一种基于MPA算法的云计算任务调度方法技术

本发明专利技术公开了一种基于MPA算法的云计算任务调度方法，涉及调度方法领域，包括以下的步骤：读取任务、虚拟机信息，对虚拟机进行编码，计算执行时间矩阵，种群进行初始化，设置适应度函数，计算个体的适应度值，更新个体历史最优位置和全局最优位置，更新个体的位置，判断迭代结束条件，若满足条件则输出最优的解决办法。本发明专利技术利用MPA算法摆脱局部最优能力强的优点，可以在有限的时间和资源的情况下对任务进行合理的调度，有效地减少任务的完成时间，降低云数据中心的能耗。降低云数据中心的能耗。降低云数据中心的能耗。

【技术实现步骤摘要】
一种基于MPA算法的云计算任务调度方法


[0001]本专利技术涉及调度方法
，更具体地说，本专利技术涉及一种基于MPA算法的云计算任务调度方法。

技术介绍

[0002]随着云用户和物联网应用的增多，云端所承载的任务数量爆炸性增长，需要一个合理有效的任务调度方法来减少任务的计算时间，并且降低云数据中心的能源消耗。本专利技术提出了一种基于MPA算法的任务调度方法，该方法将个体的维度设置为任务的个数，个体每个维度上的值设置为虚拟机的编号，对种群进行初始化处理并设置适应度函数，在不断迭代的过程中寻找最优的解决办法，以减少任务的完成时间和数据中心的能耗，本专利技术所提出的算法具有摆脱局部最优能力强，精度高的优点。

技术实现思路

[0003]为了克服现有技术的上述缺陷，本专利技术的实施例提供一种基于MPA算法的云计算任务调度方法，以解决上述
技术介绍
中提出的问题。
[0004]为实现上述目的，本专利技术提供如下技术方案：一种基于MPA算法的云计算任务调度方法，包括以下步骤：
[0005]步骤一，读取任务、虚拟机信息；
[0006]步骤二，对虚拟机进行编码；
[0007]步骤三，计算执行时间矩阵；
[0008]步骤四，设置初始化种群数量；
[0009]步骤五，设置适应度函数；
[0010]步骤六，计算个体的适应度值，更新全局最优位置和个体历史最优位置；
[0011]步骤七，更新个体当前的位置；
[0012]步骤八，判断迭代结束条件，若满足条件则输出最优的解决办法，若不满足则返回步骤六。
[0013]作为本专利技术一种优选的技术方案，所述的步骤一中，读取任务、虚拟机信息即读取输入任务的数量和负载大小以及虚拟机的数量和处理速度。
[0014]作为本专利技术一种优选的技术方案，所述的步骤二中，用于对虚拟机进行编码的方法是：将M台虚拟机从1到M进行编号，每台虚拟机对应一个编号，即输入的虚拟机为{VM1,VM2,VM3}，对应的虚拟机编号为{1,2,3}。
[0015]作为本专利技术一种优选的技术方案，所述的步骤三中，用于计算执行时间矩阵的公式为：
[0016][0017]其中E
ij
表示第i个任务在第j台虚拟机上的执行时间。
[0018]作为本专利技术一种优选的技术方案，所述的步骤四中，用于设置初始化种群数量的数值为50，将个体的维度设置为任务的数量，即任务的数量为m，则个体的维度为m，将个体每个维度上的值设置为随机的虚拟机的编号。
[0019]作为本专利技术一种优选的技术方案，所述的步骤五中，用于设置适应度函数的表达式为：
[0020]FitnessFunction＝0.5*TEC+O.5*Makespan,
[0021]其中TEC表示云数据中心的能源消耗，Makespan表示虚拟机的最大完成时间
[0022]作为本专利技术一种优选的技术方案，所述的步骤六中，用于计算个体的适应度值的方法是：通过个体的位置计算出当前情况下的TEC和Makespan，从而计算出当前位置下的适应度值。
[0023]作为本专利技术一种优选的技术方案，所述的步骤七中，用于更新个体历史最优位置和全局最优位置的方法是：通过计算当前个体的适应度值与该个体的历史最优适应度值进行对比，如果小于历史最优适应度值，则用当前的位置代替历史最优位置，用当前适应度值代替历史最优适应度值，否则保留历史最优位置和历史最优适应度值，最后对比所有个体的历史最优适应度值，适应度值最小的历史最优位置设置为全局最优位置，所述的步骤七中，用于更新个体当前的位置的根据是：通过全局最优位置和个体历史最优位置为依据执行个体当前位置的调整。
[0024]作为本专利技术一种优选的技术方案，所述的步骤七中，用于更新个体当前的位置的算法是：当迭代次数为最大迭代次数的三分之一时，计算个体的拥挤度，并且从小到大进行排名，排名靠前的一半个体在第二阶段执行开发，排名靠后的一半个体执行探索，其中拥挤度的表达式为：
[0025][0026][0027]其中i表示当前个体，j表示剩余个体，CD表示拥挤度，所述的步骤七中，用于个体在第二阶段的学习率计算的表达式为：
[0028][0029]其中N＝50，c＝0.05,e＝0.5,Ranking[i]表示第i个个体的拥挤程度排名，所述的步骤七中，更新个体当前的位置，第一阶段的步长缩放参数设置为P1，具体的表达式为：
[0030][0031]第二阶段的步长缩放参数设置为P2，具体的表达式为：
[0032][0033][0034]第三阶段的步长缩放参数设置为P3，具体的表达式为：
[0035][0036]本专利技术的技术效果和优点：本专利技术可用于在云计算任务调度中将个体的维度和任务的数量结合起来，并将个体的维度值和虚拟机的编号结合起来，对个体进行初始化和设置适应度函数，在不断迭代的过程中计算个体的适应度值，更新个体的历史最优位置以及全局最优位置，个体根据历史最优位置和全局最优位置调整自己的位置，若满足迭代结束的条件，则输出最优的解决办法，以减少任务的完成时间和云数据中心的能源消耗。
附图说明
[0037]图1为本专利技术的流程图。
具体实施方式
[0038]为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。
[0039]如附图1所示的一种基于MPA算法的云计算任务调度方法，包括以下步骤：
[0040]步骤一，读取任务、虚拟机信息；
[0041]步骤二，对虚拟机进行编码；
[0042]步骤三，计算执行时间矩阵；
[0043]步骤四，设置初始化种群数量；
[0044]步骤五，设置适应度函数；
[0045]步骤六，计算个体的适应度值，更新全局最优位置和个体历史最优位置；
[0046]步骤七，更新个体当前的位置；
[0047]步骤八，判断迭代结束条件，若满足条件则输出最优的解决办法，若不满足则返回步骤六；
[0048]步骤一中，读取任务、虚拟机信息即读取输入任务的数量和负载大小以及虚拟机的数量和处理速度，具体操作时，假设输入的任务数量为9个，分别为{T1,T2,T3,T4,T5,T6,T7,T8,T9}，输入可用的虚拟机的数量为3个，分别为{VM1,VM2,VM3}，其中Ti的负载为Wi,虚拟机VMj的处理速度就为Sj；
[0049]步骤二中，用于对虚拟机进行编码的方法是：将M台虚拟机从1到M进行编号，每台虚拟机对应一个编号，即输入的虚拟机为{VM1,VM2,VM3}，对应的虚拟机编号为{1,2,3}，具体操作时，根据上一步骤假设基础上，对虚拟机进行编码，将VM1编号为1，VM2编号为2，VM3编号为3；
[0050]步骤三中，用于计算执行时间矩阵的公式为：
[0051][0052]其中E
ij本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于MPA算法的云计算任务调度方法，其特征在于，包括以下步骤：步骤一，读取任务、虚拟机信息；步骤二，对虚拟机进行编码；步骤三，计算执行时间矩阵；步骤四，设置初始化种群数量；步骤五，设置适应度函数；步骤六，计算个体的适应度值，更新全局最优位置和个体历史最优位置；步骤七，更新个体当前的位置；步骤八，判断迭代结束条件，若满足条件则输出最优的解决办法，若不满足则返回步骤六。2.根据权利要求1所述的一种基于MPA算法的云计算任务调度方法，其特征在于：所述的步骤一中，读取任务、虚拟机信息即读取输入任务的数量和负载大小以及虚拟机的数量和处理速度。3.根据权利要求2所述的一种基于MPA算法的云计算任务调度方法，其特征在于：所述的步骤二中，用于对虚拟机进行编码的方法是：将M台虚拟机从1到M进行编号，每台虚拟机对应一个编号，即输入的虚拟机为{VM1,VM2,VM3}，对应的虚拟机编号为{1,2,3}。4.根据权利要求3所述的一种基于MPA算法的云计算任务调度方法，其特征在于：所述的步骤三中，用于计算执行时间矩阵的公式为：其中E
ij
表示第i个任务在第j台虚拟机上的执行时间。5.根据权利要求4所述的一种基于MPA算法的云计算任务调度方法，其特征在于：所述的步骤四中，用于设置初始化种群数量的数值为50，将个体的维度设置为任务的数量，即任务的数量为m，则个体的维度为m，将个体每个维度上的值设置为随机的虚拟机的编号。6.根据权利要求5所述的一种基于MPA算法的云计算任务调度方法，其特征在于：所述的步骤五中，用于设置适应度函数的表达式为：FitnessFunction＝0.5
×
TEC+0.5
×
Makespan，其中TEC表示云数据中心的能源消耗，Makespan表示虚拟机的最大...

【专利技术属性】
技术研发人员：张艳艳，陈都京，
申请(专利权)人：南京信息工程大学，
类型：发明
国别省市：