[发明专利]一种融入反向学习和试探感知的粒子群优化方法及系统

权利要求书

1.一种融入反向学习和试探感知的粒子群优化方法，其特征在于，包括以下步骤：

S1：获取云数据中心的所有计算资源，并获取所有待调度至所述计算资源上的任务，为每一个计算资源分配一个资源编号，为每一个任务分配一个任务编码，根据所述资源编码和所述任务编码得到编码序号，所述编码序号中数值的次序表示任务编号，数值表示资源的编号，将所述编码序号视为一个原始粒子，每个原始粒子对应一种任务调度方案，初始化规模为n的原始粒子，根据所述原始粒子构成原始群体；

S2：采用反向学习方法，生成n个所述原始粒子的反向粒子，从所述原始粒子和所述反向粒子中选出较优者，更新所述原始群体得到初始粒子群；

S4：在所述初始粒子群中每个粒子的周围依次产生q个用于感知是否有较当前粒子更好的位置的探子，根据所述探子优化所述初始粒子群中的每个粒子，得到最优的粒子群。

2.根据权利要求1所述的融入反向学习和试探感知的粒子群优化方法，其特征在于，所述步骤S2完成后，所述方法还包括步骤：

S3：采用适度函数计算所述初始粒子群中每个粒子的适应度值，所述适应度值用于判断对应粒子的位置的级别，所述适应度值越大，对应该适应度值的粒子的位置更好。

3.根据权利要求2所述的融入反向学习和试探感知的粒子群优化方法，其特征在于，所述S4具体包括以下步骤：

S41：计算每个探子对应的适应度值，选择最优者与当前粒子的适应度值做比较，如果优于当前位置则用探子替代当前粒子；

S42：更新所述初始粒子群中每个粒子的速度和位置，判断是否满足循环条件，若满足则退出循环得到最优的粒子群。

4.根据权利要求2所述的融入反向学习和试探感知的粒子群优化方法，其特征在于，所述适应度值的计算公式为：

式中，F(i)表示在第i个粒子对应的适应度数值，AllexeTime表示任务的总的执行时间；

其中，所述任务的总的执行时间AllexeTime越小，表示任务的跨度越小，对应的适应度值越大，粒子所在位置越好。

5.根据权利要求3所述的融入反向学习和试探感知的粒子群优化方法，其特征在于，所更新所述初始粒子群中每个粒子的速度V^j_ik的计算公式为：

V^j_ik＝ωv^t_ik+c₁R₁(Pbest_i-x^t_ik)+c₂R₂(Gbest-x^t_ik)；

R₁＝a-r₁；

R₂＝b-r₂；

式中，i表示第i个粒子，j表示第j个探子，c₁和c₂都表示加速因子，r₁和r₂表示为[0,1]内的随机数，a和b表示为[0,1]区间的常数，Pbesti表示第i个粒子迄今为止搜到的最优位置为个体极值，Gbest表示整个粒子群迄今为止搜到的最优位置为全局极值，ω表示惯性权重，x^t_ik表示粒子当前位置；

更新所述初始粒子群中每个粒子的位置X^j_ik的计算公式为：

X^j_ik＝x^t_ik+V^j_ik。

6.一种融入反向学习和试探感知的粒子群优化系统，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现上述权利要求1-5任一所述方法的步骤。