云計(jì)算環(huán)境下基于改進(jìn)蟻群算法的任務(wù)調(diào)度方法研究.pdf

1、云計(jì)算作為近些年興起的一種新型計(jì)算模型，它是由網(wǎng)格計(jì)算、并行計(jì)算及分布式計(jì)算逐步發(fā)展而來(lái)。由于云計(jì)算具有巨大的商業(yè)價(jià)值，并且對(duì)目前的互聯(lián)網(wǎng)運(yùn)營(yíng)模式影響重大，已成為國(guó)內(nèi)外企業(yè)及科研部門(mén)的研究熱點(diǎn)。云計(jì)算環(huán)境中，用戶數(shù)量龐大，系統(tǒng)要處理的任務(wù)量繁重，并且其體系結(jié)構(gòu)較為復(fù)雜，因此考慮如何對(duì)任務(wù)進(jìn)行合理高效地調(diào)度，以盡可能滿足用戶服務(wù)需求，并實(shí)現(xiàn)系統(tǒng)的全局最優(yōu)化，成為了云計(jì)算研究領(lǐng)域的重點(diǎn)和難點(diǎn)。
　　蟻群算法在解決任務(wù)分配、空間約束優(yōu)化

2、、圖形分割等問(wèn)題上取得了一系列較好的實(shí)驗(yàn)結(jié)果。算法在求解復(fù)雜的優(yōu)化問(wèn)題特別是離散優(yōu)化問(wèn)題時(shí)，突出了其高效性及優(yōu)越性，具有較大的發(fā)展前景。
　　本文的研究工作主要包括以下兩個(gè)方面：
　　1）針對(duì)蟻群算法在解決云任務(wù)調(diào)度問(wèn)題時(shí)尚未綜合考慮算法的尋優(yōu)能力及收斂速度的情況，提出了信息素動(dòng)態(tài)調(diào)整的改進(jìn)蟻群算法（Improved Ant Colony Optimization，IACO）對(duì)云任務(wù)進(jìn)行調(diào)度。為縮短任務(wù)的完成時(shí)間及降低資源的

3、負(fù)載不均衡程度，該調(diào)度算法根據(jù)任務(wù)量大小對(duì)任務(wù)進(jìn)行了排序，以降序作為任務(wù)調(diào)度順序，定義了啟發(fā)信息以及信息素?fù)]發(fā)因子，該因子隨迭代次數(shù)的變化動(dòng)態(tài)調(diào)整，以保證算法在迭代前期具備較好的尋優(yōu)能力，后期具備更快的收斂速度。
　　2）針對(duì)蟻群算法在對(duì)云任務(wù)調(diào)度時(shí)易陷入局部最優(yōu)的不足，提出了概率自適應(yīng)蟻群算法（Probability Adaptive Ant Colony Optimization,PAACO）的云任務(wù)調(diào)度方法。算法定義了任務(wù)集

4、中度，引入了任務(wù)分配概率自適應(yīng)因子的概念，若當(dāng)前任務(wù)的分配集中度大于設(shè)定閾值，則通過(guò)概率自適應(yīng)因子對(duì)任務(wù)的分配概率進(jìn)行調(diào)整，從而擴(kuò)大算法的搜索范圍，避免算法局部收斂。
　　研究實(shí)驗(yàn)結(jié)果表明，所提IACO算法相對(duì)資源狀態(tài)蟻群算法（Status Ant Colony Optimization，SACO）及輪轉(zhuǎn)算法（Round-Robin，RR），在縮短任務(wù)完成時(shí)間及降低資源負(fù)載不均衡程度方面，均有一定程度的優(yōu)化；所提PAACO算法相對(duì)