System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及技术云资源优化调度领域,特别是涉及一种具有高效优化的云资源任务调度方法。
技术介绍
1、随着互联网的普及和大数据的快速增长,云计算在商业领域日益流行。相比于其他分布式计算技术(如集群和网格计算),云计算提供了一种灵活可扩展的方式,向消费者提供服务。这意味着消费者无需拥有底层技术,而可以按需付费使用计算资源和平台。由于云计算是一种面向市场实用的工具,为了让云服务提供商和用户最大限度地提高利润和回报率,先进的资源调度策略对于支持软件和用户应用程序、任务和工作流等方面都至关重要。
2、由于每个任务的需求和约束条件不同,包括带宽、存储、资源开销和响应时间等方面,现有技术中的任务调度并未考虑这些因素来优化资源的分配和利用,导致资源的浪费,且调度效率低。同时,云计算环境的异构性和动态化也增加了任务调度的复杂性,导致现有技术的调度方法不能对任务进行合理分配。此外,云环境中的资源利用情况会随着时间的推移而变化,例如用户请求的数量和类型会发生变化,资源的可用性也会受到其他因素的影响,现有的调度方法却并没有对其进行监测,导致资源浪费,且调度效率低。
技术实现思路
1、本专利技术旨在解决现有技术中存在的调度效率低和无法合理分配和利用资源的技术问题,特别创新地提出了一种具有高效优化的云资源任务调度方法。
2、为了实现本专利技术的上述目的,本专利技术提供了一种具有高效优化的云资源任务调度方法,应用于云服务器中,所述方法包括:
3、s100、将用户输入到所述云
4、s200、对时间开销函数、负载开销函数和价格成本函数进行归一化;
5、s300、通过利用所述时间开销函数、负载开销函数、价格成本函数和多目标函数建立云调度模型,并对所述云调度模型进行训练;
6、s400、将表征后的所述计算任务输入到所述云调度模型中,并根据所述任务属性为每个所述计算任务匹配计算资源;
7、s500、将准反向学习策略和非线性收敛因子融入至鲸鱼优化算法;
8、s600、通过所述鲸鱼优化算法对所述云调度模型对所述计算任务匹配的计算资源进行迭代优化,使所述云服务器根据迭代优化的结果,生成最优的资源调度计划。
9、作为本专利技术的一种可选实施例,可选地,将准反向学习策略和非线性收敛因子融入至鲸鱼优化算法包括:
10、s501、通过将准反向学习策略融入元启发式中,并通过所述多目标函数分别计算原种群和准对立种群的适应度值,定义初始种群;
11、s502、确定所述计算任务与鲸鱼之间的映射关系;
12、s503、在所述鲸鱼优化算法中引入非线性收敛因子。
13、作为本专利技术的一种可选实施例,可选地,所述通过所述鲸鱼优化算法对所述云调度模型对所述计算任务匹配的计算资源进行迭代优化包括:
14、s601、通过多目标函数计算每条鲸鱼的适应度值,基于所述每条鲸鱼的适应度值获取最优适应度值,并保存;
15、s602、设鲸鱼使用包围收缩路径更新法和螺旋位置更新法来更新其位置的可能性为p,当p大于0.5时鲸鱼采用螺旋位置更新法来更新鲸鱼的位置;
16、s603、当p小于0.5时鲸鱼采用包围收缩路径更新法对鲸鱼的位置进行更新,后判断鲸鱼的向量系数h,若|h|大于等于1时采用搜索猎物更新法更新鲸鱼的位置;
17、s604、若|h|小于1时则采用包围收缩路径更新法更新鲸鱼的位置;
18、s605、将所述初始种群中所有位置更新后的鲸鱼通过所述多目标函数计算每条鲸鱼的适应度值,获取最优适应度值,并保存;重复步骤s602至s604,直至达到最大迭代次数。
19、作为本专利技术的一种可选实施例,可选地,所述包围收缩路径更新法的公式表示为:
20、d=|c×x*(t)-x(t)|
21、x(t+1)=x*(t)-h×d
22、其中,d表示从搜索代理到目标猎物的距离向量,t表示当前迭代次数,c和h表示向量系数,x*(t)表示在迭代次数等于t时的当前最优解向量,x(t)表示在迭代次数等于t时的当前解向量,t+1表示当前迭代次数的下一次迭代次数;
23、所述螺旋位置更新法的公式表示为:
24、x(t+1)=d*×elb×cos(2πl)+x*(t)
25、其中,d*=|x*(t)-x(t)|表示个体鲸鱼到当前最佳鲸鱼的距离,l为一个取值介于-1和1之间的随机数,b表示一个常数;
26、所述搜索猎物更新法的公式表示为:
27、x(t+1)=xrand-h×|c×xrand-x(t)|
28、其中,xrand表示随机选择的搜索代理的位置向量。
29、作为本专利技术的一种可选实施例,可选地,通过调整c和h的值确定鲸鱼当前位置的下一时刻的最优适应度值,c和h的计算公式为:
30、c=2×r
31、h=2β×r-β
32、
33、其中,r表示0到1之间的随机数,β表示非线性收敛因子,t表示当前迭代次数,tmax表示最大迭代数。
34、作为本专利技术的一种可选实施例,可选地,所述通过将准反向学习策略融入元启发式中,并通过所述多目标函数分别计算原种群和准对立种群的适应度值,定义初始种群包括:
35、s5011、在鲸鱼当前点上定义反向点;
36、所述反向点的定义公式为:
37、
38、其中,表示当前点的反向点,γi表示一维空间中的最小值,表示一维空间中的最大值,xi表示当前点;
39、s5012、根据中心点和所述反向点定义准反向点;
40、所述定义准反向点的公式为:
41、
42、
43、
44、其中,m表示解空间中的中心点,γ和为一维空间中的两个点,表示准反向点,表示第i个准反向点向量的点,mi表示第i个中心点m向量的点,s表示(0,1)之间的均匀分布随机数;
45、s4013、基于所述准反向点或原种群建立初始种群。
46、作为本专利技术的一种可选实施例,可选地,所述在所述鲸鱼优化算法中引入非线性收敛因子的表达式为:
47、
48、其中,β表示非线性收敛因子,t表示当前迭代次数,tmax表示最大迭代数,r表示0到1之间的随机数。
49、作为本专利技术的一种可选实施例,可选地,对所述开销函数、负载开销函数和价格成本函数进行归一化的表达式为:
50、
51、
52、
53、其中,f1表示归一化后的时间开销函数,n表示计算任务,i表示任务序号,m表示虚拟机数量,j表示虚拟机序号,aij表示决策变量,et,i表示第i个任务的虚拟机中任务处理能力向量值本文档来自技高网...
【技术保护点】
1.一种具有高效优化的云资源任务调度方法,应用于云服务器中,其特征在于,所述方法包括:
2.如权利要求1所述的一种具有高效优化的云资源任务调度方法,其特征在于,将准反向学习策略和非线性收敛因子融入至鲸鱼优化算法包括:
3.如权利要求2所述的一种具有高效优化的云资源任务调度方法,其特征在于,所述通过所述鲸鱼优化算法对所述云调度模型对所述计算任务匹配的计算资源进行迭代优化包括:
4.如权利要求3所述的一种具有高效优化的云资源任务调度方法,其特征在于,所述包围收缩路径更新法的公式表示为:
5.如权利要求3所述的一种具有高效优化的云资源任务调度方法,其特征在于,通过调整C和H的值确定鲸鱼当前位置的下一时刻的最优适应度值,C和H的计算公式为:
6.如权利要求2所述的一种具有高效优化的云资源任务调度方法,其特征在于,所述通过将准反向学习策略融入元启发式中,并通过所述多目标函数分别计算原种群和准对立种群的适应度值,定义初始种群包括:
7.如权利要求2所述的一种具有高效优化的云资源任务调度方法,其特征在于,所述在所述鲸鱼优化
8.如权利要求1所述的一种具有高效优化的云资源任务调度方法,其特征在于,对所述开销函数、负载开销函数和价格成本函数进行归一化的表达式为:
9.如权利要求1所述的一种具有高效优化的云资源任务调度方法,其特征在于,所述多目标函数为:
10.一种计算机设备,其特征在于,包括:
...【技术特征摘要】
1.一种具有高效优化的云资源任务调度方法,应用于云服务器中,其特征在于,所述方法包括:
2.如权利要求1所述的一种具有高效优化的云资源任务调度方法,其特征在于,将准反向学习策略和非线性收敛因子融入至鲸鱼优化算法包括:
3.如权利要求2所述的一种具有高效优化的云资源任务调度方法,其特征在于,所述通过所述鲸鱼优化算法对所述云调度模型对所述计算任务匹配的计算资源进行迭代优化包括:
4.如权利要求3所述的一种具有高效优化的云资源任务调度方法,其特征在于,所述包围收缩路径更新法的公式表示为:
5.如权利要求3所述的一种具有高效优化的云资源任务调度方法,其特征在于,通过调整c和h的值确定鲸鱼当前位置的下一时刻的最优适应度值,c...
【专利技术属性】
技术研发人员:李少波,熊宣,吴封斌,汝迎庆,张星星,童剑,王帅,谢群,凌一宏,林光政,
申请(专利权)人:贵州大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。