CN106936892A - 一种自组织云多对多计算迁移方法及系统 - Google Patents

Abstract

本发明公开了一种自组织云多对多计算迁移方法及系统。中央调度管理器收集并管理各节点设备发送的任务请求，定时采用遗传蚁群任务调度算法进行任务调度，并将任务调度结果返回至源节点设备；源节点设备接收到任务调度结果后将任务迁移至目标节点设备；目标节点设备按任务队列执行任务，执行完该任务后将任务输出数据发送回源节点设备。本发明研究了对等自组织云网络环境下的任务调度问题，描述任务调度模型和任务调度策略，针对任务调度问题中的最小任务平均执行时长、负载均衡、最小任务平均执行能耗等优化目标，设计了基于遗传蚁群算法的任务调度算法。

Description

一种自组织云多对多计算迁移方法及系统

技术领域

本发明涉及计算机理论领域，特别是指一种自组织云多对多计算迁移方法及系统。

背景技术

随着全球信息化和智能化技术的发展，智能终端和各种物联网节点设备作为人们享受智能化和信息化生活的接口，作为在最底层采集、计算和传输信息的载体，以及各种智能化和信息化功能的具体执行者，在人们生活中担当着日益重要的角色。在智能终端设备不断发展的背景下，自组织网络将成为各个终端设备协同工作、互相协作，创造更高应用服务的主要组织形式。然而由于自身固有的资源限制，这些设备往往无法满足日益提升的需求，计算迁移技术利用网络中的闲散资源，将终端设备上的任务迁移至其他资源丰富的设备上执行，有效解决了这一问题，成为当下研究的热点。

按照计算迁移的目的设备划分可以将计算迁移分为三种：远端云计算迁移、本地云计算迁移和自组织云计算迁移。第一种是指节点设备将计算任务迁移至远程数据中心执行并接收其执行结果，远端云通常具备强大的计算能力，但要求节点设备具有远程通信能力，且网络时延大，不够稳定。第二种是指节点设备将任务迁移至本地云端，本地云为节点设备附近的高可用资源(如小型服务器、基站资源等)，这种模式可减少通信和时间开销，但是建设和维护成本较高。第三种是指节点设备将任务迁移至附近其他节点设备上执行，各个节点设备组成自组织云，云中的节点设备可以提供和享受云服务并且具有数据转发能力，虽然单一设备提供资源有限，但网络中设备众多可以弥补这一缺陷，且通信和时间开销进一步降低。自组织云计算迁移通过移动自组织网络的形式将终端设备联结在一起，整合出网络中各个节点设备的空闲资源，形成自组织云资源池，网络内的节点设备互相提供云资源，并可以通过多跳形式相互访问，实现资源共享。在终端设备数量和性能日益提升的今天，自组织云网络具有重大研究意义。

在移动云计算、机器人网络、车联网、自组织网、网格计算等领域有许多移动自组织云计算迁移技术研究。Hu H,Wang R等人将计算迁移与D2D通信引入H-CRANs，资源匮乏的设备可以通过集中式管理利用其它用户的空闲计算资源，通过D2D通信将计算任务迁移到其它设备，优化目标为减少计算迁移过程中的通信能耗。Bin Zhou等人阐述了机器人云的概念，并提出M2M/M2C两种计算迁移架构，前者为自组织云，后者为本地基础设施云，研究使用hybirdGossip等算法，研究了三种模式下的能耗问题，实现了计算成本与通信能耗的平衡。Malhotra A等人提出了一种多跳移动自组织云(MMADC)计算架构，包含服务提供节点和消费节点两种设备，采用固定规模分区和资源发现部署策略节省能耗，利用本地闲置资源，提高资源利用率。Fernando N等人提出了一种微型网络中的自组织云架构，设备在执行期可以分享本地资源。通过向周围发送请求的方式，服务提供设备给出回应，选出合适的服务提供设备后进行计算迁移。Vetriselvi V等人提出了一种自组织网格架构，网络内包含服务提供设备与消费设备，服务提供设备根据服务质量参数竞争成为网格簇头，消费节点设备有计算迁移请求时直接联系网格簇头，两者进行计算迁移。Don Abraham等人提出一种自组织网格模型，采用虚拟组织的方法动态组织服务提供节点与消费节点，分别采用LLBA和GLLA算法实现了虚拟组织内和整个网格的负载均衡。

发明人研究发现，现阶段自组织网络环境下的对等计算迁移技术研究存在以下问题：现有研究多针对单一设备的优化(能量消耗、计算效率等)较多，对整体网络的优化较少；在对等设备计算迁移中，设备既可作为计算服务提供者也可以作为计算迁移的请求者，现有研究缺乏多对多计算迁移类似模型，缺乏针对对等自组织云网络中多对多计算迁移的合理资源分配机制。

发明内容

有鉴于此，本发明的目的在于提出一种自组织云多对多计算迁移方法及系统，在保证各个设备公平性的基础上，实现整个网络的负载均衡、提高网络性能和计算效率，兼顾能耗，为物联网和智能化技术发展提供新的思路。

基于上述目的本发明提供的一种自组织云多对多计算迁移方法，其特征在于，包括步骤：

中央调度管理器监测本地自组织云网络、认知网络与认知无线电，为网络中的节点设备编号；

节点设备定时向中央调度管理器发送自身节点设备信息；

中央调度管理器收集并管理节点设备信息，并将节点设备信息整理至资源列表；

节点设备向中央调度管理器发送任务迁移请求；

中央调度管理器收集并管理各节点设备发送的任务迁移请求，基于资源列表的节点设备信息，定时采用遗传蚁群调度算法获取最优任务调度解进行任务调度，并将任务调度结果返回至发送任务迁移请求的源节点设备；

源节点设备接收到任务调度结果后，按照任务调度结果指定的目标节点设备将任务迁移至对应的目标节点设备；

目标节点设备按照节点的任务队列信息依次执行任务，执行完该任务后将任务输出数据发送回源节点设备。

进一步的，所述遗传蚁群任务调度算法包括：

将任务调度转化为遗传算法的染色体编码；

初始化染色体种群，获取初始任务调度解集空间；

采用全局适应值函数作为评价标准，通过遗传算法的选择操作、交叉操作和变异操作进行迭代，获取至少一个最优解；

根据获取的最优解生成对应的任务调度方案；

将遗传算法生成最优解对应的任务调度方案转化为节点设备的初始信息素，根据蚁群算法进行迭代，获取最优任务调度解。

进一步的，所述在将任务调度转化为遗传算法的染色体编码过程中，染色体表示为i＝(1,2,…N)，其中，N为任务调度解集空间大小，m为任务的数量,表示该任务调度解中第j个任务的调度结果，n为节点设备数量，j∈[1,m],表示将计算任务迁移到编号对应的资源提供设备上，其值为节点设备自身编号时表示在本地执行；

所述在初始化染色体种群的过程中，根据各个节点设备的选择概率进行收敛解集，获取初始染色体编码空间即初始任务调度解集空间，其中，所述各个节点设备的选择概率函数为

其中，n表示包含发送任务迁移请求的源节点设备在内的节点设备的数量，表示任务i分配到编号为j的节点设备执行时的能耗；

所述全局适应值函数用于对整个调度方案进行评价,所述全局适应值函数F(x)表示为

其中，f(x)表示目标函数，x表示任务调度方案，C_max表示目标函数理论上的最大值；

所述选择操作采用适应值比列选择形式，采用轮盘赌方式实现，用于选择适应值高的染色体个体，每个染色体个体被选择的概率为

其中，染色体集群为G＝{G₁,G₂,…G_N}，染色体集群的空间大小为N，染色体个体G_j∈G的适应值为F(G_j)；

所述交叉操作采用面向知识领域的位交叉，计算染色体的基因适应值，选取染色体基因适应值低的继续进行迭代，所述基因适应值函数用于对调度方案中某一个调度结果进行评价,基因适应值函数为

g(x)＝α*TotalTime_j+β*TaskEnergy_j

其中，α表示任务j的执行总时间的权重系数，β表示任务j的执行能耗的权重系数，TotalTime表示任务j的执行总时间，TaskEnergy表示任务j的执行能耗,x表示任务调度方案；

所述变异操采用面向领域知识的位变异实现，用于防止提前收敛，基因的变异概率函数为

其中，g_i为第i位基因的适应值。

优选的，所述适应值函数的目标函数为：

f(x)＝α*AverageTaskCompletingTime+β*AverageTaskCompletingEnergy

其中，α表示任务完成平均时间的权重系数，β表示任务平均能耗的权重系数其值由具体情境决定；AverageTaskCompletingTime表示任务完成平均时间，AverageTaskCompletingEnergy表示任务平均能耗；

所述任务完成平均时间与任务平均能耗的函数为

其中，m表示任务数量，n表示节点设备数量；X表示m示节的任务调度矩阵，矩阵X中元素x_i,j＝1，则表示应用任务t_i被指派到计算节点设备p_j来进行调度执行，否则x_i,j＝0；C表示m示j的时间矩阵C，矩阵C中元素c_i,j表示应用任务t_i被指派到计算节点设备p_j上进行调度执行时所需要的时间；E表示m示行的能耗矩阵E，矩阵E的元素e_i,j表示应用任务t_i被指派到计算节点设备p_j上进行调度执行时所需要的计算能耗。

进一步的，所述蚁群算法包括算法初始化、转移概率设计以及信息素修改：

所述在算法初始化时，每个节点设备的信息素初始值函数为

其中，是根据所求解问题规模而给定的信息量常量，与节点设备的计算能力有关。是遗传算法求解结果所转换的信息量，表示分配的计算负载量；

所述转移概率设计函数为

其中，τ_i(t)表示t时刻节点设备i的信息素值，A_i(t)为t时刻节点设备的相对性能，α、β表示两者的权重即重要程度，A_i(t)＝k*L_i，k为常数，Li为当前节点设备能量状况，能量状况好的节点设备更有可能提供云服务，实现负载均衡优化；

所述信息素修改函数为

τ_i(t+1)＝τ_i(t)+Δτ_i(t)i＝1,2…n

其中，若任务成功执行Δτ_i(t)＝K_s*TaskEnergy_j，若任务执行失败Δτ_i(t)＝K_l*TaskEnergy_j，K_s，K_l分别为成功失败的奖惩因子，TaskEnergy_j为任务执行开销。

进一步的，所述节电设备信息包括计算能力、通信能力、可用电池能源、执行任务队列信息和设备编号。

一种自组织云多对多计算迁移系统，包括：中央调度管理器以及多个节点设备：

中央调度管理器，用于监测本地自组织云网络、认知网络与认知无线电，为网络中的节点设备编号；收集并管理节点设备信息，并将节点设备信息整理至资源列表；收集并管理各节点设备发送的任务迁移请求，基于资源列表的节点设备信息，定时采用遗传蚁群调度算法获取最优任务调度解进行任务调度，并将任务调度结果返回至发送任务迁移请求的源节点设备；

节点设备，用于定时向中央调度管理器发送自身节点设备信息；向中央调度管理器发送任务迁移请求，发送任务迁移请求的源节点设备在接收到任务调度结果后，按照任务调度结果指定的目标节点设备将任务迁移至对应的目标节点设备；对于接收到所述任务迁移的目标节点设备，按照节点自身任务队列信息依次执行任务，执行完该任务后将任务输出数据发送回源节点设备。

进一步的，所述中央调度管理器包括任务调度模块，所述任务调度模块用于采用遗传蚁群任务调度算法获取任务最优调度解进行任务调度；

所述任务调度模块进一步用于：

将任务调度转化为遗传算法的染色体编码；

初始化染色体种群，获取初始任务调度解集空间；

采用全局适应值函数作为评价标准，通过遗传算法的选择操作、交叉操作和变异操作进行迭代，获取至少一个最优解；

根据获取的最优解生成对应的任务调度方案；

将遗传算法生成最优解对应的任务调度方案转化为节点设备的初始信息素，根据蚁群算法进行迭代，获取最优任务调度解。进一步的，所述任务调度模块在将任务调度转化为遗传算法的染色体编码过程中，染色体表示为i＝(1,2,…N)，其中，N为任务调度解集空间大小，m为任务的数量,表示该任务调度解中第j个任务的调度结果，n为节点设备数量，j∈[1,m],表示将计算任务迁移到编号对应的资源提供设备上，其值为节点设备自身编号时表示在本地执行；

所述在初始化染色体种群的过程中，根据各个节点设备的选择概率进行收敛解集，获取初始染色体编码空间即初始任务调度解集空间，其中，所述各个节点设备的选择概率函数为

其中，n表示包含发送任务迁移请求的源节点设备在内的节点设备的数量，表示任务i分配到编号为j的节点设备执行时的能耗；

所述全局适应值函数用于对整个调度方案进行评价,所述全局适应值函数F(x)表示为

其中，f(x)表示目标函数，x表示任务调度方案，C_max表示目标函数理论上的最大值；

所述适应值函数的目标函数为：

f(x)＝α*AverageTaskCompletingTime+β*AverageTaskCompletingEnergy

其中，α表示任务完成平均时间的权重系数，β表示任务平均能耗的权重系数其值由具体情境决定；AverageTaskCompletingTime表示任务完成平均时间，AverageTaskCompletingEnergy表示任务平均能耗；

所述任务完成平均时间与任务平均能耗的函数为

其中，m表示任务数量，n表示节点设备数量；X表示m示节的任务调度矩阵，矩阵X中元素x_i,j＝1，则表示应用任务t_i被指派到计算节点设备p_j来进行调度执行，否则x_i,j＝0；C表示m示j的时间矩阵C，矩阵C中元素c_i,j表示应用任务t_i被指派到计算节点设备p_j上进行调度执行时所需要的时间；E表示m示行的能耗矩阵E，矩阵E的元素e_i,j表示应用任务t_i被指派到计算节点设备p_j上进行调度执行时所需要的计算能耗；

所述选择操作采用适应值比列选择形式，采用轮盘赌方式实现，用于选择适应值高的染色体个体，每个染色体个体被选择的概率为

其中，染色体集群为G＝{G₁,G₂,…G_N}，染色体集群的空间大小为N，染色体个体G_j∈G的适应值为F(G_j)；

所述交叉操作采用面向知识领域的位交叉，计算染色体的基因适应值，选取染色体基因适应值低的继续进行迭代，所述基因适应值函数用于对调度方案中某一个调度结果进行评价,基因适应值函数为

g(x)＝α*TotalTime_j+β*TaskEnergy_j

其中，α表示任务j的执行总时间的权重系数，β表示任务j的执行能耗的权重系数，TotalTime表示任务j的执行总时间，TaskEnergy表示任务j的执行能耗,x表示任务调度方案；

所述变异操采用面向领域知识的位变异实现，用于防止提前收敛，基因的变异概率函数为

其中，g_i为第i位基因的适应值；

所述在蚁群算法的算法初始化时，每个节点设备的信息素初始值函数为

其中，是根据所求解问题规模而给定的信息量常量，与节点设备的计算能力有关。是遗传算法求解结果所转换的信息量，表示分配的计算负载量；

所述蚁群算法的转移概率设计函数为

其中，τ_i(t)表示t时刻节点设备i的信息素值，A_i(t)为t时刻节点设备的相对性能，α、β表示两者的权重即重要程度，A_i(t)＝k*L_i，k为常数，Li为当前节点设备能量状况，能量状况好的节点设备更有可能提供云服务，实现负载均衡优化；

所述蚁群算法的信息素修改函数为

τ_i(t+1)＝τ_i(t)+Δτ_i(t)i＝1,2…n

其中，若任务成功执行Δτ_i(t)＝K_s*TaskEnergy_j，若任务执行失败Δτ_i(t)＝K_l*TaskEnergy_j，K_s，K_l分别为成功失败的奖惩因子，TaskEnergy_j为任务执行开销。

进一步的，所述节电设备信息包括计算能力、通信能力、可用电池能源、执行任务队列信息和设备编号。

从上面所述可以看出，本发明提供的自组织云多对多计算迁移方法及系统，采用集中式管理，该管理设备可发现管理现有可用资源，针对多个设备发送的计算迁移请求根据基于遗传蚁群算法指定调度策略，决定设备能否进行计算迁移，可用资源多少；考虑到多跳所带来的能耗较高，在保证一定能耗的约束条件下，尽可能提高整个网络系统的性能。

附图说明

图1为本发明实施例典型对等自组织云网络示意图；

图2为本发明实施例一种自组织云多对多计算迁移方法的流程示意图；

图3为本发明实施例一种自组织云多对多计算迁移模型示意图；

图4为本发明实施例一种自组织云多对多计算迁移系统的中央调度管理器结构示意图；

图5为本发明实施例一种自组织云多对多计算迁移系统的节点设备结构示意图。

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，以下结合具体实施例，并参照附图，对本发明进一步详细说明。

需要说明的是，本发明实施例中所有使用“第一”和“第二”的表述均是为了区分两个相同名称非相同的实体或者非相同的参量，可见“第一”“第二”仅为了表述的方便，不应理解为对本发明实施例的限定，后续实施例对此不再一一说明。

参照图1所示，在典型自组织云网络中，网络中的节点设备是对等关系，节点设备既可以作为资源的提供者又可以作为资源的受用者，不存在固定的资源提供设备。云网络中的节点设备在一定激励机制下，或在某些安排下，自主发起利他协作和利己协作。在对等自组织云网络中，每个节点设备具有不同的利益需求，用户不会无偿地奉献出自己的设备资源，因此由节点设备本身做出分布式计算迁移决策时，往往无法形成统一意见，很难发现合适的自组织云资源。

在这种情况下，本发明提出一种自组织云多对多计算迁移方法，参照附图2所示，本发明所述自组织云多对多计算迁移方法包括步骤：

S101：中央调度管理器监测本地自组织云网络、认知网络与认知无线电，为网络中的节点设备编号。

优选的，所述中央调度管理器可以是由服务提供商提供的高层管理设备，也可以是由自组织云网络内的节点设备共同选举而产生的类簇头管理节点。在本发明中，默认中央调度管理器不参与任务的计算请求和计算资源提供。所述节点设备编号为1～n。

S102：节点设备定时向中央调度管理器发送自身节点设备信息。

优选的，所述时间间隔为Δt。

S103：中央调度管理器收集并管理节点设备信息，并将节点设备信息整理至资源列表。

优选的，所述节点设备信息包括计算能力、通信能力、可用电池能源、执行任务队列信息和设备编号等。此外，节点设备可以限制自身可提供的资源。

S104：节点设备向中央调度管理器发送任务迁移请求。

优选的，所述节点设备在向中央调度管理器发送任务迁移请求时，可以随机发送任务迁移请求，也可以按照节点设备自己的需求发送任务迁移请求。

S105：中央调度管理器收集并管理各节点设备发送的任务迁移请求，基于资源列表的节点设备信息，定时采用遗传蚁群调度算法获取最优任务调度解进行任务调度，并将任务调度结果返回至发送任务迁移请求的源节点设备。

优选的，所述中央调度管理器整理各节点设备发送的任务请求，并对任务进行队列管理，每隔Δt时间，基于资源列表，采用合理地任务调度算法进行任务调度，并将任务调度结果返回至原节点设备。

S106：源节点设备接收到任务调度结果后，按照任务调度结果指定的目标节点设备将任务迁移至对应的目标节点设备。

优选的，所述任务源节点设备接收到任务调度结果后将任务迁移至目标资源提供设备，即目标节点设备，并传输任务输入数据。

S107：目标节点设备按照节点设备的任务队列信息依次执行任务，执行完该任务后将任务输出数据发送回源节点设备。

在本发明的另一个实施例中，本发明所述的一种自组织云多对多计算迁移方法可以适用于以下计算迁移模型：本发明采用集中式批处理任务调度模型，由某一结点设备或专职调度设备作为中央调度管理器统一管理自组织云网络的资源，系统只有一个中央调度管理器，每隔一定时间片进行一次调度，所有任务到达系统后，中央调度管理器根据每个节点设备的计算迁移需求、自身资源信息和合作意愿强度等多方面因素做出集中式任务调度决策，来达到节点设备间的互惠互利，或提升自组织云网络的整体性能等目标。参照附图3所示，P_i表示设备编号，设备总数为n，λ_i为设备P_i的任务到达率。任务由调度器调度之前在调度队列等待，调度映射时间到来后，由调度器将其分配至各设备等待队列，待等待队列内任务执行完毕后开始执行。

作为本发明的另一个实施例，本发明所述的自组织云多对多计算迁移方法中的任务调度是指以云网络整体为优化目标，在满足任务执行能耗和时间开销性能指标的约束条件下，充分利用网络中各个节点设备的空闲资源，利用针对具体优化目标的调度算法，将任务调度给合适的节点设备执行，使得网络中的设备充分合作，发挥出最大的性能。本发明所述的自组织云多对多计算迁移方法中的任务调度针对任务平均时长、负载均衡以及最小能量损耗等目标建立迁移需求模型：

所述迁移需求模型为t<ID,L,Di,Do,Tl>，其中：ID为设备编号，L为任务计算量，Di，Do分别为任务计算输入输出，Tl为任务的时间限制。

用集合P＝{p1,p2,……,pn}表示计算资源节点设备集合，其中n为节点设备数量。

用集合T＝{t1,t2,……,tm}表示待调度任务集合，其中m为任务数量。

设计m×n的能耗矩阵E。其元素e_i,j表示应用任务t_i被指派到计算节点设备p_j上进行调度执行时所需要的计算能耗开销：

e_i,j＝ComputationEnergy_i,j+CommunicationEnergy_i,j

其中，ComputationEnergy_i,j表示通信能耗，CommunicationEnergy_i,j表示任务执行能耗。

设计m×n的时间矩阵C。其元素c_i,j表示应用任务t_i被指派到计算节点设备p_j上进行调度执行时所需要的时间开销；

c_i，j＝T_wait；j+T_{execution；j}+T_{transmission；j}

其中，T_wait；j表示等待时间，T_{execution；j}表示任务执行时间，T_{transmission；j}表示任务传输时间。

设计m×n的任务调度矩阵X。如果X中元素x_i,j＝1，则表示应用任务t_i被指派到计算节点设备p_j来进行调度执行，否则x_i,j＝0。

优化目标最小任务执行时间和最小任务执行能耗可表示为：

约束条件为

T_{i；completion}≤T_{i；limitation}

在本发明的另一个实施例中，步骤S105所述的调度算法为遗传蚁群任务调度算法。所述遗传蚁群任务调度算法包括使用遗传算法进行快速的群体性全局搜索，生成任务调度问题的最优解；以及转化为蚁群算法的初始信息素分布，利用蚁群算法的正反馈、高效收敛寻求最优任务调度解。其中，所述遗传蚁群任务调度算法包括：将任务调度转化为遗传算法的染色体编码；初始化染色体种群，获取初始染色体编码空间即初始任务调度解集空间；采用适应值函数作为评价标准，通过遗传算法的选择操作、交叉操作和变异操作进行迭代，获取至少一个最优解；根据获取的最优解生成对应的任务调度方案：将遗传算法生成最优解对应的任务调度方案转化为节点设备的初始信息素，根据蚁群算法进行迭代，获取最优任务调度解。本发明将遗传算法与蚁群算法相结合，利用遗传算法的快速全局搜索能力和蚁群算法的正反馈收敛机制，先使用遗传算法进行快速的群体性全局搜索，生成任务调度问题的最优解，并将其转化为蚁群算法的初始信息素分布，然后利用蚁群算法的正反馈、高效收敛等优势寻求最优任务调度解。

其中，遗传算法模拟自然界中遗传进化和自然选择过程，将任务调度问题的解空间转化为染色体种群，利用适应值函数作为调度方案的评价标准，以交叉变异等操作建立迭代过程，不断使得新一代个体性能由于父代个体，最终逐渐接近最优解。蚁群算法从整个蚂蚁种群启动搜索过程，具备较好的鲁棒性、并行性和正反馈特性，可以很好地应用于任务调度问题。

在本发明的一个实施例中，遗传算法所涉及的要素包括染色体编码、初始化染色体种群、全局适应度函数设计和遗传算子设计：

所述在染色体编码过程中，染色体表示为i＝(1,2,…N),其中，m为染色体的长度即为任务的数量，其中的每一个元素对应一个任务，每一个元素的值代表所分配到的资源提供设备(包含服务请求设备自身)的编号，编号由中央调度管理器统一管理，一般为固定值。N为遗传算法编码空间大小即任务调度解集空间大小，表示该任务调度解中第j个任务的调度结果，j∈[1,m],表示将计算任务迁移到编号对应的资源提供设备上，其值为节点设备自身编号时表示在本地执行。染色体的内容与任务调度相匹配，就会与任务调度矩阵相联系。

作为本发明的一个具体的实施例，当任务调度矩阵如下式所示：

则染色体为G＝(3,1,2,1,3)，表示任务t1、t5在设备3上执行，t2、t4任务在设备1上执行，而任务t3在设备2上执行。

所述在初始化染色体种群时，为提高算法效率，收敛解集，每个任务的迁移目标在解集合中概率性选择。根据各个节点设备的选择概率进行收敛解集，获取初始染色体编码空间即初始任务调度解集空间。初始种群每个任务按概率分配资源提供节点设备，各个资源提供设备即节点设备的选择概率为：

其中，n表示包含服务请求设备在内的可迁移目标的数量，表示任务i分配到编号为j的资源提供设备执行时的能耗，包括通信能耗与在设备j上的任务执行能耗。

所述在全局适应度评价函数设计中，全局适应度值评价函数是衡量染色体生存能力的标准，决定了染色体能否遗传到下一代，对应着任务调度方案性能的优劣，并最终决定最优解的判别，需要与具体问题的优化目标相匹配。由于遗传算法中规定适应值为非负值，且希望越大越好，因此将本发明的最小化问题转化为最大化问题，全局适应值函数F(x)表示为：

其中，f(x)表示目标函数，C_max表示目标函数理论上的最大值。

优选的，结合最小任务平均执行时长和最小任务平均执行能耗的优化目标，所述适应值函数的目标函数为

f(x)＝α*AverageTaskCompletingTime+β*AverageTaskCompletingEnergy

其中，α表示任务完成平均时间的权重系数，β表示任务平均能耗的权重系数其值由具体情境决定。AverageTaskCompletingTime表示任务完成平均时间，AverageTaskCompletingEnergy表示任务平均能耗。

优选的,所述任务完成平均时间与任务平均能耗的函数为

其中，m表示任务数量，n表示节点设备数量；X表示m示节的任务调度矩阵，矩阵X中元素x_i,j＝1，则表示应用任务t_i被指派到计算节点设备p_j来进行调度执行，否则x_i,j＝0；C表示m示j的时间矩阵C，矩阵C中元素c_i,j表示应用任务t_i被指派到计算节点设备p_j上进行调度执行时所需要的时间；E表示m示行的能耗矩阵E，矩阵E的元素e_i,j表示应用任务t_i被指派到计算节点设备p_j上进行调度执行时所需要的计算能耗。

在本发明的另一个实施例中，所述遗传算子包括选择算子、交叉算子以及变异算子：

所述选择操作中的选择算子的目的在于将适应值高的个体选择出来，以更高概率上产出更优秀的个体。在本发明中，所述选择算子采用适应值比列选择形式，采用轮盘赌方式实现；所述选择算子的选择概率为

其中，染色体集群为G＝{G₁,G₂,…G_N}，染色体集群的空间大小为N，个体G_j∈G的适应值为F(G_j)，所述选择算子的选择概率公式决定后代种群中染色体的概率分布。

所述交叉操作中的交叉算子用于模拟自然界中有性繁殖的基因重组过程，将父代中的优秀基因遗传重组给下一代，产生比父代染色体更优秀的个体。在本发明中，所述交叉算子采用面向知识领域的位交叉，计算染色体中每一位基因的适应值；基因的适应值函数为：

g(x)＝α*TotalTime_j+β*TaskEnergy_j

其中，α表示任务j的执行总时间的权重系数，β表示任务j的执行能耗的权重系数，TotalTime表示任务j的执行总时间，TaskEnergy表示任务j的执行能耗。得到每一位基因的适应值之后，比较两个染色体对应位置基因的适应值，将适应值低的遗传到下一代。

所述变异操作中变异算子用于模拟进化过程中的基因突变的现象，丰富种群的多样性，防止提前收敛，与交叉操作相比，变异操作仅充当辅助手段。在本发明在，所述变异算子采用面向领域知识的位变异实现，基因的变异概率与适应值有关，变异概率为：

其中，g_i为第i位基因的适应值。完成时间长、能耗高的任务调度结果将更有可能产生变异。

在本发明的另一个实施例中，所述蚁群算法包括算法初始化、转移概率设计以及信息素修改：

所述在算法初始化时，信息素值赋在节点设备上，信息素的大小表示节点设备离散资源的可用性。根据遗传算法最终所得出的最优或者满意解，解析出其对应的任务调度方案，并将其转化为节点设备的初始信息素，每个节点设备的信息素初始值函数为

其中，是根据所求解问题规模而给定的信息量常量，与节点的计算能力有关。是遗传算法求解结果所转换的信息量，表示分配的计算负载量。

所述转移概率是下一任务节点设备选择的主要参考，在本发明中，将已有的计算负载作为结点性能的主要考量因素，t时刻的转移概率由各个节点设备的信息素值和设备负载决定。所述转移概率设计函数为

其中，τ_i(t)表示t时刻节点设备i的信息素值，A_i(t)为t时刻节点设备的相对性能，α、β表示两者的权重即重要程度，A_i(t)＝k*L_i，k为常数，Li为当前节点设备能量状况，能量状况好的节点设备更有可能提供云服务，实现负载均衡优化。

所述信息素修改函数为

τ_i(t+1)＝τ_i(t)+ΔT_i(t)i＝1,2...n

其中，若任务成功执行Δτ_i(t)＝K_s*TaskEnergy_j，若任务执行失败Δτ_i(t)＝K_l*TaskEnergy_j，K_s，K_l分别为成功失败的奖惩因子，TaskEnergy_j为任务执行开销。

优选的,所述蚁群算法的终止条件可以设置为合理的迭代次数M或者当前解连续K次相同，M或K根据具体情况设定。

以上介绍了一种自组织云多对多计算迁移方法，接下来介绍一种自组织云多对多计算迁移系统。

在本发明的一个实施例中，本发明所述一种自组织云多对多计算迁移系统包括中央调度管理器以及多个节点设备：

中央调度管理器，用于监测本地自组织云网络、认知网络与认知无线电，为网络中的节点设备编号；收集并管理节点设备信息，并将节点设备信息整理至资源列表；收集并管理各节点设备发送的任务迁移请求，基于资源列表的节点设备信息，定时采用遗传蚁群调度算法获取最优任务调度解进行任务调度，并将任务调度结果返回至发送任务迁移请求的源节点设备；

节点设备，用于定时向中央调度管理器发送自身节点设备信息；向中央调度管理器发送任务迁移请求，发送任务迁移请求的源节点设备在接收到任务调度结果后，按照任务调度结果指定的目标节点设备将任务迁移至对应的目标节点设备；对于接收到所述任务迁移的目标节点设备，按照节点自身任务队列信息依次执行任务，执行完该任务后将任务输出数据发送回源节点设备。

作为本发明一个具体的实施例，本发明所述一种自组织云多对多计算迁移系统包括：一个中央调度管理器以及多个节点设备：其中中央调度管理器统一管理自组织云网络的资源，根据每个节点设备的计算迁移需求、自身资源信息和合作意愿强度做出集中式任务调度决策，每隔一定时间进行一次调度，将到达系统的任务分配给节点设备；所述节点设备向中央调度管理器发送任务迁移请求，根据中央调度管理器的调度命令执行调度任务，并执行本节点设备的原任务以及调度至本节点设备的任务。

在本发明的一个具体的实施例中，参照图4所示，所述中央调度管理器1包括网络认知模块11、资源收集模块12、任务收集模块13、任务管理模块14以及任务调度模块15：

所述网络认知模块11用于监测本地自组织网络、认知网络与认知无线电，为网络中的节点设备编号；此外，网络认知模块11还用于获取信道状况和各节点设备之间路由的信息，并将其输入到资源信息表。

所述资源收集模块12用于收集并管理节点设备定时发送的包括计算能力、通信能力、可用电池能源、执行任务队列信息和设备编号的节点设备信息，并将节点设备信息整理到资源信息表，为任务调度模块15提供参考。

所述任务收集模块13用于收集节点设备发送的计算迁移请求。

所述任务管理模块14用于管理收集到的节点设备的计算迁移请求，并提交给任务调度模块。

所述任务调度模块15基于任务管理模块14中的计算迁移请求信息以及资源信息表的节点设备信息，根据各用户或者网络整体的优化目标，定时采用遗传蚁群调度算法获取最优任务调度解进行任务调度，为各个任务分配合适的资源，并将任务调度结果返回至发送任务迁移请求的源节点设备。

优选的，所述任务调度模块15进一步用于：

将任务调度转化为遗传算法的染色体编码；

初始化染色体种群，获取初始任务调度解集空间；

采用全局适应值函数作为评价标准，通过遗传算法的选择操作、交叉操作和变异操作进行迭代，获取至少一个最优解；

根据获取的最优解生成对应的任务调度方案；

将遗传算法生成最优解对应的任务调度方案转化为节点设备的初始信息素，根据蚁群算法进行迭代，获取最优任务调度解。

在本发明另一个具体的实施例中，参照图5所示，所述节点设备包括应用层和管理层：其中，所述应用层用于节点设备自身的任务产生和管理以及外部迁移任务的管理；所述管理层负责网络的维持和通信、所迁移任务的输入输出数据传输和任务的具体执行工作。

优选的，所述应用层包括自身任务队列21以及外部任务队列22，其中自身任务队列21以及外部任务队列22可以统称为任务队列：

所述自身任务队列21通过网络通信模块将任务迁移请求发送给中央调度管理器。所述自身任务队列21用于管理节点设备的自身任务群以及任务间的复杂关系，整理出各个任务的信息，交由网络通信模块发送至中央调度管理器。

所述外部任务队列22用于管理根据任务调度结果迁移到本节点设备的任务信息，并将任务排序后提交给任务执行模块24。所述外部任务队列22管理节点设备的外来任务群，假如设备中的某个自身任务迁移调度结果为在本设备执行，则要将该任务由自身任务队列21转移至外部任务队列22，外部任务队列22将根据任务的优先级等因素整理任务执行顺序，并逐个交给任务执行模块24。

所述管理层包括网络通信模块23、任务执行模块24以及数据传输模块25：

所述网络通信模块23用于定时向中央调度管理器发送节点设备信息，并接收中央调度管理器的任务调度结果。进一步的，网络通信模块23用于自身资源信息的传递与自组织网络的维持，所述网络通信模块23每隔一定时间将自身的资源信息和任务队列的执行情况传递到中央调度管理器，并接收来自中央调度管理器的任务调度结果，同时发送接收网络协议信息，保证自组织网络的正常运行。

所述任务执行模块24用于按照外部任务队列发送的任务顺序执行任务，并将任务执行后的输出数据发送给数据传输模块25。更具体的，所述任务执行模块24用于计算迁移任务的具体执行，所述任务执行模块24按照应用层外部任务队列22发送的任务顺序执行任务，并将任务执行后的输出数据发送给数据传输模块25。

所述数据传输模块25用于接收源节点设备发送过来的任务信息，将任务信息转交给外部任务队列22管理；并接收任务执行模块发送24的输出数据，并将输出数据转发到源节点设备。进一步的，所述数据传输模块25用于任务数据的传输，所述任务执行模块24接收其他节点设备发送过来的任务基本信息与输入数据将其转交给任务队列管理，并接收执行模块传送的任务执行输出数据将其转发至指定的源节点设备。

在本发明的另一个实施例中，所述任务调度模块15在将任务调度转化为遗传算法的染色体编码过程中，染色体表示为i＝(1,2,…N)，其中，N为任务调度解集空间大小，m为任务的数量,表示该任务调度解中第j个任务的调度结果，n为节点设备数量，j∈[1,m],表示将计算任务迁移到编号对应的资源提供设备上，其值为节点设备自身编号时表示在本地执行；

所述在初始化染色体种群的过程中，根据各个节点设备的选择概率进行收敛解集，获取初始染色体编码空间即初始任务调度解集空间，其中，所述各个节点设备的选择概率函数为

其中，n表示包含发送任务迁移请求的源节点设备在内的节点设备的数量，表示任务i分配到编号为j的节点设备执行时的能耗；

所述全局适应值函数用于对整个调度方案进行评价,所述全局适应值函数F(x)表示为

其中，f(x)表示目标函数，x表示任务调度方案，C_max表示目标函数理论上的最大值；

所述适应值函数的目标函数为：

f(x)＝α*AverageTaskCompletingTime+β*AverageTaskCompletingEnergy

其中，α表示任务完成平均时间的权重系数，β表示任务平均能耗的权重系数其值由具体情境决定；AverageTaskCompletingTime表示任务完成平均时间，AverageTaskCompletingEnergy表示任务平均能耗；

所述任务完成平均时间与任务平均能耗的函数为

其中，m表示任务数量，n表示节点设备数量；X表示m示节的任务调度矩阵，矩阵X中元素x_i,j＝1，则表示应用任务t_i被指派到计算节点设备p_j来进行调度执行，否则x_i,j＝0；C表示m示j的时间矩阵C，矩阵C中元素c_i,j表示应用任务t_i被指派到计算节点设备p_j上进行调度执行时所需要的时间；E表示m示行的能耗矩阵E，矩阵E的元素e_i,j表示应用任务t_i被指派到计算节点设备p_j上进行调度执行时所需要的计算能耗；

所述选择操作采用适应值比列选择形式，采用轮盘赌方式实现，用于选择适应值高的染色体个体，每个染色体个体被选择的概率为

其中，染色体集群为G＝{G₁,G₂,…G_N}，染色体集群的空间大小为N，染色体个体G_j∈G的适应值为F（G_j)；

所述交叉操作采用面向知识领域的位交叉，计算染色体的基因适应值，选取染色体基因适应值低的继续进行迭代，所述基因适应值函数用于对调度方案中某一个调度结果进行评价,基因适应值函数为

g(x)＝α*TotalTime_j+β*TaskEnergy_j

其中，α表示任务j的执行总时间的权重系数，β表示任务j的执行能耗的权重系数，TotalTime表示任务j的执行总时间，TaskEnergy表示任务j的执行能耗,x表示任务调度方案；

所述变异操采用面向领域知识的位变异实现，用于防止提前收敛，基因的变异概率函数为

其中，g_i为第i位基因的适应值；

所述在蚁群算法的算法初始化时，每个节点设备的信息素初始值函数为

其中，是根据所求解问题规模而给定的信息量常量，与节点设备的计算能力有关。是遗传算法求解结果所转换的信息量，表示分配的计算负载量；

所述蚁群算法的转移概率设计函数为

其中，τ_i(t)表示t时刻节点设备i的信息素值，A_i(t)为t时刻节点设备的相对性能，α、β表示两者的权重即重要程度，A_i(t)＝k*L_i，k为常数，Li为当前节点设备能量状况，能量状况好的节点设备更有可能提供云服务，实现负载均衡优化；

所述蚁群算法的信息素修改函数为

τ_i(t+1)＝τ_i(t)+Δτ_i(t)i＝1，2...n

其中，若任务成功执行Δτ_i(t)＝K_s*TaskEnergy_j，若任务执行失败Δτ_i(t)＝K_l*TaskEnergy_j，K_s，K_l分别为成功失败的奖惩因子，TaskEnergy_j为任务执行开销。

进一步的，所述节电设备信息包括计算能力、通信能力、可用电池能源、执行任务队列信息和设备编号。

多对多计算迁移方式是自组织云网络中较为普遍的场景，例如：用户将手机终端、计算机、家用电器、家用传感网节点设备等自主连接起来，云网络中资源节点以各种组合方式共同合作，生成更高级的智能服务，提升用户体验；物联网中的移动设备节点互相协作，将计算任务迁移到其他设备上执行，同时也接收其他设备的计算迁移请求，不但可以整体延长节点设备的寿命，还有利于提升网络整体性能，达到负载均衡，更好的实现某些专业服务；在公共场所，同学或同事针对某一目标而共享自己移动设备的资源，陌生用户之间在某种激励机制下共享资源，互惠互利。

在本发明中，自组织云的概念是以更广义的内涵和角度进行定义的，是脱离了移动云计算、车联网、无线传感器网络等的更高层通用概念。此时，终端设备不在局限于移动智能终端，而是如计算处理能力、存储能力、传感器、通信能力及其他能力的集合。自组织云中的节点设备可以是任何具备无线连接功能的设备，如移动设备、平板电脑、计算机、机器人、车辆、家用和办公电器、中继站等，每个节点设备具有不同的功能和性能，某些节点设备具有移动性(如可便携可移动设备)，而某些节点设备则在自组织云中是以固定(静止)的形式存在。

本发明上述各实施例所提出的所述的自组织云多对多计算迁移方法及系统，不同于现有技术从一个节点设备角度出发，本发明首次提出多对多计算迁移模型，同一个自组织云网络内的设备相互协作，互为云资源；本发明中各个设备的任务到达率服从泊松分布，但具体任务形式可以多种多样；以云网络整体为优化目标，在满足任务执行能耗和时间开销性能指标的约束条件下，充分利用网络中各个节点设备的空闲资源；利用针对具体优化目标的调度算法，将任务调度给合适的节点设备执行，使得网络中的设备充分合作，发挥出最大的性能。针对优化目标设计的遗传蚁群算法，结合了遗传算法的快速搜索能力和蚁群算法的精确求解能力，并利用蚁群算法的正反馈机制有效地提升负载均衡能力。

并且，本发明实施例中所述自组织云多对多计算迁移方法所使用的调度算法以云网络整体为优化目标，在算法设计过程中，充分考虑：

(1)任务平均时长：本发明实施例以优化网络整体性能为目的，且各节点设备上任务按泊松分布随机生成，不适合以各个节点设备的最优跨度作为目标，应从网络整体出发，因此将任务平均时长作为性能目标，记录出现的所有任务的执行时间，求出其平均值，任务调度算法越好，性能越优越，任务的平均时长越小。

(2)负载均衡：负载均衡是指使得自组织云网络中的节点设备合理地承担负载任务，根据每个节点设备差异化的性能，结合目前所需要完成的任务负载，合理分配，避免某些节点设备承担过多的计算任务，也避免某些节点设备负载较轻，处于空闲状态。负载均衡可以提升网络的整体寿命，调度器会把任务调度到负载比较轻、能量状况比较好的节点设备。

(3)最小能量损耗：能耗是自组织云网络中极为重要且无法忽视的问题，减少任务执行能耗，延长节点设备寿命，提升自组织云网络的可持续性，是重要的优化目标。本发明对等自组织云网络中的计算迁移技术研究中，以自组织云网络整体能耗而非个别节点设备的能耗问题为优化对象，包含各个任务的执行能耗与通信能耗，保证任务迁移不会带来过多多余的能耗。在满足任务执行能耗和时间开销性能指标的约束条件下，充分利用网络中各个节点设备的空闲资源，利用针对具体优化目标的调度算法，将任务调度给合适的节点设备执行，使得网络中的设备充分合作，发挥出最大的性能。

所属领域的普通技术人员应当理解：以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种自组织云多对多计算迁移方法，其特征在于，包括步骤：

中央调度管理器监测本地自组织云网络、认知网络与认知无线电，为网络中的节点设备编号；

节点设备定时向中央调度管理器发送自身节点设备信息；

中央调度管理器收集并管理节点设备信息，并将节点设备信息整理至资源列表；

节点设备向中央调度管理器发送任务迁移请求；

中央调度管理器收集并管理各节点设备发送的任务迁移请求，基于资源列表的节点设备信息，定时采用遗传蚁群调度算法获取最优任务调度解进行任务调度，并将任务调度结果返回至发送任务迁移请求的源节点设备；

源节点设备接收到任务调度结果后，按照任务调度结果指定的目标节点设备将任务迁移至对应的目标节点设备；

目标节点设备按照节点的任务队列信息依次执行任务，执行完该任务后将任务输出数据发送回源节点设备。

2.根据权利要求1所述的自组织云多对多计算迁移方法，其特征在于，所述遗传蚁群任务调度算法包括：

将任务调度转化为遗传算法的染色体编码；

初始化染色体种群，获取初始任务调度解集空间；

采用全局适应值函数作为评价标准，通过遗传算法的选择操作、交叉操作和变异操作进行迭代，获取至少一个最优解；

根据获取的最优解生成对应的任务调度方案；

将遗传算法生成最优解对应的任务调度方案转化为节点设备的初始信息素，根据蚁群算法进行迭代，获取最优任务调度解。

3.根据权利要求2所述的自组织云多对多计算迁移方法，其特征在于：

所述在将任务调度转化为遗传算法的染色体编码过程中，染色体表示为i＝(1,2,…N)，其中，N为任务调度解集空间大小，m为任务的数量,表示该任务调度解中第j个任务的调度结果，n为节点设备数量，j∈[1,m],表示将计算任务迁移到编号对应的资源提供设备上，其值为节点设备自身编号时表示在本地执行；

所述在初始化染色体种群的过程中，根据各个节点设备的选择概率进行收敛解集，获取初始染色体编码空间即初始任务调度解集空间，其中，所述各个节点设备的选择概率函数为

$\mathrm{\&rho;}=\frac{e_i^j}{{\&Sigma;}_{j=1}^n{e}_i^j}$

其中，n表示包含发送任务迁移请求的源节点设备在内的节点设备的数量，表示任务i分配到编号为j的节点设备执行时的能耗；

所述全局适应值函数用于对整个调度方案进行评价,所述全局适应值函数F(x)表示为

其中，f(x)表示目标函数，x表示任务调度方案，C_max表示目标函数理论上的最大值；

所述选择操作采用适应值比列选择形式，采用轮盘赌方式实现，用于选择适应值高的染色体个体，每个染色体个体被选择的概率为

$p_s=\frac{F\left(G_j\right)}{{\&Sigma;}_{j=1}^{N}F\left(G_j\right)}$

其中，染色体集群为G＝{G₁,G₂,…G_N}，染色体集群的空间大小为N，染色体个体G_j∈G的适应值为F(G_j)；

所述交叉操作采用面向知识领域的位交叉，计算染色体的基因适应值，选取染色体基因适应值低的继续进行迭代，所述基因适应值函数用于对调度方案中某一个调度结果进行评价,基因适应值函数为

g(x)＝α*TotalTime_j+β*TaskEnergy_j

其中，α表示任务j的执行总时间的权重系数，β表示任务j的执行能耗的权重系数，TotalTime表示任务j的执行总时间，TaskEnergy表示任务j的执行能耗,x表示任务调度方案；

所述变异操采用面向领域知识的位变异实现，用于防止提前收敛，基因的变异概率函数为

$p_m^i=1-\frac{g_i}{{\&Sigma;}_{j=1}^n{g}_j}$

其中，g_i为第i位基因的适应值。

4.根据权利要求3所述的一种自组织云多对多计算迁移方法，其特征在于，所述适应值函数的目标函数为：

f(x)＝α*AverageTaskCompletingTime+β*AverageTaskCompletingEnergy

其中，α表示任务完成平均时间的权重系数，β表示任务平均能耗的权重系数其值由具体情境决定；AverageTaskCompletingTime表示任务完成平均时间，AverageTaskCompletingEnergy表示任务平均能耗；

所述任务完成平均时间与任务平均能耗的函数为

$AverageTaskCompletingTime=\frac{SUM(C*X)}{m}$

$AverageTaskCompletingEnergy=\frac{SUM(E*X)}{m}$

其中，m表示任务数量，n表示节点设备数量；X表示m示节的任务调度矩阵，矩阵X中元素x_i,j＝1，则表示应用任务t_i被指派到计算节点设备p_j来进行调度执行，否则x_i,j＝0；C表示m示j的时间矩阵C，矩阵C中元素c_i,j表示应用任务t_i被指派到计算节点设备p_j上进行调度执行时所需要的时间；E表示m示行的能耗矩阵E，矩阵E的元素e_i,j表示应用任务t_i被指派到计算节点设备p_j上进行调度执行时所需要的计算能耗。

5.根据权利要求2所述的一种自组织云多对多计算迁移方法，其特征在于，所述蚁群算法包括算法初始化、转移概率设计以及信息素修改：

所述在算法初始化时，每个节点设备的信息素初始值函数为

${\mathrm{\&tau;}}_i\left(0\right)={\mathrm{\&tau;}}_i^C-{\mathrm{\&tau;}}_i^G\left(0\right),i=1,2...n$

其中，是根据所求解问题规模而给定的信息量常量，与节点设备的计算能力有关；是遗传算法求解结果所转换的信息量，表示分配的计算负载量；

所述转移概率设计函数为

其中，τ_i(t)表示t时刻节点设备i的信息素值，A_i(t)为t时刻节点设备的相对性能，α、β表示两者的权重即重要程度，A_i(t)＝k*L_i，k为常数，Li为当前节点设备能量状况，能量状况好的节点设备更有可能提供云服务，实现负载均衡优化；

所述信息素修改函数为

τ_i(t+1)＝τ_i(t)+Δτ_i(t)i＝1,2…n

其中，若任务成功执行Δτ_i(t)＝K_s*TaskEnergy_j，若任务执行失败Δτ_i(t)＝K_l*TaskEnergy_j，K_s，K_l分别为成功失败的奖惩因子，TaskEnergy_j为任务执行开销。

6.根据权利要求1所述的一种自组织云多对多计算迁移方法，其特征在于，所述节电设备信息包括计算能力、通信能力、可用电池能源、执行任务队列信息和设备编号。

7.一种自组织云多对多计算迁移系统，其特征在于，包括：中央调度管理器以及多个节点设备：

中央调度管理器，用于监测本地自组织云网络、认知网络与认知无线电，为网络中的节点设备编号；收集并管理节点设备信息，并将节点设备信息整理至资源列表；收集并管理各节点设备发送的任务迁移请求，基于资源列表的节点设备信息，定时采用遗传蚁群调度算法获取最优任务调度解进行任务调度，并将任务调度结果返回至发送任务迁移请求的源节点设备；

节点设备，用于定时向中央调度管理器发送自身节点设备信息；向中央调度管理器发送任务迁移请求，发送任务迁移请求的源节点设备在接收到任务调度结果后，按照任务调度结果指定的目标节点设备将任务迁移至对应的目标节点设备；对于接收到所述任务迁移的目标节点设备，按照节点自身任务队列信息依次执行任务，执行完该任务后将任务输出数据发送回源节点设备。

8.根据权利要求7所述的一种自组织云多对多计算迁移系统，其特征在于，所述中央调度管理器包括任务调度模块，所述任务调度模块用于采用遗传蚁群任务调度算法获取任务最优调度解进行任务调度；

所述任务调度模块进一步用于：

将任务调度转化为遗传算法的染色体编码；

初始化染色体种群，获取初始任务调度解集空间；

采用全局适应值函数作为评价标准，通过遗传算法的选择操作、交叉操作和变异操作进行迭代，获取至少一个最优解；

根据获取的最优解生成对应的任务调度方案；

将遗传算法生成最优解对应的任务调度方案转化为节点设备的初始信息素，根据蚁群算法进行迭代，获取最优任务调度解。

9.根据权利要求8所述的一种自组织云多对多计算迁移系统，其特征在于，所述任务调度模块将任务调度转化为遗传算法的染色体编码过程中，染色体表示为i＝(1,2,…N)，其中，N为任务调度解集空间大小，m为任务的数量,表示该任务调度解中第j个任务的调度结果，n为节点设备数量，j∈[1,m],表示将计算任务迁移到编号对应的资源提供设备上，其值为节点设备自身编号时表示在本地执行；

所述在初始化染色体种群的过程中，根据各个节点设备的选择概率进行收敛解集，获取初始染色体编码空间即初始任务调度解集空间，其中，所述各个节点设备的选择概率函数为

$\mathrm{\&rho;}=\frac{e_i^j}{{\&Sigma;}_{j=1}^n{e}_i^j}$

其中，n表示包含发送任务迁移请求的源节点设备在内的节点设备的数量，表示任务i分配到编号为j的节点设备执行时的能耗；

所述全局适应值函数用于对整个调度方案进行评价,所述全局适应值函数F(x)表示为

其中，f(x)表示目标函数，x表示任务调度方案，C_max表示目标函数理论上的最大值；

所述适应值函数的目标函数为：

f(x)＝α*AverageTaskCompletingTime+β*AverageTaskCompletingEnergy

其中，α表示任务完成平均时间的权重系数，β表示任务平均能耗的权重系数其值由具体情境决定；AverageTaskCompletingTime表示任务完成平均时间，AverageTaskCompletingEnergy表示任务平均能耗；

所述任务完成平均时间与任务平均能耗的函数为

$AverageTaskCompletingTime=\frac{SUM(C*X)}{m}$

$AverageTaskCompletingEnergy=\frac{SUM(E*X)}{m}$

其中，m表示任务数量，n表示节点设备数量；X表示m示节的任务调度矩阵，矩阵X中元素x_i,j＝1，则表示应用任务t_i被指派到计算节点设备p_j来进行调度执行，否则x_i,j＝0；C表示m示j的时间矩阵C，矩阵C中元素c_i,j表示应用任务t_i被指派到计算节点设备p_j上进行调度执行时所需要的时间；E表示m示行的能耗矩阵E，矩阵E的元素e_i,j表示应用任务t_i被指派到计算节点设备p_j上进行调度执行时所需要的计算能耗；

所述选择操作采用适应值比列选择形式，采用轮盘赌方式实现，用于选择适应值高的染色体个体，每个染色体个体被选择的概率为

$p_s=\frac{F\left(G_j\right)}{{\&Sigma;}_{j=1}^{N}F\left(G_j\right)}$

其中，染色体集群为G＝{G₁,G₂,…G_N}，染色体集群的空间大小为N，染色体个体G_j∈G的适应值为F(G_j)；

所述交叉操作采用面向知识领域的位交叉，计算染色体的基因适应值，选取染色体基因适应值低的继续进行迭代，所述基因适应值函数用于对调度方案中某一个调度结果进行评价,基因适应值函数为

g(x)＝α*TotalTime_j+β*TaskEnergy_j

其中，α表示任务j的执行总时间的权重系数，β表示任务j的执行能耗的权重系数，TotalTime表示任务j的执行总时间，TaskEnergy表示任务j的执行能耗,x表示任务调度方案；

所述变异操采用面向领域知识的位变异实现，用于防止提前收敛，基因的变异概率函数为

$p_m^i=1-\frac{g_i}{{\&Sigma;}_{j=1}^n{g}_j}$

其中，g_i为第i位基因的适应值；

所述在蚁群算法的算法初始化时，每个节点设备的信息素初始值函数为

${\mathrm{\&tau;}}_i\left(0\right)={\mathrm{\&tau;}}_i^C-{\mathrm{\&tau;}}_i^G\left(0\right),i=1,\mathrm{2...}n$

其中，是根据所求解问题规模而给定的信息量常量，与节点设备的计算能力有关；是遗传算法求解结果所转换的信息量，表示分配的计算负载量；

所述蚁群算法的转移概率设计函数为

其中，τ_i(t)表示t时刻节点设备i的信息素值，A_i(t)为t时刻节点设备的相对性能，α、β表示两者的权重即重要程度，A_i(t)＝k*L_i，k为常数，Li为当前节点设备能量状况，能量状况好的节点设备更有可能提供云服务，实现负载均衡优化；

所述蚁群算法的信息素修改函数为

τ_i(t+1)＝τ_i(t)+Δτ_i(t)i＝1,2…n

其中，若任务成功执行Δτ_i(t)＝K_s*TaskEnergy_j，若任务执行失败Δτ_i(t)＝K_l*TaskEnergy_j，K_s，K_l分别为成功失败的奖惩因子，TaskEnergy_j为任务执行开销。

10.根据权利要求7所述的一种自组织云多对多计算迁移系统，其特征在于，所述节电设备信息包括计算能力、通信能力、可用电池能源、执行任务队列信息和设备编号。