[发明专利]一种基于粒子群算法资源感知计算迁移方法、装置及介质

权利要求书

1.一种基于粒子群算法资源感知计算迁移方法，其特征在于，包括：

步骤10、采用递归的方法对每一个工作流中的子任务的前驱后继关系进行判断，并采用基因算法，将每一个子任务作为一个基因，构建出每一个工作流的内置模型；根据前驱后继关系，将工作流划分成为有序工作流和无序工作流，然后对工作流的内置模型进行整合重构，得到工作流的简化模型；

步骤20、根据网络环境因素和用户的需求，预定义粒子的适应度函数、粒子迁移策略以及服务器集群搜索范围，并对算法中的因子进行初始化，所述因子包括惯性因子、个体学习因子、群体学习因子、个体影响常数、群体影响常数、粒子个体最优解、粒子群体最优解、粒子位置、粒子速度、系统最大能耗约束、系统最大时延约束、系统资源利用率平衡值、最大迭代次数、粒子交叉概率以及粒子变异概率；

步骤30、获取工作流的简化模型，将每一个子任务作为一个粒子得到任务总数，然后根据任务总数初始化各边缘服务器集群正常工作的虚拟机数量；

步骤40、通过粒子的适应度函数计算每个粒子的适应度值；

步骤50、获取当前系统总能耗以及当前系统总时延，判断当前系统总能耗是否小于等于系统最大能耗约束且当前系统总时延是否小于等于系统最大时延约束，若是，则进入步骤60，若否，则根据当前粒子交叉概率和粒子变异概率对工作流进行交叉和变异操作，然后对粒子交叉概率和粒子变异概率进行更新，返回步骤40；

步骤60、根据每个粒子的适应度值更新粒子个体最优解以及粒子群体最优解，接着再根据粒子个体最优解以及粒子群体最优解更新粒子下一时刻的速度以及粒子下一时刻的位置；

步骤80、根据当前粒子交叉概率和粒子变异概率对工作流进行交叉和变异操作，然后对粒子交叉概率和粒子变异概率进行更新，接着判断当前迭代次数是否小于等于最大迭代次数，若是则返回步骤40，若否，则结束；

所述步骤40进一步具体为：

通过粒子的适应度函数计算每个粒子的适应度值，计算粒子的适应度值的公式如下：

其中，Fit(n,f)为粒子的适应度函数，E_total(n,f)为系统能耗，T_total(n,f)为系统时延，f为工作流数量，n为该工作流中子任务数量，μ和ω为(0,1)区间的任一常数值，用于根据优化需求调整能耗和时延分别占的比例；

所述步骤60进一步具体包括：

步骤61、以每个粒子的适应度值为比较基准，得到个体最优能耗值和个体最优时延值，然后更新粒子个体最优解以及粒子群体最优解；

粒子群体最优解gbest(n,f)取群体最优能耗值gbest(n,f)_E和群体最优时延值gbest(n,f)_T两者均值，即：

gbest(n,f)＝Average(gbest(n,f)_E,gbest(n,f)_T)

粒子个体最优解pbest_i(n,f)的计算公式根据中间优化因子和D_g的计算结果确定，计算公式如下

D_g＝Abs(gbest(n,f)_T-gbest(n,f)_E)

其中，表示个体优化目标差异程度，D_g表示群体优化目标差异程度，pbest_i(n,f)_E为个体最优能耗值，pbest_i(n,f)_T为个体最优时延值，Abs表示取绝对值；

当时，粒子个体最优解在pbest_i(n,f)_T和pbest_i(n,f)_E中随机选取，即：

pbest_i(n,f)＝RandSelect{pbest_i(n,f)_T,pbest_i(n,f)_E}

当时，粒子个体最优解取pbest_i(n,f)_T和pbest_i(n,f)_T的平均值，即

pbest_i(n,f)＝Average(pbest(n,f)_E,pbest(n,f)_T)；

步骤62、根据粒子个体最优解以及粒子群体最优解更新粒子下一时刻的速度以及粒子下一时刻的位置；

根据更新后的pbest_i(n,f)及gbest_i(n,f)对粒子下一时刻的速度更新的公式如下：

其中，Vⁱ⁺¹(n,f)为粒子下一时刻的速度，为惯性因子，Vⁱ(n,f)为粒子速度、p₁为个体学习因子、p₂为群体学习因子、k₁为个体影响常数、k₂为群体影响常数,Oⁱ(n,f)为粒子迁移策略；

根据粒子下一时刻的速度对粒子下一时刻的位置进行更新，公式如下：

其中，Pⁱ⁺¹(n,f)为粒子下一时刻的位置，Vⁱ⁺¹(n,f)为粒子下一时刻的速度，max为求最大值函数。