一种带约束云工作流调度的自适应多目标进化方法技术

本发明专利技术提供一种带约束云工作流调度的自适应多目标进化方法，能够提高多目标进化方法的全局探测和局部开采能力。所述方法包括：S1、根据Pareto解的个数和Pareto熵检测种群在进化过程中所处的进化状态，根据检测到的种群在进化过程中所处的进化状态，自适应地利用相应的个体评估策略处理约束条件，并对种群中的个体进行排序，其中，在个体评估策略中，采用约束违反处理方法来处理约束条件；S2、根据个体排序结果，从种群中选择个体进行遗传操作，得到子种群，其中，在进行遗传操作时，根据种群在进化过程中所处的进化状态自适应地调节进化参数。本发明专利技术适用于解决带约束的多目标优化问题，并可应用于云计算环境中工作流调度技术领域。

【技术实现步骤摘要】
一种带约束云工作流调度的自适应多目标进化方法
本专利技术涉及解决带约束的多目标优化的问题，并应用于云工作流调度
，特别是指一种带约束云工作流调度的自适应多目标进化方法。
技术介绍
云环境下的工作流调度(简称：云工作流调度)是寻找合适的云资源来执行工作流任务，并满足用户的服务质量需求。云工作流调度问题是一个带约束的多目标优化问题，多目标进化算法能有效处理此类问题。但现有技术中，大多是简单地利用静态的惩罚函数来处理约束条件，这样容易导致早熟收敛，甚至进入不可行的搜索空间，例如：现有技术一，通过利用帕累托(Pareto)熵信息和Pareto差熵信息来评估多目标粒子群算法中种群的多样性以及进化状态，并且以此为反馈信息来设计进化策略，使得算法具有更好的收敛性和多样性。现有技术二，在NSGA-II算法的基础上进行了改进，通过离散化整个Pareto最优前沿，找到一些良好分布的参考点，在算法的进化过程中以这些点为搜索方向，找到与提供的参考点集相关联的Pareto最优解或Pareto最优解附近的解，使得到的解集具有更优的收敛性和多样性。现有技术一和现有技术二，虽然可以使算法得到的非支配解集具有更好的收敛性和多样性，但其针对的是无约束的多目标优化问题。对于云环境下的工作流调度问题是一个带约束的多目标优化问题，在处理此类问题时，常用的方法是基于多目标进化算法，使用静态的惩罚函数将带约束优化问题转化为无约束优化问题，惩罚函数如果太小，一些非可行解的适应度值将高于大部分可行解，种群很有可能会朝一个非可行的搜索空间进化；但惩罚函数如果太大，许多更优的个体将会被排除，从而导致早熟收敛，综上，现有的多目标进化算法在使用静态惩罚函数处理约束条件时容易陷入局部最优。
技术实现思路
本专利技术要解决的技术问题是提供一种带约束云工作流调度的自适应多目标进化方法，以解决现有技术所存在的多目标进化算法在使用静态惩罚函数处理约束条件时容易陷入局部最优的问题。为解决上述技术问题，本专利技术实施例提供一种带约束云工作流调度的自适应多目标进化方法，包括：S1、根据Pareto解的个数和Pareto熵检测种群在进化过程中所处的进化状态，根据检测到的种群在进化过程中所处的进化状态，自适应地利用相应的个体评估策略处理约束条件，并对种群中的个体进行排序，其中，在个体评估策略中，采用约束违反处理方法来处理约束条件；S2、根据个体排序结果，从种群中选择个体进行遗传操作，得到子种群，其中，在进行遗传操作时，根据种群在进化过程中所处的进化状态自适应地调节进化参数。进一步地，所述根据Pareto解的个数和Pareto熵检测种群在进化过程中所处的进化状态包括：若种群中没有Pareto解，则种群在进化过程中所处的进化状态为初始状态。进一步地，所述根据Pareto解的个数和Pareto熵检测种群在进化过程中所处的进化状态包括：若种群中Pareto解的个数小于种群大小，则种群在进化过程中所处的进化状态为收敛状态；或，若种群中Pareto解的个数等于种群大小，且种群在t+1次迭代中，Pareto解的个数发生了变化，则种群在进化过程中所处的进化状态为收敛状态；或，若种群中Pareto解的个数等于种群大小，种群在t+1次迭代中，Pareto解的个数没有发生变化，且则种群在进化过程中所处的进化状态为收敛状态；其中，△Entropy(t+1)表示第t+1次迭代和第t次迭代的差熵，M表示优化目标的个数，△Entropymax-diver表示最大差熵值。进一步地，所述根据Pareto解的个数和Pareto熵检测种群在进化过程中所处的进化状态包括：若种群中Pareto解的个数等于种群大小，种群在t+1次迭代中，Pareto解的个数没有发生变化，且则种群在进化过程中所处的进化状态为多样化状态；或，若种群中Pareto解的个数等于种群大小，种群在t+1次迭代中，Pareto解的个数没有发生变化，Pareto熵也没变化，则种群在进化过程中所处的进化状态为成熟状态；其中，△Entropy(t+1)表示第t+1次迭代和第t次迭代的差熵，M表示优化目标的个数，△Entropymax-diver表示最大差熵值。进一步地，所述△Entropymax-diver表示为：其中，Entropymax表示Pareto解为最佳分布时的Pareto熵，Entropymin表示Pareto解为最差分布时的Pareto熵，M表示优化目标的个数，K表示每一维优化目标下的网格分区，Cellk,m(t)表示第t次迭代中的个体数量，是被映射到PCCS中的整数标号，表示第k个Pareto解的第m个格坐标分量，表示第k个Pareto解对应的第m个优化目标的值，l表示Entropymin情况下只有一个个体的那个格子的坐标。进一步地，所述根据检测到的种群在进化过程中所处的进化状态，自适应地选择相应的个体评估策略处理约束条件，并对种群中的个人进行排序，包括：若检测到种群在进化过程中所处的进化状态为初始状态，则根据第一适应度函数评估种群的个体适应度值，其中，所述第一适应度函数表示为：按照个体适应度值的大小对种群中的个体进行排序；其中，Fa(xi)表示个体i的适应度值，xi代表个体i，a表示Fa(xi)是加了惩罚函数后的适应度值，是归一化的约束违反。进一步地，所述根据检测到的种群在进化过程中所处的进化状态，自适应地选择相应的个体评估策略处理约束条件，并对种群中的个人进行排序，包括：若检测到种群在进化过程中所处的进化状态为收敛状态，则根据第二适应度函数评估种群的个体适应度值，其中，所述第二适应度函数表示为：按照个体适应度值的大小对种群中的个体进行排序；其中，表示个体i的第k个目标的适应度值，xi代表个体i，a表示是加了惩罚函数后的适应度值，表示个体i的第k个目标的归一化后的适应度值，表示归一化的约束违反，rf表示可行比率。进一步地，所述根据检测到的种群在进化过程中所处的进化状态，自适应地利用相应的个体评估策略，对种群中的个体进行排序包括：若检测到种群在进化过程中所处的进化状态为多样化状态或成熟状态，则基于约束的支配排序原则对种群中的个体进行排序。进一步地，所述进化参数包括：交叉概率和变异概率；所述在进行遗传操作时，根据种群在进化过程中所处的进化状态自适应地调节进化参数包括：在进行遗传操作时，对遗传操作中的交叉概率和变异概率进行自适应的调整，其中，第t次迭代的交叉概率pc(t)的调整规则表示为：第t次迭代的变异概率pm(t)的调整规则表示为：其中，<·>表示一个保持pc(t)和pm(t)处于给定的边界之中的函数，当pc(t)和pm(t)低于下边界，将下边界值赋予给它们，当pc(t)和pm(t)高于上边界，将上边界值赋予给它们，pc(t-1)表示第t-1次迭代的交叉概率，pm(t-1)表示第t-1次迭代的变异概率，△np(t)表示在第t次迭代中Pareto个体数的变化数，△Entropy(t-1)表示第t-1次迭代和第t-2次迭代的差熵，ci和mj表示调整步长，i，j＝1,2,3,4。本专利技术的上述技术方案的有益效果如下：上述方案中，根据Pareto解的个数和Pareto熵检测种群在进化过程中所处的进化状态，根据检测到的种群在进化过程中所本文档来自技高网...

【技术保护点】
一种带约束云工作流调度的自适应多目标进化方法，其特征在于，包括：S1、根据Pareto解的个数和Pareto熵检测种群在进化过程中所处的进化状态，根据检测到的种群在进化过程中所处的进化状态，自适应地利用相应的个体评估策略处理约束条件，并对种群中的个体进行排序，其中，在个体评估策略中，采用约束违反处理方法来处理约束条件；S2、根据个体排序结果，从种群中选择个体进行遗传操作，得到子种群，其中，在进行遗传操作时，根据种群在进化过程中所处的进化状态自适应地调节进化参数。

【技术特征摘要】
1.一种带约束云工作流调度的自适应多目标进化方法，其特征在于，包括：S1、根据Pareto解的个数和Pareto熵检测种群在进化过程中所处的进化状态，根据检测到的种群在进化过程中所处的进化状态，自适应地利用相应的个体评估策略处理约束条件，并对种群中的个体进行排序，其中，在个体评估策略中，采用约束违反处理方法来处理约束条件；S2、根据个体排序结果，从种群中选择个体进行遗传操作，得到子种群，其中，在进行遗传操作时，根据种群在进化过程中所处的进化状态自适应地调节进化参数。2.根据权利要求1所述的带约束云工作流调度的自适应多目标进化方法，其特征在于，所述根据Pareto解的个数和Pareto熵检测种群在进化过程中所处的进化状态包括：若种群中没有Pareto解，则种群在进化过程中所处的进化状态为初始状态。3.根据权利要求1所述的带约束云工作流调度的自适应多目标进化方法，其特征在于，所述根据Pareto解的个数和Pareto熵检测种群在进化过程中所处的进化状态包括：若种群中Pareto解的个数小于种群大小，则种群在进化过程中所处的进化状态为收敛状态；或，若种群中Pareto解的个数等于种群大小，且种群在t+1次迭代中，Pareto解的个数发生了变化，则种群在进化过程中所处的进化状态为收敛状态；或，若种群中Pareto解的个数等于种群大小，种群在t+1次迭代中，Pareto解的个数没有发生变化，且则种群在进化过程中所处的进化状态为收敛状态；其中，△Entropy(t+1)表示第t+1次迭代和第t次迭代的差熵，M表示优化目标的个数，△Entropymax-diver表示最大差熵值。4.根据权利要求1所述的带约束云工作流调度的自适应多目标进化方法，其特征在于，所述根据Pareto解的个数和Pareto熵检测种群在进化过程中所处的进化状态包括：若种群中Pareto解的个数等于种群大小，种群在t+1次迭代中，Pareto解的个数没有发生变化，且则种群在进化过程中所处的进化状态为多样化状态；或，若种群中Pareto解的个数等于种群大小，种群在t+1次迭代中，Pareto解的个数没有发生变化，Pareto熵也没变化，则种群在进化过程中所处的进化状态为成熟状态；其中，△Entropy(t+1)表示第t+1次迭代和第t次迭代的差熵，M表示优化目标的个数，△Entropymax-diver表示最大差熵值。5.根据权利要求3或4所述的带约束云工作流调度的自适应多目标进化方法，其特征在于，所述△Entropymax-diver表示为：

【专利技术属性】
技术研发人员：刘丽，张淼，李慧琦，范琦，
申请(专利权)人：北京科技大学，北京理工大学，
类型：发明
国别省市：北京,11