本發(fā)明涉及一種云任務(wù)調(diào)度方法，具體為一種基于改進(jìn)社會(huì)學(xué)習(xí)算法的云任務(wù)調(diào)度方法，屬于云計(jì)算技術(shù)領(lǐng)域。

背景技術(shù)：

云計(jì)算是集成了網(wǎng)格計(jì)算、并行計(jì)算和p2p等多種技術(shù)發(fā)展起來(lái)的一種商業(yè)服務(wù)模式和計(jì)算模型，其采用虛擬化技術(shù)，將大量計(jì)算資源、存儲(chǔ)資源與軟件資源鏈接在一起，形成大規(guī)模的共享虛擬資源池，為用戶和應(yīng)用系統(tǒng)提供“召之即來(lái)，揮之即去”、似乎“能力無(wú)限”的云服務(wù)。云計(jì)算服務(wù)通過(guò)互聯(lián)網(wǎng)進(jìn)行傳輸，在云計(jì)算模式下，如何高效合理地進(jìn)行云資源的優(yōu)化調(diào)度，是滿足用戶需求的關(guān)鍵。因此，云任務(wù)的優(yōu)化調(diào)度是云計(jì)算領(lǐng)域中亟需解決的關(guān)鍵問(wèn)題之一。

云任務(wù)調(diào)度是云計(jì)算領(lǐng)域的核心問(wèn)題，也是一個(gè)典型的np-hard問(wèn)題，針對(duì)這一問(wèn)題已取得了一定的研究成果。已有解決方法還存在有一定的局限性，比如：在不同的云計(jì)算環(huán)境下算法性能差異大，求解算法易陷入局部最優(yōu)、求解效率較低等問(wèn)題，這些都影響了云計(jì)算的應(yīng)用推廣。

技術(shù)實(shí)現(xiàn)要素：

針對(duì)現(xiàn)有技術(shù)存在的以上不足，本發(fā)明提出了一種基于社會(huì)學(xué)習(xí)算法的云任務(wù)調(diào)度方法。該方法包括以下步驟：

步驟1：輸入改進(jìn)社會(huì)學(xué)習(xí)方法的各項(xiàng)參數(shù)；

步驟2：隨機(jī)生成連續(xù)的初始群體；

步驟3：將連續(xù)型的個(gè)體轉(zhuǎn)變?yōu)殡x散型個(gè)體，并計(jì)算個(gè)體的適應(yīng)度值；

步驟4：在微空間內(nèi)，依次執(zhí)行選擇操作、交叉操作和變異操作；在完成交叉操作和變異操作之后重復(fù)步驟3，計(jì)算個(gè)體新的適應(yīng)度值；并執(zhí)行貪婪操作，保留適應(yīng)度值較優(yōu)的個(gè)體。

步驟5：在學(xué)習(xí)空間內(nèi)，每個(gè)個(gè)體執(zhí)行觀察學(xué)習(xí)操作，之后重復(fù)步驟3，執(zhí)行貪婪操作，保留適應(yīng)度值較優(yōu)的個(gè)體；

步驟6：在學(xué)習(xí)空間內(nèi)，每個(gè)個(gè)體執(zhí)行模仿學(xué)習(xí)操作，之后重復(fù)步驟3，執(zhí)行貪婪操作，保留適應(yīng)度值較優(yōu)的個(gè)體；

步驟7：在信仰空間，進(jìn)行知識(shí)更新操作和影響操作；

步驟8：判斷是否滿足方法終止條件，若否，則回轉(zhuǎn)執(zhí)行所述的步驟3；若是，則迭代停止，輸出最終優(yōu)化結(jié)果。

更具體地，上述步驟2中，隨機(jī)生成連續(xù)初始群體根據(jù)poppk＝popmin+(popmax-popmin)*rand確定，其中poppk表示種群中第p個(gè)個(gè)體的第k維變量，且p＝1,2,…,popsize，k＝1,2,…,n，popsize代表種群個(gè)體數(shù)量，n表示任務(wù)數(shù)量，rand為0～1之間的隨機(jī)數(shù)，popmax＝5，popmin＝0.5.

更具體地，上述步驟3中，連續(xù)型個(gè)體popi根據(jù)spv方法將基因按數(shù)值由小到大排序，將其排序之前對(duì)應(yīng)的基因序號(hào)依次賦值給個(gè)體i得到πi，將πi的每一維變量通過(guò)公式rij＝πijmodm+1進(jìn)行轉(zhuǎn)換得到rij，，其中rij與πij均表示第i個(gè)個(gè)體的第j維變量，rij則代表任務(wù)分配的變量，m表示虛擬機(jī)的數(shù)量；求解該任務(wù)調(diào)度序列ri的適應(yīng)度值f(x)＝ω1*time+ω2*ec+ω3*c，其中time是任務(wù)完成時(shí)間，ec是執(zhí)行成本，c為能耗，ω1、ω2、ω3分別表示這三個(gè)因素的權(quán)重值，且ω1+ω2+ω3＝1，ω1≥0，ω2≥0，ω3≥0。

更具體地，上述步驟4中，微空間中，交叉操作和變異操作之后根據(jù)spv操作計(jì)算個(gè)體適應(yīng)度值，并將新個(gè)體與舊個(gè)體進(jìn)行比較，執(zhí)行貪婪操作。

更具體地，在上述步驟5中，設(shè)popr＝(popr1,…,poprk',…,poprd)為群體中的任一個(gè)體，為當(dāng)前最優(yōu)解，且k’∈[0,d]，為通過(guò)觀察學(xué)習(xí)后得到的新個(gè)體，觀察學(xué)習(xí)操作采用進(jìn)行，其中，poprk'^*為通過(guò)觀察學(xué)習(xí)后新個(gè)體popr^*第k’維變量；ω為學(xué)習(xí)慣性權(quán)重，ω∈(0,1)；sin(α)為學(xué)習(xí)擾動(dòng)因子，α∈[2,π]；表示個(gè)體在學(xué)習(xí)中的自我保留部分；表示個(gè)體向最優(yōu)個(gè)體學(xué)習(xí)后獲取的部分；執(zhí)行spv操作，求解出觀察學(xué)習(xí)前后兩個(gè)個(gè)體的適應(yīng)度值，比較并保留適應(yīng)度值較高的一個(gè)；觀察學(xué)習(xí)產(chǎn)生的新個(gè)體，若第k維變量的值超過(guò)其取值范圍，則根據(jù)修正該維變量的值。

更具體地，在上述步驟6中，模仿學(xué)習(xí)操作采用進(jìn)行，其中，為通過(guò)模仿學(xué)習(xí)后新個(gè)體的第y維變量；f∈[0,1]，為縮放因子，r1和r2為[1,d]之間的隨機(jī)數(shù)且r1≠r2，popr1y為隨機(jī)個(gè)體popr1的第y維變量，popr2y為隨機(jī)個(gè)體popr2的第y維變量，popcgy為當(dāng)前最優(yōu)個(gè)體pop^cg的第y維變量。(popr1y﹣popr2y)代表變動(dòng)步長(zhǎng)；執(zhí)行spv操作，求解出模仿學(xué)習(xí)前后兩個(gè)個(gè)體的適應(yīng)度值，比較并保留適應(yīng)度值較高的一個(gè)；模仿學(xué)習(xí)產(chǎn)生的新個(gè)體，若第k維變量的值超過(guò)其取值范圍，則根據(jù)修正該維變量的值，popmax與popmin為連續(xù)型種群定義域范圍的最大值和最小值。

更具體地，在上述步驟7中，在信仰空間中，知識(shí)更新操作時(shí)，將每次從學(xué)習(xí)空間抽取到的優(yōu)秀個(gè)體替換掉信仰空間內(nèi)較差的個(gè)體；影響操作時(shí)，使用信仰空間內(nèi)的知識(shí)替換掉微空間內(nèi)適應(yīng)度值較差的個(gè)體。

本發(fā)明通過(guò)改進(jìn)社會(huì)學(xué)習(xí)算法，結(jié)合由任務(wù)執(zhí)行時(shí)間、執(zhí)行成本、能耗組成的目標(biāo)函數(shù)，設(shè)計(jì)了能夠提高收斂速度以及云任務(wù)調(diào)度服務(wù)質(zhì)量的觀察學(xué)習(xí)與模仿學(xué)習(xí)操作。本發(fā)明首先建立云任務(wù)調(diào)度問(wèn)題的數(shù)學(xué)模型，將云任務(wù)調(diào)度轉(zhuǎn)換為一般的數(shù)學(xué)問(wèn)題進(jìn)行求解，再通過(guò)三層協(xié)同進(jìn)化的演化空間，獲得最優(yōu)調(diào)度方案，避免了單純地根據(jù)迭代次數(shù)的線性函數(shù)進(jìn)行取值。社會(huì)學(xué)習(xí)算法能夠有效減少任務(wù)完成時(shí)間，具有更好的尋優(yōu)性能，在尋找最優(yōu)解和避免陷入局部最優(yōu)等方面更加適合求解優(yōu)化問(wèn)題。

具體實(shí)施方式

一種基于社會(huì)學(xué)習(xí)算法的云資源優(yōu)化調(diào)度方法。該方法包括以下步驟：

步驟1：輸入改進(jìn)社會(huì)學(xué)習(xí)方法的各項(xiàng)參數(shù)；

步驟2：隨機(jī)生成連續(xù)的初始群體；

步驟3：將連續(xù)型的個(gè)體轉(zhuǎn)變?yōu)殡x散型個(gè)體，并計(jì)算個(gè)體的適應(yīng)度值；

步驟4：在微空間內(nèi)，依次執(zhí)行選擇操作、交叉操作和變異操作；在完成交叉操作和變異操作之后重復(fù)步驟3，計(jì)算個(gè)體新的適應(yīng)度值；并執(zhí)行貪婪操作，保留適應(yīng)度值較優(yōu)的個(gè)體。

步驟5：在學(xué)習(xí)空間內(nèi)，每個(gè)個(gè)體執(zhí)行觀察學(xué)習(xí)操作，之后重復(fù)步驟3，執(zhí)行貪婪操作，保留適應(yīng)度值較優(yōu)的個(gè)體；

步驟6：在學(xué)習(xí)空間內(nèi)，每個(gè)個(gè)體執(zhí)行模仿學(xué)習(xí)操作，之后重復(fù)步驟3，執(zhí)行貪婪操作，保留適應(yīng)度值較優(yōu)的個(gè)體；

步驟7：在信仰空間，進(jìn)行知識(shí)更新操作和影響操作；

步驟8：判斷是否滿足方法終止條件，若否，則回轉(zhuǎn)執(zhí)行所述的步驟3；若是，則迭代停止，輸出最終優(yōu)化結(jié)果。

更具體地，上述步驟2中，隨機(jī)生成連續(xù)初始群體根據(jù)poppk＝popmin+(popmax-popmin)*rand確定，其中poppk表示種群中第p個(gè)個(gè)體的第k維變量，且p＝1,2,…,popsize，k＝1,2,…,n，popsize代表種群個(gè)體數(shù)量，n表示任務(wù)數(shù)量，rand為0～1之間的隨機(jī)數(shù)，popmax＝5，popmin＝0.5.

更具體地，上述步驟3中，連續(xù)型個(gè)體popi根據(jù)spv方法將基因按數(shù)值由小到大排序，將其排序之前對(duì)應(yīng)的基因序號(hào)依次賦值給個(gè)體i得到πi，將πi的每一維變量通過(guò)公式rij＝πijmodm+1進(jìn)行轉(zhuǎn)換得到rij，，其中rij與πij均表示第i個(gè)個(gè)體的第j維變量，rij則代表任務(wù)分配的變量，m表示虛擬機(jī)的數(shù)量；求解該任務(wù)調(diào)度序列ri的適應(yīng)度值f(x)＝ω1*time+ω2*ec+ω3*c，其中time是任務(wù)完成時(shí)間，ec是執(zhí)行成本，c為能耗，ω1、ω2、ω3分別表示這三個(gè)因素的權(quán)重值，且ω1+ω2+ω3＝1，ω1≥0，ω2≥0，ω3≥0。

更具體地，上述步驟4中，微空間中，交叉操作和變異操作之后根據(jù)spv操作計(jì)算個(gè)體適應(yīng)度值，并將新個(gè)體與舊個(gè)體進(jìn)行比較，執(zhí)行貪婪操作。

更具體地，在上述步驟5中，設(shè)popr＝(popr1,…,poprk',…,poprd)為群體中的任一個(gè)體，為當(dāng)前最優(yōu)解，且k’∈[0,d]，為通過(guò)觀察學(xué)習(xí)后得到的新個(gè)體，觀察學(xué)習(xí)操作采用進(jìn)行，其中，poprk'^*為通過(guò)觀察學(xué)習(xí)后新個(gè)體popr^*第k^’維變量；ω為學(xué)習(xí)慣性權(quán)重，ω∈(0,1)；sin(α)為學(xué)習(xí)擾動(dòng)因子，α∈[2,π]；表示個(gè)體在學(xué)習(xí)中的自我保留部分；表示個(gè)體向最優(yōu)個(gè)體學(xué)習(xí)后獲取的部分；執(zhí)行spv操作，求解出觀察學(xué)習(xí)前后兩個(gè)個(gè)體的適應(yīng)度值，比較并保留適應(yīng)度值較高的一個(gè)；觀察學(xué)習(xí)產(chǎn)生的新個(gè)體，若第k維變量的值超過(guò)其取值范圍，則根據(jù)修正該維變量的值。

更具體地，在上述步驟6中，模仿學(xué)習(xí)操作采用進(jìn)行，其中，為通過(guò)模仿學(xué)習(xí)后新個(gè)體的第y維變量；f∈[0,1]，為縮放因子，r1和r2為[1,d]之間的隨機(jī)數(shù)且r1≠r2，popr1y為隨機(jī)個(gè)體popr1的第y維變量，popr2y為隨機(jī)個(gè)體popr2的第y維變量，popcgy為當(dāng)前最優(yōu)個(gè)體pop^cg的第y維變量。(popr1y﹣popr2y)代表變動(dòng)步長(zhǎng)；執(zhí)行spv操作，求解出模仿學(xué)習(xí)前后兩個(gè)個(gè)體的適應(yīng)度值，比較并保留適應(yīng)度值較高的一個(gè)；模仿學(xué)習(xí)產(chǎn)生的新個(gè)體，若第k維變量的值超過(guò)其取值范圍，則根據(jù)修正該維變量的值，popmax與popmin為連續(xù)型種群定義域范圍的最大值和最小值。

為了驗(yàn)證本發(fā)明方法的有效性，采用云計(jì)算仿真平臺(tái)cloudsim進(jìn)行仿真實(shí)驗(yàn)，實(shí)驗(yàn)環(huán)境是pc機(jī)，具體配置如下，os：windows7；cpu：inter4，3.20ghz；memory:4g。該實(shí)驗(yàn)通過(guò)擴(kuò)展cloudsim平臺(tái)中的datacenterbroker類，將本發(fā)明方法與已有的pso方法和ga方法進(jìn)行對(duì)比分析，其中測(cè)試分析的性能指標(biāo)為函數(shù)適應(yīng)度值(fitness)、執(zhí)行時(shí)間(taskcompletiontime)、執(zhí)行費(fèi)用(cost)和虛擬機(jī)能耗(energyconsumption)。具體實(shí)驗(yàn)過(guò)程如下：

在相同實(shí)驗(yàn)條件下，實(shí)驗(yàn)參數(shù)統(tǒng)一設(shè)置為：種群規(guī)模p＝10,任務(wù)長(zhǎng)度sl，虛擬機(jī)的執(zhí)行能力vc，能耗矩陣e,以及成本矩陣rc統(tǒng)一由matlab隨機(jī)生成。其中sl的隨機(jī)范圍為[10000mi,50000mi]，vc的取值范圍為[200,1000]，e的取值范圍為[1,10]，rc的取值范圍為[1,5]。三種算法的目標(biāo)函數(shù)中的權(quán)重分別為ω1＝0.5，ω2＝0.2，ω3＝0.3；slo算法與遺傳算法的交叉率pc＝0.6，變異率pm＝0.08；粒子群算法中的c1＝c2＝2。

為了消除隨機(jī)因素對(duì)實(shí)驗(yàn)結(jié)果的干擾，每組實(shí)驗(yàn)獨(dú)立運(yùn)行10次，取平均值，進(jìn)行實(shí)驗(yàn)結(jié)果比較。

實(shí)驗(yàn)1：任務(wù)規(guī)模較小時(shí)算法性能比較

將云任務(wù)數(shù)量和虛擬機(jī)數(shù)量分別設(shè)置為20和5，統(tǒng)計(jì)三種方法在固定迭代次數(shù)后當(dāng)前最優(yōu)調(diào)度序列的執(zhí)行時(shí)間，執(zhí)行成本，能耗以及適應(yīng)度值。

對(duì)比可知，本發(fā)明提出的方法不但優(yōu)化了任務(wù)的執(zhí)行時(shí)間，而且優(yōu)化了任務(wù)的執(zhí)行成本，具有較快的收斂速度，且在迭代結(jié)束時(shí)獲得的調(diào)度方案適應(yīng)度評(píng)價(jià)結(jié)果最優(yōu)。

實(shí)驗(yàn)2：任務(wù)規(guī)模較大時(shí)算法性能比較

設(shè)置云任務(wù)數(shù)量和虛擬機(jī)數(shù)量分別設(shè)置為150和20，實(shí)驗(yàn)2采用與實(shí)驗(yàn)1相同的目標(biāo)函數(shù)，分別對(duì)三種算法尋找到的最優(yōu)調(diào)度序列的任務(wù)執(zhí)行時(shí)間，執(zhí)行成本，能耗和函數(shù)適應(yīng)度值作對(duì)比。

對(duì)比結(jié)果可知，在較大任務(wù)規(guī)模情況下，本發(fā)明提出的方法能夠搜索到具有較短執(zhí)行時(shí)間和較優(yōu)執(zhí)行成本的云任務(wù)調(diào)度方案，且具有較優(yōu)的均衡執(zhí)行成本與執(zhí)行時(shí)間的性能，而其他兩種方法沒(méi)有這種優(yōu)勢(shì)。尋優(yōu)性能較好，所搜索到的最優(yōu)云任務(wù)調(diào)度方案優(yōu)于其他兩種算法所搜索到的結(jié)果。本發(fā)明所設(shè)計(jì)的算法在求解云任務(wù)優(yōu)化調(diào)度問(wèn)題時(shí)具有良好的搜索能力與收斂速度，在獲得更優(yōu)的云任務(wù)調(diào)度方案的同時(shí)，很好地均衡了任務(wù)執(zhí)行時(shí)間與執(zhí)行成本。