[发明专利]一种面向不平衡多目标优化的云资源调度方法

权利要求书

1.一种面向不平衡多目标优化的云资源调度方法，其特征在于：

统计云计算中心中可用的物理机数和需处理的任务数，并估算每台物理机处理各个任务所需要花费的时间；

设定调度方案为每个任务仅由一台物理机处理，将每种调度方案用调度矩阵来表示，矩阵中每个元素的取值为1或0；

所述云资源调度方法将任务和物理机集合分别表示为M＝{M₁,M₂...M_m}和PM＝{PM₁,PM₂...PM_n}，m和n分别表示需处理的任务数和可用的物理机数量，则物理机处理任务花费的时间通过如下矩阵T表示：

其中，t_mn表示物理机PM_n处理任务M_m所花费的时间；

则调度矩阵为一个m*n的矩阵，如下公式所示：

其中，D为调度矩阵，每个元素的取值为1或0，当d_mn＝1时，表示任务M_m由物理机PM_n来处理，由于每个任务仅由一台物理机处理，故有且

根据所有物理机处理任务花费的时间及调度方案，将云资源调度问题转化为三个目标函数和一个约束函数；

所述三个目标函数分别为最小化处理任务的总耗时、最小化处理任务耗时最大的物理机耗时、最小化每个物理机任务耗时的标准差，所述约束函数为完成所有任务所需能耗小于预设的能量消耗；

所述处理任务的总耗时，是指物理机处理所有任务花费时间的总和，如下公式所示：

其中，TTS为云计算中心处理所有任务花费时间的总和，t_ij为第i台物理机处理第j个任务花费的时间；

所述处理任务耗时最大的物理机耗时，如下公式所示：

其中，MTS为处理任务耗时最大的物理机耗时；

所述每个物理机任务耗时的标准差，是指每个物理机完成其任务的耗时的标准差，如下公式所示：

其中，SDTD为每个物理机完成其任务的耗时的标准差，std表示标准差公式；

所述约束函数，是指所有物理机的总能量消耗不能高于预设的能量消耗阈值，如下公式所示：

E≤E_max

其中，E为云计算中心所有物理机实际消耗的能量，E_max为预设的能量消耗阈值；

采用多目标进化算法对云资源调度问题进行求解，得到当前云资源调度问题的参考解决方案；

所述采用多目标进化算法对云资源调度问题进行求解，得到当前云资源调度问题的参考解决方案的具体方法为：

步骤S1：随机生成初始种群，并带入云资源调度问题转换的三个目标函数和约束函数中，获得种群的目标值，将初始种群作为训练集，为约束函数建立代理模型；初始种群中包含若干个体，每个个体为一个m*n的矩阵，代表一种调度方案；

步骤S2：从初始种群种选取r个个体作为参考点，并依据每个个体到参考点的角度值将初始种群分为r类；设立r个最优档案A＝{A₁,A₂,...,A_r}用于保存r类种群中的最优子种群，最优档案初始值设为r类的初始种群，并且用每一类种群中能耗最低值代表最优档案中这一类种群的约束可行性；

步骤S3：将每一类种群中的个体作为父代，通过交叉变异产生数量与父代相同的子代个体，将子代个体与父代个体合并成为新种群；

步骤S4：对合并后的新种群采用CDA准则进行环境选择，选取与初始种群数量相同的个体作为下一代父代种群；

步骤S4.1：将合并后的新种群基于参考点分成r类，在每一类新种群中计算个体到所属类的参考点的角度，记为θ；以及个体到坐标原点的距离，记为dic，如下公式所示：

步骤S4.2：根据获得的距离及角度，计算每一个个体的CDA值，在每一类中依此选取CDA值最小的个体作为下一代父代种群中的个体，直到选取的个体数量达到初始种群中这一类的个体数，得到包含新个体的下一代父代种群；

所述CDA值为进行个体选择的标准，如下公式所示：

CDA＝(2-α*θ)*dic

其中，α为一个可调参数，用于调控角度θ对CDA值的影响程度；

步骤S5：重复进行步骤S3和步骤S4，直到达到设定的小循环迭代次数，获得末代种群；

步骤S6：更新最优档案和约束函数的代理模型；

步骤S7：迭代步骤S3-步骤S6直到达到设定的大循环迭代次数，优化结束，求解云资源调度问题完成，最优档案中的种群即为当前云资源调度问题的参考解决方案。