陳欽榮，劉順來，林錫彬

（1.汕頭職業(yè)技術(shù)學(xué)院經(jīng)濟(jì)管理系，廣東汕頭 515041；2.廣州航海學(xué)院教務(wù)處，廣東廣州 510725；3.汕頭市林百欣科學(xué)技術(shù)中等學(xué)校計算機教研室，廣東汕頭 515041）

一種混合優(yōu)化的云計算資源調(diào)度算法

陳欽榮1，劉順來2，林錫彬3

（1.汕頭職業(yè)技術(shù)學(xué)院經(jīng)濟(jì)管理系，廣東汕頭 515041；2.廣州航海學(xué)院教務(wù)處，廣東廣州 510725；3.汕頭市林百欣科學(xué)技術(shù)中等學(xué)校計算機教研室，廣東汕頭 515041）

由于云計算的動態(tài)性、異構(gòu)性等特點，其資源的分配策略面臨著極大的挑戰(zhàn).傳統(tǒng)的啟發(fā)式算法由于本身算法原理方面存在一定的局限，難以有效應(yīng)用到云計算環(huán)境的資源分配問題中.對此，充分結(jié)合云計算的特點以及云計算資源分配的實際需求，基于遺傳算法和蟻群算法的優(yōu)勢設(shè)計了一種混合優(yōu)化的云計算資源調(diào)度算法，最后通過分析驗證了該算法的可行性.

云計算；資源調(diào)度；遺傳算法；蟻群算法

1 云計算資源調(diào)度概述

1.1 云計算資源調(diào)度的特點

云服務(wù)的供應(yīng)鏈主要包括四個部分的結(jié)構(gòu)，分別為云服務(wù)的提供商、運營商、硬件商和用戶.在云環(huán)境下，由用戶和提供商簽訂相應(yīng)的云服務(wù)租賃協(xié)議，然后根據(jù)實際的服務(wù)等級對云計算資源進(jìn)行分配.云計算資源主要包括計算、存儲以及通信等方面的資源，這些資源一般擁有多樣性分布、動態(tài)異構(gòu)性和互操作性等特點，這些特點使云資源的分配也產(chǎn)生了如下特點[1]：第一，資源的分配面向異構(gòu)平臺；第二，資源分配的總體規(guī)模較大，但是較為分散；第三，資源的分配必須具備可擴展性；第四，動態(tài)適應(yīng)性.

1.2 云計算資源調(diào)度的主要問題

由于云計算資源的新特性，傳統(tǒng)的資源分配模型和算法難以很好地解決云計算中的部分問題，比如算法性能的高效性、穩(wěn)定性、安全性等[2].這些問題導(dǎo)致云計算資源分配策略相對單一，難以滿足用戶的多樣性服務(wù)需求，同時，算法測試環(huán)境和模型的缺陷也影響了分配結(jié)果的真實性和可靠性及算法的效率，針對這些問題還需要進(jìn)一步研究.

2 常用的云計算資源分配算法

常用的云計算資源分配調(diào)度算法包括人工神經(jīng)網(wǎng)絡(luò)算法、蟻群算法和遺傳算法，下面分別對這三種算法進(jìn)行介紹，并分析其中存在的優(yōu)缺點：

2.1 人工神經(jīng)網(wǎng)絡(luò)算法

人工神經(jīng)網(wǎng)絡(luò)算法是基于生物神經(jīng)網(wǎng)絡(luò)運行原理所實現(xiàn)的一種模擬學(xué)習(xí)的資源分配算法[3].人工神經(jīng)網(wǎng)絡(luò)算法以閾值描述神經(jīng)網(wǎng)絡(luò)圖中的神經(jīng)元活性，同時會在兩層神經(jīng)元之間設(shè)置一個權(quán)值.通過人工神經(jīng)網(wǎng)絡(luò)算法，可以實現(xiàn)對超大規(guī)模數(shù)據(jù)的并行分布式儲存.同時，人工神經(jīng)網(wǎng)絡(luò)算法能夠同時融合多門科學(xué)技術(shù)，學(xué)習(xí)適應(yīng)不確定系統(tǒng).但是，其過高的復(fù)雜度導(dǎo)致很難精確地計算出各項性能指標(biāo)的值，只能用來解決對精度要求不高的求解問題.

2.2 蟻群算法

蟻群算法是科學(xué)家通過對螞蟻的覓食的尋路問題進(jìn)行分析之后，實現(xiàn)的一種模擬搜索算法.蟻群算法具有較好的健壯性、并行性和魯棒性，容易與其它算法進(jìn)行組合，早期主要應(yīng)用于解決TSP問題.目前蟻群算法在資源調(diào)度、分配問題等領(lǐng)域取得了較為突出的成果.

2.3 遺傳算法

遺傳算法是通過對生物自然進(jìn)化選擇的過程進(jìn)行模仿所實現(xiàn)的一種模擬進(jìn)化過程的搜索算法，主要用于復(fù)雜問題最優(yōu)解求解[4].遺傳算法具有較強的擴展性能，可以通過與其他算法的組合應(yīng)用來解決大型復(fù)雜、動態(tài)問題.但是，遺傳算法在搜索的過程中未對系統(tǒng)的反饋信息進(jìn)行很好的利用，導(dǎo)致搜索存在一定的盲目性，算法在早期的效率相對較高，但是對局部的搜索效率較低，而且當(dāng)?shù)螖?shù)增加時，會對算法的效率產(chǎn)生影響.

3 云計算資源分配混合優(yōu)化算法設(shè)計

3.1 遺傳算法和蟻群算法混合原理

現(xiàn)代信息資源的快速增長使得云計算的規(guī)模不斷增大，復(fù)雜度也迅速上升，在進(jìn)行云計算資源分配過程中，僅僅通過單一的傳統(tǒng)資源調(diào)度算法，很難實現(xiàn)最佳的優(yōu)化分配.本文針對單一遺傳算法和蟻群算法在資源調(diào)度方面的優(yōu)缺點，設(shè)計了一種混合優(yōu)化的云計算資源調(diào)度算法.該算法充分利用了遺傳算法和蟻群算法的優(yōu)點，能夠取得更好的資源分配效果，從而有效解決云計算資源調(diào)度面臨的多種問題.

本文選擇先通過遺傳算法的高效性獲取資源的初次分配，然后利用分配的結(jié)果作為蟻群算法中概率轉(zhuǎn)移公式的信息素，并對云計算資源之間的約束關(guān)系進(jìn)行充分考慮，改進(jìn)蟻群算法，最后根據(jù)具體的約束條件重新分配資源，從而達(dá)到最優(yōu)分配效果.通過分析之后發(fā)現(xiàn)，本文所設(shè)計的混合優(yōu)化算法比蟻群算法擁有更高的時間效率，同時收斂速度也優(yōu)于遺傳算法，遺傳算法與蟻群算法的速度-時間關(guān)系如圖1所示.

圖1 遺傳算法和蟻群算法速度-時間曲線

3.2 基本框架設(shè)計

現(xiàn)代社會發(fā)展以及云計算技術(shù)的發(fā)展，使得云計算的總體規(guī)模和結(jié)構(gòu)的復(fù)雜性迅速上升，面對云計算資源的分配問題，傳統(tǒng)算法的缺陷越來越明顯，在這種情況下，混合優(yōu)化算法應(yīng)運而生.本文基于遺傳算法和蟻群算法的優(yōu)點設(shè)計了一種混合云計算資源分配優(yōu)化算法，該算法的核心思想是通過利用遺傳算法和蟻群算法各自的優(yōu)勢，規(guī)避各自的缺陷，取長補短，在效率和精度上共同實現(xiàn)最優(yōu)[5].混合優(yōu)化算法的基本框架如圖2所示.

圖2 混合優(yōu)化算法基本框架流程

3.3 算法轉(zhuǎn)換條件設(shè)計

如何選擇遺傳算法向蟻群算法轉(zhuǎn)化的時間成為了混合優(yōu)化算法的關(guān)鍵，如果過早進(jìn)行轉(zhuǎn)化，則會提前終止遺傳算法；反之則會導(dǎo)致整個混合優(yōu)化算法的效率下降，因此，需要合理地選擇兩種算法的轉(zhuǎn)換時間點，才能同時保證算法的性能和質(zhì)量.針對該問題，可以利用下面的方法控制遺傳算法向蟻群算法的轉(zhuǎn)換時間點[6]：

（1）為遺傳算法設(shè)置最小和最大迭代次數(shù)；

（2）為遺傳算法子代設(shè)置最小進(jìn)化率；

（3）在遺傳算法迭代區(qū)間，當(dāng)連續(xù)n個子代群體的進(jìn)化效率低于之前設(shè)置的遺傳算法子代最小進(jìn)化率，則終止遺傳算法，以遺傳算法結(jié)果作為蟻群算法的初始參數(shù)，進(jìn)入蟻群算法.

3.4 算法流程設(shè)計

3.4.1 遺傳算法求較優(yōu)解

（1）設(shè)計目標(biāo)函數(shù)

針對云計算資源調(diào)度的特點，增加以下幾個約束條件，從而使得算法能夠更好的應(yīng)用到實際問題中，具體的約束條件分別為：任務(wù)的處理時間約束ProcessTime（e）、網(wǎng)絡(luò)帶寬約束BandWith（e）以及網(wǎng)絡(luò)延遲約束NetDelay（e）.其中任務(wù)處理時間約束主要是指路徑e末端的資源處理該任務(wù)所消耗的時間；網(wǎng)絡(luò)帶寬約束主要是指路徑e提供帶寬的最大值；網(wǎng)絡(luò)延時約束是指路徑e的最大網(wǎng)絡(luò)延時.根據(jù)資源在受到上述約束條件之后的情況，將目標(biāo)函數(shù)定義如下：

公式（1）中的maxT、minB以及maxN分別表示任務(wù)處理時間上限、帶寬的最小限制以及網(wǎng)絡(luò)延時的上限，三個約束條件的權(quán)重值分別利用A、B和C進(jìn)行表示.

（2）設(shè)計適應(yīng)度函數(shù)

通過適應(yīng)度指標(biāo)評價種群中的個體的優(yōu)良度.適應(yīng)度的值越大，則表明個體的性能越好，通過對適應(yīng)度函數(shù)進(jìn)行如下定義，能夠很好地遵循遺傳算法的原則：

公式（2）中的M表示種群的大小，totaltime(i)用于表示當(dāng)前種群中第i個染色體完成任務(wù)分配的最長時間，Min用于表示當(dāng)前種群所有染色體中的最小total值.由于可能出現(xiàn)totaltime(i)等于Min的情況，因此，需要將分子與分母同時+1，避免出現(xiàn)分母等于0的情況.從公式（2）可以看出，只有totaltime(i)會對f(i)的值產(chǎn)生影響.而這里通過取平方的方式來提高個體的顯著程度.

（3）遺傳編碼

在云計算資源分配過程中應(yīng)用遺傳算法主要是將問題轉(zhuǎn)化為遺傳學(xué)中“優(yōu)勝劣汰“的過程.在這個過程中，對基因的編碼操作是解決問題的關(guān)鍵，目前常用的基因編碼技術(shù)包括二進(jìn)制編碼技術(shù)、實數(shù)編碼技術(shù)等[7].其中，實數(shù)編碼技術(shù)能夠針對問題變量的解空間編碼，以便引入具體的領(lǐng)域信息，同時還能大大提高算法的效率和精度，下面選擇實數(shù)編碼技術(shù)進(jìn)行編碼：

首先，利用一個一維字符串對算法的解進(jìn)行編碼，其中包括左右兩個子字符串，其中左子字符串用于任務(wù)分配的表示，右子字符串則用于任務(wù)結(jié)束的表示.LSrt(i)=a表示當(dāng)將任務(wù)X1分配到資源Ya上進(jìn)行執(zhí)行，則必須在第i個位置對任務(wù)Xb的前驅(qū)任務(wù)進(jìn)行排列.

（4）初始種群生成

初始種群的生成需要經(jīng)歷兩個步驟，首先生成一維字符串的左子字符串，然后生成一維字符串的右子字符串.其中右子字符串的生成方式需要遵循一定的規(guī)則，從而滿足任務(wù)調(diào)度之間特殊的約束關(guān)系.

（5）選擇復(fù)制

在對所有染色體的適度值進(jìn)行計算之后，需要以具體的約束條件選擇滿足條件的染色體，并通過輪盤賭法設(shè)置適度閾值，從而從所有染色體中隨機選擇性能較好的染色體，按照下面的步驟來實現(xiàn)：

Step1：從初始種群中按照概率Pc對染色體進(jìn)行選擇，然后對所選擇的染色體的適度值進(jìn)行計算，并將所有染色體的適度值的和Mi計算出來

Step2：采用隨機數(shù)算法從[0,Mi]中選取一個隨機數(shù)M0

Step3：根據(jù)染色體的編號順序累加染色體的適度值，當(dāng)累加的值≥M0時，則復(fù)制最后一個累加的染色體

Step4：反復(fù)執(zhí)行Step2、Step3，當(dāng)新生染色體數(shù)量達(dá)到原有染色體數(shù)量時，終止選擇和復(fù)制操作.

（6）終止條件設(shè)計

在遺傳算法中，涉及到大量的參數(shù)，具體參數(shù)的選擇對算法的具體效率以及結(jié)果的精度均存在極大的影響，可以結(jié)合遺傳算法相關(guān)的經(jīng)驗參數(shù)，對參數(shù)的具體值進(jìn)行確定.

（7）獲取最優(yōu)解

在遺傳算法中，最優(yōu)解是一個染色體字符串[8]，然后根據(jù)所選擇的實數(shù)編碼方式對字符串進(jìn)行逆向解碼，從而獲取資源分配的最優(yōu)方案.

3.4.2 蟻群算法求最優(yōu)解

（1）初始信息素轉(zhuǎn)換

在本文設(shè)計的混合算法中，蟻群算法的初始解為遺傳算法的最優(yōu)解.單一的蟻群算法通常會由于初期信息素積累的缺少影響搜索效率，因此，為了確保算法具有較高的效率，需要將遺傳算法獲取的最優(yōu)解進(jìn)行轉(zhuǎn)換，并將其作為蟻群算法的初始信息素.信息素初始值的設(shè)定如果過小則可能導(dǎo)致算法由于陷入到局部最優(yōu)解而被強制終止，而初始值的值可能由于設(shè)置的過大而導(dǎo)致迭代過程失效.此時，結(jié)合遺傳算法結(jié)束時，根據(jù)一定的概率從種群中選擇具有較高適度值的個體作為蟻群算法的初始信息素，計算公式如下所示

公式中（3）的τ0表示信息素常數(shù)，表示根據(jù)遺傳算法計算結(jié)果進(jìn)行轉(zhuǎn)化的信息素值.

（2）目標(biāo)函數(shù)設(shè)計

蟻群算法優(yōu)化求解的過程是在由遺傳算法得到的較優(yōu)解的基礎(chǔ)上進(jìn)行的.主要是對遺傳算法所獲取的較優(yōu)解的二次求解.這里，將蟻群算法的節(jié)點域看作無向圖Gaco(V,E),E，V和E分別表示所有資源的節(jié)點以及網(wǎng)絡(luò)集合.蟻群算法的最終目的是從無向圖的所有資源的網(wǎng)絡(luò)幾何中尋找一條最優(yōu)路徑.

（3）信息素更新

在實際求解時，為了避免陷入局部最優(yōu)解，應(yīng)該首先對螞蟻所選線路的局部信息素進(jìn)行更新，假設(shè)螞蟻從節(jié)點i向j轉(zhuǎn)移后，則可以利用公式（4）更新τij的信息素.

公式（4～5）中的ξ∈(0,1)、1-ξ以及τ0分別表示信息素的更新系數(shù)、剩余系數(shù)和常數(shù)；Δτkij(t)表示t時刻第k只螞蟻在路徑eij上所留的信息素，S表示信息素的強度.

公式（6）和（7）主要是針對所有螞蟻完成一次迭代更新之后，如何對信息素進(jìn)行全局更新

（4）終止條件設(shè)計

只要滿足下面的任意一個條件，即可終止蟻群算法：

達(dá)到最大設(shè)計迭代次數(shù)；

新種群的子代進(jìn)化率比設(shè)計值更低.

（5）算法流程

下面給出了蟻群算法的具體執(zhí)行流程：

Step1：對蟻群算法的控制參數(shù)進(jìn)行初始化設(shè)置

Step2：設(shè)置條件滿足算法的中斷要求

Step3：根據(jù)相關(guān)的設(shè)計規(guī)則對遺傳算法獲取的較優(yōu)解進(jìn)行轉(zhuǎn)換，使其能夠與蟻群算法的每個資源節(jié)點上的螞蟻一一對應(yīng)

Step4：對每只螞蟻分配結(jié)果的目標(biāo)函數(shù)進(jìn)行計算，以獲取當(dāng)前的最優(yōu)解

Step5：更新局部信息素值，在完成一次完整的迭代更新后，對信息素值進(jìn)行全局更新

Step6：根據(jù)終止條件對算法進(jìn)行判斷，當(dāng)算法滿足終止條件之后終止算法，否則跳轉(zhuǎn)執(zhí)行Step3.

4 算法模擬分析

4.1 開發(fā)環(huán)境搭建

選擇VB語言模型實現(xiàn)上述算法，并以Windows 7系統(tǒng)作為系統(tǒng)開發(fā)環(huán)境.在程序設(shè)計過程中，主要從兩個方面進(jìn)行：首先是程序的邏輯控制模塊的設(shè)計，主要包括算法參數(shù)模塊、問題參數(shù)模塊等，這些模塊主要負(fù)責(zé)調(diào)用邏輯函數(shù)，并將結(jié)果通過圖標(biāo)的形式展現(xiàn)出來；其次是類模塊，對各類邏輯函數(shù)進(jìn)行定義和封裝.整個程序設(shè)計了問題參數(shù)、算法參數(shù)、基礎(chǔ)參數(shù)、基礎(chǔ)數(shù)據(jù)、計算控制界面和分析對比界面等，并在模塊中對數(shù)據(jù)連接、遺傳算法核心函數(shù)、蟻群算法核心函數(shù)以及混合優(yōu)化算法核心函數(shù)等進(jìn)行了定義.圖3、圖4分別給出了問題基本參數(shù)設(shè)計界面和混合優(yōu)化參數(shù)計算控制界面.

圖3 問題基本參數(shù)設(shè)計

圖4 混合優(yōu)化算法計算控制界面

4.2 算例設(shè)計

首先，為了方便計算，創(chuàng)建一個包括9個處理任務(wù)的虛擬云計算網(wǎng)絡(luò)，任務(wù)的最大并發(fā)數(shù)為4，最大深度為6，并結(jié)合生成的前驅(qū)后繼關(guān)系確定具體的深度值.不同任務(wù)在不同資源點的處理時間和各任務(wù)節(jié)點直接的優(yōu)先度以及算法的參數(shù)值如表1～表3所示.進(jìn)行算法的參數(shù)值的設(shè)定時，任務(wù)處理時間在區(qū)間[1，6]時，通過隨機函數(shù)獲取，并且任務(wù)有限度根據(jù)DAG圖的最大深度并以隨機函數(shù)獲取.表2通過單個DAG圖中各個節(jié)點的前驅(qū)節(jié)點以及后繼節(jié)點對優(yōu)先度進(jìn)行說明.

4.3 混合優(yōu)化算法參數(shù)設(shè)定

根據(jù)相關(guān)研究[9]，以應(yīng)用最多的模型為例，給出了如表3所示的遺傳算法和蟻群算法的參數(shù)設(shè)置情況，下面均基于表3的參數(shù)完成算法的計算.

表1 不同任務(wù)在不同資源點上的處理時間表

表2 各任務(wù)節(jié)點的優(yōu)先度

表3 參數(shù)設(shè)定表

4.4 分配結(jié)果

根據(jù)圖5給出的系統(tǒng)演示結(jié)果可以看出，在整個遺傳過程中，種群進(jìn)化到第332代之后，進(jìn)化率逐漸穩(wěn)定，其中，第121代產(chǎn)生了最優(yōu)解，任務(wù)分配時間為28.44 ms，而種群的進(jìn)化率低于最小進(jìn)化率出現(xiàn)在122～131代之間，此時，中斷遺傳算法并開始蟻群算法.蟻群算法在計算到第36條路徑之后，獲取最優(yōu)解，最優(yōu)的路徑調(diào)配時間為22.13 ms，即在遺傳算法結(jié)果的基礎(chǔ)上獲取到更優(yōu)的解.

下面給出了最優(yōu)分配方案：（121432233 125436879）—（染色體遺傳順序任務(wù)處理的順序），具體分配執(zhí)行策略如下所示：

資源點Y1：X1→X3

資源點Y2：X2→X6→X7

資源點Y3：X5→X8→X9

資源點Y4：X4

4.5 算法對比分析

為了了解本文設(shè)計的混合優(yōu)化云計算資源調(diào)度算法的實際性能，從調(diào)度時間、迭代次數(shù)以及負(fù)載均衡3個方面的性能與單一遺傳算法和蟻群算法進(jìn)行了對比分析.

圖5 系統(tǒng)運行結(jié)果演示（注：只截取最優(yōu)解這一階段的數(shù)據(jù)）

通過20～100個任務(wù)數(shù)以及8個資源點對混合優(yōu)化算法進(jìn)行云計算資源調(diào)度模擬實驗.其中，表4給出了3種算法任務(wù)分配時間對比的數(shù)據(jù)（3種算法采用相同的參數(shù)設(shè)置）.

表4給出了任務(wù)節(jié)點數(shù)為20～100之間時，3種算法的調(diào)度耗時.從表4中的數(shù)據(jù)能夠看出，遺傳算法在[20,40]節(jié)點區(qū)間具有較快的收斂速度，但是當(dāng)?shù)螖?shù)繼續(xù)增加后，收斂速度不斷下降；而蟻群算法在前期的收斂速度較慢，而隨著信息素的不斷積累，任務(wù)處理的速度不斷提升，而混合優(yōu)化算法剛好將兩種算法的優(yōu)勢利用起來，具有相比單一使用遺傳算法和蟻群算法更好的收斂速度.

表4 三種算法的任務(wù)分配時間對比（單位：ms）

表5給出了任務(wù)數(shù)為20～100之間時，3種算法尋找最優(yōu)解的迭代次數(shù).通過表5中的數(shù)據(jù)可以看出，3種算法的迭代次數(shù)隨著任務(wù)節(jié)點的增加呈現(xiàn)出上升趨勢，但是相對來看，單一遺傳算法比單一蟻群算法迭代次數(shù)更多，性能相對較差，而混合優(yōu)化算法則具有明顯優(yōu)勢.

表6給出了任務(wù)數(shù)為100時，8個資源點在3種算法下的負(fù)載數(shù)據(jù).從表6中的數(shù)據(jù)來看，單一蟻群算法和遺傳算法在3、5、8資源點上的負(fù)載相對較小，而在1、6、7三個資源點上的負(fù)載較高，而混合優(yōu)化算法每個資源點的負(fù)載較為平均，充分說明了混合優(yōu)化算法具有較好的負(fù)載均衡性能.

4.6 結(jié)果分析

從上面的分析來看，如果任務(wù)數(shù)量小于50，則本文所提出的優(yōu)化算法的性能優(yōu)勢相對較小，而隨著任務(wù)數(shù)量的不斷增加，這種優(yōu)勢則逐漸凸顯出來.從實際情況來看，云計算資源分配需要進(jìn)行處理的任務(wù)數(shù)量規(guī)模非常大，因此，本文所提出的優(yōu)化算法具有較大的優(yōu)勢.

表5 三種算法迭代次數(shù)對比

表6 三種算法各資源點負(fù)載情況對比

5 結(jié)論

本文針對云計算資源分配的特點和面臨的問題，基于遺傳算法和蟻群算法設(shè)計了一種混合優(yōu)化算法.本文所設(shè)計的混合優(yōu)化算法首先通過遺傳算法快速獲取較優(yōu)解，然后利用蟻群算法進(jìn)一步提高求解精度，這樣可以充分利用兩種算法的優(yōu)點，并避開各自的缺點.使得資源分配的效率和精度大大提高，算法也更加符合云環(huán)境下資源分配面臨的實際問題.

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

[2]林偉偉，齊德昱.云計算資源調(diào)度研究綜述[J].計算機科學(xué)，2012（10）：1-6.

[3]姜華杰.基于QoS的云計算資源分配算法[D].太原：太原理工大學(xué)，2012.

[4]徐達(dá)宇.云計算環(huán)境下資源需求預(yù)測與優(yōu)化配置方法研究[D].合肥：合肥工業(yè)大學(xué)，2014.

[5]方曉平，陳年生，郭宇，等.云計算資源分配策略研究[J].湖北師范學(xué)院學(xué)報（自然科學(xué)版），2013（4）：56-62.

[6]王登科，李忠.基于粒子群優(yōu)化與蟻群優(yōu)化的云計算任務(wù)調(diào)度算法[J].計算機應(yīng)用與軟件，2013（1）：290-293.

[7]薛景文，田玉玲.基于改進(jìn)克隆選擇算法的云計算任務(wù)調(diào)度算法[J].計算機應(yīng)用與軟件，2013（5）：167-170.

[8]GARG S K，YEO C S，ANADASIVAM A，et al.Environment-conscious scheduling of HPC applications on distributed cloud-oriented data centers[J].Journal of Parallel and Distributed Computing，2011，71（6）：732-749.

[9]BUYYA R,RANJAN R,RODRIGO N C.Modeling and simulation of scalable cloud computing environments and the cloud-Sim toolkit:challenges and opportunities[R].The Seventh High Performance Computing&Simulation International Conference（HPCS），2009.

A Hybrid Optimization Algorithm for Cloud Computing Resource Scheduling

CHEN Qin-rong1,LIU Shun-lai2,LIN Xi-bin3
（1.Department of Economic&Management,Shantou Polytechnic,Shantou,Guangdong,515041; 2.Dean's Office,Guangzhou Maritime University,Guangzhou,Guangdong,510725; 3.Computer Teaching and Research Section,Shantou Lin Baixin Science and Technology School,Shantou,Guangdong,515041）

Due to the dynamic nature of cloud computing，heterogeneous characteristics，its resource allocation policy faces great challenges.Due to the limitations of traditional heuristic algorithms，it is difficult to effectively applied to the resource allocation problem in cloud computing environment.To fully combine the characteristics of cloud computing with the actual demand for the allocation of cloud computing resources, meanwhile，basing on the advantages of genetic algorithm and ant colony algorithm，we design a kind of hybrid optimization of cloud computing resource scheduling algorithm,and finally through the analysis we verify the feasibility of the algorithm.

cloud computing；resource scheduling；genetic algorithms；Ant Colony algorithm

TP 312

：A

：1007-6883（2016）06-0015-09

責(zé)任編輯 朱本華

2016-03-22

汕頭職業(yè)技術(shù)學(xué)院2015年“創(chuàng)新強校工程”項目（項目編號：STP-SX-023）.

陳欽榮（1970-），男，廣東饒平人，汕頭職業(yè)技術(shù)學(xué)院經(jīng)濟(jì)管理系實驗師.