基于改进遗传算法的网格资源调度研究
合集下载
相关主题
- 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)。
采用了资源与任务一一对应的实数编码方法对
交叉 概率 尸 决定 了交 叉 算 子 的使 用 频 率 。其 ｃ
取值范围一般取值 为 ０２ ．５～１ｏ ．ｏ之 间。交叉概率 越高 ， 群体新结构 的引入越快 ， 同时已获得的优 良基 因结构的丢失速度也相应升高 ， 而交叉概率太低 ， 则 可能导致搜索阻滞 ， 本文取交叉概率 Ｐ 值为 ０ ６ 。 。 ．０ ２５ 变异 ． 变异概率 Ｐ 影 响着群体 的多样 性。变异概率 太小往往使得群体 中缺乏 的等位基因难 以恢复 ， 太 大则使变异操作成为随机行为。变异概率的选取一 般受种群大小 、 染色体长度等因素 的影响 ， 本文取变 异概率 Ｐ 为 ００ 。 ．２
ｎ ｔ ｎｌＪ ｕｎ ｌｏ ｕ ｅｃ ｍｐ ｔｒＡ ｐｌ ａ ｏ ｓ２ ０ １ ａｉ ａ ｏ ｒ ａ ｆ ｐ ｒｏ ｕｅ ｐ ｃ ｔ ｎ ，０ １，５ ｏ Ｓ ｉ ｉ
（ ） ２０２ ２ ３ ：０ － ． ２
［ ］ 罗宇平 ．基 于 Ｍｎ Ｍｎ ２ ｉ ｉ 改进 后 的 网格 调度算 法 ［ ］ ２ Ｊ．
＝
Ｓ—Ｑ （』 ｒ ）
式 中 ： 为 所 有 任 务 在 资 源 中 执 行 所 需 时 间最 ． ｓ
大间 之 和 。可 由矩 阵 Ｅ求 得 。 式 中所
有任务完成所用时 间 Ｑ （，越大 ， 应度值 越小 ， ｒ ） 适
任务调度是个研究热点问题。网格环境的动态 性、 异构性等使得 网格中的调度变得非常复杂 ， 采用
２ 改进遗传算 法资源调度
２ １ 编码 ．
何种策略能使任务调度 的效率最高 ， 是任务调度 中
的关键 问题 。
编码是设计遗传算法的一个关键步骤。其将任
下面先介结网格任务调度模型 ： 网格任务调度 的形式化描述如下 ： 在某网格环
则染色体被选为母体的可能性越小 － 。 ｌ ¨ ２ ３ 选择 操作 ．
从 表 ２中可 以看 出 ： 当任 务 个 数 为 ３ ０个 时 ， 随
着资源个数的增加 ， 算法完成时 间总体上值是下降
的， 而得到最优解的最大进化代 数也提前。当任务
先计算单个染色体的适应度值 ， 并将适应度
最高的染色体直接复制 到下 一代 ； 计算单个染色体 的存活概率 Ｐ ＝ ， ／ 本文采用 轮盘赌选 择法对
第２ ７卷 第 １ ８期 ２ １ 年 ９月 ０１
甘肃科 技
Ｇａ ｓ ｃ ｅ ｃ ｎ ｅ ｈ ｏｏ ｙ ｎ ｕ Ｓ ｉｎ ｅ ａ ｄ Ｔ ｃ ｎ ｌｇ
Ｉ ２ Ⅳ０ ８ ｆ ７ ． ．１ Ｓ ｐ ２ １ ｅ． Ｏｌ
基 于 改进 遗传 算 法 的 网格 资 源 调 度研 究
中 图 分 类 号 ：Ｐ ９ Ｔ ３３
网格是 把地 理位 置 上分散 的资源 集成 起来 的一 种 基础设 施 ， 目标是 实现 网 络虚 拟 环 境上 的高性 其
资源 上执 行 的时 间随 机产生 。任务 处理 采取批 处 理
模式 ， 有一 台计算机统一调度任务。下边做如下定
义：
能资源共享和协同工作 ， 同完成一些缺乏有效研 共 究 办法 的重 大 应 用 研 究 问题 ¨ 。 网格 资 源 具 有 异 Ｊ
表 ２ 实 验 结 果
则该染色体代表第一个任务在第一个资源上运 行 ， 二个 任 务在 第 二个 资源 上运 行 ， 第 …第八 个 任务
在 第 一个 资 源上运 行 。
２ ２ 适应 值计 算 ．
遗传算法在进化搜索中基本 不利用外部信息 ， 仅 以适应度函数为依据 ， 利用种群 中每个个体 的适 应度值来进行搜索 。适应度函数定义¨ 为 ： 叫
任
颖等 ： 基于改进遗传算法 的网格资源调度研究
２ ３
其 中， 表示任务的编码 ， 表示任务 执行 占 用资源 的编号。在产生初始种群时 ， 每一个 染色体 中的资 源编码 ｒ都是随机产生 的 ， ｆ 经过交 叉、 变异 算子后 ， 任务 ｔ可能 占用任何一个 可用 的资源 ， 所 以最优解一定对应某一个 染色体编码 。例 如， ８ 将 个任务分配到 ３个资源上 ， 色体长度为 ８ 每个基 染 ，
选择操作采用轮盘赌策略。所有 的任务在各个资源
上的执行时间为 １ ５ ～ ０间的随机数 。具体参数设定 如下 ： 解的群体规模为 ５ ， ０ 交叉和变异概率分别为
０６ ００ ， ． 和 ．２ 最大进化代数设置为 ４０ ０。 实验分别给 出了基 于 ３个资源 、 ４个资 源和 ５ 个资源情况下 ， 系统分配 ３ ０个 ， 个任务调度执行 ６ ０ 的模拟。利用遗传算法得到 的执行时间和进化代数 的结果 见 表 ２ 。
其中， ｍ是资源总数 ， 表示第 个资源 ； 是任 ｎ 务 总数 ， 表 示第 ｉ 任务 。矩阵 表示 任 务 ｔ在 ｔ ｉ 个
处理 机 ｒ上 的运行 时 间。
Ｅ１ Ｅ１ １ ２ Ｅ２ Ｅ２ Ｉ ２ Ｅ＝ Ｅ Ｅ １ … Ｅ
…
Ｅ１ Ｅ２
…
１ 问题描述
个数为 ６ 个时 ， Ｏ 随着资源个 数的增加 ， 算法完成时 间的值减少幅度较大 ， 得到最优解时的进化代数提 前的幅度较任务个数为 ３ ０时得到最优解时代数 的
提前 幅度显 著增 加 。
染色体进行选择 ， 选中的染色体保 留到下一代 ， 否则 被淘汰。
２ ４ 交 叉 ．
４ 小结
个策 略使 得 Ｑ（ 最小 。 Ｐ）
资源进行合理配置和管理是网格技术研究 的一个难 点 。显然 ， 网格 资 源 的配置 问题 是 一个 Ｎ Ｐ完全 问
题 。在 以往 的研 究 中 ， 已经 产 生 了许 多 的 任 务 调 度
算法 ， Ｍｎ— ｉ 如 ｉ Ｍ ｎ算法－ 、 ａ Ｍ ｎ ３ Ｍ ｘ— ｉ 算法 、 Ｊ Ｊ遗传 算法－ 、 ５ 模拟退火算法 等 ， Ｊ 这些算法已被广泛用 于网格调度 中。其 中遗传算法作为一种有效的启发 式全局随机搜 索算 法－ ， ８ 避免 了局部最小 问题 ， Ｊ 能 够得到更满意的结果 。本文提 出一种改进 的遗传算 法解决网格资源任务调度的问题。
由于采用资源 一 任务 间接编码方式 ， 交叉 和变 异算子生成新染色体的过程实际上是对任务 占用资 源 的重新分配 ， 由于每个任务可以在资源上执行 ， 所 以经过交叉和变异操作后的染色体 串依然是一个任
务在资源上的执行过程 ， 具有现实意义 。
ｈｔｏｅｅｕ ｍ ｕｎ ｓ ｍ ｅ ｒ ｎｏｓ ｏ ｐｔｇｓ ｔ ｓ［Ｃ ／ ｒ ．Ｏ ｈ ｅｇ ｃ ｉ ｙｅ ］／Ｐ ｃ ｆ ｔ ｏ ９
因值为随机产生的 ３个资源编号 ， 随机产 生下 面 如 个染色体编码 ：ｒ， ， ， ， ， ， ， ｝ ｛ ｒｒｒｒｉ ｒｒ 。 ｌ ２ ３ ２ １＂ ３ ｌ ２
一
３ 仿真实验
本文 的实 验是在 网格 模 拟器 Ｇｉ ｉ 中进 行 ｒｓ ｄｍ 的。采用资源 一 任务的一一对应 的实数编码方式 ，
微电子学与计算机， ０ ， （ ）８－ ． ２ ９２ ３ ： ８ ０ ６ ６８
［ ］ Ａｈｓ ｎ Ａ Ｈ ， ｒ ａ ａ Ｖ Ｋ Ｒｇａｅｄ ． ３ ｌ ａ ｉ ｕ ｉ Ｐａ ｒ ， ａｈ ｎｒ Ｃ Ｓ ｓｍ ｖ ａ
Ａ ｒ ｍｅ ￣ ｆ ｒ ｍａ ｐ ｎ ｉ ｅ ｏ ｒ ｃ ａ ｏ ａｉｎ ｉ — ｆａ ｗｏ ｏ ｐ ｉｇ ｗ ｔ ｒｓｕ ｃ ｏｌ ｃ ｔ ｎ ｈ ＿ ￣ ． ｌ ｏ
Ｈｅ ｅｏ ｅ ｅ ｕ ｏ ｕ ｎ ｏ ｋ ｈ ｐ Ｍｅ ｉ ｏ Ｃａ ｃ ｎ ｔｒ ｇ ｎ ｏ ｓ Ｃ ｍｐ ｔ ｇ Ｗ ｒ ｓ ｏ ． ｉ ｘｃ ， ｎ ｕ ，
２０：７－６ ００２３ ８． ２
（ 下转 第 ６ ０页）
本文采用间接编码方式 ， 对每个子任务 占用资源编
为 Ｒ＝｛ ｒ， ， ｝把 １ ｒ， … ｒ ， ７ ２ ｍ ， 个任务通过某种适合 的 码 。染色体的长度等于所有任务 的数量 ， 染色体的 方式调度到 ｍ个 资源（ 主机或集群） 上去 ， 使得总任 每一位位置编码代表任务 的编码 ， 对应 的正整数表
任 颖 李华伟 ， 红。 吕海燕 ， ， 吕 ， 赵
摘
媛
（． １ 海军航空 工程学院 ， 山东 烟 台 ２４０ ，． ６００２ 山东 商务 职业 学院 ， 山东 烟 台 ２４０ ） ６０ １ 要： 网格资源调度 问题 是一个 Ｎ Ｐ问题 ， 遗传算法可 以有 效地解 决这 类问题 。针 对基本遗 传算法收敛 速度 慢的
不 足 ， 出了一种改进 的遗传 算法。该算法采用资源与任务一一对 应实数编码 方法 ， 提 更好地适应 了任务调度 问题的 特点 。实验数据 证明 ， 改进后 的遗 传算法即具有全局搜索能力 ， 又具 有较快 的收敛 速度及较好 的性能。该实验 达到 了以实现网格任务调度的最优跨度 为 目标的实验 目的 。 关键 词 ： 网格 ； 资源调度 ； 改进 遗传算法
务 的完成时间最小 ， 并且尽可能提高资源的利用率
以及网络的整体性能。 示任务 占用的资源 ， 见表 １ 。
表 １ 实 数 编 码 方 式
ｔ Ｉ ｔ ２ ｔ ３ … ｔ ｎ
假设某一个大型的计算程序 已经被分解为若干 个任务， 所有任务 间相互独立。每个任务在每一个
第 １ 期 ８
构 性 、 态 性 和 自治 性 等 特 点 Ｊ如 何 对 网 格 中 的 动 ，
定义 ： Ｐ为一个调度策略， ｒ 表示在策略 Ｐ Ｑ （， ） 中， 资源 ｒ完成所有任务花费的总时间。Ｑ（ ） Ｐ 表 示完 成整 个调 度花 费 的总 时 间 ， 它是 完 成 所 有 任务 花费的总时间中的最 大值。即 Ｑ Ｐ ＝ ａ［ ） （ ） ｍｘＱ （ Ｖ （ ≤ ≤ｎ ］调度 目标是 ｒｎ Ｑ 尸 ］ 即找到一 １ ） ａ ［ （）， ｉ
务和资源间的映射关 系使用某种编码方式来表示。
编码方式影响到交叉算子、 变异算子等遗传算 子的 运算方式 ， 大程度上决定 了遗传 进化的效率 。 很 】
境 中， 需要调度的任务总数为 ｎ 可用 的资源总数 为 ，
ｉ。其 中 １ ｎ ７ ， 个任务为 Ｔ＝｛ ， ， ｔ｝ ｍ个 资源 ｔ ｔ …， 和
网格任务进行调度 ， 实验数据证 明了改进后 的遗传 算法即具有全局搜索能力 ， 又具有较快 的收敛速度 ， 具有较好的性能。
参考 文献 ：
［ ］ Ｆ ｔ ， ｅ ｅ ａ ，ｕｃｅＳ ｈ ｎ ｏ ｙｏ ｔ １ ｏ８ｒＩＫ ｓ ｌ ｎＣ Ｔ ｅ ．Ｔ ｅａ￣ ｍ ｆｈ ｅ ｓｍ ｋ ｅ ｄ ｅａｌ ｇ ｃｌ ｌ ｖ ｔ ｌ ｒ ｎ ａｏｓ Ｊ］ ｎ ｒ ： ｎｂｎ ａ ｂ ｉｕ ｇ ｉｔｎ ［ ．Ｉｅ ｉ ｓ ａ ｅ ｒａ ｏ ａ ｚ ｉ ｔ－
交叉 概率 尸 决定 了交 叉 算 子 的使 用 频 率 。其 ｃ
取值范围一般取值 为 ０２ ．５～１ｏ ．ｏ之 间。交叉概率 越高 ， 群体新结构 的引入越快 ， 同时已获得的优 良基 因结构的丢失速度也相应升高 ， 而交叉概率太低 ， 则 可能导致搜索阻滞 ， 本文取交叉概率 Ｐ 值为 ０ ６ 。 。 ．０ ２５ 变异 ． 变异概率 Ｐ 影 响着群体 的多样 性。变异概率 太小往往使得群体 中缺乏 的等位基因难 以恢复 ， 太 大则使变异操作成为随机行为。变异概率的选取一 般受种群大小 、 染色体长度等因素 的影响 ， 本文取变 异概率 Ｐ 为 ００ 。 ．２
ｎ ｔ ｎｌＪ ｕｎ ｌｏ ｕ ｅｃ ｍｐ ｔｒＡ ｐｌ ａ ｏ ｓ２ ０ １ ａｉ ａ ｏ ｒ ａ ｆ ｐ ｒｏ ｕｅ ｐ ｃ ｔ ｎ ，０ １，５ ｏ Ｓ ｉ ｉ
（ ） ２０２ ２ ３ ：０ － ． ２
［ ］ 罗宇平 ．基 于 Ｍｎ Ｍｎ ２ ｉ ｉ 改进 后 的 网格 调度算 法 ［ ］ ２ Ｊ．
＝
Ｓ—Ｑ （』 ｒ ）
式 中 ： 为 所 有 任 务 在 资 源 中 执 行 所 需 时 间最 ． ｓ
大间 之 和 。可 由矩 阵 Ｅ求 得 。 式 中所
有任务完成所用时 间 Ｑ （，越大 ， 应度值 越小 ， ｒ ） 适
任务调度是个研究热点问题。网格环境的动态 性、 异构性等使得 网格中的调度变得非常复杂 ， 采用
２ 改进遗传算 法资源调度
２ １ 编码 ．
何种策略能使任务调度 的效率最高 ， 是任务调度 中
的关键 问题 。
编码是设计遗传算法的一个关键步骤。其将任
下面先介结网格任务调度模型 ： 网格任务调度 的形式化描述如下 ： 在某网格环
则染色体被选为母体的可能性越小 － 。 ｌ ¨ ２ ３ 选择 操作 ．
从 表 ２中可 以看 出 ： 当任 务 个 数 为 ３ ０个 时 ， 随
着资源个数的增加 ， 算法完成时 间总体上值是下降
的， 而得到最优解的最大进化代 数也提前。当任务
先计算单个染色体的适应度值 ， 并将适应度
最高的染色体直接复制 到下 一代 ； 计算单个染色体 的存活概率 Ｐ ＝ ， ／ 本文采用 轮盘赌选 择法对
第２ ７卷 第 １ ８期 ２ １ 年 ９月 ０１
甘肃科 技
Ｇａ ｓ ｃ ｅ ｃ ｎ ｅ ｈ ｏｏ ｙ ｎ ｕ Ｓ ｉｎ ｅ ａ ｄ Ｔ ｃ ｎ ｌｇ
Ｉ ２ Ⅳ０ ８ ｆ ７ ． ．１ Ｓ ｐ ２ １ ｅ． Ｏｌ
基 于 改进 遗传 算 法 的 网格 资 源 调 度研 究
中 图 分 类 号 ：Ｐ ９ Ｔ ３３
网格是 把地 理位 置 上分散 的资源 集成 起来 的一 种 基础设 施 ， 目标是 实现 网 络虚 拟 环 境上 的高性 其
资源 上执 行 的时 间随 机产生 。任务 处理 采取批 处 理
模式 ， 有一 台计算机统一调度任务。下边做如下定
义：
能资源共享和协同工作 ， 同完成一些缺乏有效研 共 究 办法 的重 大 应 用 研 究 问题 ¨ 。 网格 资 源 具 有 异 Ｊ
表 ２ 实 验 结 果
则该染色体代表第一个任务在第一个资源上运 行 ， 二个 任 务在 第 二个 资源 上运 行 ， 第 …第八 个 任务
在 第 一个 资 源上运 行 。
２ ２ 适应 值计 算 ．
遗传算法在进化搜索中基本 不利用外部信息 ， 仅 以适应度函数为依据 ， 利用种群 中每个个体 的适 应度值来进行搜索 。适应度函数定义¨ 为 ： 叫
任
颖等 ： 基于改进遗传算法 的网格资源调度研究
２ ３
其 中， 表示任务的编码 ， 表示任务 执行 占 用资源 的编号。在产生初始种群时 ， 每一个 染色体 中的资 源编码 ｒ都是随机产生 的 ， ｆ 经过交 叉、 变异 算子后 ， 任务 ｔ可能 占用任何一个 可用 的资源 ， 所 以最优解一定对应某一个 染色体编码 。例 如， ８ 将 个任务分配到 ３个资源上 ， 色体长度为 ８ 每个基 染 ，
选择操作采用轮盘赌策略。所有 的任务在各个资源
上的执行时间为 １ ５ ～ ０间的随机数 。具体参数设定 如下 ： 解的群体规模为 ５ ， ０ 交叉和变异概率分别为
０６ ００ ， ． 和 ．２ 最大进化代数设置为 ４０ ０。 实验分别给 出了基 于 ３个资源 、 ４个资 源和 ５ 个资源情况下 ， 系统分配 ３ ０个 ， 个任务调度执行 ６ ０ 的模拟。利用遗传算法得到 的执行时间和进化代数 的结果 见 表 ２ 。
其中， ｍ是资源总数 ， 表示第 个资源 ； 是任 ｎ 务 总数 ， 表 示第 ｉ 任务 。矩阵 表示 任 务 ｔ在 ｔ ｉ 个
处理 机 ｒ上 的运行 时 间。
Ｅ１ Ｅ１ １ ２ Ｅ２ Ｅ２ Ｉ ２ Ｅ＝ Ｅ Ｅ １ … Ｅ
…
Ｅ１ Ｅ２
…
１ 问题描述
个数为 ６ 个时 ， Ｏ 随着资源个 数的增加 ， 算法完成时 间的值减少幅度较大 ， 得到最优解时的进化代数提 前的幅度较任务个数为 ３ ０时得到最优解时代数 的
提前 幅度显 著增 加 。
染色体进行选择 ， 选中的染色体保 留到下一代 ， 否则 被淘汰。
２ ４ 交 叉 ．
４ 小结
个策 略使 得 Ｑ（ 最小 。 Ｐ）
资源进行合理配置和管理是网格技术研究 的一个难 点 。显然 ， 网格 资 源 的配置 问题 是 一个 Ｎ Ｐ完全 问
题 。在 以往 的研 究 中 ， 已经 产 生 了许 多 的 任 务 调 度
算法 ， Ｍｎ— ｉ 如 ｉ Ｍ ｎ算法－ 、 ａ Ｍ ｎ ３ Ｍ ｘ— ｉ 算法 、 Ｊ Ｊ遗传 算法－ 、 ５ 模拟退火算法 等 ， Ｊ 这些算法已被广泛用 于网格调度 中。其 中遗传算法作为一种有效的启发 式全局随机搜 索算 法－ ， ８ 避免 了局部最小 问题 ， Ｊ 能 够得到更满意的结果 。本文提 出一种改进 的遗传算 法解决网格资源任务调度的问题。
由于采用资源 一 任务 间接编码方式 ， 交叉 和变 异算子生成新染色体的过程实际上是对任务 占用资 源 的重新分配 ， 由于每个任务可以在资源上执行 ， 所 以经过交叉和变异操作后的染色体 串依然是一个任
务在资源上的执行过程 ， 具有现实意义 。
ｈｔｏｅｅｕ ｍ ｕｎ ｓ ｍ ｅ ｒ ｎｏｓ ｏ ｐｔｇｓ ｔ ｓ［Ｃ ／ ｒ ．Ｏ ｈ ｅｇ ｃ ｉ ｙｅ ］／Ｐ ｃ ｆ ｔ ｏ ９
因值为随机产生的 ３个资源编号 ， 随机产 生下 面 如 个染色体编码 ：ｒ， ， ， ， ， ， ， ｝ ｛ ｒｒｒｒｉ ｒｒ 。 ｌ ２ ３ ２ １＂ ３ ｌ ２
一
３ 仿真实验
本文 的实 验是在 网格 模 拟器 Ｇｉ ｉ 中进 行 ｒｓ ｄｍ 的。采用资源 一 任务的一一对应 的实数编码方式 ，
微电子学与计算机， ０ ， （ ）８－ ． ２ ９２ ３ ： ８ ０ ６ ６８
［ ］ Ａｈｓ ｎ Ａ Ｈ ， ｒ ａ ａ Ｖ Ｋ Ｒｇａｅｄ ． ３ ｌ ａ ｉ ｕ ｉ Ｐａ ｒ ， ａｈ ｎｒ Ｃ Ｓ ｓｍ ｖ ａ
Ａ ｒ ｍｅ ￣ ｆ ｒ ｍａ ｐ ｎ ｉ ｅ ｏ ｒ ｃ ａ ｏ ａｉｎ ｉ — ｆａ ｗｏ ｏ ｐ ｉｇ ｗ ｔ ｒｓｕ ｃ ｏｌ ｃ ｔ ｎ ｈ ＿ ￣ ． ｌ ｏ
Ｈｅ ｅｏ ｅ ｅ ｕ ｏ ｕ ｎ ｏ ｋ ｈ ｐ Ｍｅ ｉ ｏ Ｃａ ｃ ｎ ｔｒ ｇ ｎ ｏ ｓ Ｃ ｍｐ ｔ ｇ Ｗ ｒ ｓ ｏ ． ｉ ｘｃ ， ｎ ｕ ，
２０：７－６ ００２３ ８． ２
（ 下转 第 ６ ０页）
本文采用间接编码方式 ， 对每个子任务 占用资源编
为 Ｒ＝｛ ｒ， ， ｝把 １ ｒ， … ｒ ， ７ ２ ｍ ， 个任务通过某种适合 的 码 。染色体的长度等于所有任务 的数量 ， 染色体的 方式调度到 ｍ个 资源（ 主机或集群） 上去 ， 使得总任 每一位位置编码代表任务 的编码 ， 对应 的正整数表
任 颖 李华伟 ， 红。 吕海燕 ， ， 吕 ， 赵
摘
媛
（． １ 海军航空 工程学院 ， 山东 烟 台 ２４０ ，． ６００２ 山东 商务 职业 学院 ， 山东 烟 台 ２４０ ） ６０ １ 要： 网格资源调度 问题 是一个 Ｎ Ｐ问题 ， 遗传算法可 以有 效地解 决这 类问题 。针 对基本遗 传算法收敛 速度 慢的
不 足 ， 出了一种改进 的遗传 算法。该算法采用资源与任务一一对 应实数编码 方法 ， 提 更好地适应 了任务调度 问题的 特点 。实验数据 证明 ， 改进后 的遗 传算法即具有全局搜索能力 ， 又具 有较快 的收敛 速度及较好 的性能。该实验 达到 了以实现网格任务调度的最优跨度 为 目标的实验 目的 。 关键 词 ： 网格 ； 资源调度 ； 改进 遗传算法
务 的完成时间最小 ， 并且尽可能提高资源的利用率
以及网络的整体性能。 示任务 占用的资源 ， 见表 １ 。
表 １ 实 数 编 码 方 式
ｔ Ｉ ｔ ２ ｔ ３ … ｔ ｎ
假设某一个大型的计算程序 已经被分解为若干 个任务， 所有任务 间相互独立。每个任务在每一个
第 １ 期 ８
构 性 、 态 性 和 自治 性 等 特 点 Ｊ如 何 对 网 格 中 的 动 ，
定义 ： Ｐ为一个调度策略， ｒ 表示在策略 Ｐ Ｑ （， ） 中， 资源 ｒ完成所有任务花费的总时间。Ｑ（ ） Ｐ 表 示完 成整 个调 度花 费 的总 时 间 ， 它是 完 成 所 有 任务 花费的总时间中的最 大值。即 Ｑ Ｐ ＝ ａ［ ） （ ） ｍｘＱ （ Ｖ （ ≤ ≤ｎ ］调度 目标是 ｒｎ Ｑ 尸 ］ 即找到一 １ ） ａ ［ （）， ｉ
务和资源间的映射关 系使用某种编码方式来表示。
编码方式影响到交叉算子、 变异算子等遗传算 子的 运算方式 ， 大程度上决定 了遗传 进化的效率 。 很 】
境 中， 需要调度的任务总数为 ｎ 可用 的资源总数 为 ，
ｉ。其 中 １ ｎ ７ ， 个任务为 Ｔ＝｛ ， ， ｔ｝ ｍ个 资源 ｔ ｔ …， 和
网格任务进行调度 ， 实验数据证 明了改进后 的遗传 算法即具有全局搜索能力 ， 又具有较快 的收敛速度 ， 具有较好的性能。
参考 文献 ：
［ ］ Ｆ ｔ ， ｅ ｅ ａ ，ｕｃｅＳ ｈ ｎ ｏ ｙｏ ｔ １ ｏ８ｒＩＫ ｓ ｌ ｎＣ Ｔ ｅ ．Ｔ ｅａ￣ ｍ ｆｈ ｅ ｓｍ ｋ ｅ ｄ ｅａｌ ｇ ｃｌ ｌ ｖ ｔ ｌ ｒ ｎ ａｏｓ Ｊ］ ｎ ｒ ： ｎｂｎ ａ ｂ ｉｕ ｇ ｉｔｎ ［ ．Ｉｅ ｉ ｓ ａ ｅ ｒａ ｏ ａ ｚ ｉ ｔ－