[发明专利]基于量子被囊群搜索机制的云计算任务调度方法

说明书

本发明提供基于量子被囊群搜索机制的云计算任务调度方法，包括：根据任务与虚拟机的分配矩阵，构建任务在虚拟机上的执行时间矩阵和执行成本矩阵并构建数学模型；初始化被囊群搜索机制的量子位置并设定参数；计算每只被囊的适应度值，根据每只被囊的适应度值将全部被囊进行排序；根据被囊群搜索机制产生量子旋转角，使用模拟的简化量子旋转门更新被囊的量子位置；应用贪心策略，确定新一代被囊群的量子位置，根据适应度值将全部被囊进行排序；判断是否达到最大迭代次数G，若未达到，令g＝g+1，返回步骤四；若达到，则终止迭代循环，根据最后一代中的最优量子位置的映射位置所对应的任务与虚拟机的分配矩阵得到最终的任务调度策略。

技术领域

本发明涉及一种云计算应用环境中基于量子被囊群搜索机制的有约束任务调度方法，属于云计算领域。

背景技术

任务调度问题是云计算领域中的研究热点。云计算为用户提供了基础设施、平台、软件三类服务。随着云计算的发展和普及，云计算的用户数量逐步增多，任务的数量越来越多，如何兼顾各种性能的需求，对任务进行合理的调度，提高任务分配的效率和资源的利用率，是云计算研究的重点。

常见的云计算调度算法有Min-Min、Max-Min算法等，这些算法使用相对简单的策略进行任务调度的工作，但随着云计算技术的发展，云计算不仅要满足用户的多个目标需求，如低成本，较小的任务完成时间等，保障用户服务质量，还要兼顾数据中心的整体能耗、资源利用率、经济效益等，保障资源提供者的利益。因此云计算需要同时兼顾各种性能的需求，云计算调度问题具有离散优化和多目标优化的共同特征，适合采用优化算法来求解。现有一些国内外学者已经将遗传算法、粒子群算法、蚁群算法等优化算法应用在云计算任务调度上，但很多基于智能算法的任务调度方法存在不同程度的缺陷，如收敛速度慢，易陷入局部最优值等，且大多数算法都只考虑一个指标，如最小化任务的总完成时间，但忽视了最小化任务总完成时间的同时，任务的执行成本也会增加。

通过对现有文献的检索发现，周静等在《计算机学报》上发表的“基于入侵肿瘤生长优化的云计算调度算法”中，对入侵肿瘤生长优化算法进行了一定的改进和提高，并把它应用到云计算任务调度问题中，此算法在缩短任务完成时间上有一定的效果，但只考虑了时间这一个优化目标，没有考虑其他约束条件。魏赟等在《计算机工程》上发表的“基于改进蚁群算法的云计算任务调度模型”中，采用改进的蚁群算法，在效率和公平性的前提下，一定程度的缩短了任务的延迟时间，但忽视了成本这一关键指标。

综上所述，现有的云计算任务调度方法大多只考虑时间这一个关键指标，没有全面考虑云计算应用环境中任务调度复杂多变的应用需求，在最小化任务总完成时间的同时，任务的执行成本会增加，只考虑时间这一指标不能合理反映云服务的服务质量。且现有智能优化算法大多存在计算复杂度高，收敛速度较慢，容易陷入局部最优值等问题。因此提出了基于量子被囊群搜索机制的云计算任务调度方法，保证了成本在一个要求的预算范围内，达到了较小的任务总完成时间。解决了现有的云计算任务调度方法只考虑时间这一指标，没有兼顾时间与成本的问题。

发明内容

针对现有云计算任务调度方法的缺点和不足，本发明设计了具有惩罚机制的目标函数和单链编码的量子被囊群搜索机制去实现有约束的云计算任务调度方法，保证了成本在一个要求的预算范围内，最小化任务的总完成时间，算法收敛性较好，在要求的成本约束下，实现了较小的任务的总完成时间，提高了云计算资源的利用率，突破了现有方法的局限。

本发明的目的是这样实现的：步骤如下：

步骤一：根据任务与虚拟机的分配矩阵，构建任务在虚拟机上的执行时间矩阵和执行成本矩阵并构建数学模型；

步骤二：初始化被囊群搜索机制的量子位置并设定参数；

步骤三：计算每只被囊的适应度值，根据每只被囊的适应度值将全部被囊进行排序；

步骤四：根据被囊群搜索机制产生量子旋转角，使用模拟的简化量子旋转门更新被囊的量子位置；