[发明专利]一种云环境下收益驱动的大规模处理任务调度方法

权利要求书

1.一种云环境下收益驱动的大规模处理任务调度方法，其特征在于：所述方法包括以下步骤：

步骤1：读入大规模图状数据处理任务图，按照图状结构任务的层次关系对所述大规模图状数据处理任务图进行遍历，按照层次进行任务序号标记，并计算任务的总数n；

步骤2：读入当前云计算环境的虚拟机的性能和计价模式；

步骤3：初始化m个粒子的编码以及各个粒子的位置X_i和飞行速度V_i，设最大迭代次数设为T；

步骤4：根据粒子的当前的编码利用下面的适应度函数计算所有粒子的适应度函数值f(X_i)：

minα·T′-TminTmax-Tmin+(1-α)·C′-CminCmax-Cmin]]>

其中T’表示当前策略的任务调度长度，C’表示当前策略的资源租赁成本，T_min和T_max分别表示当前解集中最小和最大的任务调度长度，C_min和C_max分别表示当前解集中最小和最大的资源租赁成本，系数α用以反应调度长度和资源租赁成本之间均衡关系，α∈[0，1]；α值变小将得到资源租赁成本较小但调度长度延长的调度方案；

通过迭代式搜索不同的α值构造Pareto最优解集；

在上述迭代过程中，将当前值和上一次结果进行比较获得个体极值X_pb，选取个体极值中最小的作为全局极值X_gb；

步骤5：根据粒子的适应度函数值f(X_i)进行速度更新和位置更新；

步骤6：对每个粒子，将其适应度函数值f(X_i)与步骤4得到的个体极值X_pb进行比较，然后将两者中较小的值作为新的个体极值；将其适应度函数值f(X_i)与步骤4得到的全局极值X_gb进行比较，然后将两者中较小的值作为新的全局极值，则更新当前的全局极值；

步骤7：判断是否达到最大迭代次数T，如果是，则停止计算，转入步骤8；如果否，则返回步骤5；

步骤8：输出大规模图状数据处理任务调度方案。

2.根据权利要求1所述的云环境下收益驱动的大规模处理任务调度方法，其特征在于：所述步骤3中所述粒子的位置对应于待解决问题的一个潜在解，粒子的速度指导其在迭代过程中向最优解运动的方向。

3.根据权利要求1所述的云环境下收益驱动的大规模处理任务调度方法，其特征在于：所述步骤5具体如下：

利用下式进行速度更新：

Vi(t+1)=P1Vi(t)⊕P2(XpbΘXi(t))⊕P3(XgbΘXi(t))]]>

其中，t表示迭代次数，X_i(t)表示粒子第t次迭代时所处的位置，V_i(t)为对应第t次迭代时所处的位置的飞行速度，P₁是粒子取当前速度的概率，P₂是粒子取局部最优速度的概率，P₃是粒子取全局最优速度的概率，且P₁+P₂+P₃＝1；

利用下式进行位置更新，位置更新中随机选取云计算中候选虚拟机列表：

Xi(t+1)=Xi(t)⊗Vi(t+1)]]>

其中，Θ用于计算两种映射方案的差异性，如果映射方案X_i和X_j在同一维上具有相同的值，则差值的结果为1，否则为0；

用于粒子更新过程中，通过跟踪自身最优位置和全局最优位置来更新自身的速度，即在粒子的对应维度上以P_i的概率按照V_i各维度的值更新和以P_j的概率按照V_j各维度的值更新；

用于粒子根据当前速度更新位置，即当前位置X_i按照V_j的策略对当前大规模图状数据处理任务调度策略进行调整。