一種移動(dòng)云計(jì)算下任務(wù)調(diào)度算法的研究

陳暄

摘要：針對(duì)移動(dòng)云計(jì)算中的任務(wù)調(diào)度效果低，消耗時(shí)間長(zhǎng)等問(wèn)題，提出了一種改進(jìn)的果蠅算法和人工蜂群算法融合的算法（Improved Fruit Fly optimization algorithm- Artificial Bee Colony，簡(jiǎn)稱(chēng)IFOA-ABC算法）進(jìn)行處理。首先，根據(jù)移動(dòng)云任務(wù)調(diào)度特點(diǎn)，構(gòu)建任務(wù)調(diào)度模型，其次，采用正交數(shù)組和量化技術(shù)對(duì)果蠅種群進(jìn)行初始化，算法的邊界問(wèn)題進(jìn)行處理，探索步長(zhǎng)進(jìn)行動(dòng)態(tài)調(diào)整，最后，使用人工蜂群算法對(duì)果蠅個(gè)體進(jìn)行全局優(yōu)化；仿真實(shí)驗(yàn)中， IFOA-ABC算法相比其他智能算法在移動(dòng)云任務(wù)調(diào)度的時(shí)間和能量消耗上對(duì)比中具有一定的優(yōu)勢(shì)，說(shuō)明算法能夠有效地提高云計(jì)算調(diào)度效率。

關(guān)鍵詞：移動(dòng)云計(jì)算；任務(wù)調(diào)度；果蠅算法；人工蜂群算法

中圖分類(lèi)號(hào)： 文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1009-3044（2019）10-0218-03

開(kāi)放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（OSID）：

移動(dòng)云計(jì)算下的任務(wù)調(diào)度是近年來(lái)研究的新的方向[1]，如何解決移動(dòng)云計(jì)算下的任務(wù)調(diào)度出現(xiàn)的調(diào)度時(shí)間長(zhǎng)，能量消耗大的問(wèn)題成了當(dāng)前學(xué)者研究的熱點(diǎn)。目前，國(guó)內(nèi)從事移動(dòng)云計(jì)算的文獻(xiàn)數(shù)量不多，選擇具有代表性的進(jìn)行闡述，文獻(xiàn)[2]構(gòu)建了一種新的任務(wù)調(diào)度的模型，并采用了基于模擬退火算法的任務(wù)調(diào)度方法進(jìn)行了系統(tǒng)性的對(duì)比實(shí)驗(yàn)，具有較好的調(diào)度效果；文獻(xiàn)[3]提出了一種任務(wù)聯(lián)合執(zhí)行策略（Task Collaborative Execution Policy，TCEP），采用遺傳算法來(lái)處理優(yōu)化問(wèn)題，仿真驗(yàn)證了所提策略及算法的性能。

本文在此研究的基礎(chǔ)上，提出以任務(wù)時(shí)間和能量消耗為主的調(diào)度模型，并采用基于果蠅算法和人工蜂群算法融合用于任務(wù)調(diào)度，仿真實(shí)驗(yàn)說(shuō)明該算法取得了較好的效果。

1 移動(dòng)云計(jì)算下任務(wù)分配調(diào)度模型

移動(dòng)云計(jì)算與一般的云計(jì)算的任務(wù)調(diào)度優(yōu)化的目標(biāo)不同，它主要最大限度地能夠?qū)崿F(xiàn)任務(wù)的最少完成時(shí)間，較為充足的帶寬資源，較高的存儲(chǔ)容量和較低的能量消耗。在這些指標(biāo)中任務(wù)所需要的完成時(shí)間是最重要的，其次是移動(dòng)端的容量大小和資源帶寬，而移動(dòng)云的能量消耗主要來(lái)自無(wú)線(xiàn)傳輸過(guò)程中的不穩(wěn)定因素造成。因此，將文獻(xiàn)[2]中的移動(dòng)云下的任務(wù)調(diào)度模型作為本文的任務(wù)調(diào)度模型。主要參數(shù)見(jiàn)表1所示。

從圖1、圖2中發(fā)現(xiàn)四種算法下的完成時(shí)間和能量消耗的對(duì)比效果，圖1中顯示了四種算法隨著任務(wù)數(shù)量不斷的增多而出現(xiàn)逐漸遞增的趨勢(shì)，從圖中的曲線(xiàn)來(lái)看，本文算法的波動(dòng)是最小的，且消耗時(shí)間是最少的，這說(shuō)明本文算法相比于其他三種算法具有一定的優(yōu)勢(shì)；圖2中顯示了四種算法的能量消耗，從圖中發(fā)現(xiàn)由于移動(dòng)云計(jì)算的任務(wù)調(diào)度的特點(diǎn)使得能量消耗波動(dòng)比較大，因此4種算法的曲線(xiàn)都是呈現(xiàn)震蕩趨勢(shì)，當(dāng)從整體上看，本文算法的波動(dòng)是最小的，且整體過(guò)程平緩。從以上兩個(gè)圖說(shuō)明本文算法中的局部?jī)?yōu)化改進(jìn)是具有效果的，尤其是種群的初始化操作，使得種群最優(yōu)解盡可能來(lái)自更大的解空間，提高了種群的多樣性；通過(guò)邊界處理使得果蠅個(gè)體溢出的可能性降低，有效地保護(hù)了種群；探索步長(zhǎng)的改進(jìn)使得探索的范圍得到了控制，有利于算法的穩(wěn)定；通過(guò)人工蜂群算法的融合使得果蠅算法的具有更好的全局最優(yōu)解。

4 結(jié)束語(yǔ)

根據(jù)移動(dòng)云任務(wù)調(diào)度特點(diǎn)，構(gòu)建了任務(wù)調(diào)度模型，通過(guò)對(duì)種群初始化，邊界問(wèn)題處理，步長(zhǎng)的調(diào)整以及果蠅個(gè)體的全局優(yōu)化使得算法的性能得到了提高，仿真實(shí)驗(yàn)表明本文算法相比其他智能算法在移動(dòng)云任務(wù)調(diào)度的時(shí)間和能量消耗上對(duì)比中具有一定的優(yōu)勢(shì)，說(shuō)明算法能夠有效地提高云計(jì)算調(diào)度效率。

參考文獻(xiàn)：

[1] 崔勇，宋健，繆蔥蔥.移動(dòng)云計(jì)算研究進(jìn)展與趨勢(shì)[J].計(jì)算機(jī)學(xué)報(bào)，2017，40（2）：273-288.

[2] 胡海洋，劉潤(rùn)華，胡華.移動(dòng)云計(jì)算環(huán)境下任務(wù)調(diào)度的多目標(biāo)優(yōu)化方法[J].計(jì)算機(jī)研究與發(fā)展，2017，54（9）：1909-1919.

[3] 柳興，李建彬，楊震.移動(dòng)云計(jì)算中的一種任務(wù)聯(lián)合執(zhí)行策略[J].計(jì)算機(jī)學(xué)報(bào)，2017，40（2）：364-377.

【通聯(lián)編輯：朱寶貴】