CN112380016A - 基于改进遗传算法的云计算资源负载均衡调度方法及应用 - Google Patents

基于改进遗传算法的云计算资源负载均衡调度方法及应用 Download PDF

Info

Publication number
CN112380016A
CN112380016A CN202011373011.6A CN202011373011A CN112380016A CN 112380016 A CN112380016 A CN 112380016A CN 202011373011 A CN202011373011 A CN 202011373011A CN 112380016 A CN112380016 A CN 112380016A
Authority
CN
China
Prior art keywords
resource
function
task
load balancing
load
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
CN202011373011.6A
Other languages
English (en)
Inventor
詹志辉
王子佳
张军
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.)
South China University of Technology SCUT
Original Assignee
South China University of Technology SCUT
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 South China University of Technology SCUT filed Critical South China University of Technology SCUT
Priority to CN202011373011.6A priority Critical patent/CN112380016A/zh
Publication of CN112380016A publication Critical patent/CN112380016A/zh
Pending legal-status Critical Current

Links

Images

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]
    • G06F9/5083—Techniques for rebalancing the load in a distributed system
    • 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
    • G06F9/5072—Grid computing
    • 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

Landscapes

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

Abstract

本发明公开了一种基于改进遗传算法的云计算资源负载均衡调度方法及应用，该方法步骤包括：在初始种群中引入由Min‑min和Max‑min算法生成的个体，其余个体随机生成，组成完整的初始群体；构建两种不同的适应值函数，分别为最优跨度函数和负载均衡函数；根据个体的适应值，通过轮盘赌选择进入下一代的个体；染色体的交叉和变异；使用两种不同的适应值函数评估新种群所有个体的适应值，循环迭代运行后最终输出时间跨度最小而负载最均衡的调度方案。本发明通过对负载均衡值和时间跨度的不同结合方式建立新的适应值函数进行种群评估和筛选，均能实现两个目标的同时优化，可高效地寻找到执行时间短、负载均衡效果好的调度方案。

Description

基于改进遗传算法的云计算资源负载均衡调度方法及应用
技术领域
本发明涉及云计算，具体涉及一种基于改进遗传算法的云计算资源负载均衡调度方法及应用。
背景技术
云计算是近年来十分热门的新兴技术，是一种对IT资源的使用模式，以服务的形式将硬件资源、软件应用和平台重组并通过互联网提供给用户。云计算环境下的资源调度是一个非常关键的问题，因为云供应商将资源整合并提供给大量的用户，使得资源分配和任务调度的工作量、频率和规模均大幅度增加，如何高效地进行调度将成为云计算系统最主要的关注点之一。
资源调度问题是如何将一定数量的任务分配到合适的资源上执行并使得总执行时间最小的问题，是一个NPC问题。调度算法为该问题寻找最优解，除了任务完成时间，负载均衡性也是云计算调度问题中需要考虑的一个重要目标。
发明内容
为了克服现有技术存在的缺陷与不足，本发明提供一种基于改进遗传算法的云计算资源负载均衡调度方法，基于负载均衡和时间跨度双目标协同优化的改进遗传算法，算法融合了Min-min，Max-min和负载均衡模型等知识对简单遗传算法进行改进，通过时间跨度和负载均衡时间的内在关联性进行相互促进的同步优化，以找到时间跨度较好且负载均衡表现较优的调度方案。该算法具有两种不同形式，即分别从负载均衡值和时间跨度两个方面来设计适应值评估函数，并将这两个适应值评估函数结合起来，从负载均衡值和时间跨度两个方面建立新的适应值函数进行种群评估和筛选，实现两个目标的同时优化，经过仿真实验的结果表明，与现有方法、传统遗传算法相比，本发明可以高效地寻找到执行时间短、负载均衡效果好的调度方案，是十分有效的云计算资源调度方法。
本发明的第二目的在提供一种基于改进遗传算法的云计算资源负载均衡调度系统。
本发明的第三目的在于提供一种存储介质。
本发明的第四目的在于提供一种计算设备。
为了达到上述目的，本发明采用以下技术方案：
一种基于改进遗传算法的云计算资源负载均衡调度方法，包括下述步骤：
初始化种群：在初始种群中引入由Min-min和Max-min算法生成的个体，其余个体随机生成，最后组成一个完整的初始群体；
适应值评估：综合最优跨度和负载均衡两个优化目标，构建两种不同的适应值函数，分别为最优跨度函数和负载均衡函数；
所述最优跨度函数向执行时间短的个体或任务分配方案进行优化和求解；
所述负载均衡函数向任务负载方差小的个体或任务分配方案进行优化和求解；
对最大时间跨度和所有资源总负载时间与平均值的差之和求和，再取倒数作为适应值函数fLIGA1；
将最大时间跨度的值取倒数，再将负载均衡函数的值取倒数，再相加作为适应值函数fLIGA2；
选择算子：根据个体的适应值，通过轮盘赌选择进入下一代的个体；
染色体的交叉和变异：每个染色体都设有一个交叉概率和一个变异概率，对每个资源调度序列生成一个随机数，若随机数小于交叉概率，则选择该资源调度序列作为交叉的父本之一；
使用适应值函数fLIGA1和适应值函数fLIGA2评估新种群所有个体的适应值，循环迭代运行后最终输出时间跨度最小而负载最均衡的调度方案。
作为优选的技术方案，所述在初始种群中引入由Min-min和Max-min算法生成的个体，具体步骤包括：
Min-min算法生成个体：对于每一个任务，选择执行该任务时间最短的资源，然后在这些所有被选择的资源中，再选择执行相应任务时间最短的资源，该资源会被分配给相应的任务，之后更新EMCi,j矩阵，并在剩下的每一个任务中，再选择执行每一个任务时间最短的资源，然后再在选择的资源中，选择执行相应任务时间最短的资源，该资源被分配给相应的任务，之后更新EMCi,j矩阵，直到所有的任务均被分配资源；
Max-min算法生成个体：对于每一个任务，选择执行该任务时间最短的资源，在所有被选择的资源中，选择执行相应任务时间最长的资源，对该资源分配相应的任务，如此循环，直到所有的任务均被分配资源；
其中，ETCi,j表示任务i在资源j上的执行时间矩阵，EMCi,j表示任务i是否选择在资源j上执行，若选择，则EMCi,j＝1，否则EMCi,j＝0。
作为优选的技术方案，所述构建两种不同的适应值函数，分别为最优跨度函数和负载均衡函数，设最优跨度函数fM和负载均衡函数fL分别为：
Figure BDA0002807359340000031
Figure BDA0002807359340000032
其中，Lj表示资源j的时间负载，EL表示所有资源的平均负载，m表示虚拟机数量，n表示任务数量，ETCi,j表示任务i在资源j上的执行时间矩阵，EMCi,j表示任务i是否选择在资源j上执行，若选择，则EMCi,j＝1，否则EMCi,j＝0。
作为优选的技术方案，所述染色体的交叉和变异的步骤中，每当选择到2个染色体时，生成一个随机数n，对应交换两个资源调度序列的前n个任务的资源编号。
为了到达上述第二目的，本发明采用以下技术方案：
一种基于改进遗传算法的云计算资源负载均衡调度系统，包括：种群初始化模块、适应值评估模块、选择算子模块、染色体交叉和变异模块和循环迭代输出模块；
所述种群初始化模块用于初始化种群，在初始种群中引入由Min-min和Max-min算法生成的个体，其余个体随机生成，最后组成一个完整的初始群体；
所述适应值评估模块用于综合最优跨度和负载均衡两个优化目标，构建两种不同的适应值函数，分别为最优跨度函数和负载均衡函数；
所述最优跨度函数向执行时间短的个体或任务分配方案进行优化和求解；
所述负载均衡函数向任务负载方差小的个体或任务分配方案进行优化和求解；
对最大时间跨度和所有资源总负载时间与平均值的差之和求和，再取倒数作为适应值函数fLIGA1；
将最大时间跨度的值取倒数，再将负载均衡函数的值取倒数，再相加作为适应值函数fLIGA2；
所述选择算子模块用于选择算子，根据个体的适应值，通过轮盘赌选择进入下一代的个体；
所述染色体的交叉和变异模块用于完成染色体的交叉和变异，每个染色体都设有一个交叉概率和一个变异概率，对每个资源调度序列生成一个随机数，若随机数小于交叉概率，则选择该资源调度序列作为交叉的父本之一；
所述循环迭代输出模块用于使用适应值函数fLIGA1和适应值函数fLIGA2评估新种群所有个体的适应值，循环迭代运行后最终输出时间跨度最小而负载最均衡的调度方案。
为了到达上述第三目的，本发明采用以下技术方案：
一种存储介质，存储有程序，所述程序被处理器执行时实现如上述基于改进遗传算法的云计算资源负载均衡调度方法。
为了到达上述第四目的，本发明采用以下技术方案：
一种计算设备，包括处理器和用于存储处理器可执行程序的存储器，所述处理器执行存储器存储的程序时，实现上述基于改进遗传算法的云计算资源负载均衡调度方法。
本发明与现有技术相比，具有如下优点和有益效果：
本发明基于负载均衡的改进遗传算法LIGA，作为一种对已有资源调度遗传算法的改进，不但保证了在时间跨度表现上的优越性并有一定的优化，而且在负载均衡的表现上有极大的提升，通过对Min-min,Max-min算法、负载均衡模型的介绍，最后结合以上知识给出了LIGA算法的思路，并做了仿真试验和参数分析，实验结果证明LIGA算法是极其有效的云计算资源调度算法。
附图说明
图1为本实施例1云计算任务流调度方案示意图；
图2为本实施例1基于改进遗传算法的云计算资源负载均衡调度方法的流程示意图；
图3为本实施例1遗传算法中交叉的示意图；
图4为本实施例1遗传算法中变异的示意图。
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。
实施例1
用户有一系列的任务需要执行，而云计算平台提供一系列可供用户按需租赁的运行资源，如何分配任务到相对应的资源上运行就形成了一个资源调度问题，如图1所示，图中表示一个任务流调度方案随时间进行。
如图2所示，本实施例提供一种基于改进遗传算法的云计算资源负载均衡调度方法，具体来说：
本实施例通过Min-min，Max-min算法对种群做初始化使得最终最优个体的makespan的表现可以大幅度提高，资源调度的跨度是指从第一个任务开始执行到最后一个任务完成执行所经历的时间跨度，反映任务集合T在资源集合R上的整体执行时间，是资源调度最常见也是最基本的指标，跨度越小则调度时间越小，调度越优，上述问题模型的makespan公式表示为：
Figure BDA0002807359340000061
其中m表示虚拟机数量，n表示任务数量。其中，ETCi,j表示任务i在资源j上的执行时间矩阵，EMCi,j表示任务i是否选择在资源j上执行，若选择，则EMCi,j＝1，否则EMCi,j＝0。
本实施例依据负载均衡的优化目标及不同负载的特性建立了负载均衡数学模型，协助算法衡量调度方案的优劣。负载均衡是指对一个任务调度方案而言，能使得大部分资源都有任务占用，不出现多个资源空闲，某些资源搭载任务负担过重，或者其它的负载极其不均衡的情况。也就是说，只有当每个资源都被充分利用时，才能达到最理想的均衡状态。计算资源的高效、充分利用也使得在所有任务可以在尽可能短的时间内全部完成。负载均衡模型是建立对所有虚拟机(VM)，其搭载的任务(Task)总执行时间是否均衡的一个数值化衡量模型，将负载均衡指标具体化为数值来相互比较，便于选出负载均衡值更高的方案，避免多个任务堆积在同一个虚拟机上执行的负载均衡较差的方案，最终才能达到负载均衡的优化目标。
本实施例选择遗传算法作为基本算法进行全局随机搜索，同时设计了两个分别考虑时间跨度和负载均衡值适应值，并结合这两个指标来设计适应值评估函数，从而来控制群体的进化方向，使用Min-min，Max-min算法进行种群初始化，以提高收敛速度和算法运行效率。
本实施例提出了一种基于负载均衡的改进遗传算法LIGA，作为一种对已有资源调度遗传算法的改进，具体来说，本实施例分别使用了Min-min，Max-min两种策略辅助种群的初始化，并设计了一种新型的编码方式对染色体进行编码来更好地模拟任务资源调度问题，同时设计了一种可以分别考虑时间跨度和负载均衡值适应值评估函数，不但保证了在时间跨度表现上的优越性并有一定的优化，而且在负载均衡的表现上有极大的提升，通过对Min-min，Max-min算法、负载均衡模型的介绍，最后结合以上知识给出了LIGA算法的思路。
本实施例基于改进遗传算法的云计算资源负载均衡调度方法包括下述步骤：
(1)初始化种群
本实施例使用Min-min，Max-min与随机数方法三者相结合的初始化方法，具体来说，Min-min方法是指对于每一个任务，选择执行该任务时间最短的资源，然后在这些所有被选择的资源中，再选择执行相应任务时间最短的资源，该资源会被分配给相应的任务，之后更新EMCi,j矩阵，并在剩下的每一个任务中，再选择执行每一个任务时间最短的资源，然后再在这些选择的资源中，选择执行相应任务时间最短的资源，该资源被分配给相应的任务，之后更新EMCi,j矩阵，如此循环，直到所有的任务都已经被分配了资源；而Max-min方法与Min-min方法类似，同样是于每一个任务，选择执行该任务时间最短的资源，只是在这些所有被选择的资源中，选择执行相应任务时间最长的资源，该资源会被分配给相应的任务，如此循环，直到所有的任务都已经被分配了资源。值得注意的是，虽然选择的是执行相应任务时间最长的资源，但该资源已经是所有资源里执行该任务时间最短的资源了。在种群初始化中，分别用Min-min和Max-min两种方法产生两个资源分配方案，也就是两个个体，而种群中的其余个体随机生成，从而组成一个完整的初始群体；这样，该群体在初始状态就有较优良的个体存在，可以大大增进遗传算法的进化效率；
(2)适应值评估
综合最优跨度和负载均衡两个优化目标，提出两种不同的适应值函数，算法分别命名为LIGA_1和LIGA_2；其中最优跨度函数fM指的是调度方案总的执行时间，可以让算法向执行时间短的个体或任务分配方案进行优化和求解，而负载均衡函数fL表示的是任务负载的方差，可以使得算法向任务负载方差小的个体或任务分配方案进行优化和求解，进而使得算法获得负载均衡的调度方案。
设最优跨度函数fM和负载均衡函数fL为：
Figure BDA0002807359340000081
Figure BDA0002807359340000082
其中，Lj表示资源j的时间负载，EL表示所有资源的平均负载，而最优跨度函数fM之前已经提过，再次不再赘述。
LIGA_1
对最大时间跨度和所有资源总负载时间与平均值的差之和求和，总数越小则越优，再取倒数做为适应值函数：
Figure BDA0002807359340000091
LIGA_2
先将最大时间跨度的值取倒数，再将负载均衡函数的值取倒数，取倒数后两者都是越大则越优，此时再相加做为适应值函数：
Figure BDA0002807359340000092
以上两种适应值函数不同的LIGA算法设计是出于全面性的考虑，当负载均衡值与时间跨度值的量级关系变化时，不同形式的LIGA适应值函数可以对应不同的情况，综合而言使算法能够有最优的表现，本实施例使用LIGA算法的适应值函数评估所有个体，即充分考虑了时间跨度和负载均衡两个方面，全方位地评估个体，使得算法在优化过程中可以同时优化时间跨度和负载均衡两个目标，最终的到时间跨度少而负责均衡的调度方案，算法运行过程中保存最优个体为Best；
(3)选择算子
根据个体的适应值，通过轮盘赌选择进入下一代的个体；
(4)染色体的交叉和变异
每个染色体都有一个交叉概率Pc和一个变异概率Pm；如图3所示，对每个染色体，即每个资源调度序列，生成一个随机数r，若r<Pc，则选择该序列作为交叉的父本之一；每当选择到2个染色体时，生成一个随机数n，对应交换两个序列的前n个任务的资源编号；
如图4所示，对每个染色体，即每个资源调度序列的每个任务，生成一个随机数r，若r<Pm，则该任务所占资源编号发生变异，xm＝rand(0,N-1)；
(5)使用LIGA_1和LIGA_2两种适应值评估函数来评估新种群所有个体的适应值；在使用这两个评估函数时，算法每次会保留优异个体，即每次都会保留时间跨度更小而负载更均衡的调度方案，算法不断进化运行，最终算法会找到时间跨度最小而负载最均衡的调度方案。
传统算法使用的单一时间跨度适应值评估函数没有考虑负载均衡因素导致负载不均，对个体的负载均衡性缺乏定向的优化，针对这一问题，本实施例引入了负载均衡模型；同时，由于makespan最优的解总是在负载相对较为均衡的情况下获得的，两者都是以时间为单位，也具有潜在的内在相关性，在一定程度上是同向进化、相互促进的，所以考虑负载均衡与时间跨度结合的方法可以在一定程度上加快算法的收敛速度，有效提升算法搜索性能，避免陷入局部最优解的机率，并且可以得到两个目标上都有优秀表现的最优个体，实现双目标进化。
本实施例主要提出了基于负载均衡模型改进的遗传算法作为调度方法，该算法能够高效的求出具有较优的完成时间跨度并且负载均衡性较好的调度方案。提出的负载时间均衡度模型与Min-min,Max-min改进遗传算法的结合改进算法，可以在相同时间跨度的调度方案中搜索出最优负载均衡的方案，并且由于两个目标的内在关联性，算法表现出更好的优化效率、避免局部最优解，实验证明，改进后的算法更容易搜索到时间跨度、负载均衡两个目标均较优的方案。
实施例2
一种基于改进遗传算法的云计算资源负载均衡调度系统，包括：种群初始化模块、适应值评估模块、选择算子模块、染色体交叉和变异模块和循环迭代输出模块；
在本实施例中，种群初始化模块用于初始化种群，在初始种群中引入由Min-min和Max-min算法生成的个体，其余个体随机生成，最后组成一个完整的初始群体；
在本实施例中，适应值评估模块用于综合最优跨度和负载均衡两个优化目标，构建两种不同的适应值函数，分别为最优跨度函数和负载均衡函数；
在本实施例中，最优跨度函数向执行时间短的个体或任务分配方案进行优化和求解；
在本实施例中，负载均衡函数向任务负载方差小的个体或任务分配方案进行优化和求解；
对最大时间跨度和所有资源总负载时间与平均值的差之和求和，再取倒数作为适应值函数fLIGA1；
将最大时间跨度的值取倒数，再将负载均衡函数的值取倒数，再相加作为适应值函数fLIGA2；
在本实施例中，选择算子模块用于选择算子，根据个体的适应值，通过轮盘赌选择进入下一代的个体；
在本实施例中，染色体的交叉和变异模块用于完成染色体的交叉和变异，每个染色体都设有一个交叉概率和一个变异概率，对每个资源调度序列生成一个随机数，若随机数小于交叉概率，则选择该资源调度序列作为交叉的父本之一；
在本实施例中，循环迭代输出模块用于使用适应值函数fLIGA1和适应值函数fLIGA2评估新种群所有个体的适应值，循环迭代运行后最终输出时间跨度最小而负载最均衡的调度方案。
实施例3
一种存储介质，存储介质可以是ROM、RAM、磁盘、光盘等储存介质，该存储介质存储有一个或多个程序，所述程序被处理器执行时，实现上述实施例1基于改进遗传算法的云计算资源负载均衡调度方法。
实施例4
一种计算设备，所述的计算设备可以是台式电脑、笔记本电脑、智能手机、PDA手持终端、平板电脑或其他具有显示功能的终端设备，该计算设备包括该计算设备包括处理器和存储器，存储器存储有一个或多个程序，处理器执行存储器存储的程序时，实现上述实施例1基于改进遗传算法的云计算资源负载均衡调度方法。
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (7)

1.一种基于改进遗传算法的云计算资源负载均衡调度方法，其特征在于，包括下述步骤：
初始化种群：在初始种群中引入由Min-min和Max-min算法生成的个体，其余个体随机生成，最后组成一个完整的初始群体；
适应值评估：综合最优跨度和负载均衡两个优化目标，构建两种不同的适应值函数，分别为最优跨度函数和负载均衡函数；
所述最优跨度函数向执行时间短的个体或任务分配方案进行优化和求解；
所述负载均衡函数向任务负载方差小的个体或任务分配方案进行优化和求解；
对最大时间跨度和所有资源总负载时间与平均值的差之和求和，再取倒数作为适应值函数fLIGA1；
将最大时间跨度的值取倒数，再将负载均衡函数的值取倒数，再相加作为适应值函数fLIGA2；
选择算子：根据个体的适应值，通过轮盘赌选择进入下一代的个体；
染色体的交叉和变异：每个染色体都设有一个交叉概率和一个变异概率，对每个资源调度序列生成一个随机数，若随机数小于交叉概率，则选择该资源调度序列作为交叉的父本之一；
使用适应值函数fLIGA1和适应值函数fLIGA2评估新种群所有个体的适应值，循环迭代运行后最终输出时间跨度最小而负载最均衡的调度方案。
2.根据权利要求1所述的基于改进遗传算法的云计算资源负载均衡调度方法，其特征在于，所述在初始种群中引入由Min-min和Max-min算法生成的个体，具体步骤包括：
Min-min算法生成个体：对于每一个任务，选择执行该任务时间最短的资源，然后在这些所有被选择的资源中，再选择执行相应任务时间最短的资源，该资源会被分配给相应的任务，之后更新EMCi,j矩阵，并在剩下的每一个任务中，再选择执行每一个任务时间最短的资源，然后再在选择的资源中，选择执行相应任务时间最短的资源，该资源被分配给相应的任务，之后更新EMCi,j矩阵，直到所有的任务均被分配资源；
Max-min算法生成个体：对于每一个任务，选择执行该任务时间最短的资源，在所有被选择的资源中，选择执行相应任务时间最长的资源，对该资源分配相应的任务，如此循环，直到所有的任务均被分配资源；
其中，ETCi,j表示任务i在资源j上的执行时间矩阵，EMCi,j表示任务i是否选择在资源j上执行，若选择，则EMCi,j＝1，否则EMCi,j＝0。
3.根据权利要求1所述的基于改进遗传算法的云计算资源负载均衡调度方法，其特征在于，所述构建两种不同的适应值函数，分别为最优跨度函数和负载均衡函数，设最优跨度函数fM和负载均衡函数fL分别为：
Figure FDA0002807359330000021
Figure FDA0002807359330000022
其中，Lj表示资源j的时间负载，EL表示所有资源的平均负载，m表示虚拟机数量，n表示任务数量，ETCi,j表示任务i在资源j上的执行时间矩阵，EMCi,j表示任务i是否选择在资源j上执行，若选择，则EMCi,j＝1，否则EMCi,j＝0。
4.根据权利要求1所述的基于改进遗传算法的云计算资源负载均衡调度方法，其特征在于，所述染色体的交叉和变异的步骤中，每当选择到2个染色体时，生成一个随机数n，对应交换两个资源调度序列的前n个任务的资源编号。
5.一种基于改进遗传算法的云计算资源负载均衡调度系统，其特征在于，包括：种群初始化模块、适应值评估模块、选择算子模块、染色体交叉和变异模块和循环迭代输出模块；
所述种群初始化模块用于初始化种群，在初始种群中引入由Min-min和Max-min算法生成的个体，其余个体随机生成，最后组成一个完整的初始群体；
所述适应值评估模块用于综合最优跨度和负载均衡两个优化目标，构建两种不同的适应值函数，分别为最优跨度函数和负载均衡函数；
所述最优跨度函数向执行时间短的个体或任务分配方案进行优化和求解；
所述负载均衡函数向任务负载方差小的个体或任务分配方案进行优化和求解；
对最大时间跨度和所有资源总负载时间与平均值的差之和求和，再取倒数作为适应值函数fLIGA1；
将最大时间跨度的值取倒数，再将负载均衡函数的值取倒数，再相加作为适应值函数fLIGA2；
所述选择算子模块用于选择算子，根据个体的适应值，通过轮盘赌选择进入下一代的个体；
所述染色体的交叉和变异模块用于完成染色体的交叉和变异，每个染色体都设有一个交叉概率和一个变异概率，对每个资源调度序列生成一个随机数，若随机数小于交叉概率，则选择该资源调度序列作为交叉的父本之一；
所述循环迭代输出模块用于使用适应值函数fLIGA1和适应值函数fLIGA2评估新种群所有个体的适应值，循环迭代运行后最终输出时间跨度最小而负载最均衡的调度方案。
6.一种存储介质，存储有程序，其特征在于，所述程序被处理器执行时实现如权利要求1-4任一项所述的基于改进遗传算法的云计算资源负载均衡调度方法。
7.一种计算设备，包括处理器和用于存储处理器可执行程序的存储器，其特征在于，所述处理器执行存储器存储的程序时，实现如权利要求1-4任一项所述的基于改进遗传算法的云计算资源负载均衡调度方法。
CN202011373011.6A 2020-11-30 2020-11-30 基于改进遗传算法的云计算资源负载均衡调度方法及应用 Pending CN112380016A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011373011.6A CN112380016A (zh) 2020-11-30 2020-11-30 基于改进遗传算法的云计算资源负载均衡调度方法及应用

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011373011.6A CN112380016A (zh) 2020-11-30 2020-11-30 基于改进遗传算法的云计算资源负载均衡调度方法及应用

Publications (1)

Publication Number Publication Date
CN112380016A true CN112380016A (zh) 2021-02-19

Family

ID=74587582

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011373011.6A Pending CN112380016A (zh) 2020-11-30 2020-11-30 基于改进遗传算法的云计算资源负载均衡调度方法及应用

Country Status (1)

Country Link
CN (1) CN112380016A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113268339A (zh) * 2021-04-20 2021-08-17 国网电力科学研究院有限公司 基于差分进化算法的动态负载均衡方法及系统
CN113641471A (zh) * 2021-07-30 2021-11-12 平安科技（深圳）有限公司 基于遗传算法模型的软负载调度方法、装置、设备及介质
CN118277087A (zh) * 2024-03-26 2024-07-02 重庆市信息通信咨询设计院有限公司 一种资源调度策略确定方法、介质、电子设备和程序产品

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103902375A (zh) * 2014-04-11 2014-07-02 北京工业大学 一种基于改进遗传算法的云任务调度方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103902375A (zh) * 2014-04-11 2014-07-02 北京工业大学 一种基于改进遗传算法的云任务调度方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
FANG YIQIU ET AL: "cloud computing task scheduling algorithm based on improved genetic algorithm", 《2019 IEEE 3RD INFORMATION TECHNOLOGY,NETWORKING,ELECTRONIC AND AUTOMATION CONTROL CONFERENCE (ITNEC 2019)》 *
ZHI-HUI ZHAN ET AL: "Load Balance Aware Genetic Algorithm for Task Scheduling in Cloud Computing", 《ASIA-PACIFIC CONFERENCE ON SIMULATED EVOLUTION AND LEARNING》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113268339A (zh) * 2021-04-20 2021-08-17 国网电力科学研究院有限公司 基于差分进化算法的动态负载均衡方法及系统
CN113641471A (zh) * 2021-07-30 2021-11-12 平安科技（深圳）有限公司 基于遗传算法模型的软负载调度方法、装置、设备及介质
CN113641471B (zh) * 2021-07-30 2024-02-02 平安科技（深圳）有限公司 基于遗传算法模型的软负载调度方法、装置、设备及介质
CN118277087A (zh) * 2024-03-26 2024-07-02 重庆市信息通信咨询设计院有限公司 一种资源调度策略确定方法、介质、电子设备和程序产品

Similar Documents

Publication Publication Date Title
Chen et al. Multiobjective cloud workflow scheduling: A multiple populations ant colony system approach
CN109840154B (zh) 一种移动云环境下基于任务依赖的计算迁移方法
CN112380016A (zh) 基于改进遗传算法的云计算资源负载均衡调度方法及应用
Wang et al. Load balancing task scheduling based on genetic algorithm in cloud computing
Xu et al. Multiobjective computation offloading for workflow management in cloudlet‐based mobile cloud using NSGA‐II
Al-Moalmi et al. A whale optimization system for energy-efficient container placement in data centers
Szabo et al. Evolving multi-objective strategies for task allocation of scientific workflows on public clouds
Jayasena et al. Optimized task scheduling on fog computing environment using meta heuristic algorithms
Subramoney et al. Multi-swarm PSO algorithm for static workflow scheduling in cloud-fog environments
CN108320059B (zh) 一种工作流调度进化寻优方法及终端设备
CN110008023B (zh) 基于遗传算法的云计算系统预算约束随机任务调度方法
Wei et al. Multi-resource balance optimization for virtual machine placement in cloud data centers
Shishira et al. Survey on meta heuristic optimization techniques in cloud computing
CN110599068A (zh) 一种基于粒子群优化算法的云资源调度方法
Ebadifard et al. Optimizing multi objective based workflow scheduling in cloud computing using black hole algorithm
CN110120888B (zh) 一种云众包平台海量服务资源组合优化方法与系统
CN111324422A (zh) 多目标虚拟机部署方法、装置、设备及存储介质
CN115454612A (zh) 一种基于维度学习策略和灰狼优化的云平台任务调度方法
CN114741955A (zh) 一种基于安全云的多目标优化任务调度方法
Niu et al. Towards uncertain qos-aware service composition via multi-objective optimization
Pradhan et al. Energy aware genetic algorithm for independent task scheduling in heterogeneous multi-cloud environment
Awad et al. A swarm intelligence-based approach for dynamic data replication in a cloud environment
CN114064235A (zh) 多任务教与学优化方法、系统及设备
Li et al. Co-evolutionary and Elite learning-based bi-objective Poor and Rich Optimization algorithm for scheduling multiple workflows in the cloud
Wang et al. Temporal fusion pointer network-based reinforcement learning algorithm for multi-objective workflow scheduling in the cloud

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20210219