云环境下基于改进粒子群算法的任务调度策略研究

发布时间：2020-05-18 16:01

【摘要】：随着大量数据的产生,人类逐步迈进了大数据时代,并随之产生了一系列新的事物,云计算就是其中之一。云计算的产生和发展更新了海量数据新的处理方式,使得数据的处理更加高效和便捷。云计算使得计算机软硬件成为了和社会公共基础设施一样的资源,为人类提供基础服务。如何对这些资源进行合理的调度,成为了云计算数据处理中心的一个难题。云计算数据处理中心的任务调度策略是整个云计算过程的关键。本文针对云环境下的数据中心的任务调度策略,以粒子群算法为研究对象的手段,对任务调度和粒子群算法进行深入的研究,并对粒子群算法进行改进,将改进的算法应用于云环境下的任务调度中。针对标准粒子群算法在初始化粒子时只是随机生成,不能确保粒子均匀分布在搜索空间,本文在初始化时对粒子个体最初的位置和速度实行混沌序列设置,使初始化时粒子可以更加均匀的分布在解空间中。考虑粒子在迭代后期会出现早熟和粒子多样性减少等不足,为了增强粒子的全局寻优能力,在粒子的速度更新公式中加入了粒子重心的概念。最后通过CloudSim仿真器测试验证,实验结果表明本文算法能较好的获得调度结果且收敛速度较快。在解决实际的具体问题时,大多数问题都需要考虑多个目标的,需要对多个目标进行合理的优化处理,在多个目标之间权衡优化。本文对多目标粒子群算法进行了深入的研究,将其应用于云环境下多目标任务调度中。在云环境下的实际应用中,除了要关心任务总完成时间外,任务总成本也是需要重点考虑的因素之一。本文同时对总完成时间和总完成成本两个目标进行研究。实验结果表明,通过多目标粒子群算法优化处理最终能够得到一组最优解集供调度选择。
【图文】：

模型图,任务调度,模型

.1 云计算任务调度概述在云计算系统中,任务调度系统作为其重要的组成部分在提升云计算效率、提高用户的验度和云服务商的效益具有十分关键的作用。在任务调度系统中，调度算法作为调度系统核心，在提高调度系统的效率和功能具有不可替代的作用。任务调度系统负责用户提交的务的收集，然后在调度虚拟机进行对用户的任务进行处理，以达到用户满意和云服务商经最大化为目的。云计算的任务调度最主要的是用户提交的任务要与很多个计算节点相对应，在这样一个程中还得考虑很多的因素，其中最为关键的是任务完成的总时间，，资源的使用成效，而且得满足用户的整体要求。在这些的要求中，最为关键的是完成任务的总时间。为了克服这总完成时间的课题，广大的科研工作者做了很多的工作，取得了一系列的研究成果。最广的是应用各种群体智能算法在其中，对算法的各种改进以达到最优的效果。云环境下任务调度模型如图 3.1

流程图,进化算法,差分,流程图

图 3.2 差分进化算法流程图物进化论理论的以自然选择和遗传学机理的为启本思想是通过选择、交叉、变异操作进行个体进化最优解。遗传算法在寻优求解过程中，具有非常强大、自适应改变值的和自主学习的特性，采用以概率行动态调整算法控制参数，使得算法具有动态自适容易陷入早熟。然而遗传算法在对算法的精度的衡度等方面的性能，暂时还没有行之有效的定量和定还在试验阶段，不能很明确的使用数学语言来表达
【学位授予单位】：北方民族大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TP18;TP3

【参考文献】