CN117251280A - 一种云资源负载均衡调度方法、装置、设备及介质 - Google Patents

Abstract

本发明公开了一种云资源负载均衡调度方法、装置、设备及介质，涉及优化计算和资源调度的交叉应用技术领域，方法包括步骤1：初始化蜜獾算法超参数，随机初始化种群位置并计算各个个体适应度值；步骤2：建立蜜獾算法，生成控制因子和气味强度；该云资源负载均衡调度方法、装置、设备及介质，通过设置初始化模块、适应度计算模块、蜜獾算法模型模块、局部优化模块、参数调节模块、探索模式模块、开发模式模块、虚拟机，实现修改自适应参数和添加复合随机因子可以扩大种群搜索范围，大大提高算法随机性；同时，算法中的种群位置更新机制结合个体位置信息和种群整体信息自适应调整搜索范围，降低其陷入局部最优解的概率。

Description

一种云资源负载均衡调度方法、装置、设备及介质

技术领域

本发明涉及优化计算和资源调度的交叉应用技术领域，具体涉及一种云资源负载均衡调度方法、装置、设备及介质。

背景技术

当服务器接收多个任务时，需要查询资源池。根据任务所需消耗资源情况从记录池中找到合适的机器并同时更新资源池。墨尔本大学设计了一个资源负载模拟平台CloudSim。该平台由两阶段组成，虚拟机映射过程和任务映射过程。虚拟机映射过程由平台提供，需要平台模拟出所有可用硬件的虚拟机。虚拟机与硬件之间存在一对一、一对多和多对多等关系，通过平台控制便可将硬件的执行权将转移到虚拟机中。在任务映射过程中，根据任务规格所要求的并发数、内存大小和存储空间选择一个或多个虚拟机。

元启发式算法通过模拟自然界中某些特定现象有效实现优化任务，自20世纪60年代遗传算法提出并广泛应用于数值优化和工程问题求解。蜜獾算法是一种新型元启发式算法，其灵感来源于蜜獾觅食行为，包含追踪和定位两个过程。在能源管理系统和燃料电池模型优化都有应用。

基于上述现有技术，现有的标准蜜獾算法存在缺乏跳出局部解的策略，且严重依赖参数的问题。

发明内容

本发明的目的是提供一种云资源负载均衡调度方法、装置、设备及介质，以解决现有技术中的上述不足之处。

为了实现上述目的，本发明提供如下技术方案：一种云资源负载均衡调度方法，包括以下步骤：

步骤1：初始化蜜獾算法超参数，随机初始化种群位置并计算各个个体适应度值；

步骤2：建立蜜獾算法，生成控制因子和气味强度；

步骤3：使用局部优化方法优化蜜獾算法；

步骤4：引入随机参数和复合随机因子到蜜獾算法；

步骤5：设置探索模式，执行探索任务，并计算种群个体适应度值，同时更新最优个体和最差个体的位置；

步骤6：设置开发模式，执行开发任务，并计算种群适应度值，同时更新最优个体和最差个体的位置；

步骤7：根据个体适应度值对种群个体进行排序；

步骤8：记录全局最优值，并判断是否满足算法终止条件，若不满足条件，则返回步骤2，否则输出最优位置和最优值。

进一步的，所述步骤1中适应度值具体计算步骤为：使用标准差评估各个虚拟机的负载分配，用线性加权得到整体虚拟机剩余内存空间大小、剩余可用并发数和剩余存储空间大小负载情况；

适应度值fitness的计算函数为：

fitness＝std(FMS)+std(RAC)+std(FSS)

其中，USM为虚拟机内存已使用空间，NCU为虚拟机已使用并发数，USS为虚拟机已使用存储空间，TSM_i为第i个任务消耗内存大小，TCU_i为第i个任务并发数，TSS_i为第i个任务消耗存储空间，TMS为任务消耗内存大小，TAC为虚拟机已使用并发数，FMS为虚拟机剩余内存空间，RAC为虚拟机剩余可用并发数，FSS为虚拟机剩余存储空间大小，m为虚拟机的数量，std()为标准差函数。

进一步的，所述步骤2中生成控制因子和气味强度的公式为：

A₂＝A₁×(2×r₄-1),r₄＝rand(0,1)

d_i＝x_prey-x_i,r₁∈(0,1)

其中，A₁、A₂为控制因子，I_i为气味强度，i∈[1,N]，N为种群规模，x_prey表示最优个体，x_i表示当前个体，d_i表示当前个体与最优个体的距离，S为所有个体的集中强度，且气味强度I_i与S成正比，与d_i成反比。

进一步的，所述局部优化方法用于均衡两个虚拟机负载情况，局部优化方法包括任务转移和任务置换；

所述任务转移为：从负载最大的虚拟机中随机选择一个任务添加至负载最小的虚拟机；

所述任务置换为：从负载最大的虚拟机中选择消耗资源最小的任务和负载最小的虚拟机中资源最大的任务进行置换。

进一步的，所述随机参数和复合随机因子通过以下公式引入：

A₂＝A₁×(2×r₄-1),r₄＝rand(0,1)，

M₁＝A₂×A₁×x_i

M₂＝(r₅-A₁)×x_rand

M₃＝A₂×[A₂×(x_i-x_randi)+r₆×(x_i-x_randi)]

x_randi＝x_i-x_rand,{r₅,r₆}∈(0,1)，

其中，t为当前搜索，T_max为最大搜索次数，r₃,r₄,r₅,r₆是(0，1)之间均匀分布随机数，A₁的取值区间为(0，2)，A₂的取值范围为(-2，2)，将A₁和A₂作为自适应参数，用于扩大种群的搜索空间，x_rand表示种群中任意个体，x_randi用于模糊表示种群分布情况，M₁为当前个体x_i的变异个体，M₂代表种群随机状态，M₃反映群体位置相对x_i的距离，对于x_i、x_rand、x_randi，M₁到M₃的参数取值范围与系数相关，依次为和/>

进一步的，所述探索模式通过以下公式执行探索任务：

g(x_i)＝|cos(2π×r₆)×[1-cos(2π×r₇)]|×F×r₈×A₂×d_i+F×β×I×x_prey

{r₅,r₆,r₇,r₈}∈(0,1)，

其中，当种群个体在搜索空间内分布较均匀时，x_rand与当前个体x_i的距离d_i较大，两者差值可以表示种群分散在较广的搜索范围；当种群较聚集时距离d_i较小，两者差值表示个体在邻域附近搜索，用于通过参数d_i动态调整种群搜索范围。

进一步的，所述开发模式通过以下公式执行开发任务：

r₆＝2×r+1,r∈(0,1)，

其中，x_mean表示种群平均位置信息，h是服从正态分布的随机数服从均值为0方差为1的分布规律，r₆是区间(-1，1)之间均匀分布随机数，在上式中，当自适应参数A₁＞0.8时，开发过程同时依赖x_mean、x_prey和x_i；当A₁≤0.8时，搜索过程依赖x_prey和x_i。

一种云资源负载均衡调度装置，包括初始化模块、适应度计算模块、蜜獾算法模型模块、局部优化模块、参数调节模块、探索模式模块、开发模式模块、算法确认模块、虚拟机；

所述初始化模块与蜜獾算法模型模块连接，用于初始化设置蜜獾算法超参数和种群位置；

所述适应度计算模块与虚拟机连接，用于获取虚拟机参数，计算适应度值；

所述蜜獾算法模型模块内储存有蜜獾算法；

所述局部优化模块与虚拟机和适应度计算模块连接，用于获取适应度计算模块计算结果，根据计算结果进行控制虚拟机进行任务转移和任务置换；

所述参数调节模块与蜜獾算法模型模块连接，用于引入随机参数和复合随机因子到蜜獾算法中；

所述探索模式模块与蜜獾算法模型模块连接，用于执行探索任务，并调用适应度计算模块计算种群个体适应度值，同时更新最优个体和最差个体的位置；

所述开发模式模块与蜜獾算法模型模块连接，用于执行开发任务，并调用适应度计算模块计算种群适应度值，同时更新最优个体和最差个体；

所述算法确认模块用于根据个体适应度值对种群个体进行排序，记录全局最优值，并判断是否满足算法终止条件，满足则输出最优位置和最优值。

一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行程序时实现一种云资源负载均衡调度方法。

一种存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现一种云资源负载均衡调度方法。

1、与现有技术相比，本发明提供的一种云资源负载均衡调度方法、装置、设备及介质，通过设置初始化模块、适应度计算模块、蜜獾算法模型模块、局部优化模块、参数调节模块、探索模式模块、开发模式模块、虚拟机，实现修改自适应参数和添加复合随机因子可以扩大种群搜索范围，大大提高算法随机性；同时，算法中的种群位置更新机制结合个体位置信息和种群整体信息自适应调整搜索范围，降低其陷入局部最优解的概率。

2、与现有技术相比，本发明提供的一种云资源负载均衡调度方法、装置、设备及介质，通过探索模式模块、开发模式模块、算法确认模块、虚拟机，采用精英策略将每次迭代过程中产生的新个体和原始个体进行适应度函数值比较，从而可保留具有优势的个体位置并更新群体位置。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的简化的云平台资源分配模型示意图；

图2为本发明实施例提供的任务转移过程示意图；

图3为本发明实施例提供的任务置换过程示意图；

图4为本发明实施例提供的本发明具体实施流程图；

图5为本发明实施例提供的装置结构框图。

具体实施方式

为了使本领域的技术人员更好地理解本发明的技术方案，下面将结合附图对本发明作进一步的详细介绍。

在下文中将参考附图更充分地描述示例实施例，但是所述示例实施例可以以不同形式来体现且不应当被解释为限于本文阐述的实施例。反之，提供这些实施例的目的在于使本公开透彻和完整，并将使本领域技术人员充分理解本公开的范围。此外，术语"第一"、"第二"仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有"第一"、"第二"的特征可以明示或者隐含地包括一个或者更多个所述特征。在本发明的描述中，"多个"的含义是两个或两个以上，除非另有明确具体的限定。此外，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

在不冲突的情况下，本公开各实施例及实施例中的各特征可相互组合。

如本文所使用的，术语“和/或”包括一个或多个相关列举条目的任何和所有组合。

本文所使用的术语仅用于描述特定实施例，且不意欲限制本公开。如本文所使用的，单数形式“一个”和“该”也意欲包括复数形式，除非上下文另外清楚指出。还将理解的是，当本说明书中使用术语“包括”和/或“由……制成”时，指定存在所述特征、整体、步骤、操作、元件和/或组件，但不排除存在或添加一个或多个其它特征、整体、步骤、操作、元件、组件和/或其群组。

本文所述实施例可借助本公开的理想示意图而参考平面图和/或截面图进行描述。因此，可根据制造技术和/或容限来修改示例图示。因此，实施例不限于附图中所示的实施例，而是包括基于制造工艺而形成的配置的修改。因此，附图中例示的区具有示意性属性，并且图中所示区的形状例示了元件的区的具体形状，但并不旨在是限制性的。

除非另外限定，否则本文所用的所有术语(包括技术和科学术语)的含义与本领域普通技术人员通常理解的含义相同。还将理解，诸如那些在常用字典中限定的那些术语应当被解释为具有与其在相关技术以及本公开的背景下的含义一致的含义，且将不解释为具有理想化或过度形式上的含义，除非本文明确如此限定。

请参阅图1-图4，一种云资源负载均衡调度方法，包括，首先，提出随机Tent映射策略，增加种群多样性；其次，引入自适应非线性下降参数，控制蜜獾种群搜索空间；然后，提出三个改进复合随机因子，提高算法跳出局部最优解的概率；最后基于上述三种策略修改原始蜜獾算法的位置更新机制，缓解原始算法探索和开发不平衡问题，并整体提升算法的收敛能力和种群多样性，具体包括以下步骤：

步骤1：初始化蜜獾算法超参数。如迭代次数T_max，种群规模N，β。随机初始化种群位置并计算各个个体适应度值。适应度值fitness的计算函数为：

fitness＝std(FMS)+std(RAC)+std(FSS)

其中，USM(Used Space of Memory)为虚拟机内存已使用空间，NCU(Number ofConcurrency Used)为虚拟机已使用并发数，USS(Used Storage Space)为虚拟机已使用存储空间。TSM_i为第i个任务消耗内存大小，TCU_i为第i个任务并发数，TSS_i为第i个任务消耗存储空间，TMS(Task Space of Memory)为任务消耗内存大小，TAC(Total AvailableConcurrency)为虚拟机已使用并发数，FMS(Free Memory Space)为虚拟机剩余内存空间，RAC(Remaining Available Concurrency)为虚拟机剩余可用并发数，FSS(Free storagespace)为虚拟机剩余存储空间大小，m为虚拟机的数量。上式中fitness使用标准差(std，Standard Deviation)评估各个虚拟机的负载分配，即std()表示标准差函数，用线性加权得到整体虚拟机剩余内存空间大小、剩余可用并发数和剩余存储空间大小负载情况。

为了简化现有技术的模型，本发明假设虚拟机与硬件的关系为一对一，且一个任务仅能在一个虚拟机中执行，一个虚拟机可以同时执行多个任务。实际上，任务映射过程就是通过云资源调度模型实现资源与任务分配的过程，具体为：硬件Host与虚拟机VMware之间存在一对一关系，虚拟机vm 1和任务task 1之间为一对一映射关系，而虚拟机vm2和任务task 2、task k之间存在一对多映射。

步骤2：在蜜獾算法中，蜜獾会根据空气中蜜蜂散发的气味向其聚集。该气味强度与蜜蜂集中强度和猎物之间的距离均有关。本发明根据下式生成控制因子A₁、A₂和气味强度I_i；

A₂＝A₁×(2×r₄-1),r₄＝rand(0,1)，

d_i＝x_prey-x_i,r₁∈(0,1)，

其中，i∈[1,N]，N为种群规模，r₁、,r₃、r₄表示(0，1)之间均匀分布随机数，rand(0,1)表示在(0，1)之间随机取值，x_prey表示距离蜜蜂最近的蜜獾(即最优个体，亦可表示为蜂蜜位置)，x_i表示当前蜜獾(即当前个体)，d_i表示当前蜜獾(即当前个体)与最优个体的距离，S为蜜獾(即所有个体)的集中强度。气味强度I_i与S成正比，与d_i成反比。这种关系可解释为气味强度越大的区域，蜜獾种群越密集，蜜獾距离食物也越近。

步骤3：使用局部优化方法优化当前解决方案(即优化蜜獾算法)，包括任务转移和任务置换两个方法。任务转移是指从负载最大的虚拟机中随机选择一个任务添加至负载最小的虚拟机。任务置换是指从负载最大的虚拟机中选择消耗资源最小的任务和负载最小的虚拟机中资源最大的任务进行置换，以此均衡两个虚拟机负载情况；

步骤4：确定自适应参数和复合随机因子。元启发式算法中的自适应参数可以根据种群迭代情况自动修改算法开发或探索能力，本发明通过引入随机参数以动态地调整种群个体位置在不同迭代情况的分布趋势。此外，本发明引入复合随机因子，利用复合随机因子的随机性和非线性特点，强化种群全局随机游走能力，应对复杂的函数曲线求解任务。

A₂＝A₁×(2×r₄-1),r₄＝rand(0,1)，

M₁＝A₂×A₁×x_i

M₂＝(r₅-A₁)×x_rand

M₃＝A₂×[A₂×(x_i-x_randi)+r₆×(x_i-x_randi)]

x_randi＝x_i-x_rand,{r₅,r₆}∈(0,1)，

其中，t为当前搜索，T_max为最大搜索次数，r₃,r₄,r₅,r₆是(0，1)之间均匀分布随机数。A₁的取值区间为(0，2)，A₂的取值范围为(-2，2)。将A₁和A₂作为自适应参数，可扩大种群的搜索空间。x_rand表示种群中任意个体，x_randi可以模糊表示种群分布情况。观察发现，M₁为当前个体x_i的变异个体，M₂可以代表种群随机状态，M₃可以反映群体位置相对x_i的距离。从M₁至M₃，随机因子的随机性和非线性受随机数和自适应参数影响，变得越来越复杂。对x_i、x_rand或x_randi而言，M₁至M₃的参数取值范围与系数相关，依次为和

步骤5：在探索模式中，蜜獾利用嗅觉估计猎物位置。到达预期位置附近后，它会在此区域徘徊选择合适的区域挖掘和捕捉猎物。本发明根据下式执行探索任务，并计算种群个体适应度值，同时更新最优个体x_prey和最差个体x_worst的位置；

g(x_i)＝|cos(2π×r₆)×[1-cos(2π×r₇)]|×F×r₈×A₂×d_i+F×β×I×x_prey

{r₅,r₆,r₇,r₈}∈(0,1)，

当种群个体在搜索空间内分布较均匀时，x_rand与当前个体x_i的距离d_i较大，两者差值可以表示种群分散在较广的搜索范围；当种群较聚集时距离d_i较小，两者差值表示个体在邻域附近搜索。通过参数d_i可以动态调整种群搜索范围，避免无效搜索，进一步改善算法多样性和全局性；

步骤6：在开发模式中，蜜獾利用最优个体x_prey快速定位蜜蜂位置。本发明根据下式执行开发任务，并计算种群适应度值，同时更新最优个体x_prey和x_worst。

r₆＝2×r+1,r∈(0,1)，

其中，x_mean表示种群平均位置信息，h是服从正态分布的随机数服从均值为0方差为1的分布规律，r₆是区间(-1，1)之间均匀分布随机数。在上式中，当自适应参数A₁＞0.8时，开发过程同时依赖x_mean、x_prey和x_i，用于过渡探索能力和开发能力阶段，缓解搜索过程陷入局部最优解；当A₁≤0.8时，搜索过程依赖x_prey和x_i，可加速种群向最优个体x_prey快速聚集；

步骤7：根据个体适应度值对种群个体进行排序；

步骤8：记录全局最优值，并判断是否满足算法终止条件。若不满足条件，则返回步骤2，否则输出最优位置和最优值。

请参照图5，本发明还提供一种云资源负载均衡调度装置，包括初始化模块、适应度计算模块、蜜獾算法模型模块、局部优化模块、参数调节模块、探索模式模块、开发模式模块、算法确认模块、虚拟机。

初始化模块与蜜獾算法模型模块连接，用于初始化设置蜜獾算法超参数和种群位置；

适应度计算模块与虚拟机连接，用于获取虚拟机参数，计算适应度值fitness。

蜜獾算法模型模块内储存有蜜獾算法。

局部优化模块与虚拟机和适应度计算模块连接，用于获取适应度计算模块计算结果，根据计算结果进行控制虚拟机进行任务转移和任务置换。

参数调节模块与蜜獾算法模型模块连接，用于引入随机参数和复合随机因子到蜜獾算法中。

探索模式模块与蜜獾算法模型模块连接，用于执行探索任务，并调用适应度计算模块计算种群个体适应度值，同时更新最优个体x_prey和最差个体x_worst的位置；

开发模式模块与蜜獾算法模型模块连接，用于执行开发任务，并调用适应度计算模块计算种群适应度值，同时更新最优个体x_prey和最差个体x_worst。

算法确认模块用于根据个体适应度值对种群个体进行排序，记录全局最优值，并判断是否满足算法终止条件，满足则输出最优位置和最优值。

一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时实现本发明提供的一种云资源负载均衡调度方法。

一种存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现本发明提供的一种云资源负载均衡调度方法。

以上只通过说明的方式描述了本发明的某些示范性实施例，毋庸置疑，对于本领域的普通技术人员，在不偏离本发明的精神和范围的情况下，可以用各种不同的方式对所描述的实施例进行修正。因此，上述附图和描述在本质上是说明性的，不应理解为对本发明权利要求保护范围的限制。

Claims (10)

1.一种云资源负载均衡调度方法，其特征在于：包括以下步骤：

步骤1：初始化蜜獾算法超参数，随机初始化种群位置并计算各个个体适应度值；

步骤2：建立蜜獾算法，生成控制因子和气味强度；

步骤3：使用局部优化方法优化蜜獾算法；

步骤4：引入随机参数和复合随机因子到蜜獾算法；

步骤5：设置探索模式，执行探索任务，并计算种群个体适应度值，同时更新最优个体和最差个体的位置；

步骤6：设置开发模式，执行开发任务，并计算种群适应度值，同时更新最优个体和最差个体的位置；

步骤7：根据个体适应度值对种群个体进行排序；

步骤8：记录全局最优值，并判断是否满足算法终止条件，若不满足条件，则返回步骤2，否则输出最优位置和最优值。

2.根据权利要求1所述的一种云资源负载均衡调度方法，其特征在于：所述步骤1中适应度值具体计算步骤为：使用标准差评估各个虚拟机的负载分配，用线性加权得到整体虚拟机剩余内存空间大小、剩余可用并发数和剩余存储空间大小负载情况；

适应度值fitness的计算函数为：

fitness＝std(FMS)+std(RAC)+std(FSS)

其中，USM为虚拟机内存已使用空间，NCU为虚拟机已使用并发数，USS为虚拟机已使用存储空间，TSM_i为第i个任务消耗内存大小，TCU_i为第i个任务并发数，TSS_i为第i个任务消耗存储空间，TMS为任务消耗内存大小，TAC为虚拟机已使用并发数，FMS为虚拟机剩余内存空间，RAC为虚拟机剩余可用并发数，FSS为虚拟机剩余存储空间大小，m为虚拟机的数量，std()为标准差函数。

3.根据权利要求1所述的一种云资源负载均衡调度方法，其特征在于：所述步骤2中生成控制因子和气味强度的公式为：

A₂＝A₁×(2×r₄-1),r₄＝rand(0,1)

S＝(x_i-x_i+1)²,d_i＝x_prey-x_i,r₁∈(0,1)

其中，A₁、A₂为控制因子，I_i为气味强度，i∈[1,N]，N为种群规模，x_prey表示最优个体，x_i表示当前个体，d_i表示当前个体与最优个体的距离，S为所有个体的集中强度，且气味强度I_i与S成正比，与d_i成反比。

4.根据权利要求1所述的一种云资源负载均衡调度方法，其特征在于：所述局部优化方法用于均衡两个虚拟机负载情况，局部优化方法包括任务转移和任务置换；

所述任务转移为：从负载最大的虚拟机中随机选择一个任务添加至负载最小的虚拟机；

所述任务置换为：从负载最大的虚拟机中选择消耗资源最小的任务和负载最小的虚拟机中资源最大的任务进行置换。

5.根据权利要求1所述的一种云资源负载均衡调度方法，其特征在于：所述随机参数和复合随机因子通过以下公式引入：

其中，t为当前搜索，T_max为最大搜索次数，r₃,r₄,r₅,r₆是(0，1)之间均匀分布随机数，A₁的取值区间为(0，2)，A₂的取值范围为(-2，2)，将A₁和A₂作为自适应参数，用于扩大种群的搜索空间，x_rand表示种群中任意个体，x_randi用于模糊表示种群分布情况，M₁为当前个体x_i的变异个体，M₂代表种群随机状态，M₃反映群体位置相对x_i的距离，对于x_i、x_rand、x_randi，M₁到M₃的参数取值范围与系数相关，依次为和/>

6.根据权利要求1所述的一种云资源负载均衡调度方法，其特征在于：所述探索模式通过以下公式执行探索任务：

g(x_i)＝|cos(2π×r₆)×[1-cos(2π×r₇)]|×F×r₈×A₂×d_i+F×β×I×x_prey{r₅,r₆,r₇,r₈}∈(0,1)，

其中，当种群个体在搜索空间内分布较均匀时，x_rand与当前个体x_i的距离d_i较大，两者差值可以表示种群分散在较广的搜索范围；当种群较聚集时距离d_i较小，两者差值表示个体在邻域附近搜索，用于通过参数d_i动态调整种群搜索范围。

7.根据权利要求1所述的一种云资源负载均衡调度方法，其特征在于：所述开发模式通过以下公式执行开发任务：

r₆＝2×r+1,r∈(0,1)，

其中，x_mean表示种群平均位置信息，h是服从正态分布的随机数服从均值为0方差为1的分布规律，r₆是区间(-1，1)之间均匀分布随机数，在上式中，当自适应参数A₁＞0.8时，开发过程同时依赖x_mean、x_prey和x_i；当A₁≤0.8时，搜索过程依赖x_prey和x_i。

8.一种云资源负载均衡调度装置，其特征在于：包括初始化模块、适应度计算模块、蜜獾算法模型模块、局部优化模块、参数调节模块、探索模式模块、开发模式模块、算法确认模块、虚拟机；

所述初始化模块与蜜獾算法模型模块连接，用于初始化设置蜜獾算法超参数和种群位置；

所述适应度计算模块与虚拟机连接，用于获取虚拟机参数，计算适应度值；

所述蜜獾算法模型模块内储存有蜜獾算法；

所述局部优化模块与虚拟机和适应度计算模块连接，用于获取适应度计算模块计算结果，根据计算结果进行控制虚拟机进行任务转移和任务置换；

所述参数调节模块与蜜獾算法模型模块连接，用于引入随机参数和复合随机因子到蜜獾算法中；

所述探索模式模块与蜜獾算法模型模块连接，用于执行探索任务，并调用适应度计算模块计算种群个体适应度值，同时更新最优个体和最差个体的位置；

所述开发模式模块与蜜獾算法模型模块连接，用于执行开发任务，并调用适应度计算模块计算种群适应度值，同时更新最优个体和最差个体；

所述算法确认模块用于根据个体适应度值对种群个体进行排序，记录全局最优值，并判断是否满足算法终止条件，满足则输出最优位置和最优值。

9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于：所述处理器执行程序时实现如权利要求1-7任一项所述的一种云资源负载均衡调度方法。

10.一种存储介质，其上存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现如权利要求1-7任一项所述的一种云资源负载均衡调度方法。