[发明专利]基于改进二进制蝙蝠算法的分布式系统任务调度方法

说明书

本发明公开了基于改进二进制蝙蝠算法的分布式系统任务调度方法，所述方法包括：步骤1)将待处理的任务分解为彼此相互独立的子任务，计算每个子任务的任务属性，所述任务属性包括：计算量和所需存储空间；步骤2)获取可执行子任务节点的信息，将任务完成总时间函数Fitness作为适应度函数，采用改进二进制蝙蝠算法迭代计算最优蝙蝠位置；步骤3)按照最优蝙蝠位置的值对任务进行节点分配。与现有的用于任务分配的方法相比，本发明的方法具有跳出局部最优能力强、求解精度高的优势，更适合大规模情况下的任务分配。

技术领域

本发明涉及网络通信任务分配处理领域，具体涉及基于改进二进制蝙蝠算法的分布式系统任务调度方法。

背景技术

近年来，诸如多媒体效果处理、大数据分析等粗粒度服务出现并得到迅速发展。这些服务通常需要耗费大量的计算资源，云计算、雾计算等分布式系统服务架构利用大量分布的虚拟机为这类应用提供服务的可能。在分布式系统中，一个有效的方式是通过分解粗粒度服务为子任务，然后分配到各个节点上进行处理，从而充分利用全局计算资源，达到负载均衡以及提升处理效率的目标。该处理方式中一个非常重要的挑战是如何将在分布式系统任务调度节点划分的子任务分配到执行节点中。由于对粗粒度服务划分得到的子任务数量较多，因此，如何快速确定最佳分配方案对于分布式系统的服务性能非常关键。

多任务分配问题是个高维寻优问题，寻优算法的性能决定了任务分配的效果。传统寻优算法由于寻优速度慢，适应能力差，无法适用于此类高维问题，而群智能算法，如粒子群算法，蝙蝠算法等，由于具有寻优速度快，精度高，易编程实现等优点，在高维寻优问题中得到了广泛应用。蝙蝠算法是基于粒子群算法、模拟退火算法等发展起来的一种新型的群智能优化算法，其二进制版本适用于离散优化问题，具有优于粒子群算法的性能。

二进制蝙蝠算法在某些情况下容易陷入局部最优，从而无法得到全局最优解，在任务分配问题中，相应的也就无法得到最佳任务分配方案。因此，如何在保证局部搜索能力的前提下，提升二进制蝙蝠算法跳出局部最优、获得全局最优解的能力，是分布式系统获取更优的任务分配方案，提升子任务分配处理效率的关键。

发明内容

本发明的目的在于针对现有智能优化算法解决分布式系统任务调度问题中存在求解任务完成总时间适应度函数精度低，算法收敛速度慢等不足，提供了一种任务完成总时间更少、泛化能力更强的基于改进二进制蝙蝠算法的分布式系统任务调度方法。

为了实现上述目的，本发明提出了基于改进二进制蝙蝠算法的分布式系统任务调度方法，所述方法包括：

步骤1)将待处理的任务分解为彼此相互独立的子任务，计算每个子任务的任务属性，所述任务属性包括：计算量和所需存储空间；

步骤2)获取可执行子任务节点的信息，将任务完成总时间函数Fitness作为适应度函数，采用改进二进制蝙蝠算法迭代计算最优蝙蝠位置；

步骤3)按照最优蝙蝠位置的值对任务进行节点分配。

上述技术方案中，所述步骤2)中的可执行子任务节点的信息包括：时延，CPU处理能力，CPU占用率、可用内存大小和可用存储空间。

上述技术方案中，所述步骤2)具体包括：

步骤2-1)对各种参数进行初始化：包括种群大小SN、脉冲频率范围[f_min，f_max]、脉冲响度脉冲频度响度衰减系数α、频度增加系数γ；当前迭代次数t取值为1，设定最大迭代次数iter_max；用0和1随机初始化SN个蝙蝠位置X₀；初始化蝙蝠在搜寻猎物目标时的速度

步骤2-2)采用任务完成总时间Fitness作为适应度函数，计算当前种群的适应度值，找出当前蝙蝠的最佳位置

步骤2-3)计算蝙蝠搜索猎物时所使用的频率f_p计算如下：