[发明专利]基于动态目标策略的云计算资源调度优化方法及应用

说明书

本发明公开了一种基于动态目标策略的云计算资源调度优化方法及应用，该方法包括下述步骤：初始化种群；采用任务流执行成本的倒数评价适应值；构建动态目标策略，即在以基于截止时间约束最小化成本作为优化目标的情况下没有得到可行的调度方案，用任务完成时间作为优化目标直到找到可行的调度方案再重新将基于截止时间约束最小化成本作为优化目标；通过轮盘赌选择进入下一代的染色体个体；进行染色体的交叉和变异；构建最优个体保留策略；当找到一个可行解后，执行到指定代数后无法找到可行解的时，输出产生的最优染色体的解。本发明在相同截止时间约束下能得到成本更小的调度方案和在较小截止时间约束下仍能得到可行的调度方案，适用性更强。

技术领域

本发明涉及云计算资源调度技术领域，具体涉及基于动态目标策略的云计算资源调度优化方法及应用。

背景技术

美国国家标准与技术研究院(NIST)对云计算的定义是：云计算是一种按使用量付费的模式，这种模式提供可用的、便捷的、按需的网络访问，进入可配置的计算资源共享池(资源包括网络、服务器、存储、应用软件和服务)，这些资源能够被快速提供，只需投入很少的管理工作，或与服务供应商进行很少的交互。

在“大数据时代”来临之际，云计算所要面临的问题一般都具有相当大规模的数据量，所以资源的调度至关重要，它关系着云计算的成本和效率。已被证明云计算资源调度是一个有很多限制的NP难问题，几乎不可能在多项式时间内得到最优解，只能找出一个接近最优的解。随着智能计算方法的发展，研究和探索利用智能计算方法求解云计算资源调度问题上已经引起了广泛的关注。虽然云资源调度问题已经被广泛研究，但是还是无法很好的满足用户的服务质量(Quality of Service,QoS)，而且没有很好的考虑到云计算资源的特点—弹性(elasticity)和非均质性(heterogeneity)。另一方面，很多研究者把目光都集中在最小化任务的运行时间这个一般衡量效果的标准上，却很少考虑到任务执行的成本。而在任何的商业行为中，成本绝对是不可忽视的因素之一。追求最快的完成任务往往需要较大的投入，而导致整体效益降低。需要平衡成本和时间的关系，达到经济效益的最大化。

Rodriguez和Buyya在2014年的IEEE TRANSACTIONS ON CLOUD COMPUTING提出了一种基于截止时间最小化运行成本的模型，并提出用粒子群算法(Particle SwarmOptimization,PSO)来解决这个问题。但在粒子群算法中粒子中某一维向最佳的粒子学习的过程中，资源编号的倾向学习不一定能很好的导向更好的结果，并且会导致收敛快但很容易早熟收敛。

发明内容

为了克服现有技术存在的缺陷与不足，本发明提供一种基于动态目标策略的云计算资源调度优化方法，在相同截止时间约束下可以得到成本更低的调度方案，在较小截止时间的约束下仍然可以得到可行的调度方案。

本发明的第二目的在提供一种基于动态目标策略的云计算资源调度优化系统。

本发明的第三目的在于提供一种存储介质。

本发明的第四目的在于提供一种计算设备。

为了达到上述目的，本发明采用以下技术方案：

一种基于动态目标策略的云计算资源调度优化方法，包括下述步骤：

初始化种群：对种群中的每一个染色体，随机生成一个资源调度序列；

适应值评估：采用任务流执行成本的倒数评价适应值；

动态目标策略：若第一代初始化时没有满足最终截止时间需求的可行解，则将任务流执行时间作为优化目标，将任务流执行时间倒数评价染色体的适应值，每次迭代选择TET更小而适应值更高的染色体，直至种群中出现染色体得出的解满足最终截止时间需求，再重新采用任务流执行成本的倒数评价适应值；

选择算子：根据染色体的适应值，通过轮盘赌选择进入下一代的染色体个体；