[发明专利]基于实时状态监控的多目标粒子群优化的工作流调度方法

说明书

本发明公开了一种基于实时状态监控的多目标粒子群优化的工作流调度方法，涉及云计算工作流调度领域。本发明首先通过BHEFT算法进行工作流预调度，提高算法的可行性。通过引入Pareto方差对进化状态实时监控，进化阶段处于多样时采取外部精英种群自优化策略，提高算法的局部搜索能力，进化状态处于停滞时采取逃离策略，使得工作流调度解空间多样化，从而有效平衡算法在进化过程中的开发和开采，实现工作流调度解的收敛性和调度解空间分布的多样性。

技术领域

本发明涉及云计算工作流调度领域，具体涉及一种基于实时状态监控的多目标粒子群优化的工作流调度方法。

背景技术

随着云计算技术的迅猛发展，越来越多的组织将传统的业务过程与应用迁移到云计算环境。云计算是一种利用互联网实现随时随地、按需、便捷地使用共享计算设施、存储设备、应用程序等资源的计算模式。云计算的主要特征是高可扩展性和高可靠性，意味着用户可以按需租用和释放资源，提供商使用数据多副本容错、计算节点同构互换等措施保障服务的高可靠性。工作流由一组存在数据依赖关系和时间偏序关系的任务组成，通常使用有向无环图来表示。工作流调度本质上是实现任务与可用资源间的映射，同时满足用户对任务执行定义的服务质量约束，如截止时间和预算费用。同一工作流使用不同计算资源和调度方案都会产生不同的调度结果。考虑时间和费用约束下，同时实现工作流调度成本低、调度时间短、可靠性高三个目标，已经成为服务提供商的一大难题。

多目标粒子群优化算法是求解多目标问题的最具潜力的方法之一，但是面临粒子群优化算法固有的缺陷和新的技术问题。比如开发和开采的平衡问题，全局最优解的选择问题等。目前已存在的多目标粒子群优化算法，缺乏实时状态检测机制，无法确定算法在什么时候采用什么策略到某个程度，所以导致过度开采或开发不全面的问题，最终导致获得的工作流调度解收敛度不高或者多样性不够。

针对上述问题，本发明提出了一种基于实时状态监控的多目标粒子群优化算法。通过引入Pareto方差实时监控种群进化所处的阶段，根据不同的阶段采取相应的种群进化措施，平衡进化过程中的开采和开发，实现工作流调度解的收敛性和解空间分布的多样性。

发明内容

本发明的目的就在于实时监控多目标粒子群算法进化阶段，根据不同的阶段实施对应的进化策略，平衡进化过程中的开采和开发，实现调度解的收敛性和调度解空间分布的多样性，提出一种基于实时状态监控的多目标粒子群优化的工作流调度方法。

本发明所采用的技术方案是：

S10，工作流预调度。

S20，初始化种群个体。

S30，实时监控种群进化状态。

S40，根据进化状态选择相应的进化策略。

S50，更新种群，再次迭代。

S60，若达到最大的迭代次数，输出外部精英文档中的工作流调度解集。

上述的技术方案，其中，所述步骤S10中工作流预调度包括如下步骤：

S11，利用BHEFT算法进行工作流预调度，计算工作流调度的时间和执行费用，判断工作流调度的时间和执行费用是否满足用户设定的截止时间和预算约束。

S12,如果不满足，则提醒用户重新设置截止时间/预算。如果满足条件，则执行后续步骤。

上述的技术方案，其中，所述步骤S20中初始化种群个体如下步骤：

S21，初始化全局精英文档的容量，最大迭代次数V，初始迭代次数，满足工作流优化调度解离散特性的粒子的速度和位置。

S22，计算每个粒子对应的三个目标函数值，分别是调度时间、调度费用、调度可靠性。

(1)工作流的调度时间计算公式：