基于PSO改进的云计算任务调度研究.pdf

二〇一九年五月

摘要

任务调度问题是云计算领域所研究的一个热点问题，该问题的实

质就是如何将广大用户交的任务合理的分配到云数据中心的各个

资源上执行，以实现系统资源的高效利用和均衡分配。

粒子群优化算法因为在解决任务调度、组合优化等问题时具有很

明显的优势，故而成为我们研究云计算中的任务调度问题的首选算法。

但是粒子群算法所求得的解对初始种群的质量很敏感，并且粒子群优

化算法很容易因为收敛速度过快而只得到局部的最优解。因此本文

出了一种融入反向学习和试探感知的PSO改进算法（OBL-TP-PSO）。

该算法运用反向学习的方法产生初始种群，高了初始种群的质量。

同时，利用试探感知的搜索策略搜索问题的解空间，不仅改善了粒子

的局部搜索能力，而且也高了粒子的全局搜索能力，使得算法更容

易的获得全局的最优解。

最后，在Cloudsim平台上对Min-Min算法、Max-Min算法、PSO

算法以及OBL-TP-PSO算法进行了云环境下任务调度的仿真实验。结

果表明：OBL-TP-PSO算法的收敛速度比PSO算法的收敛速度更快；

OBL-TP-PSO算法所求的解对应的任务总的执行时间比Min-Min算法、

Max-Min算法以及PSO算法求得的解对应的任务总的执行时间都要小；

在系统负载均衡方面，OBL-TP-PSO算法的也有较好的表现。由此可

I

知，改进后的PSO算法能够获得更好的任务调度方案，有效的升了

云环境下任务调度算法整体效率。

关键字：云计算，任务调度，Max-Min算法，Min-Min算法，粒子群

优化算法

II

ABSTRACT

Thetaskschedulingproblemisahotissueinthefieldofcloud

computing.Theessenceoftheproblemishowtodistributethetasks

submittedbytheuserstotheresourcesoftheclouddatacentertoachieve

efficientuseandbalanceddistributionofsystemresources.

Particleswarmoptimizationalgorithmhasobviousadvantagesin

solvingproblemssuchastaskschedulingandcombinatorialoptimization,

soithasbecomethepreferredalgorithmforustostudytaskscheduling

problemsincloudcomputing.However,thesolutionobtainedbythe

particleswarmoptimizationalgorithmissensitivetothequalityofthe

initialpopulation,andtheparticleswarmoptimizationalgorithmiseasy

toobtainonlythelocaloptimalsolutionbecauset