基于多Agent系统的粒子群遗传优化云工作流调度算法
发布时间：2019-11-23 02:43
【摘要】：随着大数据时代的来临,传统的工作流计算平台已经无法满足大量工作流应用的计算要求.因此,工作流应用开始由原有的基础设施转移到更加高效、可靠、廉价的云平台上.针对现有的云工作流调度算法执行时间最小化、作业最优分配以及调度算法的收敛时间问题,提出一种基于多Agent系统的粒子群遗传优化云工作流调度算法.该算法首先利用粒子的自身历史最优位置和粒子群历史最优位置优化全局最优解的搜索过程,然后将系统中每个粒子作为一个Agent,多Agent间相互竞争和协调,最后在多Agent系统中引入遗传算法,通过Agent间的信息交互进行有目标地交叉变异操作,不仅避免粒子群的盲目随机化以及陷入局部最优解,而且加速了搜索全局最优解的收敛过程.使用真实工作流数据进行模拟实验,实验结果证明该算法的有效性.
【图文】：
理大量业务．随着云计算平台与工作流系统的结合，云工作流系统将成为处理大规模复杂业务的有效工具．云工作流系统是建立在云计算平台上的工作流系统，满足云计算模式的功能需求．它的功能组件包括了一般工作流系统组件和与工作流系统相协调的云计算平台．此外，由于云计算平台的管理非常复杂和庞大，如何高效提高服务质量ＱｏＳ（ＱｕａｌｉｔｙｏｆＳｅｒｉｖｉｃｅ）的管理和任务部署就成为一个极大的挑战．为了在云环境中高效地调度任务及数据．本文提出了一个云工作流系统模型，如图１所示．图１云工作流系统模型Ｆｉｇ．１Ｃｌｏｕｄｗｏｒｋｆｌｏｗｓｙｓｔｅｍｍｏｄｅｌ３．２云工作流模型组件介绍（１）云工作流接口：云工作流通过这个接口导入到云工作流系统中，这个组件提供了对科学工作流、电子商务等的接口，以便后续组件根据其工作流的主要特点进行分类处理．（２）云工作流解析器：这个组件对工作流整体进行解析，生成工作流的任务集，任务之间的约束关系，以及任务之间的数据和传输路径．（３）云工作流引擎：获取云工作流解析器生成工作流任务集、任务之间的约束关系，以及任务之间的数据和传输路径．云工作流引擎的主要作用在于根据任务间的约束关系，确保当前任务在父任务成功完成或数据到达当前任务时，当前任务才可以执行．这个组件只提交未处理的任务给云工作流调度器．（４）云工作流调度器：这个组件是整个系统的核心，主要的任务调度算法就是通过这个组件实现：首先云工作流调度器通过加载上一层组件生成的云工作流，生成一个全局队列；其次在作业分配器中根据调度算法对任务进行分配，生成作业的调度的子队列；然后从子队列
次迭代时的速度，ω是惯性权重，取值非负，调节对解空间的搜索范围ｃ．１和ｃ２是加速度常数（ｃ１也称认知系数，ｃ２也称社会系数），调节学习的最大步长．ｒ１和ｒ２是０到１之间的随机数，以增加搜索随机性，Ｘｋ＋１ｉ是粒子ｉ在第ｋ＋１次迭代时位置，Ｘｋｉ是粒子ｉ在第ｋ次迭代时的位置，是Ｐｂｅｓｔｉ第ｉ个粒子目前为止到达的最好位置，Ｇｂｅｓｔ是对整个种群而言最佳的粒子位置．粒子群优化算法的流程图如图２所示．４．２云工作流环境下的粒子群算法云工作流调度算法的变量和规则描述如下：任务和虚拟机的映射关系：表示成一个二元组Ｘｉｊ：Ｘｉｊ＝Ｔｉ，Ｐｊ，ｉ∈［１，ｍ］，ｊ∈［１，ｎ］（３）其中，Ｔｉ表示第ｉ号任务，ｍ表示任务的数目，Ｐｊ表示第ｊ号虚拟机，，ｎ表示虚拟机的数目，这个二元组代表任务虚拟机的映射关系，即一个任务Ｔｉ分配到Ｐｊ虚拟机上．图２粒子群优化算法的流程图Ｆｉｇ．２Ｐａｒｔｉｃｌｅｓｗａｒｍｏｐｔｉｍｉｚａｔｉｏｎａｌｇｏｒｉｔｈｍｆｌｏｗｃｈａｒｔ粒子的位置：代表云工作流调度问题的一个可行解，表示为一个二维矩阵Ｘ：Ｘ＝φ（Ｘ１１）φ（Ｘ１２）…φ（Ｘ１ｎ）φ（Ｘ２１）φ（Ｘ２２）…φ（Ｘ２ｎ）鐤鐤郪鐤φ（Ｘｍ１）φ（Ｘｍ２）…φ（Ｘｍｎ）p膒苝蘰危ǎ矗┢渲校卣螅卮硪桓隽Ｗ拥奈恢茫卣竺扛鑫恢么娣诺娜挝瘢裕
本文编号：2564771
【图文】：
理大量业务．随着云计算平台与工作流系统的结合，云工作流系统将成为处理大规模复杂业务的有效工具．云工作流系统是建立在云计算平台上的工作流系统，满足云计算模式的功能需求．它的功能组件包括了一般工作流系统组件和与工作流系统相协调的云计算平台．此外，由于云计算平台的管理非常复杂和庞大，如何高效提高服务质量ＱｏＳ（ＱｕａｌｉｔｙｏｆＳｅｒｉｖｉｃｅ）的管理和任务部署就成为一个极大的挑战．为了在云环境中高效地调度任务及数据．本文提出了一个云工作流系统模型，如图１所示．图１云工作流系统模型Ｆｉｇ．１Ｃｌｏｕｄｗｏｒｋｆｌｏｗｓｙｓｔｅｍｍｏｄｅｌ３．２云工作流模型组件介绍（１）云工作流接口：云工作流通过这个接口导入到云工作流系统中，这个组件提供了对科学工作流、电子商务等的接口，以便后续组件根据其工作流的主要特点进行分类处理．（２）云工作流解析器：这个组件对工作流整体进行解析，生成工作流的任务集，任务之间的约束关系，以及任务之间的数据和传输路径．（３）云工作流引擎：获取云工作流解析器生成工作流任务集、任务之间的约束关系，以及任务之间的数据和传输路径．云工作流引擎的主要作用在于根据任务间的约束关系，确保当前任务在父任务成功完成或数据到达当前任务时，当前任务才可以执行．这个组件只提交未处理的任务给云工作流调度器．（４）云工作流调度器：这个组件是整个系统的核心，主要的任务调度算法就是通过这个组件实现：首先云工作流调度器通过加载上一层组件生成的云工作流，生成一个全局队列；其次在作业分配器中根据调度算法对任务进行分配，生成作业的调度的子队列；然后从子队列
次迭代时的速度，ω是惯性权重，取值非负，调节对解空间的搜索范围ｃ．１和ｃ２是加速度常数（ｃ１也称认知系数，ｃ２也称社会系数），调节学习的最大步长．ｒ１和ｒ２是０到１之间的随机数，以增加搜索随机性，Ｘｋ＋１ｉ是粒子ｉ在第ｋ＋１次迭代时位置，Ｘｋｉ是粒子ｉ在第ｋ次迭代时的位置，是Ｐｂｅｓｔｉ第ｉ个粒子目前为止到达的最好位置，Ｇｂｅｓｔ是对整个种群而言最佳的粒子位置．粒子群优化算法的流程图如图２所示．４．２云工作流环境下的粒子群算法云工作流调度算法的变量和规则描述如下：任务和虚拟机的映射关系：表示成一个二元组Ｘｉｊ：Ｘｉｊ＝Ｔｉ，Ｐｊ，ｉ∈［１，ｍ］，ｊ∈［１，ｎ］（３）其中，Ｔｉ表示第ｉ号任务，ｍ表示任务的数目，Ｐｊ表示第ｊ号虚拟机，，ｎ表示虚拟机的数目，这个二元组代表任务虚拟机的映射关系，即一个任务Ｔｉ分配到Ｐｊ虚拟机上．图２粒子群优化算法的流程图Ｆｉｇ．２Ｐａｒｔｉｃｌｅｓｗａｒｍｏｐｔｉｍｉｚａｔｉｏｎａｌｇｏｒｉｔｈｍｆｌｏｗｃｈａｒｔ粒子的位置：代表云工作流调度问题的一个可行解，表示为一个二维矩阵Ｘ：Ｘ＝φ（Ｘ１１）φ（Ｘ１２）…φ（Ｘ１ｎ）φ（Ｘ２１）φ（Ｘ２２）…φ（Ｘ２ｎ）鐤鐤郪鐤φ（Ｘｍ１）φ（Ｘｍ２）…φ（Ｘｍｎ）p膒苝蘰危ǎ矗┢渲校卣螅卮硪桓隽Ｗ拥奈恢茫卣竺扛鑫恢么娣诺娜挝瘢裕
本文编号：2564771
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/2564771.html
