[发明专利]基于吞噬的粒子群遗传混合算法的云任务调度方法

说明书

本发明公开了基于吞噬的粒子群遗传混合算法的云任务调度方法，针对云环境下的任务调度问题，改变标准粒子群算法中位置与速度的更新方式，利用适应度函数与负载均衡标准差对粒子群每一代个体分别进行初次划分和二次划分，并对最终划分出来的不同粒子子种群分别进行吞噬变异与交叉变异操作，得出云任务的调度方案。通过仿真实验，将本发明中提出的云任务调度方法与其他几种现有的云任务调度方法进行比较，结果表明本发明中的方法明显改善了云任务的总体完成时间，具有更高的收敛精度，证明了本发明中基于吞噬的粒子群遗传混合算法的云任务调度方法的有效性。

技术领域

本发明涉及云技术领域，尤其涉及基于基于吞噬的粒子群遗传混合算法的云任务调度方法。

背景技术

云计算被定义为一种信息技术源和交付模型，用于实现对可配置计算资源(例如：网络、服务器、存储、应用程序和服务)共享池方便、按需的网络访问，可以通过最小化的管理工作或者服务提供商的交互被快速的提供和发布。云计算的交付模型分为三大类，即软件即服务(SaaS)、平台即服务(PaaS)和基础设施即服务(IaaS)。

云计算作为一种新兴技术因其具备极大的商用价值而被公司和企业广泛的应用，合理地利用和分配云环境提供的各种资源，有效的调度用户提交的海量任务以及保证云系统的负载均衡，对于增长公司与企业的核心竞争力，提高其经济效益具有极其重要的现实意义。随着云计算的广泛应用，云用户数量以及云任务量的增长越来越快，使得云环境面临着严峻的挑战。如何合理地利用和分配云环境提供的各种资源、如何有效的调度用户提交的海量任务以及保证云系统的负载均衡已成为云计算研究领域的热点问题。即使在一些简单的情况下，实现云任务的最优调度分配也是一个NP完全问题。这是因为在这种类型中，我们不能在多项式时间内得到解。在云计算环境中，大量的用户是同时需要资源的，所以调度方法应该尽快确定。针对于云环境下的任务调度问题，国内外研究者提出了许多非启发式和启发式算法。例如，Max-Min算法、Min-Min算法是一类常见的非启发式算法，粒子群算法、遗传算法是一类常见的启发式算法。随着云计算环境下的任务调度算法逐步成熟，尤其是启发式算法，逐步被广泛应用。继而出现了各种基于改进优化启发式智能调度算法，例如，文献《Cloud task scheduling algorithm based on improved genetic algorithm》中提出的基于遗传算法的改进调度算法(IGA)，在遗传算法(GA)的基础上，引入“三段式选择法”以及交叉区域相似度降低了遗传算法陷入局部最优解的可能性；文献《Research on cloudcomputing task scheduling algorithm based on particle swarm optimization》提出的基于粒子群的改进调度算法(IPSO)，在标准的粒子群算法中引入了自适应惯性权重与随机因子改善了粒子群优化算法易陷入局部最优解且搜索能力差的问题；文献《A slaveants based ant colony optimization algorithm for task scheduling in cloudcomputing environments》提出的基于蚁群的改进调度算法(SACO)，它通过优化的参数映射，以高效的方式将云用户的任务调度到云计算环境中的虚拟机(VM)以及通过避免由蚂蚁错误累积信息素的长路径来解决奴隶蚂蚁的全局优化问题；文献《Optimization of cloudtask scheduling based on discrete artificial bee colony algorithm》提出的基于人工蜂群的改进调度算法(MDABC)，该算法改进了邻域解的搜索机制、加入局部搜索算子，以此来提高云计算处理任务效率和均衡度；

根据“没有免费午餐”原理表明没有任何一个算法能完全满足所有的应用场景，只存在“某个条件限制下某个算法的效果是最好的”。因此在解决任务调度问题时，仅仅使用某一个单一的算法往往无法对问题得到较好的解决，因而需要尝试对不同的算法进行融合。

发明内容