CN111679907B - 一种云计算任务调度方法 - Google Patents
一种云计算任务调度方法 Download PDFInfo
- Publication number
- CN111679907B CN111679907B CN202010405264.0A CN202010405264A CN111679907B CN 111679907 B CN111679907 B CN 111679907B CN 202010405264 A CN202010405264 A CN 202010405264A CN 111679907 B CN111679907 B CN 111679907B
- Authority
- CN
- China
- Prior art keywords
- cell population
- cells
- visibility
- group
- reflection
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5083—Techniques for rebalancing the load in a distributed system
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/48—Program initiating; Program switching, e.g. by interrupt
- G06F9/4806—Task transfer initiation or dispatching
- G06F9/4843—Task transfer initiation or dispatching by program, e.g. task dispatcher, supervisor, operating system
- G06F9/4881—Scheduling strategies for dispatcher, e.g. round robin, multi-level priority queues
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/10—Protocols in which an application is distributed across nodes in the network
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/50—Network services
- H04L67/60—Scheduling or organising the servicing of application requests, e.g. requests for application data transmissions using the analysis and optimisation of the required network resources
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Micro-Organisms Or Cultivation Processes Thereof (AREA)
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
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,....xD)为D维空间的一个点(可行解);xj属于[aj,bj],其中j属于(1,2,3....D);[aj,bj]是xj的取值上下界,即xj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Sbest,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。
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(4)组中的细胞,在搜索范围内随机寻找新解;即:
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,....xD)为D维空间的一个点(可行解);xj属于[aj,bj],其中j属于(1,2,3....D);[aj,bj]是xj的取值上下界,即xj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Sbest,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Snew,即Snew=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。
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(4)组中的细胞,在搜索范围内随机寻找新解;即:
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,....xD)为D维空间的一个点;xj属于[aj,bj],其中j属于(1,2,3....D);[aj,bj]是xj的取值上下界,即xj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Sbest,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;
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(4)组中的细胞,在搜索范围内随机寻找新解;即:
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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010405264.0A CN111679907B (zh) | 2020-05-14 | 2020-05-14 | 一种云计算任务调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010405264.0A CN111679907B (zh) | 2020-05-14 | 2020-05-14 | 一种云计算任务调度方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111679907A CN111679907A (zh) | 2020-09-18 |
CN111679907B true CN111679907B (zh) | 2023-04-18 |
Family
ID=72452437
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010405264.0A Active CN111679907B (zh) | 2020-05-14 | 2020-05-14 | 一种云计算任务调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111679907B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016165392A1 (zh) * | 2015-04-17 | 2016-10-20 | 华南理工大学 | 一种基于遗传算法的云计算资源调度方法 |
CN110688219A (zh) * | 2019-09-05 | 2020-01-14 | 浙江理工大学 | 基于反向混沌布谷鸟搜索的自适应权重负载均衡算法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9818136B1 (en) * | 2003-02-05 | 2017-11-14 | Steven M. Hoffberg | System and method for determining contingent relevance |
-
2020
- 2020-05-14 CN CN202010405264.0A patent/CN111679907B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016165392A1 (zh) * | 2015-04-17 | 2016-10-20 | 华南理工大学 | 一种基于遗传算法的云计算资源调度方法 |
CN110688219A (zh) * | 2019-09-05 | 2020-01-14 | 浙江理工大学 | 基于反向混沌布谷鸟搜索的自适应权重负载均衡算法 |
Non-Patent Citations (1)
Title |
---|
周静 ; 董守斌 ; 唐德玉 ; .基于入侵肿瘤生长优化的云计算调度算法.计算机学报.2017,(06),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN111679907A (zh) | 2020-09-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Peng et al. | An energy-and cost-aware computation offloading method for workflow applications in mobile edge computing | |
Wu et al. | An evolutionary fuzzy scheduler for multi-objective resource allocation in fog computing | |
CN108170530B (zh) | 一种基于混合元启发式算法的Hadoop负载均衡任务调度方法 | |
CN107168770B (zh) | 一种低能耗的云数据中心工作流调度与资源供给方法 | |
Wu et al. | A deadline-aware estimation of distribution algorithm for resource scheduling in fog computing systems | |
Zhou et al. | Concurrent workflow budget-and deadline-constrained scheduling in heterogeneous distributed environments | |
Chen et al. | Adaptive resource allocation and consolidation for scientific workflow scheduling in multi-cloud environments | |
Xu et al. | Fog-cloud task scheduling of energy consumption optimisation with deadline consideration | |
He et al. | Energy-efficient framework for virtual machine consolidation in cloud data centers | |
Zhao et al. | Reinforcement learning for resource mapping in 5G network slicing | |
CN113159539B (zh) | 多层边缘计算***中联合绿色能量调度和动态任务分配方法 | |
Wang et al. | A profit maximization strategy of MEC resource provider in the satellite-terrestrial double edge computing system | |
CN111679907B (zh) | 一种云计算任务调度方法 | |
Visheratin et al. | Hard-deadline constrained workflows scheduling using metaheuristic algorithms | |
Jiao et al. | Immune optimization of task scheduling on multidimensional QoS constraints | |
Tang et al. | Optimization search strategy for task offloading from collaborative edge computing | |
CN114980216A (zh) | 基于移动边缘计算的依赖型任务卸载***及方法 | |
Li | [Retracted] Low‐Power Task Scheduling Algorithm for the Multicore Processor System Based on the Genetic Algorithm | |
CN115086249A (zh) | 一种基于深度强化学习的云数据中心资源分配方法 | |
Zhou et al. | Dynamic pricing and placing for distributed machine learning jobs: An online learning approach | |
CN115185651A (zh) | 一种基于云计算的工作流优化调度算法 | |
Chen et al. | Energy efficient virtual network embedding for path splitting | |
Dai et al. | Cloud workflow scheduling algorithm based on multi-objective hybrid particle swarm optimisation | |
Lu et al. | Grid load balancing scheduling algorithm based on statistics thinking | |
Bi et al. | Cost-optimized Task Scheduling with Improved Deep Q-Learning in Green Data Centers |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |