一种云环境下的复杂任务调度方法与流程

本发明涉及分布式计算，具体涉及一种云环境下的复杂任务调度方法。

背景技术：

1、云计算是在并行计算、分布式计算、网格计算、效用计算等基础之上发展而来的更高层次的计算处理模式。云计算可以有效管理海量的分布资源，并以服务的形式为用户提供便捷的资源访问能力。云环境下的任务调度就是在一个特定的中心云或者边缘环境中，根据一定的资源使用规则，将计算资源在不同的使用者之间进行调整的过程。任务调度解决了任务负载请求与平台资源提供能力的供需约束关系。

2、研究云环境下复杂任务的执行时间最小化问题具有重要的现实意义。复杂任务执行时间最小化问题具有很强的挑战性。首先，复杂任务包含许多独立的任务，将数目众多的任务分配至云环境中的不同资源本身即是np完全问题，解空间随着任务数目的增多呈指数级增长，难以寻找最优解。其次，云环境作为一个典型的系统级系统，其组成的资源来自不同的区域，呈现出明显的异构异质化，任务在不同资源上的执行时间是异构的。由于解空间过于庞大，目前主要的解决方法主要包含两大类：启发式方法和元启发式方法。启发式方法一般通过特定规则确定任务的分配次序和任务的资源归属，在解决大规模复杂任务调度时容易陷入局部最优，生成的调度方案偏离最优解的程度比较高；元启发式方法比如遗传算法、粒子群算法、差分进化算法维持了由多个个体组成的种群，种群中的每个个体代表一个具体的搜索方向，并持续迭代优化种群中的个体，能够比较完全地搜索解空间，从而获取更好的调度方案。差分进化算法(differential evolution,de)是一种基于群体差异的元启发式随机搜索方法，优势在于具有较强的全局搜索能力，控制参数少，易于理解和实现，收敛性强，鲁棒性强等等。但是，传统的差分进化算法是为通用问题设计的，虽然能够解决云环境下的复杂任务调度问题，但是效率和有效性十分有限，需要从问题层面和算法层面对差分进化算法做针对性的修改，以有效地应对云环境下的大规模复杂任务调度问题。

技术实现思路

1、针对现有的元启发式调度方法不能有效平衡全局探索和局部探测的能力导致在有效性和效率方面存在的不足，以差分进化算法为基础，本申请实施例提供一种云环境下的复杂任务调度方法，能够为云计算系统中包含一组独立任务的复杂任务生成具有最优或者次最优的调度方案，有效降低复杂任务在云环境下的执行时间。

2、本申请实施例提供以下技术方案：一种云环境下的复杂任务调度方法，包括：

3、s1、建立云环境下复杂任务调度问题的数学模型，基于该数学模型，建立任务-资源编码方案，以表述该复杂任务调度问题的解，根据预设的种群规模，生成代表初始解集合的种群；

4、s2、基于当前迭代次数和复杂任务调度问题的解的适应度值，设计参数自适应调整策略，计算解的交叉参数和变异参数；

5、s3、将差分进化算法离散化，基于参与变异操作的各个解的基因差异和所述变异参数计算变异概率，以对所述任务-资源编码方案进行变异，生成试验解；

6、s4、根据所述交叉参数、原始的该复杂任务调度问题的解，以及所述试验解生成变异解；

7、s5、在所述变异解中搜寻最优解，基于最大执行时间差值对该最优解做执行时间优化。

8、根据本申请一种实施例，步骤s1中，通过对云环境下复杂任务调度问题的调度三要素的形式化分析，建立任务调度问题的数学模型，为基于差分进化算法的调度方法建立任务-资源编码方案；其中，所述调度三要素包括云计算资源模型、复杂任务模型以及完成时间模型。

9、根据本申请一种实施例，步骤s1中，确立以复杂任务到计算资源的映射关系，以该映射关系为基础，建立所述任务-资源编码方案。

10、根据本申请一种实施例，步骤s3中，根据de/current-to-best/1变异策略和遗传算法中的变异操作，设计变异策略，以对所述任务-资源编码方案进行变异。

11、根据本申请一种实施例，所述变异策略包括：首先分别计算随机选中的两个解、最优解与当前解中的坐标差异系数，结合变异参数为当前解计算变异概率，再针对当前解的每一维分量，依据变异概率进行变异操作。

12、根据本申请一种实施例，步骤s5中还包括，将云计算资源上的最大负载和最小负载上的任务进行交换，减小复杂任务的完成时间。

13、根据本申请一种实施例，所述解的适应度值为该解在所述种群中的优劣程度。

14、本发明实施例与现有技术相比，本发明具有三个主要优势。1、在问题层面，通过设计问题特定的编码方式以及重新设计差分进化算法的变异操作，可以使得差分进化算法有效解决云环境下复杂任务调度问题。2、在算法层面，通过对差分进化算法的变异参数、交叉概率因子等参数做适应性的调整，有效平衡了算法的探索和探测能力，增强了方法寻找到完成时间更小的调度方案的能力。3、在可扩展性层面，通过重新设计编码方式，提出的基于差分进化算法的调度方法可以有效解决诸如路径规划、供应链管理、无线传感器分配等组合优化问题，具有很好的应用前景。因此，本发明从方法离散化、变异策略调整、参数自适应调整、局部搜索策略等方面对差分进化算法做了全方位的改进，使其能够高效处理云环境下的任务调度问题。

技术特征：

1.一种云环境下的复杂任务调度方法，其特征在于，包括：

2.根据权利要求1所述的云环境下的复杂任务调度方法，其特征在于，步骤s1中，通过对云环境下复杂任务调度问题的调度三要素的形式化分析，建立任务调度问题的数学模型，为基于差分进化算法的调度方法建立任务-资源编码方案；其中，所述调度三要素包括云计算资源模型、复杂任务模型以及完成时间模型。

3.根据权利要求2所述的云环境下的复杂任务调度方法，其特征在于，步骤s1中，确立以复杂任务到计算资源的映射关系，以该映射关系为基础，建立所述任务-资源编码方案。

4.根据权利要求1所述的云环境下的复杂任务调度方法，其特征在于，步骤s3中，根据de/current-to-best/1变异策略和遗传算法中的变异操作，设计变异策略，以对所述任务-资源编码方案进行变异。

5.根据权利要求4所述的云环境下的复杂任务调度方法，其特征在于，所述变异策略包括：首先分别计算随机选中的两个解、最优解与当前解中的坐标差异系数，结合变异参数为当前解计算变异概率，再针对当前解的每一维分量，依据变异概率进行变异操作。

6.根据权利要求1所述的云环境下的复杂任务调度方法，其特征在于，步骤s5中还包括，将云计算资源上的最大负载和最小负载上的任务进行交换，减小复杂任务的完成时间。

7.根据权利要求1所述的云环境下的复杂任务调度方法，其特征在于，所述解的适应度值为该解在所述种群中的优劣程度。

技术总结
本发明提供一种云环境下的复杂任务调度方法，涉及分布式计算技术领域，包括：建立云环境下复杂任务调度问题的数学模型，建立任务‑资源编码方案，表述该复杂任务调度问题的解，根据预设的种群规模，生成代表初始解集合的种群；基于当前迭代次数和复杂任务调度问题的解的适应度值，设计参数自适应调整策略，计算解的交叉参数和变异参数；将差分进化算法离散化，基于参与变异操作的各个解的基因差异和变异参数计算变异概率，对任务‑资源编码方案进行变异，生成试验解；根据交叉参数、原始的解，以及试验解生成变异解；在变异解中搜寻最优解，基于最大执行时间差值对该最优解做执行时间优化。本发明可以有效降低复杂任务在云环境下的执行时间。

技术研发人员：韩朋城,吴娜,娄文龙,于博成,王超,张洋
受保护的技术使用者：中国航空工业集团公司西安航空计算技术研究所
技术研发日：
技术公布日：2024/4/17