張曉麗

（西安航空學(xué)院 計(jì)算機(jī)學(xué)院，陜西 西安710077）

改進(jìn)魚群算法在云計(jì)算任務(wù)調(diào)度中的應(yīng)用

張曉麗

（西安航空學(xué)院 計(jì)算機(jī)學(xué)院，陜西 西安710077）

云計(jì)算環(huán)境中的任務(wù)調(diào)度問題一直是云計(jì)算研究的重點(diǎn)，任務(wù)調(diào)度的目的尋找最優(yōu)的任務(wù)調(diào)度策略，以高效地完成計(jì)算任務(wù)。針對(duì)云計(jì)算環(huán)境下資源規(guī)模龐大、異構(gòu)性的特點(diǎn)，為了克服傳統(tǒng)調(diào)度算法存在的缺點(diǎn)，提出一種基于改進(jìn)自適應(yīng)人工魚群算法的任務(wù)調(diào)度算法。該算法以任務(wù)總執(zhí)行時(shí)間作為目標(biāo)函數(shù)，在迭代過程中動(dòng)態(tài)自適應(yīng)的調(diào)整人工魚的視野和步長(zhǎng)，同時(shí)對(duì)覓食行為進(jìn)行改進(jìn)，加快算法的收斂速度，避免算法陷入局部最優(yōu)，以此提高任務(wù)調(diào)度的性能。通過在CloudSim平臺(tái)進(jìn)行仿真對(duì)比實(shí)驗(yàn)，相較于其他智能尋優(yōu)算法，該算法在任務(wù)執(zhí)行時(shí)間和收斂速度上都有明顯的優(yōu)勢(shì)，是一種有效的任務(wù)調(diào)度算法。

云計(jì)算；任務(wù)調(diào)度；人工魚群算法；自適應(yīng)

云計(jì)算[1-2]作為一種新興的計(jì)算服務(wù)商業(yè)模式，集成了網(wǎng)格計(jì)算、分布式計(jì)算和并行計(jì)算等技術(shù)，自提出以來就成為一個(gè)熱點(diǎn)研究方向。云計(jì)算采用虛擬化技術(shù)，將大量通過網(wǎng)絡(luò)連接的計(jì)算資源存儲(chǔ)資源與軟件資源整合起來，構(gòu)成大規(guī)模的共享虛擬資源池，為用戶提供廉價(jià)的按需服務(wù)，同時(shí)將用戶提交的任務(wù)分配給計(jì)算機(jī)資源池進(jìn)行合理調(diào)度。由于云計(jì)算中存在諸多形態(tài)不同的云端，且面對(duì)的計(jì)算資源種類眾多、提供服務(wù)效率不一、計(jì)算任務(wù)數(shù)量巨大，在“云”中如何將眾多任務(wù)進(jìn)行合理調(diào)度滿足用戶對(duì)服務(wù)質(zhì)量的要求并且更有效利用云計(jì)算系統(tǒng)中的資源一直是一個(gè)核心關(guān)注熱點(diǎn)[2-3]。大量研究結(jié)果表明，云計(jì)算任務(wù)調(diào)度實(shí)際上是一個(gè)NP難題[4]，也是一個(gè)組合優(yōu)化問題。針對(duì)云計(jì)算的任務(wù)調(diào)度問題，國(guó)內(nèi)外學(xué)者對(duì)其進(jìn)行了相應(yīng)的研究，提出了大量的云計(jì)算任務(wù)調(diào)度算法。例如最小最小（min-Min）[5]、Sufferage算法[6]和一些啟發(fā)式算法如基于蟻群的調(diào)度算法[7]、基于遺傳的調(diào)度算法[8]、基于粒子群的調(diào)度算法[9]、基于遺傳模擬退火算法的調(diào)度算法[10]等。但這些算法通常都存在收斂性能或搜索全局最優(yōu)解的能力較低，容易陷入局部最優(yōu)值，調(diào)度目標(biāo)單一等問題。

文獻(xiàn)[11]提出的人工魚群算法作為人工智能領(lǐng)域的研究成果之一，采用自下而上的信息尋優(yōu)模式，具有較強(qiáng)的跳出局部極值點(diǎn)的能力，對(duì)搜索空間具有一定的自適應(yīng)能力，并具有魯棒性強(qiáng)，對(duì)初值的敏感性小，簡(jiǎn)單易實(shí)現(xiàn)等諸多優(yōu)點(diǎn)，在求解大規(guī)模復(fù)雜優(yōu)化問題上取得了較好效果。因此，考慮上述現(xiàn)有調(diào)度算法存在的不足，文中針對(duì)云計(jì)算任務(wù)調(diào)度的特點(diǎn)，對(duì)云環(huán)境中資源的高效合理調(diào)度進(jìn)行了研究，為了克服基本人工魚群算法在后期收斂速度慢和計(jì)算量大的缺陷，提出一種動(dòng)態(tài)自適應(yīng)的人工魚群算法，并將該改進(jìn)算法應(yīng)用于云計(jì)算任務(wù)調(diào)度問題研究，實(shí)驗(yàn)證明該算法能有效減少云計(jì)算任務(wù)調(diào)度的總時(shí)間。

1 云計(jì)算任務(wù)調(diào)度模型

云計(jì)算環(huán)境下的任務(wù)調(diào)度是以任務(wù)為基本單位，按照一定的任務(wù)調(diào)度策略，將相互獨(dú)立的多個(gè)任務(wù)以最合理的方案分配到可用的計(jì)算資源上，以使得任務(wù)的總執(zhí)行時(shí)間跨度最短同時(shí)能夠充分利用現(xiàn)有資源。因此云計(jì)算任務(wù)調(diào)度模型的優(yōu)劣直接影響任務(wù)的執(zhí)行效率，從而影響整個(gè)云的性能和用戶的滿意度。文中只考慮任務(wù)之間相互獨(dú)立的情況，并且假設(shè)每個(gè)任務(wù)在計(jì)算資源節(jié)點(diǎn)上的執(zhí)行時(shí)間是已知的。

根據(jù)云計(jì)算任務(wù)調(diào)度的特點(diǎn)，定義如下的數(shù)學(xué)參數(shù)模型：{T，R，TR，TS，ETC，MT}

1）T={t1，t2，…，tn}表示任務(wù)模型，包括 n個(gè)相互獨(dú)立的任務(wù)，其中ti表示第i個(gè)任務(wù)；

2）R={r1，r2，…，rm}表示資源模型，包括m個(gè)可用于執(zhí)行任務(wù)的高性能計(jì)算資源，其中m＜n，rj表示第j個(gè)計(jì)算資源；

3）TR=[tr]m×n表示任務(wù)和資源之間的映射關(guān)系，如果任務(wù)i調(diào)度給資源j執(zhí)行，則trji=i，否則trji=0；

4）TS=[ts]m×n表示任務(wù)開始時(shí)間矩陣，其中tsji表示任務(wù)ti調(diào)度給計(jì)算資源rj的開始時(shí)間，初始值設(shè)為0；

5）ETC=[etc]m×n表示預(yù)測(cè)執(zhí)行時(shí)間矩陣，etcji表示任務(wù)ti在資源rj上的預(yù)測(cè)執(zhí)行時(shí)間；

6）MT=[mt]m×n表示任務(wù)的預(yù)測(cè)完成時(shí)間，mtji則表示任務(wù)ti在資源rj上的預(yù)測(cè)完成時(shí)間，由以上參數(shù)可知，任務(wù)ti在資源rj上預(yù)測(cè)完成時(shí)間如式（1）:

由于計(jì)算資源是并行運(yùn)行的，基于以上描述，云計(jì)算環(huán)境下的任務(wù)調(diào)度的主要目標(biāo)是尋找最優(yōu)的調(diào)度策略以最小化計(jì)算任務(wù)在各個(gè)資源上的完成時(shí)間，使其得到最高的執(zhí)行效率，即min（mtji）。

2 改進(jìn)自適應(yīng)魚群算法的任務(wù)調(diào)度

2.1 基本人工魚群算法

人工魚群算法[11-12]（Artificial Fish Swarm Algorithm，AFSA）是李曉磊等人于2002年基于模擬魚群行為提出的一種群體智能優(yōu)化算法。該算法在迭代的過程中主要通過人工魚的覓食、聚群和追尾行為實(shí)現(xiàn)自我更新，通過魚群中各個(gè)體之間的集體協(xié)作以達(dá)到全局尋優(yōu)的目的，該算法簡(jiǎn)單易實(shí)現(xiàn)，能夠很好的解決組合優(yōu)化問題。

該算法的數(shù)學(xué)模型描述如下：

人工魚個(gè)體的狀態(tài) X=（x1，x2，…，xn），其中 xi（i= 1，2，…，n）為需要尋優(yōu)的變量；每個(gè)人工魚當(dāng)前所在位置的食物濃度表示為f（X），即求解的目標(biāo)函數(shù)值；人工魚個(gè)體之間的距離di，j=‖Xi-Xj‖；人工魚的視野范圍用Visual表示；移動(dòng)的步長(zhǎng)用Step表示；擁擠度因子用δ表示；人工魚每次覓食最大的試探次數(shù)用try_number表示。

2.2 改進(jìn)的人工魚群算法

2.2.1 視野和步長(zhǎng)的改進(jìn)

分析基本魚群算法的數(shù)學(xué)模型可知，AFSA中的控制參數(shù)會(huì)直接或間接影響算法的求解質(zhì)量與速度。文獻(xiàn)[14]的研究結(jié)果表明，AFSA算法控制參數(shù)中的視野和步長(zhǎng)對(duì)算法的收斂速度和求解精度都有較大影響。

視野參數(shù)確定人工魚的搜索范圍，在其固定不變的情況下，當(dāng)人工魚個(gè)體逐漸逼近最優(yōu)解時(shí)，只有少量人工魚的狀態(tài)與最優(yōu)解不同，如果這時(shí)的人工魚依然以原始視野進(jìn)行覓食行為顯然是盲目的，因此在這種情況下應(yīng)該使用較小的視野范圍進(jìn)行深度搜索。如果視野范圍較小，則人工魚的局部搜索能力較強(qiáng)，但會(huì)導(dǎo)致算法收斂速度變慢，且計(jì)算量大，甚至陷入局部最優(yōu)；而視野范圍較大，則人工魚在前期收斂很快且全局搜索能力較強(qiáng)，但容易跳過最優(yōu)解。為了解決上訴問題，需要對(duì)基本的人工魚群算法進(jìn)行改進(jìn)，在算法運(yùn)行前期，采用較大的視野，以增強(qiáng)算法的全局搜索能力和收斂速度，隨著算法的迭代進(jìn)行，視野范圍逐漸減小，從而加強(qiáng)算法的局部搜索能力和提高搜索解的精度。但是，如果后期視野范圍太小則會(huì)影響最優(yōu)解的搜索。因此，改進(jìn)的魚群算法在迭代過程中通過式（3）動(dòng)態(tài)調(diào)整人工魚的視野，當(dāng)人工魚的當(dāng)前視野值減小到最小視野時(shí)，使用最小視野作為當(dāng)前視野，從而有效地改善算法的性能。

其中，g為當(dāng)前迭代次數(shù)，Gmax為最大迭代次數(shù)，visualmin為最小視野，visualg表示當(dāng)前的視野。文中設(shè)定visualmin=1。

步長(zhǎng)參數(shù)決定了算法的收斂速度和求解精度，步長(zhǎng)越大則前期收斂速度越快，但有時(shí)會(huì)出現(xiàn)振蕩現(xiàn)象，難以準(zhǔn)確逼近最優(yōu)值的情況；步長(zhǎng)越小則收斂速度越慢，但求解精度越高。因此對(duì)于步長(zhǎng)參數(shù)，本文使用式（4）隨視野范圍動(dòng)態(tài)調(diào)整。

其中step0為步長(zhǎng)設(shè)置的初始值，使用式（4）變步長(zhǎng)在搜索初期可以得到較快的收斂速度，后期可以進(jìn)行更加細(xì)致的搜索，從而提高搜索到最優(yōu)值的幾率。

另外，文獻(xiàn)[14]指出，擁擠度因子δ越小，覓食和隨機(jī)行為比較突出，從而人工魚擺脫局部極值的能力也就越強(qiáng)。因此，在迭代過程中，文中采用指數(shù)式的衰減策略計(jì)算擁擠度因子[15，17]：

其中，α為衰減因子，文中設(shè)置α=0.6。

2.2.2 覓食行為的改進(jìn)

人工魚的覓食行為是算法收斂的基礎(chǔ)，在基本人工魚群算法中，覓食行為是一種盲目性搜索，沒有充分利用之前的搜索信息，因此不利于在視野范圍內(nèi)盡可能多地去尋找較優(yōu)解。改進(jìn)的覓食行為是當(dāng)人工魚個(gè)體沒有找到較優(yōu)狀態(tài)時(shí)，隨機(jī)選擇一個(gè)新的狀態(tài)，如果該狀態(tài)優(yōu)于當(dāng)前位置，則直接跳躍到該位置，否則在試探次數(shù)內(nèi)再隨機(jī)選擇一狀態(tài)進(jìn)行判斷，當(dāng)其試探次數(shù)超過try_number，如果依然不滿足前進(jìn)條件，則依據(jù)概率P（0≤P≤1）向之前搜索到的全局最優(yōu)解的方向移動(dòng)一步，概率P為一個(gè)隨機(jī)數(shù)，文中設(shè)置P=0.5。

2.2.3 算法步驟

改進(jìn)人工魚群算法的流程圖如圖1所示。

圖1 算法流程圖

由上述算法流程可以看出，在每一次迭代過程中，算法將會(huì)選擇魚群中的最優(yōu)解來更新公告板，最后得到的人工魚模型則是公告板記錄的最優(yōu)解，也就是任務(wù)調(diào)度的最終分配方案。

3 仿真試驗(yàn)結(jié)果與分析

為了驗(yàn)證和評(píng)價(jià)本文算法的正確性和可靠性，采用墨爾本大學(xué)開發(fā)的開源的云仿真平臺(tái)CloudSim[16]來進(jìn)行仿真對(duì)比實(shí)驗(yàn)，首先在相同的實(shí)驗(yàn)環(huán)境和參數(shù)相同的情況下對(duì)比測(cè)試了本文算法和基本ASFS算法的收斂性，然后在任務(wù)數(shù)改變以及計(jì)算資源改變的環(huán)境下分別對(duì)本文算法、蟻群算法[7]、改進(jìn)遺傳算法[8]和改進(jìn)粒子群算法[9]的性能進(jìn)行對(duì)比試驗(yàn)。

1）算法的收斂性對(duì)比

模擬云計(jì)算資源數(shù)為10，調(diào)度任務(wù)數(shù)為100的仿真云環(huán)境，在此環(huán)境下，設(shè)置基本參數(shù)如表1所示，測(cè)試本文算法和基本AFSA算法的收斂性，得到收斂曲線如圖1所示。

表1 基本參數(shù)設(shè)置

圖2 算法收斂性比較

從圖2的收斂曲線圖看以看出，在基本參數(shù)設(shè)置相同的情況下，本文方法的收斂速度明顯優(yōu)于基本AFSA，并且比基本魚群算法優(yōu)先達(dá)到最優(yōu)方案。這主要是因?yàn)楦倪M(jìn)后的算法在迭代過程中，根據(jù)迭代的次數(shù)動(dòng)態(tài)調(diào)整算法的視野范圍和步長(zhǎng)，使其在前期保持較大的視野和步長(zhǎng)，而后期使用較小的視野和步長(zhǎng)。而基本魚群算法在整個(gè)迭代過程中使用固定的視野和步長(zhǎng)，這就導(dǎo)致在后期收斂速度變慢，甚至可能陷入局部最優(yōu)。

2）計(jì)算資源相同，任務(wù)數(shù)改變時(shí)完成時(shí)間對(duì)比

針對(duì)云計(jì)算環(huán)境任務(wù)動(dòng)態(tài)性的特點(diǎn)，分別模擬在10個(gè)計(jì)算資源、50個(gè)子任務(wù)以及10個(gè)計(jì)算資源、500個(gè)子任務(wù)兩種調(diào)度規(guī)模下，對(duì)算法的性能進(jìn)行了對(duì)比。在相同的實(shí)驗(yàn)環(huán)境下，取各算法多次運(yùn)行的平均結(jié)果作為實(shí)驗(yàn)的最終結(jié)果。本實(shí)驗(yàn)的目的是為了測(cè)試在計(jì)算資源相同的情況下，任務(wù)數(shù)發(fā)生變化對(duì)調(diào)度結(jié)果性能的影響。4種調(diào)度算法的任務(wù)完成時(shí)間如圖3所示。

由圖3可知，在資源相同，任務(wù)數(shù)不同的調(diào)度規(guī)模下，當(dāng)任務(wù)量較少時(shí)，3種算法均能獲得云計(jì)算任務(wù)調(diào)度性能較優(yōu)的方案，且快速收斂，性能上不存在太大的差異。但是隨著任務(wù)數(shù)的增加，任務(wù)之間的競(jìng)爭(zhēng)相對(duì)激烈，3種算法的總?cè)蝿?wù)完成時(shí)間都在增加，從圖3中可以看出，使用本文算法在收斂速度和總?cè)蝿?wù)完成時(shí)間上優(yōu)于對(duì)比算法。這主要是由于本文算法在迭代過程中動(dòng)態(tài)自適應(yīng)調(diào)整人工魚的搜索范圍和移動(dòng)步長(zhǎng)，獲得更高的資源利用率，提高任務(wù)調(diào)度的效率。對(duì)比結(jié)果表明，文中算法在迭代過程中動(dòng)態(tài)自適應(yīng)調(diào)整人工魚的視野和步長(zhǎng)，加快了收斂速度，有效避免了算法陷入局部最優(yōu)解，使其求解效率更高，在優(yōu)化性能上取得了相對(duì)較好的效果。

圖3 不同任務(wù)數(shù)時(shí)，任務(wù)總完成時(shí)間比較

3）計(jì)算資源數(shù)改變，任務(wù)數(shù)相同時(shí)完成時(shí)間對(duì)比

本實(shí)驗(yàn)是為了測(cè)試在任務(wù)數(shù)不變情況下，計(jì)算資源數(shù)發(fā)生變化時(shí)對(duì)調(diào)度結(jié)果的影響。文中模擬了在任務(wù)數(shù)固定為1 000，計(jì)算資源數(shù)從10變化到50的環(huán)境下，分別測(cè)試了本文算法、蟻群算法、改進(jìn)遺傳算法和改進(jìn)粒子群算法的任務(wù)調(diào)度總完成時(shí)間，測(cè)試結(jié)果如圖4所示。

圖4 計(jì)算資源數(shù)改變，任務(wù)完成時(shí)間的比較

從圖4中可以看出，隨著計(jì)算資源數(shù)的增加，由于任務(wù)的完成時(shí)間都在逐步減小。這是因?yàn)殡S著資源節(jié)點(diǎn)數(shù)的擴(kuò)充，對(duì)任務(wù)來說可選擇的資源范圍逐漸變大，任務(wù)對(duì)資源的競(jìng)爭(zhēng)相對(duì)減弱，任務(wù)可以選擇性能更高的節(jié)點(diǎn)進(jìn)行調(diào)度，進(jìn)而縮短任務(wù)完成時(shí)間，在相同情況下，使用文中算法的優(yōu)勢(shì)更明顯。由于本文算法在調(diào)度的過程中，結(jié)合計(jì)算資源的性能和分布情況為依據(jù)來進(jìn)行任務(wù)調(diào)度，有效的保證了資源的充分利用，很大程度的提高了任務(wù)的完成時(shí)間。

由圖3和圖4的實(shí)驗(yàn)結(jié)果可以看出，無論是在任務(wù)數(shù)增加還是資源節(jié)點(diǎn)增加的情況下，使用文中算法進(jìn)行任務(wù)調(diào)度，相比同類算法得到的總?cè)蝿?wù)完成的時(shí)間都相對(duì)較小，并且能得到較好的收斂效果。

4 結(jié)束語(yǔ)

文中對(duì)云計(jì)算任務(wù)調(diào)度問題進(jìn)行綜合分析，針對(duì)當(dāng)前云計(jì)算任務(wù)調(diào)度算法存在收斂速度慢，資源利用率不足等缺陷，利用人工魚群算法收斂速度快，對(duì)初值要求低、易于實(shí)現(xiàn)、計(jì)算簡(jiǎn)單等優(yōu)點(diǎn)，提出一種云計(jì)算環(huán)境下基于改進(jìn)人工魚群算法，并使用改算法對(duì)云計(jì)算任務(wù)調(diào)度問題進(jìn)行優(yōu)化。在算法中自適應(yīng)調(diào)整人工魚的視野、步長(zhǎng)和擁擠度因子，同時(shí)對(duì)覓食行為進(jìn)行改進(jìn)。通過仿真對(duì)比實(shí)驗(yàn)可知，在相同的環(huán)境下，文中算法的收斂性和調(diào)度性能略優(yōu)于同類算法，可以在云計(jì)算環(huán)境下實(shí)現(xiàn)較為理想的任務(wù)調(diào)度結(jié)果，有效地解決云計(jì)算環(huán)境下任務(wù)調(diào)度問題。

[1]Foster I，Zhao Yong，Raicu I，et al.Cloud Computing and Grid Computing 360-degree Compared [C]//Proc.of Grid Computing Environments Workshop.Washington D.C.，USA:IEEE Computer Society，2008:1-10.

[2]Armbrust M，F(xiàn)ox A，Griffith R，et al.Above the Clouds:A Berkeley View of Cloud Computing [EB/OL].[2009-11-21].http://www.eecs.berkeley. edu/Pubs/TechRpts/2009/EECS-2009-28.pdf.

[3]李喬，鄭嘯.云計(jì)算研究現(xiàn)狀綜述[J].計(jì)算機(jī)科學(xué)，2011，38（4）:32-37

[4]Arfeen M A，Pawlikowski K，Willig A.A Framework for Resource Allocation Strategies in Cloud Computing Environment[J].Computer Software and ApplicationsConferenceWorkshops（COMPSACW），2011 IEEE 35th Annual，2011:261-266．

[5]王觀玉.網(wǎng)格計(jì)算中任務(wù)調(diào)度算法的研究和改進(jìn)[J].計(jì)算機(jī)工程與科學(xué)，2011，33（10）:186-190.

[6]Buyya R.Economic-based Distributed Resource Managementand Scheduling for Grid Computing[D]. Melbourne，Australia:Monash University，2002.

[7]魏赟，陳元元.基于改進(jìn)蟻群算法的云計(jì)算任務(wù)調(diào)度模型[J].計(jì)算機(jī)工程，2015，41（2）:12-16.

[8]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.

[9]封良良，張?zhí)?，賈振紅，等.云計(jì)算環(huán)境下基于改進(jìn)粒子群的任務(wù)調(diào)度算法[J].計(jì)算機(jī)工程，2013，39（5）：183-186.

[10]Gan Guoning，Huang Tinglei，Gao Shuai.Genetic Simulated Annealing Algorithm for Task Scheduling Based on Cloud Computing Environment[C]// Proc.of International Conference on Intelligent Computing and Integrated Systems.Guilin，China: [s.n.]，2010.

[11]李曉磊，邵之江，錢積新.一種基于動(dòng)物自治體的尋優(yōu)模式:魚群算法[J].系統(tǒng)工程理論與實(shí)踐，2002，22（11）:32-38.

[12]李小磊.一種新型的智能優(yōu)化方法——人工魚群算法[D].杭州:浙江大學(xué)，2003.

[13]DEAN J，GH EMAWAT S.MapReduce:simplified data processing on large clusters[C]//Proceedings of the 6th Symposium on Operating System Design and Implementation.New York:ACM，2004:137-150.

[14]王聯(lián)國(guó)，施秋紅.人工魚群算法的參數(shù)分析[J].計(jì)算機(jī)工程，2010，36（24）：169-171.

[15]何靜媛，鄒東升，何中市.RNA二級(jí)結(jié)構(gòu)預(yù)測(cè)的自適應(yīng)魚群算法模型[J].系統(tǒng)仿真學(xué)報(bào)，2010，22（6）: 1370-1374.

[16]Calheiros R N，Ranjan R，Beloglazov A，et al. CloudSim:a toolkit for modeling and simula-tion of cloud computing environments and evaluation of resource provisioning algorithms [J].Software: Practice and Experience，2011，41（1）:23-50.

[17]李孝宇，李濤，李鵬，等.基于自適應(yīng)人工魚群算法的大型光伏電站燃?xì)廨啓C(jī)組的優(yōu)化配置 [J].陜西電力，2013（8）：15-20.

Application of improved Artificial Fish Swarm Algorithm in cloud computing task schedule

ZHANG Xiao-li
（School of Computer，Xi'an Aerotechnical University，Xi'an 710077，China）

Tasks scheduling is an important issue to be resolved in cloud computing research.The purpose of task scheduling is to find the best optimal scheduling scheme to compute tasks efficiently. Focusing on the characteristics of resources under large scale heterogeneous in cloud computing environment，and to overcome the shortcut of the existing task scheduling algorithm，a task scheduling algorithm based on improved self-adaptive artificial fish swarm algorithm was proposed.The algorithm used the task execution time as objective function，adjusted artificial fish vision and step dynamically in iterative procedure，and improved prey behavior，to speed up the convergence rate，reduce the probability of local optimum，and improve the performance of task scheduling.Through the simulation experiment on CloudSim platform， the algorithm has obvious advantages in the task execution time and convergence speed compared to other intelligent optimization algorithms， it is an efficient task scheduling algorithm.

cloud computing；task schedule；Artificial Fish Swarm Algorithm（AFSA）；self-adaptive

TN919

：A

：1674－6236（2017）06-0014-05

2016-04-05稿件編號(hào)：201604038

陜西省網(wǎng)絡(luò)計(jì)算與安全技術(shù)重點(diǎn)實(shí)驗(yàn)室項(xiàng)目（15JS078）；西安市科技計(jì)劃資助項(xiàng)目（CXY1518（1））

張曉麗（1980—），女，重慶人，碩士，講師。研究方向：Web服務(wù)、分布式計(jì)算。