Running Noob

• 科学工作流应用的需求多样且所需资源庞大，仅靠一个云服务提供商提供的云资源不足以满足需求，所以需要多云系统，用多云系统来满足大量且多样的用户需求。但是在多云系统中，有一些具有挑战性的问题，包括可靠性、租赁开销、能源消耗、多工作流调度、多云系统等，如何协调这些 “conflicting” 的因素，实现相对较优的调度，是这篇论文关注的问题。
• 输出单个最优解

• 考虑了一个多云的环境，不同的云服务提供商有不同的计费机制。
• 这篇论文考虑了多云场景下工作流调度的开销和可靠性（把传输可靠性也考虑进去了）。
• 确定任务执行顺序用的是 Cost-Efficient Bottom Level，cb_level，可以看作是一个创新点。
• 值得注意的是，Reliability, Rental-Cost and Energy-Aware Multi-Workflow Scheduling on Multi-Cloud Systems 参考了这篇论文，所以它们存在一些相似的地方，比如：在选择虚拟机时，将调度目标混合成一个参数，然后把任务调度给参数最小的那个虚拟机；在任务复制时，如果任务的 hazard rate 大于一个常数，就将任务备份。
• 输出单个最优解

Ant Colony Optimization（ACO）：蚁群算法，将蚁群算法应用于解决优化问题的基本思路为：用蚂蚁的行走路径表示待优化问题的可行解，整个蚂蚁群体的所有路径构成待优化问题的解空间。路径较短的蚂蚁释放的信息素量较多，随着时间的推进，较短的路径上累积的信息素浓度逐渐增高，选择该路径的蚂蚁个数也愈来愈多。最终，整个蚂蚁会在正反馈的作用下集中到最佳的路径上，此时对应的便是待优化问题的最优解。

Simulated Annealing（SA）：模拟退火算法，思想借鉴于固体的退火原理，当固体的温度很高的时候，内能比较大，固体的内部粒子处于快速无序运动，当温度慢慢降低的过程中，固体的内能减小，粒子的慢慢趋于有序，最终，当固体处于常温时，内能达到最小，此时，粒子最为稳定。

Genetic algorithm（GA）：遗传算法，是一种通过模拟生物进化的方式来寻找最优解的一类优化算法。这种算法主要依靠遗传、突变和自然选择的机制对问题求解进行高效的迭代搜索。