基干简化粒子群与蚁群优化云计算资源调度算法.docVIP

基于简化粒子群和蚁群优化的云计算资源调度算法 　　摘 要：为了提高云计算环境下资源调度的效率，将BPSO-ACO算法应用到云计算的资源调度过程中，通过CloudSim平台的仿真实验，与粒子群算法和蚁群算法做比较，得到在同等条件下，简化粒子群优化和蚁群优化算法（BPSO-ACO）比单独的粒子群算法或蚁群算法在进行资源调度时，总任务的完成时间更短、收敛性更好 关键词：云计算；资源调度；粒子群算法；蚁群算法 DOI：10.16640/ki.37-1222/t.2016.14.116 0 引言 计算资源调度问题是一个NP难问题[1]，针对当前云计算中资源调度的效率不高的问题，本文深入的研究了现有云计算环境下资源调度算法，并对基本粒子群算法和蚁群算法进行了优化，并将其应用到云环境下进行资源调度，提出的新的算法研究如何提高资源调度的效率，减少资源的调度时间，为用户提供更好的服务 1 云计算资源调度模型 云计算环境中有n个任务的集合T=（T1，T2， …，Tn） 分配到m个虚拟资源集合VM=（VM1，VM2， …，VMm） 上完成，其中Ti（i=1，2，3…n）表示第i个子任务，VMj（j=1，2，3…m）表示第j个虚拟资源，粒子群中一个粒子位置就是一个可行解，即一个资源分配序列，任务集合T在虚拟资源VM上的分配关系可表示为： 其中Q为常数，表示所有任务执行完的总时间，CTi表示任务Ti的执行花费即时间 4 仿真实验 本文选择CloudSim仿真平台进行仿真实验，将简化粒子群结合蚁群的算法（BPSO-ACO）云计算资源调度模型引入到CloudSim的资源调度系统中，通过仿真实验验证简化粒子群结合蚁群的算法（BPSO-ACO）的云计算资源调度性能 本实验中，为了检验粒子群算法（PSO）、蚁群算法（ACO）与简化粒子群结合蚁群算法（BPSO-ACO）的性能，在CloudSim平台下设置3个虚拟资源节点和20到100个子任务，对比分析 各类算法的参数设置如下描述： （1）对于简化粒子群算法的参数设置如下：粒子的规模设置为100，c1=c2=2，迭代次数设置为30次 （2）对于蚁群算法的参数设置如下：蚁群的规模设置为100，α=β=1，ρ=0.7，迭代次数设置为70次 （3）对于简化粒子群结合蚁群算法的参数设置如下：与粒子群算法和蚁群算法相同的参数，设置为相同的值，迭代次数设置为100次 通过CloudSim进行20次仿真实验，取平均值，进行测试，结果如图1，图2所示 图1与图2可以看出，在初始状态，当任务量较少的情况下，BPSO-ACO算法的完成时间与PSO算法、ACO算法的总完成时间相差不多，但是随着任务量的增加，完成时间的差距越来越明显，说明BPSO-ACO算法在任务量大的情况下的收敛性明显好于PSO算法和ACO算法 通过仿真实验证明：BPSO-ACO算法能够对资源进行合理的调度，总得完成时间要优于PSO算法和ACO算法 参考文献： Arfeen M A， Pawlikowski K， Willig A. A Framework for Resource Allocation Strategies in CloudComputing Environment[J].Computer Software and Applications Conference Workshops （COMPSACW），2011 IEEE 35th Annual.2011，261-266. Clerc M， Kennedy J. The particle swarm： Explosion stability and convergence in a multi-dimensional complex space. IEEE Trans.on Evolution Computer， 2002，6（1）：58-73. Trelea IC. The particle swarm optimization algorithm： Convergence analysis and parameter selection. Information ProcessingLetters， 2003，85（6）：317-325.