[发明专利]利用差分进化算法优化Iaas两目标任务调度的方法

说明书

本发明公开了一种利用差分进化算法优化Iaas两目标任务调度的方法，该方法结合一种可应用于离散问题的差分进化算法和改进的多目标优化框架，来对云环境下两个目标任务调度问题进行优化，即最小化任务完工时间和最小化云服务成本。该方法同时结合了多目标整体优化和子问题优化。整体优化的两目标问题和子问题优化的多个单目标问题各自用一个集合保存进化过程中的解。通过设计一种自繁殖、交叉繁殖等机制，整体优化和子问题优化协同产生更好的优化结果。最后经过多次迭代后，整体优化的解集为优化最终得到的解。该方法在对IaaS任务调度优化时，展现出良好的收敛性，优化得到的解也具有很好的多样性。

技术领域

本发明涉及云计算以及智能计算技术领域，具体涉及一种利用差分进化算法优化Iaas两目标任务调度的方法。

背景技术

云计算已经在商业上得到应用，并已经取得了巨大的成功，正越来越多地在社会生活中得到应用。

然而，如何提高云计算的服务质量(QoS)依然是目前面临的巨大挑战。其中，调度对QoS起着至关重要的作用。在IaaS(Infrastructure as aService)模式下，存在海量异构的计算与存储资源，来服务于大量用户提交的任务。相比于传统的调度问题，云计算环境下的任务调度问题规模更加庞大，实时性要求也更高，所以在实际中面临着巨大的挑战，是学术上和工程上研究的热点问题。

云计算的调度模型通常分为三个层次：服务层，任务层以及虚拟机(VM)层。任务层调度主要是针对用户提交的任务集合和云上的可用资源集合，将第一个集合中的任务映射到第二个集合中的资源上，来实现单个或者多个调度目标。现有的任务调度模型通常将任务用有向无环图(Directed Acyclic Graph,DAG)来表示。在DAG上，任务之间的优先约束以及数据依赖用边来表示。

云环境下，QoS通常由多个指标来衡量，如完工时间(makespan),负载均衡，资源利用率等。现有的部分优化算法只针对单个目标，如最大化资源利用率。目前虽然也有算法引入了多个优化目标，但用归一化的权重系数乘以目标函数，从而用单目标的算法来优化。然而，在实际应用中，权重系数难以指定。在实际应用中，调度优化算法应该同时对多个目标进行优化。这样，云计算环境下的任务调度是个多目标优化问题(MultiobjectiveOptimization Problem,MOP)。

多目标优化是计算机学科研究的热点问题。进化算法(evolutionaryalgorithms,EAs)在该领域取得了很大的成就。进化算法受到生物进化的启发，将问题的一个解看作个体，解的集合作为种群。一个个体的适应值用目标函数来量化，适应值是种群进化时优胜劣汰的评估标准。典型的多目标优化框架包括NSGA，NSGA-II,MOEA-D等。NSGA-II采纳了经济学帕累托(Pareto)改进的概念来对多目标下的解评估。如果一个解A在一个目标上相比另一个解B更好，同时在另一个目标上相比B至少一样好，那么就说A对B支配。NSGA-II在种群的进化过程中，利用这种支配的概念来评价种群中个体的适应值。MOEA-D是将一个多目标问题划分为多个单目标子问题。每个单目标问题用一定数量的个体来进化求解。MOEA-D在优化时对某些问题收敛很快，然而，有实验表明解的多样性不好。另外，MOEA-D中子问题的定义影响着最后的优化结果。尤其对于复杂的问题，MOEA-D的性能受到问题分解策略的很大影响。最近，一个新的多目标优化框架MOEA-DLA被提出来，得到广泛关注。MOEA-DLA同时吸取了NSGA-II多目标整体优化的思想和MOEA-D问题划分的思想。在MOEA-DLA中，Global Archive和Sub-archive分别保存整体优化和子问题优化的解。在优化过程中，整体优化和子问题优化通过交叉产生新的解和更新操作来协同。

发明内容

本发明的目的是为了解决现有技术中的上述缺陷，提供一种利用差分进化算法优化Iaas两目标任务调度的方法。

本发明的目的可以通过采取如下技术方案达到：