[发明专利]一种多云环境下考虑通信和计算代价的工作流调度方法

权利要求书

1.一种多云环境下考虑通信和计算代价的工作流调度方法，其特征在于：基于工作流自身结构和执行特性，以及当前云资源环境通信和执行代价的相关因素，基于遗传算法的随机两点交叉操作和随机单点变异操作思想，提高种群进化过程中的多样性，整合虚拟化资源，考虑数据通信代价和任务计算代价，优化资源利用率，在满足工作流截止日期前提下，减少其执行代价；该工作流调度方法具体实现如下，

将工作流调度方法的定义为S＝(Re,Map,T_total,C_total)，其中Re表示一组需要启用的虚拟机资源Re＝{vm₁,vm₂,...,vm_r}，Map＝{(t_i,vm_j)|t_i∈V,vm_j∈Re}表示工作流中子任务对应虚拟机资源Re的映射关系，T_total表示工作流的执行完成时间，而C_total则表示工作流总执行代价；工作流是用有向无环图G(V,E)来表示，其中V表示包含n个任务的顶点集合{t₁,t₂,...,t_n}，而E则表示任务之间数据依赖关系{e₁₂,e₁₃,...,e_ij}；每条数据依赖边e_ij＝(t_i,t_j)代表子任务t_i和子任务t_j之间存在数据依赖关系，其中子任务t_i是子任务t_j的直接先驱节点，而子任务t_j则是子任务t_i的直接后继节点；

每台虚拟机都有对应的虚拟机类型s_pi，以及对应的开启时刻Tls(vm_i)和关闭时刻Tle(vm_i)；当子任务被调度完成后，都有一组对应的实际执行开始时间AST(t_i)和实际执行完成时间AET(t_i)，且出任务不会执行产生新的通信数据；因此，工作流执行完成时间T_total和对应的总执行代价C_total分别如以下公式所示：

公式(2)的前半部分表示虚拟机的执行代价，后半部分表示数据通信代价；λ_p是云服务提供商p对于其提供的服务设定特定的要价单元时间，子任务t_k是子任务t_j的后继节点，p(t_j)和p(t_k)分别表示执行t_j和t_k的服务提供商；当t_j和t_k由同一个云服务提供商执行时，s_jk为0，即不产生云间数据通信，否则s_jk为1；

基于以上相关定义，多云环境下带截止日期约束的工作流调度问题，可形式化表示为公式(3)，其核心思想是追求执行代价C_total最低的同时，使执行时间T_total小于等于工作流截止日期D(W)；

而后，执行如下算法，以实现执行代价C_total最低的同时，使执行时间T_total小于等于工作流截止日期D(W)：

S1：初始化相关参数如下：种群大小100、最大迭代次数1000、惯性权重因子w和认知因子参数c₁_start＝0.9，c₁_end＝0.2，c₂_start＝0.4，c₂_end＝0.9，生成初始种群；

S2：根据粒子映射策略，以及粒子的适应度函数，即公式(4)、(5)和(6)计算各个粒子不同情况下的适应度值，从中选择适应度值最小的粒子作为种群全局最优粒子，将第一代中每个粒子设置为其自身历史最优粒子；

其中，公式(4)代表一个粒子是可行解，另一个粒子是不可行解的情况下的粒子的适应度函数，公式(5)代表两个粒子都是可行解的情况下的粒子的适应度函数，公式(6)代表两个粒子都是不可行解的情况下的粒子的适应度函数；

S3：根据粒子更新公式(7)至(10)更新粒子；

其中，公式(7)表示粒子i在t时刻的更新方式，M_u()表示变异操作，C_g()和C_p()表示交叉操作，和gBest^t-1分别是经过t-1次迭代后粒子i的自身历史最优位置和整个种群的历史最佳位置；公式(8)表示惯性部分的更新方式，r₁是0到1之间的随机数；公式(9)、(10)分别表示个体认知和社会认知部分的更新方式，r₂和r₃是0到1之间的随机数；

S4：重新计算每个粒子的适应度值，若当前粒子的适应度值小于其自身历史最优值，则将新粒子更新为其自身历史最优粒子；

S5：若当前粒子的适应度值小于种群全局最优粒子的适应度值，则将该粒子更新为种群全局最优粒子；

S6：检查是否满足算法终止条件，如果满足，则算法终止；反之，转到S3。