王 猛，譚躍生（內(nèi)蒙古科技大學(xué)工程訓(xùn)練中心，內(nèi)蒙古 包頭 014010）

基于簡化粒子群和蟻群優(yōu)化的云計算資源調(diào)度算法

王 猛，譚躍生
（內(nèi)蒙古科技大學(xué)工程訓(xùn)練中心，內(nèi)蒙古 包頭 014010）

為了提高云計算環(huán)境下資源調(diào)度的效率，將BPSO-ACO算法應(yīng)用到云計算的資源調(diào)度過程中，通過CloudSim平臺的仿真實驗，與粒子群算法和蟻群算法做比較，得到在同等條件下，簡化粒子群優(yōu)化和蟻群優(yōu)化算法（BPSO-ACO）比單獨的粒子群算法或蟻群算法在進行資源調(diào)度時，總?cè)蝿?wù)的完成時間更短、收斂性更好。

云計算；資源調(diào)度；粒子群算法；蟻群算法

0　引言

1　云計算資源調(diào)度模型

云計算環(huán)境中有n個任務(wù)的集合T=（T1，T2， …，Tn） 分配到m個虛擬資源集合VM=（VM1，VM2， …，VMm） 上完成，其中Ti（i=1，2，3…n）表示第i個子任務(wù)，VMj（j=1，2，3…m）表示第j個虛擬資源，粒子群中一個粒子位置就是一個可行解，即一個資源分配序列，任務(wù)集合T在虛擬資源VM上的分配關(guān)系可表示為：

這是一個N維向量，其中xij表示任務(wù)i被分配到虛擬資源VMj上，xij是一個可行的資源分配方案。

定義CTij（i∈｛1，2，…，m｝，j∈｛1，2，…，n｝）表示任務(wù)Ti在虛擬資源VMj的完成時間:

目標(biāo)是使得CTmax的值最小。

2　粒子群算法的優(yōu)化及編碼

對于粒子群算法的優(yōu)化，大多數(shù)的改進是通過對參數(shù)自適應(yīng)調(diào)整或雜交、變異參數(shù)或增加操作算子獲得的。上述調(diào)整使得PSO算法越來越復(fù)雜，使得對于PSO收斂性的定量分析非常麻煩［2-3］。

通過分析粒子群算法可以發(fā)現(xiàn)：在粒子群中 ， 粒子速度概念不是必需的，因此 ，只需要考慮粒子位置的直接變化。參數(shù)vi代表粒子的速度，粒子速度的不能表示粒子趨近最優(yōu)解位置的趨勢。通過上述分析，粒子群算法可以優(yōu)化為公式2.1：

在粒子群中，每一個粒子就代表一個可行的調(diào)度方案，各虛擬資源節(jié)點VMj處理所有分配到該資源節(jié)點上的任務(wù)的總完成時間CTj，選取CTj｛j=1，2，3，4，5｝中完成時間最長的。

1.1 材料 試驗于2017年7月進行，材料選擇廣西南亞熱帶農(nóng)業(yè)科學(xué)研究所名優(yōu)茶種植基地1芽1葉黃觀音秋季鮮葉?；匚恢脤倌蟻啛釒Ъ撅L(fēng)氣候，海拔>100 m，全年平均氣溫21～22 ℃，地勢平坦，土壤pH 5.5～6.5。制茶主要設(shè)備：搖青機、6CR-35型揉捻機、YX-6CFJ-10B型全自動紅茶發(fā)酵機、理條機、6CTH型烘干機。檢測主要設(shè)備：氣相-質(zhì)譜聯(lián)用儀(GC- MS)、紫外分光光度儀、全自動化學(xué)分析儀、電子天平、茶葉審評用具。

3　蟻群算法

3.1信息素初始化

初始階段，蟻群算法用粒子群算法的調(diào)度結(jié)果作為其初始節(jié)點，并對節(jié)點上的信息素加強若干倍數(shù)，使得蟻群算法在初期的收斂速度變快，讓其盡快搜索到最優(yōu)解。

3.2路徑的選擇

現(xiàn)在假設(shè)，在t時刻，螞蟻k選擇xij節(jié)點的概率如公式3.1所示。

3.3信息素更新規(guī)則

當(dāng)每只螞蟻經(jīng)過一個虛擬資源節(jié)點或遍歷過所有虛擬資源節(jié)點的時候，要對虛擬資源節(jié)點上的信息素更新。在t+1時刻信息素更新規(guī)則如公式3.3和公式3.4所示。

表示信息素的揮發(fā)系數(shù)，1-ρ表示信息素的殘留系數(shù)，通常ρ的取值范圍是0到1之間。

Δτj（t）表示t時刻，虛擬資源節(jié)點VMj上的信息素增量。

其中Q為常數(shù)，表示所有任務(wù)執(zhí)行完的總時間，CTi表示任務(wù)Ti的執(zhí)行花費即時間。

4　仿真實驗

本文選擇CloudSim仿真平臺進行仿真實驗，將簡化粒子群結(jié)合蟻群的算法（BPSO-ACO）云計算資源調(diào)度模型引入到CloudSim的資源調(diào)度系統(tǒng)中，通過仿真實驗驗證簡化粒子群結(jié)合蟻群的算法（BPSOACO）的云計算資源調(diào)度性能。

本實驗中，為了檢驗粒子群算法（PSO）、蟻群算法（ACO）與簡化粒子群結(jié)合蟻群算法（BPSO-ACO）的性能，在CloudSim平臺下設(shè)置3個虛擬資源節(jié)點和20到100個子任務(wù)，對比分析。

各類算法的參數(shù)設(shè)置如下描述：

（1）對于簡化粒子群算法的參數(shù)設(shè)置如下：粒子的規(guī)模設(shè)置為100，c1=c2=2，迭代次數(shù)設(shè)置為30次。

（2）對于蟻群算法的參數(shù)設(shè)置如下：蟻群的規(guī)模設(shè)置為100，α=β=1，ρ=0.7，迭代次數(shù)設(shè)置為70次。

圖1　PSO與BPSO-ACO的對比

（3）對于簡化粒子群結(jié)合蟻群算法的參數(shù)設(shè)置如下：與粒子群算法和蟻群算法相同的參數(shù)，設(shè)置為相同的值，迭代次數(shù)設(shè)置為100次。通過CloudSim進行20次仿真實驗，取平均值，進行測試，結(jié)果如圖1，圖2所示。

圖1與圖2可以看出，在初始狀態(tài)，當(dāng)任務(wù)量較少的情況下，BPSO-ACO算法的完成時間與PSO算法、ACO算法的總完成時間相差不多，但是隨著任務(wù)量的增加，完成時間的差距越來越明顯，說明BPSO-ACO算法在任務(wù)量大的情況下的收斂性明顯好于PSO算法和ACO算法。

通過仿真實驗證明：BPSO-ACO算法能夠?qū)Y源進行合理的調(diào)度，總得完成時間要優(yōu)于PSO算法和ACO算法。

圖2　ACO與BPSO-ACO的對比

Arfeen M A， Pawlikowski K， Willig A. A Framework for Resource Allocation Strategies in CloudComputing Environment［J］. Computer Software and Applications Conference Workshops （COMPSACW），2011 IEEE 35th Annual.2011，261-266.

Clerc M， Kennedy J. The particle swarm： Explosion stability and convergence in a multi-dimensional complex space. IEEE Trans.on Evolution Computer， 2002，6（1）：58-73.

Trelea IC. The particle swarm optimization algorithm：Convergence analysis and parameter selection. Information ProcessingLetters， 2003，85（6）：317-325.

10.16640/j.cnki.37-1222/t.2016.14.116