CN111679907B - 一种云计算任务调度方法 - Google Patents

Abstract

本发明公开了一种云计算任务调度方法，采用反向学***衡负载，减少等待时间。

Description

一种云计算任务调度方法

技术领域

本发明涉及到云计算低能耗任务调度，具体涉及一种云计算任务调度方法。

背景技术

随着互联网的蓬勃发展，大数据时代的到来，传统的网络技术模式已经不能满足用户对海量数据进行快速处理、存储、访问等迫切需求，云计算技术应运而生。云计算实际上是网格计算、并行计算、分布式计算、效用计算的发展，或者说是这些计算科学概念的商业实现。它将大量计算资源、存储资源和服务资源等通过网络连接起来，形成一个超级资源池，然后根据用户的需求，对资源进行统一的调度和管理。云计算作为一种新型的商业服务计算模式，由云服务供应商提供IT服务资源，云用户不需要考虑硬件基础设施的搭建、管理和维护，只需按需付费。云计算时代的到来给人们带来了更多的机遇，同时也带来了更大的挑战。

云计算中的关键技术之一就是任务调度，将M个任务调度到N个虚拟资源节点上。调度的合理性不仅直接影响着用户对云服务的体验质量，同时也关系着云平台提供者的商业收益，并决定着整个云***的运行性能，是云计算能够健康发展的一个重要因素。而目前越来越多的云计算任务调度开始使用启发式方法。乌贼优化算法是一种新型的启发式优化算法，它最早是由Adel Sabry Eesa于2013年提出。它受到乌贼细胞的变色机制的启发来寻找优化问题中的最优解。而目现有方法初始化种群时使用的是随机初始化，无法保证种群初始化均匀的分布在区间范围内，造成寻优速度慢和最终寻优结果不理想，导致求解精度不高。

发明内容

本发明的目的在于提供一种云计算任务调度方法，以克服现有技术无法保证种群初始化均匀的分布在区间范围内，造成寻优速度慢和最终寻优结果不理想的问题，本发明使得种群能有效地均匀分布在区间范围内。

为达到上述目的，本发明采用如下技术方案：

一种云计算任务调度方法，包括以下步骤：

步骤1)、将待处理的任务分为M个相互独立且不可再分的子任务；

步骤2)、采用反向学习方法获取合并细胞种群，然后利用乌贼算法对获取的合并细胞种群进行迭代计算，直至满足最大迭代次数或代价函数满足条件时即可得到最优调度方案；

步骤3)、将M个子任务按照步骤2)获取的最优调度方案进行调度。

进一步的，步骤2)采用反向学习方法获取初始化细胞种群具体包括以下步骤：

步骤2.1)、随机生成大小为NP的初始化细胞种群x；

步骤2.2)、根据随机生成的初始化细胞种群x，采用反向学习方法生成反向细胞种群，将初始化细胞种群x和反向细胞种群合并形成大小为2NP的合并细胞种群。

进一步的，利用反向学习策略增加细胞种群的多样性，令x＝(x₁,x₂,x₃,....x_D)为D维空间的一个点(可行解)；x_j属于[a_j,b_j]，其中j属于(1,2,3....D)；[a_j,b_j]是x_j的取值上下界，即x_j的搜索范围；采用反向学习方法生成反向细胞种群

为：

把初始化细胞种群x的解空间与反向细胞种群的解空间合二为一，形成合并细胞种群。

进一步的，利用代价函数计算合并细胞种群中所有细胞的代价，取最小代价的细胞为全局最优解S^best，将合并细胞种群中所有细胞的代价由小到大排序，取前NP个细胞组成搜索细胞种群；

将搜索细胞种群随机分为G⁽¹⁾、G⁽²⁾、G⁽³⁾、G⁽⁴⁾4组协同搜索，每组对应不同的反射和可见性过程迭代求解，直至达到最大迭代次数gmax或代价函数满足条件，即可得到最优解。

进一步的，对于G⁽¹⁾组中的细胞，其反射余可见的两个过程如下：reflection_j＝R*G_i,j ⁽¹⁾，

R＝random()*(r₁-r₂)+r₂，V＝random()*(v₁-v₂)+v₂；

式中：j＝{1,2,3.....D}表示D维问题；R为反射程度；V为可见性程度；

为G⁽¹⁾组中第i个细胞第j维上的解；random()生成(0,1)上的随机数；r₁、r₂分别为限制细胞伸展间隔的常数；v₁、v₂分别为限制可见性程度的常数；在G⁽¹⁾中V设为1。

进一步的，对于G⁽²⁾组中的细胞，其反射与可见性两个过程表示如下：

V＝random()*(v₁-v₂)+v₂；

式中

为G⁽²⁾组中的第i个细胞的第j维上的解，在G⁽²⁾中R设为1，v₁、v₂分别为限制可见性程度的常数。

进一步的，对于G⁽³⁾组中的细胞，其反射与可见性两个过程表示如下：reflection_j＝R*G_i,j ⁽³⁾，

V＝random()*(v₁-v₂)+v₂；

式中

为

的平均值，在G⁽³⁾中R设为1，v₁、v₂分别为限制可见性程度的常数。

进一步的，对于G⁽⁴⁾组中的细胞，在搜索范围内随机寻找新解；即：

式中，

为G⁽⁴⁾组中细胞随机搜索到的第j维上的新解；

分别为第j维上搜索范围的上下界。

进一步的，将步骤2)输出的最优调度方案用作云计算任务调度策略，执行任务调度将M个任务调度到N个虚拟资源节点上。

与现有技术相比，本发明具有以下有益的技术效果：

本发明一种云计算任务调度方法，采用反向学***衡负载，减少等待时间。

进一步的，采用乌贼算法将种群数分为四组，每组独立工作来分享各自的最优解，搜索速度快，收敛时间短。

附图说明

图1为本发明实施例中流程图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步地详细说明。应当理解，此处所描述的具体实施例仅仅用于解释本发明的基本构想，并不用于限定本发明。本领域技术人员可由本说明书所表述的内容了解本发明的其它优点与功效。本发明还可以有其它不同的具体实施方式加以实施或应用，本说明书的各项细节也可以有基于不同观点与应用，在没有违背本发明精神下可以进行各种修饰或改变。

如图1所示，一种云计算任务调度方法，包括以下步骤：

步骤1)、将待处理的任务分为M个相互独立且不可再分的子任务；

步骤2)、采用反向学习方法获取合并细胞种群，然后利用乌贼算法对获取的合并细胞种群进行迭代计算，直至满足最大迭代次数得到最优调度方案；

步骤2)采用反向学习方法获取初始化细胞种群具体包括以下步骤：

步骤2.1)、随机生成大小为NP的初始化细胞种群x，限制细胞伸展间隔的常数为r₁,r₂；设可见性程度的常数为v₁,v₂；最大迭代次数gmax；

步骤2.2)、根据随机生成的初始化细胞种群x，采用反向学习方法生成反向细胞种群，将初始化细胞种群x和反向细胞种群合并形成大小为2NP的合并细胞种群；增加细胞种群的多样性；

具体的，利用反向学习策略增加细胞种群的多样性，令x＝(x₁,x₂,x₃,....x_D)为D维空间的一个点(可行解)；x_j属于[a_j,b_j]，其中j属于(1,2,3....D)；[a_j,b_j]是x_j的取值上下界，即x_j的搜索范围；采用反向学习方法生成反向细胞种群

为：

把初始化细胞种群x的解空间与反向细胞种群的解空间合二为一，形成合并细胞种群，细胞在合并细胞种群的解空间进行摸索，增大细胞寻找最优解的概率；

利用代价函数计算合并细胞种群中所有细胞的代价，取最小代价的细胞为全局最优解S^best，将合并细胞种群中所有细胞的代价由小到大排序，取前NP个细胞组成搜索细胞种群；

将搜索细胞种群随机分为G⁽¹⁾、G⁽²⁾、G⁽³⁾、G⁽⁴⁾4组协同搜索，每组对应不同的反射和可见性过程迭代求解，直至达到最大迭代次数gmax或代价函数满足条件，即可得到最优解；

乌贼算法是将乌贼的变色行为归纳为细胞的反射(reflection)和可见性(visibility)两个过程，反射代表细胞反射入射光线的机制，可见性代表乌贼与周围环境匹配的可见度；乌贼算法利用反射和可见性两个过程作为一种搜索策略来寻找新的解S^new，即S^new＝reflection+visibility。同时，对应乌贼变色的6种反射光线情况，将细胞种群分为G⁽¹⁾、G⁽²⁾、G⁽³⁾、G⁽⁴⁾4组协同搜索，每组对应不同的反射和可见性过程。

对于G⁽¹⁾组中的细胞，其反射余可见的两个过程如下：reflection_j＝R*G_i,j ⁽¹⁾，

R＝random()*(r₁-r₂)+r₂，V＝random()*(v₁-v₂)+v₂；

式中：j＝{1,2,3.....D}表示D维问题；R为反射程度；V为可见性程度；

为G⁽¹⁾组中第i个细胞第j维上的解；random()生成(0,1)上的随机数；r₁、r₂分别为限制细胞伸展间隔的常数；v₁、v₂分别为限制可见性程度的常数；在G⁽¹⁾中V设为1。

对于G⁽²⁾组中的细胞，其反射与可见性两个过程表示如下：

V＝random()*(v₁-v₂)+v₂；

式中

为G⁽²⁾组中的第i个细胞的第j维上的解，在G⁽²⁾中R设为1，v₁、v₂分别为限制可见性程度的常数。

对于G⁽³⁾组中的细胞，其反射与可见性两个过程表示如下：reflection_j＝R*G_i,j ⁽³⁾，

V＝random()*(v₁-v₂)+v₂；

式中

为

的平均值，在G⁽³⁾中R设为1，v₁、v₂分别为限制可见性程度的常数；

对于G⁽⁴⁾组中的细胞，在搜索范围内随机寻找新解；即：

式中，

为G⁽⁴⁾组中细胞随机搜索到的第j维上的新解；

分别为第j维上搜索范围的上下界。

不断重复对G⁽¹⁾、G⁽²⁾、G⁽³⁾、G⁽⁴⁾进行迭代求解，获取各组计算的细胞代价最小的细胞，若获取的细胞的细胞代价小于当前细胞代价，则将该细胞所在组对应的调度方案替换当前调度方案，直至达到最大迭代次数gmax时退出,输出最优调度方案。

步骤3)、将M个子任务按照步骤2)获取的最优调度方案进行调度：将步骤2)输出的最优调度方案用作云计算任务调度策略，执行任务调度将M个任务调度到N个虚拟资源节点上。

Claims (2)

1.一种云计算任务调度方法，其特征在于，包括以下步骤：

步骤1)、将待处理的任务分为M个相互独立且不可再分的子任务；

步骤2)、采用反向学习方法获取合并细胞种群，然后利用乌贼算法对获取的合并细胞种群进行迭代计算，直至满足最大迭代次数或代价函数满足条件时即可得到最优调度方案；

采用反向学习方法获取初始化细胞种群具体包括以下步骤：

步骤2.1)、随机生成大小为NP的初始化细胞种群x；

步骤2.2)、根据随机生成的初始化细胞种群x，采用反向学习方法生成反向细胞种群，将初始化细胞种群x和反向细胞种群合并形成大小为2NP的合并细胞种群；

利用反向学习策略增加细胞种群的多样性，令x＝(x₁,x₂,x₃,....x_D)为D维空间的一个点；x_j属于[a_j,b_j]，其中j属于(1,2,3....D)；[a_j,b_j]是x_j的取值上下界，即x_j的搜索范围；采用反向学习方法生成反向细胞种群

为：

把初始化细胞种群x的解空间与反向细胞种群的解空间合二为一，形成合并细胞种群；

利用代价函数计算合并细胞种群中所有细胞的代价，取最小代价的细胞为全局最优解S^best，将合并细胞种群中所有细胞的代价由小到大排序，取前NP个细胞组成搜索细胞种群；

将搜索细胞种群随机分为G⁽¹⁾、G⁽²⁾、G⁽³⁾、G⁽⁴⁾4组协同搜索，每组对应不同的反射和可见性过程迭代求解，直至达到最大迭代次数gmax或代价函数满足条件，即可得到最优解；

对于G⁽¹⁾组中的细胞，其反射余可见的两个过程如下：reflection_j＝R*G_i,j ⁽¹⁾，

R＝random()*(r₁-r₂)+r₂，V＝random()*(v₁-v₂)+v₂；

式中：j＝{1,2,3.....D}表示D维问题；R为反射程度；V为可见性程度；

为G⁽¹⁾组中第i个细胞第j维上的解；random()生成(0,1)上的随机数；r₁、r₂分别为限制细胞伸展间隔的常数；v₁、v₂分别为限制可见性程度的常数；在G⁽¹⁾中V设为1；

对于G⁽²⁾组中的细胞，其反射与可见性两个过程表示如下：

V＝random()*(v₁-v₂)+v₂；

式中

为G⁽²⁾组中的第i个细胞的第j维上的解，在G⁽²⁾中R设为1，v₁、v₂分别为限制可见性程度的常数；

对于G⁽³⁾组中的细胞，其反射与可见性两个过程表示如下：reflection_j＝R*G_i,j ⁽³⁾，

V＝random()*(v₁-v₂)+v₂；

式中

为

的平均值，在G⁽³⁾中R设为1，v₁、v₂分别为限制可见性程度的常数；

对于G⁽⁴⁾组中的细胞，在搜索范围内随机寻找新解；即：

式中，

为G⁽⁴⁾组中细胞随机搜索到的第j维上的新解；

分别为第j维上搜索范围的上下界；

步骤3)、将M个子任务按照步骤2)获取的最优调度方案进行调度。

2.根据权利要求1所述的一种云计算任务调度方法，其特征在于，将步骤2)输出的最优调度方案用作云计算任务调度策略，执行任务调度将M个任务调度到N个虚拟资源节点上。

Images