项目质量。

本发明涉及一种粒子群融合变异控制的负载均衡方法，属于计算机负载均衡领域。包括S1：生成初始种群；S2：选择操作；S3：交叉操作；S4：变异操作；S5：迭代更新；达到下列条件之一都可以终止：(1)寻到最优解；(2)达到最大迭代次数。S7：在达到终止条件后，流程停止，最后留下的染色体，按照序列生成的逻辑反解即可得出任务与节点处理关系的最优方案。本发明结合两种方法的思想，加入控制函数，辅之合适的适应度函数，既避免了前期陷入局部最优的情况，也避免了后期收敛精度不佳的问题。