[发明专利]基于蚁狮优化算法的云计算任务调度方法

权利要求书

1.一种基于蚁狮优化算法的云计算任务调度方法，其特征在于，包括以下步骤：

S1、根据用户提交的任务，确定任务的参数以及适应度函数的权值α；

S2、根据S1中的所述参数，初始化蚁狮算法中蚂蚁和蚁狮的位置；

S3、根据S1中的所述权值α建立适应度函数，通过任务与虚拟机的映射关系计算出适应度结果；根据蚂蚁的坐标使用适应度函数计算出每只蚂蚁的适应度，若蚂蚁的适应度函数小于蚁狮的适应度函数，则更新蚁狮的位置，同时选出适应度最小的蚁狮作为精英蚁狮；

S4、根据每只蚂蚁的适应度函数结果，使用轮盘法选择对应的蚁狮，蚂蚁的新位置由选择的蚁狮和唯一的精英蚁狮通过随机游走获得；

S5、更新蚂蚁位置后，再次使用适应度函数计算蚂蚁和蚁狮的适应函数值；

S6、判断是否大于最大迭代次数；若是，则输出精英蚁狮的位置，由任务与虚拟机的映射关系表得到最终的任务分配方案；若否，则返回步骤S4。

2.根据权利要求1所述的一种基于蚁狮优化算法的云计算任务调度方法，其特征在于：步骤S1中，用户提交任务后将n个任务和m台虚拟机之间的关系被抽象成矩阵M_Task和M_Net，分别为：

其中：M_Task中T_i,j表示第i个虚拟机、第j个任务的长度，单位是百万条指令；M_Net中N_i,j表示对第i台虚拟机、接收和提交第j个任务在网络上消耗的时间，单位是秒。

3.根据权利要求1所述的一种基于蚁狮优化算法的云计算任务调度方法，其特征在于：所述适应度函数的权值α是QoS的权重，且α∈(0,1)。

4.根据权利要求2所述的一种基于蚁狮优化算法的云计算任务调度方法，其特征在于：步骤S2中初始化参数，种群数量为k，蚂蚁的位置表示为M_Ant，蚁狮的位置表示为M_Antlion，即：

其中：A_i,j和AL_i,j初始化为A_i,j，AL_i,j＝random*m，random是在[0,1)上随机均匀分布的随机值。

5.根据权利要求4所述的一种基于蚁狮优化算法的云计算任务调度方法，其特征在于：步骤S3中，适应度函数表示为：

fitness_k＝α(spanTime)+(1-α)cost； (5)

其中，spanTime表示时间跨度，cost表示功耗消耗。

6.根据权利要求5所述的一种基于蚁狮优化算法的云计算任务调度方法，其特征在于：所述时间跨度spanTime和功能消耗cost通过下述计算得到：

spanTime＝Max(Time_i)； (7)

cost＝(P_run-P_free)∑Time_i+P_free*spanTime*m； (8)

其中，C_i表示第i台虚拟机的计算能力，单位是Mips；P_run代表虚拟机满负荷运行时的功耗，P_free代表虚拟机待机时的功耗；蚂蚁和蚁狮的适应度函数矩阵由蚂蚁和蚁狮的坐标所决定：

7.根据权利要求6所述的一种基于蚁狮优化算法的云计算任务调度方法，其特征在于：步骤S4中，根据M_{Antlionfitness}的结果获得轮盘法所需数据M_wheel，其对应关系是：

第i只蚂蚁选择蚁狮的过程表示为：

selectAntlion_i＝random*M_wheel[k]； (12)

其中，random是在[0,1)上随机均匀分布的随机值。

8.根据权利要求7所述的一种基于蚁狮优化算法的云计算任务调度方法，其特征在于：当选择第一个大于selectAntlion_i的M_wheel[j]，则j为选择的蚁狮，随机游走表示为：

经过t次迭代后，可得随机游走中的最大值为randomWalk_Max、最小值randomWalk_Min和当前randomWalk(t)，由这三个值归一化计算得到第t次的随机步长：

其中，Lbi^t和Ubi^t表示第t次迭代的搜索边界。