基于信息熵的混沌遗传算法求解网格工作流调度问题.docVIP

精品论文 参考文献 基于信息熵的混沌遗传算法求解网格工作流调度问题 To Solve the Grid Workflow Scheduling Problem Based on the Entropy of Chaos Genetic Algorithm谢泉XIE Quan曰邹杰ZOU Jie（福州大学数学与计算机学院，福州350800）（School of Mathematics and Computer Science，Fuzhou University，Fuzhou 350800，China）摘要院网格发展的主要思想是有效的利用分布在世界各地的计算资源。而在网格环境下，是通过很多相互依赖的任务来描述作业的，这让工作流调度面临巨大的挑战。在本文中，提出了一个改进型的混沌遗传演算法来解决在工作流应用程序中的调度优化问题，它利用信息熵的概念动态调整了交叉和变异概率，优化了传统的遗传算法，并最终通过实验证明了算法的有效性。 　　Abstract: The main ideas of the grid development is using computing resources effective which distributed in all over the world. Ingrid environment, the work is described by many interdependent tasks, so the workflow scheduling will meet enormous challenges. Thisarticle puts forward an improved chaos genetic algorithm to solve the problem of scheduling optimization in the workflow application. It usesthe concept of entropy dynamically adjust crossover and mutation probability to optimize the traditional genetic algorithm, and finally theexperimental results shows the effectiveness of the algorithm.关键词院网格计算；工作流调度；混沌遗传算法；熵Key words: grid workfolw；workflow scheduling；chaos-genetic algorithms；entropy中图分类号院TP393 文献标识码院A 文章编号院1006-4311（2014）01-0194-030 引言网格工作流调度问题不同于一般的任务调度，在调度时不仅要考虑为任务选择一个最佳资源，还要考虑各个任务之间的时序与因果关系等一系列的约束条件，以及协调各个任务的执行来达到最终的目标，这种调度集中于多元化相互依存的管理任务的执行及映射[1]。网格工作流调度问题中，在既定的工艺流程下，每一个任务有不同的服务器或机器可供选择，它们完成时间不同，且一个服务器上可能同时有不同的任务需要执行，它类似于柔性流水车间调度问题，相比于传统车间调度问题它更加复杂，大大增加了调度的灵活性，更符合生产的实际情况[2，3]。在现代制造业中，它具有很强的代表性，可以广泛应用于精密仪器生产，化工，制药等流程工业中。 　　一般来说，在分布式服务上映射任务的问题属于NP难题。尽管工作流调度可以进行穷举搜索，但复杂的求解方法不仅效率低下而且很难得到问题的最优解。本文为解决动态网格环境下的工作流调度问题，拟采用一种鲁棒性较强的全局寻优算法———遗传算法[4]。遗传算法的优点是实际操作简单，搜索能力强，易于并行化，但其缺点是具有局限性，容易产生收敛停滞和易陷入局部极值点的问题[5]。 　　因此本文在传统遗传算法的基础上，引入混沌系统，并利用信息熵的概念动态调整交叉和变异概率，从而提高了算法的准确性及效率。 　　1 工作流调度问题描述网格结构可以利用工作流简化成简洁的结构模型[6]，以便在研究问题时能够从繁琐的网格结构中得到一种有利于调度研究的模型。一个工作流的运行过程通常可以利用有向图模型（DAG）来建模。设定工作流调度问题为：淤定义一组有限的任务集Ti（i=1，2，…，n）和一组有向连接任务（Ti,Tj）的弧的表单，其中任务Tj 是Ti 的子任务，父任务执行完毕后子才能开始执行子任务。定义C 为完成全部作业任务的成本预算，D 为最后一项作业任务完成的截止期限。于定义一组能够执行任务Ti 的服务集Sji（i=1，2，…，n，j=1，2，…，mi，mi约m），