引論：我們為您整理了13篇云計算技術優勢范文，供您借鑒以豐富您的創作。它們是您寫作時的寶貴資源，期望它們能夠激發您的創作靈感，讓您的文章更具深度。

篇1

當今，信息技術發展快速，信息和數據高度密集，云計算改變了人們的生活，成為最為熱議的話題，也是目前最為先進的技術。云計算已經廣泛運用計算機和互聯網行業中去，谷歌、微軟等公司都擁有了自己的云計算平臺?，F在更多的科研者正在研究如何把云計算運用到更多的領域，云計算如今正在電信和光電行業開展，為廣電領域的發展開辟了廣闊的途徑。

1云計算概述

最早云計算是大型互聯網服務商在擴建基礎設施時所采用的。云計算為應用模式提供了新的平臺，它作為一種實用的計算形式，非常新穎，其硬件、軟件、存儲等資源可以隨時合并，然后再合并為客戶所需要的服務。從通俗意義上而言，云計算中的“云”是基于互聯網服務器集群中的各類資源，由硬件資源和軟件資源組成，包括服務器、CPU、存儲器、集成開發環境、應用軟件等等，本地計算機再利用互聯網發送請求之后，遠端就會有計算機為其提供資源，將結果反饋到本地計算機中。云計算包括幾個顯著的特征，即按需自助服務、無所不在的網絡訪問、無地區區別資源地、可度量服務、快速彈性能力等。從嚴格意義來講，云計算其實并不是一門新技術，而是在計算過程中所運用的新思維和方法，表現為需求和市場關系發展的變化，它是對計算手段的一種完美解讀，是網絡發展到一定階段后，業務和形態共同體現。云計算不能脫離網絡，離開網絡，云計算就失去了應有的效能。

2云計算在廣電行業的發展

近些年，云計算在信息領域成為一枝獨秀，受到全世界的重視。我國也積極研究云計算，并把云計算運用到各個領域，廣電行業也開始運用云計算，這不僅給廣電業帶來巨大發展，也給廣電業提出了挑戰。從廣播電視內容的制作、數字存儲，再到雙向互動、有線電視管理等，云計算的作用是不可估量的。“三網融合”是我國廣電行業未來發展的目標，但是受到技術、體制等問題的約束，“三網融合”遲遲沒有得到實質性突破。從2010年政府再提出這一目標，才開始走上實質性的試點建設軌道。在建設過程中，要積極發展新的技術和業務，其中最重要的就是“云計算”和“云服務”?！叭W融合”的真正意圖就是要把廣播電視網、電信網和互聯網三者融合在一起，做到資源共享，業務范圍和技術逐步達到一致，滿足用戶更多的需求，提高人們更高的精神需求。通過“三網融合”使網絡和信息資源最大程度實現共享，使重復建設得以避免，打破了三者之間的界限。云計算在三網融合中運用，必將給廣電行業帶來前所未有的發展機遇。廣電行業也要以云計算為抓手，緊跟時代步伐，運用好云計算。

3云計算在廣電領域的實踐運用

云計算的核心理念就是在很多的機器上提供服務，這種服務具有高性能、安全可靠。當今，網絡寬帶飛速發展，速度增長非常快，就給云計算提供了便捷的條件。云計算的發展給廣電“三網融合”帶來了更大的發展潛力。運用云技術可以使數據壓縮能力顯著提高，使廣電資源和業務相互分離，資源根據客戶需要進行分配，使設備的使用效率大大提高。另外，云計算還使服務具有連續性。當前，廣電運營商所面臨的問題很多，這些問題對廣電行業發展起到了阻礙作用。但是云計算的運用，使電視變成了電腦，實現了語音和視頻功能，讓電視具有電腦一樣強大的功效，這是云計算在廣電行業的主要運用體現。天然視頻云計算終端和寬帶網絡是廣電網絡的兩個優點，實踐顯示，只要增加視頻云技術的處理器，這樣云計算就可以發揮作用了。只要是技術的應用呈現能夠運行，在終端就能夠顯現出來，使終端的成本大大降低。不管任何的時間、任何地點，都可以對各類應用功能進行訪問，客戶不需要再去升級終端，減少不必要的麻煩，也使更新和維護成本降低。云計算對廣電行業的發展具有很大促進作用，為廣電行業發展開辟新途徑。云計算對廣電行業來說是一項非常基礎的工程，以廣電網絡為基礎，構建云計算平臺，使傳統媒體和視聽新媒體有機聯系在一起。對廣電行業來說，還可以利用云計算建立IT系統和業務平臺，做到差異化競爭，改善產業結構，促進廣電行業的新發展。

4結語

總之，“三網融合”不斷前行，競爭更加白熱化。廣電業當前亟需解決的問題就是怎樣才能在競爭中嶄露頭角。云計算正是在廣電行業困難時刻應運而生的，為廣電行業調整結構、改變運營模式打下了堅實基礎。廣電行業要積極開展“三網融合”，充分運用云計算技術，構建廣電行業的云計算平臺，在激烈競爭中提高質量，提供更加優質、快捷的服務，開辟出新的發展之路。

參考文獻:

［1］嚴海兵，姚武霞，過言之．云計算下的圖書館數字資源存儲研究［J］．蘇州科技學院學報(自然科學版)，2011(3)．

篇2

1云計算的定義及特點

從計算機商業的實現的角度來看，人們認為分布式處理、并行處理及網絡計算機發展的產物就是云計算。對于云計算的定義，當前較多的軟件開發人員及相關的專家對于云計算的定義的各有說法。那些開發云計算技術的人員認為，對于拓展云計算機服務器能力存在一定難度。云計算平臺為用戶提供了不同的服務類型及目標。但是任何種類的服務目標，云計算平臺均具有以下特點：（1）云計算平臺需要依賴數據中心，同時具備良好的計算服務十分有必要，這樣才能使用戶在應用云計算平臺時，能獲得更多的資源。（2）用戶通過云平臺，網絡中的用戶與底層物理實現不具又直接聯系。用戶在使用其他平臺及軟件十分便捷，不需要進行詳細組成結構，也不需要進行相關內容的理解，同時用戶能在便捷的在自己平臺上進行工作，為廣大群眾的生活與工作提供方便。（3）云計算機平臺受到廣大用戶的青睞，在實際中取得良好的應用效果，用戶在應用過程中，可以根據自己的需求來調整規模。將計算機引入到云平臺中，使兩者相互結合，能有效減少整個系統的運行成本，另外還能滿足廣大群眾的應用需求。

2云計算的發展背景

云計算與網絡有著密切的聯系，兩者的結合為促進云計算的發展奠定良好基礎。當前Web2.0相關理論與以往相比成熟許多，同時相關技術在實際中的應用效果良好，云計算的發展也有了一些變化，以往是商業化的網站，先今發展為校園網站。從實際情況來看，網絡的商業化模式有了很大改變。比如，普通的商業化網站，尤其對于一個獲得較大商業利益的網站來說，其涉及的內容十分廣泛。其中系統硬件的維護、市場調研的分析是最重要的兩個部分，其需要依靠一個良好的工作團隊才能處理好相關的工作。網站最終所獲得的利益只占據團隊的很少部分，這給網站帶來不平等的發展影響。而且從實際來看，當前傳統的計算模型還存在著以下問題：（1）平臺規模存在的可伸縮性問題，其無法滿足廣大群眾的應用需求。而且，服務業務需求規模的改變下，計算機模型無法進行適當的調整。（2）大型底層基礎設施的建設是建立在較大資金的基礎上，而對于一般商業企業來說，資金籌備成為一項難題。（3）服務商需要對定型服務進行長期的維護，因此，面對資源的有限性，新業務的開發存在較大難度。云計算平臺具有的良好的靈活性以及可靠性，網絡用戶能根據實際情況在較短的時間內建立系統。同時，對于基礎設施的維護任務來說，還能實現讓計算機提供商的操作。因此，用戶將云計算平臺應用實際中，進行相關工作的處理。云計算具有良好的可伸縮性，能夠適當調整實際發生的狀況，以此更好的降低服務的總成本。（4）網絡底層設施開發需要耗費較大的資金，在建設過程中，硬件的基礎是網絡提供商的基礎設施的重要部分，而且需要花費較長的時間以及較多的資金。

3云計算的應用

由于云計算機技術具有較大的復雜性，所以我國在云計算的應用方面還存在不足，對于云計算的應用并沒有大范圍的應用，但從實際情況來看，電子商務行業、教育行業等行業中，對云計算的大數據處理能力、大儲存能力的應用取得良好效果，為實現信息的共享奠定良好基礎。云計算是計算機行業中的熱門信息產業，將云計算與教育行業相結合，教育教學的整個效果將得到大大提升。同時，云計算技術應用于教育行業中能發揮其優勢，具體表現在這幾個方面：（1）使學校教育資源建設所花費的資金得到減少；（2）能夠隨時隨地展開教學，有助于打破傳統的教學方式，對促進移動教學發揮重要作用。（3）使學校相關數據得到更好的保障；（4）為實現教育信息資源的共享提供良好的保障。因此，將云計算應用教育行業能夠促進其更好的發展。但是在實際應用中，云計算還存在這幾個方面的問題：（1）缺乏統一的標準，其對數據的兼容帶來不良影響；（2）較差的資源共享性，所以要想使云計算的得到更好的應用，建立統一的標準十分重要。基于計算機的一種教育方法稱之為教育云，其對教育信息化資源的整合起著重要作用，通過統一部署與管理云平臺，將互聯網引入其中，建立起優質的服務系統。教育云平臺的服務主要有：、基礎設施服務、軟件服務及平臺服務。教育云最重要的部分就是軟件服務，其為廣大用戶提供軟件應用服務奠定基礎。

4結語

總而言之，云計算具有的優勢為人們的生活與工作帶來便捷，同時，云計算對促進信息技術的發展奠定良好基礎。云計算技術的產生與運用給互聯網技術的發展帶來巨大機遇的同時，也帶來一定的挑戰，因此，需要不斷完善相關程序，對其中存在的問題采取有效措施。隨著當前我國信息技術、互聯網技術的快速發展，云計算技術的發展前景十分可觀。

參考文獻

[1]張亞麗.云計算技術發展分析及其應用探討[J].硅谷,2014(13):132+152.[2]吳華仕.云計算技術的發展及其在企業中的應用[J].技術與市場,2016(07):189.

篇3

云計算的概念在近兩年越來越熱，與早些年不同的是，現在云計算已經不再停留在概念上，一些IT公司紛紛推出了自己的云服務并加強了廣告宣傳。歸其原因，一方面，云計算實現資源的共享和動態分配，幫助企業降低信息化方面的預算；另一方面，云計算的計算機集群為企業提供了強大的數據處理和在線計算能力，速度和穩定性兩者兼得；還有就是云存儲技術在便攜性和安全性上的突破，也為企業提供了更好的數據存儲服務解決方案。

對于石油化工這樣的傳統行業，云的概念似乎還很遙遠。但回顧上世紀90年代以來ERP對國內企業產生的影響與變革，這一次石油化工行業也需要抓住云計算的機遇，將企業信息化程度推到一個更高的水準，降低成本，提高效率。

1 云計算

云計算的思想起源于上世紀60年代，當時的設想是把計算能力作為一種像水和電一樣的公用事業提供給用戶。然后受限于當時的硬件水平和聯網條件，云計算并沒有立刻得到發展。后來，20世紀70年代大規模集成電路的發展使得計算機趨于小型化，80年代出現了網格計算、90年代互聯網的廣泛應用隨之發展出了公用計算，21世紀初計算機界又興起了虛擬化技術。積累至今，云計算的發展條件已經足夠充分，近兩年云計算已經逐漸走出學術界，為產業界和普通民眾所認知。

1.1 云計算的概念

根據NIST（美國國家標準與技術研究院）的定義：云計算是一種按使用量付費的模式，這種模式提供可用的、便捷的、按需的網絡訪問，進入可配置的計算資源共享池（資源包括網絡，服務器，存儲，應用軟件，服務），這些資源能夠被快速提供，只需投入很少的管理工作，或與服務供應商進行很少的交互。然而目前所說的云計算范圍已經擴大了許多，如自主計算、效用計算、網格計算等也常被人們認為是云計算。

云計算是從分布式計算，并行計算和網格計算等計算機概念中綜合發展出來的概念，或者說，是從商業角度實現了這些概念。與傳統運算不同的是，云計算并非在本地計算或遠程服務器上運行計算，而是通過網絡，將運算分布在大量的計算機上。對企業來說，其數據中心的運行更加類似于互聯網，這使得使用云計算的企業能夠靈活地將資源切換到需要的應用上，實現對計算和存儲的按需求訪問。云計算的基礎是虛擬化技術，載體為網絡，提供的服務包括基礎架構、平臺、軟件等?？傊朴嬎愕淖罱K目的就是整合一切可用的計算、存儲、數據和應用分布，實現所有計算資源協同工作。

2 云計算應用于化工物流

我國化工行業物流需求一直保持快速增長，但物流效率較低，成本偏高，與發達國家相比存在較大差距。全國重點企業物流統計調查數據顯示，2009年，我國化工行業物流費用率為12.3%，在工業物流領域處于較高水平，高出工業行業整體平均水平2.5個百分點，高出制造業1.5個百分點。同發達國家相比，差距更大。統計顯示原因在于各項雜費多，重復納稅多，運輸成本高。搭建現代化工物流平臺，有助于降低化工物流的成本。

2.1 基于云計算的化工物流公共信息平臺

根據化工物流實際情況和具體要求，結合云計算服務的技術特點，設置出基于云計算的現代化工物流的應用信息平臺基本框架，如圖1所示：

平臺提供了化工物流應用的具體細節，包括接口認證服務的應用、中間件計費的應用、基礎設施服務的應用、物理資源的應用和數據存儲的應用等。這些服務應用可以通過集中部署直接面向化工物流企業，也可以根據具體化工物流需求建立物流云服務中心，將不同的化工物流企業系統通過云計算的應用服務集中起來，滿足更加復雜的物流需求。該應用框架向化工物流企業提供的具體應用服務包括數據交換應用、貨物傳遞跟蹤應用、配送軌跡監控應用、信息應用以及貨物管理應用等。

化工物流相對于其他物流有其自身的特點，因此搭建基于云計算的現代化工物流信息平臺，能夠更大程度上滿足石油化工企業對物流信息的準確掌握和物流成本的控制的需要。對于企業來說，需要更好地處理從制造、運輸、裝卸、包裝、倉儲、加工、拆并、配送等各個環節中產生的各種信息，并將這些信息通過一種安全而且快速的方式來傳遞，以保證各個環節操作的有效性；并且還要針對出現的問題實時反饋、及時處理。由于云計算具有高可靠性的計算能力、低成本的硬件環境和高性能的數據維護等特性，搭建基于云計算的現代化工物流信息平臺，可以在一定程度上提高化工物流企業的工作效率。并且，通過云計算平臺提供的安全存儲和服務共享解決方案，可以節約企業的信息安全成本，同時又可以保證企業的服務效率和服務質量。

3 云計算應用于虛擬化工廠

化工過程虛擬工廠（VirtualPlant）是一個集成的針對石化行業的實時動態模擬環境，具有硬件仿真系統技術特性。包括穩態和動態仿真過程的模擬、軟硬件的實時接口技術、自動控制技術、人工智能技術及工程安全技術。根據物料平衡、能量平衡原理，模擬石油化工生產過程中的實際情況，通過建模與仿真技術，模擬全生產流程中不同條件下的各種情況；從而達到對生產過程預測、檢測的目的；內置的人工智能技術甚至還可以對該工藝的進行評估，并提出優化方案，提高決策和管理水平，以達到最佳的生產質量，最大限度地提高生產效率。

3.1 虛擬化工廠云計算架構模型

面對化工過程虛擬工廠中數量巨大的軟硬件資源和復雜多變的業務擴展需求，云計算平臺系統集成通常采用的方式是分層管理，依賴不斷增加的層級來逐步細化業務應用，為了讓虛擬工廠云計算平臺具有很強的可擴展性，將云計算平臺架構設計為扁平的三層結構，分別是元服務資源層、邏輯服務資源層和應用服務層。

以乙烯工業生產中乙烯裂解為例搭建模型，如圖2：

利用流體力學計算軟件Fluent計算裂解爐內煙氣流速、溫度及組成等物理量的分布情況、以提高生產效率。該計算要進行反復迭代，當計算條件復雜，要求精度較高時，一臺計算機或者服務器的計算能力很難在較短的時間內完成如此大量的計算。因此采用云計算技術構建一個可彈性擴展、收縮的Fluent并行環境，盡可能地提高計算的效率，是一個可行的方法。通過使用虛擬現實技術、云計算技術及Webservice等技術搭建出基于云計算的虛擬工廠，此模型針對化工流程工業的特點，能夠更好的實現建模、控制、優化方法與技術的一體化集成。

隨著市場上云服務越來越多，基于云計算的服務在化工行業中開始受到越來越多的關注。通過云計算平臺的構建，可以進一步完善和推進化工過程虛擬工廠的建設，對化工生產過程的建模、控制和優化技術具有重要的現實意義。通過不斷完善和應用不僅可以產生可觀的經濟效益，還可以形成具有自主知識產權的石油化工軟件產品。

4 結論

云計算的發展帶領互聯網進入了一個低成本高運算量的時代，它的出現不僅改變了互聯網的運行模式，對于傳統行業也產生了極大的影響。對于石油化工行業是一個巨大的機遇，通過云計算可以最大限度的優化配置資源，提高物流效率、降低庫存成本，還可以及時有效的監控、優化生產過程，提高生產效率。

參考文獻：

[1]萬鋒，羅娜.化工過程虛擬工廠云計算平臺構建的技術研究[J].計算機與應用化學，2012，9.

[2]楊儉.云計算在現代物流中的應用[J].網絡與信息化，2012，11.

篇4

1 介紹

視頻的運動分割，旨在從視頻序列中分解出多個連續移動的不同物體。將不同運動物體的信息從視頻中提取出來之后，可以做很多后續的研究，如異常行為分析或者運動物體的追蹤。近幾年，基于特征點軌跡聚類的視頻運動分割問題是主要的研究方向，首先對提取的實際視頻序列進行預處理獲得特征點軌跡，如KLT[1]，SIFT[2]或者SURF[3]等特征點提取算法，基于不同的運動目標對特征點軌跡集合進行聚類。但是長視頻序列中提取和跟蹤的特征點集合往往是高維復雜的大數據，需要尋求一種高精度并能快速對高維復雜數據進行分類的方法?；谧涌臻g模型下的運動分割，是現如今被普遍研究的分類方法。子空間模型下分類的基本思想是，從視頻序列中提取到的每一組特征點軌跡都認為其點集合共同構建了一個子空間，那么不同特征點集合的聚類問題，即轉化為對一組子空間集合進行聚類的問題。

本文基于LSA聚類算法[7]以及稀疏子空間聚類算法（SSC）[6]的思想，提出一種基于稀疏優化對子空間進行聚類的新方法。實驗結果表示，本文所提出的方法，可以有效且快速地分類實際視頻中的不同運動目標。

2 基于子空間模型下的運動分割

2.1 子空間聚類模型

對特征點集合組成的高維數據聚類，基于子空間的模型，首先需要獲得高維數據的低維表示，而這個低維表示能夠保持原大數據矩陣的本質特征。假設，將原高維數據的低維投影看作一個變換后的“全局子空間”，而全局子空間是由不同的更低維度的“本地子空間”相互交疊構成，如圖1，三種數據點集合構成三種子空間S1，S2，S3，集合S={ S1，S2，S3}稱作全局子空間，S1，S2，S3相對的稱作本地子空間。本文中基于子空間模型進行分類的基本思想就是從全局子空間中找出不同的本地子空間，屬于同一本地子空間的數據應當被劃分到同一類中，即劃分為屬于同一種運動目標。

4 實驗結果與分析

本文實驗數據選自標準的視頻數據庫Hopkins 155數據集[13]。并將本文提出的優化算法與現今其他優秀的運動分割算法進行比較，在分割的過程中，假設所有視頻中運動目標的個數已知。

圖6，7，8是采用本文所提出算法進行聚類的結果，不同顏色代表不同的運動目標。圖6中包含3中運動，紅色點代表背景，藍色和綠色代表兩種汽車的運動，圖7中包含2種運動，人的手臂以及手上拿的物體分別用紅色和綠色進行區分，圖8代表了3種物體的運動，紅色點代表背景，由圖7可知，對于特征點多且復雜的難以區分運動模式，我們所提出的算法可以有效的對不同的運動目標進行區分。為了進一步表明本文所提出算法的優勢，我們將從錯誤率和運算時間與SSC [6]， LSA [7]， RANSAC [4]， GPCA [5]， LLMC [14]算法進行對比。

從表1、2、3、4可以得出，我們所提出的算法具有比較好的準確度，雖然相比SSC算法來說準確度略低，但是我們的優化算法與SSC相比加快了運算的速度。

5 總結

本文提出了一種基于子空間的運動分割優化方法，可以對實際視頻序列中不同的運動物體進行有效分類。首先通過SPCA算法[15]將高維數據投影在一個低維的空間上，并且具有少數的非零元素；基于SMCE [9]的思想，對投影后低維空間中不同的子空間進行估計，尋找在低維空間中每一個數據點的稀疏近鄰（隸屬于同一子空間），將投影后分布于低維空間中的不同子空間分割出來，這種方式相比較LSA算法來說，改善了過度估計和不同子空間相互交叉的問題，大大提高了準確率。與SSC算法相比，運算時間得到提升。在未來的研究中，將對長視頻序列中運動目標分割的研究作為主要方向，并側重數據缺失或不完整軌跡等問題，進一步提升算法的準確性和實用性。

參考文獻：

[1] Tomasi C， Kanade T. Detection and tracking of point features. School of Computer Science， Carnegie Mellon Univ. Pittsburgh，1991.

[2] Zhou H， Yuan Y， Shi C. Object tracking using sift features and mean puter vision and image understanding， （2009，113：345，352.

[3] Bay H， Ess A， Tuytelaars T， Van Gool L.Speeded-up robust features （surf）. Computer vision and image understanding， 2008，110：346，359.

[4] Fischler M A， Bolles R C. Random sample consensus： a paradigm for model fitting with applications to image analysis and automated cartography. Communications of the ACM 1981：24：381，395.

[5] Vidal R， Ma Y， Sastry S.Generalized principal component analysis （gpca）. Pattern Analysis and Machine Intelligence， IEEE Transactions，2005，27：1945，1959.

[6] Elhamifar E， Vidal R. Sparse subspace clustering. In： Computer Vision and Pattern Recognition， 2009. CVPR 2009. IEEE Conference on IEEE，2009：2790，2797.

[7] Yan J， PollefeysM.A general framework for motion segmentation： Independent，articulated， rigid， non-rigid， degenerate and non-degenerate. In： Computer Vision ECCV 2006. Springer （2006，94：106.

[8] Hartley R， Zisserman A.Multiple View Geometry in Computer Vision. 2 edn. Cambridge University Press， New York， NY， USA.2003.

[9] Elhamifar E， Vidal R. Sparse manifold clustering and embedding. In： NIPS，2011：55，63.

[10] Journ_ee ， Nesterov ， Richt_arik ， Sepulchre . Generalized power method for sparse principal component analysis. The Journal of Machine Learning Research，2010， 11：517，553.

[11] d'Aspremont A， El Ghaoui L， Jordan M I， Lanckriet G R.A direct formulation for sparse pca using semidefinite programming. In： NIPS. Volume，2004， 16.：41，48.

[12] Tibshirani R.Regression shrinkage and selection via the lasso. Journal of the Royal Statistical Society. Series B （Methodological，1996：267，288

篇5

[中圖分類號] F272.7 [文獻標識碼] A [文章編號] 1673 - 0194（2014）02- 0060- 05

0 引 言

2013年的集團公司工作會議提出到2020年要全面建成世界水平的綜合性國際能源公司，努力實現信息化與工業化的兩化深度融合，實現“3個60%、兩個倍增”的目標，特別是強調信息化水平要大幅提升，保持國內領先、達到國際先進水平。

在國資委組織的全國央企信息化建設評估中中石油信息化工作一直繼續走在全國央企前列，且連續兩年被國資委評為央企網站績效第一名。

全面推進“十二五”信息技術總體規劃實施、實現集團公司信息化從集中建設向集成應用的新跨越，全面開展以ERP系統為核心的應用集成系統建設、加快物聯網系統實施、搭建具有云計算能力的數據中心信息化三大標志性工程建設。

總體來說，信息化建設在中石油向國際一流油公司邁進過程中是很重要的一個舉措，提高了管理規范性和管理水平。開展信息化三大標志性工程建設，標志著中國石油數字化油田邁入物聯網與云計算時代，新疆油田公司又第一個提出實施智慧城市、智能油田，也使數字油田真正進入了智能油田行列，創辦云工業園區，參加“天山云計劃”，為集團公司建設“新疆大慶”戰略目標插上了騰飛的翅膀。

1 中國石油“十一五”的信息化建設成就

中國石油是一家集油氣勘探開發、煉油化工、油品銷售、油氣儲運、石油貿易、工程技術服務和石油裝備制造于一體的綜合性能源公司。信息化的服務對象可以用多而雜來形容，其中包括勘探與生產方面有24萬口油氣水井；煉油與化工方面有1 119套煉化裝置；銷售方面有1.8萬座加油站；天然氣與管道方面5萬千米油氣長輸管線；海外勘探開發方面涉及31個國家81個海外項目；工程技術方面有5 100支工程技術服務隊伍；工程建設方面有73個重大工程建設項目；裝備制造方面有180個裝備產品。

累計建成應用51個信息系統平臺成為企業發展的強有力支撐。2012年，中國石油堅持公司發展理念，堅持集中統一管理，堅持持續投入機制，持續加大信息化推進力度，使之成為企業發展的強有力支撐點。“十一五”期間，中國石油累計建成應用51個集團公司級統一的信息系統平臺，信息化整體水平走在央企前列。

回望“十一五”，傳統的石油工業大踏步走上信息化道路。信息化在集團公司優化資源配置、強化過程管控、支持管理創新、提高經營管理水平和勞動生產率等方面的支撐作用越來越顯著。

2012年信息化工作取得了階段性成果：集團公司對信息化管理模式進行了調整，并以此為基礎修訂完善了信息化管理辦法；ERP應用集成、物聯網系統、具有云計算能力的數據中心3大標志性工程陸續啟動；信息系統應用在提升管理效率和效益方面的作用進一步顯現；信息基礎設施持續完善；信息系統運行維護能力穩步提升。集團公司信息化工作繼續走在中央企業前列，國資委在中央企業管理提升活動中，指定中國石油提供信息化管理經驗，編寫學習輔導材料，并在專題培訓視頻會議上做經驗介紹。

2 中國石油的“十二五”信息化建設展望

（1）信息技術基礎設施方面持續完善。建成了12個國內區域網絡中心和5個海外區域網絡中心，連接各企事業單位和主要分支機構，形成了統一管理、分級維護、覆蓋國內、連接海外的計算機網絡體系，廣域網總帶寬超過2萬兆，互聯網出口帶寬達到8千兆。建成2個國內衛星系統主站，接入了810座衛星小站。按照集團、區域、地區公司三級架構推進數據中心建設。位于勘探院的集團級數據中心建成投用，區域數據中心改造穩步實施。吉林數據中心基本建成，昌平數據中心主體結構封頂，云技術平臺建設項目正式啟動。

（2）加快物聯網系統建設。油氣生產物聯網系統在大慶油田等5家試點單位上線運行并開始推廣實施。工程技術物聯網系統完成在長城鉆探等4家單位試點實施。啟動先進控制與優化應用、油品調合、煉化物聯網系統建設，完成總體設計并開始試點實施。通過物聯網系統建設，實現信息化與自動化有效集成，大幅提升一線作業員工的勞動生產率，改善工作環境，促進生產運行模式變革。

（3）搭建具有云計算能力的數據中心。吉林數據中心要在4月具備投用條件。昌平數據中心要在9月完成建筑施工以及消防、通風和空調工程建設，年底投用。云技術平臺建設項目要完成整體規劃及設計研發。同時，完成視頻會議系統改進、電子郵件系統升級改進等項目。持續推進局域網改進項目，拓展互聯網訪問能力，加強網絡管理。利用自有管道光纖，擴大華東、武漢等區域網絡中心接入集團公司內網的帶寬。各單位要按照集團公司總部級、區域級、企業級數據中心部署，加大力度推動數據中心整合，關閉低水平、面積小的數據中心，逐步整合到區域數據中心或本單位保留數據中心，確?！笆濉逼陂g減少80%數據中心的目標實現。

主要目標是：用3年時間基本完成信息化的新跨越，5年整體達到國際先進水平。基礎設施實現安全暢通、節能高效、資源整合，應用平臺實現優化升級、有效集成、信息共享，全面支持生產、經營、辦公、決策網絡化管理，大幅提升企業資源優化配置水平和勞動生產率。

中國石油的信息化建設在“六統一”原則下，經過約10年的不懈努力，可謂建設成就輝煌，有力地推動了數字化油田建設發展。目前，集團公司有58個信息系統全面應用，8個信息系統部分投入使用。

在“十二五”末，到2020年要全面建成世界水平的綜合性國際能源公司，打造信息化中國石油，其別強調信息化水平要大幅提升，保持國內領先、基本達到國際先進水平。

具體參見圖1中國石油“十二五”信息系統建設項目總體規劃。

3 中國石油數字化油田建設成就輝煌

3.1 數字化新疆油田建設

新疆油田經過20多年的努力和探索，于2008年建成全國第一個數字油田，數字油田的建成，標志著油田信息化已經與油田發展實現了深度融合，同年啟動了克拉瑪依市數字城市建設。目前，計劃用10年的時間，到2020年全面建成智能新疆油田，智慧城市建設也已啟動。2008年，新疆油田率先在全國建成世界領先的“數字油田”。今天，它又成為中國石油第一個“智能油田”的試點企業。

2010年，新疆油田提出“打造世界石油城、建設六大基地、發展三大新興產業”的發展戰略，其中信息產業貫穿于建設全領域，是最具活力、最具發展前景的行業，目前已建成了西北第一個無線城市，智能油田、智慧城市建設將會使克拉瑪依這座城市更具活力。

可以說，新疆油田是中國石油系統數字化油田建設的領跑者、領頭羊，集團公司油氣生產建設的榜樣和典范，走在了中石油系統的前列，數字化新疆油田建設成果吸引來了國內外諸多的矚目。2008年新疆油田就在全國率先第一個建成了數字化油田，達到世界先進水平。2010年，又第一個提出建設智能化油田、建設智慧城市，打造世界石油城。新型工業化離不開數字化、信息化，數字化新疆油田也是落實信息化與工業化深度融合的典范。

在2011年至2013年間，除國務院有關部委、中石油、中石化、中海油、延長石油集團等兄弟企的業負責人和信息技術負責人前來調研、考察交流外，還吸引了新疆各級地方政府、新華社、中央人民廣播電臺、鳳凰網等13家全國知名媒體的記者來采訪智能油田、數字城市建設。

據不完全統計，大約共有全國33個部門單位及6位省部級領導、10位院士先后前來觀摩和交流，視察數字化油田。

3.2 數字化塔里木油田建設

2013年6月“數字化塔里木油田”的主要應用系統統計是總部推廣系統23個，油田自建系統又勘探開發18個、公共數據庫系統17個、經營管理11個、數字辦公12 個系統。共81個系統，自開發58個系統。

基本涵蓋了生產指揮、油氣勘探、油藏評價、油氣開發、產能建設、生產管理、行政管理、ERP系統、經營管理、物資設備、安全管理、科技信息、地面工程、地理信息、集成信息。

3.3 數字化長慶油田建設

由于地勢環境的因素，導致了長慶油田“數字化”系統是一個復雜的、多層結構的信息化系統。該系統涉及到了多種硬件設備、軟件平臺以及復雜的網絡通訊結構，其中以采油一廠王窯作業區王二計量轉接站的數字化建設更具有代表性。

長慶油田為國內第二大油田，礦產資源登記面積25.78萬平方千米，跨越5省區，長慶油田管理的7萬口油、氣、水井分布在37萬平方千米的鄂爾多斯盆地，涉及4省（區）、數十個市縣，各采油、采氣廠比較分散獨立，管理難度之大、企業成本之高可想而知。為了降低企業成本、完善企業管理、提高企業在行業的競爭力，長慶油田成立了數字化建設、建立全油田統一的生產管理、綜合研究的數字化管理系統，實現“同一平臺、信息共享、多級監視、分散控制”，達到強化安全、過程監控、節約人力資源和提高效益的目標。長慶油田將生產前端的數字化與勞動組織結構和生產工藝流程優化相結合，提高了生產管理效率，減少了一線用工總量，實現了增產不增人的目標，促進了油氣生產方式的轉變。

4 中國石油油氣生產物聯網建設

“十二五”期間，集團公司將全面推進信息系統的持續提升和深化應用，實現信息化從集中建設向集成應用的新跨越，縮短與國際石油公司的差距，促進中國石油向數字化企業轉變，為建設具有國際競爭力的綜合性國際能源公司提供強有力支撐。

油氣勘探生產是集團公司的主營業務和利潤的主要來源，該項目是圍繞油氣生產現場數據的自動采集和控制，搭建統一的物聯網應用平臺，實現自動化和信息化的深度融合，對于提升集團公司信息化水平，支撐綜合性國際能源公司建設具有重要意義。

項目建設的主要目的是跟上信息化技術發展的步伐，通過遠程控制、數據自動采集、自動傳輸，大幅度減少現場用工，降低操作成本、降低能源消耗，提高油氣田開發管理水平，提高油氣田開發效益。

物聯網是在互聯網基礎上，將用戶端延伸和擴展到物與物之間，進行信息交換和通訊，實現物與互聯網信息的相互聯系，以實現智能化識別、定位、跟蹤、監控和管理。油田的物聯網建設主要是油井生產遠程監控系統。這個系統將建設數據采集與控制、數據傳輸、生產現場監控與管理以及一體化集成應用平臺4個子系統，重點建設油氣產運銷物聯網系統。

油氣供應物聯網應用示范工程將實現自動化與信息化融合，實現油氣產運銷全業務鏈集成和智能管理，提高管理水平和生產效率，降低生產成本，保障生產過程本質安全，節約能源，保護環境，促進油田發展方式轉變。

油氣生產物聯網系統（A11）就是通過傳感、射頻、通訊等技術，對油氣水井、計量間、油氣站庫、油氣管網等生產對象進行全面的感知，實現生產數據、設備狀態信息在生產指揮中心及生產控制中心集中管理和控制，搭建規范、統一的數據管理平臺，支持油氣生產過程管理，進一步提高油氣田生產決策的及時性和準確性。油氣生產物聯網分為數據采集與控制、數據傳輸、生產現場監控與管理3個子系統。

具體參見圖1中國石油“十二五”信息系統建設項目總體規劃中的A11油氣生產物聯網。

集團公司希望利用物聯網技術，建立覆蓋全公司油氣井區、計量間、集輸站、聯合站、處理廠規范、統一的數據管理平臺，實現生產數據自動采集、遠程監控、生產預警，支持油氣生產過程管理，進一步提高油氣田生產決策的及時性和準確性，提高生產管理水平，降低運行成本和安全風險。

具體見圖2油田物聯網數據采集與控制子系統示意圖。

根據集團公司“十二五”信息系統化建設項目總體規劃（圖1），2011年勘探與生產板塊開展了6項信息系統建設項目的可研工作（表1）。

油氣生產物聯網系統（A11）項目基本確定投資額為12.7億元，為一次性投入。今后各油氣田與此項目有關的投資列在產能建設項目中，上報總部審批，具體內容包括油氣水井和計量站自動化建設、油區計算機網絡建設、相關軟硬件配套等。

大慶油田、塔里木油田、新疆油田、西南油氣田、南方勘探開發公司5家單位為A11試點油田。

A11項目由勘探院西北分院承擔，新疆油田、大慶油田作為參與建設單位，埃森哲作為項目咨詢商。

油氣田生產物聯網系統（A11）是中國石油“十二五”信息技術總體規劃重要項目之一。主要基于集團公司建設“新疆大慶”戰略目標需要、人力資源緊張的實際和油田生產精細化管理的需要。作為集團公司三大標志性工程之一，A11為生產經營平穩較快增長和發展方式的轉變提供有力支撐。

2013年1月，中國石油集團油氣生產物聯網系統項目啟動，數字化新疆油田建設油氣生產物聯網系統，新疆油田公司風城油田擁抱自動化建設機遇。新疆油田公司數據公司負責A11示范項目工程建設的進展情況，有采油二廠、風城油田作業區兩個示范工程。2013年，實現“全面感知，自動操控，預測趨勢，優化決策”的智能油田總體目標。A11項目進入實質性建設階段，極大地促進了新疆油田A11項目的開展。

數字化塔里木油田建設油氣供應物聯網系統。塔里木油田加快推進物聯網應用示范工程建設，信息集成應用，管理精細智能。

塔里木油田啟動國家油氣供應物聯網應用示范工程建設以來，加快設計和實施，提高了生產數據自動化采集水平。

2012年8月底，國家發改委、財政部聯合發文在油氣供應等7個領域開展國家物聯網應用示范工程建設，其中油氣供應領域物聯網應用示范工程由中國石油具體實施。2012年10月18日，塔里木油田作為油氣領域的試點單位，迅速啟動項目建設。示范工程預計2014年完成。

塔里木油田通過物聯網建設，將從數字油田向智慧油田邁進。塔里木油田通過示范和配套工程實施，初步測算，物聯網全面推廣應用后的經濟效益將達每年4.2億元。

這套A11系統依托企業現有網絡基礎，利用Zigbee、3G移動通信等技術，建設覆蓋井場的物聯網數據傳輸網絡；利用無線傳感、GPS、射頻識別等技術，實現對油氣生產現場人員、設備、環境等要素的實時感知與智能監測。

這套A11系統以地理信息系統、數據庫技術、數據挖掘技術等為支撐，重點針對油氣水井現場監控、遠程自動計量、油氣集輸監控、生產環境監控、生產動態實時跟蹤、故障預警處置等方面，加強油氣生產供應的綜合管理，實現對站場、作業區、采油廠、煉油廠等精細化管理。

A11油氣供應物聯網應用示范工程將實現自動化與信息化融合，實現油氣產運銷全業務鏈集成和智能管理，提高管理水平和生產效率，降低生產成本，保障生產過程本質安全，節約能源，保護環境，促進油田發展方式轉變。

把信息化建設作為集團公司“十二五”乃至2020年前的重點工作，目標是建成信息化中石油。按照集團公司總體部署，物聯網系統建設是“十二五”信息化的三大標志性工程之一。物聯網技術經過近10年的迅猛發展，在能源、交通、物流、環保等領域逐步走向產業化應用，已經成為繼計算機、互聯網與移動通訊網之后的第四次信息技術革命的重要標志。

總體來說，信息化建設在中石油向國際一流油公司邁進的過程中是一個很重要的舉措，提高了管理規范性和管理水平。A11系統實現油氣生產地面設施數字化管理和24小時實時監控，將大幅度提高工作效率和數據資料的使用頻次。

具體參見圖1中國石油“十二五”信息系統建設項目總體規劃中的A11油氣生產物聯網。

物聯網系統建設的目標是實現自動化與信息化有效集成。在系統實施過程中，要借鑒加油站管理系統的建設經驗，在搭建平臺的同時對生產自動化裝備進行標準化；借鑒長慶油田數字化建設的經驗，方案設計要與勞動組織結構、工藝流程優化相結合。現階段重點是按照統一架構和標準搭建可擴展的物聯網平臺，然后通過集中投入和各單位的配套投入，逐步擴大物聯網的覆蓋范圍。

5 結束語

黨的十提出要“促進工業化、信息化、城鎮化、農業現代化同步發展”，并把“工業化基本實現，信息化水平大幅提升”納入全面建成小康社會和深化改革開放目標體系中，將信息化提升到新的戰略高度。中國石油高度重視信息化，在管理提升和基礎管理工程建設中，都把信息化作為一項重要舉措；提出了建成“信息化中石油”的發展目標。

開展信息化三大標志性工程建設，標志著中國石油數字化油田邁入物聯網與云計算時代，新疆油田公司又第一個提出實施智慧城市、智能油田，使數字油田又邁入了智能油田行列，創辦云工業園區，參加“天山云計劃”，打造世界石油城，為集團公司建設“新疆大慶”戰略目標插上了騰飛的翅膀。

隨著石油石化企業信息化建設的發展與創新，特別是兩化融合、三網融合、工業控制信息化、物聯網和云計算等新型信息技術的發展應用，給石油石化企業信息化及信息安全賦予了新的內涵，提出了新任務，也給信息化工作帶來了新挑戰。

主要參考文獻

篇6

列車運行圖和行車時刻表是設計列車運營調度的基礎，對鐵路集團的運輸服務水平、運營收入和車輛的周轉效率起著重要的作用。

1 實驗內容

在列車的行駛過程中，希望列車在叉道口的等待時間最小，但應同時兼顧乘客的利益和鐵路集團的收入。因此，考慮在路口平均等待時間、路口無等待通過率和旅行時間為評價指標時對行車時刻表建立優化分析模型。如鐵路全長395km，共有站臺13座，叉道路口21個，發車時間為7：00到19：00，單車載額1800人，平均票價20元。線路最小發車間隔90分鐘，最大發車間隔180分鐘；低峰滿載率50%，高峰滿載率80%；最小乘客候車時間指標0.7，最小滿載率指標0.5，最小企業運營收入指標0.6，叉道口等待時間指標期望值0.8，建立該鐵路上的列車優化模型。

2 實驗實施的條件（所需場地、設備、實驗耗材等）

實驗硬件部分包括：各種計算機、服務器、打印機、投影儀等和各種網絡設備，并構成網絡環境。軟件部分包括：網絡和系統軟件、數學實驗軟件平臺、各種實驗輔助工具。

數學實驗軟件平臺由若干種數學軟件組成，它提供各種強大運算、統計、分析、求解、作圖等功能，是實驗室的主要組成部分。其中，MATLAB是矩陣實驗室（Matrix Laboratory）的簡稱，是美國MathWorks公司出品的商業數學軟件，用于算法開發、數據可視化、數據分析以及數值計算的高級技術計算語言和交互式環境，主要包括MATLAB和Simulink兩大部分；Mathematica系統是美國Wolfram研究公司開發的一個功能強大的計算機數學系統。它提供了范圍廣泛的數學計算功能，支持在各個領域工作的人們做科學研究和過程中的各種計算。它的主要使用者包括從事各種理論工作（數學、物理、…）的科學工作者，從事實際工作的工程技術人員，高等、中等學校教師和學生等。這個系統可以幫助人們解決各種領域里的涉及比較復雜的符號計算和數值計算的理論和實際問題。

3 實驗步驟

數學模型是從現實原型中抽象出來的，它依賴于現實原型。因此，首先應當了解和熟悉現實原型，掌握并積累有關的資料和數據，在此基礎上才有可能對客體事物的特征、關系及變化規律作出客觀的推斷、并確定其數學模型的類型。所以實驗內容的第一步是掌握實際問題的背景與有關的資料數據，收集某些列車的票價、營運收入、滿載率、經過站臺數和叉道路口等數據。

建立數學模型，要從實際問題的特定關系與具體要求出發，根據有關的科學理論選擇起關鍵作用的變量和常量，并區分出重要的和次要的、必須考慮的和可以忽略不計的因素。這就是說，要抓住問題的本質特征，考察主要因素的數量關系，從而提出假設。從第一步收集的數據資料進行分析，抓住問題的本質特征，進行化簡并提出假設，如假設票價采用平均票價，而且為一定值，不隨營運季節的改變而改變。

對事物對象及對象之間量的關系都要進行抽象，并用數學概念、符號、表達式等去刻劃事物對象及其關系，構成數學模型。如果現有的數學工具不夠用，就要根據實際情況建立新的數學理論和方法來構造數學模型。對第一步收集的數據資料進行分析，進行數學抽象，建立相應的列車運營調度的優化模型。

篇7

Cooperative taboo optimization mode based cloud computing workflow

scheduling strategy for strong security constraint

TONG Weiguo1， 2， SHA Xiaoyan1， 2， FENG Demin2

（1. Education Technology and Training Center， Shaanxi Vocational & Technical College， Xi’an 710038， China；

2. School of Computer Science， Shaanxi Normal University， Xi’an 710065， China）

Abstract： The widely?used cloud computing workflow scheduling method focuses on the optimization of reliability and energy saving， but ignores the requirement of security constraint， so a method based on cooperative taboo algorithm is proposed here， which can realize the high?efficient cloud computing workflow scheduling， and has security constraint. The DAG of cloud computing workflow scheduling is defined to describe the security constraint with formalization， and establish the mathematical model of the cloud computing workflow scheduling. On the basis of using the classical cooperative taboo algorithm， the coding scheme， fitness function， varying neighbourhood structure and dual taboo tables of the solution are designed， and the classical cooperative taboo algorithm is improved. The cloud computing workflow scheduling algorithm based on an improved cooperative taboo algorithm is defined. The experiment of the algorithm was conducted in the simulation environment Cloud?Sim. The experimental results prove that the designed algorithm has fast convergence speed， can find a much better scheduling scheme than other algorithms can do， meets the requirements of security constraint， and is a practical scheduling method.

Keywords： workflow scheduling； virtual machine； security constraint； cloud computing

0 引 言

云計算主要是基于并行計算等形成的[1?3]，到目前為止，相對于并行系統來說，云計算可以提供相對較高的可靠性，然而其仍然面臨許多難題，例如無法在充分確保服務質量的基礎上，減小其運行費用和能耗，使提供商可以獲得盡可能高的收益[4?6]。

對于云計算工作流來說，諸多因素能夠影響到其調度效率，具體來說，主要包括調度的可靠性、硬件性能等諸多方面[7]?，F階段，業界對其調度的探討一般集中在可靠性與節能兩個層面，例如，文獻[8]在研究過程中以可靠性為基礎，闡明了相應的調度方法，以降低傳輸所需用時，改善成功率，使其可靠性有所提升。文獻[9]在研究過程中量化了網絡資源屬性，這樣在調度過程中可以選取性能相對較高的資源類簇，能夠進一步減少任務的匹配用時。文獻[10]在研究過程中通過相關方法整合任務路徑優化選擇。除此之外，文獻[11]在研究過程中根據[QQS]需求劃分優先級，將資源分配給高優先級的任務。

上述理論成果集中在云計算工作流調度方面，卻沒有兼顧到安全性約束，鑒于這一方面的原因，本文闡明了基于安全性約束的云計算流調度方法，希望能夠為業界人士提供指導和借鑒。

1 云計算工作流調度[DAG]圖

主要通過有向無環圖（Direct Acirclic Graph，DAG）表示任務結構，具體見圖1。

通過圖1得知，[DAG]圖能夠通過二元組描述[DAG=T，E]，在這里：

（1） [T=t1，t2，…，tn]用來指代[DAG]里面的節點集，即子任務集，[n=T]用來指代任務數，[W（ti）]指代[ti]的計算量；

（2）[E=eij=（ti，tj），eij∈T×T]是有向邊集合，用來指代[ti]與[tj]兩者之間存在的依賴關系，[tj]一定要等到[ti]結束以后才可以進行處理。

通過[C]指代任務相互間的通信關系[C=][cij=（ti，tj），cij∈T×T]，[cij]用來指代[ti]與[tj]分配至資源上時需要的通信量，如果[ti]與[tj]兩者分配至一個資源上，在這種情況下則有[cij=0]。

[Pred（ti）=titj∈T，eij∈E，][Succ（ti）=titj∈T，eij∈E，]兩者分別用來指代[ti]的前驅任務集與后繼任務。

2 基于DAG和安全性約束的工作流調度

2.1 工作安全性約束

按照所用方法的安全性強度，能夠把虛擬機分成不同級別的安全性，按照操作的敏感性，主要通過[r?risk]型技術進行控制，具體來說，也就是在調度工作流過程中，設置其冒險水平閾值[τ，]安全等級比[τ]高的虛擬機能夠分配資源。接下來進行建模，具體如下：

（1） 單一的[ti]符合安全性約束的分配：它的[τi]分配的虛擬機及其安全性級別分別是[vj]與[sj，]如果[sj≥τi，]在這種情況下這個虛擬機符合相關條件，能夠向[ti]分配。比如就安全需求是3的操作來說，能夠向[vj≥4]的虛擬機分配。

（2）[DAG]符合安全性約束的調度：[T=t1，t2，…，tn]的分配方案的風險概率[P=p1，p2，…，pn]，能夠利用以下公式進行求解：

[p（risk）=1-eumi=1m（si-vsi）] （1）

如果[p（risk）]比一切任務的[τi]大，在這種情況下，[P=p1，p2，…，pn]符合相關要求。

2.2 數學模型的定義

就任何一項任務來說，它的操作時間主要包括兩方面內容：其一為接收信息的用時；其二為把任務向相應的虛擬機分配的用時。就任何一個任務來說，符合相關要求的虛擬機集用[M]來指代，它的操作時間用[Finishi]表示，具體能夠利用以下公式進行求解：

[Finishi=maxFinishprei+Cmibanij+LiPi s，tj∈M] （2）

式中：對于當前節點，[maxFinishprei]用來指代其任何一個前驅節點完成用時的極值；[Cmi]用來指代其需輸送的數據量；[Li]用來指代其工作量；[Pi]用來指代其分配到的虛擬機的處理速度；[banij]用來指出信息和分配至目的地的兩個虛擬機間的帶寬大小。

耗時最大的任務用時是全部任務完成時間，也就是：

[FinishDAG=maxFinishi] （3）

3 基于禁忌優化算法的工作流調度

3.1 禁忌優化算法

為有效避免算法在運行過程中止步于局部最優，禁忌優化算法主要是通過禁忌表對那些得到的局部最優解進行存儲，在此基礎上設定其禁忌長度，當再次進行搜索時，通過表里面存儲的數據決定將這些點跳過，最終能夠避免局部最優。另一方面，該算法也可以按照藐視準則將那些被禁忌的優良狀態赦免，選取其中的最優解，從而得到全局最優解。較具代表性的禁忌算法示意圖，如圖2所示。

3.2 解的編碼方式和適應度函數

通過[P=p1，p2，…，pn]指代當前解，其中的各元素[pi]指代[ti]分配的[vi，]所以[DAG]工作流的編碼長度即為該用戶任務的子任務總數[n]。

所謂適應度函數，是指禁忌算法在找尋最優解時最大化目標函數，公式（4）為最小化式（3）重描述的[DAG]的任務完成時間：

[Fitness=1FinishDAG] （4）

3.3 鄰域結構設計

圖2中，在候選解的生成過程中，必須構建鄰域結構，在這里若鄰域解與當前解兩者存在明顯的差異，在這種情況下，將變成隨機搜索，另一方面，變化相對較小將導致收斂速度下降，或許將止步于局部最優，鑒于這一方面，必須提前設計科學有效的鄰域結構，這樣一方面可以充分確保獲得最優解，另一方面還可以提高收斂速度。

設基本鄰域結構如下所示：對當前任務節點，任選1個虛擬機（符合安全性約束要求），通過這種方式能夠避免陷入隨機搜索，能夠在科學有效的區間尋求新解，為避免陷入早熟，構造2種變鄰域結構，在完成設定的迭代次數以后，若所獲當前解的適應度仍然沒有出現大幅的改進，在這種情況下將會分別通過下文中的結構1與2形成新解。

變鄰域結構1：自當前解每次形成1個候選解，能夠利用重復對基本鄰域結構進行[S]次調用實現；

變鄰域結構2：在解釋當前解產生鄰域的過程中，必須將其周圍的[2S]區域中全部節點的虛擬機編號改變。

3.4 基于改進禁忌優化的工作流調度算法

具體來說，該種方法的具體過程如下所示：

輸入：[T=t1，t2，…，tn]（用來指代全部任務集），[rmax]（是指最優解最大沒有改變的次數），[V=v1，v2，…，vn]（用來指代當前虛擬機集合），[S]（參考值），[L]（禁忌表長度），[K]（候選集元素個數），[T]（算法最大迭代次數），[M，][N]（兩者分別用來指代[Sselected]與[Sneighbor]的元素個數最大值）；

輸出：全局最優解[best?far]；

step1：隨機產生符合相關要求的解，將其當作當前解[xcur，]初始化[best?far=xinitial，]最優解未變化次數[r=1，]當前迭代次數[t=1]；

step2：把[xcur]與移動量[（0，0）]分別置于禁忌表[TB]與TW里面，設定禁忌長度是[L]；

step3：判定[t≤T]成立與否：若[t ≤T]成立，在這種情況下就會結束該算法，然后將[best?far]輸出；否則[t=t+1]；

step4：按照在3.3節中提出的鄰域結構生成[xcur]的[Sneighbor，]一直至[Sneighbor]里面有[N]個元素結束，從中取[K] 個最優解，將它們作為候選解，在此基礎上，加入[Sselected；]

step5：把[Sselected]里面的[Sselected?best]和[best?far]進行對比：

[If Fitness（Sselected?best）]>[Fitness（best?far）]

[r=r+1]；

[best?far=Sselected?best]

[xcur=Sselected?best]

假如[Sselected?best]沒在禁忌表里面，在這種情況下，把[Sselected?best]加到TB中，并且設定它的禁忌長度是[L]，把它的移動方式加到TW中，同時，設定其余元素的禁忌長度是[-1]；

否則取沒有被禁忌的下一較優候選解[4]當作[xcur，]然后把它加至禁忌表中，把它的移動方式加到TW中，對其余元素進行更新，使其禁忌長度是[-1]；

step6：[t=t+1]，在此基礎上，重新從step3開始。

4 仿真實驗

實驗環境為[Cloud Sim][12]，圖3為工作流任務實例，在這里，為了能夠和文獻[13]的方法進行對比分析，此處選擇的參數都和文獻[13]的設置相同，橢圓中是指各子任務，工作量均勻分布在區間[[50，500]]中，總共有[4]個虛擬機，相互間的帶寬矩陣具體如下：

[Mv=04012080400601001206009080100900] （5）

全部的任務中，只有第[6]個[τ]是4，剩下的都是2，安全性等級依次為：2，2，3，4。

相關參數主要包括：[rmax=4，][L=4，][S=1，][N=5，][M=3，][T=200，][K=6。]

以圖3為實例，通過將本文提出的算法、文獻[11]和[13]提出算法的結果相對比，獲得各個算法的收斂圖，如圖4所示。

通過圖4能夠得知，本文所提出的算法在[140]代收斂，其工作流調度用時是[178.4]，后面2個算法的用時依次是[195.1]與[210]，文獻[11]提出的算法在仿真過程中均未達到收斂，但文獻[13]的方法在[180]代達到收斂，然而并未獲得全局最優解，通過對比可以看出，本文提出的算法一方面其收斂速度相對較好，另一方面還能夠獲得更優解。

進一步驗證三者對約束的敏感狀況，具體測試結果見圖5。

通過圖5能夠得知，本文所提出的算法與文獻[13]提出的方法充分兼顧到安全性約束，另一方面，在有無約束時的平均用時具有相對偏小的差異，值得注意的是，文獻[11]提出的方法并未兼顧到相關約束，正是這一方面的原因，所以，該方法無法妥善處理安全型約束的云工作流調度問題。

5 結 語

綜上所述，為科學調度云計算中的任務，必須妥善處理的第一個環節即工作流調度，針對該問題，本文提出了基于安全型約束的云計算工作流高效調度法。構建了相應的調度模型與目標函數，在此基礎上，通過協同禁忌算法進行尋優。最后，本文還在Cloud Sim環境平臺下開展相應的仿真實驗，結果說明提出的新方法的效果相對較好，一方面其收斂速度相對偏高，另一方面其可以獲得相對較優的解。

參考文獻

[1] DU Z H， HU J K， CHEN Y N， et al. Optimized QoS?aware replica placement heuristics and applications in astronomy data grid [J]. Journal of systems and software， 2011， 84 （7）： 1224?1232.

[2] 厲劍.云計算安全問題分析[J].現代電子技術，2013，36（19）：91?94.

[3] 劉少偉，孫令梅，任開軍，等.云環境下優化科學工作流執行性能的兩階段數據放置與任務調度策略[J].計算機學報，2011，34（11）：2121?2130.

[4] 陳良維.云計算環境下的網絡安全估計模型態勢仿真[J].現代電子技術，2015，38（20）：15?19.

[5] VAQUERO L M， RODERO?MERINO L， MORAN D. Locking the sky： a survey on IaaS cloud security [J]. Computing， 2011， 91（1）： 93?118.

[6] MALIK S， HUEF F， CAROMEL D. Reliability aware sche?duling in cloud computing [C]// Proceedings of 2012 International Conference for Internet Technology and Secured Transactions. Piscataway： IEEE press， 2012： 194?200.

[7] KANG Q， HE H， WEI J. An effective iterated greedy algorithm for reliability?oriented task allocation in distributed computing systems [J]. Journal of parallel and distributed compu?ting， 2013， 73（8）： 1106?1115.

[8] 閆歌，于炯，楊興耀.基于可靠性的云計算工作流調度策略[J].計算機應用，2014，34（3）：673?677.

[9] 儲雅，馬廷淮，趙立成.云計算資源調度：策略與算法[J].計算機科學，2013，40（11）：8?13.

[10] 胡蒙，苑迎春，王雪陽.改進模糊聚類的云任務調度算法[J].計算機工程與設計，2015，36（9）：2437?2441.

篇8

圖書館作為知識信息的收集和傳播中心,是知識信息服務的重要載體。正因為圖書館的這種特征使得它能夠始終緊跟計算機、通信技術發展的步伐,將最新的信息技術應用到自身領域中來。從圖書館管理系統到數字圖書館,從圖書館2.0到移動圖書館,都折射出不同時期出現的各種新的信息技術在圖書館中的應用。云計算這一新技術一經出現,就得到了IT界、學術界的廣泛關注。圖書館作為網絡時代與IT技術結合最緊密的領域也對這一技術進行了深入研究并將其應用到自身領域中。如2008年10月,J. Griffey 提出了“云圖書館員”(cloud librarians)的概念,認為云計算環境下圖書館員將成為“云圖書館員”,依托“云”來為讀者服務;2009年4月,非營利性圖書館服務與研究機構——OCLC(Online Computer Library Center)宣布將向它的會員圖書館提供基于World Cat書目數據的 “Web級合作型圖書館管理服務”,成為圖書館界真正意義上的第一個云計算服務［1］;還有CALIS(中國高等教育文獻保障系統)三期建設項目已經開展工作,將云計算技術應用到了圖書館資源共享中。

石油高校圖書館聯盟是全國性的石油行業圖書館的聯盟,自成立以來始終致力于資源的共建共享,開展了大量的工作,取得了一定的成績和實效,但同時也存在著一些問題?！霸朴嬎恪钡牡絹頌槁撁说馁Y源共享建設帶來了一個新的標準、一種新的運作能力、一種更加有力的整合手段。在云計算環境下,借鑒國內外云計算研究與應用的成功經驗,結合石油高校圖書館聯盟的實際情況,探討適合聯盟自身特點的資源共享模式，對聯盟提供優質的服務和聯盟的可持續性發展具有非常重要的意義。

一、云計算概述

(一)云計算的定義

按照美國國家標準和技術研究所頒布的最新版《NIST云計算工作定義》試行稿中的定義，云計算是一種能使用戶便捷、隨需應變地對共享的可配置計算機資源共享池(如網絡、服務器、存儲器、應用程序和服務)進行網絡訪問的模型。該模型可在最少的管理投入或服務供應商介入的情況下快速實現資源的提供與。［2］在技術實現上對云計算的描述如下:“云”是由并行的網格所組成的一個巨大的服務網絡,它通過虛擬化技術將軟、硬件以及存儲等計算資源虛擬化,通過網絡對這些計算資源進行統一的管理和調度,從而擴展云端的計算能力，使各個設備發揮最大的效能。［3］

“云”的出現是互聯網時代的一場巨大改變。云計算基本原理是,用戶所需的應用程序并不需要運行在用戶的個人電腦等終端設備上,而是運行在互聯網的大規模服務器集群中。用戶所處理的數據也并不存儲在本地,而是保存在互聯網的數據中心里面。這些數據中心正常運轉的管理和維護則由云計算服務中心負責,并由他們來保證足夠強的計算能力和足夠大的存儲空間來供用戶使用。［4］在任何時間和任何地點,用戶通過網絡借助瀏覽器就可以很方便地把“云”作為資料存儲中心或數據計算中心。

(二)云計算的服務模型

一是軟件即服務(SaaS)。用戶可以使用某應用程序,但不能控制運行該程序的操作系統、硬件或網絡基礎設施。

二是平臺即服務(PaaS)。用戶將托管環境用于其應用程序。用戶能控制環境中運行的應用程序,但不能控制運行應用程序的操作系統、硬件或網絡基礎設施。平臺通常是一個應用程序框架。

三是基礎架構即服務(IaaS)。用戶可以使用“基本的計算資源”,如處理能力、存儲器網絡部件或中間件。用戶能控制操作系統、儲存器及部署的應用程序,也有可能控制網絡部件(如防火墻和負載均衡器),但不能控制底層的云計算基礎設施。

(三)云計算的部署模型

一是公有云。簡單來說,公有云服務指的是用戶通過互聯網從第三方供應商獲取的云計算服務。獲取的服務可能免費或使用成本比較低。公有云提供了一種靈活、經濟有效的部署解決方案。

二是私有云。私有云具備公有云計算環境的許多優點,如靈活性強、以服務為基礎等。二者的區別在于,基于私有云的服務,在用戶內部進行數據和流程管理時,可以不受網絡帶寬、安全風險和法規要求等的限制,而使用公有云服務則要受以上限制。此外,鑒于私有云所使用的用戶訪問和網絡都被嚴格控制和標識,因此,私有云能為供應商和用戶提供更好的云基礎架構控制,同時提高安全性和恢復能力。

三是混合云?；旌显剖枪性坪退接性频娜诤?且二者可互操作。在此模型下,用戶通常將非業務關鍵信息和流程轉移至公有云處理,而將業務關鍵型服務和數據置于自己的掌控之下。

鑒于云計算部署的三種模式,用戶可以根據自己的實際需求在聯盟建立自己的公有云、私有云和混合云。

篇9

甩掛運輸； 軸輻式網絡； 掛車中心； 時間窗； 啟發式算法

中圖分類號： U169.71；U492.22

文獻標志碼： A

0 引 言

軸輻式網絡是道路運輸的常見形式，胡志華等[1]對該物流網絡進行過樞紐重配置優化研究.甩掛運輸集汽車列車運輸與裝卸甩掛作業技術于一體，是一種集約、高效的運輸組織模式.常見的甩掛模式有：一線兩點，兩端甩掛；循環甩掛；一線多點，沿途甩掛；多線一點，輪流拖帶[2].

現有文獻中有關帶有掛車的車輛路徑問題（Vehicle Routing Problem， VRP）的研究主要分為兩類.一類問題可以被描述為：一輛貨車配備一輛或者若干輛可以與之接掛或分離的掛車組成汽車列車.針對這類問題展開的研究主要有：SEMET等[3]首次討論了“公路列車”（拖帶一輛或多輛掛車的貨車）的VRP；GERDESSEN[4]提出了VRPT（Vehicle Routing Problem with Trailers）的兩種現實情境；CHAO[5]將帶有掛車的VRP定義為TTRP（Truck and Trailer Routing Problem），并首次為該問題建立數學模型而不是描述性模型；SCHEUERER[6]、LIN等[79]和VILLEGAS等[1011]分別設計啟發式算法、模擬退火算法和超啟發式算法求解TTRP；DERIGS等[12]對TTRP的變形問題進行研究；胡志華[13]為該問題建立子回路分割模型.

另一類問題則是對目前國內所推廣的“甩掛運輸”的研究.該類問題與前述問題的區別在于：（1）甩掛運輸問題中牽引車僅提供動力部分，沒有裝貨的空間，而前述問題中的貨車車頭既是動力引擎又提供裝貨空間；（2）與前述問題拖掛分離的目的不同，甩掛運輸中拖掛分離的目的是為了提高牽引車的利用率.雖然兩類問題都存在其現實意義與研究價值，但是本文的研究內容主要集中在對第二類問題即甩掛運輸問題的研究.

在甩掛運輸相關文獻中，HALL等[14]運用基于預測路徑生產率的控制規則判斷在循環甩掛中何時釋放牽引車.SMILOWITZ[15]運用嵌入列生成的分支定界法對帶有柔性任務的多資源路徑規劃問題進行求解.FRANCIS等[16]對SMILOWITZ[15]的模型及算法進行了改進，得到了更好的解.ZHANG等[17]對同一問題[1516]進行動態調度研究，運用兩階段算法對問題進行求解，目標是使運輸成本最小.TAN等[18]在LEE等[19]模型的基礎上加入掛車約束，首次建立了甩掛運輸問題的數學模型，運用混合多目標進化算法得到問題的帕累托最優解.胡志華等[20]研究集裝箱集散環境下空重箱循環甩掛的調度問題，建立混合整數規劃模型，運用兩階段優化方法求解該問題.繼而，胡志華[21]將該方法應用于集裝箱碼頭間互拖的集卡甩掛運輸調度問題.LI等[22]研究單車場牽引車與半掛車路徑問題（tractor and semitrailer routing problem），運用啟發式算法得到牽引車數量和每輛牽引車的路徑，但文章缺乏對該問題的數學建模.袁野等[23]對單一客戶點甩掛運輸的建模進行了分析.

分析文獻可以看出，現有文獻集中在對循環甩掛和多線一點、輪流拖帶這兩種甩掛模式的研究上.在問題描述方面，對多線一點、輪流拖帶的軸輻式網絡結構缺乏明確的定義.在建模方面，對甩掛運輸問題的數學建模，尤其是針對不同甩掛運輸模式的特色建模，還處于研究初期，需要進一步完善.在算法方面，除文獻[1517]運用分支定界法對問題進行求解外，其余文獻主要集中在啟發式算法上.本文基于已有的研究成果，運用啟發式算法求解軸輻式網絡下的集裝箱甩掛運輸調度問題，對該種模式的問題提取和模型建立進行深入研究.

本文對軸輻式網絡下的集裝箱整箱運輸牽引車調度問題進行研究，研究貢獻集中在：（1）對軸輻式集裝箱甩掛運輸的網絡進行明確的定義及闡述；（2）提出三階段啟發式算法迅速給出調度方案，保證甩掛企業實際應用的時效性；（3）對牽引車數量，掛車中心數量、位置，掛車數量、分布，以及緊急任務數量等重要參數進行敏感性分析，為甩掛企業經營人進行合理的資源配置提供參考.

1 問題描述

如圖1所示，橢圓中的軸輻式網絡由中央集散中心（或港口）與分布在周圍的客戶點、掛車中心（TrailerCenter，TC）和連接各點的弧構成.牽引車的路徑閉合，即從集散中心出發，最終回到集散中心.

出口集裝箱甩掛運輸操作流程為：牽引車從集散中心出發，先到TC掛一輛空掛車，再回到集散中

心的堆場取空箱運至客戶點處，并將載有空箱的掛車甩下，然后從客戶點返回集散中心或者駛向下一任務的開始節點.甩下的空掛車停留在客戶點處進行裝箱作業.待客戶點處裝箱完畢后，牽引車將從客戶點將重掛取回至集散中心，重箱與掛車分離，落至堆場等待干線運輸.需要說明的是，為客戶點送空掛的牽引車和取重掛的牽引車可以不是同一輛.進口集裝箱甩掛運輸操作流程則與之相反.

根據集裝箱流向和客戶的需求，將牽引車的任務類型分為4種：取空箱、送空箱、取重箱、送重箱.4種任務類型兩兩組合可以形成16種任務子序列，當某個任務子序列為兩個送箱任務相連時，牽引車需要在兩任務中間訪問TC取空掛車；當相連任務為取箱任務時，牽引車需要訪問TC還空掛車.本文根據調度的不同階段，將任務分為緊急任務、普通任務和超期任務.緊急任務被定義為：在本規劃期的牽引車路徑規劃完成后，企業接到的新任務或任何需要優先于其他任務完成的任務.普通任務被定義為：本規劃期內不需要被優先完成的任務.超期任務被定義為：已經接受客戶申請，但因公司資源條件限制，無法在本規劃期內完成的任務.加入對緊急任務的處理是本文的創新點之一.

為了日常調度的實用性和時效性，啟發式算法在解決VRP中被大量應用.本文采用三階段啟發式算法對問題進行求解，三階段算法分別調度緊急任務、普通任務以及超期任務.在80個客戶點、100項任務、不同資源配置下的50項實驗中，該算法均能在5 s之內給出調度方案，極大地滿足企業在實際調度工作中對時效性的需求.

2 數學模型

在文獻[18]和[23]的基礎上進行擴展，建立如下數學模型.

2.1 模型假設

一輛牽引車僅能掛一輛掛車；牽引車與掛車在各任務節點的掛/甩掛車時間已知且不變；所有掛車均載有40英尺的集裝箱.

2.2 參數和變量

2.2.1 參數

G=V，D為運輸網絡；V=0，1，…，i，…，I為節點集合，其中節點0表示集散中心，其他節點表示客戶點及TC；D為節點之間弧的集合，Dij為兩節點i與j之間的路網距離；Ck為牽引車k的每千米油耗；K為牽引車總數；M為任務總數；Ma為緊急任務數；Mb為普通任務數；ma為緊急任務序號；mb為普通任務序號；

T為牽引車在規劃期內能夠完成的任務數上限；Tma，2為所有緊急任務的結束時間；Tmb，1為第一個普通任務的開始時間；Thpm為牽引車從緊前任務h終點到掛車中心p，再到緊后任務m起點的行駛時間；Thm為牽引車從緊前任務h終點到緊后任務m起點的行駛時間；Tm為牽引車從任務m起點到終點的行駛時間；Hm，1為任務m在起點的操作時間；Hm，2為任務m在終點的操作時間；Tk，1為牽引車k開始工作的時間；Tk，2為牽引車k結束工作的時間；TEm為任務m的最早開始執行時間；TLm為任務m的最晚開始執行時間；NSK為送空箱任務集合；NSZ為送重箱任務集合；NQK為取空箱任務集合；NQZ為取重箱任務集合.

2.2.2 決策變量

2.3 數學模型

式（1）為優化目標，即方案總成本最?。皇剑?）表示每個任務僅被執行一次；式（3）保證所有牽引車的任務分配有序；式（4）表示所有普通任務要在緊急任務之后被完成；式（5）～（8）表示每項任務的時間序列，其中式（5）是同一牽引車執行前后兩項任務的時間遞推；式（9）表示每輛牽引車的工作時間均在規劃期內；式（10）保證滿足任務的時間窗要求；式（11）和（12）保證每輛牽引車的路線是閉合的；式（13）～（15）表示對TC的訪問約束，式（13）中當牽引車執行第一項任務時，只有涉及送掛車時才會產生訪問TC取掛車的情況，執行其他任務時前后兩項任務均需送掛車才會產生訪問TC取掛車的情況.

3 三階段啟發式算法

設計啟發式算法進行求解.根據任務的待執行緊迫程度，將其分為緊急任務、普通任務和超期任務等3種，而任務性質的劃分則依賴于決策函數（緊迫度函數、懲罰函數和距離函數）.

任務的緊迫度越高，緊迫度函數值越大；任務執行方案對其時間窗違反程度越高，懲罰函數值越大；距離函數則是執行該任務所需行駛的總距離.

3.1 三階段啟發式算法總體流程

算法總體思路為優先分配緊急任務，然后分配普通任務，最后推遲或外包超期任務，具體見圖2.

3.2 三階段啟發式算法具體步驟

3.2.1 分配緊急任務

緊急任務的緊迫度函數值相同，因此當同時出現多個緊急任務時，分別計算各任務的懲罰函數值后再進行分配.具體流程見圖3.

3.2.2 分配普通任務

緊急任務分配結束后，以任務的緊迫程度和子序列的懲罰函數值為標準進行普通任務的分配，具體流程見圖4.

3.2.3 外包或推遲超期任務

當存在超出規劃期的任務時，將這些超期任務推遲至下一規劃期或外包，具體見圖5.

4 算例實驗

通過改進文獻[18]中的算例，本文分別從牽引車數量、TC數量、掛車數量和緊急任務數量這4個方面驗證算法的有效性，并分析各因素對整體調度方案的影響.

軸輻式網絡由一個集散中心、若干個TC以及80個客戶點組成.TC和客戶點的位置隨機分布在100×100的網格上，集散中心位于網格中心.任意兩點之間采用歐氏距離.另外，本文的規劃期為早8：00到晚8：00（1天內）.牽引車行駛速度為60 km/h，單位掛/甩掛車時間為30 min.違反時間窗的懲罰因數a=b=1.

4.1 牽引車數量

本例共有11項實驗，牽引車數量從15輛逐一變化至25輛，任務數量均為100個，TC有5個，均勻分布在網絡中.每個TC的可用掛車均為6輛.

由圖6可以看出，牽引車的數量能夠直接影響任務的完成情況.當牽引車數量上升至19輛時，未完成的任務數下降至0，說明該系統內牽引車最低保有數量為19輛.牽引車從15輛逐漸增多，遲到懲罰成本降幅超過提前懲罰成本的漲幅；當牽引車數量超過20輛并繼續增多時，提前懲罰成本大幅上升，并且覆蓋了遲到懲罰成本的減少，造成總懲罰成本曲線呈“U”型.

4.2 TC數量

為研究TC的地理分布對調度方案總成本的影響，設置TC數量不同的算例，共8項實驗，TC數量有1，3和5個等3種情況.TC分布方式有：TC1～TC5均勻分布，僅設TC1，僅設TC2，僅設TC3，僅設TC4，僅設TC5，設置TC1，TC3和TC5，設置TC1，TC2和TC4等8種.掛車在TC均勻分布，總數均為30輛.

由圖7可以看出，TC的數量和分布方式會直接影響任務的完成情況和系統整體調度方案.總體而言，TC數量越多，分布越均勻，牽引車行駛的總里程及方案的總懲罰成本越小.當僅設置單一TC，且TC分布在1，3，4，5等4個位置時，出現了未完成任務.而當TC位于2位置時，總里程和總懲罰成本較其他算例更優，證明TC的選址也會影響經營成本.

圖7 TC數量不同時的算例運算結果

4.3 掛車數量

該算例包括5組25項實驗，TC數量均為1個，分布方式分別為TC1，TC2，TC3，TC4和TC5.每項實驗任務數量均為100個，牽引車數量為20輛，每組實驗TC的掛車數量（NT）從23輛逐漸增至27輛.

由表1可見，在各TC的掛車數量增加的過程中，當掛車數量為23輛和24輛時以及第3組和第5組中當掛車數量為25輛時，因掛車數量難以滿足需要未能給出規劃結果.掛車數量不僅影響經營成本，還會直接影響經營質量：掛車數量過少無法完成既定的任務，而過多又會增加公司經濟負擔和管理成本.

4.4 緊急任務數量

設置緊急任務數量不同的6項實驗，任務數均為100個，牽引車數量均為20輛，TC可用掛車數均為30輛，5個TC均勻分配掛車，緊急任務的數量從0逐漸增長到5個.

由圖8可以看出，初期隨著緊急任務數量的增加，提前懲罰成本和遲到懲罰成本均逐漸下降，優先處理緊急任務可以使整體方案違反時間窗的程度降低；當緊急任務數量上升至5個時，遲到懲罰成本仍保持下降趨勢，但提前懲罰成本增加，導致總懲罰成本上升幅度較大.這說明緊急任務的數量較多時，為盡快完成任務，對時間窗上限的違反程度較高.

圖8 緊急任務數量不同時的算例運算結果

5 結束語

本文建立了軸輻式網絡中甩掛運輸車輛調度問題的模型，提出了基于啟發式規則的三階段調度算法.基于牽引車數量不同、掛車中心數量不同、可用掛車數量有限和緊急任務數量不同等4個類型的算例實驗，提出了配置牽引車和掛車數量以及優化掛車中心地理位置的具體方法，并闡述了緊急任務數量對調度計劃的影響.全面剖析了甩掛運輸系統調度時各因素的影響，為營運者提供一定的決策借鑒.

未來的研究將考慮甩掛運輸新模式下的調度優化問題，例如牽引車對開、相遇后司機折返等.

參考文獻：

[1]胡志華， 洪雯婷， 胡青蜜. 軸輻式物流網絡擴張的樞紐重配置優化[J]. 上海海事大學學報， 2015， 36（1）： 1924.

[2]高洪濤， 李紅啟. 道路甩掛運輸組織理論與實踐[M]. 北京： 人民交通出版社， 2010： 1819.

[3]SEMET F， TAILLARD E. Solving reallife vehicle routing problems efficiently using tabu search[J]. Annals of Operations Research， 1993， 41（4）： 469488.

[4]GERDESSEN J C. Vehicle routing problem with trailers[J]. European Journal of Operational Research， 1996， 93（1）： 135147.

[5]CHAO I M. A tabu search method for the truck and trailer routing problem[J]. Computers & Operations Research， 2002， 29（1）： 2251.

[6]SCHEUERER S. A tabu search heuristic for the truck and trailer routing problem[J]. Computers & Operations Research， 2006， 33（4）： 894909.

[7]LIN S W. Solving the truck and trailer routing problem based on a simulated annealing heuristic[J]. Computers & Operations Research， 2009， 36（5）： 16831692.

[8]LIN S W， YU V F， CHOU S Y. A note on the truck and trailer routing problem[J]. Expert Systems with Applications， 2010， 37（1）： 899903.

[9]LIN S W， YU V F， LU C C. A simulated annealing heuristic for the truck and trailer routing problem with time windows[J]. Expert Systems with Applications， 2011， 38（12）： 1524415252.

[10]VILLEGAS J G， PRINS C， PRODHON C. GRASP/VND and multistart evolutionary local search for the single truck and trailer routing problem with satellite depots[J]. Engineering Applications of Artificial Intelligence， 2010， 23（5）： 780794.

[11]VILLEGAS J G， PRINS C， PRODHON C. A GRASP with evolutionary path relinking for the truck and trailer routing problem[J]. Computers & Operations Research， 2011， 38（9）： 13191334.

[12]DERIGS U， PULLMANN M， VOGEL U. Truck and trailer routing problems， heuristics and computational experience[J]. Computers & Operations Research， 2013， 40（2）： 536546.

[13]胡志華. 基于混合進化算法的甩掛配送問題[J]. 公路交通科技， 2013， 30（5）： 147152.

[14]HALL R W， SABNANI V C. Control of vehicle dispatching on a cyclic route serving trucking terminals[J]. Transportation Research Part A： Policy and Practice， 2002， 36（3）： 257276.

[15]SMILOWITZ K. Multiresource routing with flexible tasks： an application in drayage operations[J]. IIE Transaction， 2006， 38（7）： 555568.

[16]FRANCIS P， ZHANG G， SMILOWITZ K. Improved modeling and solution methods for the multiresource routing problem[J]. European Journal of Operational Research， 2007， 180（3）： 10451059.

[17]ZHANG G， SMILOWITZ K， ERERA A. Dynamic planning for urban drayage operations[J]. Transportation Research Part E： Logistics and Transportation Review， 2011， 47（5）： 764777.

[18]TAN K C， CHEW Y H， LEE L H. A hybrid multiobjective evolutionary algorithm for solving truck and trailer vehicle routing problems[J]. European Journal of Operational Research， 2006， 172（3）： 855885.

[19]LEE L H， TAN K C， OU K. Vehicle capacity planning system： a case study on vehicle routing problem with time windows[J]. IEEE Transactions on Systems Man and Cybernetics Part A Systems and Humans， 2003， 33（2）： 169178.

[20]胡志華， 曹楊， 王云霞. 集裝箱集散的空重箱循環甩掛調度方法[J]. 武漢理工大學學報， 2012， 34（10）： 6873.

篇10

1 云計算技術的內涵和技術優勢

1.1 云計算技術的內涵

簡單地講，云計算其實就是一種新型的資源利用和整合的形式，通過云計算技術能夠讓信息或者資源在最短的時間內投放給需求方，完成最精確的信息傳遞[1]。在互聯網時代，信息或者資源的存量是極其巨大的，同時，每時每刻產生的新資源更是對用戶的行為產生著重要的影響。這些海量的數據或者資源可以認為是一個資源池，云計算通過不同的算法以及大數據處理技術對各項信息資源進行清洗、處理、整合，可實現用戶即時獲取有效信息的目的。

1.2 云計算的技術優勢

云計算技術作為未來信息化技術的發展方向，理應具備現有解決方案無法比擬的優勢，“云”概念的提出，涵蓋了新型計算技術的諸多方面，比如搭建云服務的基礎設施、資源分配的機制和處理算法等。云計算技術具有以下幾大優勢。

（1）極強的安全性。鑒于云計算技術的重要功能之一是數據的存儲和分配，那么云計算的安全性就成為其最重要的技術優勢。傳統的信息處理模式過度依靠于硬件存儲，與之相比，云計算技術的數據儲存以及安全性級別都是極為可靠的。在“云”的概念中，加入了容錯機制、動態計算機制、實時數據遷移等多種機制來應對數據出現異常的情況。

（2）即時虛擬化。云計算很清晰地指出了即時性，就像白云一樣一直伴隨在用戶周圍，隨時可以被喚起。正是由于這種即時性，也說明了其虛擬化程度是非常高的[2]。在現代信息化中，用戶對信息或者資源的調取是有時效性要求的，隨著移動互聯網的發展，這種趨勢還會加強。

（3）拓展性強。以前，資源的規模拓展受限于空間，但在“云”的概念里，這種情況是不存在的，這是因為云計算在底層設計的時候已經實現了動態伸縮，可以滿足未來不可預期的規模拓展。特別是對于互聯網巨頭企業而言，用戶的數據在每個發展時期都不一樣，這種變化可能是不同量級的，利用云計算就能滿足企業不同時期的需求。

2 云計算技術在不同行業的應用進展

幾乎每一項前沿技術都會對人們的生活與工作產生巨大的影響，甚至對行業的發展起到非常重要的導向作用。云計算技術也是如此，在互聯網高度發達的今天，網絡化、信息化已經成為行業發展的標配，現代信息技術驅動行業發展已成為社會信息化的明顯特征。現代信息化v求的是全行業的信息化，當然每個行業由于自身的特殊性，實現信息化的程度和進度都有所不同，但其信息化的本質是不會改變的。

2.1 企業信息化

企業作為市場經濟活動的主體，對市場動向總是保持著較高的敏感度，在傳統的信息傳播方式下，企業獲取信息的形式比較單一，甚至是較為滯后的，這很不利于企業自身的管理和業務的發展，所以對于企業而言，引入云計算來加強企業信息化是加快企業信息流動，參與市場競爭，提升企業管理水平的重要途徑。建立云計算平臺對于企業信息化的影響主要集中在業務和管理方面。在管理層面，云計算能夠把每一位職員都按不同維度進行劃分，形成數據庫，方便即時調用。在業務方面，與業務相關的各項資源以及數據都存儲在了云里，當業務管理者需要對數據進行調取和分析時，能夠隨時隨地對數據進行實時分析，提升了數據處理的效率。

2.2 教育信息化

教育信息化可以認為是發展較為迅速的一個領域。中國作為教育大國，一直以來都在向教育強國的發展方向努力，實現教育強國，不但是資金的投入，更需要的是教育資源的投入。我國地域遼闊，教育發展的不平衡與經濟發展狀況相類似，如何縮小教育水平的差距是擺在人們面前的一個重要課題。云計算技術的出現發展，為解決這一難題提供了一個思路。以往，師資力量的流通較為不便，教師授課在空間上受到了嚴格的限制。但是在互聯網環境下，教師的授課不再受空間限制，而是變成了一種具有分享性質的授課。依托于強大的云計算教育平臺，現代化教育已打破了時間、空間的限制，教師可在任何時間、任何地點開展授課，并且可通過基于云計算技術的教育平臺與學生進行實時、延時的互動與交流，實現跨越時空的無障礙、高品質教育。

2.3 農業生產信息化

云計算技術另一大應用領域就是農業生產信息化?，F階段，我國農業發展穩中向好，但是隨著國家深化供給側改革的推進，農業發展中出現了新的狀況，就是農業供需的嚴重失衡。例如，本地的特色農業常年無法推向市場，導致轉化率極其低下。究其原因，市場信息不對稱是導致出現這一問題的一個重要因素，這嚴重影響了農業生產的快速發展。在不少地區，電子商務開始走進村民家中，農業信息化已經走出了重要的第一步。在云計算技術的帶動下，農村的消費需求和產品供給將會得到最大限度的釋放，同時能夠通過各種云計算平臺實現農業生產各個環節的信息化，并對不同地域的農業生產發展情況及生產需求進行分析，得出較為可靠的結論。

2.4 交通領域信息化

近年來我國的交通運輸行業有了長足的進步。全國各地都在大規模興建高鐵，改善本地區的交通狀況，高鐵的信息化程度非常高，可以為乘客提供智能化的服務。此外，隨著配套的智能交通基礎設施的完善，交通條件逐漸改善，同時由于云計算以及大數據的運用，交通違法行為得到了有效遏制。例如在一些重點管控的商圈路口，會有高清攝像抓拍系統，利用云計算平臺，能夠準確地識別各種違法行為，例如違法并線、違法停車等等，這為建立良好的交通秩序起到了重要作用。

2.5 醫療衛生服務信息化

篇11

1 云計算技術闡述

云計算是一種基于互聯網的超級計算模式，主要關注如何充分地利用網絡硬件、軟件和數據的綜合能力，及如何更好使網絡中各個廉價的 PC 機協同工作發揮最大效用的能力。通過開發技術和標準把硬件和軟件抽象為分布的、可全球訪問的、動態可擴展、可配置的資源結構，對外以服務的形式提供給用戶。云計算需要一系列創新技術的支持，包括虛擬化技術、海量數據處理技術、大規模分布式存儲技術、資源調度技術，這些技術為云計算的正常運行提供了很好的技術保障。

2 云計算支持多種網絡技術

2.1 云計算分布式網絡測量技術

隨著網絡技術飛速發展，網絡拓撲和網絡環境變得越來越復雜，導致網絡負擔加重、性能下降，網絡安全和服務質量越來越重要。網絡性能數據是評估網絡的服務質量和規劃新業務的重要依據，存儲海量測量數據和提高測量和數據分析效率是網絡測量的研究重點。

傳統網絡測量管理系統使用單一服務器處理測量數據，存儲數據安全性低，其計算能力有限，發展潛力不足?；谠朴嬎愕姆植际骄W絡測量系統利用云計算平臺的大型虛擬資源池存儲海量的測量數據，保證數據存儲的可靠性和可拓展性，再利用云計算平臺的并行處理機制，對海量測量數據進行快速、并發的分析處理和數據挖掘。測量探針支持各種不同的y量算法的部署，支持多種格式的數據采集，在測量方法上提供了擁塞響應策略和負載均衡策略?；谠朴嬎愕姆植际骄W絡測量系統構架，見圖1。

伴隨著多租戶大規模云計算數據中心的廣泛應用，學術界和工業界提出了許多新型網絡虛擬化技術來應對新的挑戰。這些網絡虛擬化技術各有優缺點，沒有一種被廣泛采用部署，云服務運營商可能因為當前業務需求，成本，廠商慣性等原因選擇不同的網絡虛擬化技術，導致網絡虛擬化技術的異構現象越來越明顯。另一方面，云計算數據中心技術的轉型和跨數據中心云服務的流行使得云服務運營商迫切需要將屬于不同網絡虛擬化技術的虛擬網絡打通，整合異構的網絡資源，共同提供虛擬網絡服務。

2.2 云計算網絡虛擬化異構互通

網絡虛擬化平臺間信息交互接口的開發沒有解決異構網絡中的地址學習、數據轉發等難題。多租戶大規模云計算數據中心的廣泛應用可以提出許多新型網絡虛擬化技術的解決方案。網絡虛擬化技術各有利弊，其應用范圍都不是很廣，云服務根據不用的業務需求和產品原因選擇不同的網絡虛擬化技術，產生明顯的網絡虛擬化技術的異構現象。

同時，云計算和互聯網的發展對網絡虛擬化技術異構互通的產生了需求：云服務提供商認為云計算數據中心需要從傳統的虛擬化技術向新型網絡虛擬化技術平穩演進，這需要打通新舊設備商的網絡來支持云服務的整合、遷移、升級；考慮到云計算模式，現在跨數據中心的服務越來越普遍，而各數據中心在網絡硬件、管理平臺上往往有較大的差異。要實現跨數據中心的服務，首先需要將屬于不同網絡虛擬化技術的資源整合起來；從互聯網發展趨勢的角度，越來越多的大型項目，致力于將不同的網絡平臺、架構、技術互連，共同構建網絡生態系統。

2.3 云計算可信網絡連接關鍵技術

云計算是近幾年掀起的一項技術革命，為網絡技術快速發展提供了高效的服務模式，其巨大的獨特優勢，擁有很好的發展前景。但是其安全性受到了很大的挑戰，特別是在云計算背景下的安全接入和訪問控制。針對云計算中存在的特殊問題，結合可信網絡連接關鍵技術，研究面向云計算的可信接入技術及可問控制技術。

云計算背景下身份認證和可問控制方案是基于可信計算技術，建立云服務提供商、用戶之間數據交換的信任關系，為云服務提供商和用戶提供一種協作的方法來評估和管理云計算安全問題，大大提高了云計算的安全性。

3 結語

通過分析可知，新興的云計算擁有眾多技術優勢和特點，為推動網絡建設、難題解決和網絡技術高速發展帶來了新契機。同時，云計算技術解決了傳統網絡技術中的很多技術難題，開拓了網絡技術的發展空間，提供了強大的技術保障，提高了網絡技術的安全性。對云計算背景下的網絡技術進行了簡單的探討，認為其發展潛力和空間巨大，為未來互聯網的高速高效發展提供了強大的技術支持和安全保障。

參考文獻

[1]許洗或.云計算環境下的虛巧化技術的安全性問題研究的[J]信息安全與術，2013，9：46-50.

篇12

我國當前的無線電管路“四個體系”的核心技術要求是：盡快地實現無線電信息的接收、存儲、交互、融合、挖掘、分析技術，同時要在原有的無線電監測和檢測技術的基礎上，把握好總體的技術要求才能符合戰略目標的要求。首先是要搜集國內外的無線電信息，并進行信息分析，呈現出無線電監測的實時信息、頻率、電臺等數據，形成無線電的整體態勢分析和展示能力。在無線電管理的數據分析，是一項工程量巨大的工程，因此需要借助計算量巨大的計算技術，云計算的動態和可伸縮計算能力、群體智能、服務化特征等特點都為海量數據和復雜數據的分析提供了極大的便利，云計算的處理優勢正好可以配合無線電管理工作中的數據處理，因此在無線電管理“四個體系”的建設中應當采用云計算技術作為其核心技術，充分利用其計算優勢解決無線電管理中面臨的難題。

三、“四個體系”建設中云計算技術的應用

3.1Hadoop分布式云計算技術的應用Hadoop云計算平臺采用分布式和分層結構，其具體的結構分為數據層、模型層和應用層三層結構，其中數據層是整個管理體系的網絡數據，包含著各種類型的數據庫，如電臺站數據、監測數據、線電臺站數據、監測數據等；而模擬層是利用數據層管理“四個體系”中的數據，并通過處理數據層輸出的數據，建立數據模型，分析其包含的數據；應用層則是利用模擬分析的結果，對無線電管理“四個體系”的需求數據進行應用定位，并對無線電管理決策提供有針對性的方案與評估能力。3.2Hadoop分布式云計算技術的優勢和缺點云計算技術的發展完美地解決了海量數據和復雜數據的處理，給無線電管理“四個體系”的建設提供了技術基礎，尤其是Hadoop分布式云計算技術因為技術優勢明顯，尤其是其對于計算機的硬件要求不高，同時具備可伸縮性和高容錯性，技術成本較低，因此可以作為“四個體系”建設的核心技術。但是也存在著較多的問題。首先云計算技術需要強大的寬帶網絡作依托，一旦網絡條件不好，就很難就行數據的處理；再者云計算技術存在著延遲的問題，而且延遲的影響遠大于寬帶的影響；另外云計算的安全性也是制約“四個體系”建設的重要影響因素，因為云計算存在很強的虛擬化安全性威脅，同時其數據來源較為復雜，在應用的廣泛性上也會引發新的安全威脅。

篇13

云計算在學術界有多種內涵和定義，從計算機模型來看，云計算就是將大量用網絡連接的計算資源統一管理和調度，通過不斷提高“云”的處理能力，構成一個計算資源池向用戶提供服務，進而減少用戶終端的處理負擔，最終使用戶終端簡化成一個單純的輸入輸出設備，并能按需獲取“云”的計算服務。簡單地說，云計算是通過網絡按需提供可動態伸縮的廉價計算服務，它意味著計算能力也可以象水和電一樣，作為一種商品在互聯網上流通，讓用戶取用方便，且費用低廉。它與傳統運算模式的最大區別，就是通過互聯網進行傳輸，用戶只需用臺式電腦、筆記本電腦、手機等設備接入數據中心，按各自的需求進行存儲和運算，其運算速度可以每秒超過10萬億次，如此強大的運算能力幾乎無所不能。

云計算是多種技術混合演進的結果，其成熟度較高，發展極為迅速。亞馬遜、谷歌、IBM、微軟等大公司是云計算的先行者。谷歌搜索引擎建立在分布于200多個地點、超過100萬臺服務器的支撐之上，這些設施的數量正在迅猛增長；2007年11月，IBM推出了 “藍云”計劃，為客戶帶來即可使用的云計算；微軟緊跟云計算步伐，于2008年10月推出Windows Azure操作系統，在互聯網架構上打造新云計算平臺。

我國云計算發展也非常迅速。2008年3月17日，谷歌宣布在中國大陸推出云計算計劃。2008年初，IBM與無錫市政府合作建立了無錫軟件園云計算中心，開始了云計算在中國的商業應用。2010年10月的《國務院關于加快培育和發展戰略性新興產業的決定》中，將云計算定位于“十二五”戰略性新興產業之一。國家發改委聯合工業和信息化部的《關于做好云計算服務創新發展試點示范工作的通知》中，確定了北京、上海、深圳、杭州、無錫等五個城市先行開展云計算服務的試點工作。2012年8月廣東發出了《關于加快推進我省云計算發展的意見》，積極推進云計算應用及其產業發展。近年來，我國云計算已經從前期的進步階段開始進入實質性發展的階段，基礎持續夯實，進入加快跟進階段?；ヂ摼W公司、基礎運營商、軟硬件IT企業及各地政府等多方力量都在積極推動云計算發展。

2.云計算的技術優勢

云計算之所以具有如此大的發展潛力，主要是因為它具有如下的技術優勢。

一是性價比高。云計算為計算、存儲和管理數據提供了幾乎無限多的空間和無限強大的計算能力。云計算中存儲數據、計算分析過程都是在“云”中進行，對用戶端而言，設備配置只需完成簡單的輸入和輸出功能。

二是擴展性強。云計算體系中，其運算能力是可以擴展的，可以通過增減“云”中服務器，提高或降低“云”處理能力，尤其是某些“云”已經不是由服務器組成，而是普通的個人電腦組成，這些“云”擴展能力更大。

三是可靠性好?？煽啃院弥饕〝祿煽亢涂煽繑祿?。數據可靠主要指的是數據不是保存在個人電腦中，而是保存在“云”中，避免個人電腦被損壞或被盜造成的數據流失?？煽繑祿傅氖窃凇霸朴嬎恪钡挠嬎隳Ｊ较拢脩羰褂玫能浖煞丈探y一部署在“云”中運行，當個人電腦軟件出現問題時，不會影響用戶對軟件的使用。

四是靈活性大。云計算的靈活性體現在靈活的硬件兼容、數據共享、服務定制等三個方面。靈活的硬件兼容使多個用戶通過不同方式申請云計算；靈活的服務定制使用戶按照自己的需求定制服務、應用和資源。

五是透明度高。云計算存儲、計算、運輸對于用戶終端來說完全是透明的，用戶不必關心數據在哪，如何部署運算，只需要把需求告訴云計算，云計算就會把最終結果返回用戶，高度的透明性降低了云計算的應用門檻，使云計算得到普及推廣。

3.云計算對政府網站建設的影響分析

云計算是一種代表先進生產力的新技術，隨著云計算技術的快速發展和普及應用，云計算將對政府網站建設產生深遠的影響。

首先是對建站模式的影響。在傳統的政府網站建設模式中，政府各級各部門一般自行建設本部門的網站系統。這種模式存在政府網站建設、管理、運維等方面的費用較高；不利于部門網站與門戶網站以及上、下級政府網站的信息交換；各政府部門網站風格不一，難以樹立政府統一形象；需要配備較多數量的網站管理人員等等缺點。如果采用基于云計算技術的政府網站群建設模式，政府網站系統平臺在政府云計算中心運行，對各級各部門網站進行統一建設、統一管理、統一運維，則可以降低政府網站建設成本，實現部門網站與門戶網站以及上、下級政府網站信息同步更新，統一政府網站形象，減少政府網站工作人員。隨著政府門戶網站訪問量快速增長、網站內容多媒體化，使網站的計算量、存儲量呈現爆炸式增長，而云計算的技術特性正好可以適應這一需求。

其次是對機房建設管理的影響。在傳統的建站模式下，政府各級各部門一般自行建設機房，導致大量硬件設備的利用率不高，累計的運維成本居高不下。如果建設統一的大機房，根據各級各部門業務量統一采購服務器、交換機等硬件設備，統一進行運行維護，可以大大提高硬件設備的利用率，降低硬件設備的運行維護成本，也可以減少機房工作人員的總體人數，提高機房的管理效率。通過引入虛擬化技術、云計算技術，可以使大機房成為政府云計算中心。