CN104793993A - 基于Levy飞行的人工蜂群粒子群算法的云计算任务调度方法 - Google Patents

基于Levy飞行的人工蜂群粒子群算法的云计算任务调度方法 Download PDF

Info

Publication number
CN104793993A
CN104793993A CN201510203345.1A CN201510203345A CN104793993A CN 104793993 A CN104793993 A CN 104793993A CN 201510203345 A CN201510203345 A CN 201510203345A CN 104793993 A CN104793993 A CN 104793993A
Authority
CN
China
Prior art keywords
task
processor
time
cloud computing
particle
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
Application number
CN201510203345.1A
Other languages
English (en)
Other versions
CN104793993B (zh
Inventor
葛洪伟
任聪
杨金龙
张欢庆
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Yuanxingzhi Information Technology Co ltd
Original Assignee
Jiangnan University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jiangnan University filed Critical Jiangnan University
Priority to CN201510203345.1A priority Critical patent/CN104793993B/zh
Publication of CN104793993A publication Critical patent/CN104793993A/zh
Application granted granted Critical
Publication of CN104793993B publication Critical patent/CN104793993B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • YGENERAL 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
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02DCLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于服务收益与功耗的云计算任务调度模型和基于Levy飞行的人工蜂群粒子群算法的云计算任务调度方法。针对绿色云计算的思路,提出了一种引入处理机功耗和任务调度收益的多QoS调度模型。并提出了一种基于Levy飞行的人工蜂群粒子群算法用来解决多QoS云计算任务调度的。在本发明中,在粒子群算法中引入人工蜂群局部搜索策略提高算法的局部搜索精度,并通过对全局最优值进行Levy操作来避免陷入局部最优,从而提高收敛精度。本发明所述的方法,能够有效的提高云计算任务调度收益,并能够降低用户等待时间和处理机功耗。

Description

基于Levy飞行的人工蜂群粒子群算法的云计算任务调度方法
技术领域
本发明属于云计算技术领域,具体涉及基于Levy飞行的人工蜂群粒子群算法的云计算任务调度方法。本算法是一种基于群体智能优化算法的任务调度方法,适用于云计算环境下QoS任务调度。
背景技术
云计算平台为了保证服务器的可靠性通常是通过虚拟化技术将多台物理主机虚拟成一定数量的虚拟机来处理数据,单台虚拟机处理能力娇弱,但多台虚拟机同时提供计算就可以输出强大的计算能力。在实际的应用中,通常都会有大量的计算任务交给云计算平台进行处理,如何高效的调度任务到不同的虚拟机处理成为影响云计算平台性能的重要影响因素。在云计算环境下,处理机之间的性能差异和用户任务的多变,使得云计算任务调度成为一个复杂的问题。
在商业云计算服务中,不仅要考虑用户多变的需求还要尽可能的降低服务成本并提高服务收益。现有的调度策略通常关注的是如何对计算资源进行有效的分配和用户对任务的计算要求,例如经典的调度算法Min-Min,其在调度时把计算量最小的任务分配给性能最好的处理机,这样能够显著的提高系统的吞吐率但也存在负载不均衡的问题。
近几年随着商业云计算服务的广泛应用,研究人员开始关注云计算调度中的经济问题。Rajkumar等人提出了一种基于截止时间底线和调度预算约束的调度方法,这种方法在满足两个约束条件下,将任务分配到最早能够完成的任务的处理机上,这种调度方法能够显著提高任务吞吐量但容易发生负载不均的情况。Kavitha等人分析了从调度完成时间、用户满意度等方面的多种QoS目标约束的调度方法,提出针对不同应用环境下应用不同QoS调度方法。
目前在云计算任务调度方面的研究大多数从用户的角度提出的调度方法,这些方法中尽量满足用户的需求,很少考虑到服务成本等问题。由于云数据中心通常具有很高的能耗,随着近几年环保理念的深入,绿色数据中心成为一个趋势,尽量降低能耗成为了一个研究热点。传统的简单调度算法很难在多种QoS目标约束调度要求下取得良好的调度效果。
发明内容
针对以上问题,本发明提出了一种基于服务收益和低功耗的云计算任务调度模型;并针对该任务调度模型,提出了一种基于Levy飞行的人工蜂群粒子群算法的云计算任务调度方法。此方法相对其传统的调度方法,具有更优的调度效果。
本发明实现的具体步骤如下:
1、基于服务收益和低功耗的云计算调度模型,包括如下描述:
(1)相关符号约定
为了更好的描述和分析问题,做如下假设:一个任务只能分配到一个节点上执行、任务之间不能抢占、处理机能够处理任意类型的任务。
集合VM={vm1,vm2,…,vmn}表示n台处理机集合,集合T={t1,t2,…,tm}表示m个任务集合。Budgeti表示用户对完成任务ti的预算,即云服务提供方按时完成任务ti获得的收入。Deadlinei是任务ti调度完成的最晚时间,如果云计算服务商能够在Deadlinei时间内对任务ti完成计算,那么云计算机服务商不用支付赔偿,否则需要按照违约时间支付相应数额的赔偿。
Instru_counti表示任务ti的计算规模即单位指令数量,Time_finii表示任务ti预计完成时间,Instru_costj表示虚拟机vmj处理任务的单位指令执行成本。
Delay_costi是任务ti的延迟单价,即云计算服务商在处理任务ti时,如果在Deadlinei时间之前没有完成任务,则每延迟单位时间就要向提交任务ti的用户赔偿Delay_costi
Worstlinei是任务ti能够忍受的最大时间,即如果任务ti在Worstlinei时还没有调度完成,则云计算服务商向用户支付的赔偿达到上限,将不再继续支付赔偿。由于Time_finii是预计任务完成时间,而Worstlinei是赔偿上限时间,因此Time_finii<Worstlinei,否则任务无法调度完成。
Energy_costj是处理机VMj单位时间功耗。
(2)调度目标
用户在将任务提交给云计算服务商之前会更具自己的预算和紧急情况制定任务调度的QoS目标约束,云计算服务商接受到用户所提交QoS约束的任务后会进行调度收益的估算,用以判断是否接受用户提交的调度请求。
设任务ti分配给处理机VMj进行处理,则处理机VMj完成任务ti调度的计算成本如下:
Comp _ cos t j i = Instru _ cos t j × Instru _ count i
其中Instru_costj是处理单位指令的成本,Instru_counti是任务的单位指令数量。
处理机VMj完成任务ti所获得的收益为:
Revenue j i = Budget i - Fine j i - Comp _ cos t j i
其中Budgeti为用户为完成任务ti的预算资金,是处理机VMj因未按时完成任务ti所要赔偿给用户的金额。的计算公式如下:
Fine j i = 0 Time _ fini i < Deadline i Delay _ cos t i &times; ( Time _ fini i - Deadline i ) Worstline i > Time _ fini i &GreaterEqual; Deadline i Budget i Time _ fini i &GreaterEqual; Worstline i
任务ti被分配到处理机VMj上,执行的功耗为:
Energy _ vm j i = Energy _ cos t j &times; ( Instru _ count i Power _ vm j )
其中Power_vmj表示处理机j的处理能力。
为了更好的表示目标函数,这里假设分配矩阵为X其中元素xi,j=1表示任务i被分配到处理机j,否则xi,j=0。云服务商完成任务集合T={t1,t2,…,tm}所获得的收益为:
Revenue = &Sigma; j = 1 n &Sigma; i = 1 m ( Revenue j i &times; x i , j )
云服务商调度任务T={t1,t2,…,tm}所消耗的功耗为:
Energy = &Sigma; j = 1 n &Sigma; i = 1 m ( Energy _ vm j i &times; x i , j )
为了获得最大利益的同时尽量节省能源,实现绿色云计算,这里在目标调度函数上加入了功耗信息,目标调度函数如下:
Objective=max(Revenue-α·energy)
其中α是比率参数,用来调节功耗对收益的影响。
2、基于Levy飞行的人工蜂群粒子群算法的云计算任务调度方法,包括如下步骤:
(1)对处理机进行编号,载入任务,设置任务矩阵、处理机性能矩阵、处理机功耗矩阵和处理机成本矩阵,任务矩阵中存储各个任务的计算量,处理机矩阵存储各个处理机的处理能力,处理机功耗矩阵存储处理机的功率,处理机成本矩阵中存储处理机单位处理成本;其中任务计算量和处理机处理能力均用MIPS(Million Instructions Per Second,每秒处理的百万级的机器语言指令)表示。
(2)初始化种群:设粒子P={x1,x2,…,xn},其n是待调度的任务数量,x1,x2,…,xn代表分配的处理机机编号。以此方式初始化粒子群中的各个粒子。每个粒子代表一种分配方案,对各个粒子代表的分配方案带入发明内容1中的目标调度函数中计算收益,找出收益最大的粒子为全局最优值,各个粒子自身为粒子的局部最优值。
(3)对每个粒子进行速度和位置利用如下公式进行更新
vi(t+1)=vi(t)+c1·r1(pi(t)-xi(t))+c2·r2·(pg(t)-xi(t))
xi(t+1)=xi(t)+vi(t+1)
其中t表示第t次迭代,同理t+1表示t的下一次迭代,c1和c2是粒子的加速度常数,通常取值范围是[0,2],r1和r2是[0,1]之间的随机数,pi表示第i个粒子的局部最优位置,pg表示粒子群的全局最优位置。公式(2.6)是速度限制,防止粒子在运动过程中飞出解空间。k和j是随机数,且k∈[1,N],j∈[1,D],k≠j;是[-1,1]之间的随机数。
(4)对步骤(3)进行迭代,在迭代过程中,如果全局最优值位置连续10次没有更新,则采用如下公式在全局最优值附近进行搜索:
x t + 1 = x t + &alpha; &CirclePlus; Levy ( &beta; )
其中α是单位步长,其值与求解问题范围有关,在这里我们把α赋值为粒子维度的随机数:
x t + 1 = x t + random ( size ( D ) ) &CirclePlus; Levy ( &beta; )
公式中表示矩阵的内积运算。
(5)迭代次数达到最大迭代次数时,停止迭代,全局最优值pg就是最优任务调度方案,按照此方案将任务分配给不同的处理机进行处理。
附图说明
图1本发明的流程图;
图2本发明方法和其它方法任务调度所需时间对比;
图3本发明方法和其它方法任务调度单位时间收益对比;
图4本发明方法和其它方法任务调度所需功耗对比;
具体实施方式
1、基于服务收益和低功耗的云计算调度模型,包括如下描述:
(1)相关符号约定
为了更好的描述和分析问题,做如下假设:一个任务只能分配到一个节点上执行、任务之间不能抢占、处理机能够处理任意类型的任务。
集合VM={vm1,vm2,…,vmn}表示n台处理机集合,集合T={t1,t2,…,tm}表示m个任务集合。Budgeti表示用户对完成任务ti的预算,即云服务提供方按时完成任务ti获得的收入。Deadlinei是任务ti调度完成的最晚时间,如果云计算服务商能够在Deadlinei时间内对任务ti完成计算,那么云计算机服务商不用支付赔偿,否则需要按照违约时间支付相应数额的赔偿。
Instru_counti表示任务ti的计算规模即单位指令数量,Time_finii表示任务ti预计完成时间,Instru_costj表示虚拟机vmj处理任务的单位指令执行成本。
Delay_costi是任务ti的延迟单价,即云计算服务商在处理任务ti时,如果在Deadlinei时间之前没有完成任务,则每延迟单位时间就要向提交任务ti的用户赔偿Delay_costi
Worstlinei是任务ti能够忍受的最大时间,即如果任务ti在Worstlinei时还没有调度完成,则云计算服务商向用户支付的赔偿达到上限,将不再继续支付赔偿。由于Time_finii是预计任务完成时间,而Worstlinei是赔偿上限时间,因此Time_finii<Worstlinei,否则任务无法调度完成。
Energy_costj是处理机VMj单位时间功耗。
(2)调度目标
用户在将任务提交给云计算服务商之前会更具自己的预算和紧急情况制定任务调度的QoS目标约束,云计算服务商接受到用户所提交QoS约束的任务后会进行调度收益的估算,用以判断是否接受用户提交的调度请求。
设任务ti分配给处理机VMj进行处理,则处理机VMj完成任务ti调度的计算成本如下:
Comp _ cos t j i = Instru _ cos t j &times; Instru _ count i
其中Instru_costj是处理单位指令的成本,Instru_counti是任务的单位指令数量。
处理机VMj完成任务ti所获得的收益为:
Revenue j i = Budget i - Fine j i - Comp _ cos t j i
其中Budgeti为用户为完成任务ti的预算资金,是处理机VMj因未按时完成任务ti所要赔偿给用户的金额。的计算公式如下:
Fine j i = 0 Time _ fini i < Deadline i Delay _ cos t i &times; ( Time _ fini i - Deadline i ) Worstline i > Time _ fini i &GreaterEqual; Deadline i Budget i Time _ fini i &GreaterEqual; Worstline i
任务ti被分配到处理机VMj上,执行的功耗为:
Energy _ vm j i = Energy _ cos t j &times; ( Instru _ count i Power _ vm j )
其中Power_vmj表示处理机j的处理能力。
为了更好的表示目标函数,这里假设分配矩阵为X其中元素xi,j=1表示任务i被分配到处理机j,否则xi,j=0。云服务商完成任务集合T={t1,t2,…,tm}所获得的收益为:
Revenue = &Sigma; j = 1 n &Sigma; i = 1 m ( Revenue j i &times; x i , j )
云服务商调度任务T={t1,t2,…,tm}所消耗的功耗为:
Energy = &Sigma; j = 1 n &Sigma; i = 1 m ( Energy _ vm j i &times; x i , j )
为了获得最大利益的同时尽量节省能源,实现绿色云计算,这里在目标调度函数上加入了功耗信息,目标调度函数如下:
Objective=max(Revenue-α·energy)
其中α是比率参数,用来调节功耗对收益的影响。
2、基于Levy飞行的人工蜂群粒子群算法的云计算任务调度方法,包括如下步骤:
(1)对处理机进行编号,载入任务,设置任务矩阵、处理机性能矩阵、处理机功耗矩阵和处理机成本矩阵,任务矩阵中存储各个任务的计算量,处理机矩阵存储各个处理机的处理能力,处理机功耗矩阵存储处理机的功率,处理机成本矩阵中存储处理机单位处理成本;其中任务计算量和处理机处理能力均用MIPS(Million Instructions Per Second,每秒处理的百万级的机器语言指令)表示。
(2)初始化种群:设粒子P={x1,x2,…,xn},其n是待调度的任务数量,x1,x2,…,xn代表分配的处理机机编号。以此方式初始化粒子群中的各个粒子。每个粒子代表一种分配方案,对各个粒子代表的分配方案带入发明内容1中的目标调度函数中计算收益,找出收益最大的粒子为全局最优值,各个粒子自身为粒子的局部最优值。
(3)对每个粒子进行速度和位置利用如下公式进行更新
vi(t+1)=vi(t)+c1·r1(pi(t)-xi(t))+c2·r2·(pg(t)-xi(t))
xi(t+1)=xi(t)+vi(t+1)
其中t表示第t次迭代,同理t+1表示t的下一次迭代,c1和c2是粒子的加速度常数,通常取值范围是[0,2],r1和r2是[0,1]之间的随机数,pi表示第i个粒子的局部最优位置,pg表示粒子群的全局最优位置。公式(2.6)是速度限制,防止粒子在运动过程中飞出解空间。k和j是随机数,且k∈[1,N],j∈[1,D],k≠j;是[-1,1]之间的随机数。
(4)对步骤(3)进行迭代,在迭代过程中,如果全局最优值位置连续10次没有更新,则采用如下公式在全局最优值附近进行搜索:
x t + 1 = x t + &alpha; &CirclePlus; Levy ( &beta; )
其中α是单位步长,其值与求解问题范围有关,在这里我们把α赋值为粒子维度的随机数:
x t + 1 = x t + random ( size ( D ) ) &CirclePlus; Levy ( &beta; )
公式中表示矩阵的内积运算。
因此一个更有意义的随机步长s的公式为:
s = random ( size ( D ) ) &CirclePlus; Levy ( &beta; ) ~ 0.01 &mu; | v | 1 / &beta; ( x j i - gbest t )
其中size(D)是问题维度,μ和v可用从如下分布中获得
&mu; ~ N ( 0 , &sigma; &mu; 2 ) , v ~ N ( 0 , &sigma; v 2 )
其中
&sigma; u = { &Gamma; ( 1 + &beta; ) sin ( &pi;&beta; 2 ) &Gamma; [ ( 1 + &beta; 2 ) ] &beta; 2 ( &beta; - 1 ) / 2 } 1 / &beta; , &sigma; v = 1
上面公式中,β取值是[0,2]之间的随机数。
(5)迭代次数达到最大迭代次数时,停止迭代,全局最优值pg就是最优任务调度方案,按照此方案将任务分配给不同的处理机进行处理。
本发明效果可以通过以下仿真实验进一步说明。
(1)仿真环境:
本发明的仿真环境是在CPU主频3.8GHz的AMD A10-5800K、8G内存、Windows 7专业版的环境下,使用CloudSim仿真器进行仿真实验。实验中算法的种群规模设置为50,最大迭代次数设置为200,算法运行50次求取平均值。
(2)实验内容:
为了本发明算法的性能,在实验中通过本发明算法与遗传算法(GA)、标准粒子群算法(PSO)、引入混合蛙跳搜索策略的人工蜂群粒子群算法(ABCSFL-PSO)三种算法进行对比实验。为了更加准确的说明本文发明的算法在基于服务收益和低功耗的云计算模型上的调度能力,通过调度完成所有任务的耗时、单位时间收益和处理机功耗这三个方面进行对比实验。
(3)实验结果分析:
图2是4种算法调度完成所有数量的任务所需时间的柱形图,从图中可以看出,本发明的LFABC-PSO算法耗时在不同任务数量的情况下均最少。图3是4种算法在不同任务数量情况下的单位时间收益,本发明的LFABC-PSO算法收益最高。图4展示了4种算法在调度完所有任务的功耗,从图中可以看出本发明的LFABC-PSO算法调度完所有任务的功耗最低。
以上实验充分证明了,本发明的LFABC-PSO算法在云计算任务调度问题中具有比其他算法更优的调度能力。

Claims (2)

1.基于服务收益和低功耗的云计算调度模型,包括如下描述:
(1)相关符号约定
为了更好的描述和分析问题,做如下假设:一个任务只能分配到一个节点上执行、任务之间不能抢占、处理机能够处理任意类型的任务。
集合VM={vm1,vm2,…,vmn}表示n台处理机集合,集合T={t1,t2,…,tm}表示m个任务集合。Budgeti表示用户对完成任务ti的预算,即云服务提供方按时完成任务ti获得的收入。Deadlinei是任务ti调度完成的最晚时间,如果云计算服务商能够在Deadlinei时间内对任务ti完成计算,那么云计算机服务商不用支付赔偿,否则需要按照违约时间支付相应数额的赔偿。
Instru_counti表示任务ti的计算规模即单位指令数量,Time_finii表示任务ti预计完成时间,Instru_costj表示虚拟机vmj处理任务的单位指令执行成本。
Delay_costi是任务ti的延迟单价,即云计算服务商在处理任务ti时,如果在Deadlinei时间之前没有完成任务,则每延迟单位时间就要向提交任务ti的用户赔偿Delay_costi
Worstlinei是任务ti能够忍受的最大时间,即如果任务ti在Worstlinei时还没有调度完成,则云计算服务商向用户支付的赔偿达到上限,将不再继续支付赔偿。由于Time_finii是预计任务完成时间,而Worstlinei是赔偿上限时间,因此Time_finii<Worstlinei,否则任务无法调度完成。
Energy_costj是处理机VMj单位时间功耗。
(2)调度目标
用户在将任务提交给云计算服务商之前会更具自己的预算和紧急情况制定任务调度的QoS目标约束,云计算服务商接受到用户所提交QoS约束的任务后会进行调度收益的估算,用以判断是否接受用户提交的调度请求。
设任务ti分配给处理机VMj进行处理,则处理机VMj完成任务ti调度的计算成本如下:
Comp _ cos t j i = Instru _ cos t j &times; Instru _ count i
其中Instru_costj是处理单位指令的成本,Instru_counti是任务的单位指令数量。
处理机VMj完成任务ti所获得的收益为:
Revenue j i = Budget i - Fine j i - Comp _ cos t j i
其中Budgeti为用户为完成任务ti的预算资金,是处理机VMj因未按时完成任务ti所要赔偿给用户的金额。的计算公式如下:
Fine j i = 0 Time _ fini i < Deadline i Delay _ cos t i &times; ( Time _ fini i - Deadline i ) Worstline i > Time _ fini i Budget i Time _ fini i &GreaterEqual; Worstline i &GreaterEqual; Deadline i
任务ti被分配到处理机VMj上,执行的功耗为:
Energy _ vm j i = Energy _ cos t j &times; ( Instru _ count i Power _ vm j )
其中Power_vmj表示处理机j的处理能力。
为了更好的表示目标函数,这里假设分配矩阵为X其中元素xi,j=1表示任务i被分配到处理机j,否则xi,j=0。云服务商完成任务集合T={t1,t2,…,tm}所获得的收益为:
Revenue = &Sigma; j = 1 n &Sigma; i = 1 m ( Revenue j i &times; x i , j )
云服务商调度任务T={t1,t2,…,tm}所消耗的功耗为:
Energy = &Sigma; j = 1 n &Sigma; i = 1 m ( Energy _ vm j i &times; x i , j )
为了获得最大利益的同时尽量节省能源,实现绿色云计算,这里在目标调度函数上加入了功耗信息,目标调度函数如下:
Objective=max(Revenue-α·energy)
其中α是比率参数,用来调节功耗对收益的影响。
2.基于Levy飞行的人工蜂群粒子群算法的云计算任务调度方法,包括如下步骤:
(1)对处理机进行编号,载入任务,设置任务矩阵、处理机性能矩阵、处理机功耗矩阵和处理机成本矩阵,任务矩阵中存储各个任务的计算量,处理机矩阵存储各个处理机的处理能力,处理机功耗矩阵存储处理机的功率,处理机成本矩阵中存储处理机单位处理成本;其中任务计算量和处理机处理能力均用MIPS(Million Instructions Per Second,每秒处理的百万级的机器语言指令)表示。
(2)初始化种群:设粒子P={x1,x2,…,xn},其n是待调度的任务数量,x1,x2,…,xn代表分配的处理机机编号。以此方式初始化粒子群中的各个粒子。每个粒子代表一种分配方案,对各个粒子代表的分配方案带入发明内容1中的目标调度函数中计算收益,找出收益最大的粒子为全局最优值,各个粒子自身为粒子的局部最优值。
(3)对每个粒子进行速度和位置利用如下公式进行更新
vi(t+1)=vi(t)+c1·r1(pi(t)-xi(t))+c2·r2·(pg(t)-xi(t))
xi(t+1)=xi(t)+vi(t+1)
其中t表示第t次迭代,同理t+1表示t的下一次迭代,c1和c2是粒子的加速度常数,通常取值范围是[0,2],r1和r2是[0,1]之间的随机数,pi表示第i个粒子的局部最优位置,pg表示粒子群的全局最优位置。公式(2.6)是速度限制,防止粒子在运动过程中飞出解空间。k和j是随机数,且k∈[1,N],j∈[1,D],k≠j;是[-1,1]之间的随机数。
(4)对步骤(3)进行迭代,在迭代过程中,如果全局最优值位置连续10次没有更新,则采用如下公式在全局最优值附近进行搜索:
x t + 1 = x t + &alpha; &CirclePlus; Levy ( &beta; )
其中α是单位步长,其值与求解问题范围有关,在这里我们把α赋值为粒子维度的随机数:
x t + 1 = x t + random ( size ( D ) ) &CirclePlus; Levy ( &beta; )
公式中表示矩阵的内积运算。
(5)迭代次数达到最大迭代次数时,停止迭代,全局最优值pg就是最优任务调度方案,按照此方案将任务分配给不同的处理机进行处理。
CN201510203345.1A 2015-04-24 2015-04-24 基于Levy飞行的人工蜂群粒子群算法的云计算任务调度方法 Expired - Fee Related CN104793993B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510203345.1A CN104793993B (zh) 2015-04-24 2015-04-24 基于Levy飞行的人工蜂群粒子群算法的云计算任务调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510203345.1A CN104793993B (zh) 2015-04-24 2015-04-24 基于Levy飞行的人工蜂群粒子群算法的云计算任务调度方法

Publications (2)

Publication Number Publication Date
CN104793993A true CN104793993A (zh) 2015-07-22
CN104793993B CN104793993B (zh) 2017-11-17

Family

ID=53558806

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510203345.1A Expired - Fee Related CN104793993B (zh) 2015-04-24 2015-04-24 基于Levy飞行的人工蜂群粒子群算法的云计算任务调度方法

Country Status (1)

Country Link
CN (1) CN104793993B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105302630A (zh) * 2015-10-26 2016-02-03 深圳大学 一种虚拟机的动态调整方法及其系统
CN105338098A (zh) * 2015-11-18 2016-02-17 中国科学院计算机网络信息中心 一种基于改进pso算法的云计算负载均衡方法
CN105740648A (zh) * 2016-01-21 2016-07-06 江南大学 一种基于人工蜂群与粒子群混合算法的蛋白质耐热温度的多元线性回归计算方法
CN106650790A (zh) * 2016-11-21 2017-05-10 中国科学院东北地理与农业生态研究所 一种基于蜂群智能的遥感影像聚类方法
CN107092522A (zh) * 2017-03-30 2017-08-25 阿里巴巴集团控股有限公司 实时数据的计算方法及装置
CN107315642A (zh) * 2017-06-22 2017-11-03 河南科技大学 一种绿色云服务提供中的最小能耗计算方法
CN109788046A (zh) * 2018-12-29 2019-05-21 河海大学 一种基于改进蜂群算法的多策略边缘计算资源调度方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020165783A1 (en) * 2001-05-02 2002-11-07 Jean-Charles Gonthier Accounting in peer-to-peer data communication networks
CN102004671A (zh) * 2010-11-15 2011-04-06 北京航空航天大学 一种云计算环境下数据中心基于统计模型的资源管理方法
US20110173038A1 (en) * 2010-01-12 2011-07-14 Nec Laboratories America, Inc. Constraint-conscious optimal scheduling for cloud infrastructures
CN102184503A (zh) * 2011-04-07 2011-09-14 上海兆民云计算科技有限公司 一种基于租借实例云计算计费方法
CN103699446A (zh) * 2013-12-31 2014-04-02 南京信息工程大学 基于量子粒子群优化算法的多目标工作流动态调度方法
US8776076B2 (en) * 2010-07-20 2014-07-08 Nec Laboratories America, Inc. Highly scalable cost based SLA-aware scheduling for cloud services
CN104391737A (zh) * 2014-12-15 2015-03-04 成都英力拓信息技术有限公司 云平台中负载平衡的优化方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020165783A1 (en) * 2001-05-02 2002-11-07 Jean-Charles Gonthier Accounting in peer-to-peer data communication networks
US20110173038A1 (en) * 2010-01-12 2011-07-14 Nec Laboratories America, Inc. Constraint-conscious optimal scheduling for cloud infrastructures
US8776076B2 (en) * 2010-07-20 2014-07-08 Nec Laboratories America, Inc. Highly scalable cost based SLA-aware scheduling for cloud services
CN102004671A (zh) * 2010-11-15 2011-04-06 北京航空航天大学 一种云计算环境下数据中心基于统计模型的资源管理方法
CN102184503A (zh) * 2011-04-07 2011-09-14 上海兆民云计算科技有限公司 一种基于租借实例云计算计费方法
CN103699446A (zh) * 2013-12-31 2014-04-02 南京信息工程大学 基于量子粒子群优化算法的多目标工作流动态调度方法
CN104391737A (zh) * 2014-12-15 2015-03-04 成都英力拓信息技术有限公司 云平台中负载平衡的优化方法

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105302630A (zh) * 2015-10-26 2016-02-03 深圳大学 一种虚拟机的动态调整方法及其系统
CN105302630B (zh) * 2015-10-26 2018-07-13 深圳大学 一种虚拟机的动态调整方法及其系统
CN105338098A (zh) * 2015-11-18 2016-02-17 中国科学院计算机网络信息中心 一种基于改进pso算法的云计算负载均衡方法
CN105740648A (zh) * 2016-01-21 2016-07-06 江南大学 一种基于人工蜂群与粒子群混合算法的蛋白质耐热温度的多元线性回归计算方法
CN105740648B (zh) * 2016-01-21 2018-07-06 江南大学 一种基于人工蜂群与粒子群混合算法的蛋白质耐热温度的多元线性回归计算方法
CN106650790A (zh) * 2016-11-21 2017-05-10 中国科学院东北地理与农业生态研究所 一种基于蜂群智能的遥感影像聚类方法
CN107092522A (zh) * 2017-03-30 2017-08-25 阿里巴巴集团控股有限公司 实时数据的计算方法及装置
CN107092522B (zh) * 2017-03-30 2020-07-21 阿里巴巴集团控股有限公司 实时数据的计算方法及装置
CN107315642A (zh) * 2017-06-22 2017-11-03 河南科技大学 一种绿色云服务提供中的最小能耗计算方法
CN107315642B (zh) * 2017-06-22 2020-06-26 河南科技大学 一种绿色云服务提供中的最小能耗计算方法
CN109788046A (zh) * 2018-12-29 2019-05-21 河海大学 一种基于改进蜂群算法的多策略边缘计算资源调度方法
CN109788046B (zh) * 2018-12-29 2020-06-16 河海大学 一种基于改进蜂群算法的多策略边缘计算资源调度方法

Also Published As

Publication number Publication date
CN104793993B (zh) 2017-11-17

Similar Documents

Publication Publication Date Title
CN104793993A (zh) 基于Levy飞行的人工蜂群粒子群算法的云计算任务调度方法
CN106020927B (zh) 一种云计算系统中任务调度与资源配置的通用方法
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
US20080244611A1 (en) Product, method and system for improved computer data processing capacity planning using dependency relationships from a configuration management database
CN107659433A (zh) 一种云资源调度方法及设备
CN103970609A (zh) 一种基于改进蚁群算法的云数据中心任务调度方法
Chakravarthi et al. TOPSIS inspired budget and deadline aware multi-workflow scheduling for cloud computing
Hussain et al. SLA-RALBA: cost-efficient and resource-aware load balancing algorithm for cloud computing
Hao et al. An adaptive algorithm for scheduling parallel jobs in meteorological Cloud
Zhou et al. Concurrent workflow budget-and deadline-constrained scheduling in heterogeneous distributed environments
Vijaya Krishna et al. Task scheduling based on hybrid algorithm for cloud computing
CN108428051A (zh) 面向大数据平台基于最大化收益的MapReduce作业调度方法及装置
Neelakantan et al. Proficient job scheduling in cloud computation using an optimized machine learning strategy
He et al. A two-stage scheduling method for deadline-constrained task in cloud computing
Chen et al. Real-time task scheduling algorithm for cloud computing based on particle swarm optimization
Hosny et al. Characterizing and optimizing EDA flows for the cloud
CN109544234A (zh) 一种云环境下基于帕累托最优的资源定价方法
Badr et al. Task consolidation based power consumption minimization in cloud computing environment
CN111522637B (zh) 一种基于成本效益的storm任务调度方法
CN116880994A (zh) 基于动态dag的多处理器任务调度方法、装置及设备
Kumar Mishra et al. Cs-based energy-efficient service allocation in cloud
CN115098240B (zh) 一种多处理器应用调度方法和系统及存储介质
Zhou et al. Stability property of clouds and cooperative scheduling policies on multiple types of resources in cloud computing
US11550625B2 (en) Utilizing machine learning to concurrently optimize computing resources and licenses in a high-performance computing environment
Zheng et al. Scheduling Generative-AI DAGs with Model Serving in Data Centers

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
EXSB Decision made by sipo to initiate substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20190115

Address after: 311121 Room 801, Building 9, 1818-2 Wenyi West Road, Yuhang Street, Hangzhou City, Zhejiang Province

Patentee after: Hangzhou Yuanxingzhi Information Technology Co.,Ltd.

Address before: 214122 1800 Lihu Avenue, Binhu District, Wuxi, Jiangsu

Patentee before: Jiangnan University

CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20171117