[发明专利]一种基于改进遗传算法的云任务调度方法

说明书

技术领域

本发明涉及云计算以及调度算法两大领域，特指一种基于改进遗传算法的云任务调度方法。

背景技术

智能化信息时代的到来使新的计算模式—云计算诞生。云计算相对于以往的网格计算，具有超大规模、虚拟化、可伸缩性、按需服务、可管理性等特点，因此备受各大厂商和研究者们的关注和青睐。云计算主要是利用虚拟化技术，将各类资源包括计算资源、网络资源、存储资源虚拟化为资源池进行统一管理和对外服务。显而易见云计算的用户群体是十分广泛的，要处理的任务量和数据量也是非常庞大的，系统几乎时刻都在处理海量的任务和数据，所以如何对资源进行合理的分配，对任务进行高效的调度，使用户提交的任务处理时间较短、最大程度的满足用户服务质量(Quality of Service，QoS)是云计算的重点和难点。

云计算任务调度是一个NP问题，针对云环境Map/Reduce编程模型的任务调度问题，用遗传算法能得到较好的结果。目前一些算法大部分只关注了任务总执行时间，即用户的等待时间，而忽略了任务的平均执行时间，它关系到用户的综合满意程度。只有较少算法关注了用户的平均完成时间，但这种算法没有综合考虑到资源执行任务花费的总时间和平均时间，而是把总时间和平均时间分开来考虑，这样容易导致最优解产生两种极端情况：任务总完成时间较短，但平均完成时间不是最优的，或者任务平均完成时间较短，但总完成时间不是最优的。为了同时使任务总执行时间和平均执行时间都得到较短的结果，本发明提出一种双适应度综合乘积算法（Dual Fitness Multiplied Genetic Algorithm，DFMGA）的任务调度方法。

发明内容

本发明的目的在于解决目前调度算法中缺少考虑任务平均执行时间的问题，找出Map/Reduce编程模型中执行任务的资源节点序列，该序列需要同时满足执行任务的总时间和平均时间都较短。本发明提出了一种双适应度综合乘积遗传算法（Dual Fitness Multiplied Genetic Algorithm，DFMGA）的云任务调度方法。

一种双适应度综合乘积遗传算法的云任务调度方法，步骤如下：

步骤1：用户提交任务：用户提交任务个数以及任务长度。

步骤2：Map/Reduce处理任务：Map/Reduce编程模型把用户提交的任务分割成多个子任务，对这些众多子任务进行调度。

步骤3：寻找合适的资源节点：采用改进的遗传算法得到任务调度的资源序列，该序列即为执行任务的资源节点序列。

步骤4：执行任务：Map/Reduce编程模型根据步骤3得到的资源节点序列，把任务分配给该序列并行执行，把执行结果返回给用户。

本发明所述步骤3的流程如下：

（1）生成初始种群：对个体进行编码，得到任务对应的资源序列，再进行解码操作，得到每个资源节点对应的执行任务序列，由系统随机生成S条染色体，所有染色体个体组成一个种群。

（2）计算适应度值：任务总完成时间的倒数作为一个适应度函数任务平均完成时间的倒数作为另一个适应度函数两个适应度函数的乘积作为总的适应度函数fit(x)=fit₁(x)*fit₂(x)，计算每个个体的总适应度值。

（3）选择操作：选择适应度值高的个体演化到下一代种群。

（4）交叉操作：通过一定的交叉概率P_c，交叉对象随机选取，即随机产生要交叉的个体以及交叉的位置点，经过交叉产生两个新的子个体。

（5）变异操作：根据变异概率P_m对某些个体的某个位进行变异，变异后产生新的个体。

（6）若小于系统规定的迭代数，则继续循环执行上述操作，否则执行步骤（7）。

（7）在最后得到新的种群中，计算每个个体的适应度值fit(x)，选择适应度值最高的个体，对该个体进行解码操作得到资源序列，则该个体为任务调度的最优解。

本发明提出的优化方法，需要输入以下信息：

（1）资源节点信息：云环境中总资源节点个数W，每个资源处理任务的能力。

（2）任务信息：任务总个数T，每个任务划分的子任务个数subNum，每个子任务的长度Length，每个子任务预计运行时间。

（3）遗传算法参数：种群规模S，终止迭代数Generation，交叉概率P_c，变异概率P_m。

本发明提出的DFMGA算法，与现有技术相比，具有以下明显的优势和有益效果：