丁燕艷，潘 郁，程仕偉

南京工業(yè)大學(xué) 經(jīng)濟(jì)與管理學(xué)院，南京 211816

云計(jì)算環(huán)境下的PSO可信資源調(diào)度

丁燕艷，潘 郁，程仕偉

南京工業(yè)大學(xué) 經(jīng)濟(jì)與管理學(xué)院，南京 211816

1 引言

云計(jì)算是并行計(jì)算（Parallel Computing）、分布式計(jì)算（Distributed Computing）和網(wǎng)格計(jì)算（Grid Computing）的發(fā)展[1]，是這些計(jì)算機(jī)科學(xué)概念的商業(yè)實(shí)現(xiàn)。云計(jì)算能提供動(dòng)態(tài)資源池、虛擬化和高可用性的下一代計(jì)算平臺(tái)的核心技術(shù)。它將計(jì)算任務(wù)分布在大量計(jì)算機(jī)構(gòu)成的資源池上，使各種應(yīng)用系統(tǒng)能夠根據(jù)需要獲取計(jì)算力、存儲(chǔ)空間和各種軟件服務(wù)，并按照使用付費(fèi)。不同于網(wǎng)格計(jì)算，云計(jì)算具有更廣泛含義的計(jì)算平臺(tái)，能夠支持非網(wǎng)格的應(yīng)用。且云計(jì)算使用的是集中的資源，而網(wǎng)格計(jì)算實(shí)際上是收集分散的資源，在資源的占用上，區(qū)別于網(wǎng)格的獨(dú)占式的資源分配模式，云中的資源將被所有的用戶同時(shí)共享?？紤]云計(jì)算本身的特性及與網(wǎng)格計(jì)算的差異性，現(xiàn)有的大量針對(duì)網(wǎng)格計(jì)算的資源分配和調(diào)度的算法無法直接移植到云計(jì)算環(huán)境下。

現(xiàn)有為數(shù)不多的關(guān)于云計(jì)算環(huán)境下資源調(diào)度的文獻(xiàn)中，文獻(xiàn)[2]提出的具有雙適應(yīng)度的遺傳算法（DFGA）能有效地解決云計(jì)算環(huán)境下資源的分配問題，文獻(xiàn)[3]提出的基于蟻群優(yōu)化（Ant Colony Optimization）的計(jì)算資源分配算法通過在Gridsim環(huán)境下的仿真分析和比較，亦證明其能在滿足云計(jì)算環(huán)境要求的前提下有效地調(diào)度資源。文獻(xiàn)[4]運(yùn)用離散粒子群算法對(duì)云計(jì)算環(huán)境下的負(fù)載均衡問題進(jìn)行研究，根據(jù)云計(jì)算環(huán)境下資源需求動(dòng)態(tài)變化建立相應(yīng)的資源-任務(wù)分配模型，提高了資源利用率和云計(jì)算資源的負(fù)載均衡。但這些模型中鮮有考慮到任務(wù)間的輸入輸出關(guān)系、執(zhí)行順序，策略中也很少考慮動(dòng)態(tài)節(jié)點(diǎn)資源的可信性問題。實(shí)際上，任務(wù)的串并聯(lián)結(jié)構(gòu)在實(shí)際的操作中是非?，F(xiàn)實(shí)的，且動(dòng)態(tài)提供的資源的可信性無論對(duì)云計(jì)算基礎(chǔ)運(yùn)營(yíng)商，還是對(duì)服務(wù)運(yùn)營(yíng)商，都是非常關(guān)鍵的因素。因此，結(jié)合任務(wù)間的結(jié)構(gòu)關(guān)系、云計(jì)算環(huán)境下節(jié)點(diǎn)本身性能低、易失效的特點(diǎn)和資源請(qǐng)求表現(xiàn)出的很強(qiáng)的波動(dòng)性，為保證動(dòng)態(tài)提供的資源的可信性，又不影響資源的使用效率，本文提出了一種基于任務(wù)結(jié)構(gòu)的更加可信的資源動(dòng)態(tài)調(diào)度策略。

本文首先介紹云計(jì)算環(huán)境下基于任務(wù)間串并聯(lián)結(jié)構(gòu)和輸入輸出關(guān)系的動(dòng)態(tài)資源分配模型，然后在考慮了節(jié)點(diǎn)資源可信性的基礎(chǔ)上，提出了云計(jì)算環(huán)境下基于可信性的動(dòng)態(tài)資源分配模型，最后通過Matlab進(jìn)行仿真實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果驗(yàn)證了算法的可行性，以及與其他沒有考慮節(jié)點(diǎn)可信性算法相比時(shí)解的質(zhì)量的優(yōu)越性。

2 問題描述

資源調(diào)度具體包括三個(gè)子問題：映射任務(wù)；給出任務(wù)調(diào)度順序；給出資源上任務(wù)的執(zhí)行順序。本文采用無環(huán)有向圖 Directed Acyclic Graph（DAG）來映射任務(wù)[5]，由G=(V，E)表示，如圖1所示。其中，每個(gè)節(jié)點(diǎn)V代表不同的任務(wù)T，T={T1，T2，…，Tk}表示任務(wù)T的集合。邊E代表了任務(wù)間的關(guān)聯(lián)度，即任務(wù)間是否存在輸入輸出關(guān)系。若(Tj，Tk)∈E，則用fik表示Tj產(chǎn)生數(shù)據(jù)并輸入Tk。S={S1，S2，…，Sj}表示存儲(chǔ)資源節(jié)點(diǎn)的集合，PC={PC1，PC2，…，PCj}代表計(jì)算資源節(jié)點(diǎn)的集合。

假設(shè)存在5個(gè)任務(wù)T={T1，T2，…，T5}，任務(wù)間的作業(yè)先后順序如圖1中左圖所示。同時(shí)，假設(shè)有3個(gè)資源節(jié)點(diǎn)可供調(diào)度如圖1中右圖所示。則資源調(diào)度的目標(biāo)就是在不超過截止期的前提下，充分合理地利用各種可用資源，最大限度地減少服務(wù)的開銷，使服務(wù)價(jià)值最大化。

由于云計(jì)算服務(wù)中心的大量低性能、廉價(jià)計(jì)算機(jī)集群中，節(jié)點(diǎn)的失效對(duì)于調(diào)度策略的性能具有較大的影響，因此在問題模型中引入了可信度的概念，即在節(jié)點(diǎn)分配的過程中，結(jié)合節(jié)點(diǎn)失效的特征，選擇可靠性較高的節(jié)點(diǎn)來運(yùn)行作業(yè)，提高調(diào)度性能。

研究表明，節(jié)點(diǎn)資源的失效表現(xiàn)出很強(qiáng)的時(shí)間局部規(guī)律性，即在運(yùn)行周期中不同的時(shí)間段內(nèi)表現(xiàn)出不同的特征，可看作是一個(gè)隨機(jī)過程，這個(gè)隨機(jī)過程符合參數(shù)β為1的韋伯分布[6]，記為W(α，β)。其中α稱為尺度參數(shù)，β稱為形狀參數(shù)，其概率密度和分布函數(shù)分別為：

當(dāng)β=1時(shí)，W(α，1)就是參數(shù)為α的指數(shù)分布。

韋伯分布是可靠性中廣泛使用的連續(xù)型分布，它可以用來描述疲勞失效，真空管失效和軸承失效等壽命分布。結(jié)合式（1）、（2）易得單個(gè)節(jié)點(diǎn)的失效函數(shù)為：

易見，當(dāng)β＞1時(shí)，r(t)是遞增的；當(dāng)β＜1時(shí)，是遞減的；當(dāng)

根據(jù)節(jié)點(diǎn)失效的特征，可以將節(jié)點(diǎn)失效分為三類：永久失效、間歇性失效和瞬間失效。如果某節(jié)點(diǎn)發(fā)生永久性失，則使用另一個(gè)新的節(jié)點(diǎn)代替該節(jié)點(diǎn)的功能，對(duì)于用戶而言相當(dāng)于發(fā)生了一次節(jié)點(diǎn)重啟事件。而間歇失效和瞬間失效則可以通過節(jié)點(diǎn)的重啟來修復(fù)。因此，可以將計(jì)算機(jī)集群中節(jié)點(diǎn)的失效看作節(jié)點(diǎn)的重啟[7]。當(dāng)節(jié)點(diǎn)系統(tǒng)運(yùn)行到一定的時(shí)間門限值tmax，即節(jié)點(diǎn)的恢復(fù)時(shí)間，對(duì)此節(jié)點(diǎn)進(jìn)行重啟，節(jié)點(diǎn)的可靠性提高。

文獻(xiàn)[8]也指出了云計(jì)算環(huán)境下，節(jié)點(diǎn)無計(jì)劃重啟的失效概率有隨運(yùn)行時(shí)間先下降后上升的趨勢(shì)。這說明節(jié)點(diǎn)在剛剛啟動(dòng)時(shí)可靠性較低，容易出故障，之后在正常運(yùn)行時(shí)間超過一定值后，故障率又開始上升，節(jié)點(diǎn)變得越來越不可靠。

由此，根據(jù)資源節(jié)點(diǎn)失效的特性，得出節(jié)點(diǎn)正常運(yùn)行的可信度函數(shù)為：

其中t是節(jié)點(diǎn)運(yùn)行時(shí)間，根據(jù)云環(huán)境下節(jié)點(diǎn)運(yùn)行的規(guī)律，在節(jié)點(diǎn)剛啟動(dòng)時(shí)α＜1，其可信性隨著時(shí)間的增加而增加；當(dāng)節(jié)點(diǎn)運(yùn)行到一個(gè)穩(wěn)定的時(shí)間門限tmid后，節(jié)點(diǎn)的可信性隨著時(shí)間的增加而降低；當(dāng)節(jié)點(diǎn)運(yùn)行到時(shí)間門限值tmax后，節(jié)點(diǎn)進(jìn)行重啟，α＜1。

3 建立模型

本文以服務(wù)價(jià)值最大化為目標(biāo)，其中總成本Ct由兩個(gè)部分組成，一是計(jì)算資源的服務(wù)使用費(fèi)Ca，另一部分為任務(wù)間數(shù)據(jù)傳輸引起的傳輸費(fèi)用Cb，此項(xiàng)費(fèi)用當(dāng)且僅當(dāng)任務(wù)節(jié)點(diǎn)間存在輸入輸出關(guān)系時(shí)產(chǎn)生。其中：

表示計(jì)算資源節(jié)點(diǎn)PCj上所有任務(wù)T的計(jì)算費(fèi)用，wkj表示將任務(wù)Tk分配到節(jié)點(diǎn)PCj上的費(fèi)用。

圖1 任務(wù)映射圖

表示任務(wù)k1輸出傳輸給任務(wù)k2產(chǎn)生的費(fèi)用，其中k1≠k2，ek1，k2為DAG中邊的權(quán)重，代表任務(wù)間的數(shù)據(jù)傳輸量，dk1，k2為單位數(shù)據(jù)傳輸費(fèi)用。當(dāng)且僅當(dāng)ek1，k2＞0時(shí)，存在Cb(j)。

上文已指出，在資源調(diào)度的過程中，節(jié)點(diǎn)的失效將會(huì)大大地影響調(diào)度的效率和性能。因此結(jié)合資源節(jié)點(diǎn)的可信性，給出了節(jié)點(diǎn)的可信調(diào)度策略。定義目標(biāo)函數(shù)為：

其中式（8）確保了在資源分配初期，所有的任務(wù)盡可能均勻地分派到各個(gè)節(jié)點(diǎn)上。式（9）為節(jié)點(diǎn)PCj的總費(fèi)用。γ，η分別為費(fèi)用和可信度的權(quán)重系數(shù)，0＜γ，η＜1，且γ+η=1。

4 算法求解

粒子群算法（Particle Swarm Optimization，PSO）最早是Kennedy和Eberhart于1995年提出的，該算法是通過群體粒子間的合作與競(jìng)爭(zhēng)產(chǎn)生集群智能指導(dǎo)的并行搜索算法[9-10]，用來解決傳統(tǒng)搜索方法解決不了的目標(biāo)函數(shù)超曲面復(fù)雜和非線性問題。

該算法中每個(gè)優(yōu)化問題的解都被抽象成搜索空間中的一個(gè)沒有大小和質(zhì)量的“粒子”。所有的粒子都有自己在空間中的位置和一個(gè)適應(yīng)值，每個(gè)粒子還有一個(gè)速度決定它們飛翔的方向，然后粒子們就追隨當(dāng)前的最優(yōu)粒子在解空間中搜索。在搜索過程中，粒子通過跟蹤兩個(gè)“極值”來更新自己。第一個(gè)就是初始到當(dāng)前迭代歷史中搜索產(chǎn)生的粒子本身的最優(yōu)解，即個(gè)體極值Pbest，另一個(gè)極值為整個(gè)種群中當(dāng)前的最優(yōu)解，即全局極值Gbest。

在本文，因?yàn)橘Y源調(diào)度屬NP完全問題，因此用PSO算法中的離散粒子群算法求解。具體地，定義第t次迭代時(shí)第i個(gè)粒子在m維空間的位置為其中，表示任務(wù)T1第t次迭代時(shí)選擇的資源

節(jié)點(diǎn)為PCi，k為總的任務(wù)數(shù)量。將目標(biāo)函數(shù)值最小作為評(píng)價(jià)標(biāo)準(zhǔn)，即適應(yīng)度函數(shù)為：

其中，i=(1，2，…，n)，w為慣性因子，Rand1()和Rand2()均是在（0，1）區(qū)間上獨(dú)立同分布的均勻分布隨機(jī)數(shù)。c1和c2為學(xué)習(xí)因子。以圖1為例，隨機(jī)產(chǎn)生一個(gè)初始解如圖2所示，將其映射到PSO算法中，其解的形式為[1，2，1，3，2]。

圖2 解的構(gòu)造

5 算法實(shí)現(xiàn)

鑒于本問題模型的數(shù)學(xué)結(jié)構(gòu)，設(shè)計(jì)粒子群優(yōu)化算法偽代碼如下。

（1）計(jì)算各個(gè)任務(wù)在所有節(jié)點(diǎn)上的服務(wù)使用費(fèi)用，建立服務(wù)使用費(fèi)列表

（2）建立各個(gè)節(jié)點(diǎn)數(shù)據(jù)傳輸費(fèi)用列表

（3）建立任務(wù)間數(shù)據(jù)傳輸量表

（4）建立節(jié)點(diǎn)可信度列表

（5）建立任務(wù)執(zhí)行順序序表

（6）初始化PSO算法中相關(guān)參數(shù)

Repeat

掃描任務(wù)執(zhí)行順序序表，建立ready task表

%ready task存放符合任務(wù)先后執(zhí)行順序表的合法任務(wù)，且當(dāng)下可以馬上為其調(diào)度資源的任務(wù)。

for所有的 ready tasks{Ti}{Ti}∈Tdo

根據(jù)PSO算法將資源{PCj}分配到任務(wù){(diào)Ti}上

end for

%派遣所有ready task的任務(wù)

等待系統(tǒng)投票執(zhí)行

更新ready tasks列表

%為被阻塞的后續(xù)任務(wù)分配資源，將其加入ready task，并將已完成的任務(wù)從中ready task的任務(wù)集合中刪除。

根據(jù)當(dāng)前任務(wù)間的負(fù)載情況更新數(shù)據(jù)傳輸列表

計(jì)算PSO相關(guān)值

until所有的任務(wù)都調(diào)度完畢

6 算法仿真與結(jié)果分析

本文采用Amazon Web Service中的Elastic Compute Cloud（EC2）和Cloud Front服務(wù)的相關(guān)費(fèi)用作為云計(jì)算服務(wù)中計(jì)算和傳輸服務(wù)的費(fèi)用[11]。具體任務(wù)結(jié)構(gòu)如圖1所示。其中，為了更加符合商務(wù)活動(dòng)、科學(xué)活動(dòng)全球化趨勢(shì)，以及凸顯數(shù)據(jù)傳輸代價(jià)的差異性，本文使任務(wù)在不同云計(jì)算服務(wù)中心間進(jìn)行數(shù)據(jù)傳輸，且假設(shè)終端所在地?zé)o服務(wù)中心。

為此設(shè)PC1、PC2、PC3分別為Amazon位于United States East的Virginia、European Union的Ireland和Asia Pacific的Singapore。不同區(qū)域的服務(wù)費(fèi)用如下：矩陣AS、BI、BO分別為任務(wù)計(jì)算服務(wù)費(fèi)用、單位（TB）數(shù)據(jù)輸入和輸出費(fèi)用（數(shù)據(jù)量不同費(fèi)用不同），DC表示不同任務(wù)輸入輸出時(shí)數(shù)據(jù)量的變化，費(fèi)用單位為美元$，數(shù)據(jù)量單位為TB，具體如下：

由于云計(jì)算的一個(gè)局部可以看作一個(gè)特殊的網(wǎng)格環(huán)境，所以本文用Cloudsim來模擬一個(gè)云計(jì)算的局部環(huán)境，并采用Matlab7.1進(jìn)行仿真分析。其中，主要參數(shù)設(shè)置如下：b=5，γ=0.45，η=0.55，c1=2，c2=2。該算例選取粒子群體規(guī)模為25，迭代次數(shù)為20。機(jī)器的可靠性概率初始分布和初始解均由計(jì)算機(jī)隨機(jī)生成。執(zhí)行結(jié)果如圖3所示，圖中可以看出，算法收斂于最優(yōu)解9.897 5，證明了算法的可行性。

圖3 算法收斂情況

針對(duì)上述的算例，本文對(duì)b的取值進(jìn)行了變化使得最大數(shù)據(jù)傳輸量超越了10 TB、40 TB、100 TB、150 TB四個(gè)臨界值，計(jì)算對(duì)應(yīng)任務(wù)的資源調(diào)度分布情況，結(jié)果如圖4所示。圖4表明在該算法下，所有的任務(wù)都被均衡地分布在各個(gè)資源上，實(shí)現(xiàn)了資源最大化利用。從該圖中也可以看出，當(dāng)數(shù)據(jù)量較小時(shí)，任務(wù)以較大概率分配到計(jì)算費(fèi)用較低廉的服務(wù)節(jié)點(diǎn)上，但隨著數(shù)據(jù)量的上升，任務(wù)被均勻地分布到各個(gè)節(jié)點(diǎn)。此結(jié)果表明在數(shù)據(jù)量較小的情況下可優(yōu)先考慮可信度高且費(fèi)用開銷較低的節(jié)點(diǎn)，數(shù)據(jù)量較大的時(shí)候可以均勻地分配任務(wù)提高完成效率。

圖4 負(fù)載分布情況

任務(wù)的成功分配率即云用戶的任務(wù)能夠在規(guī)定的期限di內(nèi)完成的完成率，定義任務(wù)的成功分配率[12]公式如下：

其中，Di表示任務(wù)Ti的完成時(shí)間。

為了更好地驗(yàn)證本文提出的算法的有效性，在上述的仿真環(huán)境和參數(shù)設(shè)置下，對(duì)算例中的規(guī)模進(jìn)行擴(kuò)展后，將文獻(xiàn)[2]中提出的算法以及不考慮節(jié)點(diǎn)可信性的粒子群算法，與本文所提出的考慮節(jié)點(diǎn)資源可信性的分配算法進(jìn)行失效測(cè)試比較，即比較各個(gè)算法的任務(wù)的成功分配率。

在模擬的云計(jì)算局部環(huán)境下，設(shè)置了模擬任務(wù)的任務(wù)截止期，將用戶并發(fā)數(shù)量從50增加到350，記錄其任務(wù)的成功完成情況，圖5為50次實(shí)驗(yàn)的成功分配率的平均值。從圖5可看出，基于可信性的資源分配策略相對(duì)于沒有考慮可信性的資源分配策略有更高的任務(wù)成功執(zhí)行率。

圖5 任務(wù)成功分配率

7 結(jié)論

云計(jì)算環(huán)境下，面對(duì)海量信息的存儲(chǔ)、計(jì)算和傳輸，其提供的諸如Saas，Paas等服務(wù)卻比網(wǎng)格對(duì)基礎(chǔ)設(shè)施的要求更高，所以一個(gè)好的資源調(diào)度算法尤為重要。本文提出的基于可信性的且有作業(yè)串并聯(lián)結(jié)構(gòu)的云計(jì)算資源分配模型能較好地模擬現(xiàn)實(shí)作業(yè)，且算例測(cè)試中采用了Amazon Web Service的真實(shí)數(shù)據(jù)，結(jié)合粒子群算法求解，結(jié)果能較好地說明算法的可行性，且該模型的執(zhí)行性能明顯優(yōu)于沒有考慮節(jié)點(diǎn)可信性的資源分配模型，能更可靠更高效地完成云計(jì)算環(huán)境下的計(jì)算資源搜索與分配工作。

[1]Marston S，Li Z，Bandyopadhyay S.Cloud computing—the business perspective[J].Decision Support Systems，2011，51（1）：176-189.

[2]華夏渝，鄭駿，胡文心.基于云計(jì)算環(huán)境的蟻群優(yōu)化計(jì)算資源分配算法[J].華東師范大學(xué)學(xué)報(bào)：自然科學(xué)版，2010（1）：127-134.

[3]李建鋒，彭艦.云計(jì)算環(huán)境下基于改進(jìn)遺傳算法的任務(wù)調(diào)度算法[J].計(jì)算機(jī)應(yīng)用，2011，31（1）：184-186.

[4]馮小靖，潘郁.云計(jì)算環(huán)境下的DPSO資源負(fù)載均衡算法[J].計(jì)算機(jī)工程與應(yīng)用，2013，49（6）：105-108.

[5]Pandey S，Wu Linlin，Guru S M，et al.A Particle Swarm Optimization（PSO）-based heuristic for scheduling workflow applications in cloud computing environments[C]//24th IEEE International Conference on Advanced Information Networking and Applications，Australia，2010，1（1）：400-407.

[6]曹晉華.可靠性數(shù)學(xué)引論[M].北京：高等教育出版社，2006：15-16.

[7]武林平，孟丹.LUNF——基于節(jié)點(diǎn)失效特征的機(jī)群作業(yè)調(diào)度策略[J].計(jì)算機(jī)研究與發(fā)展，2005（6）：1000-1005.

[8]Sahoo R K，Sivasubramaniam A，Squillante M S.Failure data analysis of a large-scale heterogeneous server environment[C]//Proceedings of the DSN2004，F(xiàn)lorence，Italy，2004：772-784.

[9]陳森發(fā).復(fù)雜系統(tǒng)建模理論與方法[M].南京：東南大學(xué)出版社，2005.

[10]Zhu Hanhong，Wang Yi，Wang Kesheng，et al.Particle Swarm Optimization（PSO）for the constrained portfolio optimization problem[J].Expert Systems with Applications，2011，38（8）：10161-10169.

[11]Amazon products[EB/OL].（2011-04-29）.http：//aws.amazon. com/.

[12]Chang Guiran，Wang Chuan，Xiong Yu，et al.Efficient Nash equilibrium based cloud resource allocation by using a continuous double auction[C]//2010 InternationalConference on Computer Design and Applications，2010：194-199.

[13]劉鵬.云計(jì)算[M].北京：電子工業(yè)出版社，2010：16-56.

DING Yanyan,PAN Yu,CHENG Shiwei

School of Economics and Management,Nanjing University of Technology,Nanjing 211816,China

The resource scheduling problem in cloud computing environment is discussed.According to the characteristics of the cloud computing environment,the tasks structure and the node failure,a mathematical resource scheduling model is established.The discrete particle swarm algorithm is used to solve the problem.The simulation test example is created according to the facts of the cloud computing service operation and the verification shows that the model is rational and the algorithm is feasible and effective.

cloud computing;resource scheduling;particle swarm algorithm;creditability;Weibull distribution

對(duì)云計(jì)算環(huán)境下的資源調(diào)度問題進(jìn)行了研究。針對(duì)云計(jì)算環(huán)境下資源調(diào)度的特點(diǎn)，結(jié)合節(jié)點(diǎn)失效以及任務(wù)間的網(wǎng)狀結(jié)構(gòu)特點(diǎn)，建立資源調(diào)度問題數(shù)學(xué)模型，運(yùn)用離散粒子群算法求解該問題。針對(duì)模型特點(diǎn)結(jié)合云計(jì)算服務(wù)運(yùn)營(yíng)實(shí)情，設(shè)計(jì)算例進(jìn)行仿真測(cè)試。驗(yàn)證表明了所建立模型的合理性及該算法求解的可行性和有效性。

云計(jì)算；資源調(diào)度；粒子群算法；可信度；韋伯分布

A

TP393

10.3778/j.issn.1002-8331.1112-0284

DING Yanyan,PAN Yu,CHENG Shiwei.Creditable resource scheduling based on particle swarm algorithm in cloud computing.Computer Engineering and Applications,2013,49（18）：78-81.

南京市科技計(jì)劃項(xiàng)目（No.201007006）。

丁燕艷（1987—），女，碩士，研究方向：管理決策與人工智能；潘郁（1955—），男，教授，研究方向：計(jì)算管理與商務(wù)智能；程仕偉（1987—），男，碩士，研究方向：計(jì)算管理系統(tǒng)與人工智能。E-mail：dingyanyan77@163.com

2011-12-14

2012-04-09

1002-8331（2013）18-0078-04

CNKI出版日期：2012-05-21 http://www.cnki.net/kcms/detail/11.2127.TP.20120521.1142.056.html