基于簡化粒子群和蟻群優化的云計算資源調度算法

王 猛，譚躍生（內蒙古科技大學工程訓練中心，內蒙古 包頭 014010）

基于簡化粒子群和蟻群優化的云計算資源調度算法

王 猛，譚躍生
（內蒙古科技大學工程訓練中心，內蒙古 包頭 014010）

為了提高云計算環境下資源調度的效率，將BPSO-ACO算法應用到云計算的資源調度過程中，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，簡化粒子群優化和蟻群優化算法（BPSO-ACO）比單獨的粒子群算法或蟻群算法在進行資源調度時，總任務的完成時間更短、收斂性更好。

云計算；資源調度；粒子群算法；蟻群算法

0　引言

1　云計算資源調度模型

云計算環境中有n個任務的集合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，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，任務集合T在虛擬資源VM上的分配關系可表示為：

這是一個N維向量，其中xij表示任務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Ti在虛擬資源VMj的完成時間:

目標是使得CTmax的值最小。

2　粒子群算法的優化及編碼

對于粒子群算法的優化，大多數的改進是通過對參數自適應調整或雜交、變異參數或增加操作算子獲得的。上述調整使得PSO算法越來越復雜，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現：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vi代表粒子的速度，粒子速度的不能表示粒子趨近最優解位置的趨勢。通過上述分析，粒子群算法可以優化為公式2.1：

在粒子群中，每一個粒子就代表一個可行的調度方案，各虛擬資源節點VMj處理所有分配到該資源節點上的任務的總完成時間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業科學研究所名優茶種植基地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。制茶主要設備：搖青機、6CR-35型揉捻機、YX-6CFJ-10B型全自動紅茶發酵機、理條機、6CTH型烘干機。檢測主要設備：氣相-質譜聯用儀(GC- MS)、紫外分光光度儀、全自動化學分析儀、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度結果作為其初始節點，并對節點上的信息素加強若干倍數，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解。

3.2路徑的選擇

現在假設，在t時刻，螞蟻k選擇xij節點的概率如公式3.1所示。

3.3信息素更新規則

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

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

Δτj（t）表示t時刻，虛擬資源節點VMj上的信息素增量。

其中Q為常數，表示所有任務執行完的總時間，CTi表示任務Ti的執行花費即時間。

4　仿真實驗

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

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

各類算法的參數設置如下描述：

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

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

圖1　PSO與BPSO-ACO的對比

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

圖1與圖2可以看出，在初始狀態，當任務量較少的情況下，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算法能夠對資源進行合理的調度，總得完成時間要優于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