CN113778654B - 基于粒子群优化算法的并行任务调度方法 - Google Patents

Abstract

本发明公开了一种基于粒子群优化算法的并行任务调度方法，包括获取待调度的并行任务的参数信息；初始化粒子；对粒子进行ROV编码；采用离散粒子群优化算法进行迭代求解；采用变邻域搜索算法进行优化；得到最终的离散粒子群优化算法的最优解；进行并行任务的调度。本发明利用了ROV编码和基于改进粒子群优化算法对任务调度问题进行优化，并在该模型下引入种群初始化机制和变邻域搜索算法，加强了模型的全局搜索能力，使得本发明方法能够更精准的实现智能调度任务的最优调度，可以有效防止过早收敛的问题，进一步保证模型在全局领域搜索解的质量，而且适用于大规模的复杂任务调度，可靠性高，实用性好且效率较高。

Description

基于粒子群优化算法的并行任务调度方法

技术领域

本发明属于计算机技术领域，具体涉及一种基于粒子群优化算法的并行任务调度方法。

背景技术

随着计算机系统进一步的发展，在同一台处理器上处理大量的任务，已是各大企业所面临的需求。但是如何有效利用资源，高性能的完成目标任务，就成为解决该需求的一大难题。并行处理是提高计算机性能、可用性和可靠性的重要途经，也是当今计算机技术发展的主要方向之一。并行处理能够解决许多意义重大的科学工程计算问题，例如遗传问题，天气预报，电子商务，新材料及国家安全工程等。并行处理的发展，使得大型科学与工程计算，特别是高维复杂问题的计算成为可能。任务调度是并行处理中的关键步骤，任务调度算法也是决定并行处理系统总体性能的至关重要的因素。任务调度的目的是提高并行任务间的资源利用率和减少等待时间，改善负荷的均衡性，提高实时任务的响应速度和系统效率。

在大规模并行处理已经广泛应用的今天，如何充分利用处理器的计算性能并实现性能优异的并行处理，已经成为了大家关注的焦点。因此，如何针对不同的具体任务而采取有效的调度算法，已成为影响并行处理执行性能的重大因素。调度算法所研究的是在满足各种约束条件下，采用各种不同的调度方案，使一个或者多个优化的目标能够达到最优。该问题是一类优化问题，也是NP-hard问题，其有着十分庞大的解空间，因此使用一些传统的方法很难得到高质量的解。所以，要解决该问题，研究人员面临的一个挑战就是要不断的探索更加高效的求解方法。研究者们为获得最优的任务调度方案，不断的探索，已经形成了一些具有代表性的算法：如0-1程序设计法，群聚算法，基于图论的方法，启发式算法，遗传算法，模拟退火算法和粒子群算法等等。这些方法可以很好的解决小规模的调度问题；但是随着问题的规模不断扩大，任务调度问题越来越复杂，传统的方法在这方面则越来越不能满足人们的需求。

发明内容

本发明的目的在于提供一种适用于大规模的复杂任务调度，而且可靠性高、实用性好且效率较高的基于粒子群优化算法的并行任务调度方法。

本发明提供的这种基于粒子群优化算法的并行任务调度方法，包括如下步骤：

S1.获取待调度的并行任务的参数信息；

S2.根据步骤S1获取的并行任务参数信息，初始化粒子；

S3.对步骤S2得到的初始化的粒子进行ROV编码；

S4.根据当前的粒子状态，采用离散粒子群优化算法进行迭代求解；

S5.在步骤S4的迭代求解过程中，采用变邻域搜索算法进行优化；

S6.达到设定条件，迭代求解过程结束，得到最终的离散粒子群优化算法的最优解；

S7.根据步骤S6得到的最优解，进行并行任务的调度。

步骤S2所述的初始化粒子，具体包括如下步骤：

在初始化种群时，当连续两代种群的多样性Dist低于设定的阈值时，采用正态分布进行随机初始化，以增加种群的多样性；

种群的多样性Dist的计算公式为

式中Popsize为种群的大小，i为当前的代数，

为当前代数的种群中心值，X_i,j为第i代第j个个体的位置；以正态分布进行随机初始化时，正态分布的均值μ为

正态分布的方差σ为

其中X^best为种群全局最优位置，UB为粒子的位置的最大值，LB为粒子的位置的最小值，maxiter为最大迭代次数。

步骤S3所述的对步骤S2得到的初始化的粒子进行ROV编码，具体包括如下步骤：

对于一个粒子的位置关系，首先将值最小的分量位置赋值为ROV＝1；然后将值次小的分量位置赋值为ROV＝2，并以此类推，直至所有的分量位置均被赋予一个唯一的ROV值，从而得到ROV编码。

步骤S4所述的根据当前的粒子状态，采用离散粒子群优化算法进行迭代求解，具体包括如下步骤：

A.设置待调度的并行任务的总运行时间最短作为目标函数，并将该目标函数作为适应度函数；

B.采用如下算式作为目标函数的约束条件：

M_i,cpu≤Q_cpu

M_i,m≤Q_m

M_i,st≥M_i,est

M_i,st≤M_i,lst

M_i,st+M_i,rt≤M_i,et

M_i,st≥M_j,ret,j→i

式中M_i,cpu为任务i需要占用的CPU资源值；Q_cpu为队列CPU的资源最大值；M_i,m为任务i需要占用的内存值；Q_m为队列内存的最大值；M_i,st为任务i的实际开始时间；M_i,est为任务i的设定的最早开始时间；M_i,lst为任务i的设定的最晚开始时间；M_i,rt为任务i的实际运行时间；M_i,et为任务i的设定的最晚结束时间；M_j,ret为任务j的实际结束时间；j→i表示任务i依赖任务j，且i≠j；

为k-i个任务并行所需要占用的总的CPU资源值；

为k-i个任务并行所需要占用的总的内存值；

C.在步骤B设定的约束条件下，执行所有任务直至所有任务执行完毕；

D.计算目标函数值，并更新各个粒子的速度和位置。

步骤D所述的更新各个粒子的速度和位置，具体包括如下步骤：

a.采用如下规则更新粒子的位置移动方式：

若r＜w，则粒子进行插入变异：改变任务调度的顺序；

若r＜C1，则粒子对自身的极值进行交叉变异：前后两部分顺序的互换；

若r＜C2，则粒子对全局最优解进行交叉变异：整个任务序列的顺序互换；

其中，r为[0,1]随机数；w为设定的惯性因子；C1为设定的粒子的个体学习因子；C2为设定的粒子的社会学习因子；

b.采用如下公式更新粒子的速度和位置：

V’_id＝wV_id+C₁random(0,1)(P_id-X_id)+C₂random(0,1)(P_gd-X_id)

X’_id＝X_id+V’_id

式中V’_id为更新后的粒子的速度；w为设定的惯性因子；V_id为更新前的粒子的速度；C₁为设定的粒子的个体学习因子；random(0,1)为0～1范围内的一个随机数；P_id为第i个变量的个体极值的第d维；X_id为更新前的粒子的位置；C2为设定的粒子的社会学习因子；P_gd为全局最优解的第d维；X’_id为更新后的粒子的位置；

c.采用如下规则对更新后的粒子的速度和位置进行修正：

式中X”_id为修正后的粒子的位置；UB为粒子的位置的最大值；LB为粒子的位置的最小值；V”_id为修正后的粒子的速度；V_max为粒子的速度的最大值；V_min为粒子的速度的最小值。

步骤S5所述的采用变邻域搜索算法进行优化，具体包括如下步骤：

(1)确定邻域结构Ni和初始解S0，同时令全局最优解为S0；

(2)若满足收敛条件则输出最优解，算法停止；否则，进行后续步骤；

(3)对S0进行扰动：随机交换S0的两个不同任务执行顺序，求解目标函数值F；

(4)令变量k＝0，k为动作类型标记；

(5)开始进行变邻域搜索：

将变量S0的值赋值给临时副本S1；

若变量k＝0，则进行操作swap(S1)，并将结果赋值给变量F1；

若变量k＝1，则进行操作insert(S1)，并将结果赋值给变量F1；

若F1＜F，则将变量S1的值赋值给S0，将变量F1的值赋值给F，还将变量k的值修改为0；否则，变量k的值增加1；

(6)搜索结束；

其中，swap操作的定义为：在调度任务序列中随机选择不同的两个位置x和y，把x位置上的任务与y位置上的任务进行交换，同时判断：若交换后目标函数值更优，则结束并返回结果；否则继续进行下一次的交换，直至交换后的目标函数值更优或者所有的位置均交换完毕；insert操作的定义为：随机选择两个不同的位置x和y，把x位置上的任务插入到y位置上的任务前面。

本发明提供的这种基于粒子群优化算法的并行任务调度方法，利用了ROV编码和基于改进粒子群优化算法对任务调度问题进行优化，并在该模型下引入种群初始化机制和变邻域搜索算法，加强了模型的全局搜索能力，使得本发明方法能够更精准的实现智能调度任务的最优调度，可以有效防止过早收敛的问题，进一步保证模型在全局领域搜索解的质量，而且适用于大规模的复杂任务调度，可靠性高，实用性好且效率较高。

附图说明

图1为本发明方法的方法流程示意图。

具体实施方式

如图1所示为本发明方法的方法流程示意图：本发明提供的这种基于粒子群优化算法的并行任务调度方法，包括如下步骤：

S1.获取待调度的并行任务的参数信息；

S2.根据步骤S1获取的并行任务参数信息，初始化粒子；具体包括如下步骤：

在初始化种群时，当连续两代种群的多样性Dist低于设定的阈值时，采用正态分布进行随机初始化，以增加种群的多样性；

种群的多样性Dist的计算公式为

式中Popsize为种群的大小，i为当前的代数，

为当前代数的种群中心值，X_i,j为第i代第j个个体的位置；以正态分布进行随机初始化时，正态分布的均值μ为

正态分布的方差σ为

其中X^best为种群全局最优位置，UB为粒子的位置的最大值，LB为粒子的位置的最小值，maxiter为最大迭代次数；

S3.对步骤S2得到的初始化的粒子进行ROV编码；具体包括如下步骤：

对于一个粒子的位置关系，首先将值最小的分量位置赋值为ROV＝1；然后将值次小的分量位置赋值为ROV＝2，并以此类推，直至所有的分量位置均被赋予一个唯一的ROV值，从而得到ROV编码；

由于粒子位置的各个维度有大小次序关系，而ROV正是利用这种次序关系结合随机编码，将粒子的连续位置转换成离散的排序，即任务调度序列，从而计算任务调度序列的完成时间；

为了用粒子群算法解决调度问题，调度序列一般采用位置矢量表示，每个粒子的位置矢量表示一个任务的排序，则一个粒子即是一个调度序列；

S4.根据当前的粒子状态，采用离散粒子群优化算法进行迭代求解；具体包括如下步骤：

A.设置待调度的并行任务的总运行时间最短作为目标函数，并将该目标函数作为适应度函数；

B.采用如下算式作为目标函数的约束条件：

M_i,cpu≤Q_cpu

M_i,m≤Q_m

M_i,st≥M_i,est

M_i,st≤M_i,lst

M_i,st+M_i,rt≤M_i,et

M_i,st≥M_j,ret,j→i

式中M_i,cpu为任务i需要占用的CPU资源值；Q_cpu为队列CPU的资源最大值；M_i,m为任务i需要占用的内存值；Q_m为队列内存的最大值；M_i,st为任务i的实际开始时间；M_i,est为任务i的设定的最早开始时间；M_i,lst为任务i的设定的最晚开始时间；M_i,rt为任务i的实际运行时间；M_i,et为任务i的设定的最晚结束时间；M_j,ret为任务j的实际结束时间；j→i表示任务i依赖任务j，且i≠j；

为k-i个任务并行所需要占用的总的CPU资源值；

为k-i个任务并行所需要占用的总的内存值；

C.在步骤B设定的约束条件下，执行所有任务直至所有任务执行完毕；

D.计算目标函数值，并更新各个粒子的速度和位置；具体包括如下步骤：

a.采用如下规则更新粒子的位置移动方式：

若r＜w，则粒子进行插入变异：改变任务调度的顺序；

若r＜C1，则粒子对自身的极值进行交叉变异：前后两部分顺序的互换；

若r＜C2，则粒子对全局最优解进行交叉变异：整个任务序列的顺序互换；

其中，r为[0,1]随机数；w为设定的惯性因子；C1为设定的粒子的个体学习因子；C2为设定的粒子的社会学习因子；

b.采用如下公式更新粒子的速度和位置：

V’_id＝wV_id+C₁random(0,1)(P_id-X_id)+C₂random(0,1)(P_gd-X_id)

X’_id＝X_id+V’_id

式中V’_id为更新后的粒子的速度；w为设定的惯性因子且为非负值，通过调整惯性因子的大小，可对全局寻优和局部寻优的能力进行调整，w较大时全局寻优能力强且局部寻优能力弱，w较小时局部寻优能力强且全局寻优能力弱；V_id为更新前的粒子的速度；C₁为设定的粒子的个体学习因子，表示个体自身的学习能力；random(0,1)为0～1范围内的一个随机数；P_id为第i个变量的个体极值的第d维；X_id为更新前的粒子的位置；C2为设定的粒子的社会学习因子，表示个体对全局的学习能力；P_gd为全局最优解的第d维；X’_id为更新后的粒子的位置；

c.采用如下规则对更新后的粒子的速度和位置进行修正：

式中X”_id为修正后的粒子的位置；UB为粒子的位置的最大值；LB为粒子的位置的最小值；V”_id为修正后的粒子的速度；V_max为粒子的速度的最大值；V_min为粒子的速度的最小值；

S5.在步骤S4的迭代求解过程中，采用变邻域搜索算法进行优化，从而有利于对全局搜索能力的提高和局部能力之间平衡的改善，从而提高不同领域的搜索得到的解的质量；具体包括如下步骤：

(1)确定邻域结构Ni和初始解S0，同时令全局最优解为S0；

(2)若满足收敛条件则输出最优解，算法停止；否则，进行后续步骤；

(3)对S0进行扰动：随机交换S0的两个不同任务执行顺序，求解目标函数值F；

(4)令变量k＝0，k为动作类型标记；

(5)开始进行变邻域搜索：

将变量S0的值赋值给临时副本S1；临时副本S1是为了方便后续在S1上进行swap和insert操作；

若变量k＝0，则进行操作swap(S1)，并将结果赋值给变量F1；

若变量k＝1，则进行操作insert(S1)，并将结果赋值给变量F1；

若F1＜F，则将变量S1的值赋值给S0，将变量F1的值赋值给F，还将变量k的值修改为0；否则，变量k的值增加1；

(6)搜索结束；

其中，swap操作的定义为：在调度任务序列中随机选择不同的两个位置x和y，把x位置上的任务与y位置上的任务进行交换，同时判断：若交换后目标函数值更优，则结束并返回结果；否则继续进行下一次的交换，直至交换后的目标函数值更优或者所有的位置均交换完毕；insert操作的定义为：随机选择两个不同的位置x和y，把x位置上的任务插入到y位置上的任务前面；

具体实施时，swap(S1)即为交换S1上的x和y的位置，且x和y的取值均为随机数；insert(S1)即为在S1上随机选择两个不同的位置x和y，把x位置上的任务插入到y位置上的任务前面；

S6.达到设定条件，迭代求解过程结束，得到最终的离散粒子群优化算法的最优解；

S7.根据步骤S6得到的最优解，进行并行任务的调度。

Claims (3)

1.一种基于粒子群优化算法的并行任务调度方法，包括如下步骤：

S1.获取待调度的并行任务的参数信息；

S2.根据步骤S1获取的并行任务参数信息，初始化粒子；

S3.对步骤S2得到的初始化的粒子进行ROV编码；

S4.根据当前的粒子状态，采用离散粒子群优化算法进行迭代求解；具体包括如下步骤：

A.设置待调度的并行任务的总运行时间最短作为目标函数，并将该目标函数作为适应度函数；

B.采用如下算式作为目标函数的约束条件：

M_i,cpu≤Q_cpu

M_i,m≤Q_m

M_i,st≥M_i,est

M_i,st≤M_i,lst

M_i,st+M_i,rt≤M_i,et

M_i,st≥M_j,ret,j→i

式中M_i,cpu为任务i需要占用的CPU资源值；Q_cpu为队列CPU的资源最大值；M_i,m为任务i需要占用的内存值；Q_m为队列内存的最大值；M_i,st为任务i的实际开始时间；M_i,est为任务i的设定的最早开始时间；M_i,lst为任务i的设定的最晚开始时间；M_i,rt为任务i的实际运行时间；M_i,et为任务i的设定的最晚结束时间；M_j,ret为任务j的实际结束时间；j→i表示任务i依赖任务j，且i≠j；

为k-i个任务并行所需要占用的总的CPU资源值；

为k-i个任务并行所需要占用的总的内存值；

C.在步骤B设定的约束条件下，执行所有任务直至所有任务执行完毕；

D.计算目标函数值，并更新各个粒子的速度和位置；具体包括如下步骤：

a.采用如下规则更新粒子的位置移动方式：

若r＜w，则粒子进行插入变异：改变任务调度的顺序；

若r＜C1，则粒子对自身的极值进行交叉变异：前后两部分顺序的互换；

若r＜C2，则粒子对全局最优解进行交叉变异：整个任务序列的顺序互换；

其中，r为[0,1]随机数；w为设定的惯性因子；C1为设定的粒子的个体学习因子；C2为设定的粒子的社会学习因子；

b.采用如下公式更新粒子的速度和位置：

V′_id＝wV_id+C₁random(0,1)(P_id-X_id)+C₂random(0,1)(P_gd-X_id)

X′_id＝X_id+V′_id

式中V′_id为更新后的粒子的速度；w为设定的惯性因子；V_id为更新前的粒子的速度；C₁为设定的粒子的个体学习因子；random(0,1)为0～1范围内的一个随机数；P_id为第i个变量的个体极值的第d维；X_id为更新前的粒子的位置；C2为设定的粒子的社会学习因子；P_gd为全局最优解的第d维；X′_id为更新后的粒子的位置；

c.采用如下规则对更新后的粒子的速度和位置进行修正：

式中X″_id为修正后的粒子的位置；UB为粒子的位置的最大值；LB为粒子的位置的最小值；V″_id为修正后的粒子的速度；V_max为粒子的速度的最大值；V_min为粒子的速度的最小值；

S5.在步骤S4的迭代求解过程中，采用变邻域搜索算法进行优化；具体包括如下步骤：

(1)确定邻域结构Ni和初始解S0，同时令全局最优解为S0；

(2)若满足收敛条件则输出最优解，算法停止；否则，进行后续步骤；

(3)对S0进行扰动：随机交换S0的两个不同任务执行顺序，求解目标函数值F；

(4)令变量k＝0，k为动作类型标记；

(5)开始进行变邻域搜索：

将变量S0的值赋值给临时副本S1；

若变量k＝0，则进行操作swap(S1)，并将结果赋值给变量F1；

若变量k＝1，则进行操作insert(S1)，并将结果赋值给变量F1；

若F1＜F，则将变量S1的值赋值给S0，将变量F1的值赋值给F，还将变量k的值修改为0；否则，变量k的值增加1；

(6)搜索结束；

其中，swap操作的定义为：在调度任务序列中随机选择不同的两个位置x和y，把x位置上的任务与y位置上的任务进行交换，同时判断：若交换后目标函数值更优，则结束并返回结果；否则继续进行下一次的交换，直至交换后的目标函数值更优或者所有的位置均交换完毕；insert操作的定义为：随机选择两个不同的位置x和y，把x位置上的任务插入到y位置上的任务前面；

S6.达到设定条件，迭代求解过程结束，得到最终的离散粒子群优化算法的最优解；

S7.根据步骤S6得到的最优解，进行并行任务的调度。

2.根据权利要求1所述的基于粒子群优化算法的并行任务调度方法，其特征在于步骤S2所述的初始化粒子，具体包括如下步骤：

在初始化种群时，当连续两代种群的多样性Dist低于设定的阈值时，采用正态分布进行随机初始化，以增加种群的多样性；

种群的多样性Dist的计算公式为

式中Popsize为种群的大小，i为当前的代数，

为当前代数的种群中心值，X_i,j为第i代第j个个体的位置；以正态分布进行随机初始化时，正态分布的均值μ为

正态分布的方差σ为

其中X^best为种群全局最优位置，UB为粒子的位置的最大值，LB为粒子的位置的最小值，maxiter为最大迭代次数。

3.根据权利要求2所述的基于粒子群优化算法的并行任务调度方法，其特征在于步骤S3所述的对步骤S2得到的初始化的粒子进行ROV编码，具体包括如下步骤：

对于一个粒子的位置关系，首先将值最小的分量位置赋值为ROV＝1；然后将值次小的分量位置赋值为ROV＝2，并以此类推，直至所有的分量位置均被赋予一个唯一的ROV值，从而得到ROV编码。

Images