CN104702676B - 一种铁路分布式数据中心资源调度方法 - Google Patents

Abstract

本发明涉及一种铁路分布式数据中心资源调度优化方法及***，该方法包括：S1、判断是否存在申请资源铁路局，并且所述申请资源铁路局的申请资源小于所述相邻铁路局的空闲资源之和；如果是，则执行下一步，进行铁路分布式数据中心资源调度，否则结束；S2、分析所述铁路分布式数据中心的资源分布情况，建立所有铁路局之间的通信网络拓扑结构，并根据所述通信网络拓扑结构，建立资源迁移总距离目标函数和约束条件；S3、根据所述目标函数和约束条件，利用粒子群算法，进行资源调度的优化。本申请的方法和***能够大幅度提高铁路数据中心资源利用效率，也能满足各个铁路局数据中心资源申请的需求，还能运用于各个铁路局之间机车、运力等资源的统一调配。

Description

一种铁路分布式数据中心资源调度方法

技术领域

本发明涉及分布式云资源调度优化技术领域，尤其是涉及一种铁路分布式数据中心资源调度方法。

背景技术

随着高速铁路的快速发展和铁路体制的改革，以及云计算、大数据、绿色节能等新技术和新理念不断涌现。铁路行业急需运用云计算和大数据等信息新技术，建立一个弹性计算能力强、基础设施共享度高、云资源智能动态调配、按需分配的基础性支撑平台——铁路云计算数据中心，以提高铁路基础设施的利用率，促进铁路业务***之间的互联互通，支撑铁路业务快速的发展，充分挖掘铁路数据潜在价值，最终达到提高铁路企业经济效益的目的。

铁路分布式云计算数据中心是铁路信息化建设中数据中心的主要应用模式之一。铁路数据中心包括铁路总公司和各铁路局的计算资源、存储资源、网络资源等，它需向各铁路局或各用户提供各种计算资源和存储资源。跨数据中心的资源分配和调度是分布式云计算数据中心的研究重点和难点之一。跨数据中心的资源分配本质上是一个离散的匹配问题，可利用典型优化算法将数据中心不同类型的资源分配给不同的用户，减小总传输距离、传输时间、维护成本和管理成本，达到提高客户体验度和满意度、以及提高企业效益的目的。

目前，云计算数据中心的资源调配主要分析和研究同个数据中心的资源调配问题。不少学者已提出多维协同聚合的虚拟机调度机制，以及多维资源协同聚合的虚拟机调度算法，以提高云平台的资源综合利用率；还提出通信关联感知的多层应用映射策略，提出多层可用性映射冲突的双阶段优化算法，实现数据中心网络资源的效用；再提出基于双向拍卖理论的竞价调度策略、基于马尔可夫理论的多维云资源高效调度方法和基于云任务的低能耗融合调度方案；最后，提出一种综合负载均衡度最小优先的方法，在考虑CPU、内存和网络带宽情况下，实现物理服务器和虚拟服务器的智能调度。

综上所述，现有数据中心的资源调度主要涉及单个数据中心之间的资源调度，较少涉及多个数据中心之间的资源调配，以及较少研究在铁路行业背景下资源分配技术。但随着铁路通信网络大规模建设，且网络带宽和传输速度不断提高，跨分布式数据中心的资源分配是十分关键且亟需解决的问题。

发明内容

本发明提供一种铁路分布式数据中心资源调度方法及***，能够大幅度提高铁路数据中心资源利用效率，也能满足各个铁路局数据中心资源申请的需求，还可应用于各个铁路局之间机车、运力等资源的统一调配。

根据本发明的一个方面，提供一种铁路分布式数据中心资源调度优化方法，其特征在于，所述方法包括：

S1、判断是否存在申请资源铁路局，并且所述申请资源铁路局的申请资源小于所述相邻铁路局的空闲资源之和；如果是，则执行下一步，进行铁路分布式数据中心资源调度，否则结束；

S2、分析所述铁路分布式数据中心的资源分布情况，建立所有铁路局之间的通信网络拓扑结构，并根据所述通信网络拓扑结构，建立资源迁移总距离目标函数和约束条件；

S3、根据所述目标函数和约束条件，利用粒子群算法，进行资源调度的优化。

其中，所述步骤S2具体包括：

S21、分析所述铁路分布式数据中心的资源分布情况，建立所有铁路局之间的通信网络拓扑结构E(i,j)；

S22、根据所述通信网络拓扑结构，建立所述资源迁移总距离目标函数：

其中，a_n为申请资源的铁路局个数，b_n为所有铁路局总数，Number(i,j)为第i个铁路局向第j个铁路局申请资源数，D(i,j)为第i个铁路局向第j个铁路局申请资源的代价；

S23、建立等式约束条件，即每个申请资源的铁路局的数据中心所申请资源一定可以从相邻的铁路局数据中心中获取：

其中，S_i为第i个申请资源铁路局的申请资源数。

S24、建立不等式约束条件，即向同一个铁路局数据中心申请资源的个数不能超过该铁路局数据中心的空闲资源数：

其中，S'_j为第j个提供资源的铁路局的空闲资源数。

其中，所述步骤S3具体包括：

S31、初始化参数，所述参数具体包括：所有粒子个数、资源调度问题的总维数、粒子群算法的惯性因子ω(t)、个人因子c₁和社会因子c₂、最大迭代次数、每个粒子的初始位置和初始速度、以及粒子速度和位置超过所述约束条件后的重新赋值方式、初始化每个所属粒子的个体最优pbest和群体最优位置gbest；

S32、更新每个所述粒子的速度和位置；

S33、判断所述每个粒子更新后的位置和速度是否满足所述约束条件，是则直接执行下一步；否则调整所述每个粒子位置使得满足所述约束条件，然后执行下一步；

S34、计算每个粒子更新位置后的目标函数值，并与当前个体最优位置pbest对应的目标函数值比较，如果更新位置后的目标函数值大，则更新当前个体最优位置pbest；

S35、将群体中的每个粒子的更新后的个体最优位置pbest对应的目标函数值与当前群体最优位置gbest对应的目标函数值比较，如果更新后的个体最优pbest对应的目标函数值小，则更新当前群体最优位置gbest；

S36、判断当前迭代次数是否超过预设最大迭代次数，是则终止迭代，将当前群体最优位置gbest的目标函数值作为最优目标函数值；否则执行S32。

其中，所述步骤S32具体包括：

根据以下公式更新每个所述粒子的速度和位置；

V_ij(t+1)＝ω(t)V_ij(t)+c₁r₁(pbest_ij(t)-x_ij(t))+c₂r₂(gbest_ij(t)-x_ij(t))，

X_ij(t+1)＝X_ij(t)+V_ij(t+1)；

其中，V_ij(t+1)为在t+1时刻的第i个粒子第j维速度，X_ij(t+1)为在t+1时刻的第i个粒子第j维位置，pbest_ij(t)为从最开始到t时刻为止第i个粒子第j维最优的位置，gbest_ij(t)为从最开始到t时刻为止所有粒子第j维最优的位置。

其中，所述步骤S33具体为：

判断所述每个粒子更新后的位置和速度是否满足所述约束条件，是则直接执行下一步；否则调整所述每个粒子位置使得满足所述约束条件，其具体调整过程如下：

X_ij(t+1)＝(0.8+0.2×r₃)×X_max(j) X_ij(t+1)>X_max(j)

X_ij(t+1)＝0 X_ij(t+1)<0

V_ij(t+1)＝(0.8+0.2×r₄)×V_max(j) V_ij(t+1)>V_max(j)

V_ij(t+1)＝(0.8+0.2×r₅)×(-V_max(j)) V_ij(t+1)<-V_max(j)

式中r₃，r₄和r₅为从0到1之间的随机数，X_max(j)＝V_max(j)为第j路局的最多空闲资源。

根据本发明的另一个方面，提供一种铁路分布式数据中心资源调度优化***，其特征在于，所述***包括：

申请资源判断模块，用于判断是否存在申请资源铁路局，并且所述申请资源铁路局的申请资源小于所述相邻铁路局的空闲资源之和；

目标函数和约束条件建立模块，用于分析所述铁路分布式数据中心的资源分布情况，建立所有铁路局之间的通信网络拓扑结构，并根据所述通信网络拓扑结构，建立资源迁移总距离目标函数和约束条件；

资源调度优化模块，用于根据所述目标函数和约束条件，利用粒子群算法，进行资源调度的优化。

其中，所述资源调度优化模块具体包括：

初始化赋值单元，用于对参数进行初始化；

速度和位置更新单元，用于更新每个所述粒子的速度和位置；

约束条件判断单元，判断所述每个粒子更新后的位置和速度是否满足所述约束条件，是则直接执行下一步；否则调整所述每个粒子位置使得满足所述约束条件，然后执行下一步；

个体最优位置pbest更新单元，用于计算每个粒子更新位置后的目标函数值，并与当前个体最优位置pbest对应的目标函数值比较，如果更新位置后的目标函数值大，则更新当前个体最优位置pbest；

群体最优位置gbest更新单元，用于将群体中的每个粒子的更新后的个体最优位置pbest对应的目标函数值与当前群体最优位置gbest对应的目标函数值比较，如果更新后的个体最优pbest对应的目标函数值小，则更新当前群体最优位置gbest；

迭代次数判断单元，用于判断当前迭代次数是否超过预设最大迭代次数。

输出单元，将当前群体最优位置gbest的目标函数值作为最优目标函数值输出。

本发明所述的一种铁路分布式数据中心资源调度优化方法及***，通过分析铁路现有通信网络现状，建立铁路现有通信网络的数学模型，以及建立铁路分布式数据中心的资源分配目标函数和约束条件，确定资源分配问题的优化参数，运用粒子群算法解决跨铁路云计算数据中心的资源分配问题，最终给出所申请资源的流向以及资源大小等，以减少资源在通信网络的传输成本和管理成本；同时，本申请的铁路数据中心的资源调度本质上是一个双层优化的问题，在确定优化的对象时，运用粒子群算法解决跨数据中心的资源分配问题，即运用粒子群算法优化了铁路局的数量，以及选择哪些铁路局；因此，本申请的调度优化方法既能大幅度提高数据中心资源利用效率，也能满足各铁路局数据中心资源申请的需求，还可应用于各铁路局之间机车、运力等资源的统一调配，另外，也可以为铁路行业自主研发铁路云计算综合管理平台提供理论支撑和技术支持。

附图说明

通过参考附图会更加清楚的理解本发明的特征和优点，附图是示意性的而不应理解为对本发明进行任何限制，在附图中：

图1示出了本发明铁路分布式数据中心资源调度优化方法的流程图。

图2示出了本发明的铁路通信网络拓扑结构图。

图3示出了本发明的铁路分布式数据中心资源调度优化方法的步骤S3的具体流程图。

图4示出了本发明的铁路分布式数据中心资源调度优化***的结构框图。

图5示出了本发明的铁路分布式数据中心资源调度优化***的资源调度优化模块的具体结构框图。

具体实施方式

下面将结合附图对本发明的实施例进行详细描述。

根据本发明的一个方面，提供一种铁路分布式数据中心资源调度优化方法。

图1示出了本发明铁路分布式数据中心资源调度优化方法的流程图。

参照图1，本发明的铁路分布式数据中心资源调度优化方法具体包括：

S1、判断是否存在申请资源铁路局，并且所述申请资源铁路局的申请资源小于所述相邻铁路局的空闲资源之和；如果是，则执行下一步，进行铁路分布式数据中心资源调度，否则结束；

在进行资源调度之前，首先确定是否满足调度的条件，如：

申请资源铁路局不再想另外的铁路局提供资源，申请资源铁路局只向与之直接相邻的铁路局申请资源，同时，任意一个申请资源铁路局的申请资源要小于相邻的铁路局的空闲资源之和，即：

式中c_n为第i个铁路局周围空闲铁路局个数，S_i表示第i个申请资源铁路局的申请资源数，S'_j为第j个提供资源的铁路局的空闲资源数。

S2、分析所述铁路分布式数据中心的资源分布情况，建立所有铁路局之间的通信网络拓扑结构，并根据所述通信网络拓扑结构，建立资源迁移总距离目标函数和约束条件；

在满足前提条件的情况下，对铁路数据中心的资源调度进行优化，首先建立目标函数和约束条件，其具体过程如下：

S21、分析所述铁路分布式数据中心的资源分布情况，建立所有铁路局之间的通信网络拓扑结构E(i,j)。

图2示出了本发明的铁路通信网络拓扑结构图。

如图2所示，本发明的实施例的铁路数据中心属于分布式，即每个铁路局拥有自己的数据中心，铁路通信网络是连接各铁路局数据中心的物理传输链路，也是实现铁路局资源转移和数据传输的通道，可通过邻接矩阵描述铁路通信网络。

设铁路局节点集合为N，铁路局之间连接关系集合为E(i,j)。则可运用连接矩阵描述铁路局与铁路局之间的相互关系，如果第i个铁路局与第j个铁路局之间存在邻居通信链路，则e_ij＝1；否则，e_ij＝0。

申请资源的铁路局不向任何铁路局提供资源，例如，第j个铁路局需要申请资源，则连接矩阵E(i,j)中第j列全为0。

S22、根据所述通信网络拓扑结构，建立所述资源迁移总距离目标函数。

铁路分布式数据中心资源分配的目的是减少计算资源、存储资源和网络资源在网络中传输距离、传输时间、维护成本和管理成本。这些因素主要与资源在网络中总传输距离相关，故本申请的实施例考虑优化函数为资源迁移总距离，即

上式中，a_n为申请资源的铁路局个数，b_n为所有铁路局总数，Number(i,j)为第i个铁路局向第j个铁路局申请资源数，D(i,j)为第i个铁路局向第j个铁路局申请资源的代价。

S23、建立等式约束条件，即每个申请资源的铁路局的数据中心所申请资源一定可以从相邻的铁路局数据中心中获取：

其中，S_i为第i个申请资源铁路局的申请资源数。

S24、建立不等式约束条件，即向同一个铁路局数据中心申请资源的个数不能超过该铁路局数据中心的空闲资源数：

其中，S_j为第j个提供资源的铁路局的空闲资源数。

S3、根据所述目标函数和约束条件，利用粒子群算法，进行资源调度的优化。

对分布式铁路分数据中心资源的统一分配问题，粒子群算法的主要任务为寻找分配矩阵中值，使目标函数值达到最小值，且满足相应的约束条件。因此，粒子群算法需优化的参数为需申请资源铁路局向邻居铁路局申请的资源数。

图3示出了本发明的铁路分布式数据中心资源调度优化方法的步骤S2的具体流程图。

参照图3，其优化过程具体步骤：

S31、初始化参数，所述参数具体包括：所有粒子个数、资源调度问题的总维数、粒子群算法的惯性因子ω(t)、个人因子c₁和社会因子c₂、最大迭代次数、每个粒子的初始位置和初始速度、以及粒子速度和位置超过所述约束条件后的重新赋值方式、初始化每个所属粒子的个体最优pbest和群体最优位置gbest；

另外，还对资源调度的参数进行初始化：铁路局总个数，所需申请资源的铁路局，提供资源的铁路局，铁路局现有资源数量，铁路局调整后资源数量，铁路局的经纬度，铁路现有通信网络结构。

S32、更新每个所述粒子的速度和位置；

具体地，根据以下公式更新每个所述粒子的速度和位置；

V_ij(t+1)＝ω(t)V_ij(t)+c₁r₁(pbest_ij(t)-x_ij(t))+c₂r₂(gbest_ij(t)-x_ij(t))，

X_ij(t+1)＝X_ij(t)+V_ij(t+1)；

其中，V_ij(t+1)为在t+1时刻的第i个粒子第j维速度，X_ij(t+1)为在t+1时刻的第i个粒子第j维位置，pbest_ij(t)为从最开始到t时刻为止第i个粒子第j维最优的位置，gbest_ij(t)为从最开始到t时刻为止所有粒子第j维最优的位置。

S33、判断所述每个粒子更新后的位置和速度是否满足所述约束条件，是则直接执行下一步；否则调整所述每个粒子位置使得满足所述约束条件，然后执行下一步；

在本实施例中，调整所述每个粒子位置使得满足所述约束条件，其具体调整过程如下：

X_ij(t+1)＝(0.8+0.2×r₃)×X_max(j) X_ij(t+1)>X_max(j)

X_ij(t+1)＝0 X_ij(t+1)<0

V_ij(t+1)＝(0.8+0.2×r₄)×V_max(j) V_ij(t+1)>V_max(j)

V_ij(t+1)＝(0.8+0.2×r₅)×(-V_max(j)) V_ij(t+1)<-V_max(j)

式中r₃，r₄和r₅为从0到1之间的随机数，X_max(j)＝V_max(j)为第j路局的最多空闲资源。

S34、计算每个粒子更新位置后的目标函数值，并与当前个体最优位置pbest对应的目标函数值比较，如果更新位置后的目标函数值大，则更新当前个体最优位置pbest；

S35、将群体中的每个粒子的更新后的个体最优位置pbest对应的目标函数值与当前群体最优位置gbest对应的目标函数值比较，如果更新后的个体最优pbest对应的目标函数值小，则更新当前群体最优位置gbest；

S36、判断当前迭代次数是否超过预设最大迭代次数，是则终止迭代，将当前群体最优位置gbest的目标函数值作为最优目标函数值；否则执行S32。

通过上述方法的过程，得到最优目标函数值，即时本发明的实施例的资源调度的最优方案。

根据本发明的另一个方面，提供一种铁路分布式数据中心资源调度优化***。

图4示出了本发明的铁路分布式数据中心资源调度优化***的结构框图。

参照图4，本发明实施例的铁路分布式数据中心资源调度优化***具体包括：

申请资源判断模块10，用于判断是否存在申请资源铁路局，并且所述申请资源铁路局的申请资源小于所述相邻铁路局的空闲资源之和；

目标函数和约束条件建立模块20，用于分析所述铁路分布式数据中心的资源分布情况，建立所有铁路局之间的通信网络拓扑结构，并根据所述通信网络拓扑结构，建立资源迁移总距离目标函数和约束条件；

资源调度优化模块30，用于根据所述目标函数和约束条件，利用粒子群算法，进行资源调度的优化。

图5示出了本发明的铁路分布式数据中心资源调度优化***的资源调度优化模块30的具体结构框图。

参照图5，本发明的实施例中，资源调度优化模块30具体包括：

初始化赋值单元301，用于对参数进行初始化，所述参数具体包括：所有粒子个数、资源调度问题的总维数、粒子群算法的惯性因子ω(t)、个人因子c₁和社会因子c₂、最大迭代次数、每个粒子的初始位置和初始速度、以及粒子速度和位置超过所述约束条件后的重新赋值方式、初始化每个所属粒子的个体最优pbest和群体最优位置gbest；

速度和位置更新单元302，用于更新每个所述粒子的速度和位置；

约束条件判断单元303，判断所述每个粒子更新后的位置和速度是否满足所述约束条件，是则直接执行下一步；否则调整所述每个粒子位置使得满足所述约束条件，然后执行下一步；

个体最优位置pbest更新单元304，用于计算每个粒子更新位置后的目标函数值，并与当前个体最优位置pbest对应的目标函数值比较，如果更新位置后的目标函数值大，则更新当前个体最优位置pbest；

群体最优位置gbest更新单元305，用于将群体中的每个粒子的更新后的个体最优位置pbest对应的目标函数值与当前群体最优位置gbest对应的目标函数值比较，如果更新后的个体最优pbest对应的目标函数值小，则更新当前群体最优位置gbest；

迭代次数判断单元306，用于判断当前迭代次数是否超过预设最大迭代次数。

输出单元307，将当前群体最优位置gbest的目标函数值作为最优目标函数值输出。

为了能够进一步理解本发明的铁路数据中心资源调度优化方法及***，以下通过具体实施例进行详细的描述。

以当前中国铁路总公司的所有铁路局为例。目前，中国铁路总公司包含18个路局，主要包括哈尔滨局、沈阳局、北京局、呼和浩特局、郑州局、济南局、上海局、南昌局、广铁集团、南宁局、成都局、昆明局、兰州局、乌鲁木齐局、青藏公司、太原局、武汉局、西安局。对于铁路局的数据中心，每个铁路局则建立一个数据中心，且数据中心建立在铁路局所在的城市，18个铁路局的所在经纬度如表1所示。

表1 各铁路局的经纬度

序号	铁路局名称	经度	纬度
				1	哈尔滨局	126.63	45.45
2	沈阳局	123.24	41.50
				3	北京局	116.28	39.54
4	呼和浩特局	111.48	40.49
				5	郑州局	113.42	34.48
6	济南局	117.00	36.38

7	上海局	121.29	31.14
				8	南昌局	115.52	28.41
9	广铁集团	113.15	23.08
				10	南宁局	108.30	22.94
11	成都局	104.05	30.39
				12	昆明局	102.41	25.00
13	兰州局	103.49	36.03
				14	乌鲁木齐局	87.36	43.48
15	青藏公司	101.46	36.37
				16	太原局	112.34	37.52
17	武汉局	114.21	30.37
				18	西安局	108.54	34.16

本实施例中，18个铁路局现有资源和期望达到资源数分别如表2所示。

表2 各铁路局现有资源和期望达到资源数

根据表2，通过初步分析，存在4个铁路局(北京、上海、广铁、西安)需要从周围铁路局调用空闲资源，且所需的资源数量为15，10，10和7。

表3 向各铁路局申请资源最终数量

通过本发明的实施例的优化方法，使用粒子群算法，建立资源调度的优化目标函数和约束条件，对分配和调度方案进行优化计算。

本实施例中的各个铁路局的通信网络拓扑结构图如图2所示，通过上述优化计算，得到一种最优的资源分配和调度方案，如表3所示。

本发明所述的一种铁路分布式数据中心资源调度优化方法及***，通过分析铁路现有通信网络现状，建立铁路现有通信网络的数学模型，以及建立铁路分布式数据中心的资源分配目标函数和约束条件，确定资源分配问题的优化参数，运用粒子群算法解决跨铁路云计算数据中心的资源分配问题，最终给出所申请资源的流向以及资源大小等，减少资源在通信网络的传输成本和管理成本；同时，本申请的铁路数据中心的资源调度本质上是一个双层优化的问题，在确定优化的对象时，运用粒子群算法解决跨数据中心的资源分配问题，即运用粒子群算法优化了铁路局的数量，以及选择哪些铁路局；因此，本申请的调度优化方法既能大幅度提高数据中心资源利用效率，也能满足各铁路局数据中心资源申请的需求，还可应用于各铁路局之间机车、运力等资源的统一调配，另外，也可以为铁路行业自主研发铁路云计算综合管理平台提供理论支撑和技术支持。

虽然结合附图描述了本发明的实施方式，但是本领域技术人员可以在不脱离本发明的精神和范围的情况下做出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。

Claims (6)

1.一种铁路分布式数据中心资源调度优化方法，其特征在于，所述方法包括：

S1、判断是否存在申请资源铁路局，并且所述申请资源铁路局的申请资源小于相邻铁路局的空闲资源之和；如果是，则执行下一步，进行铁路分布式数据中心资源调度，否则结束；

S2、分析所述铁路分布式数据中心的资源分布情况，建立所有铁路局之间的通信网络拓扑结构，并根据所述通信网络拓扑结构，建立资源迁移总距离目标函数和约束条件；

S3、根据所述目标函数和约束条件，利用粒子群算法，进行资源调度的优化；

其中，所述步骤S2具体包括：

S21、分析所述铁路分布式数据中心的资源分布情况，建立所有铁路局之间的通信网络拓扑结构E(i,j)；

S22、根据所述通信网络拓扑结构，建立所述资源迁移总距离目标函数：

其中，a_n为申请资源的铁路局个数，b_n为所有铁路局总数，Number(i,j)为第i个铁路局向第j个铁路局申请资源数，D(i,j)为第i个铁路局向第j个铁路局申请资源的代价；

S23、建立等式约束条件，即每个申请资源的铁路局的数据中心所申请资源一定可以从相邻的铁路局数据中心中获取：

其中，S_i为第i个申请资源铁路局的申请资源数；

S24、建立不等式约束条件，即向同一个铁路局数据中心申请资源的个数不能超过该铁路局数据中心的空闲资源数：

其中，S'_j为第j个提供资源的铁路局的空闲资源数。

2.根据权利要求1所述的资源调度优化方法，其特征在于，所述步骤S3具体包括：

S31、初始化参数，所述参数具体包括：所有粒子个数、资源调度问题的总维数、粒子群算法的惯性因子ω(t)、个人因子c₁和社会因子c₂、最大迭代次数、每个粒子的初始位置和初始速度、以及粒子速度和位置超过所述约束条件后的重新赋值方式、初始化每个所属粒子的个体最优pbest和群体最优位置gbest；

S32、更新每个所述粒子的速度和位置；

S33、判断所述每个粒子更新后的位置和速度是否满足所述约束条件，是则直接执行下一步；否则调整所述每个粒子位置使得满足所述约束条件，然后执行下一步；

S34、计算每个粒子更新位置后的目标函数值，并与当前个体最优位置pbest对应的目标函数值比较，如果更新位置后的目标函数值大，则更新当前个体最优位置pbest；

S35、将群体中的每个粒子的更新后的个体最优位置pbest对应的目标函数值与当前群体最优位置gbest对应的目标函数值比较，如果更新后的个体最优pbest对应的目标函数值小，则更新当前群体最优位置gbest；

S36、判断当前迭代次数是否超过预设最大迭代次数，是则终止迭代，将当前群体最优位置gbest的目标函数值作为最优目标函数值；否则执行S32。

3.根据权利要求2所述的资源调度优化方法，其特征在于，所述步骤S32具体包括：

根据以下公式更新每个所述粒子的速度和位置；

V_ij(t+1)＝ω(t)V_ij(t)+c₁r₁(pbest_ij(t)-x_ij(t))+c₂r₂(gbest_ij(t)-x_ij(t))，

X_ij(t+1)＝X_ij(t)+V_ij(t+1)；

其中，V_ij(t+1)为在t+1时刻的第i个粒子第j维速度，X_ij(t+1)为在t+1时刻的第i个粒子第j维位置，pbest_ij(t)为从最开始到t时刻为止第i个粒子第j维最优的位置，gbest_ij(t)为从最开始到t时刻为止所有粒子第j维最优的位置。

4.根据权利要求2所述的资源调度优化方法，其特征在于，所述步骤S33具体为：

判断所述每个粒子更新后的位置和速度是否满足所述约束条件，是则直接执行下一步；否则调整所述每个粒子位置使得满足所述约束条件，其具体调整过程如下：

X_ij(t+1)＝(0.8+0.2×r₃)×X_max(j) X_ij(t+1)＞X_max(j)

X_ij(t+1)＝0 X_ij(t+1)＜0

V_ij(t+1)＝(0.8+0.2×r₄)×V_max(j) V_ij(t+1)＞V_max(j)

V_ij(t+1)＝(0.8+0.2×r₅)×(-V_max(j)) V_ij(t+1)＜-V_max(j)

式中r₃，r₄和r₅为从0到1之间的随机数，X_max(j)＝V_max(j)为第j路局的最多空闲资源。

5.一种铁路分布式数据中心资源调度优化***，其特征在于，所述***包括：

申请资源判断模块，用于判断是否存在申请资源铁路局，并且所述申请资源铁路局的申请资源小于相邻铁路局的空闲资源之和；

目标函数和约束建立条件模块，用于分析所述铁路分布式数据中心的资源分布情况，建立所有铁路局之间的通信网络拓扑结构，并根据所述通信网络拓扑结构，建立资源迁移总距离目标函数和约束条件；其中，所述目标函数和约束建立条件模块具体包括：

分析所述铁路分布式数据中心的资源分布情况，建立所有铁路局之间的通信网络拓扑结构E(i,j)；

根据所述通信网络拓扑结构，建立所述资源迁移总距离目标函数：

其中，a_n为申请资源的铁路局个数，b_n为所有铁路局总数，Number(i,j)为第i个铁路局向第j个铁路局申请资源数，D(i,j)为第i个铁路局向第j个铁路局申请资源的代价；

建立等式约束条件，即每个申请资源的铁路局的数据中心所申请资源一定可以从相邻的铁路局数据中心中获取：

其中，S_i为第i个申请资源铁路局的申请资源数；

建立不等式约束条件，即向同一个铁路局数据中心申请资源的个数不能超过该铁路局数据中心的空闲资源数：

其中，S'_j为第j个提供资源的铁路局的空闲资源数；

资源调度优化模块，用于根据所述目标函数和约束条件，利用粒子群算法，进行资源调度的优化。

6.根据权利要求5所述的资源调度优化***，其特征在于，所述资源调度优化模块具体包括：

初始化赋值单元，用于对参数进行初始化；

速度和位置更新单元，用于更新每个所述粒子的速度和位置；

约束条件判断单元，判断所述每个粒子更新后的位置和速度是否满足所述约束条件，是则直接执行下一步；否则调整所述每个粒子位置使得满足所述约束条件，然后执行下一步；

个体最优位置pbest更新单元，用于计算每个粒子更新位置后的目标函数值，并与当前个体最优位置pbest对应的目标函数值比较，如果更新位置后的目标函数值大，则更新当前个体最优位置pbest；

群体最优位置gbest更新单元，用于将群体中的每个粒子的更新后的个体最优位置pbest对应的目标函数值与当前群体最优位置gbest对应的目标函数值比较，如果更新后的个体最优pbest对应的目标函数值小，则更新当前群体最优位置gbest；

迭代次数判断单元，用于判断当前迭代次数是否超过预设最大迭代次数；

输出单元，将当前群体最优位置gbest的目标函数值作为最优目标函数值输出。