一种具有全局搜索机制快速收敛的云资源规划调度方法

本发明涉及云资源优化调度方法，尤其涉及一种具有全局搜索机制快速收敛的云资源规划调度方法。

背景技术：

1、随着信息技术和网络的快速发展，传统的数据处理方法已不再适合处理大规模数据和信息。在这方面，云计算模式已成为一种功能更强大、更便捷、更人性化的选择。云计算的目的是通过互联网为用户提供共享的计算资源，包括硬件和软件，通过灵活的计费、自助服务和动态可扩展性，用户可以根据需要随时访问这些资源。此外，云资源优化调度可应用于各种场景，包括虚拟机调度、存储优化、网络带宽管理、容器调度和弹性计算等，以最大限度地提高资源利用率并防止资源浪费。在云计算中，高效的资源规划非常重要。如果资源规划分配不合理，就会造成资源利用不足或过度利用，导致云资源的浪费或业务性能下降。

2、目前，工作流调度问题主要采用启发式算法和元启发式算法来求解。启发式算法是一种针对某一类特定问题而提出的基于直观经验构造的优化算法，如异构最早完成时间(heft)、预算约束下的hefet(bheft)、最大最小算法(max-min)等，一般难以解决大规模复杂应用调度问题；元启发式算法基于随机搜索技术，例如遗传算法(ga)、蛇优化算法(so)、粒子群优化算法(pso)、蚁群算法(aco)等，一般来说，对不同规模的调度问题均具有较好的适应性。尽管如此，ga等进化算法虽然具有较好的全局搜索能力，但是搜索时间往往过长；so、pso和aco等群智能优化算法收敛速度快，可是缺乏有效的全局搜索机制，导致算法优化性能相对较差。使得资源调度的收敛性低，并且容易陷入局部最优问题。因此，现有的云工作流调度方法需要进一步改进。

3、现目前有采用蛇优化算法(so)进行资源规划的方法，与其他启发式优化算法相比，蛇优化算法可以更好地适应不同的问题和场景，从而在优化问题求解方面表现出更好的性能。然而采用蛇优化算法(so)进行资源规划的收敛性低，并且容易陷入局部最优问题。

技术实现思路

1、本发明旨在至少解决现有技术中存在的技术问题，特别创新地提出了一种具有全局搜索机制快速收敛的云资源规划调度方法。

2、为了实现本发明的上述目的，本发明提供了一种具有全局搜索机制快速收敛的云资源规划调度方法，包括以下步骤：

3、s1，获取用户的初始化参数数据，所述参数数据包括任务字节大小和虚拟机带宽；然后建立目标函数fit：

4、

5、其中，ectlk表示第l个任务在第k个虚拟机上的执行时间；

6、ntsk表示任务数量；

7、nvm表示虚拟机数量；

8、task_lengthl表示第l个任务的字节大小；

9、mipsk表示第k个虚拟机的带宽；

10、表示第l个任务都分配到第k个虚拟机上；

11、s2，采用改进蛇优化算法，得到最优种群；

12、s2-1，初始化算法参数，并根据参数初始化种群；

13、所述初始化种群的公式为：

14、xi＝xmin+r×(xmax-xmin)

15、其中，xi表示第i个个体的位置信息；

16、r∈[0，1]，r是在区间[0,1]中生成的随机数；

17、xmax表示问题解空间的上边界；

18、xmin表示问题解空间的下边界；

19、s2-2，将种群按照性别分为雌性和雄性两个子种群；

20、s2-3，如果t≤t则执行步骤s2-4，否则跳转到步骤s2-7，并且t＝t+1；

21、s2-4，找到最优雄性个体与雌性个体，并通过以下公式计算温度temp和食物数量q：

22、

23、其中，t表示当前迭代次数；

24、t表示最大迭代次数；

25、

26、其中，c1为一个常数；

27、s2-5，如果q<0.25表示不存在食物，并且rand<0.5，则使用公式(7)和(9)分别更新雄性个体和雌性个体的位置，然后执行步骤s2-3；

28、xi,m(t+1)＝xrand,m(t)±c2×am×((xmax-xmin)×rand+xmin)  (7)

29、其中xi,m表示第i个雄性个体的位置；

30、xrand,m表示在雄性种群中的随机个体的位置信息；

31、rand表示区间[0,1]内的随机数；

32、c2为一个常数；

33、am表示雄性个体寻找食物的能力；

34、xi,f＝xrand,f(t+1)±c2×af×((xmax-xmin)×rand+xmin)  (9)

35、其中，xi,f表示第i个雌性个体的位置；

36、xrand,f表示在雌性种群中的随机个体的位置信息；

37、af表示雌性个体寻找食物的能力；

38、如果q<0.25表示不存在食物，并且rand>0.5，则使用公式(11)更新个体的位置，然后执行步骤s2-3；

39、

40、其中，r为一个自适应减少的变量；

41、rand表示在区间[0,1]内生成的随机数；

42、.*表示数学上的点乘操作；

43、xi表示第i个个体；

44、xbest表示种群中的最优个体；

45、xrand1，xrand2，xrand3分别表示种群中三个不同的随机个体；

46、如果q>0.25并且temp>0.6，表示食物存在并且蛇处于温暖的环境，则使用公式(12)更新个体位置，然后执行步骤s2-3；

47、xi,j(t+1)＝xfood±c3×temp×rand×(xfood-xi,j(t))  (12)

48、xi,j表示种群中第i个个体的位置，j表示个体i的第j个维度信息；

49、xfood表示最优个体的位置；

50、c3为一个常数；

51、如果q>0.25并且temp<＝0.6，表示食物存在并且蛇处于寒冷的环境，则执行步骤s2-6；

52、s2-6，生成一个[0,1]区间的随机数，如果随机数大于0.6表示蛇处于战斗模式，则使用公式(13)和(14)分别更新雄性个体的位置与雌性个体的位置；

53、xi,m(t+1)＝xi,m(t)+c3×fm×rand×(q×xbest,f-xi,m(t))  (13)

54、其中，xi,m(t+1)表示第i个雄性个体第t+1代的位置信息；

55、xi,f(t+1)表示第i个雌性个体第t+1代的位置信息；

56、xbest,f表示最优雌性个体；

57、fm表示雄性个体的战斗能力；

58、q表示食物数量；

59、xi,f(t+1)＝xi,f(t+1)+c3×ff×rand×(q×xbest,m-xi,f(t+1))  (14)

60、其中，xbest,m表示最优雄性个体；

61、ff表示雌性个体的战斗能力；

62、如果随机数小于0.6表示蛇处于交配模式使用公式(17)、(18)分别更新雄性个体和雌性个体的位置；

63、xi,m(t+1)＝xi,m(t)+c3×mm×rand×(q×xi,f(t)-xi,m(t))  (17)

64、xi,f(t+1)＝xi,f(t)+c3×mf×rand×(q×xi,m(t)-xi,f(t))  (18)

65、其中，mm和mf分别表示雄性个体与雌性个体的繁殖能力；

66、同时，当蛋孵化时，选择最差的雄性个体与雌性个体并替代它们，具体公式表示为(21)和(22)，然后跳转到步骤四；

67、xworst,m＝xmin+rand×(xmax-xmin)  (21)

68、xworst,f＝xmin+rand×(xmax-xmin)  (22)

69、其中，xworst,m和xworst,f分别表示最差雄性个体与最差雌性个体；

70、s3，从最优种群中选择目标函数值最小的个体作为最优资源调度方案。

71、改进的蛇优化算法通过一种新的个体位置更新方式对个体进行更新，增强了算法的全局搜索能力。

72、进一步地，所述初始化种群还可通过以下公式计算：

73、xi＝xmin+si*(xmax-xmin)  (2)

74、其中，xi表示第i个个体，每个个体表示一个资源调度方案；

75、xmax表示问题解空间的上边界；

76、xmin表示问题解空间的下边界；

77、si表示sobol序列随机数。

78、进一步地，步骤s2-4中食物数量q的计算还可通过以下公式计算：

79、q＝c1*(start+end*tanh*(0.75*π*t/t))  (6)

80、其中，c1为一个常数；

81、start＝0.3表示曲线的起点为0.3；

82、end＝0.7表示曲线的终点为0.7；

83、t表示当前迭代次数；

84、t表示最大迭代次数。

85、基于反正切关系的非线性因子的计算食物数量q，替代原有的基于指数关系计算食物数量q，可以更好的模拟全局搜索与局部搜索的关系，从而使得算法的性能得到增强。

86、进一步地，所述雄性个体寻找食物的能力am的计算公式为：

87、

88、其中frand,m表示随机雄性个体的适应度值；

89、fi,m表示第i个雄性个体的适应度值；

90、所述雌性个体寻找食物的能力af的计算公式为：

91、

92、frand,f表示随机雌性个体的适应度值；

93、fi,f表示第i个雌性个体的适应度值。

94、进一步地，所述雄性个体的战斗能力fm的计算公式如下：

95、

96、所述雌性个体的战斗能力fm的计算公式如下：

97、

98、其中，fbest,f表示雌性个体中的最优适应度值；

99、fbest,m表示雄性个体中的最优适应度值；

100、fi表示第i个个体的适应度值。

101、进一步地，所述雄性个体的繁殖能力mm的计算公式如下：

102、

103、雌性个体的繁殖能力mf的计算公式如下：

104、

105、其中，fi,m表示第i个雄性个体的适应度值；

106、fi,f表示第i个雌性个体的适应度值。

107、进一步地，c1＝0.5。

108、进一步地，c2＝0.05，c3＝2。

109、综上所述，由于采用了上述技术方案，本发明能够进一步提高了云资源调度的合理性，能最大化资源利用率，解决了云资源调度中的资源浪费或业务性能的下降的问题。

110、本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。