CN110599068A - 一种基于粒子群优化算法的云资源调度方法 - Google Patents

Abstract

本发明提出了一种将改进的粒子群算法应用到云计算资源调度问题的方法，通过迭代来寻找最优的解决方案。采用Cloudsim仿真平台对资源调度所需要的任务和虚拟机进行随机生成；模拟云资源调度的过程，将粒子群算法与云资源调度问题相结合；转换云资源调度的问题模型，使本发明能够更符合实际情况；对使用的粒子群算法进行优化，主要是通过对粒子群的重新随机化，使得粒子提出局部最优，通过改变惯性权重，使得粒子搜索能力增强，使用正交初始化，使得粒子的搜索效率更高；根据每一次的迭代结果，使粒子根据全局最优和个体最优进行迭代更新，寻找更优的解；对调度的结果进行评价，最后获得最优解。本发明能够对云资源进行更好的调度，并且具有一定的可靠性，搜索最优解的能力更强。

Description

一种基于粒子群优化算法的云资源调度方法

技术领域

本发明涉及云资源调度领域，具体涉及一种基于改进的粒子群算法的云资源调度方法。

背景技术

云资源调度是一种按需使用资源的一种方式。使用有效的资源调度可以降低任务的执行时间，减少成本和能源消耗。怎样从服务供应商手中按需使用资源，从而达到最好的效果，这就是云资源调度所需要解决的问题。本发明是以同时优化执行时间和执行成本为主要目标的云资源调度模型。

云资源调度问题是一个NP问题，在解决该问题时，如果问题的规模过大，可能会使问题的维度过大，从而影响最后的分配方案。近年来，在解决该问题时，人们提出来了许多的方法。比如说将云资源调度问题与遗传算法，蚁群算法等相结合。这些方法不仅引起了人们的广泛关注，而且在实际应用的某些方面都能够取得不错的效果。然而，这些方法存在搜索效率过低，早熟的现象。这就引出本发明的实验内容，将云资源调度问题与粒子群算法相结合，并且在传统的粒子群算法的基础上进行进一步的优化。

粒子群算法是一种模拟自然界鸟类觅食行为的一种通过迭代进行寻找最优解的方法。将它与云资源调度进行结合能够使得寻优过程更加的快速，最后的结果更加优质。但是，普通的粒子群算法可能存在寻优结果精确度不高，容易陷入局部最优的问题，所以为了克服上述不足，本发明使用由坡度曲线引入的重新随机化和对惯性权重进行实时更新的方法，提高粒子群的收敛能力和搜索能力。使用正交初始化的方法，提高种群初始值的有效性和均匀性。使用上述两种优化方法，使得寻优过程更加高效，寻优结果更加优质。

发明内容

为了解决云资源调度问题，本发明使用一种能够减少任务的执行时间，降低任务的执行成本，并且能够提高算法的收敛速度，还能将优化能力考虑在内的一种混合的调度方法。

为此，本发明提供如下的技术方案：

一种基于改进粒子群算法的云资源调度方法，它的特征在于，算法通过迭代来寻找最优解，通过找到粒子群中的全局最优粒子进行更新判断，将粒子的速度和位置进行迭代更新，从而找到最优解，具体包括如下步骤：

步骤1：设置云资源调度的参数和算法的参数；

步骤2：产生云资源调度中的数据集；

步骤3：将云资源调度问题与粒子群算法相结合；

步骤4：对结合之后的算法使用正交初始化，得出初始的粒子群，包括粒子的个体最优解，全局最优解和此时的适应度函数值；

步骤5：将云资源调度模型转换为三角模糊模型；

步骤6：粒子群算法的优化，主要包括使用重新随机化方法和对粒子的惯性权重进行实时更新进行优化；

步骤7：根据每个粒子的个体最优，和粒子群的全局最优对每一个粒子进行迭代更新，产生新的搜索速度和搜索位置；

步骤8：对每一次的更新结果进行评价，找到当前最优解；

步骤9：如果达到设置的迭代最大次数，那么当前的最优解就是最后的全局最优解，否则回到步骤6重新对算法进行更新，寻找最优解；

进一步地，对于任务在每一个虚拟机上的执行时间，定义为

每一个虚拟机的虚拟机的执行成本定义为

vmCost_i＝vmTime_i×rcu_i

进一步地，任务的总执行时间就是任务在虚拟机上的最长执行时间，当执行时间最长的任务执行结束，即所有的任务都执行结束，所以任务的执行总时间的表达式为

Time(P)＝max{vmTime₁,vmTime₂,...,vmTime_m}

任务的总的执行成本为所有任务在虚拟机上执行的消耗的总的资源量，所以总成本的表达式为

进一步地，所述的适应度函数如下：

res(P_i)＝t*rTime(P_i)+c*rCost(P_i)

其中，表示时间评价函数，表示成本评价函数，Time_MAX为任务i在执行时间最小，Time_MIN为任务i执行时间最长的机器上运行所需要的时间，Cost_MAX为任务i在执行时所需的最高成本、Cost_MIN为任务i在执行时所需的最低成本。t是时间因子，c是成本因子。

进一步地，在时间-成本约束下的确定的云资源调度模型的适应度函数为

Z＝min{res(P_i)}

进一步地，由于在实际情况中，在云资源调度时，可能受到外界因素的影响，使得任务的执行时间是不确定的，所以本发明对云资源调度的模型进行转换，使用步骤5，将云资源调度模型转换为三角模糊数模型。

使用模糊加法，将适应度函数转换为

其中，表示模糊条件下的云资源调度的适应度函数，Z^L,Z^M,Z^R表示将适应度函数转换为模糊条件下的适应度函数时产生的中间变量，Z_η为模糊数的平均值，Z_μ为标准差，是对不确定度的加权系数。

本发明采用以上技术方案与现有技术对比，具有以下技术效果：

本发明在解决云计算问题时，使用的三角模糊数将问题模型进行转换，能够使问题的解决变得更加接近实际情况。在满足服务提供者效益的同时也满足了用户的效益，在降低了执行时间的同时也降低虚拟机的执行成本。将粒子群算法与云资源调度相结合，使得云资源调度问题得到更便利，更有效的解决。优化了粒子群算法，使用重新随机化，并对惯性权重进行实时更新的方法避免粒子群陷入局部最优。在对粒子群进行初始化的阶段，还使用了正交初始化的方法，与传统粒子群算法对比，使粒子群能够在初始搜索的时候就能均匀的探索解空间。有效的提高了云资源调度的性能。本发明与其他发明相比，具有更稳定的搜索效率，更精确的搜索结果。

附图说明

图1为本发明的流程图。

图2为三角模糊数模型的隶属函数图。

图3为本发明中模型转换前后在寻优能力方面的对比图。

图4为方差曲线图。

图5为本发明中不同作业调度方法在算法寻优能力方面的对比图。

具体实施方式

下面结合附图1-5对本发明的技术方案做进一步的详细说明：

图1所示的是本发明的流程图，根据流程图中所示的内容，对每一步进行详细说明。

步骤1：设置云资源调度的参数和算法的参数；

在步骤1中对算法的参数进行设置，在Cloudsim仿真平台和算法的参数设置如表1和表2所示。

表1cloudsim平台参数的设置

表2算法参数列表

其中，W作为惯性权重值，在粒子更新过程中进行优化变换，由于每一个粒子都从自身最优和全体最优进行学习，所以个体学习因子C1和全体学习因子C2在本发明中设置值相等，都为1。

步骤2：产生云资源调度所需要的数据集；

使用云资源调度平台Cloudsim对将要分配的任务和将要被分配的虚拟机进行随机生成，任务的大小和虚拟机的执行速率进行指定范围内的随机生成，将生成的数据存储到指定的文件中，并且将存储路径作为结果进行输出，使得用户能够更加便利的找到所需要的数据文件。

步骤3：将云资源调度问题与粒子群算法相结合；

当使用粒子群算法解决云资源调度问题时，必须将二者进行有效的结合，所以就要对粒子群中的粒子进行编码，使得每一个粒子能够有效的代表云资源调度中的一种分配方案。

粒子的解有多少维，代表有多少需要进行分配的任务，而粒子每一维的取值就代表将要进行分配的虚拟机的编号。如表3所示，就是一个粒子的分配方案。

表3粒子的编码

将粒子进行编码是将一个粒子与云资源调度中的分配方式进行对应，然而，还需要将粒子代表的分配方式对云资源调度进行解码，如表4所示就是粒子进行解码之后的一种分配方案。

表4粒子的解码

步骤4：对结合之后的算法使用正交初始化，得出初始的粒子群，包括粒子的个体最优解，全局最优解和此时的适应度函数值；

在粒子群算法中，粒子的寻优过程需要通过迭代来进行，所以粒子群的初始状态对之后的寻优过程就有着直接的影响。在种群初始化的时候，要尽可能保证粒子均匀分布在解空间中，这就使得在初始化阶段要满足使粒子具有各个方向的解。使用随机初始化种群时，并不能保证粒子个体能够均匀分布在解空间中，不利于之后的迭代寻优。所以，使用正交初始化种群可以使整个种群均匀分布在可行解空间上。

在系统中有P种元素的时候，如果每种元素都有R种水平时，那么就一共会有R^P个组合数产生。如果在实验中将这R^P个组合全部进行实验，那么当R和P很大时，不可能将这些组合全部都进行实验，而且其中可能存在相似的组合，用这些组合做的实验达不到好的效果，拟合度过高。所以正交实验设计就是解决以上两个不足的好办法。

正交实验设计通过构造正交矩阵表，选取具有代表性的，能够均匀分布在解空间中的初始值，以便之后更好的进行迭代寻优。在构建的正交表L_M(R^P)中M代表一共有多少组水平组合数，也就是正交表一共有多少行，每一行代表一种水平组合。使用构建的正交表中的M种水平组合去进行实验，就使得能够解决上述问题，其中M远小于R^P，而且通过正交设计构建的组合中，会将具有代表性的解提炼出来，不会有两种太过于相近的组合生成。

以构建正交表L_M(3⁴)为例，对具有4种元素，3种水平的问题，如果进行全部的实验，那么需要进行3⁴＝81次实验，但是如果采用正交设计，那么只需要进行9次实验就能够得到较优的结果。而且，随着因素数和水平数的增多，正交设计的优势越能得以体现。

构建正交矩阵首先需要确定基本列，然后根据基本列构建非基本列，最后根据最终创建的正交矩阵找到想要的矩阵进行存储。在进行构建正交矩阵之前要先确定基本列列数J，满足下列公式，

下面是创建正交矩阵的伪代码：

表5算法一

创建基本列和非基本列之后，已经将一个完整的正交矩阵构建完成，但是最终想要得到的是适合粒子群初始化的矩阵，就要对创建出来的矩阵进行列的取舍。算法2得到最终的矩阵。

表6算法二

这样就构建了用来初始化种群的正交矩阵。

步骤5：将云资源调度模型转换为三角模糊模型；

由于在实际情况中，在进行云资源调度时，任务在虚拟机上的执行时间都不是确定的，所以本文使用三角模糊数对任务的执行时间进行表示，对问题模型进行转换。本发明使用三角模糊数中的模糊加法对模型进行求解。如图2所示，是使用到的三角模糊数的隶属函数图。

模糊数T由{t^L,t^M,t^R}表示，它的隶属函数为

使用如下公式计算三角模糊数的平均值和标准差，若一个模糊数具有较高的平均值和较低的标准差，则认为该模糊数排序更高。

其中，代表一个模糊数的平均值，σ_p代表模糊数的标准差。

在云资源调度中，对于任务在每一个虚拟机上的执行时间，定义为

每一个虚拟机的虚拟机的执行成本定义为

vmCost_i＝vmTime_i×rcu_i

任务的总执行时间就是任务在虚拟机上的最长执行时间，当执行时间最长的任务执行结束，即所有的任务都执行结束，所以任务的执行总时间的表达式为

Time(P)＝max{vmTime₁,vmTime₂,...,vmTime_m}

任务的总的执行成本为所有任务在虚拟机上执行的消耗的总的资源量，所以总成本的表达式为

所述的适应度函数如下：

res(P_i)＝t*rTime(P_i)+c*rCost(P_i)

其中，表示时间评价函数，表示成本评价函数，Time_MAX为任务i在执行时间最小，Time_MIN为任务i执行时间最长的机器上运行所需要的时间，Cost_MAX为任务i在执行时所需的最高成本、Cost_MIN为任务i在执行时所需的最低成本。t是时间因子，c是成本因子。

在时间-成本约束下的确定的云资源调度模型的适应度函数为

Z＝min{res(P_i)}

使用模糊加法，将适应度函数转换为

其中，表示模糊条件下的云资源调度的适应度函数，Z^L,Z^M,Z^R表示将适应度函数转换为模糊条件下的适应度函数时产生的中间变量，Z_η为模糊数的平均值，Z_μ为标准差，是对不确定度的加权系数。

根据以上方法，可将模糊云资源调度模型转化为时间-成本约束条件下的单目标规划模型。图3表示确定模型与模糊模型的寻优能力对比图，从图中可以看出，使用模糊模型，适应度函数的取值将会比确定模型下的适用度函数取值高，这意味着对于不确定因素的考虑是很有必要的。如果忽略了这些不确定的因素，那么会对实际效果和理论估计效果的不同，从而降低了系统的实际效率。

步骤6：粒子群算法的优化，主要包括使用重新随机化方法和对粒子的惯性权重进行实时更新进行优化；

根据粒子群算法具有容易陷入局部最优的缺点，使用能够使粒子跳出局部最优的重新随机化的方法对粒子寻优能力进行更好的更新，使粒子在解空间中能够探索的范围更大。所以为了确保粒子能够获得更优的解使用方差曲线(图4)的方式对粒子进行更新。

坡度曲线方程如下：

其中，A表示重新随机化的有效初始值，F是对应方差曲线坡度中点的迭代次数，S代表坡度，l代表当前迭代次数。根据方差曲线的图像可以看出，S是方差曲线的斜率，它控制粒子的搜索范围。第一部分称为大范围搜索，即广泛搜索，此时方差曲线的坡度较大，使得粒子能够在远离全局最优粒子gBest的搜索空间进行随机搜索。第二部分称为小范围搜索，即精细搜索，此时方差曲线的坡度较小，粒子在靠近全局最优粒子gBest周围进行随机搜索。两部分结合起来能够使得最后粒子收敛到最优解，从而使得粒子收敛不会陷入局部最优。中间点M将决定广泛搜索和精细搜索的搜索时间，也就是二者搜索的次数各是多少。

为了更好的实现粒子寻优过程，在每一次迭代时，根据最新的适应度函数值，对每个粒子的惯性权重值进行相应的调整。粒子的惯性权重值是粒子群算法中的重要参数，是用来控制粒子的寻优探索能力的。所以当迭代之后的粒子的适应度函数值如果比该粒子的上一个状态好，那么将对该粒子的惯性权重值进行提高，或者保持不变。但是如果该粒子的适用度函数值没有上一个状态好的话，那么将对该粒子的惯性权重值进行调小。根据该方法，我们对第k个粒子的惯性权重值得调整公式为

其中，ω_k(l)表示当前第k个粒子的惯性权重值，取值范围为(0,1)，V代表期望的适用度函数值得范围，ΔJ_k(l)代表该粒子当前适应度值与前一个状态适应度值得差值。

步骤7：根据每个粒子的个体最优，和粒子群的全局最优对每一个粒子进行迭代更新，产生新的搜索速度和搜索位置；

传统的粒子群算法的速度更新公式为：

V_l+1＝ω·c₁·rand()·(pBest-X_l)+c₂·rand()·(gBest-X_l)

其中，V_l+1代表第l+1代粒子的速度，ω代表惯性权重，c₁代表粒子的个体学习因子，c₂代表粒子的全局学习因子，rand()代表随机生成的(0,1)之间的数，X_l代表第l代粒子的位置。

使用步骤6优化过的粒子的速度更新公式为：

粒子的速度更新公式为：

X_l+1＝X_l+V_l+1

其中，X_l+1代表第l+1代粒子的位置。

步骤8：对每一次的更新结果进行评价，找到当前最优解；

步骤9：如果达到设置的迭代最大次数，那么当前的最优解就是最后的全局最优解，否则回到步骤6重新对算法进行更新，寻找最优解；

通过本发明了解到在云资源调度中，使用优化的粒子群进行寻找最优解，能够使得粒子跳出局部最优的同时，最高效的进行搜索最优的分配方案。

具体实施方式结果

本实施方式将模型转换前后的寻优能力进行对比，对比的结果如图3所示。从结果可知，考虑一些不确定因素的影响，将确定的问题模型转换为不确定的模糊模型，能够使得实验结果更加贴近于实际生产生活。从结果看出，如果忽略了这些不确定的因素，使实际的执行效果与理论估计的执行结果不同，从而降低了系统的实际效率。

本实施方式使用本发明提到的优化算法与其他的优化算法进行寻优能力的对比，其他的算法包括只使用正交初始化的算法(OPSO)，只使用重新随机化的方法(SPSO)，使用重新随机化和实时更新惯性权重的方法(SWPSO)三种算法进行对比实验。

实验的寻优结果如图5所示。从实验结果看出当在任务规模为25，虚拟机数为5的时候本发明使用的算法与其他三种算法在寻优能力方面的对比时，明显的可以看出本发明使用的优化算法在寻优方面更加高效准确。

表7算法寻优对比

表7表示，在任务数为50，虚拟机数为5时，进行10次实验中，粒子的平均适应度函数值和最优适应度函数值。从中可以看出，本发明使用的算法，无论从寻找最优的分配方案方面，还是从实验的平均寻优能力方面都具有良好的寻优效果。

以上所述，是结合附图对本发明的实施例进行的详细介绍，本文的具体实施方式只是用于帮助理解本发明的方法。对于本技术领域的普通技术人员，依据本发明的思想，在具体实施方式及应用范围内均可有所变更和修改，故本发明书不应理解为对本发明的限制。

Claims (6)

1.一种基于粒子群优化算法的云资源调度方法，其特征在于，使用改进的粒子群算法与云资源调度相结合，使云资源调度能够更高效的获得最优解。其具体过程包括如下步骤：

步骤1：设置云资源调度的参数和算法的参数；

步骤2：产生云资源调度中的数据集；

步骤3：将云资源调度问题与粒子群算法相结合；

步骤4：对结合之后的算法使用正交初始化，得出初始的粒子群，包括粒子的个体最优解，全局最优解和此时的适应度函数值；

步骤5：将云资源调度模型转换为三角模糊模型；

步骤6：粒子群算法的优化，主要包括使用重新随机化方法和对粒子的惯性权重进行实时更新进行优化；

步骤7：根据每个粒子的个体最优，和粒子群的全局最优对每一个粒子进行迭代更新，产生新的搜索速度和搜索位置；

步骤8：对每一次的更新结果进行评价，找到当前最优解；

步骤9：如果达到设置的迭代最大次数，那么当前的最优解就是最后的全局最优解，否则回到步骤6重新对算法进行更新，寻找最优解；

2.根据权利要求1所述，一种基于粒子群优化算法的云资源调度方法，其特征在于，对于任务在每一个虚拟机上的执行时间，定义为

。

每一个虚拟机的虚拟机的执行成本定义为

vmCost_i＝vmTime_i×rcu_i

3.根据权利要求2所述，一种基于粒子群优化算法的云资源调度方法，其特征在于，任务的总执行时间就是任务在虚拟机上的最长执行时间，当执行时间最长的任务执行结束，即所有的任务都执行结束，所以任务的执行总时间的表达式为

Time(P)＝max{vmTime₁,vmTime₂,...,vmTime_m}

任务的总的执行成本为所有任务在虚拟机上执行的消耗的总的资源量，所以总成本的表达式为

。

4.根据权利要求3所述，一种基于粒子群优化算法的云资源调度方法，其特征在于，所述的适应度函数如下：

res(P_i)＝t*rTime(P_i)+c*rCost(P_i)

其中，表示时间评价函数，表示成本评价函数，Time_MAX为任务i在执行时间最小，Time_MIN为任务i执行时间最长的机器上运行所需要的时间，Cost_MAX为任务i在执行时所需的最高成本、Cost_MIN为任务i在执行时所需的最低成本。t是时间因子，c是成本因子。

5.根据权利要求4所述，一种基于粒子群优化算法的云资源调度方法，其特征在于，在时间-成本约束下的确定的云资源调度模型的适应度函数为

Z＝min{res(P_i)}。

6.根据权利要求5所述，一种基于粒子群优化算法的云资源调度方法，其特征在于，由于在实际情况中，在云资源调度时，可能受到外界因素的影响，使得任务的执行时间是不确定的，所以本发明对云资源调度的模型进行转换，使用步骤5，将云资源调度模型转换为三角模糊数模型。

使用模糊加法，将适应度函数转换为

其中，表示模糊条件下的云资源调度的适应度函数，Z^L,Z^M,Z^R表示将适应度函数转换为模糊条件下的适应度函数时产生的中间变量，Z_η为模糊数的平均值，Z_μ为标准差，是对不确定度的加权系数。