CN108776612A - 一种云计算任务分配方法、装置、设备及存储介质 - Google Patents

一种云计算任务分配方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN108776612A
CN108776612A CN201810321267.9A CN201810321267A CN108776612A CN 108776612 A CN108776612 A CN 108776612A CN 201810321267 A CN201810321267 A CN 201810321267A CN 108776612 A CN108776612 A CN 108776612A
Authority
CN
China
Prior art keywords
path
cloud computing
task
ant
cloud
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
Application number
CN201810321267.9A
Other languages
English (en)
Inventor
张勇
唐琳琳
赵东宁
鹤荣育
梁长垠
曾庆好
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.)
Shenzhen University
Shenzhen Graduate School Harbin Institute of Technology
Original Assignee
Shenzhen University
Shenzhen Graduate School Harbin Institute of Technology
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 Shenzhen University, Shenzhen Graduate School Harbin Institute of Technology filed Critical Shenzhen University
Priority to CN201810321267.9A priority Critical patent/CN108776612A/zh
Priority to PCT/CN2018/083135 priority patent/WO2019196127A1/zh
Priority to JP2020519124A priority patent/JP6952190B2/ja
Publication of CN108776612A publication Critical patent/CN108776612A/zh
Priority to US16/745,396 priority patent/US11188382B2/en
Pending legal-status Critical Current

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
    • G06F9/46—Multiprogramming arrangements
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
    • G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
    • 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
    • G06F9/4843—Task transfer initiation or dispatching by program, e.g. task dispatcher, supervisor, operating system
    • G06F9/4881—Scheduling strategies for dispatcher, e.g. round robin, multi-level priority queues
    • 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
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5061—Partitioning or combining of resources
    • G06F9/5066—Algorithms for mapping a plurality of inter-dependent sub-tasks onto a plurality of physical CPUs
    • 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
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5061—Partitioning or combining of resources
    • G06F9/5077—Logical partitioning of resources; Management or configuration of virtualized 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
    • G06F9/46—Multiprogramming arrangements
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5083—Techniques for rebalancing the load in a distributed system
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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
    • 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
    • G06F2009/45595—Network integration; Enabling network access in virtual machine instances
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2209/00—Indexing scheme relating to G06F9/00
    • G06F2209/50—Indexing scheme relating to G06F9/50
    • G06F2209/501—Performance criteria
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • H04L67/01—Protocols
    • H04L67/10—Protocols in which an application is distributed across nodes in the network

Landscapes

  • Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明适用计算机技术领域，提供了一种云计算任务分配方法、装置、设备及存储介质，该方法包括：在接收到云任务分配请求时，根据云任务分配请求中待分配的云计算任务，构建云任务分配模型，通过云任务分配模型和蚁群算法，对云计算任务的分配进行第一预设数目次优化，生成第一预设数目个中间分配路径，通过遗传算法对中间分配路径进行第二预设数目次进化，生成云计算任务的最优分配路径，将云计算任务按照最优分配路径分配给云环境中的虚拟机，从而通过蚁群、遗传算法组合的混合群智能算法有效地提高了云计算任务分配的性能，保证了云计算任务较短的响应时间和完成时间，进而提高了云计算平台的服务质量和用户体验。

Description

一种云计算任务分配方法、装置、设备及存储介质
技术领域
本发明属于计算机技术领域，尤其涉及一种云计算任务分配方法、装置、设备及存储介质。
背景技术
云计算是一个方便、灵活的计算模式，是可通过网络进行访问和使用的计算资源(例如：网络、服务器、存储、应用程序服务)的共享池，其核心思想是将大量计算资源进行统一的管理和调度，以使这些计算资源像日常生活中的水一样在网络中按需分配。云计算任务分配是指根据用户所请求任务的复杂性，在有限的云计算资源下对海量的调度任务进行处理。
近年来，对云计算任务分配方法的研究正在不断地发展，然而现有的云计算调度方法性能不佳，难以在用户提交大量独立任务时保证任务的响应时间、完成时间尽可能的短，从而难以保证云计算平台的服务质量和用户体验。
发明内容
本发明的目的在于提供一种云计算任务分配方法、装置、设备及存储介质，旨在解决由于现有技术中云计算任务分配方法的性能不佳，难以保证云计算任务的响应时间和完成时间较短的问题。
一方面，本发明提供了一种云计算任务分配方法，所述方法包括下述步骤：
当接收到用户的云任务分配请求时，根据所述云任务分配请求中待分配的云计算任务，构建云任务分配模型；
通过所述云任务分配模型和预设的蚁群算法，对所述云计算任务的分配进行第一预设数目次优化，生成所述第一预设数目个中间分配路径；
通过预设的遗传算法对所述中间分配路径进行第二预设数目次进化，生成所述云计算任务的最优分配路径；
将所述云计算任务按照所述最优分配路径分配给云环境中的虚拟机。
另一方面，本发明提供了一种云计算任务分配装置，所述装置包括：
模型构建单元，用于当接收到用户的云任务分配请求时，根据所述云任务分配请求中待分配的云计算任务，构建云任务分配模型；
蚁群优化单元，用于通过所述云任务分配模型和预设的蚁群算法，对所述云计算任务的分配进行第一预设数目次优化，生成所述第一预设数目个中间分配路径；
遗传进化单元，用于通过预设的遗传算法对所述中间分配路径进行第二预设数目次进化，生成所述云计算任务的最优分配路径；以及
任务分配单元，用于将所述云计算任务按照所述最优分配路径分配给云环境中的虚拟机。
另一方面，本发明还提供了一种云计算设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述云计算任务分配方法所述的步骤。
另一方面，本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述云计算任务分配方法所述的步骤。
本发明根据云任务分配请求中待分配的云计算任务，构建云任务分配模型，通过云任务分配模型和蚁群算法，对云计算任务的分配进行优化，生成第一预设数目个中间分配路径，通过遗传算法对中间分配路径进行第二预设数目次进化，生成云计算任务的最优分配路径，将云计算任务按照最优分配路径分配给虚拟机，从而在用户提交大量独立的云计算任务时，通过蚁群、遗传算法组合的混合群智能算法有效地提高了云计算任务分配的性能，保证云计算任务较短的响应时间和完成时间，进而提高了云计算平台的服务质量和用户体验。
附图说明
图1是本发明实施例一提供的一种云计算任务分配方法的实现流程图；
图2是本发明实施例二提供的一种云计算任务分配装置的结构示意图；
图3是本发明实施例二提供的一种云计算任务分配装置的优选结构示意图；以及
图4是本发明实施例三提供的云计算设备的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
以下结合具体实施例对本发明的具体实现进行详细描述：
实施例一：
图1示出了本发明实施例一提供的一种云计算任务分配方法的实现流程，为了便于说明，仅示出了与本发明实施例相关的部分，详述如下：
在步骤S101中，当接收到用户的云任务分配请求时，根据云任务分配请求中待分配的云计算任务，构建云任务分配模型。
本发明适用于云计算平台，在接收到不同用户的云任务分配请求时，从这些云任务分配请求中获取待分配的云计算任务，根据这些云计算任务，可构建云任务分配模型。在构建云任务分配模型时，由于在云环境中多个虚拟机分布在宿主机上，云计算任务分配即将云计算任务分配这些虚拟机，可通过建立任务虚拟机配对过程来构建云任务分配模型。
作为示例地，在从云任务分配请求中共获得m个待分配的云计算任务A＝(a1,a2,...,am)，m个云计算任务在n个虚拟机VM＝{v1,v2,...,vn}上执行，形成任务虚拟机配对(ai,vj)，用表示每个云计算任务在虚拟机上的执行时间。
在步骤S102中，通过云任务分配模型和预设的蚁群算法，对云计算任务的分配进行第一预设数目次优化，生成第一预设数目个中间分配路径。
在本发明实施例中，第一预设数目为预设的、蚁群算法的最大迭代次数(或最大优化次数)，将任务虚拟机模型中每个任务虚拟机配对分别设置为对应的节点，蚁群算法中的蚁群需要在这些节点间寻找一条最优路径。可先对每个任务虚拟机配对节点间的信息素进行初始化，生成蚁群算法中的信息素矩阵，再通过蚁群算法中的蚂蚁在任务虚拟配对节点中走出相应路径，将这些路径中的局部最优路径设置为中间分配路径，再根据云计算任务在虚拟机上所需的运行时间，可对每条蚂蚁经过的路径上的信息素进行更新，以便通过信息素引导后续的蚁群优化过程。
优选地，蚁群算法中每只蚂蚁在任务虚拟配对节点中走出相应路径时，通过预设的概率公式在任务虚拟机配对节点中选择下一个要走到的节点，从而提高蚁群算法的路径搜索能力。例如，当第t次优化过程中任务虚拟机配对节点(ai,vj)位于蚂蚁k的可搜索任务表中时，蚂蚁k行走到任务虚拟机配对节点(ai,vj)的概率为：
其中，τij(t)、γij(t)分别表示第t次优化过程中的资源信息素浓度、资源的固有属性(如计算和通信能力)，α、β分别表示信息素的重要程度、资源固有属性的重要程度，AllowedTasks(t)表示第t次优化过程中蚂蚁的可搜索任务表，vms为可选的虚拟机。当第t次优化过程中任务虚拟机配对节点(ai,vj)不位于蚂蚁k的可搜索任务表中时，蚂蚁k行走到任务虚拟机配对节点(ai,vj)的概率为0。
在本发明实施例中，蚁群算法模拟自然环境中的蚁群现象，所以信息素的更新除了包括蚂蚁经过时留下的信息素，还要考虑信息素的自然挥发。优选地，信息素矩阵的更新公式表示为：
其中，rho为预设的挥发因子，Delta表示蚂蚁经过时留下的信息素，Delta＝Q/max(costVm)，Q为预设的权重参数，costVm[1...M]为蚂蚁经过的路径上各个虚拟机的时间消耗，max(costVm)为蚂蚁经过的路径上各个虚拟机的时间消耗中最长的时间消耗，从而依据云计算任务在虚拟机上的运行时间，对每只蚂蚁相应路径上的信息素进行更新，有效地提高了信息素更新的准确度。
进一步优选地，在每只蚂蚁走完各自的路径后，使经过局部最优路径的每只蚂蚁按照预设的最优路径信息素更新公式在局部最优路径上再一次释放信息素，从而间接地增加全局路径最优路径的信息素，有利于快速地找到全局最优路径。作为示例地，最优路径信息素更新公式中信息素的更新值可表示为：
δ＝Q”/bestCost，其中，Q”为预设的权重参数，bestCost为当前最佳的max(costVm)。
在本发明实施例中，判断蚁群算法的优化次数是否达到第一预设数目，是则完成蚁群算法的优化过程，得到第一预设数目个中间分配路径，否则继续通过蚁群算法中的蚂蚁在任务虚拟配对节点中走出相应路径。
在步骤S103中，通过预设的遗传算法对中间分配路径进行第二预设数目次进化，生成云计算任务的最优分配路径。
在本发明实施例中，第二预设数目为遗传算法的最大迭代次数(或最大进化次数)，优选地，蚁群算法每一代的运行都需要较长的时间，而遗传算法每代花费的时间较短，因此为第二预设数目设置为大于第一预设数目的值，从而在减少云计算任务分配的时间成本的同时，提高云计算任务分配的效果。
在本发明实施例中，可先对通过蚁群算法得到的中间分配路径进行编码，得到遗传算法的当前种群，再根据预设的适应值函数对当前种群进行进化，生成下一代种群，判断遗传算法的进化次数是否达到第二预设数目，是则将下一代种群中的最优个体设置为云计算任务分配的最优分配路径，否则将下一代种群设置为当前种群，继续对当前种群进行进化。
优选地，在对通过蚁群算法得到的中间分配路径进行编码时，对每个中间分配路径中的任务虚拟机配对节点进行排序，生成每个中间分配路径的虚拟机序列，将这些虚拟机序列设置为遗传算法中当前种群的种群个体，从而实现云计算任务分配中蚁群算法和遗传算法的结合。
优选地，为使遗传算法逐步朝着更低的用户成本和更快的完成时间进行迭代，采用的适应值函数为：
Fitness＝Q^/(r*max(costVm)+(1-r)*Debt)，其中，Q^、r为预设的权重参数，r用来控制时间和经济成本之间的比重，Debt为云计算任务分配过程的经济成本。作为示例地，Debt的计算公式可表示为：
其中，peNum为单个虚拟机的宿主机个数，costPe为单个宿主机的费用，costPerMem、costPerStorage和costPerBw分别为云计算环境中的内存费用、存储器费用和带宽费用，ram、size和bw分别为云计算环境中内存容量、存储器大小和带宽数量。
在步骤S104中，将云计算任务按照最优分配路径分配给云环境中的虚拟机。
在本发明实施例中，在得到最优分配路径后，将所有云计算任务按照最优分配路径分配给虚拟机，完成云计算任务的分配。在具体实验过程中，得到最优分配路径后，可在云计算仿真工具、云计算环境的分布式系统模拟器(例如CloudSim工具)上对云计算试验进行模拟，以降低云计算任务分配的研究测试门槛和成本。
在本发明实施例中，通过蚁群算法对云计算任务的分配进行优化，生成第一预设数目个中间分配路径，通过遗传算法对中间分配路径进行第二预设数目次进化，生成云计算任务的最优分配路径，从而通过蚁群、遗传算法组合的混合群智能算法综合了蚁群算法良好的鲁棒性和解搜索能力、以及遗传算法的全局空间搜索能力和并行性，有效地提高了云计算任务分配的性能，保证云计算任务较短的响应时间和完成时间，进而提高了云计算平台的服务质量和用户体验。
实施例二：
图2示出了本发明实施例二提供的一种云计算任务分配装置的结构，为了便于说明，仅示出了与本发明实施例相关的部分，其中包括：
模型构建单元21，用于当接收到用户的云任务分配请求时，根据云任务分配请求中待分配的云计算任务，构建云任务分配模型。
在本发明实施例中，在接收到不同用户的云任务分配请求时，从这些云任务分配请求中获取待分配的云计算任务，根据这些云计算任务，可构建云任务分配模型。在构建云任务分配模型时，由于在云环境中多个虚拟机分布在宿主机上，云计算任务分配即将云计算任务分配这些虚拟机，可通过建立任务虚拟机配对过程来构建云任务分配模型。
蚁群优化单元22，用于通过云任务分配模型和预设的蚁群算法，对云计算任务的分配进行第一预设数目次优化，生成第一预设数目个中间分配路径。
在本发明实施例中，可先对每个任务虚拟机配对节点间的信息素进行初始化，生成蚁群算法中的信息素矩阵，再通过蚁群算法中的蚂蚁在任务虚拟配对节点中走出相应路径，将这些路径中的局部最优路径设置为中间分配路径，再根据云计算任务在虚拟机上所需的运行时间，可对每条蚂蚁经过的路径上的信息素进行更新，以便通过信息素引导后续的蚁群优化过程。
优选地，蚁群算法中每只蚂蚁在任务虚拟配对节点中走出相应路径时，通过预设的概率公式在任务虚拟机配对节点中选择下一个要走到的节点，从而提高蚁群算法的路径搜索能力。
在本发明实施例中，蚁群算法模拟自然环境中的蚁群现象，所以信息素的更新除了包括蚂蚁经过时留下的信息素，还要考虑信息素的自然挥发。优选地，信息素矩阵的更新公式表示为：
其中，rho为预设的挥发因子，Delta表示蚂蚁经过时留下的信息素，Delta＝Q/max(costVm)，Q为预设的权重参数，costVm[1...M]为蚂蚁经过的路径上各个虚拟机的时间消耗，max(costVm)为蚂蚁经过的路径上各个虚拟机的时间消耗中最长的时间消耗，从而依据云计算任务在虚拟机上的运行时间，对每只蚂蚁相应路径上的信息素进行更新，有效地提高了信息素更新的准确度。
进一步优选地，在每只蚂蚁走完各自的路径后，使经过局部最优路径的每只蚂蚁按照预设的最优路径信息素更新公式在局部最优路径上再一次释放信息素，从而间接地增加全局路径最优路径的信息素，有利于快速地找到全局最优路径。
在本发明实施例中，判断蚁群算法的优化次数是否达到第一预设数目，是则完成蚁群算法的优化过程，得到第一预设数目个中间分配路径，否则继续通过蚁群算法中的蚂蚁在任务虚拟配对节点中走出相应路径。
遗传进化单元23，用于通过预设的遗传算法对中间分配路径进行第二预设数目次进化，生成云计算任务的最优分配路径。
在本发明实施例中，第二预设数目为遗传算法的最大迭代次数(或最大进化次数)，优选地，蚁群算法每一代的运行都需要较长的时间，而遗传算法每代花费的时间较短，因此为第二预设数目设置为大于第一预设数目的值，从而在减少云计算任务分配的时间成本的同时，提高云计算任务分配的效果。
在本发明实施例中，可先对通过蚁群算法得到的中间分配路径进行编码，得到遗传算法的当前种群，再根据预设的适应值函数对当前种群进行进化，生成下一代种群，判断遗传算法的进化次数是否达到第二预设数目，是则将下一代种群中的最优个体设置为云计算任务分配的最优分配路径，否则将下一代种群设置为当前种群，继续对当前种群进行进化。
优选地，在对通过蚁群算法得到的中间分配路径进行编码时，对每个中间分配路径中的任务虚拟机配对节点进行排序，生成每个中间分配路径的虚拟机序列，将这些虚拟机序列设置为遗传算法中当前种群的种群个体，从而实现云计算任务分配中蚁群算法和遗传算法的结合。
优选地，为使遗传算法逐步朝着更低的用户成本和更快的完成时间进行迭代，采用的适应值函数为：
Fitness＝Q^/(r*max(costVm)+(1-r)*Debt)，其中，Q^、r为预设的权重参数，r用来控制时间和经济成本之间的比重，Debt为云计算任务分配过程的经济成本。作为示例地，Debt的计算公式可表示为：
其中，peNum为单个虚拟机的宿主机个数，costPe为单个宿主机的费用，costPerMem、costPerStorage和costPerBw分别为云计算环境中的内存费用、存储器费用和带宽费用，ram、size和bw分别为云计算环境中内存容量、存储器大小和带宽数量。
任务分配单元24，用于将云计算任务按照最优分配路径分配给云环境中的虚拟机。
在本发明实施例中，在得到最优分配路径后，将所有云计算任务按照最优分配路径分配给虚拟机，完成云计算任务的分配。在具体实验过程中，得到最优分配路径后，可在云计算仿真工具、云计算环境的分布式系统模拟器(例如CloudSim工具)上对云计算试验进行模拟，以降低云计算任务分配的研究测试门槛和成本。
优选地，如图3所示，蚁群优化单元22包括：
信息素初始化单元321，用于对任务分配模型中每个任务虚拟机配对节点间的信息素进行初始化，生成蚁群算法的信息素矩阵；
路径生成单元322，用于通过蚁群算法的蚂蚁在任务虚拟机配对节点中生成相应路径，将每只蚂蚁相应路径中的局部最优路径设置为中间分配路径；
信息素更新单元323，用于根据任务分配模型中云计算任务在云环境的虚拟机上的运行时间，对每只蚂蚁相应路径上的信息素进行更新；以及
蚁群优化判断单元324，用于判断蚁群算法的优化次数是否达到第一预设数目，是则完成蚁群算法的优化过程，否则触发路径生成单元322执行通过蚁群算法的蚂蚁在任务虚拟机配对节点中生成相应路径的操作。
优选地，遗传进化单元23包括：
种群编码单元331，用于对中间分配路径进行编码，以生成遗传算法的当前种群；
种群进化单元332，用于根据预设的适应值函数对当前种群进行进化，生成下一代种群；以及
遗传进化判断单元333，用于判断遗传算法的进化次数是否达到第二预设数目，是则将下一代种群的最优个体设置为最优分配路径，否则将下一代种群设置为当前种群，触发种群进化单元332执行根据预设的适应值函数对当前种群进行进化的步骤。
在本发明实施例中，通过蚁群算法对云计算任务的分配进行优化，生成第一预设数目个中间分配路径，通过遗传算法对中间分配路径进行第二预设数目次进化，生成云计算任务的最优分配路径，从而通过蚁群、遗传算法组合的混合群智能算法综合了蚁群算法良好的鲁棒性和解搜索能力、以及遗传算法的全局空间搜索能力和并行性，有效地提高了云计算任务分配的性能，保证云计算任务较短的响应时间和完成时间，进而提高了云计算平台的服务质量和用户体验。
在本发明实施例中，一种云计算任务分配装置的各单元可由相应的硬件或软件单元实现，各单元可以为独立的软、硬件单元，也可以集成为一个软、硬件单元，在此不用以限制本发明。
实施例三：
图4示出了本发明实施例三提供的云计算设备的结构，为了便于说明，仅示出了与本发明实施例相关的部分。
本发明实施例的云计算设备4包括处理器40、存储器41以及存储在存储器41中并可在处理器40上运行的计算机程序42。该处理器40执行计算机程序42时实现上述方法实施例中的步骤，例如图1所示的步骤S101至S104。或者，处理器40执行计算机程序42时实现上述装置实施例中各单元的功能，例如图2所示单元21至24的功能。
在本发明实施例中，通过蚁群算法对云计算任务的分配进行优化，生成第一预设数目个中间分配路径，通过遗传算法对中间分配路径进行第二预设数目次进化，生成云计算任务的最优分配路径，从而通过蚁群、遗传算法组合的混合群智能算法综合了蚁群算法良好的鲁棒性和解搜索能力、以及遗传算法的全局空间搜索能力和并行性，有效地提高了云计算任务分配的性能，保证云计算任务较短的响应时间和完成时间，进而提高了云计算平台的服务质量和用户体验。
实施例四：
在本发明实施例中，提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现上述方法实施例中的步骤，例如，图1所示的步骤S101至S104。或者，该计算机程序被处理器执行时实现上述装置实施例中各单元的功能，例如图2所示单元21至24的功能。
在本发明实施例中，通过蚁群算法对云计算任务的分配进行优化，生成第一预设数目个中间分配路径，通过遗传算法对中间分配路径进行第二预设数目次进化，生成云计算任务的最优分配路径，从而通过蚁群、遗传算法组合的混合群智能算法综合了蚁群算法良好的鲁棒性和解搜索能力、以及遗传算法的全局空间搜索能力和并行性，有效地提高了云计算任务分配的性能，保证云计算任务较短的响应时间和完成时间，进而提高了云计算平台的服务质量和用户体验。
本发明实施例的计算机可读存储介质可以包括能够携带计算机程序代码的任何实体或装置、记录介质，例如，ROM/RAM、磁盘、光盘、闪存等存储器。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种云计算任务分配方法，其特征在于，所述方法包括下述步骤：
当接收到用户的云任务分配请求时，根据所述云任务分配请求中待分配的云计算任务，构建云任务分配模型；
通过所述云任务分配模型和预设的蚁群算法，对所述云计算任务的分配进行第一预设数目次优化，生成所述第一预设数目个中间分配路径；
通过预设的遗传算法对所述中间分配路径进行第二预设数目次进化，生成所述云计算任务的最优分配路径；
将所述云计算任务按照所述最优分配路径分配给云环境中的虚拟机。
2.如权利要求1所述的方法，其特征在于，通过所述云任务分配模型和预设的蚁群算法，对所述云计算任务的分配进行第一预设数目次优化，生成所述第一预设数目个中间分配路径的步骤，包括：
对所述任务分配模型中每个任务虚拟机配对节点间的信息素进行初始化，生成所述蚁群算法的信息素矩阵；
通过所述蚁群算法的蚂蚁在所述任务虚拟机配对节点中生成相应路径，将所述每只蚂蚁相应路径中的局部最优路径设置为所述中间分配路径；
根据所述任务分配模型中所述云计算任务在所述云环境的虚拟机上的运行时间，对所述每只蚂蚁相应路径上的信息素进行更新；
判断所述蚁群算法的优化次数是否达到所述第一预设数目，是则完成所述蚁群算法的优化过程，否则跳转至通过所述蚁群算法的蚂蚁在所述任务虚拟机配对节点中生成相应路径的步骤。
3.如权利要求2所述的方法，其特征在于，对所述每只蚂蚁相应路径上的信息素进行更新的步骤之后，判断所述蚁群算法的优化次数是否达到所述第一预设数目的步骤之前，所述方法还包括：
按照预设的最优路径信息素更新公式，通过经过所述局部最优路径的每只蚂蚁对所述局部最优路径上的信息素进行更新。
4.如权利要求1所述的方法，其特征在于，通过预设的遗传算法对所述中间分配路径进行第二预设数目次进化，生成所述云计算任务的最优分配路径的步骤，包括：
对所述中间分配路径进行编码，以生成所述遗传算法的当前种群；
根据预设的适应值函数对所述当前种群进行进化，生成下一代种群；
判断所述遗传算法的进化次数是否达到所述第二预设数目，是则将所述下一代种群的最优个体设置为所述最优分配路径，否则将所述下一代种群设置为所述当前种群，跳转至根据预设的适应值函数对所述当前种群进行进化的步骤。
5.如权利要求4所述的方法，其特征在于，对所述中间分配路径进行编码的步骤，包括：
对所述中间分配路径中的任务虚拟机配对节点进行排序，生成所述每个中间分配路径的虚拟机序列；
将所述虚拟机序列设置为所述遗传算法中的种群个体，由所述种群个体构成所述当前种群。
6.一种云计算任务分配装置，其特征在于，所述装置包括：
模型构建单元，用于当接收到用户的云任务分配请求时，根据所述云任务分配请求中待分配的云计算任务，构建云任务分配模型；
蚁群优化单元，用于通过所述云任务分配模型和预设的蚁群算法，对所述云计算任务的分配进行第一预设数目次优化，生成所述第一预设数目个中间分配路径；
遗传进化单元，用于通过预设的遗传算法对所述中间分配路径进行第二预设数目次进化，生成所述云计算任务的最优分配路径；以及
任务分配单元，用于将所述云计算任务按照所述最优分配路径分配给云环境中的虚拟机。
7.如权利要求6所述的装置，其特征在于，所述蚁群优化单元包括：
信息素初始化单元，用于对所述任务分配模型中每个任务虚拟机配对节点间的信息素进行初始化，生成所述蚁群算法的信息素矩阵；
路径生成单元，用于通过所述蚁群算法的蚂蚁在所述任务虚拟机配对节点中生成相应路径，将所述每只蚂蚁相应路径中的局部最优路径设置为所述中间分配路径；
信息素更新单元，用于根据所述任务分配模型中所述云计算任务在所述云环境的虚拟机上的运行时间，对所述每只蚂蚁相应路径上的信息素进行更新；以及
蚁群优化判断单元，用于判断所述蚁群算法的优化次数是否达到所述第一预设数目，是则完成所述蚁群算法的优化过程，否则触发所述路径生成单元执行通过所述蚁群算法的蚂蚁在所述任务虚拟机配对节点中生成相应路径的操作。
8.如权利要求6所述的装置，其特征在于，所述遗传进化单元包括：
种群编码单元，用于对所述中间分配路径进行编码，以生成所述遗传算法的当前种群；
种群进化单元，用于根据预设的适应值函数对所述当前种群进行进化，生成下一代种群；以及
遗传进化判断单元，用于判断所述遗传算法的进化次数是否达到所述第二预设数目，是则将所述下一代种群的最优个体设置为所述最优分配路径，否则将所述下一代种群设置为所述当前种群，触发所述种群进化单元执行根据预设的适应值函数对所述当前种群进行进化的步骤。
9.一种云计算设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至5任一项所述方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述方法的步骤。
CN201810321267.9A 2018-04-11 2018-04-11 一种云计算任务分配方法、装置、设备及存储介质 Pending CN108776612A (zh)

Priority Applications (4)

Application Number Priority Date Filing Date Title
CN201810321267.9A CN108776612A (zh) 2018-04-11 2018-04-11 一种云计算任务分配方法、装置、设备及存储介质
PCT/CN2018/083135 WO2019196127A1 (zh) 2018-04-11 2018-04-15 一种云计算任务分配方法、装置、设备及存储介质
JP2020519124A JP6952190B2 (ja) 2018-04-11 2018-04-15 クラウドコンピューティングのタスク割り当て方法、装置、設備及び記憶媒体
US16/745,396 US11188382B2 (en) 2018-04-11 2020-01-17 Cloud computing task allocation method and device, apparatus, and storage medium

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810321267.9A CN108776612A (zh) 2018-04-11 2018-04-11 一种云计算任务分配方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN108776612A true CN108776612A (zh) 2018-11-09

Family

ID=64033710

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810321267.9A Pending CN108776612A (zh) 2018-04-11 2018-04-11 一种云计算任务分配方法、装置、设备及存储介质

Country Status (4)

Country Link
US (1) US11188382B2 (zh)
JP (1) JP6952190B2 (zh)
CN (1) CN108776612A (zh)
WO (1) WO2019196127A1 (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110278153A (zh) * 2019-06-21 2019-09-24 田继忠 一种数据通道择取的装置及方法
CN111240804A (zh) * 2020-01-12 2020-06-05 桂林理工大学 一种基于资源管理的云数据中心成本优化方法
CN111917818A (zh) * 2020-06-09 2020-11-10 东南大学 一种个性化服务需求的动态匹配方法
CN112653500A (zh) * 2020-12-16 2021-04-13 桂林电子科技大学 基于蚁群算法的面向低轨道卫星边缘计算任务调度方法
CN112862134A (zh) * 2019-11-12 2021-05-28 北京中电普华信息技术有限公司 电力营销业务中台的业务调度方法及装置
CN113160900A (zh) * 2021-05-24 2021-07-23 北京化工大学 基于蚁群算法高通量合成Ag基催化剂的优化路径获取方法

Families Citing this family (29)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113497761A (zh) * 2020-03-20 2021-10-12 罗伯特·博世有限公司 车载设备和通信系统以及数据传输方法
CN111813525B (zh) * 2020-07-09 2024-05-03 西北工业大学 一种异构系统工作流调度方法
WO2022006830A1 (zh) * 2020-07-10 2022-01-13 广东石油化工学院 一种多队列多集群的任务调度方法及系统
CN111984697B (zh) * 2020-08-05 2023-05-16 河南省计量科学研究院 一种基于云计算的热量表计量系统及方法
CN112085382A (zh) * 2020-09-08 2020-12-15 杭州海兴泽科信息技术有限公司 一种工单分配方法、装置、设备及计算机可读存储介质
CN112084033A (zh) * 2020-09-17 2020-12-15 南方电网数字电网研究院有限公司 多核系统的任务分配方法、装置、计算机设备和存储介质
CN112084035B (zh) * 2020-09-21 2024-04-30 西安理工大学 一种基于蚁群算法的任务调度方法及系统
CN112348250A (zh) * 2020-11-05 2021-02-09 紫金矿业集团股份有限公司 一种汽车衡无人值守称重系统
CN112380645A (zh) * 2020-11-09 2021-02-19 上海海事大学 一种基于蚁群算法的螺旋输送机优化设计方法
CN112327858B (zh) * 2020-11-16 2024-03-26 中国人民解放军陆军防化学院 一种佩戴空气呼吸器人员执行既定任务的路径规划方法
CN112434779B (zh) * 2020-12-09 2023-11-21 哈尔滨工程大学 一种基于改进蚁群算法的紧耦合任务分配方法
CN112541627B (zh) * 2020-12-10 2023-08-01 赛可智能科技(上海)有限公司 一种电动物流车路径规划和性能优化方法、装置及设备
CN112883632B (zh) * 2021-01-13 2022-12-02 合肥工业大学 一种基于改进蚁群算法的锂电池等效电路模型参数辨识方法
CN112734127A (zh) * 2021-01-20 2021-04-30 西北工业大学 一种基于动态蚁群劳动分工模型的多auv任务分配方法
CN113009821B (zh) * 2021-02-10 2022-08-19 上海海事大学 一种基于信息素初始分配和动态更新的蚁群算法优化方法
CN112883526B (zh) * 2021-03-15 2023-04-07 广西师范大学 一种任务延迟和可靠性约束下的工作负载分配方法
CN112884248B (zh) * 2021-03-24 2023-01-06 苏州大学 一种大规模云服务流程的优化方法
CN113110472A (zh) * 2021-04-25 2021-07-13 深圳市跨越新科技有限公司 路径规划方法、装置和终端
CN113778123B (zh) * 2021-08-24 2024-03-05 中国电子科技集团公司电子科学研究院 面向异构无人机集群的耦合多任务分配方法及装置
CN114172867B (zh) * 2021-12-02 2023-09-29 国网山东省电力公司信息通信公司 一种基于ims的海量信令诊断系统及方法
CN114900518A (zh) * 2022-04-02 2022-08-12 中国光大银行股份有限公司 有向分布式网络的任务分配方法、装置、介质及电子设备
CN114968554B (zh) * 2022-04-07 2024-03-19 西北大学 一种基于核函数映射方式的鲸鱼算法的工作流云调度方法
CN114862065B (zh) * 2022-07-05 2022-09-23 杭州数询云知科技有限公司 社工任务规划方法、装置、电子设备及存储介质
CN115277445B (zh) * 2022-07-11 2023-08-15 北京理工大学 一种基于QoS目标的微服务系统调度优化方法
CN114995984B (zh) * 2022-07-19 2022-10-25 深圳市乐易网络股份有限公司 一种分布式超并发云计算系统
CN117056089B (zh) * 2023-10-11 2024-02-06 创瑞技术有限公司 一种服务动态分配系统及方法
CN117573307B (zh) * 2023-11-13 2024-04-09 纬创软件(武汉)有限公司 云环境下多任务的统筹管理方法及系统
CN117319505B (zh) * 2023-11-30 2024-02-06 天勰力(山东)卫星技术有限公司 一种面向软件定义卫星共享网络的星上任务抢单系统
CN117370035B (zh) * 2023-12-08 2024-05-07 国网浙江省电力有限公司宁波供电公司 一种实时仿真计算资源的划分系统及方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103345657A (zh) * 2013-04-02 2013-10-09 江苏大学 云计算环境下基于遗传和蚁群的任务调度方法
CN106936892A (zh) * 2017-01-09 2017-07-07 北京邮电大学 一种自组织云多对多计算迁移方法及系统
CN107133095A (zh) * 2017-04-07 2017-09-05 北京科技大学 一种云环境下的任务调度方法
US20170329643A1 (en) * 2014-11-25 2017-11-16 Institute Of Acoustics, Chinese Academy Of Sciences Distributed node intra-group task scheduling method and system

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080144074A1 (en) * 2006-10-18 2008-06-19 Jie Lin Workflow processing system
US8893130B2 (en) * 2007-03-26 2014-11-18 Raytheon Company Task scheduling method and system
WO2010089900A1 (en) * 2009-02-05 2010-08-12 Nec Corporation Method, system and program for deadline constrained task admission control and scheduling using genetic approach
US7979578B2 (en) * 2009-09-02 2011-07-12 International Business Machines Corporation Dynamic and evolutionary placement in an event-driven component-oriented network data processing system
JP5773142B2 (ja) * 2011-06-22 2015-09-02 株式会社日立製作所 計算機システムの構成パターンの算出方法及び構成パターンの算出装置
US20130144584A1 (en) * 2011-12-03 2013-06-06 Medeolinx, LLC Network modeling for drug toxicity prediction
CN103870317B (zh) * 2012-12-10 2017-07-21 中兴通讯股份有限公司 云计算中的任务调度方法及系统
US20170026305A1 (en) * 2015-07-23 2017-01-26 Schneider Electric It Corporation System to place virtual machines onto servers based upon backup runtime constraints
CN109426553A (zh) * 2017-08-21 2019-03-05 上海寒武纪信息科技有限公司 任务切分装置及方法、任务处理装置及方法、多核处理器
CN110502330A (zh) * 2018-05-16 2019-11-26 上海寒武纪信息科技有限公司 处理器及处理方法
WO2019001418A1 (zh) * 2017-06-26 2019-01-03 上海寒武纪信息科技有限公司 数据共享系统及其数据共享方法
EP3811328A4 (en) * 2018-06-14 2021-09-29 Shanghai United Imaging Healthcare Co., Ltd. IMAGE PROCESSING METHODS AND SYSTEMS
US20200265092A1 (en) * 2018-10-25 2020-08-20 The Government of the United States of America as Repesented by the Secretary of the Army Method and apparatus for the design and optimization of 3D frequency selective surfaces using evolutonary computing techniques
CN110851272B (zh) * 2019-10-30 2022-02-11 内蒙古农业大学 基于吞噬的粒子群遗传混合算法的云任务调度方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103345657A (zh) * 2013-04-02 2013-10-09 江苏大学 云计算环境下基于遗传和蚁群的任务调度方法
US20170329643A1 (en) * 2014-11-25 2017-11-16 Institute Of Acoustics, Chinese Academy Of Sciences Distributed node intra-group task scheduling method and system
CN106936892A (zh) * 2017-01-09 2017-07-07 北京邮电大学 一种自组织云多对多计算迁移方法及系统
CN107133095A (zh) * 2017-04-07 2017-09-05 北京科技大学 一种云环境下的任务调度方法

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110278153A (zh) * 2019-06-21 2019-09-24 田继忠 一种数据通道择取的装置及方法
CN112862134A (zh) * 2019-11-12 2021-05-28 北京中电普华信息技术有限公司 电力营销业务中台的业务调度方法及装置
CN111240804A (zh) * 2020-01-12 2020-06-05 桂林理工大学 一种基于资源管理的云数据中心成本优化方法
CN111917818A (zh) * 2020-06-09 2020-11-10 东南大学 一种个性化服务需求的动态匹配方法
CN112653500A (zh) * 2020-12-16 2021-04-13 桂林电子科技大学 基于蚁群算法的面向低轨道卫星边缘计算任务调度方法
CN112653500B (zh) * 2020-12-16 2022-07-26 桂林电子科技大学 基于蚁群算法的面向低轨道卫星边缘计算任务调度方法
CN113160900A (zh) * 2021-05-24 2021-07-23 北京化工大学 基于蚁群算法高通量合成Ag基催化剂的优化路径获取方法

Also Published As

Publication number Publication date
JP6952190B2 (ja) 2021-10-20
US11188382B2 (en) 2021-11-30
US20200201677A1 (en) 2020-06-25
WO2019196127A1 (zh) 2019-10-17
JP2020537231A (ja) 2020-12-17

Similar Documents

Publication Publication Date Title
CN108776612A (zh) 一种云计算任务分配方法、装置、设备及存储介质
Guo et al. Cloud resource scheduling with deep reinforcement learning and imitation learning
Mousavi et al. Dynamic resource allocation in cloud computing
Kaur et al. Deep‐Q learning‐based heterogeneous earliest finish time scheduling algorithm for scientific workflows in cloud
CN108170530B (zh) 一种基于混合元启发式算法的Hadoop负载均衡任务调度方法
Al-maamari et al. Task scheduling using hybrid algorithm in cloud computing environments
CN108694077A (zh) 基于改进二进制蝙蝠算法的分布式系统任务调度方法
CN105975342A (zh) 基于改进布谷鸟搜索算法的云计算任务调度方法及系统
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
CN109067834A (zh) 基于振荡式惯性权重的离散粒子群调度算法
Azad et al. A fuzzy-based method for task scheduling in the cloud environments using inverted ant colony optimisation algorithm
CN104461739B (zh) 一种基于cloudsim平台的虚拟机批量部署方法
CN108427602B (zh) 一种分布式计算任务的协同调度方法及装置
CN109213585A (zh) 一种基于融合遗传算法和蚁群算法的云平台能耗优化管理方法
Strumberger et al. Dynamic tree growth algorithm for load scheduling in cloud environments
Janani et al. Research Article Optimization of Virtual Machine Placement in Cloud Environment Using Genetic Algorithm
Wang et al. Digital twin-assisted efficient reinforcement learning for edge task scheduling
Awad et al. A swarm intelligence-based approach for dynamic data replication in a cloud environment
Bilgaiyan et al. Study of task scheduling in cloud computing environment using soft computing algorithms
Shefu et al. Fruit fly optimization algorithm for network-aware web service composition in the cloud
CN116339973A (zh) 基于粒子群优化算法的数字孪生云平台计算资源调度方法
Paul et al. Dynamic virtual machine placement in cloud computing
Kalaiselvi et al. A novel impulsive genetic fuzzy C-means for task scheduling and hybridization of improved Fire Hawk Optimizer and enhanced deep Q-learning algorithm for load balancing in cloud
Kumar et al. Allocating resource dynamically in cloud computing
Jagadish et al. Task scheduling algorithms in fog computing: a comparison and analysis

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20181109

RJ01 Rejection of invention patent application after publication