基于改進(jìn)粒子群算法的虛擬機(jī)調(diào)度策略研究

高玉嬌

摘要：目前，云計(jì)算發(fā)展之迅速使得云計(jì)算系統(tǒng)的應(yīng)用越來(lái)越廣泛，而云計(jì)算資源調(diào)度算法作為云計(jì)算研究的核心內(nèi)容，當(dāng)前許多科研工作者已經(jīng)對(duì)其進(jìn)行了大量深入的研究。從云計(jì)算系統(tǒng)的負(fù)載均衡和提高資源利用率的兩方面出發(fā)，首先建立一種新的資源利用率均衡模型，其次優(yōu)化基本粒子群算法，再用優(yōu)化后的PSO算法求解改模型，并通過(guò)云計(jì)算仿真平臺(tái)CloudSim對(duì)此算法和模型進(jìn)行仿真和驗(yàn)證。

關(guān)鍵詞：云計(jì)算;資源利用率均衡模型;PSO算法;CloudSim仿真

中圖分類(lèi)號(hào)：TB文獻(xiàn)標(biāo)識(shí)碼：Adoi：10.19311/j.cnki.16723198.2019.04.086

0引言

在云計(jì)算環(huán)境中，合適的調(diào)度算法和模型，是實(shí)現(xiàn)其資源利用率均衡和提高資源利用率的一個(gè)方法。云計(jì)算資源調(diào)度的目標(biāo)就是根據(jù)用戶(hù)提交的任務(wù)請(qǐng)求，在保障云平臺(tái)達(dá)到系統(tǒng)內(nèi)部負(fù)載均衡的前提下實(shí)現(xiàn)資源的最優(yōu)調(diào)度。

實(shí)現(xiàn)資源的最優(yōu)調(diào)度問(wèn)題是一個(gè)最優(yōu)化問(wèn)題，即如何在滿(mǎn)足約束條件下選擇一個(gè)最優(yōu)的方案。近年來(lái)，人們通過(guò)對(duì)社會(huì)型生物群體行為的模擬提出了一類(lèi)新型的生物啟發(fā)式計(jì)算方法—群體智能算法。其中具有代表性的PSO算法是由Kennedy和Eberhart于1995年首次提出的，并由于其諸多優(yōu)點(diǎn)，在諸多領(lǐng)域獲得了成功應(yīng)用。

1資源利用率均衡模型的建立1

從圖1的比較可以看出，在虛擬機(jī)數(shù)量一定的情況下，隨著用戶(hù)任務(wù)數(shù)的增加，兩種算法的最大完成時(shí)間均有所增加，但改進(jìn)后的PSO算法那始終優(yōu)于基本PSO算法，并且隨著用戶(hù)任務(wù)數(shù)量的增加，其完成時(shí)間相對(duì)于用戶(hù)數(shù)量少時(shí)減少的越多，故本文改進(jìn)后的PSO算法收斂速度相對(duì)基本PSO算法更快，更容易搜索到全局最優(yōu)值，不會(huì)過(guò)快陷入局部最優(yōu)。

實(shí)驗(yàn)二：虛擬機(jī)數(shù)量對(duì)完成時(shí)間的影響。

當(dāng)任務(wù)數(shù)量一定時(shí)，分別取任務(wù)VM=20，40，60，80，100，用戶(hù)任務(wù)數(shù)量為200個(gè)，仿真次數(shù)設(shè)置為500，比較兩個(gè)算法（基本PSO算法及本文改進(jìn)PSO算法）進(jìn)行任務(wù)調(diào)度所需總完成時(shí)間。結(jié)果如圖2，表示不同虛擬機(jī)數(shù)量對(duì)應(yīng)兩個(gè)算法的完成時(shí)間的影響。

從圖2的比較可以看出，在用戶(hù)任務(wù)數(shù)量一定的情況下，隨著虛擬機(jī)數(shù)量的增加，兩種算法的最大完成時(shí)間均有所減少，但改進(jìn)后的PSO算法也始終優(yōu)于基本PSO算法，故本文改進(jìn)后的PSO

由圖3可知，本文的模型函數(shù)在用不同算法尋求最優(yōu)值的過(guò)程中，本文提出的改進(jìn)后的PSO算法收斂速度更快，迭代次數(shù)較基本PSO算法更少，并且很容易找出全局最優(yōu)解。驗(yàn)證了本文提出的改進(jìn)后PSO算法的有效性。

4總結(jié)

本文針對(duì)云計(jì)算環(huán)境中的虛擬機(jī)調(diào)度算法進(jìn)行了初步研究，在前人對(duì)基本PSO算法的研究上，提出了一種改進(jìn)PSO算法。另外，根據(jù)物理服務(wù)器資源率不均衡的特點(diǎn)，提出了資源利用率均衡模型，并用改進(jìn)優(yōu)化后的PSO算法進(jìn)行求解。最后，根據(jù)云計(jì)算仿真平臺(tái)的CloudSim系統(tǒng)，對(duì)不同用戶(hù)任務(wù)數(shù)完成時(shí)間的影響、不同虛擬機(jī)數(shù)量對(duì)算法完成時(shí)間的影響以及不同算法仿真模型的優(yōu)化迭代過(guò)程三方面進(jìn)行了仿真，從多方面證實(shí)了優(yōu)化后PSO算法更加有效。但是本文沒(méi)有考慮云計(jì)算環(huán)境中的能耗及成本問(wèn)題，所以在未來(lái)的研究工作中，我們將進(jìn)一步對(duì)云數(shù)據(jù)中心的能耗問(wèn)題進(jìn)行研究。

參考文獻(xiàn)

[1]田文洪，趙勇.云計(jì)算一資源調(diào)度管理[M].北京：國(guó)防工業(yè)出版社，2011.

[2]Kennedy J.Eberhart R.Particle swarm optimization. Proceedings of IEEE International Conference on Neural Networks[J].Piscataway：IEEE Service Center，199519421948.

[3]M.Clerc.The swarm and the queen： towards a deterministic and adaptive particle swarm optimization[C].Proceedings of IEEE International Conference on Evolutionary Computation（CEC 1999），Piscataway，NJ：IEEE Press，1999：19511957.