截止时间约束的工作流调度自适应进化方法
多云环境下带截止日期约束的科学工作流调度策略
多云环境下带截止日期约束的科学工作流调度策略林兵;郭文忠;陈国龙【摘要】In view of the deadline-constrained scientific workflow scheduling on multi-cloud,an adaptive discrete particle swarm optimization with genetic algorithm (ADPSOGA) was proposed,which aimed to minimize the execution cost of workflow while meeting its deadline constrains.Firstly,the data transfer cost,the shutdown and boot time of virtual machines,and the bandwidth fluctuations among different cloud providers were considered by this method.Secondly,in order to avoid the premature convergence of traditional particle swarm optimization (PSO),the randomly two-point crossover operator and randomly one-point mutation operator of the genetic algorithm (GA) was introduced.It could effectively improve the diversity of the population in the process of evolution.Finally,a cost-driven strategy for the deadline-constrained workflow was designed.It both considered the data transfer cost and the computing cost.Experimental resuits show that the ADPSOGA has better performance in terms of deadline and cost reducing in the fluctuant environment.%针对多云环境下带截止日期约束的科学工作流调度问题,提出一种基于遗传算法操作的自适应离散粒子群优化算法(ADPSOGA),目的是在尽可能满足工作流截止日期前提下,减少其执行代价.该方法考虑多云之间的通信代价、虚拟机的启动和关闭时间以及多云之间不同的带宽通信波动;为了避免传统粒子群优化算法(PSO,particle swarm optimization)存在的过早收敛问题,引入遗传算法的随机两点交叉操作和随机单点变异操作,有效提高种群进化过程中的多样性;在充分考虑数据通信代价和任务计算代价的情况下,设计一种基于工作流截止日期约束的代价驱动调度策略.实验结果表明,ADPSOGA在波动因素存在情况下,对工作流截止日期满足和执行代价控制方面具有良好的性能表现.【期刊名称】《通信学报》【年(卷),期】2018(039)001【总页数】14页(P56-69)【关键词】云计算;截止日期约束;工作流调度;波动性【作者】林兵;郭文忠;陈国龙【作者单位】福建师范大学物理与能源学院,福建福州350117;福建省网络计算与智能信息处理重点实验室(福州大学),福建福州350116;空间数据挖掘与信息共享教育部重点实验室,福建福州350003;福建省网络计算与智能信息处理重点实验室(福州大学),福建福州350116;空间数据挖掘与信息共享教育部重点实验室,福建福州350003;福州大学数学与计算机科学学院,福建福州350116;福建省网络计算与智能信息处理重点实验室(福州大学),福建福州350116;空间数据挖掘与信息共享教育部重点实验室,福建福州350003【正文语种】中文【中图分类】TP338随着云计算技术[1]的不断发展，当前云市场上出现多个云服务提供商共存的“多云”局面[2]。
一种工作流时间异常的自适应调整算法
【 摘要 】对 时效性和柔性 要求较 高的多实例工 作流 系统 ，在 出现 时间异常 时，通过计算 实例的 完成进度 ，控 制 后续活动 的完成时间 ，可实现实例 的 自适应 时间调整。 同时结合实例 的完 成进度设计 资源的任务选择策略 ，可最 大限
度 的保证 实例 的完成率。 【 关键词 】工作流 ；时间异常 ； 自适应算法
工 作 流 时 间异 常 的处 理 主要 包 括 如 下步 骤 ：
Ｓｅ１： 实例 的各种 完成参数 ， ｔｐ 计算 当检测 到时问异 常 时 转 Ｓｅ２ ｔｐ 评 估 时 间异 常 对 实 例 后 续 ｔｐ 。Ｓｅ２： 任务 的影 响 ， 调整后续 活动 的完 成时 间。若 未能恢 复原 定时序约束 ， Ｓｅ３ 转 ｔｐ 。否 则转 Ｓｅ４ ｔｐ ｔｐ。Ｓｅ３： 提 示 人 工 干 预 或 采 取 其 他 措 施 ， 例 执 行 中止 。 实
要 的最短 时问 ， 我们将这 个下 限称 为过程结构 的最 短完成时 间（ 下文记为 Ｂ ） Ｔ。
模 型 的过程 结构 及其 时 间约束 是 能满足 所定 义 的 静态 时 间约束 的 。这 是 因为逻 辑错 误和 静态 时序 错 误应该在 建模 阶段 ， 用模型逻 辑验证方法 和静 利 态 时序验 证方法加 以检查与解 决 ， 而不会将模 型 的
Ｉ 中图分类号 ｌＴ ３１ 【 Ｐ１ 文献标识码 ｌＡ Ｉ 文章编 号ｌ１０ －９６ （０１０ —００ —０ ０８ ７４ ２ １） ２ １８ ４
在 工 作 流执 行 时可 能存 在 多种 潜 在 的 异 常 ， 其 中一 类 与 时 间有 关 的称 为 工作 流 时 间异 常 ｕ。 工 作流 柔 性 包 括 灵活 性 、 动态 性 和 自适 应 性 三个 方 面 ， 中 ， 其 工作 流系 统对 执行 过程 中 出现 的异
带准备时间和截止期约束的云服务工作流调度算法
Abstract: Cost minimization with deadline constraints and setup time is a new resource allocation optimization problem in cloud computing. An integer programming model is constructed for this NP-hard problem. A novel probability model and updating mechanism is suggested for sampling the solution space. A heuristic method is investigated for generating good initial population. A hybrid estimation of distribution algorithm (HEDA) is proposed for the considered problem. The global best solution is adopted to balance the diversification and intensification of HEDA. Experimental results show that the proposed method is effective to optimize the workflow running cost within reasonable CPU time. Key words: cloud service; workflow scheduling; estimation of distribution algorithm
基于进化计算的多目标流水车间批组调度问题
05
参考文献
参考文献
[1] 张明, 胡明, 王胜春, 等. 基于混合 遗传算法的柔性作业车间批调度优化 [J]. 组合机床与自动化加工技术, 2019, 5: 159-163.
[2] 王凌, 王莉莉, 张涛. 基于粒子群优 化算法的批调度问题求解[J]. 计算机 集成制造系统, 2018, 24(5): 10991113.
针对不同规模的工件和机床数量的问 题进行了实验，结果显示基于进化计 算的批组调度在处理大规模问题时仍 能保持较好的性能。
04
结论与展望
研究成果总结
进化计算在多目标流水车间批组调度问题上的应用取得了显著的成果，成功地解决了传统优化方法 难以处理的复杂问题。
通过引入多种进化算法，如遗传算法、粒子群算法和蚁群算法等，实现了对多目标流水车间批组调度 的优化，提高了生产效率、降低了能耗和减少了生产成本。
案，同时考虑多个相互冲突的目标函数。
02
基于进化计算的多目标流 水车间批组调度算法
算法框架
初始化
创建随机解群体
适应度评估
评估每个个体的适应度
选择操作
根据适应度选择个体进行繁殖
算法框架
交叉操作
通过交叉操作产生新的个体
选择下一代
根据适应度选择新个体进入下一代
变异操作
通过变异操作产生新的个体
终止条件
可扩展性
评估算法在处理大规模问题时的性能。
实验结果及分析
01
解的质量比较
对比了基于遗传算法和基于粒子群优 化算法的批组调度结果，发现基于进 化计算的批组调度在完成时间和总加 工时间上均有所优化。
02
鲁棒性分析
针对不同的订单和机床配置，实验结 果显示基于进化计算的批组调度具有 较好的鲁棒性。
21种工作流模式的实现
21种工作流模式的实现工作流模式是对工作流程进行合理规划和设计的一种模式化表达方法，它将一项复杂的工作分解为多个环节，明确每个环节的责任和任务，提高工作效率和质量，降低出错率。
下面将介绍21种工作流模式的实现方法。
1.顺序工作流模式：按照一定的顺序依次进行各个环节的工作。
实现方法是明确每个环节的开始时间和结束时间，制定清晰的工作流程和责任分工。
2.并行工作流模式：多个环节同时进行，相互独立。
实现方法是将工作流程分解为多个独立的子流程，明确每个子流程的开始时间和结束时间。
3.分支工作流模式：根据不同情况采取不同的分支工作流。
实现方法是在工作流程中增加分支节点，根据条件判断进入不同分支工作流。
4.合并工作流模式：多个分支工作流合并为一个工作流。
实现方法是在每个分支工作流的结束节点设置等待节点，等待所有分支工作流都完成后再进入合并节点。
5.循环工作流模式：工作流程中的一些环节需要重复执行。
实现方法是在循环节点设置条件判断，当满足条件时继续执行循环体，直到不满足条件后跳出循环。
6.串行-并行-串行工作流模式：工作流程先串行进行一部分环节，然后并行进行多个独立的环节，最后再串行进行剩下的环节。
实现方法是将工作流程分解为两个子流程，在并行节点连接两个子流程。
7.串行-并行-并行-串行工作流模式：工作流程先串行进行一部分环节，然后并行进行两个独立的子流程，最后再串行进行剩下的环节。
实现方法是将工作流程分解为三个子流程，在并行节点连接两个子流程。
8.雁行工作流模式：工作流程先串行进行一部分环节，然后并行进行多个子环节，其中每个子环节又是一个串行工作流模式。
实现方法是在并行节点连接多个子流程。
9.交叉工作流模式：工作流程中的一些环节需要交替执行。
实现方法是在工作流程中增加交叉节点，在交叉节点根据条件判断选择不同的环节执行。
10.迭代工作流模式：工作流程中的一些环节需要重复执行，并且每次执行结果都会影响后续环节的执行。
一种满足可靠性和能效的云工作流调度方法
第38卷第1期 2021年1月计算机应用与软件Computer Applications and SoftwareVol.38 No.1Jan. 2021一种满足可靠性和能效的云工作流调度方法殷越1隋丽娜21 (河南工业和信息化职业学院信息工程系河南焦作454003)2 (河北民族师范学院数学与计算机科学学院河北承德067000)摘要为了同步解决云工作流调度时的失效和高能耗问题,提出一种基于可靠性和能效的工作流调度算法。
算法为了在截止时间的QoS约束下最大化系统可靠性并最小化调度能耗，将工作流调度过程划分为四个阶段：计 算任务优先级、工作流任务聚簇、截止时间子分配和任务调度。
算法在满足执行次序的情况下对任务进行拓扑排 序，并以通信代价最小为目标对任务进行聚簇;将截止时间在任务间进行子分割；以合适的频率/电压等级对聚簇 后的任务进行调度，在确保可靠性的前提下最小化系统能耗。
通过随机任务图和高斯消除任务图进行综合仿真 测试，结果表明算法在降低总体能耗和提高工作流调度可靠性方面均优于对比算法。
关键词 云计算工作流调度截止时间任务聚簇任务调度能效中图分类号 TP393 文献标志码 A DOI:10.3969/j.issn.1000-386x.2021.01.003A CLOUD WORKFLOW SCHEDULING METHOD MEETINGRELIABILITY AND ENERGY EFFICIENTYin Yue1Sui Li’na21 {Information Engineering Department, Henan C ollege of Industry and Information Technology , Jiaozuo 454003 , Henan , China)2 (School of Mathematics and C omputer Science,Hebei Normal University For Nationalities , Chengde 067000 , Hebei , China)Abstract In order to solve the problem of failure and high energy consumption of cloud workflow scheduling synchronously,a workflow^scheduling algorithm based on reliability and energy efficiency is put forward in this paper.In order to maximize the system reliability and minimize the scheduling energy cons constraint,our algorithm divided the workflow^scheduling process into four stages：calculating task priority,workflow tasks clustering,deadline sub-distribution and tasks scheduling.It sorted the tasks topologically in the case of meet the execution order,and clustered tasks with minimizing communication cost;it divided the dea scheduled all tasks after clustered with the right frequency/voltage level,which could minimize the system power consumption while ensuring the reliability of tasks scheduling.Through the integrated simulation graph and Gaussian elimination t ask graph,the results show that our algorithm performs better than the baseline algorithms on reducing the total execution energy consumption and improving the workflow^ Keywords Cloud computing W orkflow^scheduling Deadline Tasks clustering Tasks scheduling Energy efficiency〇引言云计算[1]可以将分布于世界各地的互联网上的各 种i t资源（计算、存储、带宽等）进行有效的整合，然后 通过虚拟化技术以实时按需的形式提供给用户使用。
实时系统中的硬实时约束与截止时间保证(四)
实时系统中的硬实时约束与截止时间保证随着科技的不断进步，实时系统在我们的生活中扮演着越来越重要的角色。
无论是航空航天、交通运输、工业生产还是医疗科学领域，实时系统都起到了至关重要的作用。
在实时系统中，硬实时约束与截止时间的保证尤为重要。
本文将深入探讨实时系统中的硬实时约束以及如何保证截止时间的实现。
一、硬实时约束的概念与特点实时系统中，硬实时约束是指对系统响应时间有严格要求的约束条件。
也就是说，系统必须在特定的时间范围内做出实时响应，否则将会导致严重的后果。
硬实时约束的特点主要包括以下几个方面：1. 时间敏感性：硬实时约束要求系统对外界事件的响应非常敏感，不能有任何的延迟。
例如，在航空航天领域，飞行控制系统对于飞机的控制必须在规定的时间内完成，以确保飞行安全。
2. 严格性实时要求：硬实时约束对于实时响应的时间要求非常严格，一般以毫秒级别甚至微秒级别为单位。
系统无法容忍丝毫的延迟。
3. 后果严重性：硬实时约束的后果严重，一旦没有按时完成实时响应，可能会导致人员伤亡、设备损坏或财产损失等严重后果。
二、硬实时约束的实现方法为了保证实时系统中的硬实时约束，我们需要采取一系列有效的方法。
1. 任务调度算法：在实时系统中，合理的任务调度算法能够提高系统的实时响应能力。
最常用的任务调度算法包括周期性调度算法和优先级调度算法。
周期性调度算法通过轮询的方式对任务进行调度，保证任务按照预定的时间执行；优先级调度算法则通过设置任务的优先级来决定任务的调度顺序。
2. 任务分组与划分：实时系统中的任务分组与划分是一种常用的策略，可以将任务根据其实时要求和处理时间等特点进行分组，从而提高系统的实时性能。
同时，在任务划分的过程中，还可以考虑任务的依赖关系和资源利用率等因素，以便合理地分配系统资源。
3. 硬件支持：实时系统中的硬件支持是保证硬实时约束的重要手段。
例如，采用高性能的处理器和专用的实时设备的组合可以极大地提高系统的实时性能。
基于两阶段动态目标的云工作流调度
基于两阶段动态目标的云工作流调度
宋三华
【期刊名称】《实验室研究与探索》
【年(卷),期】2018(037)004
【摘要】为了解决云环境中截止时间约束下工作流调度代价优化问题,提出一种基于两阶段动态目标的工作流调度算法TDO-PSO.算法以粒子群进化为基础,定义了工作流任务与资源间的编码机制,设计了满足工作流目标优化的适应度函数.同时,为了适应紧密截止时间约束时可行解搜索困难的问题,设计了两阶段动态目标的搜索模式.在第一阶段,当无法得到可行解时,将满足截止时间约束的最小化执行时间设置为优化目标;在第二阶段,如果获得了可行解,则设置满足截止时间约束的最小化执行代价为优化目标.实验结果表明,TDO-PSO算法不仅可以得到更小的执行代价,且更能够适应紧密截止时间约束.
【总页数】6页(P134-139)
【作者】宋三华
【作者单位】黄淮学院信息工程学院,河南驻马店463000
【正文语种】中文
【中图分类】TP393
【相关文献】
1.基于动态目标遗传算法的云计算工作流调度方法 [J], 周扬;龚畅;徐平平
2.基于化学反应优化与蚁群优化融合的云工作流调度 [J], 胡红宇;陈政
3.基于图形评审技术的云工作流调度计划风险评价模型 [J], 孙宝军
4.一种基于动态关键路径的云工作流调度算法探讨 [J], 朱敏
5.基于启发式算法的混合云工作流调度算法 [J], 朱宇宁;何利力
因版权原因，仅展示原文概要，查看原文内容请购买。
带准备时间和截止期约束的云服务工作流调度算法
带准备时间和截止期约束的云服务工作流调度算法
沈虹;李小平
【期刊名称】《通信学报》
【年(卷),期】2015(036)006
【摘要】带准备时间和截止期约束的云服务工作流费用优化是一个新的云计算资源优化分配问题.分析该NP-hard问题特征,建立相应的整数规划数学模型.构建有效的变量取值概率模型和更新机制,提出高质量初始群体的启发式生成方法;提出混合的分布估计算法(HEDA),引入个体向全局最优解学习的策略,提高算法的全局搜索和局部优化能力.模拟实验结果表明此提出的方法在合理的CPU时间内可有效减少工作流费用.
【总页数】10页(P183-192)
【作者】沈虹;李小平
【作者单位】东南大学计算机科学与工程学院,江苏南京210096;南京审计学院金审学院,江苏南京210029;东南大学计算机科学与工程学院,江苏南京210096【正文语种】中文
【中图分类】TP393
【相关文献】
1.截止期限约束的实例密集型云服务流调度算法 [J], 刘炜;李陶深;黄汝维
2.有预算和截止期约束的网格作业调度算法 [J], 李荣胜;赵文峰;徐惠民
3.基于局部关键路径与截止期限分配的云工作流调度算法 [J], 蔡艳婧;王强;程实
4.云科学工作流截止期限约束代价优化调度算法* [J], 陈彦橦;裴树军;苗辉
5.截止期约束下QoS导向的网格任务调度算法 [J], 罗慧敏;阎朝坤;罗军伟
因版权原因，仅展示原文概要，查看原文内容请购买。
截止时间约束云工作流调度代价优化遗传算法
截止时间约束云工作流调度代价优化遗传算法
余科军;张建州
【期刊名称】《计算机工程与设计》
【年(卷),期】2018(039)007
【摘要】为解决云环境中科学工作流调度的代价优化问题,提出一种满足截止时间约束的工作流调度代价最优化遗传算法CODC-GA.设计新的工作流任务调度编码方式和种群初始化策略,为满足种群多样性,定义种群个体的遗传交叉和变异操作,优化遗传搜索方向和空间,利用符合工作流调度目标特征的适应度评估标准对进化个体做最优选择.实验结果表明,该算法在截止时间约束满意度、降低执行时间和执行代价方面均优于其它算法.
【总页数】8页(P1938-1945)
【作者】余科军;张建州
【作者单位】成都师范学院计算机科学学院,四川成都610000;四川大学计算机学院,四川成都610065
【正文语种】中文
【中图分类】TP393
【相关文献】
1.多目标最优化云工作流调度进化遗传算法 [J], 王国豪;李庆华;刘安丰
2.基于代价优化的云工作流调度改进PSO算法 [J], 郭文涛;卢少武
3.基于云科学工作流调度的代价与能效优化算法 [J], 魏秀然;王峰
4.截止时间约束的工作流调度自适应进化方法 [J], 党云龙;封筠;殷梦莹
5.截止时间约束的工作流调度自适应进化方法 [J], 党云龙; 封筠; 殷梦莹
因版权原因，仅展示原文概要，查看原文内容请购买。
基于自适应惩罚函数的云工作流调度协同进化遗传算法
基于自适应惩罚函数的云工作流调度协同进化遗传算法徐健锐;朱会娟
【期刊名称】《计算机科学》
【年(卷),期】2018(045)008
【摘要】云计算为大规模科学工作流应用的执行提供了更高效的运行环境.为了解决云环境中科学工作流调度的代价优化问题,提出了一种基于协同进化的工作流调度遗传算法CGAA.该算法将自适应惩罚函数引入严格约束的遗传算法中,通过协同进化的方法,自适应地调整种群个体的交叉与变异概率,以加速算法收敛并防止种群早熟.通过4种科学工作流的仿真实验结果表明,CGAA算法得到的调度方案在满足工作流调度截止时间约束与降低任务执行代价的综合性能方面优于同类型算法.【总页数】8页(P105-112)
【作者】徐健锐;朱会娟
【作者单位】江苏大学计算机科学与通信工程学院江苏镇江212013;江苏联合职业技术学院镇江分院江苏镇江212016;中国科学院大学计算机与控制学院北京100049
【正文语种】中文
【中图分类】TP393
【相关文献】
1.多目标云工作流调度的协同进化多群体优化 [J], 刘雨潇;王毅;袁磊;吴钊
2.基于协同进化的自适应遗传算法研究 [J], 刘文远;刘彬
3.一种新的自适应惩罚函数在遗传算法中的应用 [J], 蔡海鸾;郭学萍
4.基于多算子协同进化的自适应并行量子遗传算法 [J], 曲志坚;陈宇航;李盘靖;刘晓红;李彩虹
5.基于自适应惩罚函数法的混合遗传算法 [J], 刘琼荪;周声华
因版权原因，仅展示原文概要，查看原文内容请购买。
基于局部关键路径与截止期限分配的云工作流调度算法
基于局部关键路径与截止期限分配的云工作流调度算法蔡艳婧;王强;程实【摘要】为了解决云计算中截止期限约束下的工作流调度代价优化问题,提出一种基于局部关键路径和截止期限分配的工作流任务调度算法.为了满足期限约束,并最小化执行代价,算法将工作流任务的调度过程划分为两个阶段:期限分配阶段和调度资源选择阶段.期限分配阶段定义工作流的局部关键路径,并以递归的方式在局部关键路径上的任务间进行子期限分配;调度资源选择阶段在满足任务子期限的同时,为每个任务选择执行代价最低的资源进行任务调度,以实现调度代价优化.分析算法的时间复杂度,并通过一个算例对算法的实现思路进行了详细阐述.通过科学工作流结构的仿真实验,证明了算法不仅可以满足截止期限约束,而且可以降低工作流任务的执行代价.【期刊名称】《计算机应用与软件》【年(卷),期】2019(036)008【总页数】10页(P220-229)【关键词】云计算;工作流调度;期限分配;局部关键路径;期限约束;代价优化【作者】蔡艳婧;王强;程实【作者单位】南通大学电子信息学院江苏南通 226019;江苏商贸职业学院电子与信息学院江苏南通 226001;南通大学电子信息学院江苏南通 226019;南通大学计算机科学与技术学院江苏南通226019【正文语种】中文【中图分类】TP3930 引言工作流结构广泛应用于复杂计算问题建模，云计算特有的按需提供和付即用的定制资源使用方式使其成为调度工作流的有效方法[1]。
与传统批任务调度不同，工作流结构的任务具有严格的逻辑执行次序，需要在满足给定QoS约束的同时，实现与资源间的映射。
工作流调度通常由选择被调度任务和选择提供实例两个阶段构成，两阶段决策对于是否能够满足给定约束和全局调度代价均具有重要影响。
传统工作流调度方法仅注重执行效率/时间，忽略了资源使用的费用，此时的调度问题在不同资源和不同调度方案下的执行时间和代价均有所不同。
因此，同步考虑用调度时间和代价更加符合云资源的使用环境。
利用截止期感知的云计算调度方法
利用截止期感知的云计算调度方法马振峰;李松松【摘要】针对传统云计算资源调度执行时间长和执行成本高的问题,提出一种利用截止期感知的云计算调度方法.将VM分配给需要调度的工作流,并在处理时间截止期完成工作的调度.在任务调度过程中,当产生子调度序列后,利用遗传算法来优化执行时间以减少超时.提出的算法具有对不同目标搜索环境的适应能力.实验结果表明,基于截止期感知的云计算调度方法能够在不同规模和不同期限条件下以比粒子群优化算法更小的成本找到更优解.%Aiming at the problem of long execution time and high execution cost of traditional cloud compu-ting resource scheduling,this paper proposed a cloud computing scheduling method based on deadline a-ware.The method assigned the VM to the workflow that needed to be scheduled,and it completed the scheduling of the work at the processing time deadline.In the task scheduling process,after the sub-schedu-ling sequence was generated,a genetic algorithm was used to optimize the execution time to reduce the time-out.The proposed algorithm had the ability to adapt to different target search environments.The experi-mental results show that the cloud computing scheduling method based on deadline aware can find better so-lutions at smaller scale than the particle swarm optimization algorithm under different scales and different deadlines.【期刊名称】《湘潭大学自然科学学报》【年(卷),期】2018(040)002【总页数】4页(P89-92)【关键词】云计算;虚拟机;截止期感知;资源调度;遗传算法【作者】马振峰;李松松【作者单位】大连海洋大学信息工程学院,辽宁大连116300;大连海洋大学信息工程学院,辽宁大连116300【正文语种】中文【中图分类】TP391大数据的发展使得云计算面临着数据规模庞大的问题，云工作流调度已经成为一个重要的研究课题[1-2],它关系到云计算的成本和效率.但在现实中，工作流调度是一个NP难题，它不可能在多项式时间内产生最优解[3].随着智能计算算法的发展，采用蚁群算法、遗传算法、粒子群优化算法等智能计算算法来解决云计算工作流调度问题得到了普及[4-6].文献[7]使用工作流的动态关键路径来找到一个解.文献[8]提出了一个动态的工作流调度方法，使用能够找到最经济和实用资源的方法，并将几个任务合并成一个单一任务.文献[9]使用各种动态和静态算法来生成一个能够满足用户服务质量的解决方案.文献[10]开发了一个能够满足期限约束和最小化成本的约束模型，该模型是基于粒子群优化方法实现的.本文提出一种利用截止期感知的云计算调度方法，将VM分配给需要调度的工作流，并在处理时间截止期完成工作的调度.实验研究表明，提出的算法在求解最小成本和期限约束模型方面优于粒子群优化方法.1 理论基础1.1 成本最小化和期限约束模型定义总的执行成本(TEC)和总的执行时间(TET)如下：(1)式中，ETti表示调度任务完成的时间，Crj表示单位成本，LSTrj和LETrj分别表示资源rj的开始以及结束时间.另外，本文设置以下约束条件，以达到任务调度时间和成本的最小化.Minimize TEC， TET<deadline.(2)1.2 粒子群优化框架在粒子群优化中，每一个粒子有两个向量x和v.x代表粒子的位置，也是所定义问题的一个解.v决定了在所定义的问题空间中粒子的运动.每个粒子的最佳位置pBest和种群的最佳位置gBest将存储和更新.对于每个粒子i，每一代的x和v的更新如式(3)和(4)所示：(3)(4)式中d代表向量的维度，w是惯性权重，c1和c2是加速系数.r1和r2为0～1之间的随机数.在每一代中，评估每个粒子的适应度,更新它们的个体最佳位置和种群的最佳位置.最后，根据式(3)和(4)更新每个粒子的x和v.2 利用截止期感知的云计算调度方法提出的基于截止期限感知的调度策略中，调度程序从不同的用户处接受任务请求，将虚拟机作为资源分配给不同的请求，并借助遗传算法来共同完成任务.2.1 具体算法介绍rn表示第n个任务调度请求，tn1和tn2分别表示使用VM1和VM2完成调度任务rn所需的时间，dwn和drn分别表示调度任务rn的等待时间的截止期限和响应时间的截止期限，sn和cn分别表示在使用VM1和VM2上任务rn的开始时间.当调度任务开始时，算法利用解向量SV存储作业请求的调度序列，并且识别出最短的tn1和tn2.如果最短时间为tn1，则将它对应的调度任务rn加入SV的最前端，如果最短时间为tn2，则将它对应的调度任务rn加入SV的尾端.假设存在p个实例来完成调度任务，则解向量SV可以表示为p个子序列：S1={ri/(i mod p)=1}，S2={ri/(i mod p)=2}，…，Sp={ri/(i mod p)=0}，式中：1 ≤ i ≤ n，并且每个子序列Si将依次在VM1、VM2上处理.在产生p个子调度序列后，利用启发式方法来减少超时.文献[11]提出的遗传算法是一个模仿自然选择过程的启发式搜索.它可以根据选择、交叉和突变应用到优化问题中.本文利用遗传算法来优化执行时间以减少超时.(1) 编码.编码种群的染色体的方法与粒子群优化方法相似，唯一的区别是本文使用整数而不是浮点数.坐标i的值代表ti运行的资源.例如，dimj=j表示ti运行在资源rj上.(2) 选择.本文希望最小化成本，使用1/TEC来评估染色体的适应度.公式如下：(3) 交叉和突变. 每个染色体交叉的概率为Pc.如果满足条件Random(0,1)<Pc，则说明染色体可以实现交叉，即两个不同染色体实现前n位坐标的相互交换.突变即为一个染色体中的某个坐标值突然变成另外一个值.(4) 保持最好的策略. 文献[12]提出了保持在选择之前时间段内的最优解以避免破坏在突变或交叉中最好的染色体.在本文的方法中，假设有一个全局最优染色体，在每一代的运行过程中，如果存在比全局最优染色体更好的局部最优染色体，则用这个局部最优替代全局最优.提出的算法流程如图1所示.3 实验结果分析3.1 实验设置使用不同规模的数据来进行实验.如果算法运行的代数FGEN>100 000，我们就可以认为解不存在；否则，当找到可行解后，继续执行3 000次运算，以寻找最优解.令Time表示算法执行的时间，比较在不同期限约束下粒子群优化和本文算法的FGEN和TEC.在粒子群优化方法中，本文设置c1=c2=2.0,w=0.5，种群规模为100，遗传算法的种群规模也设置为100.对于遗传算法的交叉和突变概率，分为两种情况：(1) 当寻找到可行解时，设置Pc=0.15，Pm=0.008；(2) 反之，则令Pc=0.8，Pm=0.002.为了防止偶然性，本文将两种算法分别执行50次.3.2 结果分析首先，在小规模的数据上验证两种算法的性能.假设调度任务的数量为50个，资源数量为15种.3个截止时间设置成80、100和120.表1和图2所示为本次实验结果.在相同的条件下，本文算法的TEC值和计算时间相对于粒子群优化算法而言更小.在表1中，刚开始时，期限约束大，两种算法获得的可行解FGEN=0.但当截止时间变得越来越小，粒子群算法的收敛速度变得比本文算法更快.然而，当截止时间变得严格时，如80时，使用粒子群算法获得的可行解的数量为0，相比之下，本文算法却依旧能够获得多个可行解.表1 小规模数据下FGEN和TEC不同的期限约束Tab.1 Different deadlines of FGEN and TEC under small-scale data期限粒子群优化算法本文算法FGENTEC 时间FGENTEC时间1200326．5170257．61410072499．319179382．11580N/AN/AN/A752424．517其次，在小规模的数据上验证两种算法的性能.假设调度任务的数量为100个，资源数量为30种.3个截止时间设置成200、300和400.表2和图3所示为本次实验结果.同样的，由实验结果可知，尽管截止时间不同，由本文算法得出的可行解的计算时间总是比粒子群优化更少，本文算法具有更好的性能.表2 大规模数据下FGEN和TEC不同的期限约束Tab.2 Different deadlines of FGEN and TEC under big-scale data期限粒子群优化算法本文算法FGENTEC 时间FGENTEC时间40001172．5540768．446300951660．758247．298549200200N/AN/AN/ A45041156．44 结论提出了一个利用截止期感知的云计算调度方法来解决云计算环境中的资源调度问题.该算法能够在处理时间截止期完成工作的调度，并且采用遗传算法来优化执行时间以减少超时，同时还能够优化任务调度的执行成本.在不同调度规模和不同期限约束下的实验表明，提出的算法更能适应各种期限的约束，能够以比粒子群优化更小的TEC找到一个更优解.参考文献[1] 李敬伟, 张皓, 赵丽. 基于改进群搜索优化算法的云计算任务调度方案[J]. 湘潭大学自然科学学报, 2017, 39(4): 99-102.[2] ZHANG Y Q, WANG X F, LIU X F, et al. Survey on cloud computing security[J]. Journal of Software, 2016, 8271(1):302-311.[3] FANG W, MEI′AN L I, DAUN W. Cloud computing task scheduling based on dynamically adaptive ant colony algorithm[J]. Journal of Computer Applications, 2013, 33(11):3160-3159.[4] 曾芳桂,赵曼.体育联赛中基于GSO算法的赛程优化方法[J]. 湘潭大学自然科学学报, 2018, 40(1): 72-76.[5] BHARATHI C, REKHA D, VIJAYAKUMAR V. Genetic algorithm based demand side management for smart grid[J]. Wireless Personal Communications, 2017, 93(2):481-502.[6] 王东风, 孟丽. 粒子群优化算法的性能分析和参数选择[J]. 自动化学报, 2016, 42(10):1552-1561.[7] LIU X F, ZHAN Z H, DU K J, et al. Energy aware virtual machine placement scheduling in cloud computing based on ant colony optimization approach[C]// Conference on Genetic and Evolutionary Computation. ACM, 2014:41-48.[8] CHEN W N, ZHANG J. An ant colony optimization approach to a grid workflow scheduling problem with various QoS requirements[J]. IEEE Transactions on Systems Man & Cybernetics，Part C, 2009, 39(1):29-43.[9] MAO M. Auto-scaling to minimize cost and meet application deadlines in cloud workflows[C]// High PERFORMANCE Computing, Networking, Storage and Analysis. IEEE, 2011:1-12.[10] MALAWSKI M, JUVE G, DEELMAN E, et al. Algorithms for cost- and deadline-constrained provisioning for scientific workflow ensembles in IaaS clouds[C]// International Conference for High PERFORMANCE Computing, Networking, Storage and Analysis. IEEE Computer Society, 2012:1-11.[11] ZHAN Z H, ZHANG J, LI Y, et al. Orthogonal learning particle swarm optimization[J]. IEEE Transactions on Evolutionary Computation, 2011,15(6): 832-847.[12] ZHANG J, ZHAN Z H, LIN Y, et al. Evolutionary computation meets machine learning: a survey[J]. IEEE Computational Intelligence Magazine, 2011, 6(4): 68-75.。
QoS约束云环境下的工作流能效调度算法
QoS约束云环境下的工作流能效调度算法李廷元;王博岩【期刊名称】《计算机科学》【年(卷),期】2018(045)0z1【摘要】云环境可以为大规模工作流的执行提供高效、可靠的运行环境,但工作流执行时带来的高能耗不仅会增加云资源提供方的经济成本,还会影响云系统的可靠性,并对环境产生不利影响.为了在满足用户截止时间 QoS需求的同时降低云环境中工作流调度的执行能耗,提出一种工作流能效调度算法 QCWES.该算法将工作流的能效调度方案求解划分为 3 个阶段:截止时间重分配、任务调度选择排序以及基于DVFS的最佳资源选择.截止时间重分配阶段旨在将用户定义的全局工作流截止时间在各个任务间进行重分配,任务调度选择排序阶段旨在通过自顶向下的任务分级方式得到任务调度序列;基于DVFS的最佳资源选择阶段旨在为每个任务选择带有合适电压/频率等级的最优目标资源,在满足任务的子截止时间的前提下使总体能耗达到最小.通过随机工作流和基于高斯消元法的现实工作流结构,对算法的性能进行仿真实验分析.结果表明,所提算法可以在满足截止时间约束下降低工作流的执行能耗,实现用户方的 QoS需求与资源方的能耗间的均衡.%Cloud provides a high-efficient and reliable execution environment for scheduling large-scale workflow.How-ever,the high energy consumption resulted by workflow execution not only increases the economic cost of cloud re-source providers,but influences the system reliability and has a negative effect to the environment.For meeting user-de-fined deadline QoS requirement and reducing the execution consumption of workflow scheduling in cloud,aworkflow energy-efficient scheduling algorithm QCWES was proposed.QCWES divides the energy-efficient scheduling scheme of workflow into three phases:the deadline redistribution,the ordering of scheduled tasks and the best resource selection based on DVFS.The deadline redistribution phase is to redistribute the user-defined overall workflow deadline among all tasks,the ordering of scheduled tasks is to obtain the scheduling order of tasks by top-down task leveling,the best resource selection based on DVFS is to select the best available resource with appropriate voltage/frequency level for each task so that the total energy consumption is minimal while meeting its sub-deadline.Some simulation experiments were constructed to evaluate the performance of our algorithm by random workflow and the real-world workflow based on Gaussian Elimination.The results show that QCWES can reduce the energy consumption of workflow scheduling un-der meeting deadline constraint,and achieve the trade-off between users' QoS requirement and resources' energy con-sumption.【总页数】7页(P304-309,327)【作者】李廷元;王博岩【作者单位】中国民用航空飞行学院计算机学院四川广汉 618307;中国民航大学计算机科学与技术学院天津300300【正文语种】中文【中图分类】TP393【相关文献】1.QoS约束下基于双向分层的网格工作流调度算法 [J], 姚磊;戴冠中;张慧翔;任帅2.云环境下一种多维QoS约束的工作流调度算法 [J], 刘振鹏;刘晓丹;张锡忠;蔄志贤3.一种新颖的多云环境下科学工作流调度算法 [J], 徐赛娟;刘耿耿4.云环境下科学工作流的调度算法 [J], FENG Fu-Jian5.云环境下基于优先级的多QoS约束工作流调度 [J], 杜艳明; 肖建华因版权原因，仅展示原文概要，查看原文内容请购买。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
越容易发
生交叉操作和变异操作。
1.4惩罚函数
约束条件特性构造惩罚项，将惩罚项加入到目标函数中，是有约束问题转化为无约束问题的关
键。进化算法
Байду номын сангаас
约束条件的
，使该 适 降低；从而
种群同时具
有
和
，并在进化过程中使 朝着
化。
2工作流建模
将工作流建模为一个有向无环图(Directed Acyclic Graph，DAG)。首先将工作流描述为WFG _
时间DLWfG ,作为工作流WFG
(石家庄铁道大学信息科学与技术学院，河北石家庄050043)
摘要：工作流是云计算环境下任务的主要表现形式，工作流任务调度问题是一个典型的
NPC问题，进化算法在解决这类问题方面具有明显优势。然而，传统的进化算法容易陷入局部 最优，造成早熟结果$提出一种考虑截止时间约束条件下的自适应遗传进化方法，采用适应度 修正均值来自适应计算交叉概率、变异概率，引入惩罚函数自适应修正适应度，以避免陷入局部 最优$在 WorkflowSim仿真环境上，选用具有代表性的Montage科学工作流，与5种算法的对 比实验结果表明在4种不同截止时间约束下，所提方法的约束满足程度最高，且能够在贴近用 户截止时间约束的执行时间下花费更小的成本$
话说，任务9的输岀数据作为任务9,的 数据。基于这样的描述，一个子节点 能够执行的前提是
其所有父节点任务全部执行完毕，假设任务9的父节点任务只
有任务9,,不存在其它父节点任务依赖，任务9,必须等其父节点
任务9执行完成之后才能开始执行。不具有父节点任务的任
称为
，用9roo表示$ 有子节点任务的
称为叶
子任务,用9ef表示。此外,每个工作流WFG均具有一个截止
第3期
党云龙等：截止时间约束的工作流调度自适应进化方法
95
秀。适应度目标函数综合约束条件、工作流数据等信息对个体适应度进行评价。
1.2选择概率
基因选择操作的机制一般是从当前种群中挑选岀适应度最优的个体作为下一代的亲代 ，从而改善下
代种群中的平均适 。进化算法的收敛速度基本上是通 择算子在
程中的选择概率 定
适应度是评价个体优劣的关键，其决定了整个种群的进化方向。个体的适应度越优，则该个体越优
收稿日期 2018-01-17 网络出版日期 2019-06-27 责任编辑：车轩玉 DOI10. 13319 /j. cnki. sjztddxxbzrb. 20180018 网络出版地址：http：//kns. cnki. net/kcms/detail/13. 1402. N. 20190627. 0933. 008. html 作者简介：党云龙(1992—)，男，硕士研究生，研究方向为流任务调度。E-mail：dangy1992@ 163. com 党云龙，封筠，殷梦莹•截止时间约束的工作流调度自适应进化方法*+石家庄铁道大学学报:自然科学版，2019,32(3):94700.
1相关知识
近年来，约束条件下的工作流调度在云计算环境中被广泛应用，相关调度方法已成为了研究者们的 研究重点和热点。除了传统调度方法的不断优化和改进之外，一些进化算法也被采用来生成近似最优的 调度策略。目前，研究者们针对约束条件下的工作流调度问题的处理主要是将有约束问题转换为无约束
* + 问题。黄冀卓等 1 针对约束优化问题转换为无约束的双目标优化问题，利用进化算法从多点出发寻找最 + 优解；Rodriguez et al2 针对科学工作的流约束优化问题,转换为最小化执行花费的优化问题。然而，现有
调度方法无法实现根据用户需求及时调整调度策略，因此并不适用约束条件下的工作流调度问题；同时 在处理该问题时使用静态相关概率，并通过使用静态惩罚函数完成从有约束问题到无约束问题的转换。 约束条件下的工作流调度进化方法中主要涉及种群个体的适应度、选择概率、交叉概率与变异概率以及 惩罚函数几个关键概念。 1.1适应度
〈T,E〉，其中T表示工作流中任务的集合，用T_ /1,9,9,6，”}表示；E表示工作流中有向边的集合，
使用+表示任务〈〈,9〉之间的有向边，如果在任务〈9 9〉之间存在有向边i ,那么在任务9 9〉之间存在 一条数据依赖关系，即任务9可以认为是任务9,的父节点，而任务〈可以认为是任务9+的子节点。换句
的。选择概率表示个体被选中的概率，概率数值越大，则个体被
传到后代的机会越多。
1.3交叉概率与变异概率
交叉变异操作是进化算法的基因操作的关键 ，进化机制是通过交叉和变异的重组改变种群中基因,
并生成新的种群 ，以便在
创造岀新的点，避免
的局部最优区
。
.概
率指个体发生 操作的概率，变异概率是指个体发生 操作的概率，概率数值越大,
关键词：工作流；任务调度；自适应进化；截止时间约束 中图分类号：TP301 文献标志码:A 文章编号：2095 -0373(2019)03 -0094-07
工作流通常是数据密集型和计算密集型应用，例如欧洲核子研究组织(CERN)在大型强子对撞器上 进行的Compact_Muon_Solenoid的实验，产生了超过5PB数据需要进一步分析；美国航天局(NASA)设 定的目标为在一天内处理24TB数据，同时面临着对这批数据进行可视化和分析的一系列后续任务。这 些工作流具有大量的数据和计算需求，需要一个高性能计算环境。云计算环境基础设施为大规模科学工 作流提供了一个合适的环境。云计算环境将计算资源作为服务可根据用户的约束需求动态地提供，用户 约束条件下的资源调度问题成为关键。针对现有进化算法存在的不足，提出一种截止时间约束条件下的 工作流调度自适应遗传进化方法，依据修正均值自适应调整交叉概率、变异概率以及选择概率，利用修正 均值来改进适应度，引入惩罚函数自适应修正适应度，可避免进化方法陷入局部最优，防止早熟结果的 产生。
第32卷第3期
石家庄铁道大学学报(自然科学版)
Vol. 32 No. 3
2019 年 9 月 Journal of Shijiazhuang Tiedao University(Natural Science Edition) Sep. 20i9
截止时间约束的工作流调度自适应进化方法
党云龙，封筠，殷梦莹