CN105468452A - 一种资源池的分配方法及资源调度器 - Google Patents

Abstract

本发明公开了一种资源池的分配方法及资源调度器，该方法包括：将一个应用任务划分为多个子任务；根据子任务之间的依赖关系，将该应用任务的多个子任务划分为一个或多个集合；建立目标函数，该目标函数为各所述集合利用分配到的资源池执行任务时，所占用资源池的计算能力之和，及带宽资源之和；为一个应用任务的各个集合从多个可选资源池中选择相应的资源池，作为该应用任务的一个资源池分配方案；利用粒子群算法求解使所述目标函数值最小的资源池分配方案；按照求解得到的资源池分配方案进行分配。本发明通过建立目标函数，利用粒子群算法对云环境中异构资源池分配管理进行优化改进，能够快速且高效地为云计算应用任务选择最优的资源池分配方案。

Description

一种资源池的分配方法及资源调度器

技术领域

本发明涉及通信领域，具体涉及一种资源池的分配方法及资源调度器。

背景技术

目前云计算环境中，业务通常只在某个云计算资源池中完成，相比于传统的串行事务处理模式，提出了异构云计算基础设施即服务(InfrastructureasaService，简称IaaS)资源池，即将异构的私有云和公有云组合起来作为一个大的资源池供云计算资源调度器调度。在异构云计算IaaS资源池中，应用程序和服务可以被分解为更小的组件，称为子任务。如图1所示，一个应用被划分为8个子任务，一个应用程序的子任务工作的逻辑顺序被称为工作流，它通常是由一个有向非循环图表示。一个节点代表一个子任务，而弧线表示他们的数据依赖关系。每个节点工作完成后，根据依赖关系到下一个节点执行相应的工作。云计算资源调度器负责，将多个子任务分配到一个或多个云计算资源池(包括私有云和公有云)中执行，以保证工作流在满足服务质量的执行时间内完成。云计算资源调度器与多个云计算资源池(包括私有云和公有云)自动交互，收集有关资源信息和各个资源池的性能参数，存储在云调度器中，用户提交工作流程后，云计算资源调度器运行调度算法来启动决策过程。

例如，处理大量图像的应用程序可以通过不同的工作分解成较小的子任务，并行处理。由于多个子任务之间具有相互依赖性，并且每个IaaS资源池的计算能力和带宽能力都不同，因此，为各个子任务选择不同的资源池存在有多种备选的分配方案，不同的分配方案可能会带来不同的性能/处理能力，而目前缺乏一种为一个应用程序选择最佳的资源池组合成的方案。

发明内容

本发明需要解决的技术问题是提供一种资源池的分配方法及资源调度器，快速且高效地为云计算应用任务选择最优的资源池分配方案。

为了解决上述技术问题，本发明提供了一种资源池的分配方法，包括：

将一个应用任务划分为多个子任务；根据子任务之间的依赖关系，将所述应用任务的多个子任务划分为一个或多个集合；

建立目标函数，所述目标函数为各所述集合利用分配到的资源池执行任务时，所占用资源池的计算能力之和，及带宽资源之和；

为一个应用任务的各个集合从多个可选资源池中选择相应的资源池，作为所述应用任务的一个资源池分配方案；利用粒子群算法求解使所述目标函数值最小的资源池分配方案；

按照求解得到的资源池分配方案进行分配。

进一步地，所述方法还包括：设置资源池分配约束条件，包括以下的一种或多种：代价、时延和可靠性；

在利用粒子群算法求解使所述目标函数值最小的资源池分配方案之前，所述方法还包括：

从多个资源池分配方案中筛除掉不符合所述资源池分配约束条件的资源分配方案。

进一步地，所述从多个资源池分配方案中筛除掉不符合所述资源池分配约束条件的资源分配方案，包括：

计算所述应用任务的一个资源分配方案占用资源池的总代价、总时延和总可靠性，当不满足以下任一条件时筛除掉该资源分配方案：

所述应用任务的一个资源分配方案占用资源池的总代价大于预设的代价阈值；

所述应用任务的一个资源分配方案占用资源池的总时延大于预设的时延阈值；

所述应用任务的一个资源分配方案占用资源池的总可靠性小于预设的可靠性阈值。

进一步地，所述利用粒子群算法求解使所述目标函数值最小的资源池分配方案，包括：

第1步：对粒子的位置和速度进行随机初始化，并且将粒子的个体最优设为当前位置，将粒子的群体最优设为整个粒子群当前的最优位置，将进化迭代次数设为0；

其中，所述应用任务的一个资源分配方案代表所述粒子群算法中的一个粒子的位置；

第2步：计算每个粒子的适应值，所述应用任务的一个资源分配方案计算得到的目标函数值代表所述粒子群算法中每个粒子的适应值；

第3步：对于每个粒子，将其适应值与个体最优的适应值进行比较，如果粒子当前的适应值比其个体最优的适应值要好，则其个体最优被当前位置所替代；

第4步：若该粒子的个体最优的适应值比群体最优的适应值要好，则群体最优被该粒子的个体最优所替代，将该粒子的个体最优作为本次迭代的群体最优；

第5步：对每个粒子，根据粒子群速度更新公式和粒子群位置更新公式对粒子的速度和位置进行更新；

第6步：进化迭代次数加1，如果所述进化迭代次数没有达到预定的结束条件，则转至第2步。否则，取当前群体最优输出，并结束。

为了解决上述技术问题，本发明还提供了一种资源调度器，包括：

划分模块，用于将一个应用任务划分为多个子任务；根据子任务之间的依赖关系，将所述应用任务的多个子任务划分为一个或多个集合；

目标函数建立模块，用于建立目标函数，所述目标函数为各所述集合利用分配到的资源池执行任务时，所占用资源池的计算能力之和，及带宽资源之和；

求解模块，用于为一个应用任务的各个集合从多个可选资源池中选择相应的资源池，作为所述应用任务的一个资源池分配方案；利用粒子群算法求解使所述目标函数值最小的资源池分配方案；

资源池分配模块，用于按照求解得到的资源池分配方案进行分配。

进一步地，所述求解模块，还用于设置资源池分配约束条件，包括以下的一种或多种：代价、时延和可靠性；

还用于在利用粒子群算法求解使所述目标函数值最小的资源池分配方案之前，从多个资源池分配方案中筛除掉不符合所述资源池分配约束条件的资源分配方案。

进一步地，所述求解模块，用于从多个资源池分配方案中筛除掉不符合所述资源池分配约束条件的资源分配方案，包括：

计算所述应用任务的一个资源分配方案占用资源池的总代价、总时延和总可靠性，当不满足以下任一条件时筛除掉该资源分配方案：

所述应用任务的一个资源分配方案占用资源池的总代价大于预设的代价阈值；

所述应用任务的一个资源分配方案占用资源池的总时延大于预设的时延阈值；

所述应用任务的一个资源分配方案占用资源池的总可靠性小于预设的可靠性阈值。

进一步地，所述求解模块，用于利用粒子群算法求解使所述目标函数值最小的资源池分配方案，包括：

对粒子的位置和速度进行随机初始化，并且将粒子的个体最优设为当前位置，将粒子的群体最优设为整个粒子群当前的最优位置，将进化迭代次数设为0；其中，所述应用任务的一个资源分配方案代表所述粒子群算法中的一个粒子的位置；

计算每个粒子的适应值，所述应用任务的一个资源分配方案计算得到的目标函数值代表所述粒子群算法中每个粒子的适应值；

对于每个粒子，将其适应值与个体最优的适应值进行比较，如果粒子当前的适应值比其个体最优的适应值要好，则其个体最优被当前位置所替代；

若该粒子的个体最优的适应值比群体最优的适应值要好，则群体最优被该粒子的个体最优所替代，将该粒子的个体最优作为本次迭代的群体最优；

对每个粒子，根据粒子群速度更新公式和粒子群位置更新公式对粒子的速度和位置进行更新；

进化迭代次数加1，如果所述进化迭代次数没有达到预定的结束条件，则转至计算每个粒子的适应值的步骤；否则，取当前群体最优输出。

与现有技术相比，本发明提供的资源池的分配方法及资源调度器，通过建立目标函数，利用粒子群算法对云环境中异构资源池分配管理进行优化改进，能够快速且高效地为云计算应用任务选择最优的资源池分配方案。

附图说明

图1是现有技术中云计算资源调度器为应用任务分配资源池的原理图；

图2是实施例中资源池的分配方法流程图；

图3是一个应用示例中资源池的分配方法流程示意图；

图4是实施例中资源调度器的结构图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，下文中将结合附图对本发明的实施例进行详细说明。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互任意组合。

实施例：

如图2所示，本实施例提供了一种资源池的分配方法，包括以下步骤：

S101：将一个应用任务划分为多个子任务；根据子任务之间的依赖关系，将所述应用任务的多个子任务划分为一个或多个集合；

依赖关系是指任务之间执行时的前驱、后继关系和并发执行等关系。可以将串行的子任务划分一个集合，将并行的子任务划分为不同的集合。例如，如图3所示，将一个应用任务划分为8个子任务，这8个子任务工作的逻辑顺序如图3中的有向非循环图所示，其中，子任务1、2串行工作，构成集合1，子任务3、4、5串行工作构成集合2，子任务6、7串行工作构成集合3，子任务8构成集合4，集合2、3并行工作。每个集合可以部署在多个可选择的资源池中，由此存在多个备选方案。

S102：建立目标函数，所述目标函数为各所述集合利用分配到的资源池执行任务时，所占用资源池的计算能力之和，及带宽资源之和；

其中，计算能力通常指占用资源池CPU的比例，带宽资源指占用资源池带宽资源的比例。

S103：为一个应用任务的各个集合从多个可选资源池中选择相应的资源池，作为所述应用任务的一个资源池分配方案；利用粒子群算法求解使所述目标函数值最小的资源池分配方案；

S104：按照求解得到的资源池分配方案进行分配。

在一个应用示例中，假设有m个集合，n个可选资源池，计算某一集合分配到某一个资源池占用该资源池的计算能力和带宽资源为：f_n(x_m)＝α×Comp(x_m)+β×Bandw(x_m)，其中，x表示某一集合，f表示某一资源池，Comp(x)表示资源池的计算能力，Bandw(x)表示资源池的带宽资源，α和β是权重因子，用来调节Comp(x)和Bandw(x)的相对重要性。所述目标函数可以用下面这个公式表示：

Z_r＝∑f_n(x_m)

其中，f_n(x_m)表示某一集合m选择某一资源池n，占用该资源池的计算能力和带宽资源。Z_r表示所述应用任务的一个资源池分配方案占用资源池的总计算能力和总带宽资源。

所述方法还包括：设置资源池分配约束条件，包括以下的一种或多种：代价、时延和可靠性；

在步骤S103中，在利用粒子群算法求解使所述目标函数值最小的资源池分配方案之前，所述方法还包括：

从多个资源池分配方案中筛除掉不符合所述资源池分配约束条件的资源分配方案。

其中，所述从多个资源池分配方案中筛除掉不符合所述资源池分配约束条件的资源分配方案，包括：

计算所述应用任务的一个资源分配方案占用资源池的总代价C(r)、总时延D(r)和总可靠性R(r)，当不满足以下任一条件时筛除掉该资源分配方案：

所述应用任务的一个资源分配方案占用资源池的总代价C(r)大于预设的代价阈值C_o；

所述应用任务的一个资源分配方案占用资源池的总时延D(r)大于预设的时延阈值D_o；

所述应用任务的一个资源分配方案占用资源池的总可靠性R(r)小于预设的可靠性阈值R_o。

其中，代价可以是一个子任务使用一个资源池时所需要支付的费用，通常由资源池提供者定义。例如，子任务使用云计算的资源池通常需要付费，即租用资源池的资源。例如，使用亚马逊的EC2服务需要付费。应用任务的一个资源分配方案占用资源池的总代价就是集合占用资源池支付的总费用。时延可以是在资源池中执行任务所需要的时间。对于串行子任务，需将时延依次相加，对于并行任务，则选择并行任务中最长的一个时间相加，最后求得应用任务的一个资源分配方案占用资源池的总时延。

可靠性表示资源池可用时间与总观察时间的比值，总观察时间，例如一周或一个月这样一段时间，对所有资源池进行评估，可用时间是测量一段时间内，资源池无故障的运行时间。每个资源池的总观察时间是相同的，整个任务的可靠性由各个集合可靠性相乘得到。例如，每个集合可靠性是0.5，即50％的概率不可靠，那么任务的可靠性是0.54，即只有4个集合都可靠的时候，整个任务才是可靠的。

本实施例通过设置资源池分配约束条件将资源分配方案的求解范围进一步缩小，进一步提高采用粒子群算法求解最佳资源池分配方案的效率。

在一个应用示例中，如图3所示，将一个应用任务划分为8个子任务，这8个子任务工作的逻辑顺序如图3中的有向非循环图所示，其中，任务1、2串行工作，构成集合1，任务3、4、5串行工作构成集合2，任务6、7串行工作构成集合3，任务8构成集合4，集合2、3并行工作。每个集合可以部署在多个可选择的资源池中，由此存在多个备选方案。

然后，建立目标函数:Z_r＝∑f_n(x_m)，所述目标函数为各个集合分配到相应的资源池执行任务占用资源池的总计算能力和总带宽资源；

其中，f_n(x_m)＝α×Comp(x_m)+β×Bandw(x_m)，m＝1,2,3,4，n为可选资源池的个数，表示某一集合m选择某一资源池，占用该资源池的计算能力和带宽资源。Z_r表示所述应用任务的某一个资源池分配方案占用资源池的总计算能力和总带宽资源。Comp(x)表示资源池的计算能力，Bandw(x)表示资源池的带宽资源，α和β是权重因子，用来调节Comp(x)和Bandw(x)的相对重要性。

其中，对于每个集合，将其子任务占用资源池的计算能力和带宽资源求和，例如，对于集合1，其占用某一资源池的计算能力和带宽资源就是子任务1和子任务2占用某一资源池的计算能力和带宽资源的和。

每个集合可以部署在多个可选择的资源池中，由此存在多个备选方案。为一个应用任务的各个集合从多个可选资源池中选择相应的资源池，作为所述应用任务的一个资源池分配方案；而本实施例的目的就是选出最优的资源池分配方案。

进一步地，可以通过设置资源池分配约束条件，筛除掉不符合所述资源池分配约束条件的资源分配方案。

所述从多个资源池分配方案中筛除掉不符合所述资源池分配约束条件的资源分配方案，包括：

计算所述应用任务的一个资源分配方案占用资源池的总代价、总时延和总可靠性C(r)、D(r)和R(r)，当不满足以下任一条件时筛除掉该资源分配方案：

所述应用任务的一个资源分配方案占用资源池的总代价大于预设的代价阈值C_o；

所述应用任务的一个资源分配方案占用资源池的总时延大于预设的时延阈值D_o；

所述应用任务的一个资源分配方案占用资源池的总可靠性小于预设的可靠性阈值R_o。

其中，对于每个集合，占用某一资源池的时延和代价就是集合中所有子任务占用某一资源池的时延和代价的和；占用某一资源池的可靠性就是集合中所有子任务占用某一资源池的可靠性的乘积；例如，集合1占用某一资源池的时延和代价就是子任务1和子任务2占用某一资源池的时延和代价的和，集合1占用某一资源池的可靠性就是子任务1和子任务2占用某一资源池的可靠性的乘积。

所述应用任务的一个资源分配方案占用资源池的总代价和总时延就是所有集合占用某一资源池的时延和代价的和；需要说明的是，当两个或多个集合是并行拓扑结构时，则选择其中时延较大的一个集合的时延作为这些集合共同的时延，例如，如图3所示，集合2和集合3构成并行拓扑结构，时延是集合2、3的时延最大者，所述应用任务的一个资源分配方案占用资源池的总时延＝D₁+max(D₂，D₃)+D₄。

其中，Co、Do、Ro由资源调度器根据实际情况设置。

最后，针对目标函数，利用粒子群算法求解。

粒子群算法的流程如下：

第1步：对粒子的位置和速度进行随机初始化，并且将个体的历史最优，即个体最优设为当前位置，将群体中最优的个体位置，即群体最优设为整个粒子群当前的最优位置，将进化迭代次数设为0；

其中，所述应用任务的一个资源分配方案代表所述粒子群算法中的一个粒子的位置，即一个解；

第2步：计算每个粒子的适应值；

所述应用任务的一个资源分配方案计算得到的目标函数值Zr代表所述粒子群算法中每个粒子的适应值。

第3步：对于每个粒子，将其适应值与个体最优的适应值进行比较，如果粒子当前的适应值比其个体最优的适应值要好，则其个体最优被当前位置所替代；

第4步：若该粒子的个体最优的适应值比群体最优的适应值要好，则群体最优被该粒子的个体最优所替代，将该粒子的个体最优作为本次迭代的群体最优；

第5步：对每个粒子，根据粒子群速度更新公式和粒子群位置更新公式对粒子的速度和位置进行更新；

第6步：进化迭代次数加1，如果所述进化迭代次数没有达到预定的结束条件，则转至第2步，否则，取当前群体最优输出，并结束。

其中，结束条件是迭代的次数限制，由使用者根据实际情况设置；

其中，粒子群速度更新公式和粒子群位置更新公式分别为：

$v_{\mathrm{bi}}^{k+1}=\mathrm{\ω}{v}_{\mathrm{bi}}^k+c_1\mathrm{\ξ}(p_{\mathrm{bi}}^k-x_{\mathrm{bi}}^k)+c_2\mathrm{\η}(p_{\mathrm{gi}}^k-x_{\mathrm{bi}}^k)$

$x_{\mathrm{bi}}^{k+1}=x_{\mathrm{bi}}^k+v_{\mathrm{bi}}^{k+1}$

上式中，k是迭代次数，是第b个粒子在第i维的位置，其飞行速度为该粒子当前搜索到的最优位置，即粒子的个体最优值为整个粒子群当前搜索到的最优位置，即群体最优为ω是惯性权重，可以通过经验值进行设置和调整；ξ和η是[0,1]之间的随机数，用以保持群体的多样性；c1和c2是学习因子。

如图4所示，本实施例提供了一种资源调度器，包括：

划分模块，用于将一个应用任务划分为多个子任务；根据子任务之间的依赖关系，将所述应用任务的多个子任务划分为一个或多个集合；

目标函数建立模块，用于建立目标函数，所述目标函数为各所述集合利用分配到的资源池执行任务时，所占用资源池的计算能力之和，及带宽资源之和；

求解模块，用于为一个应用任务的各个集合从多个可选资源池中选择相应的资源池，作为所述应用任务的一个资源池分配方案；利用粒子群算法求解使所述目标函数值最小的资源池分配方案；

资源池分配模块，用于按照求解得到的资源池分配方案进行分配。

其中，所述求解模块，还用于设置资源池分配约束条件，包括以下的一种或多种：代价、时延和可靠性；

还用于在利用粒子群算法求解使所述目标函数值最小的资源池分配方案之前，从多个资源池分配方案中筛除掉不符合所述资源池分配约束条件的资源分配方案。

其中，所述求解模块，用于从多个资源池分配方案中筛除掉不符合所述资源池分配约束条件的资源分配方案，包括：

计算所述应用任务的一个资源分配方案占用资源池的总代价、总时延和总可靠性，当不满足以下任一条件时筛除掉该资源分配方案：

所述应用任务的一个资源分配方案占用资源池的总代价大于预设的代价阈值；

所述应用任务的一个资源分配方案占用资源池的总时延大于预设的时延阈值；

所述应用任务的一个资源分配方案占用资源池的总可靠性小于预设的可靠性阈值。

其中，所述求解模块，用于利用粒子群算法求解使所述目标函数值最小的资源池分配方案，包括：

对粒子的位置和速度进行随机初始化，并且将粒子的个体最优设为当前位置，将粒子的群体最优设为整个粒子群当前的最优位置，将进化迭代次数设为0；其中，所述应用任务的一个资源分配方案代表所述粒子群算法中的一个粒子的位置；

计算每个粒子的适应值，所述应用任务的一个资源分配方案计算得到的目标函数值代表所述粒子群算法中每个粒子的适应值；

对于每个粒子，将其适应值与个体最优的适应值进行比较，如果粒子当前的适应值比其个体最优的适应值要好，则其个体最优被当前位置所替代；

若该粒子的个体最优的适应值比群体最优的适应值要好，则群体最优被该粒子的个体最优所替代，将该粒子的个体最优作为本次迭代的群体最优；

对每个粒子，根据粒子群速度更新公式和粒子群位置更新公式对粒子的速度和位置进行更新；

进化迭代次数加1，如果所述进化迭代次数没有达到预定的结束条件，则转至计算每个粒子的适应值的步骤；否则，取当前群体最优输出。

从上述实施例可以看出，相对于现有技术，上述实施例中提供的资源池的分配方法及资源调度器，通过建立目标函数，利用粒子群算法对云环境中异构资源池分配管理进行优化改进，能够快速且高效地为云计算应用任务选择最优的资源池分配方案。

本领域普通技术人员可以理解上述方法中的全部或部分步骤可通过程序来指令相关硬件完成，所述程序可以存储于计算机可读存储介质中，如只读存储器、磁盘或光盘等。可选地，上述实施例的全部或部分步骤也可以使用一个或多个集成电路来实现。相应地，上述实施例中的各模块/单元可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。本发明不限制于任何特定形式的硬件和软件的结合。

以上所述仅为本发明的优选实施例而已，并非用于限定本发明的保护范围。根据本发明的发明内容，还可有其他多种实施例，在不背离本发明精神及其实质的情况下，熟悉本领域的技术人员当可根据本发明作出各种相应的改变和变形，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种资源池的分配方法，包括：

将一个应用任务划分为多个子任务；根据子任务之间的依赖关系，将所述应用任务的多个子任务划分为一个或多个集合；

建立目标函数，所述目标函数为各所述集合利用分配到的资源池执行任务时，所占用资源池的计算能力之和，及带宽资源之和；

为一个应用任务的各个集合从多个可选资源池中选择相应的资源池，作为所述应用任务的一个资源池分配方案；利用粒子群算法求解使所述目标函数值最小的资源池分配方案；

按照求解得到的资源池分配方案进行分配。

2.如权利要求1所述的方法，其特征在于：

所述方法还包括：设置资源池分配约束条件，包括以下的一种或多种：代价、时延和可靠性；

在利用粒子群算法求解使所述目标函数值最小的资源池分配方案之前，所述方法还包括：

从多个资源池分配方案中筛除掉不符合所述资源池分配约束条件的资源分配方案。

3.如权利要求2所述的方法，其特征在于：

所述从多个资源池分配方案中筛除掉不符合所述资源池分配约束条件的资源分配方案，包括：

计算所述应用任务的一个资源分配方案占用资源池的总代价、总时延和总可靠性，当不满足以下任一条件时筛除掉该资源分配方案：

所述应用任务的一个资源分配方案占用资源池的总代价大于预设的代价阈值；

所述应用任务的一个资源分配方案占用资源池的总时延大于预设的时延阈值；

所述应用任务的一个资源分配方案占用资源池的总可靠性小于预设的可靠性阈值。

4.如权利要求2所述的方法，其特征在于：

所述利用粒子群算法求解使所述目标函数值最小的资源池分配方案，包括：

第1步：对粒子的位置和速度进行随机初始化，并且将粒子的个体最优设为当前位置，将粒子的群体最优设为整个粒子群当前的最优位置，将进化迭代次数设为0；

其中，所述应用任务的一个资源分配方案代表所述粒子群算法中的一个粒子的位置；

第2步：计算每个粒子的适应值，所述应用任务的一个资源分配方案计算得到的目标函数值代表所述粒子群算法中每个粒子的适应值；

第3步：对于每个粒子，将其适应值与个体最优的适应值进行比较，如果粒子当前的适应值比其个体最优的适应值要好，则其个体最优被当前位置所替代；

第4步：若该粒子的个体最优的适应值比群体最优的适应值要好，则群体最优被该粒子的个体最优所替代，将该粒子的个体最优作为本次迭代的群体最优；

第5步：对每个粒子，根据粒子群速度更新公式和粒子群位置更新公式对粒子的速度和位置进行更新；

第6步：进化迭代次数加1，如果所述进化迭代次数没有达到预定的结束条件，则转至第2步；否则，取当前群体最优输出，并结束。

5.一种资源调度器，包括：

划分模块，用于将一个应用任务划分为多个子任务；根据子任务之间的依赖关系，将所述应用任务的多个子任务划分为一个或多个集合；

目标函数建立模块，用于建立目标函数，所述目标函数为各所述集合利用分配到的资源池执行任务时，所占用资源池的计算能力之和，及带宽资源之和；

求解模块，用于为一个应用任务的各个集合从多个可选资源池中选择相应的资源池，作为所述应用任务的一个资源池分配方案；利用粒子群算法求解使所述目标函数值最小的资源池分配方案；

资源池分配模块，用于按照求解得到的资源池分配方案进行分配。

6.如权利要求5所述的资源调度器，其特征在于：

所述求解模块，还用于设置资源池分配约束条件，包括以下的一种或多种：代价、时延和可靠性；

还用于在利用粒子群算法求解使所述目标函数值最小的资源池分配方案之前，从多个资源池分配方案中筛除掉不符合所述资源池分配约束条件的资源分配方案。

7.如权利要求6所述的资源调度器，其特征在于：

所述求解模块，用于从多个资源池分配方案中筛除掉不符合所述资源池分配约束条件的资源分配方案，包括：

计算所述应用任务的一个资源分配方案占用资源池的总代价、总时延和总可靠性，当不满足以下任一条件时筛除掉该资源分配方案：

所述应用任务的一个资源分配方案占用资源池的总代价大于预设的代价阈值；

所述应用任务的一个资源分配方案占用资源池的总时延大于预设的时延阈值；

所述应用任务的一个资源分配方案占用资源池的总可靠性小于预设的可靠性阈值。

8.如权利要求6所述的资源调度器，其特征在于：

所述求解模块，用于利用粒子群算法求解使所述目标函数值最小的资源池分配方案，包括：

对粒子的位置和速度进行随机初始化，并且将粒子的个体最优设为当前位置，将粒子的群体最优设为整个粒子群当前的最优位置，将进化迭代次数设为0；其中，所述应用任务的一个资源分配方案代表所述粒子群算法中的一个粒子的位置；

计算每个粒子的适应值，所述应用任务的一个资源分配方案计算得到的目标函数值代表所述粒子群算法中每个粒子的适应值；

对于每个粒子，将其适应值与个体最优的适应值进行比较，如果粒子当前的适应值比其个体最优的适应值要好，则其个体最优被当前位置所替代；

若该粒子的个体最优的适应值比群体最优的适应值要好，则群体最优被该粒子的个体最优所替代，将该粒子的个体最优作为本次迭代的群体最优；

对每个粒子，根据粒子群速度更新公式和粒子群位置更新公式对粒子的速度和位置进行更新；

进化迭代次数加1，如果所述进化迭代次数没有达到预定的结束条件，则转至计算每个粒子的适应值的步骤；否则，取当前群体最优输出。