CN115454612A - 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 - Google Patents

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 Download PDF

Info

Publication number
CN115454612A
CN115454612A CN202211226529.6A CN202211226529A CN115454612A CN 115454612 A CN115454612 A CN 115454612A CN 202211226529 A CN202211226529 A CN 202211226529A CN 115454612 A CN115454612 A CN 115454612A
Authority
CN
China
Prior art keywords
wolf
cost
dimension
dlh
individual
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
CN202211226529.6A
Other languages
English (en)
Inventor
王小凤
孙超
陈思煜
梁璐
田蓉蓉
耿国华
吴昊
王宾
贺小伟
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.)
Northwest University
Original Assignee
Northwest University
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 Northwest University filed Critical Northwest University
Priority to CN202211226529.6A priority Critical patent/CN115454612A/zh
Publication of CN115454612A publication Critical patent/CN115454612A/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
    • G06F9/48—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
    • 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
    • G06F9/50—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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • G06F2009/4557—Distribution of virtual machine instances; Migration and load balancing
    • 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
    • G06F2009/45595—Network integration; Enabling network access in virtual machine instances

Landscapes

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

Abstract

本发明公开了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，包括步骤1、初始化DLH‑GWO算法的各项参数；2、选取执行成本、最大完工时间、等待时间和资源利用率构建多目标优化模型，并计算灰狼个体的适应度，得到表现最好的前三匹狼的位置；3、结合维度学习DLH的搜索策略及前三匹狼的位置，计算出灰狼种群N中其余狼的两个候选更新位置；4、比较两个候选更新位置及灰狼个体当前位置的适应度值，选取更优的位置对灰狼个体进行位置更新；5、对所有灰狼个体执行相同策略的位置调整、选择和更新操作；6、判断第t次迭代是否到达最大迭代次数，若否，则继续下一次搜索，否则输出最优解，平衡了算法的全局和局部搜索能力，提高云平台的可用性。

Description

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
技术领域
本发明属于云计算领域，具体是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。
背景技术
云计算是一种通过网络“云”为用户的需求提供各种解决方案的全新的网络应用技术，其核心概念是以互联网为中心，以云服务为纽带，以用户为最终目标。近年来，云计算随着计算基础设施的扩展，大型、异类和分布式环境中的资源管理成为一项具有挑战性的任务。在云环境中，由于资源的分散性和不确定性，人们经常会遇到由资源异构性和故障等因素带来的资源调配问题。为了提供高效的工作负载和应用程序性能，对云任务资源调度的研究有重要意义。
任务是在资源节点上运行的基本计算单位，多个任务共同构成了作业，所以作业调度需要不同类型的资源和处理能力，调度也有助于用户管理和使用大量的资源。作为NP类难题，调度是指在有限时间内在所有给定任务之间实现最佳资源分配以获得所需服务质量的一种方法。任务调度以一种最小化执行和通信成本的方式将一组工作流分配给多个适当的处理器，即通过将任务映射到适当的资源，以提供优化的解决方案。调度流程的高效运转得益于适当的调度策略，其将一定的任务分配给有限的资源，以优化一个或多个目标。调度策略一般用于找到资源受约束的目标任务的最优解，即明确哪些任务在哪些资源上执行。
调度算法的设计和实现必须考虑多个因素，包括成本、延迟、优先级和能量效率等。研究人员已提出了很多不同的调度策略来提高云计算的性能，其中常用的调度方法包括穷举算法和确定性算法。其中，确定性算法(例如，短作业优先算法、多级反馈队列算法和轮转算法等)相较于穷举法为调度问题提供了更优的方案。但是确定性算法仅适用于数据量较少的情况，对数据量大规模分布的情况处理效果不理想。另一种可用于调度的策略——元启发式算法便可以有效地解决这个问题。元启发式算法大多采用在合理的时间内使用迭代策略实现对任务的优化，在解决复杂性相对较大的问题方面具有很高的效率。很多学者对元启发式算法展开了大规模研究，例如灰狼优化算法、蚁群优化算法、鲸鱼优化算法和海狮优化算法等。以上算法均一定程度的提升了云任务调度的效率及准确性，但在面对更为复杂的调度优化问题时，容易面临种群多样性缺失和陷入局部最优而搜索停滞等诸多问题。
发明内容
针对现有技术存在的不足，本发明的目的是提供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，能够很好的平衡算法的全局和局部搜索能力，提高了云平台的可用性。
为了实现上述目的，本发明采用以下技术方案予以实现：
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，包括以下步骤：
步骤1、初始化DLH-GWO算法的各项参数，使灰狼种群N的位置信息以随机分布状态存储在一个N行D列的矩阵Position中；
步骤2、选取执行成本Execution Cost、最大完工时间MakeSpan、等待时间WaitTime和资源利用率Utilization构建多目标优化模型，自定义多目标适应度函数为：
F＝min{Execution Cost，Makespan，WaitTime}+max{Utilization} (1)
根据公式(1)计算灰狼个体的适应度，得到表现最好的前三匹狼的位置信息Xα、Xβ和Xδ；
步骤3、结合基于维度学习DLH的搜索策略及前三匹狼的位置信息Xα、Xβ和Xδ，分别计算出灰狼种群N中其余狼的两个候选更新位置，在DLH搜索策略中，灰狼Xi(t)的新位置的每个维度表示为：
Xi-DLH(t+1)＝Xi，d(t)+rand×(Xn，d(t)-Xr，d(t)) (2)
式中，Xn，d(t)表示Xi(t)所相邻的灰狼的第d维度，Xr，d(t)表示从矩阵Position中随机选取的灰狼的第d维度，Xi-DLH(t+1)表示DLH搜索策略为灰狼Xi(t)生成的一个新的候选位置的第d维度；
Xn，d(t)表示在Xi(t)的邻域Ni(t)中随机选择，邻域Ni(t)表示为：
Ni(t)＝{Xj(t)|Di(Xi(t)，Xj(t))≤Ri(t)，Xj(t)∈Q} (3)
式中，Di为Xi(t)和Xj(t)之间的欧几里得距离，Ri(t)为邻域半径，其表达式为：
Ri(t)＝||Xi(t)-Xi-GWO(t+1)|| (4)
式中，Xi-GWO位置搜索定义为：
Figure BDA0003880102330000031
Figure BDA0003880102330000032
Figure BDA0003880102330000033
式中，Dα、Dβ和Dδ分别表示ω狼与α狼、β狼和δ狼之间的距离，
Figure BDA0003880102330000034
Figure BDA0003880102330000035
和
Figure BDA0003880102330000036
为系数向量，用以控制灰狼个体搜索猎物时的发散程度，
Figure BDA0003880102330000037
代表w狼的位置信息，
Figure BDA0003880102330000038
和
Figure BDA0003880102330000039
分别表示α狼、β狼和δ狼的位置信息，
Figure BDA00038801023300000310
和
Figure BDA00038801023300000311
表示灰狼个体分别受到α狼、β狼和δ狼单独影响所做出的位置更新；
步骤4、比较两个候选更新位置Xi-GWO(t+1)和Xi-DLH(t+1)及灰狼个体当前位置的适应度值，选取更优的位置对灰狼个体进行位置更新，表示为：
Figure BDA00038801023300000312
Figure BDA00038801023300000313
步骤5、重复步骤2～步骤4，对所有灰狼个体执行相同策略的位置调整、选择和更新操作；
步骤6、判断第t次迭代是否到达最大迭代次数Maxiter，若t＜Maxiter，则返回步骤2继续下一次搜索过程；否则，输出最优解。
进一步地，所述步骤1的参数包括灰狼种群N中灰狼个体的位置信息、最大迭代次数Maxiter、系数向量
Figure BDA0003880102330000041
和
Figure BDA0003880102330000042
及收敛因子a，其中：
所述灰狼种群N随机分布在给定的搜索空间矩阵Position中，灰狼个体的位置分布遵循：
Xij＝lj+randj[0，1]×(uj-lj)，i∈[1，N]，j∈[1，D] (10)
第t次迭代中第i只狼的位置用实质向量表示为：
Xi(t)＝{xi1，xi2，...，xiD} (11)
公式(10)和(11)中，uj和lj表示灰狼个体每一维度搜寻范围的上下限；randj[0，1]表示取0～1的随机数；D表示任务数量，即问题的维数，每次迭代过后，整个矩阵Position的信息都会更新并表示更优的寻解状态；
所述系数向量
Figure BDA0003880102330000043
和
Figure BDA0003880102330000044
用于模拟狼群分开寻找猎物并随后包围攻击的发散现象，当|C|＞1或|A|＞1时，探索全局搜索空间；当|C|＜1或|A|＜1时会探索灰狼与猎物之间的局部搜索空间，系数向量
Figure BDA0003880102330000045
和
Figure BDA0003880102330000046
分别定义为：
Figure BDA0003880102330000047
Figure BDA0003880102330000048
公式(12)和(13)中，
Figure BDA0003880102330000049
和
Figure BDA00038801023300000410
为0到1的随机数，
Figure BDA00038801023300000411
在迭代过程中，其内部元素非线性收敛因子a表示为：
Figure BDA00038801023300000412
进一步地，所述步骤2中的最大完工时间MakeSpan定义为：
Figure BDA00038801023300000413
式中，ETCij定义为：
Figure BDA00038801023300000414
公式(15)和(16)中，D表示虚拟机的数量，L表示相应虚拟机分配到的任务数量，ETCij表示在虚拟机j上运行任务i的时间，MI表示云任务长度，MIPS表示单字长定点指令平均执行速度；
等待时间WaitTime定义为：
WaitTime＝Max(WaitTime，WaitTime+ETCij+commTime) (17)
执行成本Execution Cost定义为：
Execution Cost＝ε*Cost1+μ*Cost2+ρ*Cost3 (18)
Cost1＝ETCij·ETCijCost (19)
Cost2＝commTime·commCost (20)
Cost3＝waitTime·waitCost (21)
Figure BDA0003880102330000051
公式(18)中，ε+μ+ρ＝1；公式(19)中的ETCijCost表示自定义运行任务成本；公式(20)中的commCost表示自定义通信时间成本；公式(21)中的waitCost表示自定义等待成本；公式(22)中，i表示云任务编号，outputFile表示输出文件大小，dataTransfer表示云任务传输速度。
进一步地，所述步骤3还包括灰狼包围猎物的行为，定义为：
Figure BDA0003880102330000052
Figure BDA0003880102330000053
式中，
Figure BDA0003880102330000054
表示猎物的位置向量，
Figure BDA0003880102330000055
表示灰狼个体的位置向量，t表示当前的迭代次数；
Figure BDA0003880102330000056
表示灰狼个体与猎物之间的距离，
Figure BDA0003880102330000057
表示灰狼个体每次迭代更新的位置。
本发明与现有技术相比，具有如下技术效果：
本发明引入基于维度学习DLH的狩猎策略，充分发挥灰狼个体的狩猎能力，其中，DLH策略通过增加维度，使得其比其他算法具有更快的收敛速度，通过使用基于邻域随机位置选择的方案，增强了其局部搜索的能力。同时，基于对邻域的维度学习，使得全局探索和局部寻优之间较为平衡，可以避免局部最优，进而广泛地探索搜索空间。可见，本发明设计的基于GWO的搜索策略和DLH搜索策略的云平台任务调度方法进一步增强了勘探和开发之间的平衡，并避免了局部最优，降低任务完成时间和成本，并提高了虚拟机的资源利用率，能够很好的平衡算法的全局和局部搜索能力，提高了云平台的可用性。
在初始化过程中使用随机初始化，增加了种群的多样性；在迭代过程中，使用非线性变化的收敛因子对实际的搜索和开发情况进行充分拟合，从而获得更好的寻优效果。
附图说明
图1是本发明流程图；
图2是本发明的云任务调度框架图；
图3是本发明的收敛因子非线性变化图；
具体实施方式
以下结合实施例对本发明的具体内容做进一步详细解释说明。
本实施例的实验环境为windows10 64位操作系统，
Figure BDA0003880102330000061
CoreTM i7-6700 CPU@3.40GHz 3.41GHz处理器，8GB内存；云计算环境采用CloudSim框架，它是澳大利亚墨尔本大学的网格实验室和Gridbus项目宣布推出的云计算仿真软件，提供了云计算的特性，支持云计算的资源管理和调度模拟，被广泛使用在云平台的模拟实验中。本发明使用CloudSim5.0仿真软件进行测试实验，并在相同条件下与基准的灰狼优化算法(GWO)和改进的均值灰狼优化算法(MGWO)进行对比实验，采用MakeSpan、Utilization和Execution Cost 3个评价指标评估本文提出方法的性能。
如图1和图2所示，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，包括如下步骤：
步骤1、初始化DLH-GWO算法的各项参数，包括种群中灰狼个体的位置信息Xi、最大迭代次数Maxiter、系数向量
Figure BDA0003880102330000062
和
Figure BDA0003880102330000063
及收敛因子a；其中：
所述灰狼种群N随机分布在给定的搜索空间矩阵Position中，灰狼个体的位置分布遵循：
Xij＝lj+randj[0，1]×(uj-lj)，i∈[1，N]，j∈[1，D] (10)
第t次迭代中第i只狼的位置用实质向量表示为：
Xi(t)＝{xi1，xi2，...，xiD} (11)
公式(10)和(11)中，uj和lj表示灰狼个体每一维度搜寻范围的上下限；randj[0，1]表示取0～1的随机数；D表示任务数量，即问题的维数，每次迭代过后，整个矩阵Position的信息都会更新并表示更优的寻解状态；
所述系数向量
Figure BDA0003880102330000071
和
Figure BDA0003880102330000072
用于模拟狼群分开寻找猎物并随后包围攻击的发散现象，当|C|＞1或|A|＞1时，探索全局搜索空间；当|C|＜1或|A|＜1时会探索灰狼与猎物之间的局部搜索空间，系数向量
Figure BDA0003880102330000073
和
Figure BDA0003880102330000074
分别定义为：
Figure BDA0003880102330000075
Figure BDA0003880102330000076
公式(12)和(13)中，
Figure BDA0003880102330000077
和
Figure BDA0003880102330000078
为0到1的随机数，
Figure BDA00038801023300000712
在迭代过程中，其内部元素非线性收敛因子a表示为：
Figure BDA0003880102330000079
步骤2、自定义适应度函数，选取执行成本Execution Cost、最大完工时间MakeSpan、等待时间WaitTime和资源利用率Utilization构建多目标优化模型，自定义多目标适应度函数为：
F＝min{Execution Cost，Makespan，Waiting time}+max{Utilization} (1)
所述最大完成时间(MakeSpan)定义为：
Figure BDA00038801023300000710
式中，ETCij定义为：
Figure BDA00038801023300000711
公式(15)和(16)中，D表示虚拟机的数量，L表示相应虚拟机分配到的任务数量，ETCij表示在虚拟机j上运行任务i的时间，MI表示云任务长度，MIPS表示单字长定点指令平均执行速度；
等待时间WaitTime定义为：
WaitTime＝Max(WaitTime，waitTime+ETCij+commTime) (17)
执行成本Execution Cost定义为：
Execution Cost＝ε*Cost1+μ*Cost2+ρ*Cost3 (18)
Cost1＝ETCij·ETCijCost (19)
Cost2＝commTime·commCost (20)
Cost3＝waitTime·waitCost (21)
Figure BDA0003880102330000081
公式(18)中，ε+μ+ρ＝1；公式(19)中的ETCijCost表示自定义运行任务成本；公式(20)中的commCost表示自定义通信时间成本；公式(21)中的waitCost表示自定义等待成本；公式(22)中，i表示云任务编号，outputFile表示输出文件大小，dataTransfer表示云任务传输速度；
步骤3、结合基于维度学DLH的搜索策略及前三匹狼的位置信息X、X和X，分别计算出灰狼种群N中其余狼的两个候选更新位置，具体包括包围猎物和DLH搜索位置改进，其中：
灰狼包围猎物的行为，定义为：
Figure BDA0003880102330000082
Figure BDA0003880102330000083
式中，
Figure BDA0003880102330000084
表示猎物的位置向量，
Figure BDA0003880102330000085
表示灰狼个体的位置向量，t表示当前的迭代次数；
Figure BDA0003880102330000086
表示灰狼个体与猎物之间的距离，
Figure BDA0003880102330000087
表示灰狼个体每次迭代更新的位置；
在DLH搜索策略中，灰狼Xi(t)的新位置的每个维度表示为：
Xi-DLH(t+1)＝Xi，d(t)+rand×(Xn，d(t)-Xr，d(t)) (2)
式中，Xn，d(t)表示Xi(t)所相邻的灰狼的第d维度，Xr，d(t)表示从矩阵Position中随机选取的灰狼的第d维度，Xi-DLH(t+1)表示DLH搜索策略为灰狼Xi(t)生成的一个新的候选位置的第d维度；
Xn，d(t)bioassay在Xi(t)的邻域Ni(t)中随机选择，邻域Ni(t)表示为：
Ni(t)＝{Xj(t)|Di(Xi(t)，Xj(t))≤Ri(t)，Xj(t)∈Q} (3)
式中，Di为Xi(t)和Xj(t)之间的欧几里得距离，Ri(t)为邻域半径，其表达式为：
Ri(t)＝||Xi(t)-Xi-GWO(t+1)|| (4)
式中，Xi-GWO位置搜索定义为：
Figure BDA0003880102330000091
Figure BDA0003880102330000092
Figure BDA0003880102330000093
式中，Dα、Dβ和Dδ分别表示ω狼与α狼、β狼和δ狼之间的距离；
Figure BDA0003880102330000094
Figure BDA0003880102330000095
和
Figure BDA0003880102330000096
为系数向量，用以控制灰狼个体搜索猎物时的发散程度；
Figure BDA0003880102330000097
代表w狼的位置信息，
Figure BDA0003880102330000098
和
Figure BDA0003880102330000099
分别表示α狼、β狼和δ狼的位置信息；
Figure BDA00038801023300000910
和
Figure BDA00038801023300000911
表示灰狼个体分别受到α狼、β狼和δ狼单独影响所做出的位置更新；
步骤4、比较两个候选更新位置Xi-GWO(t+1)和Xi-DLH(t+1)及灰狼个体当前位置的适应度值，选取更优的位置对灰狼个体进行位置更新，表示为：
Figure BDA00038801023300000912
Figure BDA00038801023300000913
步骤5、重复步骤2～步骤4，对所有灰狼个体执行相同策略的位置调整、选择和更新操作；
步骤6、判断第t次迭代是否到达最大迭代次数Maxiter，若t＜Maxiter，则返回步骤2继续下一次搜索过程；否则，输出最优解。
本实施例模拟在云平台实际使用环境中具有不同数量云任务和虚拟机的情况，实验中云任务数量分别为50、100、150、200、250和300，针对这些不同数量的任务，虚拟机数量分别为4、8和12时的算法效果，仿真实验结果取相同条件下的十次平均值，并与基准算法进行对比。结果表明随着云任务数量的增加以及虚拟机数量的改变，本发明提出的基于维度学习策略和灰狼优化的云平台任务调度方法的结果均优于基准算法，结果如表1～3所示。
表1 DLH-GWO算法与基准算法在最大完成时间上的对比结果
Figure BDA0003880102330000101
表2 DLH-GWO算法与基准算法在执行成本上的对比结果
Figure BDA0003880102330000102
表3 DLH-GWO算法与基准算法在资源利用率上的对比结果
Figure BDA0003880102330000111
由表1～表3的对于三个评价指标(执行成本Execution Cost、最大完工时间Makespan和资源利用率Utilization)所展示的结果可知，本发明提出的方法在最大完成时间、执行成本和虚拟机的资源利用率上相较其他方法具有更好的调度性能，在降低最大完成时间的同时，又降低了成本，可以很好地节约云资源。同时，本发明提高了全局寻优能力，能够在优化过程中充分地利用资源，得到云任务与虚拟机之间的最佳映射关系，并且可以适应不同量级的云平台，综合性能更好。

Claims (4)

1.一种基于维度学习策略和灰狼优化的云平台任务调度方法，其特征在于，具体包括以下步骤：
步骤1、初始化DLH-GWO算法的各项参数，使灰狼种群N的位置信息以随机分布状态存储在一个N行D列的矩阵Position中；
步骤2、选取执行成本Execution Cost、最大完工时间MakeSpan、等待时间WaitTime和资源利用率Utilization构建多目标优化模型，自定义多目标适应度函数为：
F＝min{Execution Cost,Makespan,WaitTime}+max{Utilization} (1)
根据公式(1)计算灰狼个体的适应度，得到表现最好的前三匹狼的位置信息Xα、Xβ和Xδ；
步骤3、结合基于维度学习DLH的搜索策略及前三匹狼的位置信息Xα、Xβ和Xδ，分别计算出灰狼种群N中其余狼的两个候选更新位置，在DLH搜索策略中，灰狼Xi(t)的新位置的每个维度表示为：
Xi-DLH(t+1)＝Xi,d(t)+rand×(Xn,d(t)-Xr,d(t)) (2)
式中，Xn,d(t)表示Xi(t)所相邻的灰狼的第d维度，Xr,d(t)表示从矩阵Position中随机选取的灰狼的第d维度，Xi-DLH(t+1)表示DLH搜索策略为灰狼Xi(t)生成的一个新的候选位置的第d维度；
Xn,d(t)表示在Xi(t)的邻域Ni(t)中随机选择，邻域Ni(t)表示为：
Ni(t)＝{Xj(t)|Di(Xi(t),Xj(t))≤Ri(t),Xj(t)∈Q} (3)
式中，Di为Xi(t)和Xj(t)之间的欧几里得距离，Ri(t)为邻域半径，其表达式为：
Ri(t)＝||Xi(t)-Xi-GWO(t+1)|| (4)
式中，Xi-GWO位置搜索定义为：
Figure FDA0003880102320000011
Figure FDA0003880102320000021
Figure FDA0003880102320000022
式中，Dα、Dβ和Dδ分别表示ω狼与α狼、β狼和δ狼之间的距离，
Figure FDA0003880102320000023
Figure FDA0003880102320000024
和
Figure FDA0003880102320000025
为系数向量，用以控制灰狼个体搜索猎物时的发散程度，
Figure FDA0003880102320000026
代表w狼的位置信息，
Figure FDA0003880102320000027
和
Figure FDA0003880102320000028
分别表示表示α狼、β狼和δ狼的位置信息，
Figure FDA0003880102320000029
Figure FDA00038801023200000210
和
Figure FDA00038801023200000211
表示灰狼个体分别受到α狼、β狼和δ狼单独影响所做出的位置更新；
步骤4、比较两个候选更新位置Xi-GWO(t+1)和Xi-DLH(t+1)及灰狼个体当前位置的适应度值，选取更优的位置对灰狼个体进行位置更新，表示为：
Figure FDA00038801023200000212
Figure FDA00038801023200000213
步骤5、重复步骤2～步骤4，对所有灰狼个体执行相同策略的位置调整、选择和更新操作；
步骤6、判断第t次迭代是否到达最大迭代次数Maxiter，若t<Maxiter，则返回步骤2继续下一次搜索过程；否则，输出最优解。
2.根据权利要求1所述的基于维度学习策略和灰狼优化的云平台任务调度方法，其特征在于，所述步骤1的参数包括灰狼种群N中灰狼个体的位置信息、最大迭代次数Maxiter、系数向量
Figure FDA00038801023200000214
和
Figure FDA00038801023200000215
及收敛因子a，其中：
所述灰狼种群N随机分布在给定的搜索空间矩阵Position中，灰狼个体的位置分布遵循：
Xij＝lj+randj[0,1]×(uj-lj),i∈[1,N],j∈[1,D] (10)
第t次迭代中第i只狼的位置用实质向量表示为：
Xi(t)＝{xi1,xi2,…,xiD} (11)
公式(10)和(11)中，uj和lj表示灰狼个体每一维度搜寻范围的上下限；randj[0,1]表示取0～1的随机数；D表示任务数量，即问题的维数，每次迭代过后，整个矩阵Position的信息都会更新并表示更优的寻解状态；
所述系数向量
Figure FDA0003880102320000031
和
Figure FDA0003880102320000032
用于模拟狼群分开寻找猎物并随后包围攻击的发散现象，当|C|>1或|A|>1时，探索全局搜索空间；当|C|<1或|A|<1时会探索灰狼与猎物之间的局部搜索空间，系数向量
Figure FDA0003880102320000033
和
Figure FDA0003880102320000034
分别定义为：
Figure FDA0003880102320000035
Figure FDA0003880102320000036
公式(12)和(13)中，
Figure FDA0003880102320000037
和
Figure FDA0003880102320000038
为0到1的随机数，
Figure FDA0003880102320000039
在迭代过程中，其内部元素非线性收敛因子a表示为：
Figure FDA00038801023200000310
3.根据权利要求2所述的基于维度学习策略和灰狼优化的云平台任务调度方法，其特征在于，所述步骤2中的最大完工时间MakeSpan定义为：
Figure FDA00038801023200000311
式中，ETCij定义为：
Figure FDA00038801023200000312
公式(15)和(16)中，D表示虚拟机的数量，L表示相应虚拟机分配到的任务数量，ETCij表示在虚拟机j上运行任务i的时间，MI表示云任务长度，MIPS表示单字长定点指令平均执行速度；
等待时间WaitTime定义为：
WaitTime＝Max(WaitTime,waitTime+ETCij+commTime) (17)
执行成本Execution Cost定义为：
Execution Cost＝ε*Cost1+μ*Cost2+ρ*Cost3 (18)
Cost1＝ETCij·ETCijCost (19)
Cost2＝commTime·commCost (20)
Cost3＝waitTime·waitCost (21)
Figure FDA0003880102320000041
公式(18)中，ε+μ+ρ＝1；公式(19)中的ETCijCost表示自定义运行任务成本；公式(20)中的commCost表示自定义通信时间成本；公式(21)中的waitCost表示自定义等待成本；公式(22)中，i表示云任务编号，outputFile表示输出文件大小，dataTransfer表示云任务传输速度。
4.根据权利要求3所述的基于维度学习策略和灰狼优化的云平台任务调度方法，其特征在于，所述步骤3还包括灰狼包围猎物的行为，定义为：
Figure FDA0003880102320000042
Figure FDA0003880102320000043
式中，
Figure FDA0003880102320000044
表示猎物的位置向量，
Figure FDA0003880102320000045
表示灰狼个体的位置向量，t表示当前的迭代次数；
Figure FDA0003880102320000046
表示灰狼个体与猎物之间的距离，
Figure FDA0003880102320000047
表示灰狼个体每次迭代更新的位置。
CN202211226529.6A 2022-10-09 2022-10-09 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 Pending CN115454612A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211226529.6A CN115454612A (zh) 2022-10-09 2022-10-09 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211226529.6A CN115454612A (zh) 2022-10-09 2022-10-09 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

Publications (1)

Publication Number Publication Date
CN115454612A true CN115454612A (zh) 2022-12-09

Family

ID=84307975

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211226529.6A Pending CN115454612A (zh) 2022-10-09 2022-10-09 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

Country Status (1)

Country Link
CN (1) CN115454612A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115994487A (zh) * 2023-01-17 2023-04-21 安徽建筑大学 一种基于改进灰狼优化算法的供水管网漏损定位方法
CN116415739A (zh) * 2023-05-29 2023-07-11 广东电网有限责任公司湛江供电局 一种光伏功率短期预测方法及相关装置
CN116432687A (zh) * 2022-12-14 2023-07-14 江苏海洋大学 一种群体智能算法优化方法
CN117452828A (zh) * 2023-12-22 2024-01-26 中电行唐生物质能热电有限公司 基于神经网络的锅炉有害气体排放控制方法及系统

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116432687A (zh) * 2022-12-14 2023-07-14 江苏海洋大学 一种群体智能算法优化方法
CN115994487A (zh) * 2023-01-17 2023-04-21 安徽建筑大学 一种基于改进灰狼优化算法的供水管网漏损定位方法
CN115994487B (zh) * 2023-01-17 2023-10-03 安徽建筑大学 一种基于改进灰狼优化算法的供水管网漏损定位方法
CN116415739A (zh) * 2023-05-29 2023-07-11 广东电网有限责任公司湛江供电局 一种光伏功率短期预测方法及相关装置
CN117452828A (zh) * 2023-12-22 2024-01-26 中电行唐生物质能热电有限公司 基于神经网络的锅炉有害气体排放控制方法及系统
CN117452828B (zh) * 2023-12-22 2024-03-01 中电行唐生物质能热电有限公司 基于神经网络的锅炉有害气体排放控制方法及系统

Similar Documents

Publication Publication Date Title
Chen et al. A WOA-based optimization approach for task scheduling in cloud computing systems
CN108182115B (zh) 一种云环境下的虚拟机负载均衡方法
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
Liu et al. Deadline‐constrained coevolutionary genetic algorithm for scientific workflow scheduling in cloud computing
Zade et al. SAEA: A security-aware and energy-aware task scheduling strategy by Parallel Squirrel Search Algorithm in cloud environment
Wang et al. Load balancing task scheduling based on genetic algorithm in cloud computing
Alkayal et al. Efficient task scheduling multi-objective particle swarm optimization in cloud computing
CN113627871B (zh) 一种基于多目标粒子群算法的工作流调度方法、系统及存储介质
He et al. AMTS: Adaptive multi-objective task scheduling strategy in cloud computing
Mousavi et al. Dynamic resource allocation in cloud computing
CN109634742B (zh) 一种基于蚁群算法的时间约束科学工作流优化方法
CN103631657A (zh) 一种基于MapReduce的任务调度算法
Xiao et al. A cooperative coevolution hyper-heuristic framework for workflow scheduling problem
CN112685138B (zh) 云环境下基于多种群混合智能优化的多工作流调度方法
Tong et al. DDQN-TS: A novel bi-objective intelligent scheduling algorithm in the cloud environment
Natesan et al. Optimal task scheduling in the cloud environment using a mean grey wolf optimization algorithm
Chen et al. Scheduling independent tasks in cloud environment based on modified differential evolution
Elsedimy et al. MOTS‐ACO: An improved ant colony optimiser for multi‐objective task scheduling optimisation problem in cloud data centres
CN117032902A (zh) 一种基于负载的改进离散粒子群算法的云任务调度方法
Samriya et al. Spider monkey optimization based energy-efficient resource allocation in cloud environment
Awad et al. A swarm intelligence-based approach for dynamic data replication in a cloud environment
Chalack et al. Resource allocation in cloud environment using approaches based particle swarm optimization
CN117850999A (zh) 一种基于图神经网络的异构计算平台任务调度方法
Malti et al. Multi‐objective task scheduling in cloud computing
Yi et al. Research on scheduling of two types of tasks in multi-cloud environment based on multi-task optimization algorithm

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