[发明专利]一种求解云任务调度的进化计算方法

摘要

本发明属于智能制造云计算领域，具体涉及一种求解云任务调度的进化计算方法。本发明首先构建了云任务调度的数学模型，然后设计了改进的遗传算法对其求解。本发明重新设计了交叉算子，并结合局部贪婪算法的思想，在保证有效解的同时，实现子代中每个任务集所对应的三种指标的尽量均衡。本发明中的适应度值描述为S个虚拟机CPU占用资源、内存占用资源以及带宽占用资源方差之和的倒数以及总执行时间的倒数的归一化处理后的评价函数。本算法将有助于各个虚拟机的负载均衡以及每个虚拟机CPU利用率、内存以及带宽资源占用之间的均衡，从而保证资源的较高利用率，进而减少能源消耗、增加云计算的运行效率并提升客户的满意度。

主权项

1.一种求解云任务调度的进化计算方法，其特征在于，步骤如下：第一步：建立模型设有一批N个数据任务需要处理，有S个虚拟机可以供使用；虚拟机默认为总的资源以及执行速度是相同的；现将N个数据任务划分成S个任务集，每个任务集对应一个虚拟机；目标是得到每个虚拟机之间负载均衡以及用户等待时间较短的一种解决方案；N：任务的个数；S：任务集的个数；T：所有任务集所组成的有效解的集合，T＝{T₁,T₂...T_S)；SVM：所有虚拟机拥有的三种资源集合，SVM＝{SVM1_i,SVM2_i,SVM3_i}，其中SVM1_i表示每个被占用的虚拟机所拥有的CPU资源，SVM2_i表示每个被占用的虚拟机所拥有的内存资源，SVM3_i表示每个被占用的虚拟机所拥有的带宽资源；Q1_i：每个任务集所需要的CPU占用需求，(0＜i＜＝S)；Q2_i：每个任务集所需要的内存占用需求，(0＜i＜＝S)；Q3_i：每个任务集所需要的带宽资源占用需求，(0＜i＜＝S)；E1：当前分配方案CPU占用需求的均值E2：当前分配方案内存资源占用需求的均值E3：当前分配方案带宽资源占用需求的均值MI_i：任务i的指令长度；MIPS_j：虚拟机j的执行速度；TTime_ij：任务i在虚拟机j上的执行时间，TTime_ij＝MI_i/MIPS_j；ST_j：每个任务集所需要的总的时间，l为该任务集所包含的任务的个数，ST_j＝TTime_1j+TTime_2j+TTime_3j+...+TTime_lj；TotalTime：当前分配方案执行所需要的时间，u为该分配方案所包含的任务集的个数，TotalTime＝max(ST₁,ST₂,...,ST_u)；DTime：客户对这一批任务的最大允许执行时长；α：表示该分配方案下，虚拟机的负载均衡指标；β：表示该分配方案下，用户等待时长指标；评价函数：用于评价当前分配方案的优劣；f＝λ₁α+λ₂β                       (1)其中λ₁、λ₂表示负载平衡和完成时间的权重，且有λ₁+λ₂＝1；约束:Q1_i/SVM1_i＜＝1(i＝1,2,3,...,S)               (2)Q2_i/SVM2_i＜＝1(i＝1,2,3,...,S)               (3)Q3_i/SVM3_i＜＝1(i＝1,2,3,...,S)               (4)TotalTime＜＝DTime                       (5)第二步：求解模型定义1：初始解：随机生成的不考虑约束的解；定义2：有效解：具备不重复任务的所有任务集的解称作是有效解；步骤1：问题编码步骤1.1：随机产生一个包含有从1到N不重复的整数的数组；每一个整数表示一个任务的标号，并令h＝0表示该数组中排在第0位的任务标号的位置，令T为一个的空数组，来存储产生的任务集，令i＝0，1<＝i<＝S表示任务集所对应的标号；步骤1.2：令Q1＝0，Q2＝0，Q3＝0，ST＝0，Q1、Q2、Q3、ST分别表示当前任务集CPU、内存、带宽资源占用以及任务集的执行时间，并从第h位所对应的任务开始，在集合Q中检索并记录其对应的CPU资源q1、内存资源q2、带宽资源q3以及任务所需执行时间TTime；Q表示每个任务所对应的CPU占用需求、内存占用需求以及带宽资源占用需求的集合，Q＝((q1₁,q2₁,q3₁),(q1₂,q2₂,q3₂),...,(q1_N,q2_N,q3_N))；步骤1.3：计算并得到Q1＝Q1+q1，Q2＝Q2+q2，Q3＝Q3+q3，ST＝ST+TTime，h＝h+1；步骤1.4：判断当前Q1、Q2、Q3、ST是否同时满足约束(2)、(3)、(4)、(5)，如果满足，则令h＝h+1，转到步骤1.5，否则记录当前任务的组成的集合，存入数组T，得到T_i，i＝i+1，并令h＝h+1，转到步骤1.2；步骤1.5：判断h的大小，如果h≤N‑1，转到步骤1.3，否则转到步骤1.6；步骤1.6：得到并输出S个任务集所组成的有效解T；步骤2：遗传算法求解步骤2.1：种群初始化种群初始化指的是在遗传算法中，一次性产生P个从1到N的无序整数列；然后将该整数列按照步骤1中的编码方式生成P个有效解{T₁,T₂,...,T_p}；步骤2.2：交叉过程随机选择步骤2.1中产生的初始解T_i、T_j(i≠j)，随机生成0到1之间的随机数，如果该随机数小于交叉概率Pc，则进行交叉操作；重复交叉操作共P次；得到P个交叉后的子代替换原始种群，得到新的父代{T₁,T₂,...,T_p}；步骤2.3:变异过程步骤2.3.1：令h＝0；步骤2.3.2：从P个个体中随机选择一个个体；步骤2.3.3：随机生成0到1之间的随机数，如果该随机数小于变异概率Pm，则转到步骤2.3.4，否则令h＝h+1，转到步骤2.3.；步骤2.3.4：随机选择该有效解的一个任务集r_i，然后随机选择该任务集的一个任务t_i(q1_i,q2_i,q3_i)；步骤2.3.5：从该有效解中另选一个任务集r_j(i≠j)，并比较t1与r_j中所有任务三个指标的欧式距离；计算方法如公式(7)所示，其中(q1_k,q2_k,q3_k)表示r_j中第k个任务的资源占用情况：选择o值最小的任务作为另外一个变异点，并将两个变异点所对应的任务相互交换所在的任务集；步骤2.3.6：判断h的大小，如果h≤P‑1，转到步骤2.3.2，否则转到步骤2.3.7；步骤2.3.7：输出变异后的P个个体；步骤2.4：选择过程步骤2.4.1：在P个变异后的个体中随机选择两个个体，分别计算两个个体的适应度值，选择适应度较大的个体进入下一代，并将这两个个体重新放回种群中；步骤2.4.2：重复步骤2.4.1共P次，即从P个个体中有放回的比较选择出P个新个体进行下一次迭代；步骤2.5：重复2.2‑2.4共k次，k表示最大迭代代数，记录下k次迭代中评价函数(1)f最大的个体作为最后输出的调度方案。