[发明专利]一种云计算任务调度方法

说明书

本发明公开了一种云计算任务调度方法，采用反向学习方法获取合并细胞种群，增加细胞种群的多样性，以确保种群能够有效地均匀分布在区间范围，然后利用乌贼算法对获取的合并细胞种群进行迭代计算，使细胞在新的合并细胞种群空间进行摸索，增大细胞寻找最优解的概率，直至满足最大迭代次数得到最优调度方案，然后利用最优调度方案对M个相互独立且不可再分的子任务进行分配，有效的降低了现有方法造成的细胞种群多样性欠缺的缺点，增加细胞种群的多样性，平衡负载，减少等待时间。

技术领域

本发明涉及到云计算低能耗任务调度，具体涉及一种云计算任务调度方法。

背景技术

随着互联网的蓬勃发展，大数据时代的到来，传统的网络技术模式已经不能满足用户对海量数据进行快速处理、存储、访问等迫切需求，云计算技术应运而生。云计算实际上是网格计算、并行计算、分布式计算、效用计算的发展，或者说是这些计算科学概念的商业实现。它将大量计算资源、存储资源和服务资源等通过网络连接起来，形成一个超级资源池，然后根据用户的需求，对资源进行统一的调度和管理。云计算作为一种新型的商业服务计算模式，由云服务供应商提供IT服务资源，云用户不需要考虑硬件基础设施的搭建、管理和维护，只需按需付费。云计算时代的到来给人们带来了更多的机遇，同时也带来了更大的挑战。

云计算中的关键技术之一就是任务调度，将M个任务调度到N个虚拟资源节点上。调度的合理性不仅直接影响着用户对云服务的体验质量，同时也关系着云平台提供者的商业收益，并决定着整个云系统的运行性能，是云计算能够健康发展的一个重要因素。而目前越来越多的云计算任务调度开始使用启发式方法。乌贼优化算法是一种新型的启发式优化算法，它最早是由Adel Sabry Eesa于2013年提出。它受到乌贼细胞的变色机制的启发来寻找优化问题中的最优解。而目现有方法初始化种群时使用的是随机初始化，无法保证种群初始化均匀的分布在区间范围内，造成寻优速度慢和最终寻优结果不理想，导致求解精度不高。

发明内容

本发明的目的在于提供一种云计算任务调度方法，以克服现有技术无法保证种群初始化均匀的分布在区间范围内，造成寻优速度慢和最终寻优结果不理想的问题，本发明使得种群能有效地均匀分布在区间范围内。

为达到上述目的，本发明采用如下技术方案：

一种云计算任务调度方法，包括以下步骤：

步骤1)、将待处理的任务分为M个相互独立且不可再分的子任务；

步骤2)、采用反向学习方法获取合并细胞种群，然后利用乌贼算法对获取的合并细胞种群进行迭代计算，直至满足最大迭代次数或代价函数满足条件时即可得到最优调度方案；

步骤3)、将M个子任务按照步骤2)获取的最优调度方案进行调度。

进一步的，步骤2)采用反向学习方法获取初始化细胞种群具体包括以下步骤：

步骤2.1)、随机生成大小为NP的初始化细胞种群x；

步骤2.2)、根据随机生成的初始化细胞种群x，采用反向学习方法生成反向细胞种群，将初始化细胞种群x和反向细胞种群合并形成大小为2NP的合并细胞种群。

进一步的，利用反向学习策略增加细胞种群的多样性，令x＝(x₁,x₂,x₃,....x_D)为D维空间的一个点(可行解)；x_j属于[a_j,b_j]，其中j属于(1,2,3....D)；[a_j,b_j]是x_j的取值上下界，即x_j的搜索范围；采用反向学习方法生成反向细胞种群为：把初始化细胞种群x的解空间与反向细胞种群的解空间合二为一，形成合并细胞种群。