CN101944157A - 一种应用与仿真网格系统的生物智能调度方法 - Google Patents

Abstract

一种应用与仿真网格系统的生物智能调度方法，根据不同节点上仿真模型的特点、仿真应用任务量的大小、采用面向角色模型方式，将一个仿真应用分解为一组存在数据输入输出关系的计算子任务并形成相应的仿真作业资源组；并生成任务资源的配比权重，采用树状层次角色图表示一个仿真网格应用中各个任务之间的数据相关性，通过多路径混合蚁群智能调度方法使得选定的子任务调度路径消耗量最低，实现仿真高性能计算作业的高效调度。其优点是：保证仿真应用资源大部分时间处于适量负载的工作状态，从而为资源拥有者带来更多的经济利益；保证仿真任务能在尽量短的时间内完成，但又不致于花费太多的计算费用。

Description

一种应用与仿真网格系统的生物智能调度方法

技术领域

本发明属于建模与仿真技术领域，具体涉及应用与仿真网格系统的生物智能调度方法。

背景技术

随着仿真任务范围的不断扩展以及仿真应用需求的不断复杂化，仿真网格系统将是未来发展的趋势。仿真网格的优势在于针对现有HLA仿真系统存在的局限性，引入网格技术解决仿真应用系统的资源动态分配问题。现有的HLA仿真系统实现中，仿真应用同仿真模型的耦合关系过于紧密，系统缺乏灵活性，造成了整个仿真系统效率下降要做到作业的动态分配，就必须把仿真客户端和仿真服务器分离开来。使用网格技术来支持仿真系统将大大改善上述缺点，而对于仿真网格系统来说良好的作业调度方法，便于整个仿真网格内的最优化使用方案，并自动地分配和交付相关资源。

无论是基于HLA的仿真网格系统，还是其它面向服务的仿真网格架构，都需要针对动态、开放的计算环境下确立如何构造、部署和使用面向服务应用的有效方法和机制。通过高效仿真网格作业调度和资源组织管理，仿真网格平台才能快速的为用户提供了向网格系统提交仿真任务的方法，以透明地分配相关的工作负荷，保障仿真作业的顺利执行。经对现有技术文献的检索发现，国外比较有名的仿真网格调度项目有，美国加州大学圣迭戈分校的GRAIL研究项目，其是原先的Apples项目的扩展。GRAIL的核心部分是Apples调度器，负责将任务与资源匹配；采用分布式调度，任务的实际执行是由本地任务调度器来负责的。调度器提供的是“尽能力服务”，没有服务质量(QoS)的保证，支持具有启发式性能预测估计以及在线再调度功能，同时具有固定的面向应用的调度策略。美国威斯康星大学的Condor-G研究项目，是分布式计算环境Condor和网格的结合。资源发现是基于资源信息周期性的“push”发布和集中式查询，调度器也采用集中式调度结构，不支持服务质量。美国弗吉尼亚大学的Legion研究项目。Legion的资源管理架构是层次型的，使用分布式调度策略，支持缺省的面向系统的调度策略。Legion支持资源预约，允许应用层调度器执行周期性调度或者批调度。

仿真应用计算环境中的任务调度问题多以任务完成时间为优化目标，从总体上来看，是NP完全的；因而，在这个领域，产生的许多研究成果是近似性的或者仅具有启发性的方法。图论，数学规划，遗传理论，排队论等理论被用来解决这个问题。经典的调度优化算法总结如下：

(1)Min-Min算法：Min-Min算法将任务指派给不仅完成它最早，而且执行它最快的机器，以使全部任务完成时间最小。该算法计算每个任务在各个机器上的期望完成时间，取得每个任务的最早完成时间及其机器，再将具有最小最早完成时间的任务指派给获得它的机器，指派后更新机器就绪时间，并将已分配的任务从任务集合中删除。如此重复，直到全部任务被分配为止。

(2)Max-Min算法：Max-Min的主要思想是：一旦每个任务的获得最早完成时间的机器被找到，具有最大最早完成时间的任务将被指派给该机器。并更新期望完成时间矩阵和机器就绪时间向量。如此重复，直到所有任务分配完毕。

(3)模拟退火算法：模拟退火算法用于优化问题的出发点是基于物理中固体物质的退火过程与一般优化问题的相似性。算法的基本思想是从给定解开始的，从邻域中随机产生另一个解，接受准则允许目标函数在有限范围内变坏，它由控制参数t决定，其作用类似于物理过程中的温度T，对于控制参数t的每一取值，算法持续进行“产生新解-判断-接受或舍弃”的迭代过程，对应着固体在某一恒定温度下趋于热平衡的过程。经过大量的解变换后，可以求得给定控制参数t值时优化问题的相对最优解。然后减小控制参数t的值，重复执行上述迭代过程。当控制参数逐渐减小并趋于零时，系统亦越来越趋于平衡状态，最后系统状态对应于优化问题的整体最优解，该过程也称冷却过程。

(4)遗传算法：遗传算法类似于自然进化，通过作用于染色体上的基因寻找好的染色体来求解问题。与自然界相似，遗传算法对求解问题的本身一无所知，它所需要的仅是对算法所产生的每个染色体进行评价，并基于适应值来选择染色体，使适应性好的染色体有更多的繁殖机会。在遗传算法中，通过随机方式产生若干个所求解问题的数字编码，即染色体，形成初始群体；通过适应度函数给每个个体一个数值评价，淘汰低适应度的个体，选择高适应度的个体参加遗传操作，经过遗传操作后的个体集合形成下一代新的种群，对这个新种群进行下一轮进化。

(5)Dynamic Priority Scheduling(DPS)算法：一般来讲，CPM算法静态地确定它们的任务的优先级，因而不能直接用在异构环境中。DPS算法用了一个称为“动态层次”的属性在每一个调度步来决定任务的优先级。DPS算法用来在一个能最早完成任务的合适的处理器上用最大动态优先级来调度一个任务。动态优先级用两个主要的原则来计算和衡量。一个是任务的底层级别，是任务的计算费用和从任务到“退出任务”的路径上的计算费用的最大总和。另外一个是任务的高层级别，是计算费用和从“进入任务”到任务的计算费用的最大总和。底层级别和高层级别的差别指的是任务的动态优先级的不同。这种算法允许任务的相对重要性的改变。

(6)DGS算法：DGS算法总是选择当前最大计算能力的主机来计算被选择调度的任务，如果最大的主机不是合适的，则把当前任务保留下来，为其分配将来合适的主机执行。DGS算法采用一种新的动态任务分组策略对网格计算环境中的主机根据其计算能力依次编号，对于计算任务按负载大小依次编号，并把计算任务根据其负载大小与主机的计算能力相对应分成H组(其中H表示主机的个数)。如果一个任务的组号比某一主机的编号小，那么这个主机就能执行这个任务。这样保证了一个计算能力低下的主机不会执行一个计算量大的任务。同时，任务的所属组别可以随处理器计算能力的波动而动态改变。

这些经典的算法过于简单，不能适应复杂环境的仿真任务调度的要求。

而蚁群算法以高效的性能在近年来渐渐崭露头角，其最基本的原理就是通过分配人工蚂蚁在最短的路径下最快的找到所需要的资源。其优点是具有分布式性、组织性、协作性、并行性、智能性功能，其缺点是基本蚁群算法有较长的搜索时间，容易出现停滞现象，需要改进。国内有许多人改进蚁群算法，但仅限于理论，并未有实际的改进。其中比较典型的曾洲等人提出的基于信息素改进的蚁群作业调度方法。通过优化算法中平均信息素分布度，增强全局(或局部)最优解和全局(或局部)次优解的路径上的信息量浓度，从而有效地克服了传统蚁群算法中容易陷入局部最优解的问题。但这种改进算法收敛性提高程度还是很低。而且该方法需要很好的资源调度器作为支持，另外该方法没有考虑仿真网格计算的特点，不支持仿真系统大规模模型调度。

发明内容

本发明的目的是针对现有技术的不足，结合仿真网格中模型调度的特点，借鉴自然界的生物群体通过体内发出的信息素进行协作以完成复杂任务的思想，提出一种应用与仿真网格系统的多路径混合蚁群智能调度方法，该方法通过运用了蚁群算法的思想，并在基本蚁群算法的基础上进行改进，实现蚁群的多路径分级，将蚂蚁的路径选择过程分为三个级，在第一级阶段，路径上信息量根据相应路由的延时约束满足程度进行更新，蚂蚁主要选择延时约束和带宽约束较好的路径。当信息量积累到一定程度进入第二级阶段，链路上的信息量已足以体现延时约束方面的优势，此时用延时抖动约束满足程度对对应路径上的信息元素量进行更新，这样在原来延时约束满足程度好、剩余带宽较大路由中，延时抖动约束满足程度高的路径上的信息量就越来越多，促使蚂蚁选择这些路径。当搜索过程进入第三级阶段后用信息元素丢失率约束满足程度更新信息元素，搜索过程完成后，用成本表示适应度并选择适应度较高的个体进入下一次迭代，下一代更新信息量时，这些解所对应的路径上的信息元素量则因为经过的解比较多而获得增加的机会比较大，这样最终迭代结果是蚂蚁选择了各个约束条件满足程度都相对较高的路径中成本较低的路径。

该算法的特点是，对于满足约束条件的路径点，比较其目标函数的大小，从中选择小者，并把该点作为一次迭代的结果。然后在求出的点附近将分点加密，再打路径点，并重复前述计算与比较，直到路径点的间距小于预先给定的精度，终止迭代。普通的蚁群算法只利用了最小值这一点的信息，而该算法则利用了每一点的信息，通过更新方程表现出来，使目标函数值小的空间点，其吸引强度大。因而其算法的效率比网格法的效率高。该算法提出了一种新的思路，把连续空间进行离散化，分成若干空间网格点，采用蚁群算法找出信息量大的空间网格点，缩小变量范围，在此点附近进行人工蚁群移动，直到网格的间距小于预先给定的精度。此方法简单直观。

另外本发明根据不同节点上仿真模型的特点、仿真应用任务量的大小、采用面向角色模型方式，将一个仿真应用分解为一组存在数据输入输出关系的计算子任务并形成相应的仿真作业资源组。并生成作业资源的配比权重，采用树状层次角色图表示一个仿真网格应用中各个任务之间的数据相关性，通过多路径混合蚁群智能调度方法匹配就绪子任务和可用的资源服务组，将选定的子任务调度到选定的资源服务组中，考虑了一个子任务只能在特定的一些资源服务组上执行的情况，实现仿真高性能计算作业的高效调度。

本发明方法包括如下步骤：

(1)确定仿真作业中的就绪资源组

通常仿真计算应用任务可以分解成多个子任务，针对广域网的特点，仿真网格系统通常适用于子任务之间通信量较小的仿真计算应用。在这些子任务之间存在一定的模型数据相关性，其中输入输出相关情况较多，获取建立仿真网格计算环境下任务调度问题的形式化定义。记加权有向无回路图G(T，E，μ，λ)，其中顶点集T＝{0，1，L，n}如图1所示表示一个仿真计算任务过程包含的任务的集合，0为起始任务，n为结束任务，有向边集E＝{e_ij：i，j∈T；i→j}表示任务间执行的顺序限制，即反映了任务之间的相互依赖关系，并且有

；λ_ij表示任务i完成后需传输到任务j的数据量，称i为j的前驱任务，j为i的后继任务。

记Q＝{Q_i：i＝1，2，L，q}为资源类型集，资源类型可以是仿真网格环境中不同的计算机类型、不同功能的仿真设备类型。

记R＝{R_t：i＝1，2，L，r}为资源集，每个资源有且仅有唯一的资源类型，即

存在惟一的Q_k∈Q与之对应。一个任务可能有多种执行方式，不同的执行方式选择不同类型的资源，并且在不同资源上的执行时间也可能不同。

任务的执行时间μ_ik，表示任务在资源类型为Q_k的某一资源上的预计执行时间。记

表示任务i在资源类型为Q_k的某一资源上执行。

记P＝{P_i：i＝1，2，L，p}为仿真网格中不同地理位置的战术节点，而每个资源就处于某个地理位置节点上，即

存在唯一的P_m∈P与之对应。记表示任务i在P_m处执行。

记B＝{B_mn：P_m，P_n∈P}为不同节点间的传输带宽。记D＝{D_mn：P_m，P_n∈P}为不同节点间的传输延迟。当m＝n时，B_mn＝0，D_mn＝0。

记T_r为在资源R_r∈R上执行的所有任务的集合。记

为在资源R_r∈R上执行的所有任务的约束条件集合。

若P_m，P_n∈P，

则从任务i到任务j的数据传输时间为：

$d_{\mathrm{ij}}=\left\{\begin{array}{cc}0,& \mathrm{if}\∃E_r,(i,j)\∈E_r\\ {\mathrm{\λ}}_{\mathrm{ij}}\×B_{\mathrm{mn}}+D_{\mathrm{mn}},& \mathrm{others}\end{array}\right.$

表示当任务i与任务j在同一地理位置节点执行时，没有传输延迟，即D_mn＝0；当任务i与任务j在同一地理位置节点的同一资源上执行时，不需要进行数据传输，即d_ij＝0。

令

和

分别表示任务i的开始执行时刻和完成执行时刻。任务i的执行时间

通过选取执行最小时间损耗的任务来确定任务的执行序列，根据任务所需要的资源量和任务的执行序列，生成仿真网格中的就绪资源组。

(2)生成资源的配比权重

仿真网格系统是一个动态资源调度系统。通过资源的就绪序列和资源的状态和相关属性。结合资源对象的权限向量生成作业资源配比矩阵，形成作业资源的配比方程，生成任务资源的配比权重。

根据仿真网格中的就绪资源组，定义向量R表示，r表示离散化的时间变量，向量O(t)表示系统中所有与时间相关的资源对象。

若系统中的用户角色个数为n，则有：

R＝[role₁，role₂，...，role_n]^T

若系统中被操作的资源对象个数为m，则有：

R(t)＝[r₁(t)，r₂(t)，...，r_m(t)]^T

其中，r₁(t)表示系统中第i个与时间相关的资源对象。

系统的状态是由系统中所有资源对象的状态所决定的，记为：

ST(t)＝[st₁(t)，st₂(t)，...，st_m(t)]^T

若将系统中某个确定的role_i对某确定对象r_i(t)的相关属性的授权约束条件记为c_ij，则role_i对r_i(t)的操作可以表示为：pro_ij。为方便起见，将其简单记为pro_ij。其中，如果role_i，不具备对资源对象r_i(t)的操作，则可记为pro_ij＝0称为“空操作”。如果role_i对r_i(t)的可能操作不只一个，则pro_ij表示由这些操作构成的向量。这样，若定义pro_ij所对应的角色role_i对r_i(t)的操作算子为η_ij，且k为某一确定的时间点，则有

η_ij·r_j(k)＝r_j(k+1)

这里，空操作对应的算子称为“空操作算子”，记为η₀。η₀作用到r_i(t)或st_j(t)后，不改变相应的资源对象的属性和状态。

由于在整个仿真网格系统中，资源对象在角色间的流转是由资源对象的状态驱动的，所以角色是否能够对资源对象执行操作，是由当前资源对象的状态所决定的。因此将资源对象状态约束下的角色对资源对象的操作算子记为η_ij，则有

η_ij＝f_i(η_ij，r_ij，st_j(t))

式中，函数f的功能为：根据某一确定时刻k的资源对象状态st_j(t)，利用角色对该资源对象操作的约束条件(即判断规则)来判断角色role_i是否可对r_i(k)执行操作算子η_ij。即

则可得到系统中资源对象状态约束下的资源配比矩阵为：

$\left[\begin{array}{cccc}{\mathrm{\η}}_{11}& {\mathrm{\η}}_{12}& ......& {\mathrm{\η}}_{1m}\\ {\mathrm{\η}}_{21}& {\mathrm{\η}}_{22}& ......& {\mathrm{\η}}_{2m}\\ ......& ......& ......& ......\\ {\mathrm{\η}}_{n1}& {\mathrm{\η}}_{n2}& ......& {\mathrm{\η}}_{\mathrm{nm}}\end{array}\right]$

该矩阵的列向量记为：

η_j＝[η_1j，η_2j，...，η_nj]^T

表示系统中n个角色在st_j(t)约束下的对资源对象r_i(t)的操作算子向量，其中j＝0，1，Λ，m。则可构造如下对角阵形式：

$G=\left[\begin{array}{cccc}{\mathrm{\η}}_{11}& 0& ......& 0\\ 0& {\mathrm{\η}}_{22}& ......& 0\\ ......& ......& ......& ......\\ 0& 0& ......& {\mathrm{\η}}_{\mathrm{nn}}\end{array}\right]---\left(a\right)$

由于系统是动态系统，所以系统的状态是变化的，则可以得到系统的状态方程为：

st(k+1)＝G·st(k)                (b)

即 $\left[\begin{array}{c}s{t}_1(k+1)\\ s{t}_2(k+1)\\ ......\\ s{t}_m(k+1)\end{array}\right]=\left[\begin{array}{cccc}{\mathrm{\η}}_{11}& 0& ......& 0\\ 0& {\mathrm{\η}}_{22}& ......& 0\\ ......& ......& ......& ......\\ 0& 0& ......& {\mathrm{\η}}_{\mathrm{nn}}\end{array}\right]\·\left[\begin{array}{c}s{t}_1\left(k\right)\\ s{t}_2\left(k\right)\\ ......\\ s{t}_m\left(k\right)\end{array}\right]$ (c)

其中，G称为控制矩阵。由公式(a)，(b)和(c)可知，G是与系统状态st(t)相关的，所以系统是一个非线性系统。

$s{t}_j(k+1)={\mathrm{\η}}_j\·s{t}_j\left(k\right)=\left[\begin{array}{c}{\mathrm{\η}}_{1j}\left(k\right)\\ {\mathrm{\η}}_{2j}\left(k\right)\\ ......\\ {\mathrm{\η}}_{\mathrm{nj}}\left(k\right)\end{array}\right]\·s{t}_j\left(k\right)=\left[\begin{array}{c}{\mathrm{\η}}_{1j}\left(k\right)\·s{t}_j\left(k\right)\\ {\mathrm{\η}}_{2j}\left(k\right)\·s{t}_j\left(k\right)\\ ......\\ {\mathrm{\η}}_{\mathrm{nj}}\left(k\right)\·s{t}_j\left(k\right)\end{array}\right]$

相应的资源配比方程为：

r(k+1)＝G·r(k)

从上式可知，由对角矩阵G可以求出k+1个资源的配比权重。

(3)根据资源的配比权重计算资源的信息元素浓度值

由于作业调度算法采用一种多路径混合蚁群算法，该算法的特点是在“探索”和“利用”之间寻找一个平衡点，可以使得算法的搜索空间尽可能大，以寻找最优解的空间；同时又要充分利用群体内所具有的有效信息，使得算法的侧重点放在那些可能具有较高适应值的个体所在的空间内，从而以较大概率收敛到全局最优解。在算法中，信息元素是蚁群之间进行信息交互和通信的纽带和中介，是蚁群具有智能特点的关键因素，而信息元素的强度随着路径距离的减少而增加，当系统搜索到较好的解时，就更改相关路径上的信息量浓度，这有利于系统搜索较好解，所以在增强全局最优解或局部最优解的路径中的信息量浓度的基础上，再对全局(或局部)最优解和全局(或局部)次优解进行路径均衡操作，从而得到了一种改进的蚁群算法。为了使蚁群始终能够在“探索”和“利用”之间保持平衡，即在使算法具有较强搜索能力的同时，避免出现停滞现象，该算法使用自适应随机比率选择规则，即对位于节点i的蚂蚁k，按公式选择随机规则：

$\mathrm{\η}\left(j\right)=\left\{\begin{array}{cc}\arg \max \{\mathrm{\τ}\underset{u\∈J_k\left(i\right)}{(i,u)}\×{\mathrm{\η}}^{\mathrm{\β}}(i,u)\},& \mathrm{if}(q\≤q\left(\mathrm{\λ}\left(t\right)\right)\\ s,& \mathrm{otherwise}\end{array}\right.---\left(a\right)$

q(λ(t))＝λ(t)/N

其中λ(t)∈[2，N]表示算法在第t次迭代时的路径均衡量，N表示节点数，显然有q(λ(t))∈[2/N，1]。q为[0，1]上一致分布的随机数。τ(i，u)表示节点i与节点u之间的信息素量，η(i，u)表示节点i与节点u之间的启发式因子，β表示启发式因子的强弱。

网格节点中的通信链路称为路径，在选择路径过程中，t时刻该蚂蚁在1状态下选择路径(i，j)的概率

表示如下：

$p_{\mathrm{ij}}^{\mathrm{lk}}\left(t\right)=\left\{\begin{array}{c}{\mathrm{\&xi;}}_{\mathrm{ij}}^k\&times;\frac{{\left({\mathrm{\&alpha;}}_{(i,j)}^k\left(t\right)\right)}^{\&PartialD;}/{\left({\mathrm{\&beta;}}_{(i,j)}^k\left(t\right)\right)}^{\mathrm{\&alpha;}}}{\underset{i\&Element;v_k,j\&Element;v-v_k}{\mathrm{\&Sigma;}}{\left({\mathrm{\&alpha;}}_{(i,j)}^k\left(t\right)\right)}^{\&PartialD;}/{\left({\mathrm{\&beta;}}_{(i,j)}^k\left(t\right)\right)}^{\mathrm{\&alpha;}}}\&times;\frac{{\left({\mathrm{\&eta;}}_{\mathrm{ij}}^{\mathrm{Ik}}\left(t\right)\right)}^{\mathrm{\&alpha;}}}{\underset{i\&Element;v_k,j\&Element;v-v_k}{\mathrm{\&Sigma;}}{\left({\mathrm{\&eta;}}_{(i,j)}^k\left(t\right)\right)}^{\mathrm{\&alpha;}}}q<q_0\\ h\left(j\right)\end{array}\right.---\left(b\right)$

其中

分别称为路径(i，j)对蚂蚁k的吸引力和排斥力。显然，路径对蚂蚁的吸引程度主要由该类型蚂蚁本身的信息量浓度确定，同种类型蚂蚁走过的路径越多则信息量浓度越高，正反馈机制促使同种蚂蚁选择该路径的概率越大。而排斥力则体现在两方面：一方面是其他蚂蚁的信息量，若某条路径上其他蚂蚁的信息量浓度较高，则表明该路径上已有很多业务分组选择，链路上负载较多、剩余带宽相对较少，为避免拥塞，蚂蚁应当以较小的概率选择该链路，也就是该链路的排斥作用比较大；另一方面是同种类型蚂蚁的排斥作用，当链路上同种蚂蚁留下的信息量浓度逐渐加大时，它对后来的所有同种类蚂蚁的排斥作用加大，防止都选择该浓度较高的路径造成早熟、停滞现象，保证了解的多样性，公式(b)的作用是突出性能较好的路径上的优势，保证信息量和剩余带宽最大的路径以大于q₀的概率被选中的同时实现选路概率的自适应调整，蚂蚁k在选择下一节点之前随机生成q，如果q的值小于等于q(λ(t))，则从节点i到所有可行的节点中找出使τ(i，u)×η^β(i，u)最大的节点，即为下一个要到达的节点；如果随机数q大于q(λ(t))，则按公式(b)选择下一资源节点。函数q(λ(t))的值与平均路径权量成正比。当平均路径权量λ(t)变小时，说明算法将要出现停滞现象，此时q(λ(t))的值也会变小，按照公式(b)进行选择的概率增大，从而提高算法的随机搜索能力，增大解的搜索空间；当平均路径权量变大时(如接近节点数N)，则按照公式(c)进行选择的可能性增大，即较好的路径将会被选中。这样该算法能够根据自身的内部状态自适应地选择路径，不但避免停滞现象，而且保持较高的搜索能力。

$p_k(i,j)=\left\{\begin{array}{cc}\frac{\left[\mathrm{\&tau;}(i,j)\right]\&CenterDot;{\left[\mathrm{\&eta;}(i,j)\right]}^{\mathrm{\&beta;}}}{\underset{s\&Element;J_k\left(i\right)}{\mathrm{\&Sigma;}}\left[\mathrm{\&tau;}(i,s)\right]\&CenterDot;{\left[\mathrm{\&eta;}(i,s)\right]}^{\mathrm{\&beta;}}},& \mathrm{ifj}\&Element;J_k\left(i\right)\\ 0,& \mathrm{otherwise}\end{array}\right.---\left(c\right)$

信息元素更新方程为：

${\mathrm{\&alpha;}}_{\mathrm{ij}}^k=t{\mathrm{\&alpha;}}_{\mathrm{ij}}^{\mathrm{old}}+M/f---\left(d\right)$

其中理解为第i级第j个节点上人工蚂蚁产生的信息元素强度；t表示信息元素强度的残留系数，一般取0.5-0.9；M为路径常数；f为目标函数值，为保证f＞0，在原目标函数的基础上加上一个大于0的常数。

将蚂蚁的路径选择过程分为三个级，在蚁群搜索过程的第一级阶段信息元素的量相对较少也较分散；当蚂蚁搜索到一定程度后，性能较好的路径上信息量达到相应浓度，较差的路径上信息量浓度较低，信息量开始对蚁群路径选择起作用，这个阶段可作为路径搜索的第二级阶段；当蚂蚁搜索到接近收敛时，各条较优的路径上的信息量以绝对优势超过其它路径，蚂蚁搜索过程的继续迭代加大该优势并趋于收敛形成第三级阶段。

算法中搜索的第一级阶段，路径上信息量根据相应路由的延时约束满足程度进行更新，蚂蚁主要选择延时约束和带宽约束较好的路径。当信息量积累到一定程度进入第二级阶段，链路上的信息量已足以体现延时约束方面的优势，此时用延时抖动约束满足程度对对应路径上的信息元素量进行更新，这样在原来延时约束满足程度好、剩余带宽较大路由中，延时抖动约束满足程度高的路径上的信息量就越来越多，促使蚂蚁选择这些路径。当搜索过程进入第三级阶段后用信息元素丢失率约束满足程度更新信息元素，搜索过程完成后，用成本表示适应度并选择适应度较高的个体进入下一次迭代，下一代更新信息量时，这些解所对应的路径上的信息元素量则因为经过的解比较多而获得增加的机会比较大，这样最终迭代结果是蚂蚁选择了各个约束条件满足程度都相对较高的路径中成本较低的路径。

算法中整体更新信息元素量时路径(i，j)上第k个蚂蚁的信息量按如下公式更新：

${\mathrm{\&tau;}}_{\mathrm{ij}}^k(t+1)=(1-\mathrm{\&rho;}){\mathrm{\&tau;}}_{\mathrm{ij}}^k\left(t\right)+\mathrm{\&rho;}\&CenterDot;\mathrm{\&Delta;}{\mathrm{\&tau;}}_{\mathrm{ij}}^k\left(t\right)+c---\left(e\right)$

其中

是t时刻蚂蚁k在路径(i，j)上留下的信息元素的量，在蚂蚁搜索的开始阶段、中间阶段、结束阶段分别根据公式(f)、(g)、(h)确定：

(f)

(g)

(h)

其中

是延时度量的惩罚函数，这里取其值均为0，即在不满足延时约束的路径上不增加信息元素量，从而减少下次迭代中蚂蚁选择该路径的机率。

在本发明提出一种新型的应用与仿真作业调度的生物智能调度算法，通过模拟生物群体如蚂蚁的协同处理任务的方式，以发散信息素作为作业调度的基础，为在广域范围内实现仿真协同处理提供了一种高效、灵活的方法，同时考虑了仿真作业中资源的权限设置问题，提出了资源角色权限分配模式，使算法更具有实际应用价值。因此，提出的作业调度方法能够很好地应用于仿真应用环境中，可以获得更好的性能。

本发明采用多路径混合蚁群智能调度方法进行仿真应用任务调度，改变了仿真模型原有简单不灵活的开发与集成方式。本调度方法能为大系统仿真模型的执行代码级重用提供支持，通过任务的智能分解，分发实现了仿真任务的灵活部署和高效调度。本发明为多平台，大系统仿真应用集成提供基础。本发明将带来以下优点与效果：

1)保证仿真应用资源大部分时间处于适量负载的工作状态，从而为资源拥有者带来更多的经济利益；

2)保证仿真任务能在尽量短的时间内完成，但又不致于花费太多的计算费用；使仿真应用集成更简单化，更具有效率，减少了仿真应用系统集成难度和工作量。

附图说明

图1为资源配比图。

图2为节点分布图。

图3为6节点资源同时调用计算资源占用曲线图。

图4为普通蚁群算法仿真模拟图。

图5为多路径混合蚁群算法仿真模拟图。

图6为4个节点时仿真应用工作量消耗图。

图7为5个节点时仿真应用工作量消耗图。

图8为6个节点时仿真应用工作量消耗图。

具体实施方式

本发明是一种多路径混合蚁群生物智能调度算法，以多节点三维仿真漫游应用为例，即有6个节点上的仿真三维模型进行协同渲染调用，其节点分布图如图2所示，其节点上的资源列表如表1。

表1节点资源分布列表

初始化参数配置如下：

迭代次数：nc＝200；

每个节点的蚂蚁数目：m＝10，蚂蚁总数为6*10＝60；

信息式启发因子：a＝0.5；

信息素挥发系数：ρ＝0.7；

信息素强度：Q＝200；

其具体实现步骤如下：

1、初始化：生成6个节点的资源配比图。

2、根据配比图计算配比矩阵，定义配比方程r_n(k+1)＝G_n·r_n(k)(n＝1～6)

3、将60个蚂蚁按某种初始规则分别置于6个节点上。根据配比矩阵放置蚂蚁。

4、应用信息素更新规则改变信息素值。在构造解时，蚂蚁n走过的每条路径由公式(a)，(b)，(c)求得。

4、对各组信息素变量进行N等分，(i＝1，2，3，…，n)；重复下列操作直到所有的蚂蚁的信息元素都完成一次扩散循环；对于任意一只蚂蚁k，它选取移动概率P_ij最大的子路径j，然后从当前子路径i移动到子路径j中，P_ij由公式(f)确定。

5、若max(h₁，h₂…h_n)＜c，算法停止，最优解为

(j＝1，2，…，n)；并计算每一只蚂蚁所走过的路径长度l_hk，按照公式(g)更新各个路径上各蚁群的信息元素含量，同时保存最短路径l_min(lp_min＝minh_min)，清空所有蚂蚁的禁忌表。

6、计算蚁群在各条路径的信息元素聚集度，并按公式(h)更新方程修改信息素吸引强度；

7、若所有n个蚂蚁信息素都更新完成，则转步骤8；否则转步骤3。

8、若查找到满足条件并且终止条件满足，则结束；否则i＝i+1，转步骤2进行下一属性群的计算。终止条件可指定属性的个数，也可限定运行时间，或设定最短路径的长度下限。

9、根据资源节点上的蚂蚁个数与路径上的信息元素浓度确定资源调用权值表。

图3为采用多路径混合蚁群生物智能调度算法时6个节点同时进行仿真任务渲染时的CPU资源占用曲线，从图中可以看出在基本上CPU的变化比较平稳。通过图4、图5可以看出多路径混合蚁群在仿真试验中，其收敛性要远好于普通的蚁群算法，通过图6、图7、图8可以看出随着节点的加入运用多路径混合蚁群仿真应用的工作量消耗越来越小。

Claims (5)

1.一种应用与仿真网格系统的生物智能调度方法，通过运用蚁群算法的思想，并在基本蚁群算法的基础上进行改进，其特征在于：根据不同节点上仿真模型的特点、仿真应用任务量的大小、采用面向角色模型方式，将一个仿真应用分解为一组存在数据输入输出关系的计算子任务并形成相应的仿真作业资源组；并生成任务资源的配比权重，采用树状层次角色图表示一个仿真网格应用中各个任务之间的数据相关性，通过多路径混合蚁群智能调度方法使得选定的子任务调度路径消耗量最低，实现仿真高性能计算作业的高效调度。

2.根据权利要求1所述的一种应用与仿真网格系统的生物智能调度方法，其特征在于：其步骤如下：

(1)将仿真计算应用任务根据任务所需要的资源量和任务的执行序列，生成仿真网格中的就绪资源组；

(2)通过仿真网格中的就绪资源组和资源的状态和相关属性；结合资源对象的权限向量生成任务资源配比矩阵，形成任务资源的配比方程，生成任务资源的配比权重；

(3)根据任务资源的配比权重，将任务资源的调度配比路径选择过程分为三个级，通过蚁群迭代，在第一级阶段使性能较好的路径上信息元素的量相对多也较集中，而信息量浓度较低较差的路径将淘汰，在第二级阶段；当蚂蚁搜索到接近收敛时，各条较优的路径上的信息量以绝对优势超过其它路径，蚂蚁搜索过程的继续迭代加大该优势并趋于收敛形成第三级阶段；这样最终迭代结果是任务调度过程选择了各个约束条件满足程度都相对较高的路径中成本较低的路径。

3.根据权利要求1所述的一种应用与仿真网格系统的生物智能调度方法，其特征在于：所述的仿真作业资源就绪组生成方法，其工作原理是通过选取执行最小时间损耗的任务来确定任务的执行序列，根据任务所需要的资源量和任务的执行序列，生成仿真网格中的就绪资源组。

4.根据权利要求1所述的一种应用与仿真网格系统的生物智能调度方法，其特征在于：所述的任务资源的配比权重生成方法，其工作原理是根据的资源对象状态，利用角色对资源对象操作的约束条件(即判断规则)来判断角色是否可对资源执行操作算子，进而生成资源的配比权重。

5.根据权利要求1所述的一种应用与仿真网格系统的生物智能调度方法，其特征在于：所述多路径混合蚁群智能调度方法，其原理是通过路径更新，信息元素更新和信息元素丢失率剔除，使得作业选择了各个约束条件满足程度都相对较高的路径中成本较低的路径；使得选定的子任务调度路径消耗量最低。

Images