CN113222096A - 一种面向云计算任务调度的改进粒子群算法 - Google Patents

Abstract

本发明提出了一种面向云计算任务调度的改进粒子群算法。包括4个步骤：首先对粒子采用自然数编码，以任务完成总时间作为适应度函数，将粒子与任务调度相关联，然后改进动态惯性权值策略，平衡全局和局部搜索能力，接着更新粒子位置和速度，规范取值范围，最后加入混沌扰动策略使算法尽可能寻找更优解，从而提高算法后期收敛精度。与标准粒子群算法相比，本发明所述算法在云计算任务调度中具有很强的全局开发能力，在算法的前期不断探索全局最优解，且在后期也具有良好的局部探索能力。同时，由于加入了混沌扰动策略，不断地随机改变粒子的位置信息，使得算法能够尽可能跳出局部最优解，从而最终收敛的结果更好。

Description

一种面向云计算任务调度的改进粒子群算法

技术领域

本发明涉及云环境下任务调度策略领域，尤其涉及一种面向云计算任务调度的改进粒子群算法。

背景技术

数据大爆炸之后，与数据相关的计算任务变得十分繁重。云计算的思想便是来源于如何高效地处理这些庞大的数据，在一台计算机资源不足以在规定时间内完成计算任务的情况下，可以将计算任务交由由大量硬件和软件资源共同构成的资源池处理，并以服务的方式通过网络提供给用户。云计算的基本原理就是利用互联网将大而难的任务分解成较小的任务，并发送到服务器上进行分布式计算、分析和总结。

如何高效合理地将任务集分配到资源池中的虚拟机上便是任务调度，这是云计算中的关键技术之一，许多启发式算法应运而生，诸如人工蜂群算法，飞蛾优化算法，粒子群算法等。粒子群算法由于可供修改的参数少、早期收敛速度快，已经被许多学者应用于云计算任务调度中。但传统的标准粒子群算法对粒子在上一次迭代中的速度的依赖程度一直保持不变，缺少灵活性。由于惯性权重保持不变，虽然前期收敛速度快，但后期局部搜索能力不足，导致算法收敛速度慢，求解精度不高，并且容易陷入局部最优解，所以本发明公开一种面向云计算任务调度的改进粒子群算法，以获得更好的任务调度结果。

发明内容

本发明一种面向云计算任务调度的改进粒子群算法所要解决的问题：针对标准粒子群算法后期收敛速度慢，容易陷入局部最优，收敛精度差的缺陷，本发明在算法中采用混合了随机和非线性递减惯性权重的策略，加快算法后期收敛速度，同时借鉴模拟退火中“以一定概率接受较差解”的思想，提高了算法的全局搜索能力，最后加入混沌扰动策略使算法尽可能寻找更优解，从而提高算法后期收敛精度。

本发明的技术方案包括以下步骤：

步骤S1.粒子的编码及适应度函数的选用：将粒子群算法应用于云环境中的任务调度时，由于待分配子任务通常都是离散值，所以需要对粒子进行编码，粒子包含位置和速度两个属性，通过编码将任务调度与粒子位置和速度相结合。云计算中任务是离散值，因此对粒子采用自然数编码。设有n个任务，分配给m台虚拟机，粒子种群规模为NP，每个粒子的位置由向量P表示，则第i个粒子可编码为式(1)所示的n维向量：

P_i＝{p_i1,p_i2,…,p_ij,…,p_in} (1)

式(1)中1≤p_ij≤m，每一维分量表示分配给此任务的虚拟机，比如最优解若为(1,4,2,…,m,…)，则表示虚拟机1接受任务1，虚拟机4接受任务2，虚拟机2接受任务3，初始化时，p_ij的取值范围为0到m+1之间的随机整数。粒子速度则由向量V表示，第i个粒子的速度表示为：

v_i＝{v_i1,v_i2,…,v_ij,…,v_in} (2)

式(2)中，-m≤v_ij≤m，vij初始化时为-m到m之间的随机数。

定义两个n*m的矩阵Time和S，如下所示。

相应任务与对应虚拟机之间的关系通过矩阵S中对应行列的取值表示，S_ij表示任务i在虚拟机j上是否执行，若S_ij为0，表示任务i不在虚拟机j上执行，反之为1。

其中Time_ij表示虚拟机j处理完任务i所用时间，Time_ij等于任务i的长度与虚拟机j的执行速度之比，可以得出虚拟机j上的执行时间为：

设所有虚拟机完成全部任务的时间为FTime，任务调度的评估标准就是完成时间FTime的大小，FTime即每个虚拟机完成任务时间中的最大值，如公式(6)所示。

本发明适应度函数就是FTime，FTime越小，任务完成的越快，算法性能越好。

步骤S2.改进动态惯性权值策略：综合考虑算法的全局和局部搜索能力，兼顾算法的收敛速度，本发明采用混合了随机和非线性递减的惯性权重策略，即在惯性权重非线性递减的过程中穿插随机惯性权重，这一随机性并不是真正的随机取值，而是通过借鉴模拟退火的思想将随机取值结果分为急剧加大或缩小惯性权重两类，这将导致两种截然不同的效果。前者大大增强了全局搜索能力，尽可能的搜索更优解，有利于跳出局部最优，后者则大大增强了局部搜索能力，加快算法的收敛速度。

标准粒子群算法由以下两个公式确定。

式(7)中ω是惯性权重，它的取值大小表示粒子在下一次迭代时的速度对粒子当前速度的参考比重。

在算法迭代过程中，每隔5次迭代，获取粒子当前的适应度值

和前一次适应度值

设概率值p，p的取值公式如下：

式(10)中，

表示粒子i到t次迭代为止的平均适应度值，

表示粒子i到t次迭代为止的最优解的适应度值。每隔5次迭代时惯性权重的取值公式如下：

平时迭代中惯性权重的取值公式如下：

式(11)中random是取值为0到1之间的随机数。式(12)中t为当前迭代次数，T_max为最大迭代次数。当t＝0时，ω取值为ω_s，当t＝T_max时，ω取值为ω_e，多数情况下ω_s取0.9，ω_e取0.4，T_max通常取1000。式(11)和式(12)组成新的动态惯性权值策略，当t取0时，ω取值为ω_s，当t取T_max，ω取值为ω_e。

随着迭代的进行，惯性权重从整体上看由0.9非线性减至0.4，这样便解决了PSO算法早期收敛速度快，晚期收敛速度慢的问题。期间每隔5次迭代，若粒子当前的适应度值也就是任务完成的时间比上一次迭代的适应度值大时，加大惯性权重，提高搜索范围，若当前粒子适应度值小于上次迭代时产生的适应度值，则按照一定的概率选择加大或者减小惯性权重，前者扩大搜索范围，有助于跳出局部最优寻找更优解，后者则大大加快了收敛速度。

步骤S3.更新粒子位置和速度：每一次迭代，粒子的速度按照公式(7)和公式(9)～(12)进行更新，由于任务调度是离散问题，本发明采用的是自然数编码，按照公式(8)更新后会变为浮点数，某些维度的分量可能超出规定的取值范围，本发明对浮点数依次取绝对值，向下取整，取余，公式如下：

更新后的粒子速度也可能超出范围使得粒子飞出可行范围，因此设定粒子最大飞行速度V_max，若|v_ij|>V_max，v_ij＝V_max/2。计算新粒子的适应度函数值，产生新的全局最优解和个人最优解。

步骤S4.加入混沌扰动策略：混沌扰动对粒子初始值敏感，它起的作用就好比在给定的初始粒子周围不断地随机地进行规律性搜索。在算法迭代过程中，极少数粒子的适应度值大大优于其他粒子，这些极优粒子会影响它们周围的粒子，使得粒子聚拢在一起，这就有可能导致算法过早陷入局部最优，这时候仅通过改变惯性权重不足以跳出局部最优解。为了解决这一问题，本发明采用Logistic映射产生的混沌序列，其方程为：

z_k+1＝μz_k(1-z_k) (14)

当粒子种群迭代一定次数后，全局最优值会出现保持不变的情况，这时候对全局最优值对应的粒子采用混沌序列进行扰动，将全局最优粒子的每一维都映射到(0，1)区间，产生一个新的向量A＝(a₁，a₂，…，a_n)，向量A中每一维分量的取值范围为(0，1)。然后利用向量A作为初始值带入式(14)产生新的序列z₁，将z₁代入适应度函数计算并与全局最优解的适应度值进行对比，若优于当前最优解，则将z₁更新为全局最优解。

与标准粒子群算法相比，本发明所述算法在云计算任务调度中具有很强的全局开发能力，在算法的前期不断探索全局最优解，且在后期也具有良好的局部探索能力。由于加入了混沌扰动策略，不断地随机改变粒子的位置信息，使得算法能够尽可能跳出局部最优解，从而最终收敛的结果更好。

附图说明

图1为本发明一种面向云计算任务调度的改进粒子群算法的步骤图。

图2为本发明一种面向云计算任务调度的改进粒子群算法的实现流程图。

具体实施方式

如图1所示，本发明一种面向云计算任务调度的改进粒子群算法，实施步骤如下所示：

步骤S1.粒子的编码及适应函数的选用：因为云计算中任务是离散值，所以对粒子采用自然数编码从而将粒子的速度和位置两个属性与任务调度关联起来，并选择任务完成的总时间作为适应度函数；

步骤S2.改进动态惯性权值策略：采用混合了随机和非线性递减的惯性权重策略，既加快了算法的收敛速度，又增强了后期局部寻优能力，同时在迭代过程中增强了全局探索能力；

步骤S3.更新粒子的速度和位置：限定粒子的速度和位置的取值在规定范围内，保证任务调度顺利执行；

步骤S4.加入混沌扰动策略：在算法陷入局部最优后，对全局最优粒子进行混沌扰动，尽可能寻找更优解，使收敛结果更好。

如图2所示，按照以上步骤进行改进后的粒子群算法实现流程如下所示：

1)随机产生NP个粒子规模的种群，初始化粒子的位置和速度，设定算法参数，粒子的初始位置x_i～U(0,m+1)，粒子的初始化速度v_i～U(-m,m)，m是虚拟机的个数。个体历史最优解pbest由每个粒子的初始位置决定，全局最优解gbest则由公式(6)计算对比得出；

2)按照公式(9)～(12)动态更新惯性权重，然后代入公式(7)～(8)更新粒子的位置和速度；

3)计算每个新粒子的适应度函数值，更新个体最优值和全局最优值；

4)当种群迭代次数t>50且全局最优位置连续15次没有更新，执行Step5，否则执行Step7；

5)对全局最优位置进行混沌扰动，产生新的粒子；

6)计算经过混沌扰动产生新粒子的适应度值即任务的完成时间，如果比全局最优粒子对应的任务完成时间小，则将新粒子的位置更新为全局最优位置；

7)判断当前迭代次数t是否大于T_max，若t>T_max，执行step8，否则执行step2；

8)输出最优解，任务调度算法执行结束。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (1)

1.一种面向云计算任务调度的改进粒子群算法，其特征在于，包括以下步骤：

步骤S1.粒子编码及适应度函数的选择：将粒子群算法应用于云环境中的任务调度时，由于待分配子任务通常都是离散值，所以需要对粒子进行编码，粒子包含位置和速度两个属性，通过编码将任务调度与粒子位置和速度相结合，云计算中任务是离散值，因此对粒子采用自然数编码，设有n个任务，分配给m台虚拟机，粒子种群规模为NP，每个粒子的位置由向量P表示，则第i个粒子可编码为式(1)所示的n维向量：

P_i＝{p_i1,p_i2,...,p_ij,...,p_in} (1)

式(1)中1≤p_ij≤m，每一维分量表示分配给此任务的虚拟机，初始化时，p_ij的取值范围为0到m+1之间的随机整数，粒子速度则由向量V表示，第i个粒子的速度表示为：

v_i＝{v_i1,v_i2,...,v_ij,...,v_in} (2)

式(2)中，-m≤v_ij≤m，vij初始化时为-m到m之间的随机数；

定义两个n*m的矩阵Time和S，如下所示；

相应任务与对应虚拟机之间的关系通过矩阵S中对应行列的取值表示，S_ij表示任务i在虚拟机j上是否执行，若S_ij为0，表示任务i不在虚拟机j上执行，反之为1；

其中Time_ij表示虚拟机j处理完任务i所用时间，Time_ij等于任务i的长度与虚拟机j的执行速度之比，可以得出虚拟机j上的执行时间为：

设所有虚拟机完成全部任务的时间为FTime，任务调度的评估标准就是完成时间FTime的大小，FTime即每个虚拟机完成任务时间中的最大值，如公式(6)所示；

本发明适应度函数就是FTime；

步骤S2.改进动态惯性权值策略：采用混合了随机和非线性递减的惯性权重策略，即在惯性权重非线性递减的过程中穿插随机惯性权重，这一随机性并不是真正的随机取值，而是通过借鉴模拟退火的思想将随机取值结果分为急剧加大或缩小惯性权重两类；

标准粒子群算法由以下两个公式确定；

式(7)中ω是惯性权重，它的取值大小表示粒子在下一次迭代时的速度对粒子当前速度的参考比重；

在算法迭代过程中，每隔5次迭代，获取粒子当前的适应度值

和前一次适应度值

设概率值p，p的取值公式如下：

式(10)中，

表示粒子i到t次迭代为止的平均适应度值，

表示粒子i到t次迭代为止的最优解的适应度值，每隔5次迭代时惯性权重的取值公式如下：

平时迭代中惯性权重的取值公式如下：

式(11)中random是取值为0到1之间的随机数，式(12)中t为当前迭代次数，T_max为最大迭代次数，当t＝0时，ω取值为ω_s，当t＝T_max时，ω取值为ω_e，多数情况下ω_s取0.9，ω_e取0.4，T_max通常取1000，式(11)和式(12)组成新的动态惯性权值策略，当t取0时，ω取值为ω_s，当t取T_max，ω取值为ω_e；

随着迭代的进行，惯性权重从整体上看由0.9非线性减至0.4，期间每隔5次迭代，若粒子当前的适应度值也就是任务完成的时间比上一次迭代的适应度值大时，加大惯性权重，提高搜索范围，若当前粒子适应度值小于上次迭代时产生的适应度值，则按照一定的概率选择加大或者减小惯性权重；

步骤S3.更新粒子位置和速度：每一次迭代，粒子的速度按照公式(7)和公式(9)～(12)进行更新，由于任务调度是离散问题，本发明采用的是自然数编码，按照公式(8)更新后会变为浮点数，某些维度的分量可能超出规定的取值范围，本发明对浮点数依次取绝对值，向下取整，取余，公式如下：

更新后的粒子速度也可能超出范围使得粒子飞出可行范围，因此设定粒子最大飞行速度V_max，若|v_ij|>V_max，v_ij＝V_max/2，计算新粒子的适应度函数值，产生新的全局最优解和个人最优解；

步骤S4.加入混沌扰动策略：本发明采用Logistic映射产生的混沌序列，其方程为：

z_k+1＝μz_k(1-z_k) (14)

当粒子种群迭代一定次数后，全局最优值会出现保持不变的情况，这时候对全局最优值对应的粒子采用混沌序列进行扰动，将全局最优粒子的每一维都映射到(0，1)区间，产生一个新的向量A＝(a₁，a₂，…，a_n)，向量A中每一维分量的取值范围为(0，1)，然后利用向量A作为初始值带入式(14)产生新的序列z₁，将z₁代入适应度函数计算并与全局最优解的适应度值进行对比，若优于当前最优解，则将z₁更新为全局最优解。

Images