基于简化粒子群和蚁群优化的云计算资源调度算法

龙源期刊网基于简化粒子群和蚁群优化的云计算资源调度算法作者：王猛谭跃生来源：《山东工业技术》2016年第14期摘要：为了提高云计算环境下资源调度的效率，将BPSO-ACO算法应用到云计算的资源调度过程中，通过CloudSim平台的仿真实验，与粒子群算法和蚁群算法做比较，得到在同等条件下，简化粒子群优化和蚁群优化算法（BPSO-ACO）比单独的粒子群算法或蚁群算法在进行资源调度时，总任务的完成时间更短、收敛性更好。关键词：云计算；资源调度；粒子群算法；蚁群算法DOI：10.16640/j.cnki.37-1222/t.2016.14.1160引言计算资源调度问题是一个NP难问题[1]，针对当前云计算中资源调度的效率不高的问题，本文深入的研究了现有云计算环境下资源调度算法，并对基本粒子群算法和蚁群算法进行了优化，并将其应用到云环境下进行资源调度，提出的新的算法研究如何提高资源调度的效率，减少资源的调度时间，为用户提供更好的服务。1云计算资源调度模型云计算环境中有n个任务的集合T=（T1，T2，…，Tn）分配到m个虚拟资源集合VM=（VM1，VM2，…，VMm）上完成，其中Ti（i=1，2，3…n）表示第i个子任务，VMj（j=1，2，3…m）表示第j个虚拟资源，粒子群中一个粒子位置就是一个可行解，即一个资源分配序列，任务集合T在虚拟资源VM上的分配关系可表示为：其中Q为常数，表示所有任务执行完的总时间，CTi表示任务Ti的执行花费即时间。4仿真实验本文选择CloudSim仿真平台进行仿真实验，将简化粒子群结合蚁群的算法（BPSO-ACO）云计算资源调度模型引入到CloudSim的资源调度系统中，通过仿真实验验证简化粒子群结合蚁群的算法（BPSO-ACO）的云计算资源调度性能。本实验中，为了检验粒子群算法（PSO）、蚁群算法（ACO）与简化粒子群结合蚁群算法（BPSO-ACO）的性能，在CloudSim平台下设置3个虚拟资源节点和20到100个子任务，对比分析。龙源期刊网各类算法的参数设置如下描述：（1）对于简化粒子群算法的参数设置如下：粒子的规模设置为100，c1=c2=2，迭代次数设置为30次。（2）对于蚁群算法的参数设置如下：蚁群的规模设置为100，α=β=1，ρ=0.7，迭代次数设置为70次。（3）对于简化粒子群结合蚁群算法的参数设置如下：与粒子群算法和蚁群算法相同的参数，设置为相同的值，迭代次数设置为100次。通过CloudSim进行20次仿真实验，取平均值，进行测试，结果如图1，图2所示。图1与图2可以看出，在初始状态，当任务量较少的情况下，BPSO-ACO算法的完成时间与PSO算法、ACO算法的总完成时间相差不多，但是随着任务量的增加，完成时间的差距越来越明显，说明BPSO-ACO算法在任务量大的情况下的收敛性明显好于PSO算法和ACO算法。通过仿真实验证明：BPSO-ACO算法能够对资源进行合理的调度，总得完成时间要优于PSO算法和ACO算法。参考文献：ArfeenMA，PawlikowskiK，WilligA.AFrameworkforResourceAllocationStrategiesinCloudComputingEnvironment[J].ComputerSoftwareandApplicationsConferenceWorkshops（COMPSACW），2011IEEE35thAnnual.2011，261-266.ClercM，KennedyJ.Theparticleswarm：Explosionstabilityandconvergenceinamulti-dimensionalcomplexspace.IEEETrans.onEvolutionComputer，2002，6（1）：58-73.TreleaIC.Theparticleswarmoptimizationalgorithm：Convergenceanalysisandparameterselection.InformationProcessingLetters，2003，85（6）：317-325.龙源期刊网