[发明专利]一种基于改进梯度优化器的多工作流调度方法

说明书

本发明公开了一种基于改进梯度优化器的多工作流调度方法，针对已有的多种群多目标框架(MPMO)因均分粒子而导致的计算资源浪费问题，提出了基于粒子位置聚类的多目标多种群进化框架以解决云环境下的多工作流调度问题，通过基于K‑means的位置聚类，将整个种群划分为多个聚类种群，每个聚类种群根据自身的适应度水平选择优化目标，既提高了搜索的多样性，也能避免交叉进化，探索更有潜力的区域，找到更多的非支配解，有效提高了工作流调度方案的生成效率。

技术领域

本发明属于云计算环境下的多工作流调度技术领域，具体涉及一种基于改进梯度优化器的多工作流调度方法。

背景技术

云计算是科学和商业领域的一种大规模异构分布式计算基础设施，能够按需为用户提供高质量、低成本的服务，且其弹性扩展和按使用付费的特点，使其在各行各业的应用不断扩展和深入。工作流是从不同的研究领域构建大规模计算和数据密集型分布式应用的常见技术，随着云计算的不断发展和诸多优势，越来越多的企业和组织将其工作流应用迁移或者部署到云数据中心执行。

云环境下的多工作流调度旨在将一组工作流任务映射到合适的云服务资源集合上，寻找最优的工作流调度方法，以尽可能减少多个工作流应用的执行时间和成本，并同时满足多个用户的服务质量(Quality of Service，即QoS)需求。一个合适的多工作流调度算法，应该能在保证多个用户QoS需求的同时，提高云服务提供商的利益。因此，云环境下的多工作流调度是一个带约束的多目标优化问题。

目前，工作流调度问题主要采用启发式算法和元启发式算法来求解。启发式算法是一种针对某一类特定问题提出的基于规则或专家经验构造的优化算法，如异构最早完成时间算法(HEFT)、预算约束下的异构最早完成时间算法(BHEFT)、最大最小算法(MAX-MIN)等。该类算法易于实现、求解速度快，但无法保证所获得解的质量，且不适用于解决复杂或者大规模调度问题。元启发式算法则基于随机搜索技术，如遗传算法(GA)、粒子群优化算法(PSO)、蚁群算法(ACO)等，具有较好的适用性，通常不依赖于特定问题，且能够在有限时间内找到近似最优解，可以解决单目标优化问题。但是，云环境下的应用调度通常需要同时考虑云服务提供者和消费者的利益，即往往需要同时优化多个目标。已有的多目标优化算法，如多目标异构最早完成时间算法(MOHEFT)、非支配排序的遗传算法(NSGA II)、基于多种群协同进化的粒子群优化算法(CMPSO)和基于多种群的蚁群优化算法(MOACS)，分别对HEFT、GA、PSO和ACO算法做了改进，使其适合于多目标工作流调度问题。然而，该类算法找到的非支配解较少，且其分布距离真实Pareto前沿较远。因此，现有的基于元启发式的多目标工作流调度算法的性能有待进一步提升。

发明内容

有鉴于此，本发明提供了一种基于改进梯度优化器的多工作流调度方法，实现了云环境下多工作流任务的调度。

本发明提供的一种基于改进梯度优化器的多工作流调度方法，包括以下步骤：

步骤1、对输入的带截止时间约束的多工作流任务及可供租赁的虚拟机资源建模；多工作流任务表示为为第i个工作流，为工作流集合所包含的工作流总个数；虚拟机资源表示为v_f为第f个虚拟机；

步骤2、为工作流的所有子任务分配子截止期限，按照优先调度截止限期最早的任务的方式确定任调度序列；根据约束满足性评价指标Θ评价不可行解的优劣，Θ表示工作流超出约束的百分比之和；种群中的每个个体位置X＝(x₁,x₂...,,...,x_N)表示一个调度方案，个体每一维元素的索引表示一个工作流任务编号、每一维元素的值表示为该任务所分配的虚拟机；将九个预定义的初始粒子插入种群，采用随机生成方法对种群中的其余个体进行初始化；将九个预定义初始粒子中满足约束的个体插入全局外部档案集，完成全局外部档案集的初始化；