[发明专利]一种应用于多目标工作流调度的方法

权利要求书

1.一种应用于多目标工作流调度的方法，其特征在于：

包括如下步骤：

S1:将工作流调度优化问题抽象为约束优化问题，约束优化问题目标分别为缩短工作流执行时间、减少工作流执行成本；

S2：运用多目标优化方法将约束优化问题目标进行转化，获得多目标约束优化问题的种群；步骤S2包括：

S2-1：运用多目标优化方法将约束优化问题目标的缩短工作流执行时间转化如下：

其中，EFT表示任务t的完成时间，EFT_i为t_i任务的完成时间，t_i为当前任务，vm_ti为执行当前任务的虚拟机；

S2-2：运用多目标优化方法将约束优化问题目标的减少工作流执行成本转化如下：

其中，t_k和t_j分别为第k个vm虚拟机上执行的第一个任务和最后一个任务，vm^e为虚拟机执行任务所需要的单价；

S2-3：多目标约束优化问题的种群

S2-4：多目标约束优化问题的种群传输条件为：

T_i,trans＜T_max

其中，T_i,trans为任务t_i传输入到虚拟机的时间，不能超过最大的容忍时间；

S2-5：多目标约束优化问题的种群的约束条件

其中，目标函数的等式约束的违反程度，取得0和|T_i,trans-T_max-ε|之间的最大值，ε为等式约束中的可容忍误差；

S3:初始化种群，并通过种群反向学习得到反向种群，将初始化的种群和反向种群合并，得到粒子更新的种群；步骤S3包括：

S3-1：初始化种群，第i个粒子的适应度函数值为受到的约束条件为

S3-2：设置种群中粒子为x＝(x¹,x²,…..x^d)且xⁱ∈[a,b],a和b为粒子取值的上下限，设置x的对立解为x_op＝(x_op¹,x_op²,…..x_op^d),x_op的数学表达式如下：

其中j∈(0,d)；

S3-3：合并初始种群和反向种群，得到粒子更新的种群：

P＝OP∪P_init

其中，OP为反向种群，P_init为初始化的种群，P为粒子更新的种群；

S4:通过辅助和等价目标框架来分解多目标约束优化问题的粒子更新的种群，通过动态权重调整辅助和等价目标框架中各个子问题的收敛情况，能够搜寻到更多的进化方向；步骤S4包括：

S4-1：更新的种群P中各个粒子往更优的进化方向进化，设置为更新的种群P中的最优粒子，的计算方法如下：

其中，Ω_F其代表可行解集合；

S4-2：令为和最优个体的适应度差值，的表达式如下：

S4-3：更新的种群P的个体适应度值：

其中，为和最优个体的适应度差值，w_1i,w_2i,w_3i为权重，能够在调整各类函数在的问题中适应度差值、约束函数、原始目标函数的比重；

S4-4：动态调整权值，使收敛到一个等价目标问题，加权规则表述如下：

S4-5：t为循环的代数，在中，w_1i和w_2i为线性增加，w_3i为线性递减；权重的规则表述如下：

其中，λ为子问题的数量，γ∈(0,1)是关于约束条件的常量偏差值，t是循环代数，T_max是最大循环代数的值；

S5:评估分解后的种群中所有粒子的适应度值，保存适应度最好的粒子，并判断是否达到最大迭代次数，是则，输出最优粒子；

S6:分解后的种群中的最优粒子通过正弦余弦优化的方式得到工作流调度的解。

2.根据权利要求1所述一种应用于多目标工作流调度的方法，其特征在于：

所述步骤S6包括：

分解后的目标中的最优粒子x_i+1通过正弦余弦优化：

式子中的A是决定粒子搜索空间波动大小的参数，t为当前迭代次数，T为最大迭代次数，ρ为常数，x_best为搜索平衡算法的搜索和开发性能，当C1时，算法强调的是探索，当C1时，算法强调的是开发过程，b能够决定粒子在搜索空间的位置是远离x_best还是靠近x_best，参数C为[0,2]之间的随机数。