CN107203412A - 一种基于膜系统改进粒子群算法的云资源调度优化方法 - Google Patents
一种基于膜系统改进粒子群算法的云资源调度优化方法 Download PDFInfo
- Publication number
- CN107203412A CN107203412A CN201710308867.7A CN201710308867A CN107203412A CN 107203412 A CN107203412 A CN 107203412A CN 201710308867 A CN201710308867 A CN 201710308867A CN 107203412 A CN107203412 A CN 107203412A
- Authority
- CN
- China
- Prior art keywords
- particle
- film
- resource
- membranous system
- value
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/44—Arrangements for executing specific programs
- G06F9/455—Emulation; Interpretation; Software simulation, e.g. virtualisation or emulation of application or operating system execution engines
- G06F9/45533—Hypervisors; Virtual machine monitors
- G06F9/45558—Hypervisor-specific management and integration aspects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/48—Program initiating; Program switching, e.g. by interrupt
- G06F9/4806—Task transfer initiation or dispatching
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/50—Network services
- H04L67/60—Scheduling or organising the servicing of application requests, e.g. requests for application data transmissions using the analysis and optimisation of the required network resources
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/44—Arrangements for executing specific programs
- G06F9/455—Emulation; Interpretation; Software simulation, e.g. virtualisation or emulation of application or operating system execution engines
- G06F9/45533—Hypervisors; Virtual machine monitors
- G06F9/45558—Hypervisor-specific management and integration aspects
- G06F2009/4557—Distribution of virtual machine instances; Migration and load balancing
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于膜系统改进粒子群算法的云资源调度优化方法,本调度方法结合膜系统改进的粒子群算法,建立云环境下的资源调度模型,具体包括:抽象数据中心物理资源为粒子并初始化,划分膜系统为主膜和辅助膜,使得辅助膜内至少含有一个粒子,计算每个粒子的适应值并更新各粒子的速度和位置;根据适应值排序辅助膜内粒子,挑选优势粒子送入主膜;主膜接收辅助膜中的优势粒子后重新排序膜内粒子,丢弃劣质粒子更新粒子速度和位置,判断其是否满足判优条件,如不满足,则迭代计算,否则反编码最优解,得云资源调度最优调度方案,据最优方案放置虚拟资源,调配物理机计算用户需求,任务结束,回收资源。
Description
技术领域
本申请涉及云资源调度领域,构建云调度模型,抽象云调度特征方程目标函数,特别涉及一种基于膜系统改进粒子群算法的云资源调度优化方法。
背景技术
云计算作为一种分布式计算、并行处理、网格计算的延伸,能够提供给高可靠、安全、通用性高的服务。云计算资源调度作为云计算的核心之一,主要负责资源的调度和 部署,由于云计算存在资源调度不合理的现象,易产生负载均衡问题。因此,如何快速 的处理服务请求,成为了云计算中资源合理调度的关键。
粒子群算法具有易实现,计算代价低且占用计算机硬件资源少的优点,但是也具有 易陷入局部最优解,收敛精度不高,后期速度慢的缺点。而计算机新分支膜系统可将资源空间抽象为主膜和辅助膜,通过预设交流规则在膜之间进行信息交流,使其高效达到 全局最优。
上述基于膜系统的改进粒子群算法将整个资源空间划分为主膜和辅助膜,在辅助膜 和主膜中分别实现分布式并行计算。通过对云资源调度问题的详细描述,构造虚拟机节点的通信性能。通过编码规则,对高维解空间进行分割,初始化粒子初始速度值和初始 位置值,所有粒子所对应的解的集合被看作是膜系统中的对象集,首次迭代,根据预设 的惯性系数及适应度函数确定各个粒子的个体最优值以及相应膜内的群体最优值,并通 过预设膜间交流规则将辅助膜内群体最优值送入主膜中,逐次迭代,以获得整个膜系统 的最优粒子。
但上述优化算法在寻优时,由于速度和位置变化公式都是一致,所以避免寻优后期 粒子趋同,将种群多样性公式引入优化算法中,进一步保证了粒子的全局搜索能力。
发明内容
本申请主要解决的技术问题是将膜系统和改进粒子群算法结合并应用于云资源调度 问题,为了达到很好的寻优效果,将种群变异判断条件和可调节惯性系数计入迭代寻优 过程中。ω为惯性权值,表示粒子的运动惯性,具体表现为:
ω=wmax-(wmax-wmin)×(t+1)/I2更新所述辅助膜中的惯性权值;
其中,wmax为预设的粒子的最大惯性权值,wmin为预设的粒子的最小惯性权值,I2为所述每层膜的迭代次数总和,t是所述每层膜的迭代次数,ω即为所求的惯性权值。
种群多样性公式:
在每次迭代过程中,将对种群多样性进行检测,如果多样性的取值在预设范围内,就根据原始的速度和位置变化公式更新粒子速度和位置,否则速度更新公式将由种群多样性公式代替计算。
本申请提供一种基于膜系统改进粒子群算法的云资源调度优化方法,包括以下步骤:
步骤100、初始化粒子群,构建膜系统结构。将膜系统初始化为主膜和辅助膜,对主膜和辅助膜内的粒子进行初始化操作,初始化粒子的速度和位置,并保证每层辅助膜 中至少包含一个粒子;所述步骤100包括:
步骤101、云计算物理机资源信息对应于改进粒子群算法中的粒子信息,物理资源的 位置对应于粒子的位置,物理机的通信能力对应于粒子的运动速度,处理能力强的物理机资源对应于粒子群中的个体最优粒子,根据用户请求确定云计算目标函数,以根据目 标函数指导各个粒子更新;
步骤102、初始化膜系统,自定义主膜,辅助膜,使得每个膜内至少包含一个粒子结构抽象;
步骤103、根据云资源信息初始化粒子的初始位置,初始速度;
步骤104、对粒子进行实数编码,每一个粒子位置Xi=(Xt i1,Xt i2…,Xt id)将被看做一个对象,所有粒子所对应的解的集合被看作是膜系统的对象集,每个区域内的多重集 可以表示为:Wi=(X1iX2i…Xni),其中i=1,2,3,4,5,…n表示膜区域i内的粒子数, Xt 1i,Xt 2i,…,Xt ni表示区域i内第t代每一个粒子所对应的解,其中Xt ni= (xt ni1,xt ni2,…,xt nid),d是搜索空间的维数
步骤200、据适应度函数和惯性系数计算每个粒子的适应值,确定膜内个体最优值和膜内全局最优值;将膜内个体最优值记为Pbest,膜内全局最优值记为Gbest;所述步 骤200包括:
步骤201、根据适度函数,云资源调度特征函数以及约束参数计算膜内每个粒子的个 体适应度值;
步骤202、对于每一个粒子,将适应度值和历史最优适应度值作比较,如果个体适应度值优于个体历史最优适应度值,更新个体最优解为当前适应度值,否则,不作为;
步骤203、将膜内每个粒子的适应度值和群体最优适应度值,如果有个体适应度值优于群里适应度值,更新群体适应度值为对应个体适应度值,否则不作为;
步骤300、更新所述每层膜中的惯性权值,并依据惯性权值和种群多样性满足条件更新各粒子的速度和位置;其中惯性权值为:
利用ω=wmax-(wmax-wmin)×(t+1)/I2更新所述辅助膜中的惯性权值;
其中,wmax为预设的粒子的最大惯性权值,wmin为预设的粒子的最小惯性权值,I2为所述每层膜的迭代次数总和,t是所述每层膜的迭代次数,ω为所述的惯性权值;
步骤400、在辅助膜中根据适应值对粒子进行排序,将挑选出来的优势粒子送入主膜;
步骤500、主膜收到辅助膜中的优势粒子后,会对膜内粒子重新排序,并丢弃劣质粒子,而表层膜以收集劣质粒子;
步骤600、按照标准粒子群公式更新主膜中的粒子速度和位置;
每次迭代中加入种群多样性。
在每次迭代过程中,将对种群多样性进行检测,如果多样性的取值在预设范围内,就根据原始的速度和位置变化公式更新粒子速度和位置,否则速度公式按照上述公式计算。
步骤700、测试方程是否达到最优值或者是否满足最大迭代次数,具体实现方式为:判断所述最优粒子是否满足预设的选取规则,如不满足继续返回步骤300进行迭 代;规则包括:
规则1:预设处理器K中所有分配任务总的交互时间;
规则2:预设的迭代次数;
步骤800、最优解进行反编码,得到对应云资源调度的最优调度方案;所述步骤800包括:
步骤801、根据最优方案的值进行虚拟机的放置;
步骤802、由资源映射表映射相应的物理机,执行用户任务;
步骤803、任务结束,回收资源,输出结果,结束本段请求。
由上述方案可知,本申请提供一种加入可变惯性权值和种群多样性的优化因子,并 将膜系统和粒子群算法结合。通过每次迭代过程中更新惯性权值,使得在参与寻优的粒子较少时,避免寻优的个体最优值对应的粒子趋于具有共同特征值的粒子,从而避免寻 优精度不够。通过加入种群多样性优化因子,增加了种族多样性,以更好的保证全局寻 优能力。
附图说明
图1为本发明基于膜系统改进粒子群算法的云资源调度优化方法流程图;
图2为云资源映射和资源调整示意图;
图3为云资源调度流程图;
图4为膜系统结构示意图;
图5为模拟云资源调度中膜系统结构的划分示意图。
具体实施方式
下面结合图1等并通过具体实施方式来进一步说明本发明的技术方案。
本申请提供一种基于膜系统改进粒子群算法的云资源调度优化方法,在标准粒子群算法基础上加入种群多样性和可变惯性权值系数,膜优化算法是一种分布式、并发的 优化手段模型,粒子群算法是基于膜系统。本申请主要解决云资源调度问题,提供一种 优化寻优策略。建立云资源调度的数学模型以便于对云资源问题进行定量分析和定性, 其中云资源数学模型内容主要包括:(a)云计算数据中心提供的虚拟资源池信息与实际 物理资源的匹配;(b)虚拟资源与物理资源的映射关系。详细问题又可分为:
(1)云计算数据中心提供的资源性能可以决定资源价格。
(2)云计算资源调度过程中资源是否都满足用户需求。
(3)资源是否含有更新和淘汰。
(4)资源调度过程中cpu,硬件资源等的消耗问题。
(5)用户任务是否可以再细分,细分标准又是什么。
综上云计算的资源调度数学模型可采一个5元组进行描述:
S={T,V,D,Mtv,Mvd} (1)
式中,V={v1,v2,…,vm}为资源集合,T={t1,t2,…,tm}为m个任务的集 合;D={d1,d2,…,dm}为物理设备集合;Mvd为资源与物理设备之间的对应关系;Mtv为任务与资源之间的映射策略。
Mtv由计算中心根据用户任务进行分配,Mvd则需要使用调度器将资源调度到相应的物 理设备上,所以,资源调度主要是解决资源到物理设备的调度。
假设某个任务ti经过Mvd映射到资源vj上,资源vj上分配任务被调度到物理设备dk上执行,根据资源和任务间的对应关系,任务ti经过资源传递后到达物理设备dk上执行 的预期执行时间为ETC(ti,dk),那么T对D的所有分配矩阵称为ETC矩阵,即有:
ETCmn=ETC(tiMtv,dk)1≤i≤m,1≤k≤n′ (2)
式(2)为一个执行时间矩阵,对应m个任务通过资源映射tiMtv后,在n′个物理 设备上的执行时间矩阵。
任务ti在物理设备dk上的最早完成时间为
Finish(tiMtv,dk)=Start(dk)+ETC(tiMtv,dk) (3)
式中,Start(dk)表示物理设备dk可以执行的最早开始时间,则物理设备dk的上 分配任务的总执行时间为:
(5)式中,cik=1表示任务ti最终映射到物理设备dk上执行。所有任务T={t1,t2,…,tm}执行的总时间为:
云计算资源调度的目标是使得(6)式为最小值,云计算资源调度的目标函数为:
结合膜系统改进粒子群算法,可行解可以定义为:V={v1,v2,…,vm}为资源节 点集合,T={t1,t2,…,tm}为m个任务的集合,Vi(i∈[1,m])表示第i个节点资 源,Tj(j∈[1,m])表示第j个任务,在此算法中的一个粒子的位置就是一个可行解,即一 个可行的资源分配序列,假设任务Tj要在资源节点Gi上完成,则粒子k的位置可表示为:
Xk={x1,x2,x3,...,xj...xm}
这是一个N维向量,其中数据这是一个N维向量,其中数据xj表示任务j被分配 到的资源号是xj,Xk表示一个可行的分配方案。
上述是云资源调度的数学模型,由于云资源调度属于TSP难题,必须将云资源调度数学模型转化为求TSP问题对应的特征值,才可以将云资源调度和粒子群紧密结合起来。云计算物理机资源信息对应于改进粒子群算法中的粒子信息。物理资源的位置对应于粒子的位置,物理机的通信能力对应于粒子的运动速度,处理能力强的物理机资源对应于 粒子群中的个体最优粒子。云计算中的资源选择过程对应于改进粒子群算法中的粒子淘 汰过程,资源选择的约束条件对应于改进粒子群算法中粒子选择条件,资源信息的动态 更新对应于改进粒子群算法中粒子群信息更新,资源调度策略对应于粒子更新时的迭代 法则,最优的资源调度其实对应的就是改进的粒子群算法的最优解。
适应度值的定义:
X1={5,3,2,2,1,4}表示任务0分配到资源节点5,任务1分配到资源节点3任务2和3 分配到资源节点2,任务4分配到资源节点1,任务5分配到资源节点4上执行。各个资源 节点Vi处理所有分配到该资源上执行子任务的总完成时间为ti,比如资源节点2计算任 务2和3的总指令数除以资源节点2的速度,取所有资源的ti(i=1,2,3,4,5)中最大值, 即tmax=max{ti}为本次粒子的适应值,优化的目标就是使粒子适应值tmax最小。
将改进粒子群算法结合膜系统并应用到云资源调度中,必须考虑云资源环境。在云 资源调度中,资源调度的策略目标是云计算数据中心的虚拟资源,同时虚拟资源调度的根本目标是满足云计算用户的实际请求和云资源负载均衡。因此,云环境的负载均衡、 资源有效利用率以及用户的请求满足情况要均衡考虑。
图2所示是云资源调度的物理模型,它的具体描述为:云计算潜在用户通过服务接口(SPs)向数据中心提出服务请求,同时数据中心通过服务提供商和服务接口向用户反 馈服务信息。服务接口的主要功能是接收用户服务请求,将大量的用户服务请求进行管 理,按照服务响应的策略就行作业调度。IPS(服务提供商)将用户资源请求信息传递给 数据中心。数据中心接收到资源接口传递的信息,并根据信息制定资源调度策略,通过 相应资源调度策略对资源进行调度映射,调度的对象是虚拟资源,虚拟资源通过资源目 录映射出物理资源。之后通过服务接口将执行后的结果信息传递给用户。数据中心中含 有一个或者多个资源目录,虚拟资源和物理资源是通过资源目录进行关联的,它们都包 括资源发现,资源更新,资源调度三部分。资源发现就是将新的资源信息注册到资源目 录里,资源更新是根据资源使用的实时地进行记录,资源调度就是根据改进的粒子群算 法结合膜计算进行资源调度。
图3所示是云资源调度流程图,具体包括:
任务开始,云计算用户通过网络向云端数据中心提出服务请求,数据中心的服务模 块和服务供应商对大量的云计算服务请求就行收集和整理,并将这些任务按一定得规则 放入作业队列进行作业调度,之后向资源目录发出资源使用请求,根据用户的要求去寻找资源,再利用改进的粒子群算法对找到的资源进行资源调度,匹配出最佳的资源,使 用最佳资源执行任务并及时有效的反馈给用户结果,完成服务,退出系统。由于资源的 动态性、随机性,所以要考虑云资源初始化问题,资源选择更新问题以及负载均衡问题。
云资源初始化信息,云资源在初始化时,要将一个粒子来度量一个虚拟资源,每个粒子都会携带其量化的虚拟资源的计算能力,存储能力,网络通信能力,资源的可信任 度初始值。资源初始化能力可以表述为:
Svmi=cpuvmi+stovmi+intvmi+crevmi
其中Svmi表示虚拟资源(量化粒子)的固有能力,cpuvmi表示计算能力,stovmi表示存储能力,intvmi表示网络传输能力,crevmi表示固有可信度值。
在资源调度请求到来的t时刻资源实际能力表示为:
Svmi=ρcpuicpuvmi+ρstoistovmi+ρinti intvmi+ρcreicrevmi
其中ρcpui、ρstoi、ρinti分别表示VMi在t时刻的计算,存储,网络传输的空闲率,ρcrei表示可信度系数,该值由历史使用而定。
资源选择更新,是由用户提交的请求任务和资源能力共同决定的,请求任务会包含 执行此任务所需要的时间,经济,可信度。资源的选择就是拿资源的能力和任务进行匹配,以达到最优匹配。资源更新是根据资源的实际能力进行动态更新,更新的依据是由 用户提交任务要求而定。
负载均衡是从云计算环境的可以性和稳定性从发,是保证云计算环境高效运作的前 提,它是对物理机资源的一种保护。调度使用的虚拟机资源目录可以映射出任务实际执行时使用的物理机资源这些物理机资源的实际负载情况将决定云计算环境的负载均衡。因此对物理机资源的使用率要制定一个上限要求e,如果达到上限则抛弃资源,通过这样的机制来确保云环境的负载均衡。
云资源调度约束条件:
为了将改进粒子群算法和云资源调度结合起来,在实际云资源调度之前需要对资源 的适应度值进行计算。所以必须考虑现实资源调度存在的物理约束:Time_cost(VMi)表示 虚拟机VMi处理任务所需要的时间代价,TL为其上限值;Delay_time(VMi)表示任务到虚拟机VMi所需要的时间延迟,DL为其上限值;Bandwidth(VMi)表示任务分配到VMi所能提 供的最大网络带宽,BL为其下限值。(以下约束为参考约束,其他类似约束均包含在此 专利中,使用者可以根据实际情况具体约束)
综上,在云资源调度模型中,进行寻优迭代时,要以云资源中边界条件作为寻优约束条件,以适应函数作为寻优函数,将物理资源抽象成粒子,以最终获得的最优方案确 定资源调度策略。
膜系统描述为:膜系统的概念来自欧洲科学院院上Paum,受到生物细胞启发而提出 的,从细胞处理化学物质的机理抽象出来的一种计算模型。膜系统结构如图4所示。
图4所示的这类辅助膜系统称为P系统,它是一个结构体,形式化表示为:
Π=V',T',μ,w1,w2,…,wm,(R1,ρ1),…,(R7,ρ7)
其中:系统中膜的数量用字母m′表示;如图一所示,膜系统结构中含有膜的数量为7,所以m′=7;V'是一个字母表,它的元素就是作为对象的字符d、h、k等等;T'表示 输出字母表;μ表示膜系统结构;ωi表示对应膜中的多重集;Ri是进化规则的有限集; ρi是Ri中各个规则的优先关系,规定了规则的执行顺序。
膜系统算法优化具有以下优点:
a)膜内的区域都是单独运行的,算法分割执行,膜内交流仅仅发生在相邻区域,更加适合云计算模式。
b)膜间计算可以使用各种人工智能优化算法。
c)膜系统有效地避免陷入局部最优,同时能提高人工智能算法的整体最优解的精度。
在PSO-PS(基于膜系统的改进粒子群算法)中每个粒子的位置(即对应的云资源调度优化问题解)被看做是膜区域内的对象。云资源调度中膜系统结构的划分示意图膜系 统结构如图5所示。
如图1所示,本申请的基于膜系统改进粒子群算法的云资源调度优化方法的步骤、编码规则和进化规则,以下:
步骤100、初始化粒子群,构建膜系统结构,将膜系统初始化为主膜和辅助膜,对主膜和辅助膜内的粒子进行初始化操作,初始化粒子的速度和位置,并保证每层辅助膜中 至少包含一个粒子。
云计算物理机资源信息对应于改进粒子群算法中的粒子信息,物理资源的位置对应 于粒子的位置,物理机的通信能力对应于粒子的运动速度,处理能力强的物理机资源对应于粒子群中的个体最优粒子。根据用户请求确定云计算目标函数,以根据目标函数指 导各个粒子更新,对粒子进行实数编码,每一个粒子位置Xi=(Xt i1,Xt i2…,Xt id)将被看 做一个对象,所有粒子所对应的解的集合被看作是膜系统的对象集。每个区域内的多重 集可以表示为:Wi=(X1iX2i…Xni),其中i=1,2,3,4,5,...,n表示膜区域i内的粒 子数,Xt 1i,Xt 2i,…,Xt ni表示区域i内第t代每一个粒子所对应的解,其中Xt ni= (xt ni1,xt ni2,…,xt nid),d是搜索空间的维数;初始化相关参数,包括极限迭代次数、边界 条件、粒子速度位置、膜系统结构等,膜系统结构如图5示例,在膜系统结构中自定义 主膜、辅助膜,使得每个膜内至少包含一个粒子结构抽象。本文定义初始化的膜系统结 构括号表达形式为:[1[6]6[3[4]4[5]5]3]1,其中此结构包含m′=5层膜,包含表层膜1,主膜 6,辅助膜3、4、5,其中膜1,表层膜不进行具体的适应度计算,只负责回收主膜抛弃 的劣质粒子;初始化粒子群作为备选解,将种群逐个粒子随机分配都步骤100初始化好 的膜系统结构中,并且保证每层膜至少包含一个粒子,表层膜1为空。详情如下:
ω0=λ;
ω1=q1q2q3...qn1,n1<n;
ω2=qn1+1qn1+2...qn2,n1+n2<n;
......
ωm=qn(m-1)+1qn(m-1)+2...qnm,n1+n2+...nm<n;
其中,qi(i=1,2,3...n)为各层辅助膜中的粒子个体。
步骤200、计算每个粒子的适应值,确定膜内个体最优值和膜内全局最优值;将膜内个体最优值记为Pbest,膜内全局最优值记为Gbest。
根据适度函数,云资源调度特征函数以及约束参数计算膜内每个粒子的个体适应度 值;假设在迭代第t代时第i个粒子的个体最优值为Pibest (t)在迭代第t代时群体最优值Gbest (t),在各个辅助膜内分别进行PSO寻优,位置和速度更新公式为:
vid t+1=ωid t+c1r1(pid t-xid t)+c2r2(pgd t-xid t)
Xid t+1=xid t+vid t+1
其中,i=1,2,3...n为粒子种群的实数编号,ω为惯性权值,表示粒子的运动惯性,具体表现为:
ω=wmax-(wmax-wmin)×(t+1)/I2更新所述辅助膜中的惯性权值;
其中,wmax为预设的粒子的最大惯性权值,wmin为预设的粒子的最小惯性权值,I2为所述每层膜的迭代次数总和,t是所述每层膜的迭代次数,ω即为所求的惯性权值。
Vi (t)表示第i个粒子在迭代次数为t时的粒子速度,c1,c2分别为预设的加速因子,一般在区间[0,2]取值;r1,r2是变化的随机数,一般在区间[0,1]取值,xi (t)为第i个粒 子在第t代时的位置值。对于每一个粒子,将适应度值和历史最优适应度值作比较,如 果个体适应度值优于个体历史最优适应度值,更新个体最优解为当前适应度值,否则, 不作为。将膜内每个粒子的适应度值和群体最优适应度值,如果有个体适应度值优于群 里适应度值,更新群体适应度值为对应个体适应度值,否则,不作为;更新各个粒子的 位置和速度,并根据预设规则在主膜和辅助膜之间交流,将每层膜的最优粒子传递给主 膜。
步骤300、更新所述每层膜中的惯性权值,并依据惯性权值和种群多样性满足条件更新各粒子的速度和位置。
更新所述每层膜中的惯性权值,并依据惯性权值和种群多样性满足条件更新各粒子 的速度和位置;ω为惯性权值,表示粒子的运动惯性,具体表现为:
ω=wmax-(wmax-wmin)×(t+1)/I2更新所述辅助膜中的惯性权值;
其中,wmax为预设的粒子的最大惯性权值,wmin为预设的粒子的最小惯性权值,I2为所述每层膜的迭代次数总和,t是所述每层膜的迭代次数,ω即为所求的惯性权值。
种群多样性公式:
在每次迭代过程中,将对种群多样性进行检测,如果多样性的取值在预设范围内,就根据原始的速度和位置变化公式更新粒子速度和位置,否则速度更新公式将由种群多样性公式代替计算。
步骤400、在辅助膜中根据适应值对粒子进行排序,并根据膜系统预设的膜间交流规则将挑选出来的优势粒子送入主膜。
步骤500、主膜收到辅助膜中的优势粒子后,会根据粒子适应度值对主膜内粒子重新排序,并丢弃劣质粒子,将劣质粒子送入表层膜寄存。
步骤600、按照粒子群公式更新主膜中的粒子速度和位置。
步骤700、测试方程是否达到最优值或者是否满足最大迭代次数。
查看主膜中粒子测试方程是否已经拥有最优值,或者整个种群的迭代次数是否已经 达到预设迭代次数值,或者已达到预设处理器K中所有分配任务总的交互时间。如果满足一方条件,那么将由最后一次主膜信息得最优解定位为云计算策略最优解G。如果三方条件都不满足,则继续从步骤三迭代执行。
步骤800、最优解进行反编码,得到对应云资源调度的最优调度方案。
根据最优方案G的值进行虚拟机的放置;由资源映射表映射相应的物理机,执行用户任务;任务结束,回收资源,输出结果,结束本段请求。
基于上述方案可知,本申请提供了一种基于膜系统改进粒子群算法的云资源调度方 法,简单描述了该算法用于云资源调度的可行性,进一步抽象了云资源调度物理模型,数学模型,迭代约束以及边界条件,演示了将膜系统思想与改进粒子群算法结合起来并 应用于云资源调度,详细阐述了其执行步骤和编码规则、进化规则,并结合实例协助解 释本申请算法的核心思想。
Claims (7)
1.一种基于膜系统改进粒子群算法的云资源调度优化方法,其特征在于,包括以下步骤:
步骤100、初始化粒子群,构建膜系统结构,将膜系统初始化为主膜和辅助膜,对主膜和辅助膜内的粒子进行初始化操作,初始化粒子的速度和位置,并保证每层辅助膜中至少包含一个粒子;
步骤200、计算每个粒子的适应值,确定膜内个体最优值和膜内全局最优值;将膜内个体最优值记为Pbest,膜内全局最优值记为Gbest;
步骤300、更新所述每层膜中的惯性权值,并依据惯性权值和种群多样性满足条件更新各粒子的速度和位置;
步骤400、在辅助膜中根据适应值对粒子进行排序,将挑选出来的优势粒子送入主膜;
步骤500、主膜收到辅助膜中的优势粒子后,会对膜内粒子重新排序,并丢弃劣质粒子,辅助膜中以收集劣质因子;
步骤600、按照粒子群公式更新主膜中的粒子速度和位置;
步骤700、测试方程是否达到最优值或者是否满足最大迭代次数;
步骤800、最优解进行反编码,得到对应云资源调度的最优调度方案。
2.如权利要求1所述基于膜系统改进粒子群算法的云资源调度优化方法,其特征在于,所述步骤100包括:
步骤101、云计算物理机资源信息对应于改进粒子群算法中的粒子信息,物理资源的位置对应于粒子的位置,物理机的通信能力对应于粒子的运动速度,处理能力强的物理机资源对应于粒子群中的个体最优粒子,根据用户请求确定云计算目标函数,以根据目标函数指导各个粒子更新;
步骤102、初始化膜系统,自定义主膜,辅助膜,使得每个膜内至少包含一个粒子结构抽象;
步骤103、根据云资源信息初始化粒子的初始位置,初始速度;
步骤104、对粒子进行实数编码,每一个粒子位置Xi=(Xt i1,Xt i2…,Xt id)将被看做一个对象,所有粒子所对应的解的集合被看作是膜系统的对象集,每个区域内的多重集可以表示为:Wi=(X1iX2i…Xni),其中i=1,2,3,4,5,…n表示膜区域i内的粒子数,Xt 1i,Xt 2i,…,Xt ni表示区域i内第t代每一个粒子所对应的解,其中Xt ni=(xt ni1,xt ni2,…,xt nid),d是搜索空间的维数。
3.如权利要求1所述基于膜系统改进粒子群算法的云资源调度优化方法,其特征在于,所述步骤200包括:
步骤201、根据适度函数,云资源调度特征函数以及约束参数计算膜内每个粒子的个体适应度值;
步骤202、对于每一个粒子,将适应度值和历史最优适应度值作比较,如果个体适应度值优于个体历史最优适应度值,更新个体最优解为当前适应度值,否则,不作为;
步骤203、将膜内每个粒子的适应度值和群体最优适应度值,如果有个体适应度值优于群里适应度值,更新群体适应度值为对应个体适应度值,否则,不作为。
4.如权利要求1所述基于膜系统改进粒子群算法的云资源调度优化方法,其特征在于,所述步骤300中,ω为惯性权值,表示粒子的运动惯性,具体表现为:
ω=wmax-(wmax-wmin)×(t+1)/I2更新所述辅助膜中的惯性权值;
其中,wmax为预设的粒子的最大惯性权值,wmin为预设的粒子的最小惯性权值,I2为所述每层膜的迭代次数总和,t是所述每层膜的迭代次数,ω即为所求的惯性权值;
种群多样性公式:
在每次迭代过程中,将对种群多样性进行检测,如果多样性的取值在预设范围内,就根据原始的速度和位置变化公式更新粒子速度和位置,否则速度更新公式将由种群多样性公式代替计算。
5.如权利要求1所述基于膜系统改进粒子群算法的云资源调度优化方法,其特征在于,所述步骤500包括:
步骤501、主膜接收新一轮产生的迭代优质粒子;
步骤502、主膜根据适应度值对新旧粒子重新排序,丢弃劣质粒子。
6.如权利要求1所述基于膜系统改进粒子群算法的云资源调度优化方法,其特征在于,所述步骤700包括:
判断所述最优粒子是否满足预设的选取规则,如不满足继续返回步骤300进行迭代;规则包括:
规则1:预设处理器K中所有分配任务总的交互时间;
规则2:预设的迭代次数。
7.如权利要求1所述基于膜系统改进粒子群算法的云资源调度优化方法,其特征在于,所述步骤800包括:
步骤801、根据最优方案的值进行虚拟机的放置;
步骤802、由资源映射表映射相应的物理机,执行用户任务;
步骤803、任务结束,回收资源,输出结果,结束本段请求。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710308867.7A CN107203412A (zh) | 2017-05-04 | 2017-05-04 | 一种基于膜系统改进粒子群算法的云资源调度优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710308867.7A CN107203412A (zh) | 2017-05-04 | 2017-05-04 | 一种基于膜系统改进粒子群算法的云资源调度优化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107203412A true CN107203412A (zh) | 2017-09-26 |
Family
ID=59905647
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710308867.7A Pending CN107203412A (zh) | 2017-05-04 | 2017-05-04 | 一种基于膜系统改进粒子群算法的云资源调度优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107203412A (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108830408A (zh) * | 2018-05-31 | 2018-11-16 | 中国人民解放军海军工程大学 | 一种面向任务资源匹配的装备保障任务多目标规划方法 |
CN109559146A (zh) * | 2018-09-25 | 2019-04-02 | 国家电网有限公司客户服务中心 | 电力客服中心基于logistic模型预测潜在用户数量的省市接入数据中心优化方法 |
CN110058924A (zh) * | 2019-04-23 | 2019-07-26 | 东华大学 | 一种多目标优化的容器调度方法 |
CN110442452A (zh) * | 2019-07-31 | 2019-11-12 | 南京能迪电气技术有限公司 | 基于粒子群优化算法边缘计算终端硬件资源使用调度方法 |
CN110599068A (zh) * | 2019-09-29 | 2019-12-20 | 哈尔滨理工大学 | 一种基于粒子群优化算法的云资源调度方法 |
US10514949B1 (en) | 2018-12-11 | 2019-12-24 | Signals Analytics Ltd. | Efficient data processing in a serverless environment |
CN111610994A (zh) * | 2020-05-20 | 2020-09-01 | 山东汇贸电子口岸有限公司 | 一种云数据中心的部署方法、装置、设备及存储介质 |
CN112732419A (zh) * | 2020-12-23 | 2021-04-30 | 张琨 | 基于pso改进算法的三维闪电数据调度研究方法 |
CN112923534A (zh) * | 2021-03-11 | 2021-06-08 | 上海叠腾网络科技有限公司 | 基于神经网络和改进粒子群算法的中央空调系统优化方法和系统 |
CN113256094A (zh) * | 2021-05-17 | 2021-08-13 | 安徽帅尔信息科技有限公司 | 基于改进粒子群算法的业务资源分配方法 |
CN113360275A (zh) * | 2020-03-06 | 2021-09-07 | 中移(上海)信息通信科技有限公司 | 资源调度方法、装置、设备和介质 |
CN113642808A (zh) * | 2021-09-01 | 2021-11-12 | 长春工业大学 | 一种面向云制造资源变化的动态调度方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102662322A (zh) * | 2012-04-10 | 2012-09-12 | 西华大学 | 一种fpga处理器及pid膜优化神经网络控制器 |
CN102663494A (zh) * | 2012-04-10 | 2012-09-12 | 西华大学 | 一种基于变异粒子群算法的膜优化算法 |
US20140214742A1 (en) * | 2013-01-30 | 2014-07-31 | Harris Corporation | Distributed multi-layer particle swarm optimization based cognitive network |
-
2017
- 2017-05-04 CN CN201710308867.7A patent/CN107203412A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102662322A (zh) * | 2012-04-10 | 2012-09-12 | 西华大学 | 一种fpga处理器及pid膜优化神经网络控制器 |
CN102663494A (zh) * | 2012-04-10 | 2012-09-12 | 西华大学 | 一种基于变异粒子群算法的膜优化算法 |
US20140214742A1 (en) * | 2013-01-30 | 2014-07-31 | Harris Corporation | Distributed multi-layer particle swarm optimization based cognitive network |
Non-Patent Citations (1)
Title |
---|
张群慧 等: "膜计算改进粒子群优化算法的云资源调度", 《计算机工程与应用》 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108830408A (zh) * | 2018-05-31 | 2018-11-16 | 中国人民解放军海军工程大学 | 一种面向任务资源匹配的装备保障任务多目标规划方法 |
CN109559146B (zh) * | 2018-09-25 | 2022-11-04 | 国家电网有限公司客户服务中心 | 电力客服中心基于logistic模型预测潜在用户数量的省市接入数据中心优化方法 |
CN109559146A (zh) * | 2018-09-25 | 2019-04-02 | 国家电网有限公司客户服务中心 | 电力客服中心基于logistic模型预测潜在用户数量的省市接入数据中心优化方法 |
US10514949B1 (en) | 2018-12-11 | 2019-12-24 | Signals Analytics Ltd. | Efficient data processing in a serverless environment |
CN110058924A (zh) * | 2019-04-23 | 2019-07-26 | 东华大学 | 一种多目标优化的容器调度方法 |
CN110058924B (zh) * | 2019-04-23 | 2023-08-04 | 东华大学 | 一种多目标优化的容器调度方法 |
CN110442452A (zh) * | 2019-07-31 | 2019-11-12 | 南京能迪电气技术有限公司 | 基于粒子群优化算法边缘计算终端硬件资源使用调度方法 |
CN110599068A (zh) * | 2019-09-29 | 2019-12-20 | 哈尔滨理工大学 | 一种基于粒子群优化算法的云资源调度方法 |
CN113360275A (zh) * | 2020-03-06 | 2021-09-07 | 中移(上海)信息通信科技有限公司 | 资源调度方法、装置、设备和介质 |
CN111610994A (zh) * | 2020-05-20 | 2020-09-01 | 山东汇贸电子口岸有限公司 | 一种云数据中心的部署方法、装置、设备及存储介质 |
CN111610994B (zh) * | 2020-05-20 | 2023-10-20 | 山东汇贸电子口岸有限公司 | 一种云数据中心的部署方法、装置、设备及存储介质 |
CN112732419A (zh) * | 2020-12-23 | 2021-04-30 | 张琨 | 基于pso改进算法的三维闪电数据调度研究方法 |
CN112923534A (zh) * | 2021-03-11 | 2021-06-08 | 上海叠腾网络科技有限公司 | 基于神经网络和改进粒子群算法的中央空调系统优化方法和系统 |
CN113256094A (zh) * | 2021-05-17 | 2021-08-13 | 安徽帅尔信息科技有限公司 | 基于改进粒子群算法的业务资源分配方法 |
CN113642808A (zh) * | 2021-09-01 | 2021-11-12 | 长春工业大学 | 一种面向云制造资源变化的动态调度方法 |
CN113642808B (zh) * | 2021-09-01 | 2023-08-22 | 长春工业大学 | 一种面向云制造资源变化的动态调度方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107203412A (zh) | 一种基于膜系统改进粒子群算法的云资源调度优化方法 | |
CN110851529B (zh) | 算力调度方法及相关设备 | |
CN107659433B (zh) | 一种云资源调度方法及设备 | |
Pacini et al. | Balancing throughput and response time in online scientific Clouds via Ant Colony Optimization (SP2013/2013/00006) | |
Kumar et al. | A PSO based VM resource scheduling model for cloud computing | |
CN109800071A (zh) | 一种基于改进遗传算法的云计算任务调度方法 | |
CN108776612A (zh) | 一种云计算任务分配方法、装置、设备及存储介质 | |
CN106020933B (zh) | 基于超轻量虚拟机的云计算动态资源调度系统及方法 | |
CN108345501A (zh) | 一种分布式资源调度方法和系统 | |
Keshk et al. | Cloud task scheduling for load balancing based on intelligent strategy | |
CN103491024B (zh) | 一种面向流式数据的作业调度方法及装置 | |
CN109491761A (zh) | 基于eda-ga混合算法的云计算多目标任务调度方法 | |
CN104731528B (zh) | 一种云计算块存储服务的构建方法及系统 | |
CN108418858A (zh) | 一种面向Geo-distributed云存储的数据副本放置方法 | |
CN106201701A (zh) | 一种带任务重复的工作流调度算法 | |
CN110311965A (zh) | 一种云计算环境下的任务调度方法及系统 | |
Dewangan et al. | Energy-aware autonomic resource scheduling framework for cloud | |
Asghari et al. | Combined use of coral reefs optimization and reinforcement learning for improving resource utilization and load balancing in cloud environments | |
CN117032902A (zh) | 一种基于负载的改进离散粒子群算法的云任务调度方法 | |
Kaur et al. | Latency and network aware placement for cloud-native 5G/6G services | |
Zhu et al. | SAAS parallel task scheduling based on cloud service flow load algorithm | |
CN112306642B (zh) | 一种基于稳定匹配博弈理论的工作流调度方法 | |
CN109976873A (zh) | 容器化分布式计算框架的调度方案获取方法及调度方法 | |
CN112835684A (zh) | 一种面向移动边缘计算的虚拟机部署方法 | |
Kumar et al. | An efficient framework for resource allocation in cloud computing |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20170926 |