基于时间负载均衡的粒子遗传算法优化方法、装置及系统制造方法及图纸

本发明专利技术属于计算机技术领域，尤其涉及基于时间负载均衡的粒子遗传算法优化方法、装置及系统。基于时间负载均衡的粒子遗传算法优化方法，包括：构建粒子种群；对各粒子的位置和速度进行更新，并设定迭代次数，得出达到设定迭代次数的粒子个体最优位置和粒子全局最优位置；对粒子种群进行交叉操作和变异操作，得出最终的粒子个体最优位置和粒子全局最优位置。基于时间负载均衡的粒子遗传算法优化装置，包括：构建模块；更新模块；交叉变异模块。基于时间负载均衡的粒子遗传算法优化系统，包括多个节点服务器和至少一个终端。本发明专利技术解决了云任务调度中耗时长、时间负载不均衡和资源利用率低的问题。

Optimization method, device and system of particle genetic algorithm based on time load balancing

The invention belongs to the field of computer technology, in particular to the optimization method, device and system of particle genetic algorithm based on time load balancing. Including the load optimization method, genetic algorithm based on particle equilibrium time structure of particle population; to update the particle position and velocity, and set the number of iterations, the optimal particle particle position and the individual optimal global position set for the number of iterations; crossover operation and mutation operation on the particle population, the optimal particle individual best position and finally the global position of particle. The optimization device of particle genetic algorithm based on time load balancing, including: construction module, update module, cross mutation module. An optimization system for particle genetic algorithm based on time load balancing, including multiple node servers and at least one terminal. The invention solves the problem of long time consuming, unbalance of time and load and low utilization of resource in cloud task scheduling.

【技术实现步骤摘要】
基于时间负载均衡的粒子遗传算法优化方法、装置及系统
本专利技术属于计算机
，尤其涉及基于时间负载均衡的粒子遗传算法优化方法、装置及系统。
技术介绍
云计算是网格计算、分布式计算和并行计算的商业发展，具备了其他计算模式所不具有的先天优势。云计算系统根据任务请求以及任务属性为其分配资源，然而复杂的云计算环境使得任务的调度成为极具挑战性的问题。同时，任务调度完成的时间和成本等成为衡量算法的标准和追求目标。在云计算环境中，任务与节点有异构和动态的特征，存在着随机性。粒子群算法是一种基于群体智能的随机优化算法，种群中每一个粒子都代表问题的一个可能解，且群体内部可以进行信息交互，促使粒子改变自身的位置，进而实现求解的智能性。由于粒子群优化算法存在早熟收敛、易陷入局部最优等问题，文献[1]加入遗传算法的交叉和变异操作，扩展粒子的搜索空间，来克服粒子易陷入局部最优问题。文献[2]采用了反向学习和局部学习的思想优化收敛速度，并提高解的精度，但依然存在着负载均衡、节能的问题。文献[3]在前者的基础上引入了混沌扰动思想，可有效地跳出局部最优现象。另外，由于传统的粒子初始化方法是随机生成若干个粒子，生本文档来自技高网...

【技术保护点】
基于时间负载均衡的粒子遗传算法优化方法，其特征在于，包括以下步骤：步骤1：构建粒子种群；步骤2：对各粒子的位置和速度进行更新，并设定迭代次数，得出达到设定迭代次数的粒子个体最优位置和粒子全局最优位置；步骤3：对粒子种群进行交叉操作和变异操作，得出最终的粒子个体最优位置和粒子全局最优位置。

【技术特征摘要】
1.基于时间负载均衡的粒子遗传算法优化方法，其特征在于，包括以下步骤：步骤1：构建粒子种群；步骤2：对各粒子的位置和速度进行更新，并设定迭代次数，得出达到设定迭代次数的粒子个体最优位置和粒子全局最优位置；步骤3：对粒子种群进行交叉操作和变异操作，得出最终的粒子个体最优位置和粒子全局最优位置。2.根据权利要求1所述的基于时间负载均衡的粒子遗传算法优化方法，其特征在于，所述构建粒子种群指部分粒子的生成方式根据节点均匀分配法，使得每个节点上所分配的任务个数相差不超过1，剩余部分粒子随机生成。3.根据权利要求1所述的基于时间负载均衡的粒子遗传算法优化方法，其特征在于，所述步骤2包括：步骤2.1：计算各粒子的适应度值，获得当前个体最优位置及当前全局最优位置的适应度值，所述当前个体最优位置指每个粒子的位置，所述当前全局最优位置指适应度函数值最大的粒子的位置；各粒子的适应度函数如下所示：其中，f为粒子适应度，Q为常数，T为粒子序列中任务完成总时间，Tj为j节点任务完成时间，k1和k2分别为任务完成时间和时间负载均衡的权重；Tj及T公式分别如下：其中，i表示任务编号，j表示节点编号，tij表示完成j节点i任务的时间，利用规模为m×n的矩阵t来存储tij的值，eij表示若任务i在节点j上执行其值为1，否则为0，m为总任务数，li表示任务i的长度，cpj为节点j的处理能力，n为总节点数；步骤2.2：对各粒子的粒子速度和粒子位置进行更新及元素规范化，并计算更新及元素规范化后各粒子的适应度值，所述粒子位置指所有任务被执行时对应的节点序列，粒子位置中每一维元素的值都是对应的节点编号；步骤2.3：判断更新及元素规范化后各粒子的适应度值是否大于当前个体最优位置及全局最优位置的适应度值，若是，则更新粒子的当前个体最优位置及全局最优位置；若否，则不进行更新；步骤2.4：判断是否达到设定的迭代次数，若是，则得出最终的粒子个体最优位置和粒子全局最优位置；若否，则重复步骤2.1至步骤2.3。4.根据权利要求3所述的基于时间负载均衡的粒子遗传算法优化方法，其特征在于，所述步骤2.2包括：a.对各粒子的粒子速度进行更新：其中，表示第s个粒子在第k+1次迭代中第i维的速度，表示第s个粒子在第k次迭代中第i维的速度，ξ和η为设定的常数，k是迭代次数，r1和r2是均匀分布在[0,1]之间的随机数；ω为权重因子，NC为总迭代次数，为第s个粒子第k次迭代后的个体历史最优位置，是个体历史最优解位置所对应的第i维的值，为第k次迭代后的全局最优解位置，是个体历史最优解位置所对应的第i维的值，为第s个粒子在第k+1次迭代更新后位置的第i维的值；fmax是迭代后的当前最大适应度值；b.对各粒子的粒子位置进行更新：其中，为第s个粒子在第k+1次迭代更新后位置的第i维的值，为第s个粒子在第k次迭代更新后位置的第i维的值，表示第s个粒子在第k+1次迭代中第i维的速度；c.对更新后各粒子的粒子速度进行元素规范化：其中，为第s个粒子在第k次迭代中第i维的速度元素规范化后的粒子速度，n为节点的个数，为第s个粒子在第k次迭代中第i维的粒子速度；d.对更新后各粒子的粒子位置进行元素规范化：其中，为第s个粒子在第k次迭代中第i维的位置元素规范化后的粒子位置，C为常数，为第s个粒子在第k次迭代中第i维的粒子位置，e为自然常数；e.计算更新及元素规范化后各粒子的适应度值。5.根据权利要求1所述的基于时间负载均衡的粒子遗传算法优化方法，其特征在于，所述步骤3包括：步骤3.1：随机选取两个粒子，计算交叉概率；交叉概率计算公式如下所示：其中，f'为两个粒子中最大适应度值，fmax为全局粒子最大适应度值，favg为全局粒子平均适应度值，c1、c2分别为交叉因子；步骤3.2：判断交叉概率是否大于或等于交叉概率标准值，若是，则不进行交叉操作；若否，则进行交叉操作，并计算交叉操作后形成的各粒子的适应度值；所述交叉操作指在随机选取的两个粒子中随机生成两个交叉点，将两粒子在两交叉点之间的序列进行对应交换；步骤3.3：判断交叉操作后形成的各粒子的适应度值是否大于交叉操作前的粒子适应度值，若是，则更新个体最优位置和全局最优位置；若否，则不进行更新；步骤3.4：随机选取一个粒子，计算变异概率；变异概率计算公式如下所示：其中，f为该粒子的适应度函数，fmax为粒子种群最大适应度值，favg为粒子种群平均适应度值，m1、m2分别为变异因子；步骤3.5：判断变异概率是否大于或等于变异概率标准值，若是，则不进行变异操作；若否，则进行变异操作，并计算变异操作后形成的各粒子的适应度值；所述变异操作指在随机选取的一个粒子中随机生成两个变异点，将该粒子在两个变异点内进行随机变异；步骤3.6：判断变异操作后形成的各粒子的适应度值是否大于变异操作前的粒子适应度值，若是，则更新个体最优位置和全局最优位置；若否，则不进行更新；步骤3.7：判断是否达到设定的迭代次数，若是，则得出最终的粒子个体最优位置和粒子全局最优位置；若否，则重复步骤3.1至步骤3.6。6.基于权利要求1-5所述的基于时间负载均衡的粒子遗传算法优化方法的基于时间负载均衡的粒子遗传算法优化装...

【专利技术属性】
技术研发人员：侯守明，张玉珍，王留芳，郅芬香，常莉，
申请(专利权)人：河南理工大学，
类型：发明
国别省市：河南,41