[发明专利]一种基于粒子群优化算法的云资源调度方法

说明书

本发明提出了一种将改进的粒子群算法应用到云计算资源调度问题的方法，通过迭代来寻找最优的解决方案。采用Cloudsim仿真平台对资源调度所需要的任务和虚拟机进行随机生成；模拟云资源调度的过程，将粒子群算法与云资源调度问题相结合；转换云资源调度的问题模型，使本发明能够更符合实际情况；对使用的粒子群算法进行优化，主要是通过对粒子群的重新随机化，使得粒子提出局部最优，通过改变惯性权重，使得粒子搜索能力增强，使用正交初始化，使得粒子的搜索效率更高；根据每一次的迭代结果，使粒子根据全局最优和个体最优进行迭代更新，寻找更优的解；对调度的结果进行评价，最后获得最优解。本发明能够对云资源进行更好的调度，并且具有一定的可靠性，搜索最优解的能力更强。

技术领域

本发明涉及云资源调度领域，具体涉及一种基于改进的粒子群算法的云资源调度方法。

背景技术

云资源调度是一种按需使用资源的一种方式。使用有效的资源调度可以降低任务的执行时间，减少成本和能源消耗。怎样从服务供应商手中按需使用资源，从而达到最好的效果，这就是云资源调度所需要解决的问题。本发明是以同时优化执行时间和执行成本为主要目标的云资源调度模型。

云资源调度问题是一个NP问题，在解决该问题时，如果问题的规模过大，可能会使问题的维度过大，从而影响最后的分配方案。近年来，在解决该问题时，人们提出来了许多的方法。比如说将云资源调度问题与遗传算法，蚁群算法等相结合。这些方法不仅引起了人们的广泛关注，而且在实际应用的某些方面都能够取得不错的效果。然而，这些方法存在搜索效率过低，早熟的现象。这就引出本发明的实验内容，将云资源调度问题与粒子群算法相结合，并且在传统的粒子群算法的基础上进行进一步的优化。

粒子群算法是一种模拟自然界鸟类觅食行为的一种通过迭代进行寻找最优解的方法。将它与云资源调度进行结合能够使得寻优过程更加的快速，最后的结果更加优质。但是，普通的粒子群算法可能存在寻优结果精确度不高，容易陷入局部最优的问题，所以为了克服上述不足，本发明使用由坡度曲线引入的重新随机化和对惯性权重进行实时更新的方法，提高粒子群的收敛能力和搜索能力。使用正交初始化的方法，提高种群初始值的有效性和均匀性。使用上述两种优化方法，使得寻优过程更加高效，寻优结果更加优质。

发明内容

为了解决云资源调度问题，本发明使用一种能够减少任务的执行时间，降低任务的执行成本，并且能够提高算法的收敛速度，还能将优化能力考虑在内的一种混合的调度方法。

为此，本发明提供如下的技术方案：

一种基于改进粒子群算法的云资源调度方法，它的特征在于，算法通过迭代来寻找最优解，通过找到粒子群中的全局最优粒子进行更新判断，将粒子的速度和位置进行迭代更新，从而找到最优解，具体包括如下步骤：

步骤1：设置云资源调度的参数和算法的参数；

步骤2：产生云资源调度中的数据集；

步骤3：将云资源调度问题与粒子群算法相结合；

步骤4：对结合之后的算法使用正交初始化，得出初始的粒子群，包括粒子的个体最优解，全局最优解和此时的适应度函数值；

步骤5：将云资源调度模型转换为三角模糊模型；

步骤6：粒子群算法的优化，主要包括使用重新随机化方法和对粒子的惯性权重进行实时更新进行优化；

步骤7：根据每个粒子的个体最优，和粒子群的全局最优对每一个粒子进行迭代更新，产生新的搜索速度和搜索位置；

步骤8：对每一次的更新结果进行评价，找到当前最优解；

步骤9：如果达到设置的迭代最大次数，那么当前的最优解就是最后的全局最优解，否则回到步骤6重新对算法进行更新，寻找最优解；

进一步地，对于任务在每一个虚拟机上的执行时间，定义为