基于烟花算法的云计算多目标任务调度

图 1 任务调度模型
（6）
假设 n 个任务 Task={t1 ， t2 ，… ， tn} ， m 个虚拟化资源 VM={VM1 ， VM2 ， … ， VMm} ， 以 及 p 个 数 据 中 心 Datacenter={Datacenter1， Datacenter2，…，Datacenterp}。在这 个模型中，存在着两级任务调度，一级是从任务到虚拟机调度， 主要研究任务调度算法，根据任务的大小、优先级以及虚拟机 的处理能力、内存等为虚拟机分配任务策略；另一级是从虚拟 机到数据中心的物理主机调度，利用虚拟机迁移技术，均衡各 个物理主机的负载状况。 本文研究的是从任务到虚拟机的调度。 在这个过程中，调度方案要顾及多目标模型的优化参数，使得 云计算系统处于最佳的运行状态，为用户提供最优的服务；此 外， 适应度函数的设计在算法的寻优过程中也起着决定性作用， 影响算法的时间复杂度。 1.2 多目标模型 1.2.1 执行时间模型 任务的执行时间是指一个任务从开始执行到任务实际完成 的时间跨度。执行时间会影响用户对服务的满意程度和用户体 验，从而影响资源服务提供商的收益。因此，执行时间可以定 义为：
[6]
x
t (i=1,2,…,scale),t=1 i
2. While（当前迭代次数<设定迭代次数）do 3. for 所有烟花 t do
x i
。爆炸强度使得适应度值较好的烟花产生的火花个数较多；
4.
由公式（12）计算 t 的适应度值；
x i
爆炸幅度使得它们有效地收敛到各个极值；位移操作可以保证 种群的多样性。 c）通过高斯变异在选中的烟花和最好的烟花之间进行变 异，产生新的火花，即新的调度解。 d）对高斯变异后超出边界的火花应用映射规则。 e）应用选择策略得到下一代的烟花群体。 f）判断是否满足终止条件。终止条件可以是满足问题的精 度要求或者是达到最大函数评估次数。 2.2 多目标优化 适应度值用来评价群体智能算法中个体的优劣程度，适应 度值越大，则个体越好，反之个体越差。多目标调度烟花算法 的主要思想是通过计算各个烟花的适应度值来确定每个烟花产 生的火花数量，让适应度值好的烟花产生更多的火花，适应度 值差的烟花产生更少的火花。 根据适应度函数的设计原则， 设
Multi-objective task scheduling based on fireworks algorithm in cloud computing
Huang Weijian, Guo Fang
(School of Information & Electrical Engineering, Hebei University of Engineering, Handan Hebei 056038, China) Abstract: In order to better meet the requirements of users' QoS (Quality of Service) in cloud computing, and utilize the resources of the cloud datacenter reasonably, this paper proposed a multi-objective optimization scheduling model based on fireworks algorithm (FWA), which considered the executive time of task and load balancing of virtual machine as optimization target. FWA is a heuristic algorithm. It can find global optima quickly using explosion operator, Gaussian mutation and selection strategy. By making a comparison with particle swarm optimization algorithm (PSO) and genetic algorithm (GA) on the effectiveness and executive time of the algorithm on Cloudsim platform, it shows that FWA could obtain the best fitness value in different test times sustainably. With a growing number of population size, there is no sharp increase of executive time of FWA, which is superior to PSO and GA. Key Words: cloud computing; task scheduling; multi-objective optimization; fireworks algorithm; executive time; load balancing 题提出了多目标烟花算法，用来解决施肥问题，表现出了非常 优异的性能。Tan[3]首次尝试使用离散烟花算法用于求解旅行售 货商问题，取得了不错的实验效果。受其启发，本文尝试用烟 花算法解决云任务调度问题，构建了数学模型的抽象定义，对 多目标任务调度的解的优化展开研究。
优先出版
计 算 机 应 用 研 究
第 33 卷
serCapacity
j
proNum
j
MIPS
j
BW
j
（5）
MIPSj 为每个处理器 其中 proNumj 为虚拟机 VMj 的处理器数量； 每秒产生的指令数量；BWj 为虚拟机 VMj 的网络带宽能力。则 系统最大服务能力为：
serCapacity max m serCapacity j j 1
各虚拟机的负载差异可以使用标准差（均方差）来表示， 则负载的标准差可定义为
Load std m 2 ( serTime serTime ) j avg j 1 m 1
（9）
当 Loadstd 越小，系统负载越均衡。 1.2.3 Pareto 最优解集 多目标优化问题的求解可以转化为计算 Pareto 最优解[5]。 Pareto 最优解集是一种资源的最优配置，即任何一个目标函数 值的提高都必须以牺牲其他目标函数值为代价。对于本文研究 的数学模型来说， 两个指标执行时间和负载不能同时达到最优， （1） 势必会在一方让步的情况下，使另一方接近或达到最小值，也 就实现了集群环境的理想状态。 如图 2 所示，经过实验产生了若干组解。其中 x3 优于 x4、 x5；x1 与 x2 优于 x3、x4、x5，即 x1 与 x2 的所有目标函数都小于 x3、x4、x5。x1、x2 决定了 Pareto 最优前沿。
等是最先将烟花算法应用于多目标问
基金项目：河北省自然科学基金资助项目（F2015402077） ；河北省高等学校科学技术研究重点项目（ZD2014054） 作者简介：黄伟建（1964-，男，山西交口人，教授，博士，主要研究方向为云计算、并行计算、信息系统；郭芳（1984-） ，女（通信作者） ，硕士研究生， 主要研究方向为云计算（guofang528@） ．
vmLoad j n taskLength j i 1
图 2 Pareto 最优模型
（3）
2
基于烟花算法的多目标优化
其中，taskLengthj 为某时刻虚拟机 VMj 服务队列中的任务长度。 则全部虚拟机的总负载为
vmLoad sum m vmLoad j j 1
2.1 烟花算法 烟花算法受烟花在夜空中爆炸产生火花这一现象的启发演 变而来的群体智能搜索算法。算法对烟花爆炸行为特性进行了 理想化处理：烟花不论大小，根据其爆炸强度和爆炸范围，产 生下一代火花，烟花被看作解空间中一个可行解，那么烟花爆
（4）
虚拟机 VMj 的服务能力定义为
优先出版
计 算 机 应 用 研 究
第 33 卷
炸产生一定数量火花的过程即为其搜索邻域的过程[6]。典型的 烟花算法求解过程如下： a）初始化解空间，产生指定种群大小的烟花，即解空间的 一个解，根据适应度函数计算每个烟花的适应度值。 b）通过爆炸算子（爆炸强度、爆炸幅度和位移）生成火花
runTimeij 为任务 ti 在虚拟机 VMj 上的执行时间， finishTimeij 其中， 为任务 ti 在虚拟机 VMj 上的完成时间，startTimeij 为任务 ti 在虚 拟机 VMj 上的开始时间。则全部虚拟机的总执行时间为：
runTime sum m runTime j j 1
（要考虑的另一个重要因素是负载均衡。负载是 指被分到一台虚拟机上的所有任务的总长度。多个任务被分配 到一台或多台虚拟机上同时执行，调度器需协调好任务分配， 避免出现虚拟机负载过重或空闲状态。 假设所有任务是独立的，非抢占式的，所有虚拟机是独立 的，并行的。 虚拟机 VMj 在某一时刻的负载定义为
网络出版时间：2016-07-22 20:46:00 网络出版地址：/kcms/detail/51.1196.TP.20160722.2046.074.html
优先出版 计 算 机 应 用 研 究 第 33 卷
基于烟花算法的云计算多目标任务调度
黄伟建，郭 芳
*
(河北工程大学 信息与电气工程学院，河北 邯郸 056038) 摘 要：为了更好地满足云计算中用户的服务质量(quality of service，QoS)需求，合理利用云数据中心的资源，以任务
0
引言
云计算是一种基于互联网的计算模式，通过这种模式，它
可以按需给用户提供共享的软硬件资源和动态易扩展的服务。 云计算任务调度主要研究如何在云环境下将多个相互独立的任 务分配到规模庞大的虚拟计算资源上，满足用户的任务完成时 间最短、集群负载均衡等目标。因此，云计算任务调度问题实 际上是一个多目标优化问题，采用群体智能算法可以得到次最 优解。 2010 年北京大学谭营教授等人发表了题为 “Fireworks algorithm for optimization[1]”的开创性学术论文，从此，对烟花 算法（FWA）的研究开始在群体智能领域逐渐展开。 近年来，很多学者利用烟花算法在多目标优化问题上做了 大量的研究工作。