论文部分内容阅读
为了满足了巨大用户群需求,特别在处理海量数据和任务时,高效的云资源调度算法直接关系到计算节点与任务的分配方式,进而影响到云平台的整体性能,是提升云服务的关键。对于云资源调度问题,当系统具有一定的计算规模时,即是一个特别复杂的NP问题,难于采用诸如线性规划法、单纯形法、牛顿法等常规方法进行求解。但是采用遗传算法、蚁群算法、差分进化算法等智能算法对其求解,更容易得到较优的结果。然而,这些算法在迭代后期容易陷入局部收敛,致使优化结果的改善程度达不到预期。粒子群算法由于结构简单,寻优能力强,因而广泛应用于这类复杂的NP问题的求解中。虽然目前已存在关于云计算任务调度、资源分配方面的学术研究,但往往选择缩短任务完成时间、降低负载均衡度、减少成本三个优化指标中的一个或者两个作为研究重点,并没有综合考虑三个优化指标,基于上述问题,本文从三个方面进行了研究:1.针对LDW策略粒子群算法(LPSO)存在的不足,首先,在惯性权重线性递减的基础上,加入常数扰动,使惯性权重大幅增大,以便于跳出局部搜索;同时为尽可能的避免粒子群在算法后期聚集在某个最优的粒子群区域,一定概率自适应的改变惯性权重并混入随机粒子,以便于更好的保持种群多样性。然后,基于以上改进加入粒子群分段策略,整个迭代周期分为两个部分,并引入惯性权重?合适区间,每个部分采用不同的方式更新?,保证?都在合适区间取值,增强了粒子收敛性。2.定义云资源调度的评价指标:总任务完成时间、总负载均衡度、总任务成本,并且设定合理的目标函数,同时加入筛选机制,在节点负载均衡度相同的条件下,优先选择执行时间短、消耗成本低的节点执行任务,综合考虑三个优化指标。3.在Matlab2010a GUI平台下,采用典型算例函数验证DLPSO算法的求解精度,同时结合云资源调度数学模型,与其他粒子群算法作对比,实验结果表明DLPSO算法求解精度更高,单目标优化策略任务执行时间更短。为验证DLPSO算法在云环境下兼顾三个优化指标的效果,基于Cloudsim云仿真平台进行实验,将DLPSO算法与多种其他粒子群调度算法作对比,仿真结果表明DLPSO算法更易得到精确的全局最优解,缩短了任务完成时间,提高了负载均衡度,降低了总成本。