基于MPSO算法的云计算资源调度策略
云计算中资源调度算法的研究与优化
云计算中资源调度算法的研究与优化引言云计算作为一种新型的计算模式，已经成为了信息技术发展的重要驱动力。
云计算提供了资源共享、弹性扩展和灵活性等优势，使得用户可以根据需求动态获取所需资源，从而降低了成本，并提高了效率。
而资源调度算法作为云计算环境中的关键技术之一，对于实现高效利用和管理云计算资源具有重要意义。
本文将对云计算中资源调度算法的研究与优化进行探讨。
一、云计算中的资源调度算法概述云计算环境下的资源调度算法旨在实现对云计算资源的合理分配和调度，以满足用户的需求并提高系统的性能与效益。
主要包括任务调度算法和虚拟机调度算法两个方面。
1.任务调度算法任务调度算法是指将用户提交的任务分配到云计算集群中的虚拟机上执行的算法。
其目标是尽可能提高系统的吞吐量和用户的响应时间，并保证任务之间的负载均衡。
常见的任务调度算法有最短作业优先（SJF）、轮转调度（RR）和优先级调度等。
在实际应用中，可以根据任务的不同特性和需求选择不同的调度算法，以达到最佳的性能和效果。
2.虚拟机调度算法虚拟机调度算法是指将任务分配到云计算环境中的虚拟机上，以实现资源的合理利用和负载均衡。
其目标是使得所有虚拟机的负载尽可能均衡，并同时满足用户的资源需求。
常见的虚拟机调度算法有轮询调度算法、最小空闲时间优先算法和基于负载预测的调度算法等。
这些算法可以根据各自的特点进行选择和应用，以提高整个云计算系统的性能和资源利用率。
二、现有资源调度算法存在的问题在云计算环境中，资源调度算法面临着如下问题：1.负载不均衡：由于云计算环境中的虚拟机数量庞大且分布不均的特点，造成虚拟机之间的负载不均衡是一个十分常见的问题。
负载不均衡会导致部分虚拟机过载，而其他虚拟机处于空闲状态，从而降低了系统的整体性能和资源利用率。
2.任务响应时间长：任务调度算法对于用户感知的任务响应时间有直接影响。
如果任务调度算法不合理，可能导致任务响应时间较长，用户体验不佳。
特别是对于一些对实时性要求较高的应用，任务调度算法的设计更加具有挑战性。
模糊云资源调度的CMAPSO算法
模糊云资源调度的CMAPSO算法作者：李成严，宋月，马金涛来源：《哈尔滨理工大学学报》2022年第01期摘要：针对多目标云资源调度问题，以优化任务的总完成时间和总执行成本为目标，采用模糊数学的方法，建立了模糊云资源调度模型。
利用协方差矩阵能够解决非凸性问题的优势，采取协方差进化策略对种群进行初始化，并提出了一种混合智能优化算法CMAPSO算法（covariance matrix adaptation evolution strategy particle swarm optimization，CMAPSO ），并使用该算法对模糊云资源调度模型进行求解。
使用Cloudsim仿真平台随机生成云计算资源调度的数据，对CMAPSO算法进行测试，实验结果证明了CMAPSO算法对比PSO算法（particle wwarm optimization），在寻优能力方面提升28%，迭代次数相比提升20%，并且具有良好的负载均衡性能。
关键词：云计算;任务调度;粒子群算法; 协方差矩阵进化策略DOI：10.15938/j.jhust.2022.01.005中图分类号： TP399 文献标志码： A 文章编号： 1007-2683（2022）01-0031-09CMAPSO Algorithm for Fuzzy Cloud Resource SchedulingLI Chengyan，SONG Yue，MA Jintao（School of Computer Science and Technology， Harbin University of Science and Technology， Harbin 150080，China）Abstract：Aiming at the multiobjective cloud resource scheduling problem， with the goal of optimizing the total completion time and total execution cost of the task， a fuzzy cloud resource scheduling model is established using the method of fuzzy mathematics. Utilizing the advantage of the covariance matrix that can solve the nonconvexity problem， adopting the covariance evolution strategy to initialize the population， a hybrid intelligent optimization algorithm CMAPSO algorithm （covariance matrix adaptation evolution strategy particle swarm optimization，CMAPSO） is proposed to solve the fuzzy cloud resource scheduling model. The Cloudsim simulation platform was used to randomly generate cloud computing resource scheduling data， and the CMAPSO algorithm was tested. The experimental results showed that compared with the PSO algorithm （particle swarm optimization）， the optimization capability of CMAPSO algorithm is increased by 28%， the number of iterations of CMAPSO algorithm is increased by 20%， and it has good load balancing performance.Keywords：cloud computing; task scheduling; particle swarm algorithm; covariance matrix adaptation evolution strategy0引言云計算是一种商业计算的模型和服务模式[1]，而云计算资源调度的主要目的是将网络上的资源进行统一的管理和调式，再给予用户服务调用。
基于MPSO算法的云计算任务调度策略研究
致 谢论文即将完稿，我硕士研究生阶段也即将结束。
两年半的学习生活，我受益匪浅，对我以后工作奠定了扎实的基础，对我以后的人生必会起到重要作用。
其间，无数人给予我关怀和付出，谨借此机会对帮助、关心、激励我的人表示衷心的感谢。
首先我要衷心感谢导师刘万军教授对我的悉心培养和指导。
老师学识渊博，治学严谨，平易近人。
在学术上孜孜不倦、务实求真，处事上谦逊朴实、为人坦荡，在课题方向上思路明晰、高屋建瓴，这都对我产生了莫大影响。
在学习上，他教育我要勤于思考，善于发现，思想严谨，勤奋学习；在生活上老师也时刻关怀我的成长，在我遇到困难的时候，他能及时为我排忧解难、指明方向，他的和善、谆谆教诲让我更加成熟稳重；在毕业设计上，无论是论文选题、写作还是算法设计、验证，无不倾注了老师大量心血。
老师的专业素养和人格魅力是无数人所不能超越，他是我人生路上的榜样。
在此祝老师身体健康，万事如意！同时，我要对电信学院和软件学院的各位教授、老师表示诚挚的感谢，他们是一个非常优秀的教育团队。
正是他们严谨的教学态度、无私奉献的敬业精神和专业的科研水平让我在硕士研究生阶段获得了丰富的专业知识和宝贵的精神财富。
感谢实验室的师兄师姐师弟师妹们和班级的同学们，他们给了我无私的帮助和关怀。
正是和他们的相互学习和沟通，我在计算机理论和技术上有了飞速的进步。
感谢实习期间我的同事们，是他们的帮助，让我在短期内在技术上有了飞速的提升，在心理素质上抗压能力增强，在软件开发上有了良好的大局观。
在此，谢谢他们！我还要感谢我的父母和所有关心我的家人和朋友，感谢你们在我上学期间在生活和思想上给予的大力支持，你们的支持、理解、关心和鼓舞是我顺利毕业的最大精神动力。
在此，我要特别感谢你们！最后，衷心地感谢各位专家在百忙之中抽出宝贵的时间对本论文进行评阅!摘 要任务(作业)调度是云计算的关键技术之一。
本文重点研究了云任务调度策略，目标是降低应用程序的执行成本，提高云系统的执行效率。
文献综述
云计算调度策略的文献综述一：研究背景及意义随着互联网和IT技术的迅猛发展，信息与数据量快速增长，导致计算机的计算能力和数据处理能力满足不了人们的需求，网络资源的需求和利用出现了失衡的状态。
但是传统的计算模式，如分布式计算、并行计算，很难解决计算资源利用的不平衡问题。
一方面某些应用需要大量的计算资源和存储资源，另一方面互联网上存在着大量的没有得到充分利用而被闲置的资源。
因此，资源的整合和优化是网络发展的必然趋势，云计算被提了出来。
作为近几年来商业机构和科研机构研究的热点，云计算正广泛用于科学和工程等领域中。
一方面，高性能计算已经成为越来越多科学和工程实践的关键技术，超级计算机被用来研究复杂的现象，但是超级计算机的造价极高，只有某些国家级的部门才有能力配置这样的设备。
另一方面，某些应用对计算的要求非常高，即使是现在最大的超级计算机也无法提供它们所需的资源。
而云计算不仅为众多闲置的计算资源提供了一种有效地共享方式，使得分布式资源给应用程序的使用者带来了很多好处。
更多地，云计算是面向企业和个人的商业模式，可以为各种类型的用户提供服务，解决大型的计算问题，或者实现信息的存储等等，而且只需要在使用的时候进行付费即可，非常安全方便。
对于一些大型企业来说，为了实现大型的各种计算和应用，需要解决以下几个方面的问题。
(1)必须购置大量的服务器和终端设备，这需要大笔的资金。
(2)系统设备的升级以及维护问题。
在很多时候，这些设备都是闲置的，造成了大量资源的浪费。
(3)对于设备的使用和维护需要特定的技术人员，对这些人员的培训也需要花费大量的人力物力。
云计算可以有效地解决大型企业所面临的问题，并且可以帮助它们节省大量的资金。
对于一些小型的企业，微软大中华区总裁梁念坚在召开的2010中国信息产业经济年会上表示，云计算可以非常有效地支持中国中小企业的发展。
他指出，中国99%的企业都是中小企业，只有17%左右利用互联网，不到5%的企业用ERP，从这些数据看，云计算可以帮助中小企业的发展。
云计算平台的资源调度与管理策略
云计算平台的资源调度与管理策略在如今高度数字化和信息化的时代，云计算已经成为了企业中不可或缺的一部分。
云计算平台能够为企业提供高效、可靠且灵活的计算资源，然而，如何进行有效的资源调度与管理，以最大化云计算平台的利用率和性能，是云计算平台管理者亟待解决的问题。
本文将探讨云计算平台的资源调度与管理策略。
一. 资源调度算法资源调度是指将云计算平台中的虚拟机实例分配到物理主机上，以满足用户的需求，并确保资源利用率最佳。
以下是一些常用的资源调度算法：1. 最佳适应算法最佳适应算法通过评估每个物理主机的可用资源，并将虚拟机实例分配到最满足需求的主机上。
该算法的优点是可以最大程度地减少资源浪费，但缺点是运算量较大，不适用于大规模云计算平台。
2. 最近使用优先算法最近使用优先算法根据虚拟机实例最近的使用情况，将其分配到最近使用的物理主机上。
该算法的优点是可以减少通信开销和数据传输时间，缺点是可能导致物理主机资源利用不均衡。
3. 负载均衡算法负载均衡算法通过分析物理主机的负载情况，将虚拟机实例分配到负载较轻的主机上，以实现资源平衡。
该算法的优点是可以提高整体性能和可靠性，缺点是需要频繁地监测主机负载情况，增加了系统开销。
二. 资源管理策略资源管理是指对云计算平台中的资源进行有效的分配和管理，以提高系统性能和用户体验。
以下是一些常用的资源管理策略：1. 资源分级管理资源分级管理是指根据云计算平台中各个层次的资源特点和需求，将资源进行分类和管理。
例如，可以将计算资源、存储资源和网络资源分别进行管理，以提高资源的利用效率和分配公平性。
2. 自动化管理自动化管理是指通过引入自动化工具和技术，对云计算平台的资源进行智能化和自动化的管理。
例如，可以利用自动化工具实现资源的动态伸缩和弹性调度，以适应不同的负载变化。
3. 故障监测和恢复故障监测和恢复是指对云计算平台中的故障进行实时监测和快速响应，以确保系统可靠性和数据完整性。
例如，可以通过实时监控系统的各项指标，及时发现故障，并采取相应的恢复措施，以保证用户的正常使用。
基于MPSO算法的云计算资源调度策略
ｅｆｆｅｃｔｉｖｅ，ａｎｄ ｔｈｅ ｏｐｅｒａｔｉｏｎ ｅｆｆｉｃｉｅｎｃｙ ｉｓ ｈｉｇｈ．
［Ｋｅｙ ｗｏｒｄｓｌ ｃｌｏｕｄ ｃｏｍｐｕｔｉｎｇ；Ｐａｒｔｉｃｌｅ Ｓｗａｒｍ Ｏｐｔｉｍｉｚａｔｉｏｎ（ＰＳＯ）ａｌｇｏｒｉｔｈｍ；ｒｅｓｏｕｒｃｅ ｓｃｈｅｄｕｌｅ；ＣｌｏｕｄＳｉｍ ｐｌａｔｆｏｒｍ
ｓｃｈｅｄｕｌｅ ｓｔｒａｔｅｇｙ ｂａｓｅｄ
ｔｏ
Ｍｏｄｉｆｉｅｄ Ｐａｒｔｉｃｌｅ Ｓｗａｒｍ Ｏｐｔｉｍｉｚａｔｉｏｎ（ＭＰＳＯ）ａｌｇｏｒｉｔｈｍ．Ｉｎ ｏｒｄｅｒ
ｃｏｎｔｒｏｌ ｔｈｅ ｇｌｏｂａｌ ｓｅａｒｃｈ
ｅｆｆｅｃｔｉｖｅｌｙ，ａｎｄ
ｔｏ
ａｖｏｉｄ ｆａｌｌｉｎｇ
ｉｎｔｏ
ｌｏｃａｌ ｏｐｔｉｍａｌ，ｉｔ ｉｎｔｒｏｄｕｃｅｓ ｄｙｎａｍｉｃ ｍｕｌｔｉ—ｇｒｏｕｐ ｃｏｌｌａｂｏｒａｔｉｏｎ ａｎｄ ｔｈｅ ｒｅｖｅｒｓｅ ｏｆ ｔｈｅ ｆｌｉｇｈｔ ｏｆ
化算法；张孟华、郭文越，硕士研究生 收稿日期：２０１０－１１－１２
Ｅ－ｍａｉｌ：ｍｅｎｇｈｚｈ２００８＠１６３．ｃｏｍ
作者骱：刘万军（１９５９－－），男，教授，主研方向：云计算，智能优
万方数据
计算机工程 匀分布在（０，１）区间的随机数。 式（１）、式（２）包含：（１）粒子对先前速度的继承，属于“继 承”部分；（２）粒子对本身的考虑，属于“认知”部分； （３）“社会”部分，粒子问的信息共享与相互合作。
ＩＩ转移到主群的最优值
ｖ＝ｏｐｔｉｍａｌ—．ｓｏｌｕｔｉｏｎ（ｖ）；ｘ＝ｏｐｔｉｍａｌ—．ｓｏｌｕｔｉｏｎ（ｘ）；
／／遍历主群粒子的操作
ｆｏｒ ｅｖｅｒｙ ｐａｒｔｉｃｌｅ ｉｎ ｍａｓｔｅｒ ｓｗａｒｍ
ｆｏｒ ｄ ｉｎ ｄｉｍｅｎｓｉｏｎｓ
云计算中的资源调度策略综述
云计算中的资源调度策略综述云计算作为一种新兴的计算模式，已经在各个行业中广泛应用。
在云计算环境下，资源调度策略起着至关重要的作用，能够有效地优化资源利用，提高系统性能，降低能源消耗。
本文将对云计算中的资源调度策略进行综述，包括静态调度策略和动态调度策略两个方面。
静态调度策略是在任务刚开始执行之前就确定分配到各个可用资源的策略。
静态调度策略通常基于用户需求或者任务的特征来进行决策。
其中的一个常用策略是基于优先级的调度策略。
该策略根据任务的优先级将资源分配给不同的任务。
优先级可以根据任务的重要性、紧急程度或者其他标准来确定。
另外一个常用的策略是基于负载均衡的调度策略。
该策略通过动态地调整资源的分配，使得各个资源之间的负载保持均衡，避免资源利用率过高或者过低。
动态调度策略是在任务执行过程中根据当前系统状态和任务需求来调整资源分配的策略。
动态调度策略主要包括任务迁移和资源队列管理两个方面。
任务迁移是指将正在执行的任务从一个资源节点迁移到另一个资源节点的过程。
任务迁移可以根据资源利用率、网络延迟等因素进行调度决策，以优化系统的性能。
资源队列管理是指对任务的排队和调度，以保证每个任务都能够得到相应的资源。
常见的资源队列管理策略包括先来先服务（FCFS）、最短作业优先（SJF）、最高响应比优先（HRRN）等。
除了静态调度策略和动态调度策略之外，还有一些特殊的资源调度策略被广泛应用于云计算中。
其中之一是基于能耗的资源调度策略。
该策略通过动态地调整资源分配，以降低系统的能源消耗。
常见的能耗调度策略包括最小化能耗（MEC）、节能型任务调度（ETS）等。
另外一个特殊的资源调度策略是基于容错性的资源调度策略。
该策略通过在不同的资源节点之间备份任务，以增强系统的可靠性。
容错性调度策略常用的方法包括冗余调度（RD）、复制调度（CD）等。
综上所述，云计算中的资源调度策略对于提高系统性能、优化资源利用具有重要意义。
静态调度策略和动态调度策略是两个主要的调度策略。
云计算下的资源调度及优化策略
云计算下的资源调度及优化策略一、云计算资源调度基础云计算是一种分布式、网络化的计算模式，具有灵活、高效的特点，资源调度是其关键技术之一。
云计算资源调度可以分为静态资源调度和动态资源调度两部分，静态资源调度是指在云计算系统启动前对资源进行规划、组织与部署的过程，动态资源调度则是系统运行过程中的资源优化和调整。
云计算环境下的资源调度要解决的问题包括：如何保证用户的服务质量和数据的安全性以及如何优化资源使用效率。
二、云计算下的资源调度策略（一）静态资源调度策略1.负载均衡策略负载均衡策略是指将用户请求分散到系统中的不同节点上，使得每个节点的处理压力相对均衡。
使用该策略可以有效缓解系统的压力，提高系统的吞吐量。
2.数据备份策略数据备份策略是指对系统中的重要数据进行备份，保障系统的数据安全性。
备份的数据可以被存储在不同节点上，以保证在数据出现问题时可以及时恢复。
3.架构设计策略云计算系统的架构设计是静态资源调度中的一项关键任务。
良好的架构设计可以提升系统的性能和稳定性、降低系统的维护成本。
目前，云计算系统中常用的架构模式包括中心化架构模式、分布式架构模式等。
（二）动态资源调度策略1.任务预测策略任务预测策略是指通过对云计算中的任务进行预测，从而对系统中的资源进行调度。
预测可以基于历史数据，也可以基于类似任务的运行情况。
2.自适应调度策略自适应调度策略是指根据实时的系统负载情况，在保证质量和稳定性的前提下自动调整资源的使用。
例如，在系统负载高峰期采用动态调整资源分配的策略，调整分配的资源数量。
3.能源节约策略能源节约策略是在保障系统正常运行的前提下，尽量减少系统的能源耗费。
例如在一些任务完成后自动关闭闲置的节点，或将节点的负载尽量平均分配以充分利用资源。
三、总结云计算下的资源调度及优化策略是保障云计算稳定、高效运行的关键技术。
静态资源调度策略负责对系统进行规划、组织、部署等任务，动态资源调度策略则解决系统中在运行时对资源的优化和调整。
云计算中的资源调度策略研究
云计算中的资源调度策略研究在当今信息技术飞速发展的时代，云计算已经成为了企业和个人日常生活中不可或缺的一部分。
云计算能够提供巨大的计算和存储能力，让用户能够轻松地访问和管理数据。
云计算的关键在于如何高效地利用资源，其中资源调度策略起到了至关重要的作用。
本文将对云计算中的资源调度策略进行研究，并提出一些改进方法。
一、云计算中的资源调度策略概述资源调度策略是云计算中的一项重要任务，它的目标是将用户提交的任务分配给合适的计算节点，以达到提高资源利用率和降低任务执行时间的目的。
常用的资源调度策略包括静态资源调度和动态资源调度。
静态资源调度是指在任务提交之前就已经确定任务执行的计算节点。
这种调度策略通常适用于一些计算复杂度较高、资源需求稳定的任务。
而动态资源调度则是在任务提交后根据实时资源使用情况动态分配计算节点。
这种调度策略适用于资源需求不稳定的任务，能够更好地适应资源变化。
二、资源调度策略的挑战与问题在云计算中，资源调度策略面临着许多挑战和问题。
首先是性能问题，由于云计算涉及大量的计算和存储任务，调度策略的性能直接影响到整个云环境的性能。
其次是负载均衡问题，如何合理地分配任务，使得各个计算节点的负载保持平衡，是一个难题。
此外，资源浪费也是一个需要解决的问题，云计算中的资源往往是有限的，如何避免资源的浪费，提高资源利用效率，是一个重要的课题。
三、改进资源调度策略的方法为了解决云计算中的资源调度策略问题，研究人员提出了一些改进方法。
以下是其中几种常见的改进方法：1. 基于优先级的调度策略：根据任务的优先级分配计算节点，优先级高的任务将被优先执行。
这种方法能够提高任务的响应速度，但是在资源紧张的情况下容易导致资源的浪费。
2. 基于遗传算法的调度策略：使用遗传算法优化任务的调度顺序，使得整个云环境的资源利用率最大化。
这种方法能够有效解决负载均衡问题，但是计算复杂度较高。
3. 基于机器学习的调度策略：利用机器学习算法对历史调度数据进行分析和预测，从而优化任务的调度策略。
云计算中的资源调度与优化策略
云计算中的资源调度与优化策略随着信息技术的飞速发展，云计算逐渐成为企业和个人获取和使用计算资源的主要方式。
然而，云计算平台中庞大的计算和存储资源，以及用户需求的复杂多变性，给资源调度和优化带来了巨大挑战。
本文将探讨云计算中的资源调度与优化策略，以及其对于云计算系统性能和用户体验的影响。
首先，资源调度是云计算平台中的关键问题之一。
在云计算环境下，资源调度需要考虑多个因素，如用户需求、资源利用率、成本和服务质量。
为了最大化资源利用率，云计算平台通常采用虚拟化技术，将物理资源划分为虚拟机实例。
资源调度器根据用户的需求和虚拟机的特性来决定如何分配和调度计算和存储资源。
然而，由于用户需求的不确定性和动态性，资源调度变得更加复杂。
因此，如何准确地预测用户需求，并根据实时情况做出调整，成为资源调度的关键挑战。
其次，资源优化是云计算平台中的另一个重要问题。
资源优化的目标是在保证服务质量的前提下，最大化资源利用效率。
在云计算平台中，资源优化策略通常包括以下几个方面：负载均衡、故障容错和能耗优化。
负载均衡是指将资源合理地分配给不同的虚拟机实例，以确保系统吞吐量最大化。
故障容错是指当一个或多个虚拟机实例发生故障时，如何快速地恢复系统，并保持高可用性。
能耗优化是指如何合理分配和调度计算资源，以最小化能耗。
为了实现资源调度和优化，云计算平台通常采用多种策略。
其中，基于预测模型的方法是一种常用的策略。
预测模型可以通过分析历史数据和用户行为，提前预测用户需求的变化趋势。
基于这些预测结果，系统可以提前分配和调度资源，以满足用户的需求。
另外，基于机器学习的方法也被广泛应用于资源调度和优化。
通过对大量数据进行训练和学习，系统可以自动优化资源分配和调度策略，并实现更好的性能和用户体验。
不过，资源调度和优化并非一成不变的问题。
随着云计算技术的不断发展，新的挑战和问题也不断涌现。
例如，面向多任务处理的资源调度和优化、面向大数据的资源调度和优化等。
云计算中的资源调度算法和策略优化方法
云计算中的资源调度算法和策略优化方法随着云计算技术的迅猛发展，资源调度算法和策略优化方法成为了云计算中非常重要的研究领域。
在云平台中，资源调度的效率和质量直接影响了云服务的性能和用户体验。
因此，如何有效地运用资源调度算法和策略优化方法，成为了云计算领域研究人员和工程师们关注的焦点。
资源调度算法是指云计算平台中实时调整计算资源的方法。
云平台内有大量的服务器和虚拟机，而资源调度算法就是通过全面管理这些资源，将它们分配给需要的任务或用户。
云计算平台中的资源调度算法一般可以分为两类：静态资源调度和动态资源调度。
静态资源调度算法主要通过预先确定的规则和策略来分配资源。
这种算法根据任务的类型、资源的需求和优先级等因素进行资源分配，但无法对实时变化的需求作出准确的响应。
它的优点是比较简单，容易实现和掌握，但是在面对动态高并发的云计算环境时，无法充分利用整个云平台的资源，造成资源浪费。
动态资源调度算法则是根据实时的负载情况和资源利用率来进行资源分配。
这种算法可以根据实时需求和资源利用率进行动态的资源分配调整，能够更加精确地满足用户的需求。
常见的动态资源调度算法有批处理作业调度算法、最短作业优先调度算法和最小剩余时间优先调度算法等。
这些算法在云计算平台中可以根据需求灵活地进行选择和应用。
除了资源调度算法外，策略优化方法也是云计算中提高资源利用率和性能的重要手段。
策略优化方法通常是通过对现有调度策略进行改进或设计新的策略来提高资源调度的效果。
常见的策略优化方法包括负载均衡、弹性伸缩和容错机制等。
负载均衡是指通过合理分配任务或用户的负载，使得云平台上的所有资源都能够得到充分利用，避免资源过载或空闲。
负载均衡的目标是使得各个节点的负载尽可能平衡，可以降低系统延迟、提高吞吐量、增加系统可用性和稳定性。
常见的负载均衡算法有轮询、加权轮询、最小连接和最短响应时间等。
弹性伸缩是指根据实时的负载需求动态地调整云计算平台的规模。
当负载增加时，弹性伸缩可以自动地增加虚拟机的数量，以满足用户需求；当负载减少时，它又可以自动地减少虚拟机的数量，以节省资源开销。
云计算资源调度策略
云计算资源调度策略是云计算系统中的重要组成部分，它决定了云计算资源的分配和使用方式，直接影响着云计算系统的性能和效率。
一个好的资源调度策略应该能够根据不同的应用需求，动态地分配和管理云计算资源，以提高资源利用率、降低成本、提高服务质量。
在云计算资源调度策略的设计中，需要考虑以下几个关键因素：1. 任务类型和负载分布：不同的应用有不同的资源需求和计算负载，调度策略应该能够根据任务类型和负载分布，动态地分配和管理资源，以满足不同应用的需求。
2. 资源可用性：云计算资源是动态变化的，不同的时间、地点、网络条件下的资源可用性不同。
调度策略应该能够根据资源可用性，合理地分配和管理资源，以充分利用可用的资源。
3. 成本效益：云计算资源的使用需要支付一定的费用，调度策略应该能够根据用户的需求和预算，合理地分配和管理资源，以降低成本和提高经济效益。
基于以上因素，下面给出一种基于优先级和负载均衡的云计算资源调度策略的描述：策略描述：* 优先级调度：将任务按照优先级进行排序，优先级高的任务优先分配资源。
这样可以确保关键任务得到优先处理，提高服务质量。
* 负载均衡：根据任务的负载情况，动态地分配和管理资源，以实现资源的均衡利用。
可以通过任务之间的时间依赖关系和资源需求，实现任务的负载均衡。
* 资源预留：对于一些需要高可靠性和稳定性的任务，可以预留一部分资源，以确保任务的可靠性和稳定性。
* 动态调整：根据任务的执行情况和系统负载，动态地调整资源的分配和管理，以适应不断变化的应用需求。
* 容错处理：对于可能出现错误的任务，可以设置容错机制，自动地恢复和重新分配资源，以减少错误对系统的影响。
实施步骤：* 收集任务信息：收集任务类型、负载情况、优先级等信息，为调度策略提供数据支持。
* 建立调度模型：根据任务信息和系统特点，建立适合的调度模型，以实现资源的合理分配和管理。
* 实时监控和调整：实时监控系统的运行情况和资源使用情况，根据实际情况调整资源的分配和管理，以确保系统的稳定性和性能。
云计算资源调度算法与策略
云计算资源调度算法与策略随着云计算技术的不断发展和应用，云计算资源调度算法与策略成为了研究的热点之一。
本文将针对云计算资源调度算法与策略进行探讨，旨在深入了解该领域的相关内容。
一、云计算资源调度算法的意义及挑战云计算资源调度算法是指在多任务请求下，将云计算资源有效地分配给各个任务的算法。
其意义在于提高资源的利用率、减少任务的执行时间，并保障用户的体验效果。
然而，当前云计算资源调度面临一些挑战，如任务负载不均衡、资源竞争、可扩展性等，因此需要研究出更加优化和科学的调度算法。
二、常见的云计算资源调度算法1. 基于遗传算法的资源调度算法遗传算法是一种通过模拟生物进化的过程来寻找优化解的方法。
在云计算资源调度中，利用遗传算法可以对资源进行优化分配。
该算法通过遗传算法的基本过程，不断迭代、交叉和变异，最终得到最优的资源分配结果。
2. 基于负载均衡的资源调度算法负载均衡是指将任务均匀地分配到各个节点上，使得各个节点的负载相对平衡。
在云计算资源调度中，采用负载均衡的调度算法可以避免某些节点负载过高而导致的资源浪费和任务延迟问题。
3. 基于优先级的资源调度算法优先级调度算法是一种根据任务的优先级来进行资源分配的方法。
在云计算资源调度中，将任务分为不同的优先级，通过优先级调度算法可以更加合理地分配资源，提高任务的响应速度和效率。
三、云计算资源调度策略除了调度算法，还有一些调度策略可以用来进一步优化云计算资源的调度效果。
1. 预测与预分配策略预测与预分配策略是指在任务到达前对任务进行预测，并提前分配相应的资源。
通过对任务的预测，可以更加准确地分配资源，避免资源的浪费和重复分配。
2. 自适应调度策略自适应调度策略是指根据系统和任务的实时状态进行资源的调度。
通过监测系统和任务的实时状态，及时调整资源的分配情况，以适应不断变化的任务负载和系统需求。
3. 节能调度策略节能调度策略是指在资源调度过程中考虑节能的因素。
通过合理地配置资源，避免不必要的资源浪费，从而实现能源的节约和环境的保护。
云计算中的资源调度与优化策略
云计算中的资源调度与优化策略云计算是一种基于互联网的计算模式，通过将计算和存储等资源提供给用户，使其能够随时随地方便地使用。
资源调度和优化策略在云计算系统中起着至关重要的作用，它们能够提高云计算系统的性能和效率，同时降低成本。
资源调度是指按照一定的策略将用户的任务或请求分配给适合的计算节点或服务器。
在云计算中，用户的需求不断变化，计算资源的利用率也会发生波动。
因此，资源调度需要根据实时的需求情况进行调整，以最大程度地利用计算资源。
在资源调度中，一个重要的问题是如何将用户的任务或请求合理分配给计算节点或服务器。
常见的策略包括负载均衡、优先级调度和弹性调度。
负载均衡是指通过动态地将任务或请求分配给计算节点或服务器来均衡整个系统的负载。
常用的负载均衡算法有轮询、加权轮询和最少连接等。
轮询算法按照顺序将任务或请求分配给计算节点或服务器，而加权轮询算法则根据节点或服务器的权重来决定分配的比例。
最少连接算法则将任务或请求分配给当前连接数最少的计算节点或服务器。
优先级调度是指根据任务或请求的重要性和优先级将其分配给计算节点或服务器。
重要性高的任务或请求会被优先处理，以确保关键业务的顺利进行。
常见的优先级调度策略包括按照任务或请求的紧急程度进行分类，并分配相应的优先级。
弹性调度是指根据需求的变化自动地增加或减少计算资源。
通过监控系统的负载情况和用户的需求，弹性调度可以及时作出调整，以满足系统的性能和效率要求。
弹性调度可以通过调整资源的分配比例、启动或关闭计算节点或服务器来实现。
在资源调度的过程中，还有一个关键的问题是如何进行资源的优化。
资源优化旨在通过合理地分配和管理计算资源，提高系统的性能和效率。
常见的资源优化策略包括任务调度优化、能耗优化和成本优化。
任务调度优化是指通过合理地安排任务的执行顺序和资源分配，降低任务的延迟和响应时间，提高系统的效率和性能。
任务调度优化算法可以根据任务的类型、优先级和执行时间等参数，在满足约束条件的前提下，找到最优的调度方案。
云计算环境下基于NPSO算法的任务调度策略研究
2.3 标准 PSO 算法介绍 ...........................................14
2.3.1 标准 PSO 算法的基本流程........................................ 15 2.3.2 标准 PSO 算法中粒子的公式化表示................................ 16 2.3.3 标准 PSO 算法的特点与研究现状.................................. 17
第 4 章 基于 NPSO 算法的云计算任务调度研究................ 25
4.1 Hadoop 架构的任务调度算法分析 ..............................25
4.1.1 FIFO 调度算法分析 ............................................. 25 4.1.2 公平调度算法分析 ............................................. 27 4.1.3 计算能力调度算法 ............................................. 29
云计算中资源调度与任务分配的优化算法与策略
云计算中资源调度与任务分配的优化算法与策略云计算作为一种新兴的计算模式，已经广泛应用于各种领域。
其中，资源调度和任务分配是云计算的核心问题之一。
优化资源调度和任务分配能够提高云计算系统的整体性能和效率，降低成本，并提供更好的用户体验。
本文将讨论云计算中资源调度和任务分配的优化算法和策略。
1. 资源调度优化算法资源调度优化算法的目标是合理地分配云计算系统中的资源，以满足用户对计算资源的需求，并尽可能地降低资源的闲置和浪费。
以下是一些常用的资源调度优化算法：1.1 负载均衡算法负载均衡算法是一种常用的资源调度优化算法。
它的目标是使系统中各个节点的负载尽量均衡，避免某些节点过载，而其他节点负载不足。
常见的负载均衡算法有轮询算法、最少连接算法和最短队列算法等。
1.2 预测算法预测算法可以根据历史数据和趋势分析，预测未来一段时间内的资源需求。
根据预测结果，系统可以提前调度和分配资源，以满足用户的需求。
常见的预测算法有时间序列分析、回归分析和神经网络等。
1.3 遗传算法遗传算法是一种优化算法，模拟了自然界中的进化过程。
在资源调度中，可以使用遗传算法来搜索最优的资源分配方案。
遗传算法通过选择、交叉和变异等操作，逐步优化资源分配方案，直到找到最优解。
2. 任务分配优化算法任务分配优化算法的目标是合理地将云计算系统中的任务分配给节点，以达到任务执行时间最短、资源利用率最高的效果。
以下是一些常用的任务分配优化算法：2.1 最短作业优先算法最短作业优先算法是一种常见的任务分配优化算法。
它根据任务的执行时间来决定任务的执行顺序。
优先执行执行时间最短的任务，以最大限度地减少任务的等待时间和执行时间。
2.2 蚁群算法蚁群算法是一种模拟蚂蚁觅食行为的优化算法。
在任务分配中，可以使用蚁群算法来搜索最优的任务分配方案。
蚁群算法通过模拟蚂蚁寻找食物路径的行为，逐步优化任务分配方案，直到找到最优解。
2.3 遗传算法与资源调度类似，遗传算法也可以应用于任务分配优化中。
基于MPSO算法的云计算资源调度策略
基于MPSO算法的云计算资源调度策略刘万军;张孟华;郭文越【期刊名称】《计算机工程》【年(卷),期】2011(037)011【摘要】针对云计算服务集群资源调度和负载平衡的优化问题,提出一种基于改进的粒子群优化算法的云计算资源调度策略.将动态多群体协作和变异粒子逆向飞行思想引入到粒子群优化算法中,从而控制全局搜素和局部搜索,尽量避免陷入局部最优.在CloudSim平台进行模拟测试,结果表明,该调度策略有效且执行效率较高.%Aiming at the optimization problem of the cloud computing's service cluster resource schedule and loading balance, this paper presents cloud computing resource schedule strategy based on Modified Particle Swarm Optimization(MPSO) algorithm.In order to control the global search and local search effectively, and to avoid falling into local optimal, it introduces dynamic multi-group collaboration and the reverse of the flight of mutation particles to the Particle Swarm Optimization(PSO) algorithm.By extending the cloud computing emulator CloudSim platform to test the simulation, the results show that this method is effective, and the operation efficiency is high.【总页数】3页(P43-44,48)【作者】刘万军;张孟华;郭文越【作者单位】辽宁工程技术大学软件学院,辽宁,葫芦岛,125105;辽宁工程技术大学电子与信息工程学院,辽宁,葫芦岛,125105;辽宁工程技术大学电子与信息工程学院,辽宁,葫芦岛,125105【正文语种】中文【中图分类】TP311【相关文献】1.基于改进细菌觅食算法的云计算资源调度策略 [J], 赵宏伟; 田力威2.基于改进差分进化算法的云计算资源调度策略 [J], 张红3.基于混合优化算法的云计算资源调度策略的研究 [J], 阮江涛;吴海涛;钱程;黄陈辉4.基于竞争粒子群算法的云计算资源调度策略 [J], 王镇道;张一鸣;石雪倩5.基于改进狮群算法的云计算资源调度策略 [J], 王艳红;张革文因版权原因，仅展示原文概要，查看原文内容请购买。
云计算平台中的资源调度与优化策略
云计算平台中的资源调度与优化策略引言随着云计算技术的不断发展和普及，云计算平台已经成为现代企业的基础设施。
然而，随着用户数量和数据量的增加，如何有效地调度和优化云计算平台中的资源成为了云计算研究领域中的一个热点问题。
本文将介绍云计算平台中的资源调度和优化策略，并探讨当前研究的热点和挑战。
一、云计算平台中的资源调度资源调度是云计算平台中的一个重要问题，它涉及到如何合理利用服务器、存储、网络等硬件资源来满足用户对云服务的需求。
下面将分别从任务的调度和容器的调度两个方面介绍云计算平台中的资源调度。
1. 任务调度任务调度是指云平台中多个任务之间的调度问题。
任务调度的目的是使得任务在给定时间内能够得到合理的执行，同时使得整个资源的使用最优化。
任务调度主要有两种调度算法：静态任务调度和动态任务调度。
静态任务调度是在事先为各个任务分配好处理器的情况下进行的调度，这种调度方式不会对前面分配的处理器进行重新排列，该方法最大的优点就是相对简单，但是对系统的整体资源利用率不高。
动态任务调度是动态地分配处理器，并根据系统实例的CPU利用率、内存利用率及网络带宽等参数反复调整，从而达到最优的调度效果。
动态任务调度方式更能充分利用系统资源，但是实现难度更大。
2. 容器调度容器技术是云计算平台资源调度和优化的关键技术之一。
容器可以将应用程序及其所有依赖的软件包和库封装成一个独立的可移植的容器，从而使得应用程序可以在任意环境下运行。
因此，容器能够更好地解决云平台中应用程序的部署、维护和迁移问题。
对于容器的调度问题，一般采用两种方法：集中调度和分散调度。
集中调度是将所有容器的调度任务都交由一个中心控制平台进行处理。
这种方法虽然方便管理和维护，但容易成为系统瓶颈。
分散调度则是将所有容器的调度任务分散到多个节点上进行处理，从而减轻了集中控制节点的负担。
但是分散调度的实现需要解决容器的位置选择和负载均衡等问题。
二、云计算平台中的资源优化策略在云计算平台中，如何有效地使用硬件资源以提高系统的性能和效率也是一个重要问题。
基于布谷鸟搜索算法的云计算资源分配方法
基于布谷鸟搜索算法的云计算资源分配方法袁霞【摘要】For optimizing the time and cost,build the allocation method in cloud computing based on cuckoo search algorithm,then give the simulation on CloudSim, Results show that,after 20 times iteration can we get the optimum solution,the corresponding fitness is 219,the cost of finishing task is 360,and spend 78s.Thus it can be seen,the allocation method in cloud computing based on cuckoo search algorithm is useful,it can solve the problem of resource allocation in cloud computing effectively.%以时间和成本为优化目标,建立基于布谷鸟搜索算法的云计算资源分配方法,并在CloudSim平台下进行仿真分析.结果表明,迭代20代就可以找到最优解,对应的适应度值为219,完成请求任务的成本为360,完成请求任务总时间为78s.由此可见,基于布谷鸟收敛算法的云计算资源分配方法是有效的,可以解决云计算资源分配问题.【期刊名称】《内蒙古师范大学学报（自然科学汉文版）》【年(卷),期】2017(046)001【总页数】4页(P98-101)【关键词】云计算;资源分配;布谷鸟搜索;优化【作者】袁霞【作者单位】广安职业技术学院电子与信息工程学院,四川广安 638000【正文语种】中文【中图分类】TP393.09云计算是基于并行计算、分布式计算、网络计算等技术的一种新型计算模式,是计算机计算的发展方向[1-3],资源分配是云计算中的一个重要课题,其效率对整个云计算的工作性能具有较大影响[4].由于资源分配问题属于典型的NP完全问题,传统优化方法难以解决[5],智能优化算法在求解此类问题具有独特的优势.文献 [6] 应用蝙蝠算法求解调度问题,有效解决了离散调度问题; 文献 [7] 采用遗传算法求解云计算资源分配问题,采用服务质量作为评价指标,但难以求全局最优解; 文献 [8] 采用蚁群算法求解资源分配问题,采用熵的概念处理目标,取得了不错效果,但是收敛速度较慢; 文献 [9] 采用改进的粒子群算法处理云计算资源分配问题,虽然提高了调度效率,但是收敛速度较慢,并且未考虑消耗成本等问题,对于实际应用仍然有较大差距.布谷鸟搜索算法是一种新型的全局优化算法[10-11],本文以时间和成本为优化目标,建立基于布谷鸟搜索算法的云计算资源分配方法,并进行仿真研究算法性能.布谷鸟搜索算法是一种较为新型的智能优化算法,通过模拟布谷鸟繁殖特性进行优化.布谷鸟自己不筑巢,偷偷把蛋产在他鸟类的巢穴中,让其进行孵化,当宿主发现后,会选择丢弃外来的蛋或者丢弃当前鸟巢,重新筑巢,这样就不会孵化,布谷鸟能得以繁殖就是因为有很多未被宿主方向的蛋被成功孵化.布谷鸟算法具有几个特征:每只布谷鸟每次下一枚蛋到一个随机算子的鸟巢中; 具有高质量鸟蛋(解)的鸟巢将保留到下次迭代中; 巢数是固定的,宿主鸟发现外来蛋的是有一定概率的,发现后宿主鸟会丢弃该蛋或舍弃该鸟巢并重新创建一个鸟巢并下蛋.在产生新的鸟蛋时,采用模拟自然界随机移动的莱维飞行进行随机优化.与高斯分布相比,莱维飞行是一种更为自然的分布规律,在解集较大时,其优势更为明显,对于资源分配这种解集较多的问题效果更佳.布谷鸟寻找鸟巢的路径与位置更新的过程可以表示为α L(λ).式中: 表示在第t次迭代中第i个鸟巢的位置; α为步长; L(λ)为莱维飞行的搜索路径.布谷鸟位置最终更新需要根据概率进行选择,即式中: r为随机数; p为概率.2.1 资源分配模型图1为云计算资源分配模型.其中数据中心由有限的计算资源组成,可以将处理能力不同的计算节点虚拟化为虚拟机,虚拟机处理由用户请求组成的任务队列,资源分配则是接受用户请求的计算任务,然后根据计算资源、计算效率、能耗的因素对用户请求进行合理分配,得到一个任务队列,然后等待对应的虚拟机进行处理.由此可知,在云计算中,数据中心的计算资源是确定的,用户请求的计算任务是随机的,是由用户决定的,而通过资源分配产生合理的任务队列是云计算处理中最为重要的一步,分配是否合理决定着云计算的效率、能耗、成本、寿命等关键问题,因此制定合理的分配方案对于云计算非常重要.2.2 云计算资源分配问题建模采用图论的方式建立云计算资源分配问题的数学模型,设有向图G=(V,E)式中: vi是需要处理的计算任务; V是计算任务集合; ei是任务约束关系; E是任务之间优先的约束关系.设一个数据中心有m台虚拟机组成,则任务vi在虚拟机mj上处理的时间可以表示为 t(vi,mj)=C vi/(c amj),其中mj为第j台虚拟机,C vi为vi的计算量,c amj为虚拟机mj的计算能力.采用非抢占的方式处理任务,任务vi的平均处理时间为.有向边<vi,vk>的权重为c tvi,vk,表示任务vk和任务vi的通信占用时间.当处于同一任务序列时,用同一个虚拟机处理,则通信时间为0.任务vi的优先分配权为pvi=Tvi+max {c tvi,vk+pvk}, vk∈succ(vi),其中s ucc(vi)是任务vi的后续子任务集合,vk是后续子任务,pvk是任务vi的后续优先权.优先权是逆向计算得出的,所以首先确定终点优先权为pvend=Tvend,其中Tvend为终点平均处理时间.任务vi 在虚拟机mj上的最早开始时间EST(vi,mj)=max {time(j),max (AST(vk,mj)+c tvk,vi)}.任务vi在虚拟机mj上的最早完成时间EFT(vi,mj)=t(vi,mj)+EST(vi,mj).任务vi在虚拟机mj上的最晚完成时间LST(vi,mj)(AFT(vk,mj)-c tvi,vk).其中time(j)为虚拟机j就绪时间; succ(vi)是任务的后续集合; AST(vk)为任务vi在虚拟机mj上实际开始时间; AFT(vk,mj)为任务vi在虚拟机mj上的实际结束时间.结束结点的实际完成时间为最终完成时间,即time=AFT(vend),其中time是整个DAG的执行时间.通过计算最早开始时间、最早完成时间与最晚完成时间获取整个图的关键路径,关键路就是资源分配的方案.云计算中花费的成本主要取决于CPU的计算能力、内存大小与带宽等主要因素,本文以CPU处理能力为性能指标,采用线性模型评价消耗成本,则任务vi 在虚拟机mj上花费的时间成本为c(vi,mj)=δ×t(vi,mj)×V cbase×.式中: c ama low为处理能力最慢的虚拟机的计算能力; V cbase为处理能力最慢的虚拟机的基本成本; δ为随机变量,产生不同处理能力与不同消耗成本的虚拟机.则总成本为(vi,mj).本文研究的资源分配问题需要同时考虑成本最小与处理时间最短两方面,建立的目标评价函数为min y=ω×time+(1-ω)×cos t, ω∈[0,1].式中: ω为加权系数,表示对处理时间与成本的一个偏好关系.对于给定的调度任务,以成本与时间为优化目标,采用布谷鸟搜索算法对此问题进行优化,计算流程如图2所示.(1) 设置鸟群数目、最小步长、最大补长等相关参数.(2) 根据云计算资源分配问题,对鸟群进行初始化,将布鸟群划分为m个子群,并将计算节点与布谷鸟位置进行一一对应.(3) 计算初始位置布谷鸟的适应度值,并记录当前最优解;(4) 对同子种群的布谷鸟位置进行变异.得到新的布谷鸟位置;(5) 计算更新后布谷鸟位置的适应度值,并记录最优解;(6) 判断是否满足结束条件,不满足则跳转第(4)步继续更新位置,否则结束循环,输出最优解.在CloudSim仿真平台下,对基于布谷鸟搜索算法的云计算资源分配问题进行仿真实验.设置虚拟任务为800个,虚拟节点为70个,权重设置为0.5,迭代次数150代,仿真结果见图3.由图3可知,布谷鸟搜索算法能够很快得到收敛,对于求解云计算资源分配问题具有较强的全局寻优能力,迭代20代就已经找到最优点,对应的最优解为219,完成请求任务的成本为360,完成请求任务总时间为78 s.由此可见,建立基于布谷鸟收敛算法的云计算资源分配方法对于求解云计算资源分配问题是有效的,可以解决云计算资源分配问题.为进一步说明本文提出的算法的优越性,将传统的粒子群算法与本文方法进行对比,根据单因子变量法的思想,除了算法不同之外其他方面都相同,结果见图4.由图4可知,对于云计算资源分配问题,粒子群算法的收敛性与全局寻优能力差许多,可见基于布谷鸟搜索的云计算资源分配方法具有一定的优越性.【相关文献】[1] 邓维,刘方明,金海,等. 云计算数据中心的新能源应用:研究现状与趋势 [J]. 计算机学报,2013,36(3):582-598.[2] Bitar Y O D C,Juen L,Pinheiro L C,et al. Developing design concepts in a cloud computing environment:creative interactions and brainstorming modalities [J]. Digital Creativity,2014,25(4)：295-312.[3] 孙香花. 云计算研究现状与发展趋势 [J]. 计算机测量与控制,2011,19(5):998-1001.[4] Arfeen M A,Pawlikowski K,Willig A. A Framework for Resource Allocation Strategies in Cloud Computing Environment [C]//Workshop Proceedings of the IEEE International Computer Software and Applications Conference. Munich,Germany:DBLP,2011:261-266.[5] 袁浩,李昌兵. 基于社会力群智能优化算法的云计算资源调度 [J]. 计算机科学,2015,42(4):206-208.[6] 盛晓华,叶春明. 蝙蝠算法在PFSP调度问题中的应用研究 [J]. 工业工程,2013(1):119-124.[7] ZHU Kai,SONG Huaguang,LIU Lijing. Hybrid genetic algorithm for cloudcomputing applications [C]// Services Computing Conference. IEEE,2011:182-187.[8] 左利云,左利锋. 云资源中多目标集成蚁群优化调度算法 [J]. 计算机应用,2012,32(7):1916-1919.[9] 刘万军,张孟华,郭文越. 基于MPSO算法的云计算资源调度策略 [J]. 计算机工程,2011,37(11):43-48.[10] Yang X S,Deb S. Cuckoo Search via Lévy flights [C]//World Congress on Nature & Biologically Inspired Computing. IEEE,2009:200-210.[11] 兰少峰,刘升. 布谷鸟搜索算法研究综述 [J]. 计算机工程与设计,2015(4):1063-1067.。
基于MGA-PSO的云计算多目标任务调度
第３８卷第６期 计算机应用与软件Ｖｏｌ ３８Ｎｏ．６２０２１年６月 ＣｏｍｐｕｔｅｒＡｐｐｌｉｃａｔｉｏｎｓａｎｄＳｏｆｔｗａｒｅＪｕｎ．２０２１基于ＭＧＡ ＰＳＯ的云计算多目标任务调度孙长亚１ 王向文２１（上海电力大学计算机科学与技术学院 上海２０００９０）２（上海电力大学电子与信息工程学院 上海２０００９０）收稿日期：２０１９－０９－１０。
国家自然科学基金项目（６１６７１２９６）。
孙长亚，硕士生，主研领域：云计算。
王向文，副教授。
摘 要 为了提高云计算任务调度的效率，将微生物遗传算法（ＭＧＡ）和改进的粒子群算法（ＰＳＯ）融合成ＭＧＡ ＰＳＯ算法用于云计算任务调度。
综合任务完工时间、任务执行成本及虚拟机负载均衡三个目标构造适应度函数，以此寻找任务调度的最优解；对粒子群算法进行改进，使用动态惯性权重策略以提高算法的自适应搜索能力；在任务调度前期使用ＭＧＡ算法缩小求解空间，在任务调度后期使用改进的ＰＳＯ快速收敛到最优解。
仿真实验表明：与其他三种算法相比，该算法有较快的收敛速度和较强的寻优能力；在云计算任务调度中，不仅能减少任务完工时间和执行成本，还能优化虚拟机的负载。
关键词 云计算 任务调度 微生物遗传算法 粒子群算法 多目标中图分类号 ＴＰ３９１ 文献标志码 Ａ ＤＯＩ：１０．３９６９／ｊ．ｉｓｓｎ．１０００ ３８６ｘ．２０２１．０６．０３４ＭＵＬＴＩ ＯＢＪＥＣＴＩＶＥＴＡＳＫＳＣＨＥＤＵＬＩＮＧＯＦＣＬＯＵＤＣＯＭＰＵＴＩＮＧＢＡＳＥＤＯＮＭＧＡ ＰＳＯＳｕｎＣｈａｎｇｙａ１ ＷａｎｇＸｉａｎｇｗｅｎ２１（ＣｏｌｌｅｇｅｏｆＣｏｍｐｕｔｅｒＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙ，ＳｈａｎｇｈａｉＵｎｉｖｅｒｓｉｔｙｏｆＥｌｅｃｔｒｉｃＰｏｗｅｒ，Ｓｈａｎｇｈａｉ２０００９０，Ｃｈｉｎａ）２（ＣｏｌｌｅｇｅｏｆＥｌｅｃｔｒｏｎｉｃａｎｄＩｎｆｏｒｍａｔｉｏｎＥｎｇｉｎｅｅｒｉｎｇ，ＳｈａｎｇｈａｉＵｎｉｖｅｒｓｉｔｙｏｆＥｌｅｃｔｒｉｃＰｏｗｅｒ，Ｓｈａｎｇｈａｉ２０００９０，Ｃｈｉｎａ）Ａｂｓｔｒａｃｔ Ｉｎｏｒｄｅｒｔｏｉｍｐｒｏｖｅｔｈｅｓｃｈｅｄｕｌｉｎｇｅｆｆｉｃｉｅｎｃｙｏｆｃｌｏｕｄｃｏｍｐｕｔｉｎｇｔａｓｋｓ，ｍｉｃｒｏｂｉａｌｇｅｎｅｔｉｃａｌｇｏｒｉｔｈｍ（ＭＧＡ）ａｎｄｔｈｅｉｍｐｒｏｖｅｄｐａｒｔｉｃｌｅｓｗａｒｍｏｐｔｉｍｉｚａｔｉｏｎ（ＰＳＯ）ａｒｅｍｅｒｇｅｄｉｎｔｏＭＧＡ ＰＳＯｆｏｒｃｌｏｕｄｃｏｍｐｕｔｉｎｇｔａｓｋｓｃｈｅｄｕｌｉｎｇ．Ｔｈｅｔｈｒｅｅｏｂｊｅｃｔｉｖｅｓｏｆｔｈｅｔａｓｋｃｏｍｐｌｅｔｉｏｎｔｉｍｅ，ｔａｓｋｅｘｅｃｕｔｉｏｎｃｏｓｔａｎｄｖｉｒｔｕａｌｍａｃｈｉｎｅｌｏａｄｂａｌａｎｃｉｎｇｃｏｎｓｔｒｕｃｔｔｈｅｆｉｔｎｅｓｓｆｕｎｃｔｉｏｎｔｏｆｉｎｄｔｈｅｏｐｔｉｍａｌｓｏｌｕｔｉｏｎｏｆｔｈｅｔａｓｋｓｃｈｅｄｕｌｉｎｇ．ＴｈｅＰＳＯｗａｓｉｍｐｒｏｖｅｄ，ａｎｄｔｈｅｄｙｎａｍｉｃｉｎｅｒｔｉａｗｅｉｇｈｔｓｔｒａｔｅｇｙｗａｓｕｓｅｄｔｏｉｍｐｒｏｖｅｔｈｅａｄａｐｔｉｖｅｓｅａｒｃｈａｂｉｌｉｔｙｏｆｔｈｅａｌｇｏｒｉｔｈｍ．Ｉｎｔｈｅｅａｒｌｙｓｔａｇｅｏｆｔａｓｋｓｃｈｅｄｕｌｉｎｇ，ｔｈｅＭＧＡｗａｓａｄｏｐｔｅｄｔｏｒｅｄｕｃｅｔｈｅｓｏｌｕｔｉｏｎｓｐａｃｅ，ａｎｄｔｈｅｉｍｐｒｏｖｅｄＰＳＯｗａｓｕｓｅｄｔｏｒａｐｉｄｌｙｃｏｎｖｅｒｇｅｔｏｔｈｅｏｐｔｉｍａｌｓｏｌｕｔｉｏｎｉｎｔｈｅｌａｔｅｒｓｔａｇｅｏｆｔａｓｋｓｃｈｅｄｕｌｉｎｇ．Ｔｈｅｓｉｍｕｌａｔｉｏｎｅｘｐｅｒｉｍｅｎｔｓｓｈｏｗｔｈａｔｃｏｍｐａｒｅｄｗｉｔｈｔｈｅｏｔｈｅｒｔｈｒｅｅａｌｇｏｒｉｔｈｍｓ，ｔｈｉｓａｌｇｏｒｉｔｈｍｈａｓｆａｓｔｅｒｃｏｎｖｅｒｇｅｎｃｅｓｐｅｅｄａｎｄｓｔｒｏｎｇｅｒｏｐｔｉｍｉｚａｔｉｏｎａｂｉｌｉｔｙ．Ｉｎｃｌｏｕｄｃｏｍｐｕｔｉｎｇｔａｓｋｓｃｈｅｄｕｌｉｎｇ，ｉｔｃａｎｎｏｔｏｎｌｙｒｅｄｕｃｅｔａｓｋｃｏｍｐｌｅｔｉｏｎｔｉｍｅａｎｄｅｘｅｃｕｔｉｏｎｃｏｓｔ，ｂｕｔａｌｓｏｏｐｔｉｍｉｚｅｔｈｅｌｏａｄｉｎｔｈｅｖｉｒｔｕａｌｍａｃｈｉｎｅ． Ｋｅｙｗｏｒｄｓ Ｃｌｏｕｄｃｏｍｐｕｔｉｎｇ Ｔａｓｋｓｃｈｅｄｕｌｉｎｇ Ｍｉｃｒｏｂｉａｌｇｅｎｅｔｉｃａｌｇｏｒｉｔｈｍ Ｐａｒｔｉｃｌｅｓｗａｒｍｏｐｔｉｍｉｚａｔｉｏｎ Ｍｕｌｔｉ ｏｂｊｅｃｔｉｖｅ０ 引 言云计算的基础设施规模比单一的物理设备大很多，但是其提供的虚拟资源仍然有限，面对庞大的云任务，如何高效地将子任务分配给虚拟资源，进行合理的任务调度已成为一项必不可缺的研究课题［１－４］。
- 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)。
式（） １ 、式（） ２包含：１ 子对 先前速度 的继承 ，属于 “ （粒 ） 继 承 ” 部分 ；（ 粒 子 对本 身 的考 虑 ，属于 “ ２ ） 认知 ” 部分 ； （）“ ３ 社会”部分 ，粒子 间的信息共享与相互合作 。
４ 基于 ＭＰ Ｏ算法 的云计算资源调度策略 Ｓ
Ｐ Ｏ算法优点很多 ，但是 由于 算法 随机性很大 ，仍有很 Ｓ 多不完善的地 方。本文主要从动态多群体协作和变异粒子逆
２ 云计算技术
云计算作为一种新兴 的并行 计算技术 ，是分布式处理、 并行处理、 网格计算 的发展和延伸 ，是这 些计 算机科 学概念 的商业实现 Ｊ ，适合 当今 巨型信 息化处理需求 。云计算提供 了更可靠 、更 安全 的存储 和计算数据能力、简化计算交付、
降低成本 、具有更高 的扩展性 和灵活性。云计算采 用计时付
ｍｕａｉｎｐ ｒ ｃｅ ｏｔｅ Ｐ ｒ ｃｅＳ ｒ Ｏｐｉ ｚ ｔ ｎＰ Ｏ）ａ ｏ ｉ ｍ． ｘｅ ｄｎ ｅｃｏ ｄｃ ｍｐ ｔ ｇ ｅ ｌｔｒ ｏ ｄ ｉ ｐａｆ ｒ ｔ ｓ ｔｅ ｔ ｏ ａｔ ｌｓ ａ ｔ ｌ ｗａｍ ｔ ｔ ｉ ｔｈ ｉ ｍｉａ ｏ （ Ｓ ｌ ｒ ｉ ｇ ｔ ｈ Ｂｙｅ ｔ ｉｇｔ ｌ ｕ ｏ ｕ ｎ ｍｕａｏ ｕ Ｓｍ ｌｔ ｍ ｔ ｔ ｎ ｈ ｉ Ｃｌ ｏ ｏｅ ｈ
经 过先前的大量研究实验 ，专家建议 采用从 ０ ． ９线性递减
到０ ． ４的策 略，如下 ：
ｔ
＝
ｄ ｌ（ ｌ ｔ ＋ＣＦ×（ ｇ 一． ） ＋Ｃｒ Ｐｄ一玉 ） ２ ｌ ｄ ２ ｐｔ ｄ
（） １
（） ２
＝
ｔ＋
其中 ，１ ≤ｄ≤Ｄ ，１ ≤Ｍ ，Ｄ是搜索 空间的维数 ， 肘 是 ≤ｉ
避免 所有同一 资源 的请求者聚集于某一服务器而造成 负载 失 衡 。改进算法的流程如图 ２所示 。
４１ 改进 的粒子群优化算法 ． 对于每个资源请求者 ，云环境服务集群必须推荐 出一个 较优的资源 。采 用动态 多群体协作 算法 ，次群侧重于全局搜 索 ，主群侧重于 局部搜索。每一代 ，所有子群都把最优的个 体信息传递给主群 ，主群从中挑选最优子群 个体进行进化 。 算法中主一 体结构如 图 １ 次群 所示 。
ａ ｄ ｌｃ ｌｓａｃ ｆｅ ｔ ｅｙ ａ ｄ ｔ ｖ ｉ ａｌ ｇ ｉｔ ｏ ａ ｐｉ ｌ ｉ ｉｔｏ ｕ ｅ ｙ ａ ｉ ｌｉ ｒ ｕ ｏｌｂ ｒｔｏ ｄｔｅｒ ｖ ｒｅｏ ｅｆｉｈ ｆ ｎ ｏ ａ ｅ ｈ ｅｆｃ ｖ ｌ， ｎ ｏａ ｏｄｆ ｌｎ ｎ ｏｌｃ ｏ ｔｍａ，ｔ ｎｒ ｄ ｃ ｓｄ ｎ ｍ ｃｍｕｔ— ｏ ｐ ｃ ｌａ ｏ ａｉｎａ ｅ ｅｓ ｆｔ ｇ ｔｏ ｒ ｉ ｉ ｌ ｇ ｎ ｈ ｈ ｌ
刻粒子 本身的最优位置 的第 ｄ 维变量 ；ｐ 是第 ｔ 时刻粒子
群 全局最优位置 的第 ｄ维变量 ；Ｃ， １Ｃ是学 习因子 ；‘ ｒ是均 ， ２
基 金项 目： 宁省教 育厅基金资助项 目（ ０ Ａ ５ ） 辽 ２ ９ ３０ ０
作者倚 介 ： 刘万军（９９ ） ， １５ － ，男 教授 ， 研方向：云计算 ， 主 智能优
中 分 号 Ｔ３ 图 类 ： Ｐ１ １
基 于 ＭＰ Ｏ 算 法的云计算 资源调度 策略 Ｓ
刘 万军 ，张孟华 ，郭文越
（ 辽宁工程技术 大学 ａ 软件学院 ； ． ． ｂ 电子 与信息工程 学院 ，辽宁 葫 芦岛 １ ５ ０ ） ２ ５ １
摘
要 ：针对云计算服务集群资源调度和 负载平衡 的优化问题 ， 出一种基于 改进 的粒 子群 优化算法的云计算资源 调度策 略。将动态多群 提
［ ｙｗｏ ｄ ］ｃｏ ｄｃ ｍｐ ｔ ｇ Ｐ ｒｃｅＳ ｒ Ｏｐｉ ｚｔ ｎＰ Ｏ） ｌｏｉ ｍ；ｅｏｒｅｓｈ ｄ ｌ； ｌｕ Ｓｍ ｌｔ ｒ Ｋｅ ｒ ｓ ｌｕ ｏ ｕ ｎ ； ａｔ ｌ ｗａｍ ｔ ａ ｏ （Ｓ ａｇｒ ｈ ｒｓｕｃ ｃｅｕｅ Ｃｏ ｄ ｉ ｐａ ｏｍ ｉ ｉ ｍｉ ｉ ｔ ｆ
化 算法 ；张盂华 、郭文越 ，硕 士研究生
收穑 日期 ：２ １—１ ２ ０１— １
Ｅｍａ ￣ ｎｈｈ０８ ６ ． ｍ － ｉ ｍｅｇｚ２０ ＠１３ ｏ ｌ ｃ
计
算
机
工
程
２ １ 年 ６月 ５日 ０１
匀分布在（， 区间的随机数 。 ０１ ）
其 中，国∈【． ０ 】 － ．； ＝０ ０ ，． ； － ４ ４ ９ ０ ． ９；Ｔ是最大迭代 次数 ； ｔ 当前迭代次数。 是 产生下一代主群和 次群粒子 的搜索速度、当前位置、最 优位置和全局最优位置 ，然后产生变异粒子 ，变 异粒子个数 由随机数产 生，产 生随机数通过 “ｉｔＭａｈｒｎ ｏ ）１） （ ） ｔ． ｄ ｍ（ ０” ｎ（ ａ Ｊｖ 代码 实现 。变异粒子执行 式（） ａａ ５和式（） ６，改变方向逆 向飞 行 ，然后更新整体信息量 ，如果未达到最优解或未达 到迭代 次数 ，则继续迭代 。为保证资源分配时负载平衡 ，变 异粒子 逆 向飞行 时， 给它加上一个权 重因子， 量各资源负载情况 ， 衡
定的资源使 用规 则，在不 同的资源使 用者之 间进行的资源调 整 过程。 目前的资源 调度策 略大多数是通过虚拟机级别上 的 调度技 术结合一 定的调度策 略来为虚拟机 内部应用做资源调 度 ，并且调度算法过于 简单 ，判断需要进行推测执行的任 Ｊ 务的算法造 成过多任 务需要推测执行 ，降低 了整个任务 的性 能 。所以在虚拟机级别 上采 用什 么算法实现资源调度是 目 】 前待解决 的一个难题 。
ｃｏ ｄｃ ｍｐ ｔ ｇｒｓ ｕ ｃ ｈ ｄ ｌ ｓ ａ ｇ ａ ｅ ｎＭｏ ｉ ｅ ａｔ ｌ ｗａｍ ｔ ｚ ｔ ｎＭＰ Ｏ） ｌ ｏｉ ｍ． ｎｏ ｄ ｒ ｏｃ ｎｒ ｌｈ ｌｂ ａｃ ｌｕ ｏ ｕ ｎ ｏ ｒ ｅ ｃ ｅ ｕｅ ｔ ｔ ｙｂ ｓｄ ｏ ｄｆ ｄＰ ｒ ｃｅＳ ｒ Ｏｐｉ ａ ｏ （ Ｓ ａｇ ｒ ｈ Ｉ ｒ ｅ ｏ ｔ ｅｇｏ ａ ｓ ｒ ｈ ｉ ｅ ｓ ｒｅ ｉ ｉ ｍｉ ｉ ｔ ｔ ｏｔ ｌ ｅ
资源 ，并且能尽量避免资源调度负载失衡 。
过 大量 的实验研 究，证实 了群体 中个体之 间信息 的社会共享 有助于 整体进化 ，这是开发 Ｐ Ｏ算法 核心思想 。标准 的粒 Ｓ 子群算法通 过惯性权重 来协调 Ｐ Ｏ 算法 的全局和局部寻 Ｓ
优能力 ， 过大 有利于全局寻优 ， 过小则有利于 局部寻优 ，
［ ｓ ａ ｔ ｍｉｇａ ｅｏ ｔ ｚｔ ｎ ｒｂｅ ｏ ｅｃ ｕ ｏ ｕ ｎ ’ ｓｒｉｅｃ ｓｅ ｓｕｃ ｈｄ ｌ ｎ ａ ｉｇｂｌ ｃ，ｈｓ ａｅ ｒｓｎｓ Ａｂ ｔ ｃ］Ａｉ ｎ ｔｈ ｐｉ ａｏ ｏ ｌｍ ｆｈ ｏ ｄｃｍｐ ｔ ｇＳ ｅｖｃ ｌ ｔ ｒ ｏ ｒｅｓ ｅｕｅ ｄｌ ｄｎ ａａ ｅ ｔｉ ｐｐ ｒ ｅｅｔ ｒ ｔ ｍｉ ｉ ｐ ｔ ｌ ｉ ｕ ｒｅ ｃ ａ ｏ ｎ ｐ
ｚｔ ｎ Ｓ ） 法 是一 种 模 拟鸟 群 觅 食行 为 的 演化 计 算 算 ａ ｏ ，Ｐ Ｏ 算 ｉ 法…。因其 结构简单、参数少、易实现 ，所以受到广泛重视 并被应用到 了许多 自然科学和工程科 学领 域。但对于存在较 多局部极值 的搜索空 间，它很容易 陷入局部最 优，在进化 后 期收敛速度慢 、鲁棒性差 。本文从动态 多群体协作 和变 异粒 子逆 向飞行两方面对 Ｐ Ｏ算法加以改进 ， Ｓ 将改进的粒子群优
化技 术 范 畴从简 单的硬件抽象逐渐 发展 成为虚拟云操作系 统 ，云主 机 能够 大量 根据 用 户定 义 的服 务质 量（ ａｉ ｆ Ｑｕｌｙ ｏ ｔ Ｓ ｒｉ ， ｏ ） ｅｖｃ Ｑ Ｓ规范执行应 用程序 的 ＶＭｓ ｅ 并行分 享。 云计算资源调度指 的是在一 个特 定的云环境中 ，根据一
体协作和变异粒子逆 向飞行 思想引入到粒 子群 优化算法 中，从而控制全局搜索和局部搜索 ，尽量避免 陷入局部最优 。在 Ｃｏｄｉ 平台进 ｌ Ｓ ｕ ｍ
行模拟测试 ，结果表 明，该调 度策 略有效且执行效率较高 。
关健诃 ：云计算 ；粒子群优化算 法 ；资源 调度 ；Ｃｏｄ ｉ 平台 ｌ Ｓｍ ｕ
第３ ７卷 第 １ 期 １
、 ．７ ｂ１３
Ｎ Ｏ．１ １
计
算
机
工
程
２ １ 年 ６月 ０１
Ｊ ｅ ０１ｌ ｕｎ ２
Ｃｏ ｍｐｕ ｅ ｔ ｒＥｎｇ ｎ ｅ ｉ ｉ ｅ ｒｎｇ
・ 云计算专题 ・
文 编 ： ０＿３ ８ｏ１１０ ３ ０ 章 号 １ ０ ４ （１１ ｏ — ２ 文 标 码： ｏ＿ ２２ ）— ４ ＿ ＿ 献 识 Ａ
Ｃｌｕ ｍ ｐ ｔｎ ｓ ｕ ｃ ｃ ｅ ｕ ｅＳ ｒ ｔ ｇ ｏ ｄ Ｃｏ ｕ ｉ ｇＲｅ ｏ ｒ ｅＳ ｈ ｄ ｌ ｔａ ｅ ｙ Ｂａ ｅ ｎ Ｍ ＰＳ Ａｌｏ ｉｈ ｓ ｄ０ Ｏ ｇ ｒｔ ｍ
Ｌ Ｕ Ｗ ａ － ｎ， ＨＡＮ Ｍｅ ｇｈ ａ， Ｉ ｎｊ Ｚ ｕ Ｇ ｎ －ｕ ＧＵＯ Ｗ ｅ －ｕ ｎｙ ｅ
向飞行两方面进 行改进 。动态 多群体协作提高了算法 的收敛 速 度和求解精 度 ，变 异粒子逆 向飞行可 以一定程度上避免陷
入局部最优的风 险，维持和增加 了种群 的多样性 ，对 调节系 统的负载平衡 有一定帮助。基于这种改进粒子群优化算法 ， 云 计算服务集群 实现 资源 发现 、信息交互、次群推荐最优资 源到主群 、主群筛选全局最优、变异粒子逆 向飞行。
粒子群 内粒子 的个数 ； ＝（ ， ） ， …， 表示粒子 当前位 置 ；１＝（ Ｖ ， ）表示粒 子 的当前速度 ； ｔ是第 ｔ ； ， …， ｉ ｉ 时
费的形式 ，用户交付很低 的费 用，能得 到更优 质的服务 ；程
序员只需关注应 用程序 本身 ，关于集群 的处理 问题 ，则交 由 平 台处理 。云计算平 台按需进行 动态 地部署、配置、重新 配 置以及取消服 务等 。云计算重 要特 点之一是虚拟化 。虚拟 Ｊ
ｓ ｍｕ ａ ｉ ｎ ｔ ｅ ｕ ｔ ｈ ｗ ａ ｉ ｔ ｏ ｆｅ ｔ ｅ ａ ｄ ｔ ｅ ｏ ｅ ａ ｉ ｎ ｅ ｃ ｅ ｃ ｓｈ ｇ ． ｉ ｌ ｔ ， ｈｅｒ ｓ ｌｓｓ ｏ ｔ ｔ ｓｍｅ ｈ ｄ ｉ ｅ ｆ ｃ ｉ ， ｎ ｐ ｒ ｔ ｆ ｉ ｎ ｙ ｉ ｉ ｈ ｏ ｈ ｔ ｈ ｓ ｖ ｈ ｏ ｉ