于國(guó)龍 崔忠偉 熊偉程 趙 勇 左 羽

1(貴州師范學(xué)院數(shù)學(xué)與大數(shù)據(jù)學(xué)院 貴州 貴陽(yáng) 550018) 2(貴州師范學(xué)院大數(shù)據(jù)科學(xué)與智能工程研究院 貴州 貴陽(yáng) 550018) 3(北京大學(xué)深圳研究生院信息工程學(xué)院 廣東 深圳 518000)

0 引 言

云計(jì)算作為一種新興的虛擬共享計(jì)算技術(shù)，在大數(shù)據(jù)的計(jì)算存儲(chǔ)中得到了廣泛的應(yīng)用。云計(jì)算通過(guò)網(wǎng)絡(luò)，利用虛擬化技術(shù)將處于不同地點(diǎn)，復(fù)雜的，甚至異構(gòu)的計(jì)算資源建立起一個(gè)分布式共享資源池，在這個(gè)資源池中，最重要的問(wèn)題就是要有一個(gè)合理的調(diào)度算法來(lái)高效均衡地調(diào)度這些資源。由于這些云計(jì)算資源相對(duì)數(shù)量龐大且非線性，計(jì)算邏輯復(fù)雜，資源使用頻繁，因此云環(huán)境下任務(wù)調(diào)度問(wèn)題實(shí)際上就是一個(gè)NP完全問(wèn)題。在有限的時(shí)間復(fù)雜度基礎(chǔ)上是很難得到該問(wèn)題最優(yōu)解的，只能盡可能尋找最優(yōu)調(diào)度策略。傳統(tǒng)的Min-min算法、Max-max算法、Sufferage算法、OLB算法、Duplex算法等都在云計(jì)算任務(wù)調(diào)度中得到了有效的應(yīng)用，但調(diào)度效率不高，資源調(diào)度均衡性較差[1]。于是基于啟發(fā)式智能算法的云計(jì)算任務(wù)調(diào)度策略被提出，如粒子群算法、蟻群算法、遺傳算法等在云計(jì)算任務(wù)調(diào)度中得到了廣泛的研究和應(yīng)用[2-3]。文獻(xiàn)[4]提出了動(dòng)態(tài)慣性權(quán)重函數(shù)的方法來(lái)提高標(biāo)準(zhǔn)PSO的尋優(yōu)速度，以此提升云任務(wù)調(diào)度效率；文獻(xiàn)[5]提出了基于粒子適應(yīng)度值的動(dòng)態(tài)慣性權(quán)重，并借助Levy飛行防止粒子陷入局部最優(yōu)，該算法在云計(jì)算任務(wù)調(diào)度中效率得到了提高；文獻(xiàn)[6]提出了粒子位置更新慣性權(quán)重值自適應(yīng)的QPSO，提高了算法的全局搜索速度，從而提高云計(jì)算任務(wù)調(diào)度效率。上述改進(jìn)中，PSO及其改進(jìn)算法采用得較多，但在應(yīng)用中仍然存在搜索時(shí)容易陷入局部最優(yōu)解、越往后粒子收斂的效率越低、不能以概率1收斂到最優(yōu)解等不足。

為了提高粒子的全局搜索能力，本文選擇QPSO。盡管QPSO有著比PSO更多的優(yōu)點(diǎn)，但QPSO仍存在許多不足之處，諸多研究人員對(duì)其收縮擴(kuò)張系數(shù)、種群多樣性、收斂效率、平均最優(yōu)位置的決策策略等方面做了大量的優(yōu)化改進(jìn)[7]。文獻(xiàn)[8]為了尋找更為有效的CE系數(shù)控制方法，根據(jù)CE系數(shù)遞減思想提出了一種凸凹性可變的指數(shù)型非線性下降CE系數(shù)控制策略；文獻(xiàn)[9]首先建立了一個(gè)基于武器攻擊目標(biāo)的毀傷收益的分配模型，然后根據(jù)該模型的條件約束特點(diǎn)，提出一種基于排序映射的編碼調(diào)整方式，并引入一種非線性擴(kuò)張收縮因子自適應(yīng)調(diào)整方法，同時(shí)引入了判斷和避免陷入局部最優(yōu)的有效機(jī)制。文獻(xiàn)[10]為了提高QPSO求解多峰優(yōu)化問(wèn)題的能力，引入遺傳算法中的交叉算子并融入交叉概率自適應(yīng)的參數(shù)控制技術(shù)，來(lái)計(jì)算粒子吸引點(diǎn)和勢(shì)阱特征的長(zhǎng)度，該算法保證了粒子群體的多樣性和活力性，能有效地避免陷入局部解和算法收斂的不確定性。

除了上述工作很多研究者也對(duì)QPSO收斂效率的優(yōu)化做了大量的工作。但在目前考慮優(yōu)化勢(shì)阱特征長(zhǎng)度計(jì)算研究中，平均最優(yōu)位置計(jì)算的優(yōu)化方法不多。本文結(jié)合大數(shù)據(jù)云存儲(chǔ)的高頻次資源使用的特點(diǎn)，從不同粒子在平均最優(yōu)位置的計(jì)算中粒子位置的權(quán)重也不同的角度出發(fā)，考慮優(yōu)秀粒子應(yīng)擁有較大的決策權(quán)重，劣勢(shì)粒子則應(yīng)擁有相對(duì)較小的決策權(quán)重。因此提出了一種基于粒子適應(yīng)度比重的決策權(quán)重計(jì)算方法，來(lái)提升QPSO的全局搜索能力及搜索效率。經(jīng)過(guò)標(biāo)準(zhǔn)測(cè)試函數(shù)與原始QPSO和文獻(xiàn)[10]改進(jìn)的QPSO對(duì)比測(cè)試，本文優(yōu)化后的QPSO較之前收斂效率有較大的提升。最后將本文優(yōu)化后的QPSO應(yīng)用到大數(shù)據(jù)云存儲(chǔ)平臺(tái)的任務(wù)調(diào)度中。仿真實(shí)驗(yàn)表明，本文算法在任務(wù)調(diào)度中有較高的效率，能為云存儲(chǔ)平臺(tái)提供高效的任務(wù)調(diào)度策略，提升云平臺(tái)的數(shù)據(jù)存儲(chǔ)效率。

1 QPSO模型

QPSO中粒子的運(yùn)動(dòng)狀態(tài)借鑒了量子理論采用波函數(shù)來(lái)表示，取代了原始PSO中粒子的牛頓空間運(yùn)動(dòng)，用波函數(shù)的概率密度來(lái)為粒子確定迭代位置。這個(gè)位置可以是解空間的任意值，因此其全局搜索性能較好，只要粒子不停地迭代，就會(huì)以某一概率經(jīng)過(guò)解空間任意一個(gè)位置。這樣，粒子根據(jù)量子行為不斷地更新自己的位置，逐漸向全局最優(yōu)解迭代[11-12]。

(1)

式中：Q是概率密度函數(shù)。Q要滿足歸一化要求：

(2)

在QPSO中，每個(gè)粒子在系統(tǒng)中的狀態(tài)變化遵循Schr?dinger方程，同時(shí)在系統(tǒng)中引入δ勢(shì)阱，在pi點(diǎn)建立勢(shì)阱，勢(shì)能函數(shù)如式(3)所示，可得粒子在勢(shì)阱中的定態(tài)Schr?dinger方程，如式(4)所示。

V(x)=-γδ(X-pi)

(3)

(4)

式中：E為粒子的能量；h為Planck常量；m為粒子的質(zhì)量。

解式(4)薛定諤方程可得到波函數(shù)，如式(5)所示[15-16]。

(5)

最后，采用蒙特卡洛隨機(jī)模擬的方式測(cè)量粒子的位置：

(6)

式中：ui(t)～U(0,1)。勢(shì)阱特征長(zhǎng)度Li(t)的值由式(7)計(jì)算[17]。

Li(t)=2α(t)|mb(t)-xi(t)|

(7)

式中：mb表示平均最優(yōu)位置，它是系統(tǒng)中所有粒子本身最優(yōu)位置的中心點(diǎn)。在D維空間中mb(t)可由式(8)來(lái)計(jì)算。

(8)

式中：pbi(t)為每個(gè)粒子的局部最優(yōu)值；α為收縮-擴(kuò)張系數(shù)，它是QPSO的唯一控制參數(shù)。文獻(xiàn)[18]已經(jīng)證明了QPSO收斂到勢(shì)阱中心的充分必要條件就是收縮-擴(kuò)張系數(shù)α<1.78，在QPSO中，只要控制好系數(shù)α就可以保證算法以概率1收斂于最優(yōu)解，它的取值會(huì)直接影響算法的收斂性能。本文α(t)的取值為：

(9)

傳統(tǒng)PSO模型的速度和位置更新如式(10)和式(11)所示，傳統(tǒng)的PSO需要確定的參數(shù)較多且復(fù)雜，可以看出傳統(tǒng)PSO需要確定ω、c1、c2、r1、r2共5個(gè)參數(shù)，相對(duì)QPSO要復(fù)雜得多，這會(huì)導(dǎo)致算法不確定因素增多，算法的復(fù)雜性升高，穩(wěn)定性也會(huì)較差。從PSO模型可見(jiàn)，當(dāng)粒子的極值趨近于種群極值時(shí)，粒子將保持速度不變，如果速度的慣性權(quán)重ω<1時(shí)，粒子速度會(huì)越來(lái)越慢，最后停止在一個(gè)局部解上，這就造成了傳統(tǒng)PSO算法更容易陷入局部最優(yōu)，算法搜索后期效率會(huì)越來(lái)越低，且算法無(wú)法保證以概率1收斂到最優(yōu)解，導(dǎo)致傳統(tǒng)的PSO尋優(yōu)性能要遠(yuǎn)低于QPSO。

vi(t+1)=ω·vi(t)+c1r1(pbi-xi(t))+c2r2(pg-xi(t))

(10)

xi(t+1)=xi(t)+vi(t+1)

(11)

式中：ω為速度的慣性權(quán)重，一般情況下取值范圍為[0，1]；c1、c2為學(xué)習(xí)因子，是兩個(gè)正常數(shù)；r1、r2是[0，1]之間的隨機(jī)數(shù)。

QPSO與經(jīng)典PSO的最大區(qū)別在于粒子位置更新方法的不同。QPSO在原算法中增加了平均最優(yōu)位置mb，mb可以增加粒子之間的相互作用，使得粒子能綜合考慮其在系統(tǒng)中的位置更新，從而使得QPSO全局搜索能力得到提升。

平均最優(yōu)位置mb如式(8)所示，可以看出它是每個(gè)粒子位置局部最優(yōu)值的平均值，它決定了粒子位置的更新。在mb的計(jì)算過(guò)程中，每個(gè)粒子的局部最優(yōu)值pbi(t)所占的權(quán)重相同，如式(12)所示。每個(gè)粒子的位置在mb的計(jì)算中所占的比重都是1，即每個(gè)粒子對(duì)最終的平均最優(yōu)位置mb決策影響力是相同的。這不符合群體智能決策策略，現(xiàn)實(shí)應(yīng)用中應(yīng)是優(yōu)秀粒子所占的決策權(quán)重比劣勢(shì)粒子的要高。

(12)

2 QPSO粒子平均最優(yōu)位置決策優(yōu)化

針對(duì)QPSO中粒子在mb決策中影響力不均衡的問(wèn)題，引入權(quán)重因子δ，δi(t)表示在第t次迭代中第i個(gè)粒子的局部最優(yōu)值pbi(t)在粒子個(gè)體平均最優(yōu)位置mb(t)計(jì)算中所占的權(quán)重值。引入權(quán)重因子δ后，粒子個(gè)體平均最優(yōu)位置mb(t)的計(jì)算公式可表示為：

(13)

在本文優(yōu)化的QPSO中，設(shè)每個(gè)粒子的適應(yīng)值為fi，1≤i≤N，i∈Z，則在第t次迭代中，fbi為粒子i歷史最高適應(yīng)度值。當(dāng)粒子迭代過(guò)程中，如果當(dāng)前迭代的粒子適應(yīng)度值與其歷史最高適應(yīng)度值變化不大，則：

|fi(t)-fbi|<ε

(14)

式中：ε為一個(gè)極小常量。ε越小，說(shuō)明該粒子趨于最優(yōu)解，具有較強(qiáng)的尋優(yōu)能力；反之，粒子處于探索解空間狀態(tài)，尋優(yōu)能力較弱。所以本文構(gòu)建Fi(t)函數(shù)來(lái)描述平均最優(yōu)位置計(jì)算的粒子位置權(quán)重，如式(15)所示，其中1≤j≤N，j∈Z。

(15)

在應(yīng)用中，尋優(yōu)能力較強(qiáng)的粒子，即粒子當(dāng)前適應(yīng)度值與歷史最高適應(yīng)度值差距越小的粒子，應(yīng)該獲得平均最優(yōu)位置計(jì)算中較高的權(quán)重。為構(gòu)建隨著粒子當(dāng)前適應(yīng)度值與歷史最高適應(yīng)度值差距越小權(quán)重越高的權(quán)重函數(shù)，歸一化得到第i個(gè)粒子的局部最優(yōu)值的權(quán)重因子δ(t)，如式(16)和式(17)所示。

(16)

(17)

則粒子個(gè)體平均最優(yōu)位置mb(t)的計(jì)算公式可表示為：

(18)

這樣尋優(yōu)能力越強(qiáng)的粒子，其局部最優(yōu)值在平均粒子最優(yōu)位置mb的計(jì)算中，就占有越高的權(quán)重，反之，占有較低的權(quán)重。

通過(guò)本節(jié)對(duì)QPSO的平均最優(yōu)位置計(jì)算權(quán)重的優(yōu)化，經(jīng)過(guò)總結(jié)分析得到優(yōu)化后的QPSO計(jì)算框架如圖1所示。優(yōu)化后QPSO初始化完粒子種群之后，就開(kāi)始計(jì)算每個(gè)粒子的適應(yīng)度值，然后由每個(gè)粒子的適應(yīng)度值，利用式(17)來(lái)計(jì)算粒子在平均最優(yōu)位置計(jì)算中優(yōu)化后的權(quán)重，將得到的每個(gè)粒子的位置權(quán)重δi代入式(13)便就可以得到粒子個(gè)體平均最優(yōu)位置mb(t)，再通過(guò)式(7)和式(6)計(jì)算出粒子的勢(shì)阱長(zhǎng)度L(t)和粒子更新位置，并更新粒子的歷史和全局最優(yōu)位置，就完成了算法的一次迭代。最后判斷算法是否達(dá)到迭代終止條件，若達(dá)到，則終止算法尋優(yōu)，輸出最優(yōu)解，否則算法繼續(xù)迭代。

圖1 QPSO框架

優(yōu)化后的QPSO實(shí)現(xiàn)偽代碼如下所示：

//初始化N個(gè)粒子

fori=1 toN

//fis fitness

iff(xi)

gb=min(pbi)

通過(guò)式(17)計(jì)算δi

通過(guò)式(13)計(jì)算mbd

ford=1 toD

ψ1=rand(0,1)

ψ2=rand(0,1)

p=(ψ1×pid+ψ2×pgd)/(ψ1+ψ2)

u=rand(0,1)

ifu>0.5

xid=p+α×abs(mbd-xid)×(ln(1/u))

else

xid=p-α×abs(mbd-xid)×(ln(1/u))

end

end

end

input global best

3 性能測(cè)試

為了測(cè)試優(yōu)化后的QPSO的收斂性能，本文選擇了文獻(xiàn)[10]表1中的21個(gè)標(biāo)準(zhǔn)測(cè)試函數(shù)，來(lái)測(cè)試優(yōu)化后算法的收斂性能。設(shè)定種群數(shù)為40，維數(shù)為30，取與文獻(xiàn)[10]表1相同的粒子搜索范圍，迭代1 000次，對(duì)比原始QPSO、文獻(xiàn)[10]算法及本文算法的收斂性能。文獻(xiàn)[10]的CQPSO取原文參數(shù)。三種算法在21個(gè)測(cè)試函數(shù)上經(jīng)過(guò)100次實(shí)驗(yàn)，得到的測(cè)試平均結(jié)果和標(biāo)準(zhǔn)方差如表1所示。

表1 測(cè)試函數(shù)運(yùn)行的均值與標(biāo)準(zhǔn)方差

可以看出，本文算法在測(cè)試函數(shù)上獲得的解的收斂精度要遠(yuǎn)遠(yuǎn)高于其他兩種算法，全局搜索能力也優(yōu)于其他兩種算法。主要是由于算法在平均最優(yōu)位置的計(jì)算過(guò)程中，考慮了優(yōu)秀的粒子占有較高的決策權(quán)，即適應(yīng)度越高的粒子在平均最優(yōu)位置計(jì)算過(guò)程中，位置權(quán)重越高。這樣更有利于防止粒子陷入局部最優(yōu)，使得每個(gè)粒子盡可能向群體中適應(yīng)值高的粒子學(xué)習(xí)經(jīng)驗(yàn)，增強(qiáng)算法的全局搜索能力。

4 基于優(yōu)化QPSO的大數(shù)據(jù)云存儲(chǔ)調(diào)度模型

建立一個(gè)擁有m個(gè)資源的大數(shù)據(jù)云存儲(chǔ)平臺(tái)模型，資源R={r1,r2,…,rm}；現(xiàn)有n個(gè)數(shù)據(jù)存儲(chǔ)任務(wù)的任務(wù)集S，S={s1,s2,…,sn}需要在云存儲(chǔ)平臺(tái)上運(yùn)行并調(diào)度。

在粒子搜索時(shí)，tij表示任務(wù)si在資源rj上執(zhí)行所花費(fèi)的時(shí)間，tij=0表示任務(wù)si沒(méi)有被調(diào)度到資源rj上執(zhí)行。所有數(shù)據(jù)存儲(chǔ)任務(wù)的執(zhí)行時(shí)間總和(CTF)越小，即粒子的收斂速度越快，說(shuō)明任務(wù)集S被調(diào)度執(zhí)行的效率越高，大數(shù)據(jù)云存儲(chǔ)平臺(tái)的性能越好。所以用CTF來(lái)衡量粒子搜索性能的優(yōu)劣，搜索時(shí)間越短的粒子適應(yīng)度越高，搜索時(shí)間越長(zhǎng)的粒子適應(yīng)度越低。系統(tǒng)執(zhí)行完全部任務(wù)所需要的時(shí)間為:

(19)

式中：G為粒子群的規(guī)模。因此，構(gòu)建一個(gè)粒子適應(yīng)度函數(shù)：

(20)

算法在執(zhí)行時(shí)，粒子的適應(yīng)度越高則越容易被選中，說(shuō)明粒子的任務(wù)集執(zhí)行時(shí)間相對(duì)越短，粒子群算法的收斂速度越快，算法性能越好。

基于式(18)構(gòu)建的大數(shù)據(jù)云存儲(chǔ)平臺(tái)任務(wù)調(diào)度模型的適應(yīng)度函數(shù)，來(lái)確定優(yōu)化QPSO的粒子平均最優(yōu)位置計(jì)算權(quán)重，若tbi為粒子i歷史任務(wù)調(diào)度最短時(shí)間的適應(yīng)度值，則每次迭代粒子平均最優(yōu)位置的權(quán)重δi(t)為：

(21)

由式(19)可以得出當(dāng)前粒子i尋優(yōu)的任務(wù)調(diào)度策略所花費(fèi)的時(shí)間與歷史最優(yōu)時(shí)間相差越短，其在平均最優(yōu)位置計(jì)算中的權(quán)重δi(t)就越大，這樣就使得平均最優(yōu)位置更靠近最優(yōu)解，增加了尋優(yōu)過(guò)程中滯后粒子的勢(shì)阱長(zhǎng)度，從而吸引滯后的粒子也更快速的向最優(yōu)解靠攏，同時(shí)也保留了粒子間一定的協(xié)同作用。這樣就加速了QPSO的收斂速度，使優(yōu)化后的QPSO能更快地尋找到最優(yōu)云存儲(chǔ)任務(wù)的調(diào)度策略，提升大數(shù)據(jù)云存儲(chǔ)平臺(tái)的數(shù)據(jù)存儲(chǔ)效率。

5 仿真及結(jié)果分析

實(shí)驗(yàn)平臺(tái)采用CloudSim開(kāi)源云計(jì)算仿真平臺(tái)和MATLAB數(shù)據(jù)處理工具，具體的實(shí)驗(yàn)環(huán)境如表2所示。根據(jù)本文研究問(wèn)題的建模需求，在平臺(tái)上對(duì)任務(wù)模型、虛擬機(jī)模型進(jìn)行調(diào)整，并改寫其中DatacenterBroker類和Cloudlet類，在其中實(shí)現(xiàn)優(yōu)化后的QPSO，同時(shí)復(fù)現(xiàn)原始QPSO和文獻(xiàn)[10]算法。

表2 實(shí)驗(yàn)環(huán)境配置表

實(shí)驗(yàn)采用本文優(yōu)化的QPSO與原始QPSO和文獻(xiàn)[10]算法在云平臺(tái)上進(jìn)行任務(wù)集調(diào)度，來(lái)對(duì)比三種算法的調(diào)度性能，具體的實(shí)驗(yàn)參數(shù)如表3所示，其中文獻(xiàn)[10]算法采用原文參數(shù)。實(shí)驗(yàn)中對(duì)比了三種算法在云平臺(tái)資源數(shù)固定情況下，執(zhí)行不同數(shù)量任務(wù)的時(shí)間，以及任務(wù)數(shù)固定，云平臺(tái)資源數(shù)變化時(shí)，執(zhí)行任務(wù)的時(shí)間。

表3 CloudSim模擬器參數(shù)列表

5.1 任務(wù)數(shù)量對(duì)云平臺(tái)任務(wù)調(diào)度效率的影響

本節(jié)實(shí)驗(yàn)對(duì)比了在云存儲(chǔ)平臺(tái)中的Vmware的數(shù)量為10和20情況下，任務(wù)數(shù)量為40、80、120、160、200時(shí)，本文算法與原始QPSO及文獻(xiàn)[10]算法，在云存儲(chǔ)平臺(tái)上任務(wù)集執(zhí)行所用的時(shí)間對(duì)比，最終結(jié)果取50次實(shí)驗(yàn)的平均值。實(shí)驗(yàn)對(duì)比結(jié)果如圖2和圖3所示。

圖2 資源數(shù)為10時(shí)的三種算法執(zhí)行時(shí)間對(duì)比

圖3 資源數(shù)為20時(shí)的三種算法執(zhí)行時(shí)間對(duì)比

可以看出，當(dāng)云平臺(tái)計(jì)算資源固定的時(shí)候，隨著任務(wù)數(shù)的增加，三種算法的任務(wù)執(zhí)行時(shí)間都在增加，但本文算法較另外兩種算法的增速要緩慢。其中，資源數(shù)為10時(shí)，本文算法較原始QPSO執(zhí)行任務(wù)時(shí)間平均要短19.8%，較文獻(xiàn)[10]算法執(zhí)行任務(wù)時(shí)間平均要短13.77%；資源數(shù)為20時(shí)，本文算法較原始QPSO執(zhí)行任務(wù)時(shí)間平均要短38.7%，較文獻(xiàn)[10]算法執(zhí)行任務(wù)時(shí)間平均要短25.8%。說(shuō)明通過(guò)本文算法進(jìn)行云存儲(chǔ)平臺(tái)任務(wù)調(diào)度，可以找到比另兩種算法任務(wù)總執(zhí)行時(shí)間更短的調(diào)度策略，收斂效率得到提升。

5.2 資源數(shù)量對(duì)云平臺(tái)任務(wù)調(diào)度效率的影響

本節(jié)實(shí)驗(yàn)對(duì)比了分別在云存儲(chǔ)平臺(tái)上運(yùn)行100和200個(gè)任務(wù)時(shí)，本文算法與原始QPSO及文獻(xiàn)[10]算法在云存儲(chǔ)平臺(tái)虛擬機(jī)數(shù)量分別為10、15、20、25、30時(shí)的平臺(tái)上任務(wù)執(zhí)行效率。實(shí)驗(yàn)對(duì)比結(jié)果如圖4和圖5所示，最終結(jié)果取50次實(shí)驗(yàn)的平均值。

圖4 任務(wù)數(shù)為100時(shí)的三種算法執(zhí)行時(shí)間對(duì)比

圖5 任務(wù)數(shù)為200時(shí)的三種算法執(zhí)行時(shí)間對(duì)比

可以看出，當(dāng)云平臺(tái)執(zhí)行任務(wù)數(shù)固定的時(shí)候，隨著計(jì)算資源數(shù)的增加，三種算法的任務(wù)執(zhí)行時(shí)間都在減少，相對(duì)于原始QPSO和文獻(xiàn)[10]算法，本文算法減少的幅度較另兩種算法要大，這也與5.1節(jié)實(shí)驗(yàn)結(jié)果相吻合，而且本文算法的時(shí)間減少幅度較平穩(wěn)。說(shuō)明使用本文算法進(jìn)行云存儲(chǔ)平臺(tái)任務(wù)調(diào)度，不僅可以搜索到高效的任務(wù)調(diào)度策略，且算法穩(wěn)定，資源利用率高。

6 結(jié) 語(yǔ)

本文優(yōu)化了QPSO中平均最優(yōu)位置的計(jì)算方法，在平均最優(yōu)位置的計(jì)算中，使尋優(yōu)能力越強(qiáng)的粒子，占有的決策權(quán)重越高。這符合群體智能決策策略，能使QPSO迅速向最優(yōu)解收斂，提高算法的收斂效率。將優(yōu)化后的QPSO在標(biāo)準(zhǔn)測(cè)試函數(shù)集上測(cè)試，得到了較好的收斂效果。最后將優(yōu)化后的QPSO應(yīng)用于大數(shù)據(jù)云存儲(chǔ)平臺(tái)的任務(wù)調(diào)度中，仿真實(shí)驗(yàn)表明，相比其他QPSO的改進(jìn)算法，本文優(yōu)化后的QPSO能提供高效的任務(wù)調(diào)度策略，提升云存儲(chǔ)平臺(tái)的存儲(chǔ)效率。