[发明专利]基于时间负载均衡的粒子遗传算法优化方法、装置及系统

说明书

本发明属于计算机技术领域，尤其涉及基于时间负载均衡的粒子遗传算法优化方法、装置及系统。基于时间负载均衡的粒子遗传算法优化方法，包括：构建粒子种群；对各粒子的位置和速度进行更新，并设定迭代次数，得出达到设定迭代次数的粒子个体最优位置和粒子全局最优位置；对粒子种群进行交叉操作和变异操作，得出最终的粒子个体最优位置和粒子全局最优位置。基于时间负载均衡的粒子遗传算法优化装置，包括：构建模块；更新模块；交叉变异模块。基于时间负载均衡的粒子遗传算法优化系统，包括多个节点服务器和至少一个终端。本发明解决了云任务调度中耗时长、时间负载不均衡和资源利用率低的问题。

技术领域

本发明属于计算机技术领域，尤其涉及基于时间负载均衡的粒子遗传算法优化方法、装置及系统。

背景技术

云计算是网格计算、分布式计算和并行计算的商业发展，具备了其他计算模式所不具有的先天优势。云计算系统根据任务请求以及任务属性为其分配资源，然而复杂的云计算环境使得任务的调度成为极具挑战性的问题。同时，任务调度完成的时间和成本等成为衡量算法的标准和追求目标。

在云计算环境中，任务与节点有异构和动态的特征，存在着随机性。粒子群算法是一种基于群体智能的随机优化算法，种群中每一个粒子都代表问题的一个可能解，且群体内部可以进行信息交互，促使粒子改变自身的位置，进而实现求解的智能性。由于粒子群优化算法存在早熟收敛、易陷入局部最优等问题，文献[1]加入遗传算法的交叉和变异操作，扩展粒子的搜索空间，来克服粒子易陷入局部最优问题。文献[2]采用了反向学习和局部学习的思想优化收敛速度，并提高解的精度，但依然存在着负载均衡、节能的问题。文献[3]在前者的基础上引入了混沌扰动思想，可有效地跳出局部最优现象。另外，由于传统的粒子初始化方法是随机生成若干个粒子，生成的粒子质量往往不佳，造成各节点上任务数偏差较大，文献[4]通过加入负载均衡模型，提高节点任务个数的均衡性，但这只是节点上任务个数的均衡，依然存在着节点时间负载不均衡、运行效率低等现象。

目前，虽然云计算任务调度优化算法层出不穷，但基本上以任务完成时间、成本为目标，而对节点时间负载均衡的关注仍为不足。

参考文献：

文献[1]：Xu J,Tang Y.Research of Improved Particle Swarm OptimizationBased on Genetic Algorithm for Hadoop Task Scheduling Problem[M]//Algorithmsand Architectures for Parallel Processing.Springer International Publishing,2015:60-66vol.2；

文献[2]：Guo-Long Y U,Cui Z W,Zuo Y.Cloud Platform Scheduling MethodBased on Optimized Particle Swarm Optimization Algorithm[J].Journal of InnerMongolia Normal University,2016；

文献[3]：夏学文,刘经南,高柯夫,李元香,曾辉.具备反向学习和局部学习能力的粒子群算法[J]. 计算机学报,2015,(07):1397-1407；

文献[4]：Yizhen Wang,Yongqiang Sun,Yi Sun。Task Scheduling Algorithm inCloud Computing Based on Fairness Load Balance and Minimum Completion Time[J]//Advances in Engineering Research,2016。

发明内容

本发明的目的在于克服上述云任务调度中的不足，提供了基于时间负载均衡的粒子遗传算法优化方法、装置及系统，解决了云任务调度中耗时长、时间负载不均衡和资源利用率低的问题。