云计算环境中优化混合遗传算法资源调度研究.docVIP

云计算环境中优化混合遗传算法的资源调度研究 　　摘 要：将云计算传统的遗传算法应用到任务调度中，存在迭代次数多、资源利用率低、执行时间长等问题。因此，提出贪心算法来初始化种群，以避免随机初始化种群时基因的低表现性，并且引进精英因子到传统遗传算法中以优化收敛速度。设计出双适应度函数，兼顾考虑用户对执行时间和带宽的要求，通过采用可适应交叉和变异方法，提升算法的全局收敛能力。仿真实验结果表明，在云计算的任务调度中使用优化混合遗传算法能更加有效地解决资源调度问题。 　　关键词关键词：混合遗传算法；云计算；资源调度；精英因子 　　DOIDOI：10.11907/rjdk.162082 　　中图分类号：TP312 　　文献标识码：A 文章编号文章编号2016）011005303 　　0 引言 　　云计算是一种新型计算模型，它在提供灵活、高性能、可支付、按需传达的服务上具有很大优势[1]。如果工作花费时间太长，将会降低用户满意度[2]。因此，高效率实现任务调度成为云计算中需要解决的核心问题之一。遗传算法作为启发式算法，在组合优化方面显示了特殊优势[3]。近年来，对遗传算法的应用发展迅速，尤其适用于解决科学和工程领域中的复杂问题。然而，在解决高维函数优化问题中，由于存在一些严格的限制条件，导致了传统遗传算法的低效。因此，本文提出一种优化混合遗传算法，它能在一定程度上解决传统遗传算法在资源调度上的收敛时间长、资源利用率低、平均任务花费时间长等问题[4]。 　　1 任务模型及其建立 　　1.1 任务模型 　　分析云计算模型是为了理清任务之间的关系（优先关系），以便于将其充分地并行化。云计算数据中心可以实现任务的并行化执行，由此提高运行效率。为了简单描述，建立以下数学模型：假设任务集用户提交的：T={t1、t2......tn}，ti是第i个子任务。因为运行是并行执行的，总运行时间由最长运行时间的资源决定。 　　云计算任务关系可以分为两种：依赖与冲突[5]。前者指任务在数据和控制上的相关。例如，当作函数依赖相关测试时，t1将调用t2的函数，或t2是否被执行由t1决定。后者意味着环境的冲突或任务间的并发冲突。如在性能测试中，t1应该被Apache服务器支持，但t2想要IIS服务器，或t1和t2有着一样的网络端口。因此，对于独立任务，中心将在一样的资源上被调度，否则不仅浪费了网络带宽，也会在数据传输过程中出现错误。但为了避免一些不必要的错误，对于冲突的任务，它们会被在不同的并行资源上执行。 　　1.2 任务模型建立 　　对于集合T，假设存在n*n的相关性矩阵，该矩阵是由第k个任务和第1个任务的关系所建立。它的元素值是-1、0、1。1代表tK和t1是独立的，0代表tk和t1之间无关，-1代表tk和t1之间相互冲突。根据相关性矩阵，数据中心可以创建一个新集合T′={t1′，t2′，....，ts′}，s≤n，称其为并行向量集。ts′是一个向量，它包括集合T的一个或多个元素。集合T′是任务组项目，它有着最大并行度，数据中心可以分配任务ts′到一个计算结点，以实现有效率的并行计算。例如，假设一个集合T（T={t1，t2，t3，t4，t5，t6}），相关性矩阵定义如下： 　　2 优化混合遗传算法资源调度 　　2.1 染色体编码 　　根据基因算法准则，首先应该编码染色体。本文使用间接编码，染色体长度是任务的量，在染色体中每一个基因值被相应任务分配资源标识。 　　假设有6个任务，T′={t1′={t1，t2}，t2′={t3，t4}，t3′={t5}，t4′={t6}}，所以有4个并行组等待调度。假设有3个在系统中的计算资源，染色体长度为3，每一个染色体表示1～3的排列。例如，染色体{1，2，2，3}代表t1′在第1号资源上执行，t2′和t3′在第2号资源上执行，t4′在第3号资源上执行。 　　编码之后，在各个资源上的任务分配则是明确的。基于此，数据中心将预测任务执行时间和创建预测执行时间矩阵ET。ET（i，j）代表第j个计算节点花费在第i个并行任务上的预测执行时间。 　　2.2 适应度函数 　　基因算法模拟自然界中最佳适应的原则进行搜索过程，在该过程中，适应度函数是群体中个体质量的准则[6]。云计算资源调度是一个多目标优化问题。本文定义了两个适应度函数，拥有较少带宽负载和时间花费的个体具有更好的适应度。采用一个权重向量来衡量用户对两个目标的重视程度不同： 　　2.3 交叉与变异 　　交叉操作指两个匹配的个体根据一定模式交换基因的一部分，从而产生两个新个体，其目的在于提升基因算法的全局搜索能力[7]。变异意味着子代中染色体编码值的改变，它可以探索出新的搜索空间和局部最优解的收敛。本文使用可适应的基因算