云模型優化的QPSO算法在大數據云存儲平臺業務調度中的應用

于國龍 吳戀 崔忠偉 熊偉程 左羽

摘? ?要：QPSO算法作為最優秀的群體智能算法之一，有著較強的尋優能力，將QPSO算法用于云計算平臺資源調度策略的尋優，有著明顯的優勢。通過對QPSO算法在云計算中的應用研究，為云計算平臺效率的提升提供有效方法。文章對云模型優化的QPSO算法在大數據云存儲平臺業務調度中的應用進行分析與研究。

關鍵詞：量子粒子群優化算法;云計算;任務調度;大數據

隨著大數據的發展，云計算平臺被廣泛應用于大數據的云存儲中。由于計算量大，平臺的計算效率越來越受到重視，除了提升平臺硬件性能外，軟件系統的計算效率也大大制約了云計算平臺整體性能，其中最受關注之一的是實現云計算平臺的高效資源調度。同時，數據存儲效率也成為一個關鍵的技術問題，目前較高效的手段是采用云平臺，但往往因為數據量過大，存儲效率不高。除了提升云存儲平臺的硬件性能之外，最有效的方法就是提升云存儲系統的效率，其中，以改進云存儲平臺業務調度，來提升平臺效率是一種被廣泛使用的方法。

目前，粒子群算法已被廣泛應用于資源調度、路徑尋優、工業控制、數據分析等領域。在量子粒子群優化（Quantum Particle Swarm Optimization，QPSO）算法中，位于量子空間中的粒子可以以某一概率出現在搜索空間中的任意一點。粒子搜索過程中的量子行為使得QPSO算法的全局收斂能力大幅提升，并在智能計算領域，特別是復雜問題優化方面，得到了更廣泛的應用[1-2]。其比傳統的粒子群優化算法（Particle Swarm Optimization，PSO）有著更高的收斂速度，且只要有足夠的迭代次數，就能以概率1收斂到最優解。本文選擇QPSO算法來進行云存儲平臺任務的調度策略尋優，在應用QPSO算法時，利用建立粒子迭代次數與收縮—擴張系數云模型來計算其收縮—擴張系數，進而調節算法的收斂性能。本文將QPSO算法應用于云計算資源調度中，為提升云計算平臺計算效率的研究提供一種新的思路和方法。

1? ? ?QPSO算法模型

QPSO算法是一種具有量子行為的PSO算法，若粒子尋優空間中有N個代表尋優解的粒子，第i個粒子在D維搜索空間的位置為Xi=（xi1，xi2，…，xiD），粒子i每次迭代局部最優位置為pbi=（ pbi1， pbi2，…，pbiD），整個粒子群的全局最優位置為gbi=（gbi1， gbi2，…， gbiD）。在量子空間中用波函數ψ（x）來確定粒子的狀態，粒子在空間中某一位置出現的概率可以用|ψ（x）|2表示，假設粒子i第t次迭代時，在d維的勢阱為pbid（t），則粒子i第t+1次迭代的波函數ψ（x）為[3]：

（1）

采用蒙特卡羅方法對粒子位置進行隨機采樣，可得到粒子在第t+1次迭代時，第i個粒子第d維的位置分量xid（t+1）。勢阱特征長度Lid（t）的值由公式（2）計算：

（2）

其中，mb被稱為平均最優位置，是粒子在所有維度上的個體最優值的平均值。α為收縮—擴張系數，決定了粒子的搜索能力。

2? ? 基于云模型的收縮—擴張系數

云模型所表達概念的整體特性可以用云的數字特征來反映，主要有3個：期望Ex、熵En、超熵He，記作CE（Ex，En，He）。期望Ex是云滴在論域空間分布的期望，在本文中為粒子的收縮—擴張系數;熵En代表定性概念的可度量粒度，是迭代次數范圍。超熵He是熵的不確定性度量，反映了同一次迭代收縮—擴張系數的模糊性和隨機性的程度[4-5]，粒子的收縮—擴張系數云模型如圖1所示。

在應用時，通過實驗先利用逆向云發生器計算獲得云滴的數字特征（Ex，En，He），然后生成收縮—擴張系數云模型。有了云模型，在迭代時就可以生成云滴，得到收縮—擴張系數α的值，α的值可以根據具體的應用來進行調整。

3? ? 基于QPSO算法的云存儲平臺調度模型

設云存儲平臺中有m個計算資源，資源R={r1，r2，r3 ，..，rm};現有n個需要處理的計算任務集S，S={s1，s2，s3，…，sn}要合理地分配到資源R上，使得盡可能在云平臺執行任務的時間最短，此時云儲存平臺就達到了最高效率。要實現該目的，就需要尋找到任務集S中的任務在資源池R中計算資源上的合理分配方案，即任務集S在資源池R上的最優調度策略，在此將采用上文提出的QPSO算法來對云計算平臺最優任務調度方案進行尋優。在粒子搜索時，用tij表示任務si在資源rj上執行所花費的時間，tij=0表示任務si沒有被調度到資源rj上執行。

要提高云存儲平臺的效率，就要使得在平臺上執行的任務集合時間越短越好。構建一個粒子適應度函數F，如公式（3）所示，其中λi ，ξi為調節因子，F的值與任務執行總時間成反比關系：

，1≤i≤N （3）

在QPSO算法尋優最優調度策略時，可根據實際問題，通過λi和ξi調節因子來動態調整F的值大小，從而滿足算法的需要。

4? ? ?結語

文中通過對QPSO算法的建模分析，選擇了通過建立粒子迭代次數與收縮-擴張系數α的云模型，來計算算法的收縮—擴張系數，并建立了大數據云存儲平臺的任務調度模型。在任務調度模型中，采用了本文提出的QPSO算法，來對任務集在云存儲平臺上的調度策略進行尋優，最后給出了云存儲平臺任務調度算法的執行步驟。

[參考文獻]

[1]辛菁，韓相帥，梁炎明，等.基于線性自適應QPSO整定的倒立擺模糊滑模控制[J].系統仿真學報，2017（11）：2909-2917.

[2]黃為勇，徐曉菊，潘曉博，等.量子粒子群優化算法的收縮—擴張系數控制策略研究[J].計算機應用研究，2016（9）：2592-2595.

[3]陳漢武，朱建鋒，阮越，等.帶交叉算子的量子粒子群優化算法[J].東南大學學報（自然科學版），2016（1）：23-29.

[4]楊健兵.基于云模型的船舶系統制造商篩選[J].艦船科學技術，2019（20）：208-210.

[5]時維國，閆小宇.基于云模型的改進粒子群PMSM參數辨識算法[J].大連交通大學學報，2019（1）：113-119.

Application of QPSO algorithm optimized by cloud model in task

scheduling of big data cloud storage platform

Yu Guolong， Wu Lian， Cui Zhongwei， Xiong Weicheng， Zuo Yu

（School of Mathematics and Computer Science， Guizhou Education University， Guiyang 550018， China）

Abstract：QPSO algorithm， as one of the best swarm intelligence algorithms， has a strong ability to find optimization， and it has obvious advantages to apply QPSO algorithm to the resource scheduling strategy of cloud computing platform. Through the research on the application of QPSO algorithm in cloud computing， it provides an effective method to improve the efficiency of cloud computing platform. This paper analyzes and studies the application of QPSO algorithm for cloud model optimization in business scheduling of big data cloud storage platform.

Key words：quantum particle swarm optimization algorithm; cloud computing; task scheduling; big data