CN113435097A - 一种应用于多目标工作流调度的方法 - Google Patents
一种应用于多目标工作流调度的方法 Download PDFInfo
- Publication number
- CN113435097A CN113435097A CN202110724886.4A CN202110724886A CN113435097A CN 113435097 A CN113435097 A CN 113435097A CN 202110724886 A CN202110724886 A CN 202110724886A CN 113435097 A CN113435097 A CN 113435097A
- Authority
- CN
- China
- Prior art keywords
- population
- objective
- constraint
- optimization problem
- target
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000005457 optimization Methods 0.000 claims abstract description 62
- 239000002245 particle Substances 0.000 claims abstract description 51
- 230000008569 process Effects 0.000 claims abstract description 7
- 230000006870 function Effects 0.000 claims description 17
- 125000004122 cyclic group Chemical group 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000004904 shortening Methods 0.000 claims description 4
- DSCFFEYYQKSRSV-KLJZZCKASA-N D-pinitol Chemical compound CO[C@@H]1[C@@H](O)[C@@H](O)[C@H](O)[C@H](O)[C@H]1O DSCFFEYYQKSRSV-KLJZZCKASA-N 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 3
- 230000003247 decreasing effect Effects 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000010152 pollination Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06F9/48—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]
-
- 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)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种应用于多目标工作流调度的方法,其保留了工作流调度约束优化问题的最佳粒子集合,并且在进化过程中能够提供更多的搜索方向、提供更多的子代进化的可能性,利用动态权重来调整搜索进程中的侧重方向,并且在在快速优化的情况下,利用反向学习的正弦余弦算法来进行粒子更新,采用以上技术方案,将多目标工作流调度问题分解和反向种群的正弦余弦优化来提升工作流调度问题的准确性,本发明能够在测试函数维度较高,较为复杂的情况下,快速准确找到最小值,避免陷入局部优化的困境。
Description
技术领域
本发明涉及多目标云工作流调度领域,具体涉及了一种应用于多目标工作流调度的方法。
背景技术
近年来,由于科技的发展,需要的计算量逐渐增大,云计算快速发展,云计算是一种分布式***计算的方法,能够根据需求提供算力。在云计算环境下,很多学者使用工作流来构建应用并利用云计算平台来执行应用。如何优化云计算环境下的工作流调度是当前热点。云计算环境下的工作流调度面临着优化目标,如缩短工作流执行时间、减少执行成本等。所以云工作流调度优化问题可以看作为约束优化问题。
解决约束优化问题的传统优化方法包括解析法等,但是传统的优化方法无法解决高维的非线性、不可微分的复杂约束优化问题,并且工作流调度问题通常为复杂约束优化问题,是一种多项式复杂程度的非确定性问题,会产生很大的算法时间复杂度。由于进化算法适合求解多项式复杂程度的非确定性问题,所以多目标进化算法能够通过进化算法来解决多目标优化问题。提出诸如正弦余弦算法,是一种基于正弦余弦函数数学特征的元启发式算法;带约束优化的水循环算法,它是基于对水循环过程的观察来解决问题。对于多目标工作流调度的约束优化问题,众多学者采用单一进化算法的改进,例如改进运用花朵差分授粉算法来解决工作流调度问题,但利用进化算法直接求解多目标约束问题会造成各个目标无法均衡优化,无法合理评估多目标工作流调度问题的解是否达到最优解。
发明内容
针对现有技术的不足,本发明提供一种提升调度效率和优化准确性的应用于多目标工作流调度的方法。
本发明的一种应用于多目标工作流调度的方法,其包括步骤如下:
S1:将工作流调度优化问题抽象为约束优化问题,约束优化问题目标分别为缩短工作流执行时间、减少工作流执行成本;
S2:运用多目标优化方法将约束优化问题目标进行转化,获得多目标约束优化问题的种群;
S3:初始化种群,并通过种群反向学习得到反向种群,将初始化的种群和反向种群合并,得到粒子更新的种群;
S4:通过辅助和等价目标框架来分解多目标约束优化问题的粒子更新的种群,通过动态权重调整辅助和等价目标框架中各个子问题的收敛情况,能够搜寻到更多的进化方向;
S5:评估分解后的种群中所有粒子的适应度值,保存适应度最好的粒子,并判断是否达到最大迭代次数,是则,输出最优粒子;
S6:分解后的种群中的最优粒子通过正弦余弦优化的方式得到工作流调度的解。
进一步,所述步骤S2包括:
S2-1:运用多目标优化方法将约束优化问题目标的缩短工作流执行时间转化如下:
其中,EFT表示任务t的完成时间,EFTi为ti任务的完成时间,ti为当前任务,vmti为执行当前任务的虚拟机;
S2-2:运用多目标优化方法将约束优化问题目标的减少工作流执行成本转化如下:
其中,tk和tj分别为第k个vm虚拟机上执行的第一个任务和最后一个任务,vme为虚拟机执行任务所需要的单价;
S2-4:多目标约束优化问题的种群传输条件为:
Ti,trans<Tmax
Ti,trans为任务ti传输入到虚拟机的时间,不能超过最大的容忍时间;
进一步,所述步骤S3包括:
S3-2:设置种群中粒子为x=(x1,x2,……xd)且xi∈[a,b],a和b为粒子取值的上下限,设置x的对立解为xop=(xop 1,xop 2,……xop d),xop的数学表达式如下:
其中j∈(0,d);
S3-3:合并初始种群和反向种群,得到粒子更新的种群:
P=OP∪Pinit
其中OP为反向种群,Pinit为初始化的种群,P为粒子更新的种群。
进一步,所述步骤S4包括:
其中,ΩF其代表可行解集合;
S4-3:更新的种群P的个体适应度值:
其中,λ为子问题的数量,γ∈(0,1)是关于约束条件的常量偏差值,t是循环代数,Tmax是最大循环代数的值。
进一步,所述步骤S6包括:
分解后的目标中的最优粒子xi+1通过正弦余弦优化:
式子中的A是决定粒子搜索空间波动大小的参数,t为当前迭代次数,T为最大迭代次数,ρ为常数,xbest为搜索平衡算法的搜索和开发性能,当C>1时,算法强调的是探索,当C<1时,算法强调的是开发过程,b能够决定粒子在搜索空间的位置是远离xbest还是靠近xbest,参数C为[0,2]之间的随机数。
与现有技术相比,本发明通过多目标工作流调度问题分解和反向种群的正弦余弦优化减少例如死亡罚函数和可行性规则的优越性等强加于可行解的偏好的影响,达到均衡考虑各个目标,避免侧重一个目标而忽视另一个目标,从而能够降低工作流调度问题的复杂度,并且合理均衡优化多目标工作流的各个目标,同时在进化过程中提高算法粒子进化的准确性,提升优化工作流调度的效率和准确性。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,在附图中:
图1为本发明实施例中的流程示意图;
具体实施方式
请参见图1,实施案例一种应用于多目标工作流调度的方法,其包括步骤如下:
S1:将工作流调度优化问题抽象为约束优化问题,约束优化问题目标分别为缩短工作流执行时间、减少工作流执行成本;
S2:运用多目标优化方法将约束优化问题目标进行转化,获得多目标约束优化问题的种群;
S3:初始化种群,并通过种群反向学习得到反向种群,将初始化的种群和反向种群合并,得到粒子更新的种群;
S4:通过辅助和等价目标框架来分解多目标约束优化问题的粒子更新的种群,通过动态权重调整辅助和等价目标框架中各个子问题的收敛情况,能够搜寻到更多的进化方向;
S5:评估分解后的种群中所有粒子的适应度值,保存适应度最好的粒子,并判断是否达到最大迭代次数,是则,输出最优粒子;
S6:分解后的种群中的最优粒子通过正弦余弦优化的方式得到工作流调度的解。
实施方案的中所述步骤S2的进一步实施步骤包括:
S2-1:运用多目标优化方法将约束优化问题目标的缩短工作流执行时间转化如下:
其中,EFT表示任务t的完成时间,EFTi为ti任务的完成时间,ti为当前任务,vmti为执行当前任务的虚拟机;
S2-2:运用多目标优化方法将约束优化问题目标的减少工作流执行成本转化如下:
其中,tk和tj分别为第k个vm虚拟机上执行的第一个任务和最后一个任务,vme为虚拟机执行任务所需要的单价;
S2-4:多目标约束优化问题的种群传输条件为:
Ti,trans<Tmax
Ti,trans为任务ti传输入到虚拟机的时间,不能超过最大的容忍时间;
实施方案的中所述步骤S3的进一步实施步骤包括:
S3-2:设置种群中粒子为x=(x1,x2,……xd)且xi∈[a,b],a和b为粒子取值的上下限,设置x的对立解为xop=(xop 1,xop 2,……xop d),xop的数学表达式如下:
其中j∈(0,d);
S3-3:合并初始种群和反向种群,得到粒子更新的种群:
P=OP∪Pinit
其中OP为反向种群,Pinit为初始化的种群,P为粒子更新的种群。
实施方案的中所述步骤S4的进一步实施步骤包括:
其中,ΩF其代表可行解集合;
S4-3:更新的种群P的个体适应度值:
其中,λ为子问题的数量,γ∈(0,1)是关于约束条件的常量偏差值,t是循环代数,Tmax是最大循环代数的值。
实施方案的中所述步骤S6的进一步实施步骤包括:
分解后的目标中的最优粒子xi+1通过正弦余弦优化:
式子中的A是决定粒子搜索空间波动大小的参数,t为当前迭代次数,T为最大迭代次数,ρ为常数,xbest为搜索平衡算法的搜索和开发性能,当C>1时,算法强调的是探索,当C<1时,算法强调的是开发过程,b能够决定粒子在搜索空间的位置是远离xbest还是靠近xbest,参数C为[0,2]之间的随机数。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (5)
1.一种应用于多目标工作流调度的方法,其特征在于:
包括如下步骤:
S1:将工作流调度优化问题抽象为约束优化问题,约束优化问题目标分别为缩短工作流执行时间、减少工作流执行成本;
S2:运用多目标优化方法将约束优化问题目标进行转化,获得多目标约束优化问题的种群;
S3:初始化种群,并通过种群反向学习得到反向种群,将初始化的种群和反向种群合并,得到粒子更新的种群;
S4:通过辅助和等价目标框架来分解多目标约束优化问题的粒子更新的种群,通过动态权重调整辅助和等价目标框架中各个子问题的收敛情况,能够搜寻到更多的进化方向;
S5:评估分解后的种群中所有粒子的适应度值,保存适应度最好的粒子,并判断是否达到最大迭代次数,是则,输出最优粒子;
S6:分解后的种群中的最优粒子通过正弦余弦优化的方式得到工作流调度的解。
2.根据权利要求1所述一种应用于多目标工作流调度的方法,其特征在于:
所述步骤S2包括:
S2-1:运用多目标优化方法将约束优化问题目标的缩短工作流执行时间转化如下:
其中,EFT表示任务t的完成时间,EFTi为ti任务的完成时间,ti为当前任务,vmti为执行当前任务的虚拟机;
S2-2:运用多目标优化方法将约束优化问题目标的减少工作流执行成本转化如下:
其中,tk和tj分别为第k个vm虚拟机上执行的第一个任务和最后一个任务,vme为虚拟机执行任务所需要的单价;
S2-4:多目标约束优化问题的种群传输条件为:
Ti,trans<Tmax
其中,Ti,trans为任务ti传输入到虚拟机的时间,不能超过最大的容忍时间;
4.根据权利要求1所述一种应用于多目标工作流调度的方法,其特征在于:
所述步骤S4包括:
其中,ΩF其代表可行解集合;
S4-3:更新的种群P的个体适应度值:
其中,λ为子问题的数量,γ∈(0,1)是关于约束条件的常量偏差值,t是循环代数,Tmax是最大循环代数的值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110724886.4A CN113435097B (zh) | 2021-06-29 | 2021-06-29 | 一种应用于多目标工作流调度的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110724886.4A CN113435097B (zh) | 2021-06-29 | 2021-06-29 | 一种应用于多目标工作流调度的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113435097A true CN113435097A (zh) | 2021-09-24 |
CN113435097B CN113435097B (zh) | 2023-05-23 |
Family
ID=77757572
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110724886.4A Active CN113435097B (zh) | 2021-06-29 | 2021-06-29 | 一种应用于多目标工作流调度的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113435097B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108133260A (zh) * | 2018-01-17 | 2018-06-08 | 浙江理工大学 | 基于实时状态监控的多目标粒子群优化的工作流调度方法 |
US20190080244A1 (en) * | 2017-09-11 | 2019-03-14 | Hefei University Of Technology | Scheduling method and system based on improved variable neighborhood search and differential evolution algorithm |
CN109670689A (zh) * | 2018-12-06 | 2019-04-23 | 杭州电子科技大学 | 一种基于免疫粒子群的科学工作流多目标调度方法 |
WO2019136892A1 (zh) * | 2018-01-15 | 2019-07-18 | 大连民族大学 | 一种复杂网络社区检测的方法 |
CN111813506A (zh) * | 2020-07-17 | 2020-10-23 | 华侨大学 | 一种基于粒子群算法资源感知计算迁移方法、装置及介质 |
-
2021
- 2021-06-29 CN CN202110724886.4A patent/CN113435097B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190080244A1 (en) * | 2017-09-11 | 2019-03-14 | Hefei University Of Technology | Scheduling method and system based on improved variable neighborhood search and differential evolution algorithm |
WO2019136892A1 (zh) * | 2018-01-15 | 2019-07-18 | 大连民族大学 | 一种复杂网络社区检测的方法 |
CN108133260A (zh) * | 2018-01-17 | 2018-06-08 | 浙江理工大学 | 基于实时状态监控的多目标粒子群优化的工作流调度方法 |
CN109670689A (zh) * | 2018-12-06 | 2019-04-23 | 杭州电子科技大学 | 一种基于免疫粒子群的科学工作流多目标调度方法 |
CN111813506A (zh) * | 2020-07-17 | 2020-10-23 | 华侨大学 | 一种基于粒子群算法资源感知计算迁移方法、装置及介质 |
Non-Patent Citations (1)
Title |
---|
孙勇;谭文安;张全全;沈腾腾;: "面向工作流可靠性计算的多子群协同进化算法", 小型微型计算机*** * |
Also Published As
Publication number | Publication date |
---|---|
CN113435097B (zh) | 2023-05-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Long et al. | A random opposition-based learning grey wolf optimizer | |
Liu et al. | Hierarchical flood operation rules optimization using multi-objective cultured evolutionary algorithm based on decomposition | |
CN110888317A (zh) | 一种pid控制器参数智能优化方法 | |
CN112016207B (zh) | 一种发电机组经济负荷分配优化方法 | |
Kong et al. | Comparison study on the nonlinear parameter optimization of nonlinear grey Bernoulli model (NGBM (1, 1)) between intelligent optimizers | |
CN114784823A (zh) | 基于深度确定性策略梯度的微电网频率控制方法及*** | |
Tabak et al. | Levy flight and fitness distance balance-based coyote optimization algorithm for effective automatic generation control of PV-based multi-area power systems | |
Li et al. | A VVWBO-BVO-based GM (1, 1) and its parameter optimization by GRA-IGSA integration algorithm for annual power load forecasting | |
CN111049159B (zh) | 一种嵌入深度信念网络的电力***暂态稳定预防控制方法 | |
Li et al. | Artificial-intelligence-based algorithms in multi-access edge computing for the performance optimization control of a benchmark microgrid | |
Long et al. | A constrained multi-objective optimization algorithm using an efficient global diversity strategy | |
Xiao et al. | Modeling mechanism and extension of GM (1, 1) | |
Zamani et al. | Optimal self-tuning fractional order fuzzy load frequency control considering sustainable energy sources and electric vehicle | |
Roy et al. | Advanced heavy water reactor control with the aid of adaptive second-order sliding mode controller | |
Hu et al. | ℓ-DARTS: Light-weight differentiable architecture search with robustness enhancement strategy | |
Zhao et al. | Research on cloud computing task scheduling based on improved particle swarm optimization | |
CN113435097A (zh) | 一种应用于多目标工作流调度的方法 | |
Hao et al. | Solving economic load dispatch problem of power system based on differential evolution algorithm with different mutation strategies | |
CN115528750B (zh) | 一种面向电网安全稳定的数据模型混合驱动机组组合方法 | |
CN116562157A (zh) | 一种基于改进全连接神经网络的均压环参数选型优化方法 | |
Chen et al. | A novel fractional hausdorff discrete grey model for forecasting the renewable energy consumption | |
Yao et al. | State space representation and phase analysis of gradient descent optimizers | |
Toropov | Modelling and approximation strategies in optimization—global and mid-range approximations, response surface methods, genetic programming, low/high fidelity models | |
Xiu et al. | A novel nonlinear PID controller designed by Takagi-Sugeno fuzzy model | |
Dai | A fast equivalent scheme for robust constrained-input min–max finite horizon model predictive control via model-free critic-only Q-learning |
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 |