[发明专利]一种基于粒子群优化算法的云资源调度方法

权利要求书

1.一种基于粒子群优化算法的云资源调度方法，其特征在于，使用改进的粒子群算法与云资源调度相结合，使云资源调度能够更高效的获得最优解。其具体过程包括如下步骤：

步骤1：设置云资源调度的参数和算法的参数；

步骤2：产生云资源调度中的数据集；

步骤3：将云资源调度问题与粒子群算法相结合；

步骤4：对结合之后的算法使用正交初始化，得出初始的粒子群，包括粒子的个体最优解，全局最优解和此时的适应度函数值；

步骤5：将云资源调度模型转换为三角模糊模型；

步骤6：粒子群算法的优化，主要包括使用重新随机化方法和对粒子的惯性权重进行实时更新进行优化；

步骤7：根据每个粒子的个体最优，和粒子群的全局最优对每一个粒子进行迭代更新，产生新的搜索速度和搜索位置；

步骤8：对每一次的更新结果进行评价，找到当前最优解；

步骤9：如果达到设置的迭代最大次数，那么当前的最优解就是最后的全局最优解，否则回到步骤6重新对算法进行更新，寻找最优解；

2.根据权利要求1所述，一种基于粒子群优化算法的云资源调度方法，其特征在于，对于任务在每一个虚拟机上的执行时间，定义为

。

每一个虚拟机的虚拟机的执行成本定义为

vmCost_i＝vmTime_i×rcu_i

3.根据权利要求2所述，一种基于粒子群优化算法的云资源调度方法，其特征在于，任务的总执行时间就是任务在虚拟机上的最长执行时间，当执行时间最长的任务执行结束，即所有的任务都执行结束，所以任务的执行总时间的表达式为

Time(P)＝max{vmTime₁,vmTime₂,...,vmTime_m}

任务的总的执行成本为所有任务在虚拟机上执行的消耗的总的资源量，所以总成本的表达式为

。

4.根据权利要求3所述，一种基于粒子群优化算法的云资源调度方法，其特征在于，所述的适应度函数如下：

res(P_i)＝t*rTime(P_i)+c*rCost(P_i)

其中，表示时间评价函数，表示成本评价函数，Time_MAX为任务i在执行时间最小，Time_MIN为任务i执行时间最长的机器上运行所需要的时间，Cost_MAX为任务i在执行时所需的最高成本、Cost_MIN为任务i在执行时所需的最低成本。t是时间因子，c是成本因子。

5.根据权利要求4所述，一种基于粒子群优化算法的云资源调度方法，其特征在于，在时间-成本约束下的确定的云资源调度模型的适应度函数为

Z＝min{res(P_i)}。

6.根据权利要求5所述，一种基于粒子群优化算法的云资源调度方法，其特征在于，由于在实际情况中，在云资源调度时，可能受到外界因素的影响，使得任务的执行时间是不确定的，所以本发明对云资源调度的模型进行转换，使用步骤5，将云资源调度模型转换为三角模糊数模型。

使用模糊加法，将适应度函数转换为

其中，表示模糊条件下的云资源调度的适应度函数，Z^L,Z^M,Z^R表示将适应度函数转换为模糊条件下的适应度函数时产生的中间变量，Z_η为模糊数的平均值，Z_μ为标准差，是对不确定度的加权系数。