[发明专利]基于自适应粒子群算法的云中工作流成本优化调度方法

权利要求书

1.一种基于自适应粒子群算法的云中科学工作流成本优化调度方法，其特征在于在工作流期限约束下以优化完成工作流租赁服务实例总成本用为目标，该方法包括以下步骤：

S1：定义云环境中工作流的任务约束关系、计算资源以及目标函数等；

S2：粒子群对工作流任务序列编码；

S3：工作流任务分配，计算粒子群中各粒子适应度；

S4：自适应更新粒子群，使全部粒子向局部最优和全局最优位置的方向移动；

S5：判断是否达到迭代结束条件，若是，则结束迭代，得到最优工作流调度方案；否则返回步骤S3。

2.根据权利要求1所述的方法，其特征在于步骤S1中，具体是：

S1-1：将工作流抽象成为有向无环图DAG＝＜V，E＞，其中V表示任务集合，E表示任务之间的约束；

S1-2：用S＝{s₁，s₂，...，s_m}表示云环境中可租用的m种不同类型服务实例s的集合。

S1-3：步骤S1中定义目标函数为租赁所有服务实例的总成本cost，约束条件为工作流完成的总时间makespan需满足用户定义的截止期限D。

min.cost(S，M)

s.t.makespan(S，M)≤D。

3.根据权利要求1所述的方法，其特征在于步骤S2，粒子群对工作流任务序列编码，其具体为：

S2-1：初始化种群大小pSize、最大迭代次数It_max重系数w_s、w_e和初始个体认知因子c1_s、c1_e、初始全局认知因子c2_s、c2_e等相关系数；

S2-2：用粒子群对工作流任务序列进行编码，X＝{x₁，x₂，..，x_n}表示工作流中任务序列，粒子x_i与任务t_i一一对应；

S2-3：随机初始化粒子群的速度和位置。

4.根据权利要求1所述的方法，其特征在于步骤S3是工作流任务分配，计算粒子群中各粒子适应度的过程，具体是：

S3-1：根据粒子的位置以及任务约束关系对任务进行排序；

S3-2：基于概率向上权值排序分配任务的子截止期限；

S3-3：将有序任务分配到满足子截止期限且完成时间最早的服务实例s的任务时间槽上；

S3-4：若步骤S3-2无法找到服务实例s，则将任务分配到满足子截止期限且成本增量最小的服务实例s上；

S3-5：若步骤S3-3无法找到服务实例s，则将任务分配到满足子截止期限、完成时间最早且性能最佳的服务实例s上；

S3-6：更新粒子对应的局部最优pbest和全局最优gbest；

S3-7：比较当前方案和全局最优方案，保存最优调度方案。

5.根据权利要求1所述方法，其具体特征在于步骤S4，自适应更新粒子群，具体是：

S4-1：更新自适应惯性权重、个体认知因子和全局认知因子；

S4-2：更新粒子速度和位置；

S4-3：将部分粒子的位置进行随机变化进行个体变异操作；

S4-4：将部分粒子与个体最优粒子pBest或全局最优粒子gBest进行交叉操作。