基于改进微粒群算法的网格任务调度方法.pdf

基于改进微粒群算法的网格任务调度方法 王敏1王楷2 (1湖北教育学院机电系湖北 武汉4300602华中师范大学计算机科学系 湖北 武汉430079) 摘要任务调度是网格计算环境中影响性能的重要因素。提出了一种新的任务调度方法，该方法先对任 务执行时间进行预测，然后运用改进微粒群算法进行任务调度，达到最小化任务执行时间的要求。最终实现网格 资源的优化分配。通过仿真试验对算法的有效性和性能进行了验证，并比较了与遗传算法调度方案之间的性能 差异。 关键词 任务调度 网格微粒群算法遗传算法 中图分类号’rP393 文献标识码A 任务调度是并行及分布式计算中的关 c，和c。为加速常数，它们使每个微粒 1微粒群优化算法简介 键问题之一。在这一领域中已经有了广泛 而深入的研究。然而。随着计算网格的出 PS0算法与其他优化算法相似．也是范围内变化的随机数。此外微粒的速度y。 现．传统的调度算法并不能很好地适应网 基于群体与适应度．根据对环境的适应度 被一个最大速度I，～限制。如果当前微粒 格资源的特点。如调度算法的高效性。资源 将群体中的个体移动到好的区域。然而它 在某维的速度”。超过该维的最大速度 的异构性以及资源分配决策的并行性和分 不像其他优化算法那样对个体使用优化算 ”～，d，则该维的速度被限制为最大速度 布性等。如何对网格资源进行合理分配和 子，而是将每个个体看作D维搜索空间中 ”～，d·y一决定了微粒在解空间的搜索精 管理，满足各种应用的服务需求，实现资源 的一个没有体积的微粒(点)，在搜索空间 度；如果y。太大，微粒会飞过最优解；如 的优化利用，已成为计算网格中的一个重 中以一定的速度飞行。这个速度根据它本 果y一太小，微粒则陷入局部最优解而无 要研究课题。 身的飞行经验以及同伴的飞行经验进行动 法进行全局搜索。 对于任务调度。少数小规模问题可以 态调整。第i个微粒表示为X。=(算；b茹选… 在算法迭代初期，微粒在较大的空间 应用传统算法解决，但大量调度问题属于 菇由)，它经历过的最好位置记为只=(p访p边…内进行搜索。随着迭代次数的增加，粒子在 NP—hard问题，目前还没有找到可以精确 个体极值和全局极值的引导下，逐渐收敛 p出)，也称为pk；。在群体所有微粒经历过的 求得最优解的多项式时间算法。虽然遗传 最好位置的索引号用符号譬表示，即只，也 到小的范围．在迭代结束时粒子最终收敛 算法可以解决此类问题，。但遗传算法本身 的位置代表算法找到的最优解。微粒群优 称为强。。微粒i的速度用VF(v儿，vj2，…viD) 还存在开销较大。执行时间较长等问题。为 表示。对每一代，其第d维(1≤d≤D)根据化算法流程图见附图。 此本文提出了一种基于改进微粒群算法的 如下方程变化 2适应于网格任务调度的微粒群 网格任务调度方法，通过预测任务执行时 L J‘rI田IdJ‘Lp讨—搿试J 移讨=啪试+c ”：。一：+c，．蒯()．(p：叫：) 优化算法 间。自适应地进行任务调度，实现网格资源 的优化调度和分配。 +c2。朋以()‘(P“叫甜) (1) t+』 t ^ Swam (2) 微粒群优化(Particle0pti． 石讨=筑“—口讨 其中。_j}为迭代次数