CN113326135B - 一种多目标下的云资源调度方法 - Google Patents

一种多目标下的云资源调度方法 Download PDF

Info

Publication number
CN113326135B
CN113326135B CN202110687544.XA CN202110687544A CN113326135B CN 113326135 B CN113326135 B CN 113326135B CN 202110687544 A CN202110687544 A CN 202110687544A CN 113326135 B CN113326135 B CN 113326135B
Authority
CN
China
Prior art keywords
population
individuals
pop
resource scheduling
follows
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.)
Active
Application number
CN202110687544.XA
Other languages
English (en)
Other versions
CN113326135A (zh
Inventor
李勋章
柯捷
周慧怡
莫静容
刘思远
张帆
陈丽琦
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.)
Guilin University of Aerospace Technology
Original Assignee
Guilin University of Aerospace 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 Guilin University of Aerospace Technology filed Critical Guilin University of Aerospace Technology
Priority to CN202110687544.XA priority Critical patent/CN113326135B/zh
Publication of CN113326135A publication Critical patent/CN113326135A/zh
Application granted granted Critical
Publication of CN113326135B publication Critical patent/CN113326135B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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]
    • G06F9/5061—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
    • G06F9/44—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
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

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

Abstract

本发明公开了一种多目标下的云资源调度方法，属于云资源调度技术领域，该调度方法具体步骤如下：(1)获取租户任务；(2)确定云数据中心调度目标；(3)建立多目标云资源调度模型；(4)模型求解；(5)云资源调度；本发明提出一种多优选联合进化的遗传算法，该算法将种群划分优选子种群和普通子种群，优选子种群由多个优选个体共同构成，优选子种群在与普通子种群进行协同交叉进化时，可以引领种群快速向最优解的方向移动，同时又能保证种群的多样性，让算法在演化过程中，容易跳出局部最优解，从而找到最优解；进而有利于在确保任务计算准确的前提下，既使任务计算时间大大缩短，又使云数据中心的资源消耗尽可能的降到最低。

Description

一种多目标下的云资源调度方法
技术领域
本发明涉及云资源调度技术领域，尤其涉及一种多目标下的云资源调度方法。
背景技术
经检索，中国专利号CN112579280A公开了一种云资源的调度方法、装置及计算机存储介质，该发明方法虽然缩短了任务完成时间，但无法在确保任务计算准确的前提下，又使云数据中心的资源消耗尽可能的降到最低；云计算是近些年兴起的一项新的技术，它的本质是分布式计算，将传统单机节点计算转换成多台机器一起计算，不仅提高了系统的扩展灵活性，还降低了计算机硬件成本；随着近几年的发展，云计算已经成为一种成熟的计算服务，为处理大数据提供了一种高效经济的解决方案；其中任务调度是云计算的关键技术之一，任务调度是在满足用户需求以及提高云系统性能的前提下，将用户提交的任务合理地分配到虚拟机上；任务调度算法是用户与云服务提供商之间的纽带，好的任务调度算法不仅能保证用户得到较好的用户体验，满足用户对于便捷、安全、人性化的要求，而且能够为云服务提供商降低能耗和运营成本，平衡系统负载，提高资源利用率，从而促进云计算的良好发展；目前，传统的遗传算法GA在进行云资源调度时容易出现算法早熟收敛，种群多样性差，易陷入局部最优等问题；因此，发明出一种多目标下的云资源调度方法变得尤为重要；
现有的传统云资源调度方法均具有一定的缺陷，即都只能针对云资源调度中租户执行时间或云数据中心的负载资源能耗单一问题进行优化，无法在确保任务计算准确的前提下，既使任务计算时间大大缩短，又使云数据中心的资源消耗尽可能的降到最低；因此，软件安全性较低；为此，我们提出一种多目标下的云资源调度方法。
发明内容
本发明的目的是为了解决现有技术中存在的缺陷，而提出的一种多目标下的云资源调度方法。
为了实现上述目的，本发明采用了如下技术方案：
一种多目标下的云资源调度方法，该调度方法具体步骤如下：
(1)获取租户任务：首先获取所有提交待处理的租户任务；
(2)确定云数据中心调度目标：然后根据步骤(1)所述所有提交待处理的租户任务和云数据中心的所有虚拟机确定云资源调度的目标；
(3)建立多目标云资源调度模型：根据步骤(2)所述云资源调度目标构建多目标云资源调度模型；
(4)模型求解：采用多优选联合进化的遗传算法对步骤(3)所述多目标云资源调度模型进行最优解求解，即形成最优资源调度方案；
(5)云资源调度：最后采用步骤(4)所述最优资源调度方案进行多目标的云资源调度。
进一步地，步骤(2)所述确定云数据中心调度目标的具体过程如下：
S1：首先，计算出云数据中心中每一个虚拟机Vi执行完所有分配给它的租户任务所需要的时间Ti，其公式如下：
式中：Ti表示每一个虚拟机Vi执行完所有分配给它的租户任务所需要的时间；θij表示租户任务Lj和虚拟机Vi的分配关系，其i的取值范围为：1＜i＜m，j的取值范围为：1＜j＜n；表示每一个虚拟机Vi执行一条租户任务所需要的执行时间；
S2：然后，计算虚拟机Vi执行完所有分配给它的租户任务需要的资源Pwi，其公式如下：
式中：PVi表示每台虚拟机Vi每秒消耗的资源；
S3：接着，计算云数据中心完成所有租户任务所需的完成时间T，其公式如下：
S4：最后，计算云数据中心完成所有租户任务需要消耗的资源PPw，其公式如下：
所述云数据中心调度目标即为最小化完成时间T和最小化消耗资源PPw。
进一步地，所述租户任务在调度时只能在一台虚拟机上执行且仅被执行一次，因此，需要满足以下约束条件，其公式如下：
同时还必须保证任何一个任务Lj(1＜j＜n)都被分配到某一个虚拟机Vi上，因此，需要满足以下约束条件，其公式如下：
进一步地，步骤(3)所述多目标云资源调度模型用公式表示如下：
进一步地，步骤(4)所述多优选联合进化的遗传算法的实施过程如下：
SS1：编码和种群初始化，采用实数编码的编码方式，生成初始化种群POP(g)；
SS2：选择合适的适应度函数和差异度函数，并利用其计算步骤SS1所述种群POP(g)中个体的适应度和差异度；
SS3：判断当前解是否已经达到最大迭代次数；若是，则终止计算，返回最优解；反之，则转向步骤SS4；
SS4：种群划分，将种群分为O_POP优选子种群和G_POP普通子种群；优选子种群中的个体数量占个体总数的30％，普通子种群中的个体占个体总数的70％；
SS5：优选子种群O_POP的进化，随机选择M/2优选个体，将其与剩下的M/2个个体进行随机交叉操作，生成的个体以Pm概率进行变异操作，然后将其插入到辅助种群POP′中；
SS6：优选子种群O_POP与普通子种群G_POP的联合进化，从G_POP中随机选择出(POPSIZE-M)个优选个体，从G_POP中随机选择出(POPSIZE-M)个普通个体，优选个体与普通个体两两相互配对完成交叉操作，生成的个体再以Pm概率进行变异，最后插入到辅助种群POP′中；
SS7：待辅助种群POP′完成创建后，将其与种群POP(g)合并形成下一代种群POP(g+1)；
SS8：结合适应度值和差异度值，以轮盘赌的方式从辅助种群POP′中选择(POPSIZE-M)个个体放入下一代种群POP(g+1)中；
SS9：判是否满足终止条件，若满足，则输出全局最优解；若不满足，则跳转到步骤SS2。
进一步地，所述适应度函数与差异度函数计算前需要将执行时间和能耗进行归一化处理；
执行时间归一化处理，其公式如下：
能耗归一化处理，其公式如下：
式中：Tmax为租户任务最长执行时间，Pmin为云数据中心中运算速度最慢的那台虚拟机的处理速度，PVmax为云数据中心中能耗最大的那台虚拟机的能耗，PWWmax为执行完租户任务最大消耗的能耗。
进一步地，所述适应度函数与差异度函数公式如下：
适应度函数：
差异度函数：
式中，n为染色体的长度；sik表示第i个个体Si在第k个基因位上的取值；sjk表示第j个个体Sj上在第k个基因位上的取值。
相比于现有技术，本发明的有益效果在于：
本申请一种多目标下的云资源调度方法相较于传统的遗传算法GA，提出一种多优选联合进化的遗传算法，该算法将种群划分优选子种群和普通子种群，优选子种群由多个优选个体共同构成，并且这些优选个体分别具有适应度值高、相似性大和个体差异明显等特点，这样的设计方式可以保证优选子种群体现出很好的代表性(即子种群总体的适应度值较高)，又可以保证子种群的多样性(即个体之间的差异度较大)；优选子种群在与普通子种群进行协同交叉进化时，可以引领种群快速向最优解的方向移动，同时又能保证种群的多样性，让算法在演化过程中，容易跳出局部最优解，从而找到最优解；进而有利于在确保任务计算准确的前提下，既使任务计算时间大大缩短，又使云数据中心的资源消耗尽可能的降到最低。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。
图1为本发明提出的一种多目标下的云资源调度方法的整体流程图；
图2为本发明中一种多优选联合进化的遗传算法的整体流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。
在本发明的描述中，需要理解的是，术语“上”、“下”、“前”、“后”、“左”、“右”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
参照图1-2，本实施例公开了一种多目标下的云资源调度方法，该调度方法具体步骤如下：
(1)获取租户任务：首先获取所有提交待处理的租户任务；
(2)确定云数据中心调度目标：然后根据步骤(1)所有提交待处理的租户任务和云数据中心的所有虚拟机确定云资源调度的目标；
具体的，该确定云数据中心调度目标的具体过程如下：
S1：首先，计算出云数据中心中每一个虚拟机Vi执行完所有分配给它的租户任务所需要的时间Ti，其公式如下：
式中：Ti表示每一个虚拟机Vi执行完所有分配给它的租户任务所需要的时间；θij表示租户任务Lj和虚拟机Vi的分配关系，其i的取值范围为：1＜i＜m，j的取值范围为：1＜j＜n；表示每一个虚拟机Vi执行一条租户任务所需要的执行时间；
S2：然后，计算虚拟机Vi执行完所有分配给它的租户任务需要的资源Pwi，其公式如下：
式中：PVi表示每台虚拟机Vi每秒消耗的资源；
S3：接着，计算云数据中心完成所有租户任务所需的完成时间T，其公式如下：
S4：最后，计算云数据中心完成所有租户任务需要消耗的资源PPw，其公式如下：
云数据中心调度目标即为最小化完成时间T和最小化消耗资源PPw；
具体的，该租户任务在调度时只能在一台虚拟机上执行且仅被执行一次，因此，需要满足以下约束条件，其公式如下：
同时还必须保证任何一个任务Lj(1＜j＜n)都被分配到某一个虚拟机Vi上，因此，需要满足以下约束条件，其公式如下：
(3)建立多目标云资源调度模型：根据步骤(2)云资源调度目标构建多目标云资源调度模型；
具体的。该多目标云资源调度模型用公式表示如下：
(4)模型求解：采用多优选联合进化的遗传算法对步骤(3)多目标云资源调度模型进行最优解求解，即形成最优资源调度方案；
具体的，该优选联合进化的遗传算法的实施过程如下：
SS1：编码和种群初始化，采用实数编码的编码方式，生成初始化种群POP(g)；
SS2：选择合适的适应度函数和差异度函数，并利用其计算步骤SS1种群POP(g)中个体的适应度和差异度；
SS3：判断当前解是否已经达到最大迭代次数；若是，则终止计算，返回最优解；反之，则转向步骤SS4；
SS4：种群划分，将种群分为O_POP优选子种群和G_POP普通子种群；优选子种群中的个体数量占个体总数的30％，普通子种群中的个体占个体总数的70％；
SS5：优选子种群O_POP的进化，随机选择M/2优选个体，将其与剩下的M/2个个体进行随机交叉操作，生成的个体以Pm概率进行变异操作，然后将其插入到辅助种群POP′中；
SS6：优选子种群O_POP与普通子种群G_POP的联合进化，从G_POP中随机选择出(POPSIZE-M)个优选个体，从G_POP中随机选择出(POPSIZE-M)个普通个体，优选个体与普通个体两两相互配对完成交叉操作，生成的个体再以Pm概率进行变异，最后插入到辅助种群POP′中；
SS7：待辅助种群POP′完成创建后，将其与种群POP(g)合并形成下一代种群POP(g+1)；
SS8：结合适应度值和差异度值，以轮盘赌的方式从辅助种群POP′中选择(POPSIZE-M)个个体放入下一代种群POP(g+1)中；
SS9：判是否满足终止条件，若满足，则输出全局最优解；若不满足，则跳转到步骤SS2。
具体的，该适应度函数与差异度函数计算前需要将执行时间和能耗进行归一化处理；
执行时间归一化处理，其公式如下：
能耗归一化处理，其公式如下：
式中：Tmax为租户任务最长执行时间，Pmin为云数据中心中运算速度最慢的那台虚拟机的处理速度，PVmax为云数据中心中能耗最大的那台虚拟机的能耗，PWWmax为执行完租户任务最大消耗的能耗。
具体的，该适应度函数与差异度函数公式如下：
适应度函数：
差异度函数：
式中，n为染色体的长度；sik表示第i个个体Si在第k个基因位上的取值；sjk表示第j个个体Sj上在第k个基因位上的取值。
(5)云资源调度：最后采用步骤(4)最优资源调度方案进行多目标的云资源调度。
为了验证多优选联合进化的遗传算法在进行解决多目标云资源调度时具备的良好性能，将本申请提出的多优选联合进化的遗传算法与精英保留策略GAE和传统的遗传算法GA进行了多方位的模拟仿真测试；其中，虚拟机个数为5，租户任务数为200，300和500时，得到实验数据如下表1-3；
表1：虚拟机为5，租户任务数为200
表2：虚拟机为5，租户任务数为300
表3：虚拟机为5，租户任务数为500
结合上述表1-3可以看出本申请提出的多优选联合进化的遗传算法具备很好的性能；在进行云资源调度时，多优选联合进化的遗传算法求解出的最终解总是优于另外两个算法的最终解，其寻找最优解和跳出局部最优的能力表现得十分明显，鲁棒性更好。
参照图2，本实施例公开了一种多目标下的云资源调度方法，该调度方法具体步骤如下：
(1)获取租户任务：首先获取所有提交待处理的租户任务；
(2)确定云数据中心调度目标：然后根据步骤(1)所述所有提交待处理的租户任务和云数据中心的所有虚拟机确定云资源调度的目标；
(3)建立多目标云资源调度模型：根据步骤(2)所述云资源调度目标构建多目标云资源调度模型；
(4)模型求解：采用多优选联合进化的遗传算法对步骤(3)所述多目标云资源调度模型进行最优解求解，即形成最优资源调度方案；
(5)云资源调度：最后采用步骤(4)所述最优资源调度方案进行多目标的云资源调度。
除与上述实施例相同的结构外，本实施例将多优选联合进化的遗传算法的基本思想；
具体的，该多优选联合进化的遗传算法的基本思想如下：
Step1：令g＝0,生成初始化种群POP(g)；
Step2：对POP(g)中的个体根据式(10)计算适应度值,选择适应度值最高的前M/3个个体放入O_POP中，适应度值最高的个体为Highest_fitness；
Step3：根据式(11)计算POP(g)中每个个体与最佳个体Highest_fitness的差异度值，分别将差异度值最小的M/3个体和差异度最大的M/3个个体放入O_POP中；
Step4：将POP(g)中剩下的个体放入G_POP中；
Step5：将O_POP中的个体随机两两组队进行交叉操作，生成的新个体以Pm概率进行变异操作，然后将其插入到辅助种群POP′中；
Step6：分别随机从O_POP中挑选出(POPSIZE-M)个优选个体，从G_POP中挑选出(POPSIZE-M)个普通个体，两两组合进行交叉操作，生成的个体以Pm概率变异后插入到辅助种群POP′中；
Step7：将O_POP中的个体放入下一代种群POP(g+1)中；
Step8：结合适应度值和差异度值，以轮盘赌的方式从辅助种群POP′中选择(POPSIZE-M)个个体放入下一代种群POP(g+1)中；
Step9：令g＝g+1；
Step10：判断是否满足终止条件，若是,则结束；否则,转到Step2。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (1)

1.一种多目标下的云资源调度方法，其特征在于，该调度方法具体步骤如下：
(1)获取租户任务：首先获取所有提交待处理的租户任务；
(2)确定云数据中心调度目标：然后根据步骤(1)所述所有提交待处理的租户任务和云数据中心的所有虚拟机确定云资源调度的目标；
(3)建立多目标云资源调度模型：根据步骤(2)所述云资源调度目标构建多目标云资源调度模型；
(4)模型求解：采用多优选联合进化的遗传算法对步骤(3)所述多目标云资源调度模型进行最优解求解，即形成最优资源调度方案；
(5)云资源调度：最后采用步骤(4)所述最优资源调度方案进行多目标的云资源调度；
步骤(2)所述确定云数据中心调度目标的具体过程如下：
S1：首先，计算出云数据中心中每一个虚拟机Vi执行完所有分配给它的租户任务所需要的时间Ti，其公式如下：
式中：Ti表示每一个虚拟机Vi执行完所有分配给它的租户任务所需要的时间；θij表示租户任务Lj和虚拟机Vi的分配关系，其i的取值范围为：1<i<m,j的取值范围为：1<j<n；表示每一个虚拟机Vi执行一条租户任务所需要的执行时间；
S2：然后，计算虚拟机Vi执行完所有分配给它的租户任务需要的资源其公式如下：
式中：PVi表示每台虚拟机Vi每秒消耗的资源；
S3：接着，计算云数据中心完成所有租户任务所需的完成时间T，其公式如下：
S4：最后，计算云数据中心完成所有租户任务需要消耗的资源PPw，其公式如下：
所述云数据中心调度目标即为最小化完成时间T和最小化消耗资源PPw；
所述租户任务在调度时只能在一台虚拟机上执行且仅被执行一次，因此，需要满足以下约束条件，其公式如下：
同时还必须保证任何一个任务Lj(1<j<n)都被分配到某一个虚拟机Vi上，因此，需要满足以下约束条件，其公式如下：
步骤(3)所述多目标云资源调度模型用公式表示如下：
步骤(4)所述多优选联合进化的遗传算法的实施过程如下：
SS1：编码和种群初始化，采用实数编码的编码方式，生成初始化种群POP(g)；
SS2：选择合适的适应度函数和差异度函数，并利用其计算步骤SS1所述种群POP(g)中个体的适应度和差异度；
SS3：判断当前解是否已经达到最大迭代次数；若是，则终止计算，返回最优解；反之，则转向步骤SS4；
SS4：种群划分，将种群分为O_POP优选子种群和G_POP普通子种群；优选子种群中的个体数量占个体总数的30％，普通子种群中的个体占个体总数的70％；
SS5：优选子种群O_POP的进化，随机选择M/2优选个体，将其与剩下的M/2个个体进行随机交叉操作，生成的个体以Pm概率进行变异操作，然后将其插入到辅助种群POP′中；
SS6：优选子种群O_POP与普通子种群G_POP的联合进化，从O_POP中随机选择出(POPSIZE-M)个优选个体，从G_POP中随机选择出(POPSIZE-M)个普通个体，优选个体与普通个体两两相互配对完成交叉操作，生成的个体再以Pm概率进行变异，最后插入到辅助种群POP′中；
SS7：待辅助种群POP′完成创建后，将其与种群POP(g)合并形成下一代种群POP(g+1)；
SS8：结合适应度值和差异度值，以轮盘赌的方式从辅助种群POP′中选择(POPSIZE-M)个个体放入下一代种群POP(g+1)中；
SS9：判是否满足终止条件，若满足，则输出全局最优解；若不满足，则跳转到步骤SS2；
所述适应度函数与差异度函数计算前需要将执行时间和能耗进行归一化处理；
执行时间归一化处理，其公式如下：
能耗归一化处理，其公式如下：
式中：Tmax为租户任务最长执行时间，Pmin为云数据中心中运算速度最慢的那台虚拟机的处理速度，PVmax为云数据中心中能耗最大的那台虚拟机的能耗，PWWmax为执行完租户任务最大消耗的能耗；
所述适应度函数与差异度函数公式如下：
适应度函数：
差异度函数：
式中，n为染色体的长度；sik表示第i个个体Si在第k个基因位上的取值；sjk表示第j个个体Sj上在第k个基因位上的取值。
CN202110687544.XA 2021-06-21 2021-06-21 一种多目标下的云资源调度方法 Active CN113326135B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110687544.XA CN113326135B (zh) 2021-06-21 2021-06-21 一种多目标下的云资源调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110687544.XA CN113326135B (zh) 2021-06-21 2021-06-21 一种多目标下的云资源调度方法

Publications (2)

Publication Number Publication Date
CN113326135A CN113326135A (zh) 2021-08-31
CN113326135B true CN113326135B (zh) 2023-08-22

Family

ID=77424118

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110687544.XA Active CN113326135B (zh) 2021-06-21 2021-06-21 一种多目标下的云资源调度方法

Country Status (1)

Country Link
CN (1) CN113326135B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113986518B (zh) * 2021-12-28 2022-05-24 华南理工大学 一种基于蚁群算法的实时云任务多目标优化调度方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1378841A1 (en) * 2002-07-02 2004-01-07 BRITISH TELECOMMUNICATIONS public limited company Method and apparatus for routing optimisation
CN105843678A (zh) * 2016-03-17 2016-08-10 国网山东省电力公司信息通信公司 一种基于最优化理论的虚拟机的资源调度迁移方法及系统
CN110471762A (zh) * 2019-07-26 2019-11-19 南京工程学院 一种基于多目标优化的云资源分配方法及系统
CN110515735A (zh) * 2019-08-29 2019-11-29 哈尔滨理工大学 一种基于改进q学习算法的多目标云资源调度方法
CN112954012A (zh) * 2021-01-27 2021-06-11 北京计算机技术及应用研究所 基于负载的改进模拟退火算法的云任务调度方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8984520B2 (en) * 2007-06-14 2015-03-17 Microsoft Technology Licensing, Llc Resource modeling and scheduling for extensible computing platforms

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1378841A1 (en) * 2002-07-02 2004-01-07 BRITISH TELECOMMUNICATIONS public limited company Method and apparatus for routing optimisation
CN105843678A (zh) * 2016-03-17 2016-08-10 国网山东省电力公司信息通信公司 一种基于最优化理论的虚拟机的资源调度迁移方法及系统
CN110471762A (zh) * 2019-07-26 2019-11-19 南京工程学院 一种基于多目标优化的云资源分配方法及系统
CN110515735A (zh) * 2019-08-29 2019-11-29 哈尔滨理工大学 一种基于改进q学习算法的多目标云资源调度方法
CN112954012A (zh) * 2021-01-27 2021-06-11 北京计算机技术及应用研究所 基于负载的改进模拟退火算法的云任务调度方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
改进的遗传算法在云资源调度上的应用;李勋章 等;《桂林航天工业学院学报》;第9-13页 *

Also Published As

Publication number Publication date
CN113326135A (zh) 2021-08-31

Similar Documents

Publication Publication Date Title
CN111586720B (zh) 一种多小区场景下的任务卸载和资源分配的联合优化方法
US20210133534A1 (en) Cloud task scheduling method based on phagocytosis-based hybrid particle swarm optimization and genetic algorithm
CN111585816B (zh) 一种基于自适应遗传算法的任务卸载决策方法
CN111182582B (zh) 面向移动边缘计算的多任务分布式卸载方法
CN112286677B (zh) 一种面向资源受限边缘云的物联网应用优化部署方法
CN105550033B (zh) 私有云环境下基于遗传禁忌混合算法的资源调度策略方法
CN103345657A (zh) 云计算环境下基于遗传和蚁群的任务调度方法
CN111294959B (zh) 一种联合用户分组和功率分配的优化方法及其优化装置
CN114545975A (zh) 融合多目标进化算法和合同网算法的多无人机系统任务分配方法
Zong An improvement of task scheduling algorithms for green cloud computing
Dai et al. Energy‐efficient resource allocation for device‐to‐device communication with WPT
CN111126765B (zh) 一种电动汽车群联合优化方法及系统
CN114585006B (zh) 基于深度学习的边缘计算任务卸载和资源分配方法
CN113326135B (zh) 一种多目标下的云资源调度方法
CN114741955A (zh) 一种基于安全云的多目标优化任务调度方法
CN114980216B (zh) 基于移动边缘计算的依赖型任务卸载系统及方法
CN105515196A (zh) 一种基于广义需求侧响应的地区电网调度系统及方法
CN105976052A (zh) 基于改进量子粒子群算法的多区域经济调度方法
CN115983428A (zh) 一种基于改进粒子群优化算法的集群划分方法和装置
CN111818119B (zh) 基于改进的蜘蛛集群的数据服务资源优化调度方法
CN112506635A (zh) 基于自适应策略的进化免疫方法
Tian et al. A QoS-Aware workflow scheduling method for cloudlet-based mobile cloud computing
CN110677913B (zh) 一种eh分布式基站系统的动态功率分配方法
CN109347913B (zh) 一种基于智能遗传算法的web服务协同调度方法及系统
Cao et al. Multiobjective Resource Allocation Strategy for Metaverse Resource Management

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
GR01 Patent grant
GR01 Patent grant