基于增强型混合均衡优化器的雾-云环境任务调度研究.pdfVIP

摘要

随着人工智能技术与物联网的深度融合，物联网的发展进入新的阶段，称为智

能物联网。物联网终端设备以指数级的数量增长，它们产生了大量任务请求，这些

任务一部分属于延迟敏感型任务，一部分属于计算密集型任务，它们对系统的实时

响应和计算资源的需求也与日俱增，传统云计算不能很好满足智能物联网的低延

迟需求，研究者开始采用雾计算作为云计算的扩展。但由于计算资源的有限性和异

构性，任务请求也具有异构性，因此，如何有效分配资源来执行任务是一个重大挑

战，需要对这些任务采用合适的策略进行调度，以最大化利用系统资源，满足物联

网对时延和计算能力的多重要求，升用户体验，并降低系统能耗成本。任务调度

算法在资源管理过程中起到了关键作用，高效的调度算法能实现多个目标的均衡

优化。本研究基于元启发式优化算法对雾-云环境的任务调度进行研究，在考虑任

务截止时间的情况下，实现雾云系统的时延和能耗最小化。本文的主要贡献包含以

下几点：

（1）本文构建了雾-云混合系统，这一模型包含云数据中心层、雾计算层、智

能终端层。相比单一的云环境或雾环境，雾-云协同环境将能够最大限度地利用系

统资源，能够同时满足物联网对低时延和计算资源的需求。此外，在考虑任务截止

日期的基础上，同时优化系统时延和完工时间，实现升用户服务质量和降低能耗

成本的多重目标。

（2）本文针对双目标任务调度问题出了基于EO的增强混合算法，即EHEO。

首先对原有算法的个体更新公式进行了改进，其目的是进一步升算法平衡探索

和开发能力，接着将差分进化算法与EO算法融合，以升种群多样性，降低算法

陷入局部最优的几率，最后采用局部搜索策略，根据任务的分配情况进行适当调整，

进一步升解的质量。通过一系列的改进升了EO算法在任务调度中的性能。这

是EO在雾-云系统任务调度问题的首次应用，拓展了EO的应用领域。

（3）本文对改进后的算法进行了全面的仿真实验，采用Python语言编写程序，

并将出的算法与原始算法、粒子群算法、鲸鱼优化算法几种优秀的元启发式算法

进了全面的对比。实验结果表明，改进后的算法在降低系统最大完工时间、能耗、

完成率和平均等待时间方面均明显优于其他方法。尤其在最大完工时间和能耗方

面，EHEO比排名第二的算法分别降低了约30%和40%。

关键词：雾-云环境，物联网，任务调度，均衡优化器，元启发式算法

I

Abstract

WiththedeepintegrationofartificialintelligencetechnologyandtheInternetof

Things(IoT),thedevelopmentofIoThasenteredanewphasetermedtheIntelligent

InternetofThings.IoTendpointsaregrowingatanexponentialrate,generatingamassive

volumeoftaskrequests.Someofthesetasksarelatency-sensitivewhileothersare

computation-intensive,placingincreasingdemandsonthesystemsreal-timeresponse

andcomputationalresources.Traditionalcloudcomputingfallsshortofmeetingthelow-

latencyneedsoftheIntelligentIoT,promptingresearcherstoturntofogcomputingasan

extensionofclou