移动云计算的多目标任务调度方法技术

公开了一种移动云计算的多目标任务调度方法。该方法可以包括：步骤1：建立包含多个任务的有向无循环图，设定迭代次数；步骤2：设定种群规模，建立包含多个初始种群个体的初始种群；步骤3：以初始种群个体为父代，通过进化方式获得进化种群个体为子代，比较父代与子代的适应度函数，根据占优规则更新种群；步骤4：以初始种群个体为父代，重复步骤3，直至达到迭代次数，获得优化种群，删除适应度最小的N个种群个体，使优化种群的规模为种群规模，获得最终种群。本发明专利技术可以在任务执行时间、执行代价和执行能耗三个目标上实现同步均衡的优化，形成多目标优化的调度解集合。

Multi objective task scheduling method for mobile cloud computing

A multi-objective task scheduling method for mobile cloud computing is disclosed. The method can include: step 1: establishing directed acyclic graph with multiple tasks and setting iteration times; step 2: setting population size and establishing initial population with multiple initial population individuals; step 3: taking the initial population individual as the parent, obtaining the evolutionary population individual as the offspring by evolutionary way, and comparing the paternal generation. With the fitness function of the offspring, the population is updated according to the dominant rule; Step 4: Take the initial population as the parent, repeat step 3 until the number of iterations is reached to obtain the optimal population, delete the N individuals with the smallest fitness, and make the optimal population size as the population size, and obtain the final population. The invention can achieve synchronous and balanced optimization in three objectives of task execution time, execution cost and execution energy consumption, and form a multi-objective optimization scheduling solution set.

【技术实现步骤摘要】
移动云计算的多目标任务调度方法
本专利技术涉及移动云计算领域，更具体地，涉及一种移动云计算的多目标任务调度方法。
技术介绍
移动云环境中的DAG任务调度问题不同于传统的任务调度问题，需要考虑的因素更多更复杂，包括：1)用户QoS需求的多样性，如：服务响应时间、服务代价等；2)云服务具有异质性、动态性和弹性等特征；3)联合云服务执行工作流任务的方式多样；4)DAG任务调度时任务间的数据传输更为普遍。此时的任务调度问题本质上是联合优化问题。目前的研究中，一些工作主要集中于执行时间的优化，未考虑用户的预算约束。然而，由于云计算的市场化特征，用户必须对云资源使用进行付费，一些工作则考虑了用户预算和截止时间约束，如文献[W.ZhengandR.Sakellariou,Budget-deadlineconstrainedworkflowplanningforadmissioncontrol[J],JournalofGridComputing,2013,11(4):633-651.]提出了一种基于预算约束的异构最快完成时间算法BHEFT，该算法是经典的异构最快完成时间工作流调度算法HEFT的改进，考虑了任务调度时的最优预算约束问题，文献[H.Arabnejad,J.G.Barbosa,Abudgetconstrainedschedulingalgorithmforworkflowapplications[J],JournalofGridComputing,2014,12(4):1-15.]提出了一种异构预算约束调度算法HBCS，通过定义代价因子调整可用预算与最低廉价格可能性的比例，实现调度优化，文献[李克武,张功萱,朱昭萌,云环境中基于分解的多目标工作流调度算法[J],计算机工程与科学,2016,38(8):1588-1594.]提出了MOSC/D算法则是以工作流完成时间和费用作为优化目标，通过目标分解机制对单一目标求解近似最优解。除了任务的调度时间和执行代价，能耗已经成为云计算中数据中心面临的严峻问题。云服务的提供不仅需要满足用户的QoS需求，而且需要确保服务提供行为的收益保障，而这与资源方的高能耗是相互影响的。能效本身与其它QoS需求(时间或代价)是相互冲突的目标。相关研究中，文献[HuangQ,SuS,LiJ,etal.EnhancedEnergy-EfficientSchedulingforParallelApplicationsinCloud[C]//IEEE/ACMInternationalSymposiumonCluster,CloudandGridComputing,USA,IEEE,2013:781-786.]虽然考虑了能耗，但在任务调度时忽略了执行代价问题，优化目标有所减少。而文献[ThanavanichT,UthayopasP.Efficientenergyawaretaskschedulingforparallelworkflowtasksonhybridscloudenvironment[C]//InternationalComputerScienceandEngineeringConference,USA,IEEE,2013:37-42]提出的加强HEFT算法EHEFT则仅是实现了调度时长与能耗的双目标最优化。综合考虑相关已有的研究内容，多数工作集中于优化单一的或两个目标，且没有考虑不同目标间的相互影响，即执行时间与执行代价、或执行时间与执行能耗间的影响。因此，有必要开发一种移动云计算的多目标任务调度方法。公开于本专利技术
技术介绍
部分的信息仅仅旨在加深对本专利技术的一般
技术介绍
的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域技术人员所公知的现有技术。
技术实现思路
本专利技术提出了一种移动云计算的多目标任务调度方法，其通过在任务的完成时间、任务执行的费用预算以及移动云资源的总能量均有约束的条件下，可以在任务执行时间、执行代价和执行能耗三个目标上实现同步均衡的优化，形成多目标优化的调度解集合。根据本专利技术的一方面，提出了一种移动云计算的多目标任务调度方法。所述方法可以包括：步骤1：建立包含多个任务的有向无循环图，设定迭代次数；步骤2：设定种群规模，根据所述有向无循环图和资源集合，建立包含多个初始种群个体的初始种群，其中，多个初始种群个体包括三个单目标优化种群个体，初始种群个体的数量为所述种群规模；步骤3：以初始种群个体为父代，通过进化方式获得进化种群个体为子代，比较所述父代与所述子代的适应度函数，根据占优规则更新种群；步骤4：以子代种群个体为父代，重复步骤3，直至达到迭代次数，获得优化种群，若所述优化种群的规模大于所述种群规模，则删除适应度最小的N个种群个体，使所述优化种群的规模为所述种群规模，获得最终种群；其中，N为优化种群规模与种群规模的差值。优选地，所述三个单目标优化种群个体包括：最早完成时间种群个体、最小执行代价种群个体，最小执行能耗种群个体。优选地，获取所述最早完成时间种群个体包括：计算每个任务在所有资源的平均计算时间，进而确定每个任务的优先级，获得每个任务的调度次序；根据所述每个任务的调度次序，计算每个任务的最早完成时间的最小值，获得的调度方案即为最早完成时间种群个体。优选地，获取所述最小执行代价种群个体包括：计算每个任务在所有资源的平均计算时间，进而确定每个任务的优先级，获得每个任务的调度次序；按照所述调度次序依次为每个任务选择能够得到最小执行代价的调度资源，获得的调度方案即为最小执行代价种群个体。优选地，获取所述最小执行能耗种群个体包括：步骤a：计算每个任务在所有资源的平均计算时间，进而确定每个任务的优先级，获得每个任务的调度次序；步骤b：根据所述每个任务的调度次序，计算每个任务的最早完成时间的最小值，获得初始调度方案；步骤c：计算所述初始调度方案的每个资源的能效值，删除能效值最小的资源，获得资源集合，针对所述资源集合重复步骤a-b，获得最终调度方案为最小执行能耗种群个体。优选地，所述进化方式包括：交叉进化与变异进化。优选地，所述交叉进化为：随机选择两个种群个体作为第一父代和第二父代，并在所述第一父代和所述第二父代的相同位置随机选择一个交叉点，将所述交叉点的右半部分进行互换，得到两个子代作为第一子代和第二子代。优选地，所述变异进化为：随机选择一个父代中的两个任务，在符合所述有向无循环图的情况下，互换两个任务在所述父代中的位置，得到子代。优选地，所述适应度函数为：其中，FTime(S)为时间适应度函数，fTime(S)为时间目标函数，FCost(S)为代价适应度函数，fCost(S)为代价目标函数，FEnergy(S)为能量适应度函数，fEnergy(S)为能量目标函数，P(S)为惩罚函数，其中，惩罚函数为：P(S)＝PDeadline(S)+PBudget(S)+PCapacity(S)(2)其中，PDeadline(S)表示时间惩罚函数，PBudget表示预算惩罚函数，PCapacity表示能量惩罚函数。优选地，所述占优规则为：若子代占优父代，则将父代从初始种群中删除；若父代占优子代，则删除子代；若子代与父代之间不存在占优关系，则将子代与父代均保留至初始种群；其中，本文档来自技高网...

【技术保护点】
1.一种移动云计算的多目标任务调度方法，包括：步骤1：建立包含多个任务的有向无循环图，设定迭代次数；步骤2：设定种群规模，根据所述有向无循环图和资源集合，建立包含多个初始种群个体的初始种群，其中，多个初始种群个体包括三个单目标优化种群个体，初始种群个体的数量为所述种群规模；步骤3：以初始种群个体为父代，通过进化方式获得进化种群个体为子代，比较所述父代与所述子代的适应度函数，根据占优规则更新种群；步骤4：以子代种群个体为父代，重复步骤3，直至达到迭代次数，获得优化种群，若所述优化种群的规模大于所述种群规模，则删除适应度最小的N个种群个体，使所述优化种群的规模为所述种群规模，获得最终种群；其中，N为优化种群规模与种群规模的差值。

【技术特征摘要】
1.一种移动云计算的多目标任务调度方法，包括：步骤1：建立包含多个任务的有向无循环图，设定迭代次数；步骤2：设定种群规模，根据所述有向无循环图和资源集合，建立包含多个初始种群个体的初始种群，其中，多个初始种群个体包括三个单目标优化种群个体，初始种群个体的数量为所述种群规模；步骤3：以初始种群个体为父代，通过进化方式获得进化种群个体为子代，比较所述父代与所述子代的适应度函数，根据占优规则更新种群；步骤4：以子代种群个体为父代，重复步骤3，直至达到迭代次数，获得优化种群，若所述优化种群的规模大于所述种群规模，则删除适应度最小的N个种群个体，使所述优化种群的规模为所述种群规模，获得最终种群；其中，N为优化种群规模与种群规模的差值。2.根据权利要求1所述的移动云计算的多目标任务调度方法，其中，所述三个单目标优化种群个体包括：最早完成时间种群个体、最小执行代价种群个体，最小执行能耗种群个体。3.根据权利要求2所述的移动云计算的多目标任务调度方法，其中，获取所述最早完成时间种群个体包括：计算每个任务在所有资源的平均计算时间，进而确定每个任务的优先级，获得每个任务的调度次序；根据所述每个任务的调度次序，计算每个任务的最早完成时间的最小值，获得的调度方案即为最早完成时间种群个体。4.根据权利要求2所述的移动云计算的多目标任务调度方法，其中，获取所述最小执行代价种群个体包括：计算每个任务在所有资源的平均计算时间，进而确定每个任务的优先级，获得每个任务的调度次序；按照所述调度次序依次为每个任务选择能够得到最小执行代价的调度资源，获得的调度方案即为最小执行代价种群个体。5.根据权利要求2所述的移动云计算的多目标任务调度方法，其中，获取所述最小执行能耗种群个体包括：步骤a：计算每个任务在所有资源的平均计算时间，进而确定每个任务的优先级，获得每个任务的调度次序；步骤b：根据所述每个任务的调度次序，计算每个任务的最早完成时间的最小值，获...

【专利技术属性】
技术研发人员：张小庆，胡亚捷，
申请(专利权)人：武汉轻工大学，
类型：发明
国别省市：湖北,42