基于蚁群优化的云计算任务调度算法研究.docVIP

基于蚁群优化的云计算任务调度算法研究 　　摘 要：在提出蚁群优化算法应用到云计算任务调度问题时，首先要做的就是分析云计算任务调度问题的形式化。从基础到本质，从而提出云计算任务调度的最佳方法，这种算法可以从生态机制方面入手，对于一群算法的技术性完善，信息要素充分。解决组合优化问题，将会采取模拟的独特性，在一定的环境下，云计任务调度中将需要蚁群优化法。 　　关键词：研究原理；蚁群算法；调度算法；优化组合 　　前言 　　云计算具有广泛性，服务性，功能性等独特性质，原始的一些任务调度算法已无法适应现在的社会环境。所以为了使云计算达到最优，必须找出一种针对难解的离散优化问题的元启发式算法，那就是蚁群优化（Ant Colony Optimization ACO）。人工蚁群的协作，会使整个机构建设过程达到一个完整的策略目标。但是对于一些云计算任务调度依旧是不成熟的，必须要用一个系统的科学性方法来调度，从而将云服务的所有各种形式呈现出来。ACO元启发式算法可以用在云计算的调度组合优化问题中，它采取一些不定向的构造过程，向部分解添加符合定义的解成分，从而达到一个完整的解。 　　1 蚁群优化的相关概念的介绍 　　（1）蚁群优化算法的研究。云计算先于个人计算机、互联网以及各种技术软件。对云计算必须要进行研究，实验是检验真理的唯一标准，先从蚁群算法入手。蚁群算法有很多不同的数学模型应用场景，它会呈现出更多的信息要素，使一些全新的信息更新较快，性能较好。通过一些要素，采用数学中的条件循环，可以准确的表达出信息素的挥发程度，也准确地表达出蚂蚁之间协作能力的关系。当循环条件结束时，可以画出统计图，研究出信息素挥发程度与算法求解成反比。从中也可以延伸到一些必要的要素特征，找出一个平衡点，使算法进入最优解。蚁群算法在1991年正式提出，20年的今天知名度已经相当的广泛。它的算法框架逐步成熟形成了一个可以解决函数优化，涉及众多领域，解决静态优化问题，以至于达到优化组合。 　　（2）蚁群算法系统化。在1991年，Dorigo在解决TSP问题中提出了蚂蚁算法，以信息构造和过程发挥使蚂蚁系统的扩展算法得到解决。在原始系统的技术上进行新的改革，蚂蚁系统的方式得到了更新过程，也有一定的信息要素。蚂蚁系统是在以下方面进行改进。第一，对蚂蚁系统的第一次改进来自于精准变革，把人的特有机制放到引入其中，从思想上找出最优途径，从而增加信息要素。第二，在蚂蚁搬家的过程中，一个蚂蚁无法完成整个程序，必须要蚁群。蚁群的团结力量所累积的经验，将会使信息要素发挥到极致。从而在每一次的路径上，有一定量的积累，实现质的飞跃，也有可能探索其他的各方面的路径。第三，蚂蚁系统有大有小，不能从大小方面决定它是否优秀，但是要设定一些局限性，在一定的境内，限制一些区间，每个区间分配不同，来达到信息要素的发挥功能不同，使整个信息要素发挥速率提高。 　　（3）数学类型与蚁群算法结合。在信息要素更新后，蚂蚁的构建路径也已经完善。而遗留在信息路径上的要素，就会随着时间的逝去而消失，使信息要素避免发生一触即发。以基本的蚁群算法来实现云计算的完整性，首先要完善参数的初始化，再标出每一个蚂蚁随机分布的节点，采用数学中的动态形式方式，执行各种完成的构建，更新数据信息库，最后直接完善。这种结合将会分布并使蚁群优化得到适应以及全局发展，也使它有一定的扩展性。从而达到解决问题的最优，使调度更合理。从整体上优化蚁群的云计算任务调度算法。 　　2 基于蚁群优化的云计算任务调度算法 　　（1）蚂蚁调度算法的根本。蚂蚁的基础是它的穴窝，是整个蚂蚁觅食过程中的节点、出发点。如果以时间单位为长度，那么它每个进行的节点都会路过穴窝，从而将信息素反应在节点上，使各种任务得到反映，达到一定的正反馈性和自适应能力，从而让调度算法得到完善。再利用与环境之间的交换规则，是复杂性的动态系统行为，在于探索云计算系统中的紧密结合。当各个阶段的任务已完成时就会全部涌入蚁窝，也就是主节点，它又将任务拆分成多个任务，使每个任务的数据量初始化，都达到一定的细密，初步检测，逐步完善，循环完成以达到最优。也是蚁群在各种循环路径中，发现问题，使信息素的质量加倍。也让那些蚂蚁群优化不再缺乏多样性。为确保信息素不会发生本质性变化，应该在它更新之前进行一个算法流程。第一，与数学中的函数相结合，画出目标函数，直接把蚂蚁群的位置和速度进行转化，选择个体的最佳位置和群体的最优地点，再根据画图对蚂蚁进行速度和位置的更新。第二。设定一些次数，让实验更具有真理性，再次进行初始化，让它们从主节点出发到另一个节点并进行搜索。更新每一个局部的信息要素，把它放入列表中。第三，取出它的任务和合适值，搜索精力产生的信息，来达到预期目标。加快它的速度使信息充分。最后，用蚁群求