[发明专利]一种基于改进MMAS的负载均衡调度方法

说明书

一种基于改进MMAS的负载均衡调度方法，蚁群算法在组合优化问题和NP难的问题上具有高效性和可行性，它具有正反馈性、较强的鲁棒性、分布性和扩展性。针对基本的蚁群算法的计算执行时间较长、容易陷入局部最优解造成停滞，本发明给出了一种改进的最大最小蚁群算法，通过双向收敛的信息素更新的方式，很好的解决了算法执行时间长的缺点；然后通过限定信息素浓度允许值的上下限，克服了算法过早停滞，增大了解的范围，而且在寻优方面有所改善。通过对经典的旅行商问题进行验证，该算法具备了基本蚁群算法所具备的优点，实验表明，该改进算法有更高的执行效率和更好的计算稳定性。

技术领域

本发明涉及组合优化算法领域，具体涉及了一种基于改进最大最小蚁群算法MMAS(Max-Min Ant Colony Algorithm)的负载均衡调度方法

背景技术

随着计算机技术的蓬勃发展，传统的计算模式在现阶段已不能完全满足用户的需求，云计算应运而生，它通过计算机网络向用户提供满足用户需求的并且灵活、可伸缩的计算和存储资源。云计算有着非常广泛的用户群体，几乎时刻都在处理海量的任务。因此，考虑如何合理地分配和利用云环境中的资源、有效地调度用户提交的海量任务且保证整个系统的负载均衡但也面临着一些问题，它会导致任务的完成时间增加、资源的利用率及任务的完成效率达不到期望的要求等等。由于云计算任务调度问题可以抽象成将多个任务随机分配到若干个虚拟机上，属于典型的组合优化问题。神经网络、遗传算法、模拟退火、粒子群算法、蚁群算法等许多用于解决复杂优化问题的新方法，本发明对蚁群算法的高效性、精确性的优点，解决了云计算中虚拟机负载不均衡及任务集完成时间较长的问题，提出了一种基于改进MMAS的负载均衡调度算法。

蚁群算法是由意大利学者20世纪90年代模拟真实蚂蚁的觅食行为过程而提出的一种启发式仿生优化算法。其灵感来源于蚂蚁寻找食物过程中的路径发现，它主要是在图中寻找优化路径几率的算法。目前，它已被广泛用于解决大多数NP类问题的优化求解，如旅行商问题、图像着色、车辆调度、网络路由、多重背包等静态组合优化和动态组合优化问题。它的优点是：(1)采用一种正反馈机制，通过信息素的不断更新，达到最终收敛于最优路径的目的；(2)是一种分布式的优化方法，易于并行实现；(3)是一种全局优化的方法，不仅可用于求解单目标优化问题，而且可用于求解多目标优化问题；(4)适合于求解离散优化问题；(5)鲁棒性强。但由于在算法的初始阶段信息素匮乏，所以求解速度较慢。

近十几年来，国内外众多学者为了提升蚁群算法的性能，在其改进策略上做了大量的研究。主要是针对基本蚁群算法一般需要较长的搜索时间和易陷入局部最优解等不足，对其参数和模型提出了一些改进方案:

Dorigo等人通过在当前最优解更新信息素时释放额外的信息素，增强系统的正反馈作用，提出了精英蚂蚁系统EAS(Elitist-Ant System)；基本蚁群算法和最大最小蚂蚁系统在信息素更新和路径选择问题上均采取固定的模式，这是导致算法出现“早熟”停滞现象的主要原因，针对这一不足，Gambardella等人提出了一种自适应蚁群算法AACA(AdaptiveAnt Colony Algorithm)，通过自适应地调节信息素挥发系数，抑制搜索停滞现象；最大-最小蚁群算法(MMAS)是由德国学者T.Stuetzle等人提出的，MMAS是到目前为止解决TSP、QAP等问题最好的蚁群优化算法之一。这种改进型蚁群算法在每次迭代中只允许表现最好的蚂蚁更新路径上的信息素，目的主要在于防止过早的算法停滞现象。

蚁群算法具有如下几个优点：正反馈性、较强的鲁棒性、分布性和可扩展性。同时蚁群算法自身也具有不足之处，即计算执行时间较长、容易陷入局部最优解造成停滞。

发明内容

为了克服现有技术的不足，本发明给出了一种基于改进MMAS的负载均衡调度方法，通过双向收敛策略的信息素更新的方式，很好的解决了算法执行时间长的缺点；然后通过限定信息素浓度允许值的上下限，克服了算法过早停滞，增大了解的范围，而且在寻优方面有所改善。

为了解决上述技术问题，本发明采用如下的技术方案：