基于简化粒子群和蚁群优化的云计算资源调度算法

整理文档很辛苦,赏杯茶钱您下走!

免费阅读已结束,点击下载阅读编辑剩下 ...

阅读已结束,您可以下载文档离线阅读编辑

资源描述

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

1 / 4
下载文档,编辑使用

©2015-2020 m.777doc.com 三七文档.

备案号:鲁ICP备2024069028号-1 客服联系 QQ:2149211541

×
保存成功