[发明专利]一种基于蚁群算法的时间约束科学工作流优化方法

说明书

本发明公开了一种基于蚁群算法的时间约束科学工作流优化方法，包括以下步骤，初始化信息，初始化所有的蚂蚁，利用初始的信息素和启发式信息，构建任务到资源之间的映射序列；利用解码算法，将编码中的信息构建出一个完整的调度方案；根据需求，局部更新信息素和全局更新信息素；更新启发式信息，根据价格和成本因素，将任务分配给虚拟机的启发式信息更新；本发明采用蚁群算法结合时间约束，保证了优化结果的质量，且对不同解的情况采用了不同的启发信息以及惩罚函数，能更好的平衡工作流的时间约束和解空间的多样性，同时通过对可用资源进行优化，进一步提高了执行效率，在优化中有良好的性能。

技术领域

本发明涉及云服务平台和智能运算的研究领域，特别涉及一种基于蚁群算法的时间约束科学工作流优化方法。

背景技术

在科学计算环境中，工作流被定义为一系列原子任务，通过数据或计算上的依赖关系而形成的任务集合。工作流已经应用于许多领域，如电子商务、生物信息学、天文学和物理学。在这些领域中，任务通常分为计算密集型和数据密集型两种，而这两种任务都要求在用户可接受的时间范围内被执行完毕。为了满足服务质量，大规模工作流通常被部署在分布式环境中执行。如何协调多个任务在不同资源上的请求、优化任务完成时间和任务花费是当今的研究热点之一。

云计算是一种基于效用的分布式模型，它以提供软件应用程序和硬件基础设施作为服务。云计算可以分为三种计算模型：软件即服务、平台即服务和基础设施即服务。在基础设施即服务的模型中，云平台直接提供给消费者虚拟的计算能力(虚拟机)，消费者可以根据任务的需求进行计算资源的租赁，因此基础设施即服务模型已经成功应用于大规模科学计算和电子商务领域。

在云服务平台上合理的分配工作流是一个很重要的问题，好的分配方案使得系统消耗更少的能量，且资源也得到充分利用。另外，合理的工作流调度可以帮助客户减少时间成本和经济成本。因此在本发明中，我们考虑的是在时间约束下，尽可能的减少在云服务平台上处理一个工作流的耗费。

目前，很多研究者在不同的情境下研究了工作流调度问题。一些研究者在定义虚拟机模型的时候只考虑虚拟机的计算能力和价格。在这样的模型下，虚拟计算能力要么是相同的，要么是和其价格成线性相关，因此将一个任务运行在不同的虚拟机上产生的耗费几乎是相同的，这与现实情况往往不符。在实际中，当云服务需要处理一个任务的时候，仅仅考虑CPU资源是不够的。例如，在矩阵运算中，对资源的需求属于计算密集型，运算的时间主要由CPU的速度决定。但是在数据库操作中，对资源的需求属于数据密集型，因此运行时间主要和虚拟计算资源的内存相关。特别是在大数据时代，数据密集型的任务越来越常见。因此一个更符合实际的模型，需要区别对待计算密集型任务和数据密集型任务，同时将虚拟计算资源的内存限制考虑进去。

发明内容

本发明的主要目的在于克服现有技术的缺点与不足，提供一种基于蚁群算法的时间约束科学工作流优化方法。

本发明的目的通过以下的技术方案实现：

一种基于蚁群算法的时间约束科学工作流优化方法，包含以下步骤：

S1、初始化信息，包括信息素矩阵和启发式信息；

S2、初始化所有的蚂蚁，利用初始的信息素和启发式信息，采用伪随机方法或者轮盘赌方法构建任务到资源之间的映射序列；

S3、利用解码算法，将编码中的信息构建出一个完整的调度方案；即计算每个蚂蚁的适应值和对运行时间进行估算；所述每个蚂蚁的适应值为工作流执行需要的总时间TT和工作流完成需要的总花费TC；

S4、局部更新信息素，即每当一个蚂蚁产生一个新的解时，利用局部更新法则更新信息素；检测蚁群中蚂蚁是否全部更新信息素，如没有全部更新信息素，则回到步骤S4；如果全部更新信息素，则进入下一步；

S6、全局更新信息素，即所有蚂蚁都构造解完成后，在全局范围里更新信息素；