[发明专利]一种云计算任务调度方法

说明书

本发明公开了一种云计算任务调度方法，包括构建数学模型，初始化被囊群搜索机制和粒子群演化机制量子位置及参数，计算被囊适应度值并排序，计算粒子适应度值，找出全局最优量子位置，更新被囊量子位置，确定新一代被囊群量子位置，更新粒子量子位置，计算与新粒子适应度值，确定新一代粒子量子位置、局部最优量子位置和全局最优量子位置，判断是否信息交互，若是，对粒子群和被囊群进行信息交互，重新确定粒子群全局最优位置，若否，继续执行；迭代更新量子位置至最大迭代次数，根据最后一代中最优量子位置映射位置对应任务与虚拟机分配矩阵得到调度策略，本发明在预算和截止时间约束下，达到较小任务总执行时间、总执行成本和负载不平衡度。

技术领域

本发明属于云计算领域，涉及一种云计算任务调度方法，特别是一种基于量子被囊群和粒子群协同演化机制的云计算任务调度方法。

背景技术

随着我国云计算技术的迅速普及与日益广泛的应用，云计算平台的用户数量逐渐扩大，任务数量也越来越多，如何对任务进行科学而合理有效的调度，提高任务分配的效率和资源的利用率，使任务的执行时间最小化，或满足云计算平台的用户提出的其他的服务需求，并为云服务的提供商争取额外的利润，是云计算研究的重点。因此，需要一种高效的调度方法来实现云环境中的预期目标。过去的大量研究结果表明，基于智能优化算法的云计算任务调度方法比传统的方法提供了更好的结果，当前高效而实用化的任务调度已成为云计算领域的热门研究方向。

目前已有学者将粒子群算法、鲸鱼优化算法等智能优化算法应用于处理云计算环境条件下的任务调度的优化问题上。但是，在处理云计算任务调度问题时，智能优化算法存在着一些缺点，如收敛速度会比较慢、全局搜索能力不好和不能轻易地跳出局部最优值等，并且现有的云计算任务调度方法主要考虑云计算用户的服务质量从而对时间或成本等单一目标进行优化。随着云计算的发展，需要兼顾到云计算复杂多变的应用需求，例如云服务提供商的经济效益、资源利用率等。

通过对现有文献的检索发现，范颖等在《计算机应用与软件》上发表的“动态队列下入侵肿瘤生长优化和BPNN的云计算任务调度新方法”中，将入侵肿瘤生长优化算法与反向传播神经网络算法结合，分别单独地优化了系统平均等待时间、计算成本和资源利用率等，但优化一个目标的同时，没有考虑对其他目标的影响，使一些要求不能满足。陈暄等在《计算机应用研究》上发表的“面向移动云计算任务调度的改进鸟群算法研究”中，采用改进的鸟群算法，一定程度的节省了时间并降低了能耗，但忽视了成本这一关键指标。

发明内容

针对上述现有技术，本发明要解决的技术问题是提供一种基于量子被囊群和粒子群协同演化机制的云计算任务调度方法，保证在预算和截止时间的约束下，达到较小的任务的总执行时间、任务的总执行成本和负载不平衡度。

为解决上述技术问题，本发明的一种云计算任务调度方法，包括以下步骤：

步骤一，建立任务的总执行时间、任务的总执行成本和负载不平衡度并构建数学模型；

步骤二，初始化被囊群搜索机制和粒子群演化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，将全部被囊进行排序，并计算每个粒子的适应度值，找出粒子的全局最优量子位置；

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；

步骤五，应用贪心策略，根据适应度值将全部被囊进行排序，确定新一代被囊群的量子位置；

步骤六，根据粒子群演化机制产生量子旋转角，使用模拟的简化量子旋转门更新粒子的量子位置；

步骤七，计算每个粒子与新粒子的适应度值，确定新一代粒子的量子位置、局部最优量子位置和全局最优量子位置；