ACOCS：一種云環(huán)境下資源調(diào)度混合算法*

黎煌達(dá),程良倫

(廣東工業(yè)大學(xué)計(jì)算機(jī)學(xué)院,廣東 廣州 510006)

摘要：蟻群算法在優(yōu)化組合問(wèn)題中有著重要的意義，傳統(tǒng)的蟻群調(diào)度算法搜索速度慢、容易陷入局部最優(yōu)。針對(duì)這種情況，結(jié)合布谷鳥(niǎo)搜索算法，提出一種基于蟻群算法與布谷鳥(niǎo)搜索算法的混合算法(ACOCS)，用于云環(huán)境下的資源調(diào)度。該方法有效保留了蟻群算法求解精度高和魯棒性的特性，并融入了布谷鳥(niǎo)搜索具有快速全局搜索能力的優(yōu)勢(shì)。仿真實(shí)驗(yàn)結(jié)果表明，提出的ACOCS調(diào)度算法有效減少了調(diào)度所需的響應(yīng)時(shí)間，也在一定程度上提高了系統(tǒng)資源利用率。

關(guān)鍵詞：調(diào)度；蟻群算法；布谷鳥(niǎo)搜索

中圖分類號(hào)：TP301.6 文獻(xiàn)標(biāo)志碼：A

doi:10.3969/j.issn.1007-130X.2015.06.003

收稿日期：*2014-04-25;修回日期：2014-06-11

基金項(xiàng)目：國(guó)家自然科學(xué)基金重點(diǎn)資助項(xiàng)目(U2012A002D01)通信地址：510006 廣東省廣州市廣東工業(yè)大學(xué)計(jì)算機(jī)學(xué)院

作者簡(jiǎn)介:

Address:Faculty of Computer,Guangdong University of Technology,Guangzhou 510006,Guangdong,P.R.China

ACOCS:A hybrid resource scheduling algorithm in cloud environment

LI Huang-da,CHENG Liang-lun

(Faculty of Computer,Guangdong University of Technology,Guangzhou 510006,China)

Abstract:The ant colony algorithm has great significance in solving composition optimization problems. However, the traditional ant colony scheduling algorithm has some drawbacks such as slow searching speed and easy to fall into local optimum. In view of this situation, combining the ant colony algorithm with the cuckoo search algorithm, we propose a hybrid algorithm (ACOCS) for resource scheduling in cloud environment. This method not only effectively preserves the high accuracy and robustness of the ant colony algorithm , but also integrates the rapid global search capability feature of the cuckoo search algorithm . Simulation results show that the proposed ACOCS scheduling strategy is better than the ant colony algorithm. It not only reduces the response time required for effective scheduling, but also improves the system resource utilization to some extent.

Key words:scheduling;ant colony algorithm;cuckoo search

1引言

云計(jì)算是當(dāng)下一個(gè)非常熱門的課題，它的思想是把許多有計(jì)算能力的設(shè)備互聯(lián)起來(lái)，一方面有利于資源的全局共享，另一方面也有效地利用閑置的計(jì)算資源。也就是說(shuō)，其目的是通過(guò)架構(gòu)下一代數(shù)據(jù)中心作為虛擬服務(wù)來(lái)增強(qiáng)服務(wù)功能，使用戶從世界上任何角落都能夠獲得和部署應(yīng)用程序，對(duì)于滿足用戶的服務(wù)質(zhì)量的要求具有成本優(yōu)勢(shì)[1]。這種模式也順應(yīng)了大數(shù)據(jù)時(shí)代的發(fā)展，把數(shù)據(jù)進(jìn)行分布式的統(tǒng)一管理，減輕了終端的負(fù)荷，減少了服務(wù)對(duì)硬件的依賴。這種方式使得用戶一旦能夠訪問(wèn)云服務(wù)，則可以輕松地獲取所需的資源，而且這種收費(fèi)模式按照所需計(jì)算，其概念就和我們的家庭水電的收費(fèi)一樣，這種概念一旦實(shí)現(xiàn)，必然會(huì)極大地改善我們的生活水平，因此研究這樣一個(gè)方向是極具意義的。

作為一種新型的計(jì)算模式，云計(jì)算的資源動(dòng)態(tài)分布，異構(gòu)多樣，這使得它的任務(wù)調(diào)度策略較為復(fù)雜，這也成為了云計(jì)算研究中的一大熱點(diǎn)，如何有效地讓用戶任務(wù)與當(dāng)前可用資源進(jìn)行動(dòng)態(tài)分配和合理調(diào)度，提供高質(zhì)量服務(wù)的同時(shí)，還綜合考慮到可擴(kuò)展性、執(zhí)行效率和均衡負(fù)載等因素。因此，合理高效地在云環(huán)境下進(jìn)行任務(wù)調(diào)度是一個(gè)非常復(fù)雜的問(wèn)題，也成為了一個(gè)重要的課題，目前已經(jīng)吸引眾多學(xué)者投入精力去研究。按照調(diào)度問(wèn)題不同，可以把現(xiàn)有的資源調(diào)度策略分為兩大類：第一類是根據(jù)資源異構(gòu)及資源任務(wù)的動(dòng)態(tài)變化提出自適應(yīng)的調(diào)度算法。第二類是將啟發(fā)式算法運(yùn)用于資源調(diào)度的研究中。如今在這一塊的研究中已經(jīng)取得了一系列的工作成果。文獻(xiàn)[2]提出了一種動(dòng)態(tài)資源分配的方法，它考慮了任務(wù)請(qǐng)求的到達(dá)和銷毀時(shí)間，并且可以預(yù)測(cè)系統(tǒng)的計(jì)算能力和激活時(shí)間。文獻(xiàn)[3]提出了一種基于Agent的調(diào)度方法，它利用服務(wù)代理機(jī)制使得用戶任務(wù)請(qǐng)求間進(jìn)行有效通信，實(shí)現(xiàn)資源的最大化利用。文獻(xiàn)[4]提出一種能量感知任務(wù)融合技術(shù)，以優(yōu)化云數(shù)據(jù)中心虛擬集群的能量消耗，任務(wù)融合是一種最大化利用資源的方式，可以更好地利用資源并合理地使用IT服務(wù)。文獻(xiàn)[5]提出了一個(gè)基于截止期、可靠性、資源感知的分布式調(diào)度系統(tǒng)，此調(diào)度系統(tǒng)綜合考慮了真實(shí)網(wǎng)絡(luò)拓?fù)浜屯ㄐ拍Ｐ?，該分布式調(diào)度系統(tǒng)使得在低成本條件下的大規(guī)模科學(xué)計(jì)算成為可能。文獻(xiàn)[6]提出一種基于遺傳-蟻群算法的任務(wù)調(diào)度策略，集成了這兩種算法的雙重優(yōu)點(diǎn)，通過(guò)實(shí)驗(yàn)證明在大規(guī)模任務(wù)調(diào)度環(huán)境下的效率優(yōu)勢(shì)。

上述的研究都各有側(cè)重點(diǎn)，也有著不足，但是都給我們一個(gè)思路去思考調(diào)度問(wèn)題。文本主要從節(jié)約調(diào)度時(shí)間和功耗的角度出發(fā)，通過(guò)研究當(dāng)前的啟發(fā)式算法來(lái)設(shè)計(jì)高效的調(diào)度混合算法，主要的思路是通過(guò)蟻群算法和布谷鳥(niǎo)搜索算法的有效融合，提高算法的全局搜索能力，改善算法的收斂速度。并通過(guò)實(shí)驗(yàn)分析來(lái)說(shuō)明所提出的算法能夠在云環(huán)境的資源調(diào)度中取得較好的效果。

2相關(guān)知識(shí)

在提出新的混合算法之前，我們必須先對(duì)對(duì)蟻群算法、布谷鳥(niǎo)搜索算法和云計(jì)算下任務(wù)調(diào)度模型進(jìn)行介紹，簡(jiǎn)單分析它們的優(yōu)缺點(diǎn)，從而進(jìn)一步研究如何進(jìn)行融合。

2.1蟻群算法

蟻群算法ACO(Ant Colony Optimization)是受自然界中螞蟻搜索食物行為的啟發(fā)而形成的一種智能優(yōu)化算法。它的思想是模擬蟻群的集體覓食過(guò)程中的群體協(xié)作行為，實(shí)現(xiàn)求解路徑上的信息積累反饋，并逐步取得最優(yōu)路徑。算法最早是由意大利學(xué)者Dorigo等人提出的，并被應(yīng)用到TSP等一系列組合優(yōu)化問(wèn)題中，目前取得了良好的效果。

與其他啟發(fā)式算法相比，蟻群算法在信息交換積累方面更加高效，也容易實(shí)現(xiàn)優(yōu)化，因此在求解能力上具有很強(qiáng)的魯棒性和精確性。而且作為一種隨機(jī)種群進(jìn)化算法，具有本質(zhì)的并行性。但是，蟻群算法一般需要較長(zhǎng)的搜索時(shí)間，容易出現(xiàn)停滯，造成收斂速度慢，易陷入局部最優(yōu)。

2.2布谷鳥(niǎo)搜索算法

布谷鳥(niǎo)搜索CS(Cuckoo Search)是2009年由劍橋大學(xué)的 Yang Xin-she和 Deb S 開(kāi)發(fā)的元啟發(fā)式算法。該算法是受到布谷鳥(niǎo)的孵育寄生行為而啟發(fā)的。重要的是，該算法利用Levy飛行取代了簡(jiǎn)單的各向同向性隨機(jī)搜索路徑，從而增強(qiáng)了算法的搜索功能。

該算法之所以有較強(qiáng)的搜索性能，主要原因是：(1)有很好的全局搜索和局部搜索的平衡；(2)算法受控制的參數(shù)數(shù)量較少。在CS算法中主要有兩個(gè)參數(shù)：為群體規(guī)模n和發(fā)現(xiàn)概率p。一旦n固定下來(lái)，p就是控制精英選擇和平衡全局搜索與局部搜索的重要工具。與其他啟發(fā)算法相比，CS算法的優(yōu)點(diǎn)在于選用參數(shù)少、搜索路徑優(yōu)、全局優(yōu)化能力強(qiáng)。

2.3云任務(wù)調(diào)度模型

在云計(jì)算平臺(tái)的任務(wù)調(diào)度中主要有三個(gè)方面的任務(wù)需要完成。依次為：任務(wù)解析、資源檢測(cè)和資源分配與任務(wù)調(diào)度，如圖1所示。首先，先由任務(wù)解析器把用戶提交的任務(wù)分解成合適的任務(wù)執(zhí)行單元，并放進(jìn)任務(wù)池中。然后，根據(jù)每個(gè)執(zhí)行單元之間的約束關(guān)系形成任務(wù)執(zhí)行的聯(lián)系圖，一般用有向無(wú)環(huán)圖(DAG)表示；同時(shí)，由資源檢測(cè)單元監(jiān)測(cè)任務(wù)處理單元的狀態(tài)，并將硬件信息反饋給資源分配與調(diào)度單元。最后，由該單元完成資源的分配與任務(wù)的調(diào)度。

Figure 1　Scheduling model of cloud tasks 圖1　云任務(wù)調(diào)度模型

3基于DAG的任務(wù)調(diào)度模型

本文所研究的問(wèn)題是由云計(jì)算平臺(tái)抽象而來(lái)的，提出的算法是針對(duì)任務(wù)節(jié)點(diǎn)的執(zhí)行時(shí)間和能源消耗作為優(yōu)化的目標(biāo)。問(wèn)題可以描述如下：

輸入：以DAG圖的形式表示任務(wù)節(jié)點(diǎn)；

輸出：將任務(wù)節(jié)點(diǎn)分配到云平臺(tái)上執(zhí)行，獲取最短執(zhí)行時(shí)間和最少的能源消耗，輸出任務(wù)分配調(diào)度方案。

為了方便研究，我們假設(shè)計(jì)算節(jié)點(diǎn)是相同的，也就是各個(gè)節(jié)點(diǎn)在功能、性能和損耗方面具有同樣的等級(jí)。而且，我們忽略集群系統(tǒng)中出現(xiàn)的故障處理，而把故障處理時(shí)間集成到每個(gè)任務(wù)的執(zhí)行時(shí)間。對(duì)于能耗消耗率的考慮，我們簡(jiǎn)單地用節(jié)點(diǎn)的功率來(lái)表示，因?yàn)橥ㄐ诺墓闹饕Q于數(shù)據(jù)的大小和通信鏈路的傳輸速率。

任務(wù)的表現(xiàn)形式是如圖2所示的有向無(wú)環(huán)圖G=(n,e)。其中，n表示任務(wù)節(jié)點(diǎn)；e代表任務(wù)之間的約束關(guān)系，邊上的數(shù)值是節(jié)點(diǎn)之間的通信成本，代表完成任務(wù)所損耗的能量。

Figure 2　Task dependency DAG graph 圖2　任務(wù)依賴DAG圖

4基于蟻群-布谷鳥(niǎo)搜索的任務(wù)調(diào)度策略

針對(duì)第2節(jié)中所提出的任務(wù)調(diào)度模型，本節(jié)我們將提出一種混合的ACOCS算法來(lái)快速。

蟻群算法憑借其良好的并行性、自組織性、正反饋性和魯棒性，非常適用于組合優(yōu)化的問(wèn)題研究。但是，也存在不少的問(wèn)題：(1)信息素是該算法最重要的信息載體，因此如何設(shè)計(jì)優(yōu)秀的信息素更新策略是一個(gè)問(wèn)題。(2)蟻群覓食搜索的時(shí)間較長(zhǎng)，對(duì)于算法的收斂速度產(chǎn)生較大的影響，而且容易陷入局部最優(yōu)。為了解決這一問(wèn)題，本文引入CS算法，該算法需要設(shè)置的參數(shù)較少，容易實(shí)現(xiàn)，而且搜索的能力較強(qiáng)，對(duì)于全局搜索的速度較快，因此把它作為蟻群算法中覓食過(guò)程的搜索策略可以有效地提高全局搜索的效率，并且可以作為改變?nèi)中畔⑺胤e累的一種方法。

4.1優(yōu)化搜索策略

蟻群算法的搜索時(shí)間較長(zhǎng)，蟻群中單只螞蟻的運(yùn)動(dòng)是隨機(jī)的，但當(dāng)問(wèn)題的規(guī)模較大時(shí)會(huì)增加搜索最優(yōu)解的難度，而且全局性會(huì)變差?；旌纤惴ǖ囊淮竽繕?biāo)就是結(jié)合CS算法的搜索優(yōu)勢(shì)，并且改善蟻群算法搜索所帶來(lái)的局部性和收斂慢的缺點(diǎn)。

CS算法的搜索路徑與普通的路徑不同，它使用的是隨機(jī)性較強(qiáng)的Levy飛行的搜索方式。這種方式是一個(gè)步長(zhǎng)大小服從Levy分布的隨機(jī)游走，而游走方向是服從均勻分布的，并且還使用了具有Levy分布特征的Mantegna法則來(lái)選擇步行向量。

(1)

其中，⊕是點(diǎn)對(duì)點(diǎn)乘法；Levy(λ)就是一個(gè)步長(zhǎng)大小服從Levy分布的隨機(jī)游走，可以表示為:

(2)

而步長(zhǎng)大小主要通過(guò)Mantegna法則來(lái)實(shí)現(xiàn)。另外，α是步長(zhǎng)控制量，主要用來(lái)控制方向和補(bǔ)償大小。

把CS的搜索思想應(yīng)用于蟻群算法中，可以使一些新解的產(chǎn)生是通過(guò)圍繞最優(yōu)解的Levy游走而漸漸達(dá)到最優(yōu)的，這時(shí)也加快了局部搜索。而通過(guò)偏離較遠(yuǎn)的位置隨機(jī)產(chǎn)生的一部分新解是遠(yuǎn)離當(dāng)前最優(yōu)解的，這樣就可以確保系統(tǒng)沒(méi)有陷入局部最優(yōu)解。

4.2信息素更新策略

蟻群算法中的信息素是非常重要的信息。一個(gè)好的信息素分布可以引導(dǎo)螞蟻快速準(zhǔn)確地尋找到最優(yōu)解，同時(shí)螞蟻本身的行為可以影響和改變信息素的分布。本文所提出的算法首先是利用蟻群算法本身的搜索策略來(lái)進(jìn)行一次迭代，對(duì)局部的節(jié)點(diǎn)進(jìn)行信息素的更新。再把所求得的當(dāng)前最優(yōu)解轉(zhuǎn)換到CS算法中去進(jìn)一步迭代，對(duì)全局的信息素進(jìn)行更新。

在時(shí)間t,每一個(gè)任務(wù)被分配到任意節(jié)點(diǎn)的概率可以由以下公式計(jì)算得出：

(3)

其中，τ是信息素濃度，η為可見(jiàn)度，本文采用η=aP+bC來(lái)計(jì)算，a和b是人工設(shè)置的系數(shù)，代表所占的權(quán)重；P反映的是節(jié)點(diǎn)的計(jì)算性能；而C反映的是節(jié)點(diǎn)的通信能力。α為信息素取法因子，反映螞蟻在路徑搜索中隨機(jī)性因素所用的強(qiáng)度，β為期望啟發(fā)式因子，反映螞蟻在路徑搜索先驗(yàn)性、確定性因素作用的強(qiáng)度。

這樣的信息素更新策略有效地利用了CS算法中的精英保留策略，體現(xiàn)了算法局部搜索和全局搜索很好的結(jié)合，而且有效增加了混合算法解的多樣性，使算法有效地避免陷入局部最優(yōu)，從而達(dá)到全局最優(yōu)的目的。

4.3算法描述

算法的描述如下：

步驟1初始化算法中的起始值。設(shè)定當(dāng)前的任務(wù)數(shù)、測(cè)試的節(jié)點(diǎn)數(shù)，還有初始時(shí)刻的信息素。

步驟2每個(gè)螞蟻獨(dú)自進(jìn)行隨機(jī)搜索，根據(jù)公式(3)計(jì)算在搜索過(guò)程中留下的信息素，得出一次迭代的解。

步驟3利用上一步中得到的一組當(dāng)前解初始化為CS算法的起始值，然后利用位置更新公式(1)繼續(xù)進(jìn)行搜索，并通過(guò)與發(fā)現(xiàn)概率對(duì)比進(jìn)行選擇，得出一組較優(yōu)解和較優(yōu)鳥(niǎo)窩位置。

步驟4把上一步得到的較優(yōu)位置作為當(dāng)前節(jié)點(diǎn)的信息素保留下來(lái)，并根據(jù)所選取的計(jì)算節(jié)點(diǎn)，計(jì)算對(duì)應(yīng)的調(diào)度方案的調(diào)度長(zhǎng)度L，并更新全局信息素。

步驟5若迭代次數(shù)到達(dá)所預(yù)定的最大迭代次數(shù)，或者迭代出現(xiàn)退化現(xiàn)象，則算法終止。那么，最優(yōu)調(diào)度方案取為當(dāng)前記錄的最優(yōu)解集。

算法的流程圖如圖3所示：

Figure 3　Flowchart of ACOCS algorithm 圖3　ACOCS算法流程圖

5實(shí)驗(yàn)分析

為驗(yàn)證本文中所提出的AOCCS算法的性能，采用云計(jì)算仿真軟件CloudSim進(jìn)行測(cè)試。主要與ACO算法進(jìn)行比較并分析實(shí)驗(yàn)結(jié)果。實(shí)驗(yàn)的硬件環(huán)境為：IntelCorei5-2410M2.3GHzCPU,4GB內(nèi)存。軟件環(huán)境為：Windows7操作系統(tǒng)，Eclipse3.2和Java1.6.0語(yǔ)言開(kāi)發(fā)工具，以及CloudSim2.1.1仿真器。

參考文獻(xiàn)程序運(yùn)行過(guò)程中需要按照實(shí)際情況設(shè)定運(yùn)行時(shí)參數(shù)，本文涉及到的運(yùn)行時(shí)參數(shù)設(shè)定由表1給出。由[10]可知道，α的最優(yōu)取值范圍為[1.0,3.0]，這里取中間值2；β的最優(yōu)取值范圍為[2.0,4.0]，這里取中間值3。這里假設(shè)節(jié)點(diǎn)的通信能力和計(jì)算能力均衡，則A取值0.5，B取值0.5。另外，為了節(jié)省實(shí)驗(yàn)的時(shí)間，節(jié)點(diǎn)選取10個(gè)，螞蟻數(shù)選取20個(gè)，最大迭代次數(shù)選取100次。如表1所示。

Table 1　 Runtime parameters

表2和圖4為ACOCS算法與AOC算法隨著任務(wù)數(shù)增加完成任務(wù)調(diào)度所需要的時(shí)間。由圖4可以看出，當(dāng)任務(wù)數(shù)較少時(shí)，兩種算法完成調(diào)度的時(shí)間差不多，但隨著任務(wù)數(shù)的增加，ACOCS算法的完成時(shí)間增長(zhǎng)較慢，速度得到明顯的提高。

Table 2　 Relationship between the number

Figure 4　Comparison of completion time between the two algorithms 圖4　兩種算法完成時(shí)間比較

表3和圖5為ACOCS算法與AOC算法隨著任務(wù)數(shù)增加所消耗的能源量。圖5可以看到，當(dāng)任務(wù)數(shù)較少時(shí)，兩個(gè)算法的能耗量基本相同，但是當(dāng)任務(wù)數(shù)增加之后，ACOCS算法的能耗量得到改善的效果更好。

Table 3　 Relationship between the number of

Figure 5　Comparison of energy consumption between the two algorithms 圖5　兩種算法能量消耗比較

通過(guò)上述實(shí)驗(yàn)可以知道，ACOCS算法較于ACO算法在執(zhí)行時(shí)間和能量消耗方面都明顯有優(yōu)勢(shì)，而且隨著任務(wù)數(shù)的增加，表現(xiàn)出來(lái)的性能更好。這都是因?yàn)樘岣吡怂惴ǖ乃阉魉俣群腿中裕沟肁COCS算法能夠較快地收斂，減少了迭代的次數(shù)；而且還保留著ACO原有的并行性優(yōu)勢(shì)。

6結(jié)束語(yǔ)

本文對(duì)云計(jì)算的資源調(diào)度問(wèn)題進(jìn)行了一些探討，并介紹了當(dāng)前一些工作成果。在這些工作的啟發(fā)下，通過(guò)對(duì)蟻群算法和布谷鳥(niǎo)搜索算法進(jìn)行深入的研究，分析兩種啟發(fā)式算法可以互相促進(jìn)的特點(diǎn)，并進(jìn)一步提出一種基于布谷鳥(niǎo)搜索改進(jìn)的蟻群算法的資源調(diào)度融合算法。該算法主要通過(guò)在蟻群算法中融入布谷鳥(niǎo)搜索的優(yōu)勢(shì)，增強(qiáng)了蟻群算法的全局搜索和收斂速度。仿真實(shí)驗(yàn)測(cè)試結(jié)果表明，該算法有效減少了調(diào)度所需的響應(yīng)時(shí)間，也一定程度上提高了系統(tǒng)資源利用率。接下來(lái)的工作是進(jìn)一步從其他方面來(lái)測(cè)試該算法的性能，并把這種策略應(yīng)用到實(shí)際的云環(huán)境系統(tǒng)。

參考文獻(xiàn):

[1]ChenQuan,DengQian-ni.Cloudcomputinganditskeytechnology[J].ComputerApplication,2009,29(1):2562-2567.(inchinese)

[2]TammaroD,DoumithEA,ZahrSA,etal.Dynamicresourceallocationincloudenvironmentundertime-variantjobrequests[C]//Procof2011IEEE3rdInternationalConferenceonCloudComputingTechnologyandScience,2011:592-598.

[3]SongH,BaeCS,LeeJW,etal.Utilityadaptiveservicebrokeringmechanismforpersonalcloudservice[C]//ProcofMilitrayCommunicationsConference,2011:1622-1627.

[4]HsuCH,ChenSC,LeeCC,etal.Energy-awaretaskconsolidationtechniqueforcloudcomputing[C]//Procof2011IEEE3rdInternationalConferenceon.CloudComputingTechnologyandScience(CloudCom), 2011:115-121.

[5]ZhaoL,RenY,SakuraiK.Aresourceminimizingschedulingalgorithmwithensuringthedeadlineandreliabilityinheterogeneoussystems[C]//Procof2011IEEEInternationalConferenceon.AdvancedInformationNetworkingandApplications,2011:275-282.

[6]DengJian-guang,YuanHua-qiang,ZhaoYue-long.Agridtaskschedulingstrategybusedongeneticalgorithmandantcologyalgorithm[J].ApplicationResearchofcomputer,2011,28(12):4485-4488.(inChinese)

[7]SelvaraniS,SadhasivamGS.Improvedcost-basedalgorithmfortaskschedulingincloudcomputing[C]//Procof2010IEEEInternationalConferenceon.ComputationalIntelligenceandComputingResearch(ICCIC),2010:1-5.

[8]LiL.Anoptimisticdifferentiatedservicejobschedulingsystemforcloudcomputingserviceusersandproviders[C]//Procofthe3rdInternationalConferenceonMultimediaandUbiquitousEngineering,2009:295-299.

[9]WangFan.TheoreticalresearchandapplicationoftheCuckoosearchalgorithm[D].Xi’an:Xi’anPolytechnicUniversity,2011.(inChinese)

[10]SongJin-juan.Animprovedantcolonyalgorithmanditsapplicationinshortestpartproblem[D].Taiyuan：NorthCentralUniversity,2013.(inChinese)

參考文獻(xiàn)：附中文

[1]陳全,鄧倩妮. 云計(jì)算及其關(guān)鍵技術(shù)[J]. 計(jì)算機(jī)應(yīng)用,2009,29(1):2562-2567.

[6]鄧見(jiàn)光,袁華強(qiáng),趙躍龍. 一種基于遺傳—蟻群算法的網(wǎng)格任務(wù)調(diào)度策略[J]. 計(jì)算機(jī)應(yīng)用研究,2011,28(12):4485-4488.

[9]王凡.CuckooSearch算法的理論研究與應(yīng)用[D].西安：西安工程大學(xué),2011.

[10]宋錦娟. 一種改進(jìn)的蟻群算法及其在最短路徑問(wèn)題中的應(yīng)用[D].太原：中北大學(xué),2013.

黎煌達(dá)(1989-),男,廣東廉江人，碩士生，研究方向?yàn)樵朴?jì)算和信息物理融合系統(tǒng)。E-mail:403471414@qq.com

LIHuang-da,bornin1989,MScandidate,hisresearchinterestsincludecloudcomputing,andcyberphysicalsystem.

程良倫(1965-),男,廣東廣州人，博士后，博士生導(dǎo)師，研究方向?yàn)闊o(wú)線傳感器網(wǎng)絡(luò)和信息物理融合系統(tǒng)。E-mail:llcheng@gdut.edu.cn

CHENGLiang-lun,bornin1965,postdoctor,PhDsupervisor,hisresearchinterestsincludewirelesssensornetwork,andcyberphysicalsystem.