基于蝙蝠算法的云计算资源分配
基于膜计算的蝙蝠算法在云计算资源调度的研究
优先出版 计 算 机 应 用 研 究 第32卷--------------------------------基金项目：国家自然科学基金资助项目(61172084)；国家自然科学基金资助项目(61272296)；湖北省自然科学基金资助项目(2013CFC026)；湖北省科技支撑计划资助项目(2013BHE022)作者简介：宁彬(1977-)，男，硕士，讲师，主要研究方向为软件工程、算法设计；谷琼(1973-)，女，博士，副教授，主要研究方向为算法设计；吴钊(1973-)，男，博士，副教授，主要研究方向为可行计算、云计算；袁磊(1959-)，男，学士，教授，主要研究方向为数据库应用；胡春阳(1975-)，男，博士，高级工程师，主要研究方向为云计算，算法设计．基于膜计算的蝙蝠算法在云计算资源调度的研究 *宁 彬，谷 琼，吴 钊，袁 磊，胡春阳(湖北文理学院，湖北 襄阳 441053)摘 要：如何进一步实现云计算环境下的资源利用最大化是目前研究的热点，本文首先建立云计算环境下的资源分配模型，云计算资源调度使用蝙蝠算法，同时引入膜计算概念，提出一种基于膜计算的蝙蝠算法，将膜系统内部分解为主膜和辅助膜，在辅助膜内进行蝙蝠的个体的局部寻优，将优化后的个体传送到主膜间进行全局优化，从而达到了云计算资源优化分配要求。
通过CloudSim 平台与其他算法进行仿真对比表明本文算法提高了云计算环境下的系统的处理时间和效率，使得云计算环境下的资源分配更加合理。
关键词：膜计算；资源调度；蝙蝠算法 中图分类号：TP 文献标志码：ABats algorithm research in cloud computing resource schedulingbased on membrane computingNING Bin, GU Qiong, WU Zhao, YUAN Lei, HU Chun-yang(School of Science, Hubei University, Xiangyang Hubei 441053, China)Abstract: how to maximize the use of resources in cloud computing environments is the focus of current research. The author under cloud computing environments first established a resource allocation model, used the bat algorithm cloud computing to conduct resource scheduling, introduced the concept of membrane computing, and proposed bats algorithm based on membrane computing, which decomposed the internal membrane system into main membrane and auxiliary membrane, and optimized bat individuals inside of auxiliary membrane; the optimized individuals would be sent to the main membrane for global optimization to achieve cloud computing resource optimization allocation requirements. Simulation comparisons on CloudSim platform show that the proposed algorithm in this paper has improved the processing time and efficiency of the system under cloud computing environment, making cloud computing resources allocation more rational. Key Words: membrane computing; resource scheduling; bat algorithm0 引言云计算是一种新兴的宏观并行计算概念，它包含了分布式处理，并行处理以及网格处理。
混合蝙蝠算法及其在调度管理中的应用研究
混合蝙蝠算法及其在调度管理中的应用研究混合蝙蝠算法及其在调度管理中的应用研究随着社会的发展和进步，调度管理成为了我们日常生活与工作中非常重要的一部分。
调度管理的核心任务是合理地安排各项工作、任务和资源的分配，以最大化效益。
而混合蝙蝠算法是一种新兴的算法技术，可以很好地用于调度管理，目前已经受到越来越多学者及相关领域的广泛关注。
混合蝙蝠算法是一种基于蝙蝠算法与混合算法的组合型算法。
它通过对蝙蝠算法的改进与提升，提高了算法的收敛速度与区别度，同时也提高了算法的全局搜索能力。
这种算法主要的设计思想是将多种算法的优点进行结合，使其能够形成更加优秀的解决方案。
相比于传统的调度管理算法，混合蝙蝠算法围绕资源优化、任务调度以及企业管理等方面，可以更加有效地实现多方面的调整管理问题。
具有更好的实用性和可操作性。
混合蝙蝠算法在调度管理中的应用主要集中在以下方面：1. 生产调度：在工业生产领域，混合蝙蝠算法可以应用于生产调度的方面。
首先需要将生产车间的工序按照先后顺序进行规划，然后将不同的机器分配到不同的工作站进行工作。
通过对生产资源、生产过程、工时等因素进行综合考量，进行最优的生产任务调配。
2. 作业调度：混合蝙蝠算法可以应用于多个作业的调度，比如物流、旅游、银行等各个领域。
在这些领域中，作业的数量、比较复杂，且需要满足一定的约束条件。
混合蝙蝠算法通过对不同作业的特点进行分析，对可行解进行精确计算，实现作业的最优调度。
3. 机器调度：在制造业和物流业中，机器调度是一项至关重要且基础的任务。
通过对各个工作站的工作需求进行分析，在不同的机器之间进行合理分配，使机器的使用达到最佳效益。
对于这种情况，混合蝙蝠算法可以通过建立完备的数学模型，解决大量机器间的调度问题。
4. 人员调度：除了机器调度，还需要考虑到人员的任务分配。
在实际调度管理中，任务的分配不仅仅要考虑到资源的合理利用，还需要考虑到人员的工作时间、特殊技能、偏好等因素。
云计算资源分配算法
云计算资源分配算法在当今数字化的时代，云计算已经成为了众多企业和组织的重要支撑技术。
它能够提供强大的计算能力、存储资源和服务，帮助用户更高效地处理数据、运行应用程序和开展业务。
然而，要确保云计算系统的性能和效率，合理的资源分配算法至关重要。
云计算资源就像是一个巨大的宝库，里面包含了计算能力（CPU 核心、内存）、存储容量（硬盘空间）和网络带宽等各种宝贵的“财富”。
而云计算资源分配算法，就是那个决定如何将这些“财富”公平、高效地分配给不同用户和应用的“智慧管家”。
想象一下，在一个云计算数据中心里，有成千上万的用户同时提交了各种各样的任务请求，有些任务需要大量的计算能力来进行复杂的数据分析，有些任务则需要大量的存储空间来保存海量的数据，还有些任务对网络带宽有着较高的要求。
如果没有一个好的资源分配算法，就可能会出现有的用户资源过剩，而有的用户却在苦苦等待资源的情况，这不仅会影响用户的体验，还会造成资源的浪费，降低整个云计算系统的效率。
那么，一个好的云计算资源分配算法应该具备哪些特点呢？首先，它应该是公平的。
这意味着每个用户都应该有平等的机会获得所需的资源，而不会因为某些特殊原因而被歧视或忽视。
比如说，不能因为某个用户是大客户就给他优先分配资源，而让小客户一直等待。
其次，算法要高效。
它能够快速地响应用户的请求，在最短的时间内为用户分配到合适的资源，让用户的任务能够尽快开始执行。
如果算法的执行效率低下，用户可能会因为等待时间过长而失去耐心，甚至选择其他的云服务提供商。
此外，算法还应该具有灵活性和可扩展性。
随着用户数量的增加和业务需求的变化，云计算系统的规模和资源需求也会不断变化。
好的资源分配算法应该能够适应这种变化，轻松地处理新增的资源和用户请求，而不需要进行大规模的修改和重新部署。
为了实现这些目标，研究人员提出了各种各样的云计算资源分配算法。
其中，一些常见的算法包括基于贪心策略的算法、基于整数规划的算法、基于遗传算法的算法等等。
云和雾任务结构-概述说明以及解释
云和雾任务结构-概述说明以及解释1.引言1.1 概述云和雾任务结构是近年来涌现出的两种重要的计算架构模式。
随着信息技术的迅猛发展和应用需求的不断增长，云计算和雾计算已成为不可忽视的重要领域。
它们的出现改变了传统计算模式，给人们提供了更高效、更灵活的计算和存储方式。
云任务结构是一种基于云计算模式的任务执行和数据存储方式。
它将任务和数据分布在云服务器集群中，通过云平台进行管理和调度，用户可以通过互联网随时随地访问和使用云任务资源。
云任务结构的特点是高度的灵活性和可扩展性，能够满足不同规模和需求的任务执行，并且具备高度的可靠性和安全性。
相对而言，雾任务结构是一种基于边缘计算模式的任务执行和数据存储方式。
它将任务和数据分布在边缘设备、传感器和边缘服务器等物理节点上，通过本地网络进行协同和管理，使得任务执行更加迅速和高效。
雾任务结构的特点是低延迟、高带宽和较强的实时性，能够满足对任务响应时间要求较高的应用场景。
本文将重点对比分析云任务结构和雾任务结构的优缺点，并比较它们适用的应用场景。
此外，本文也将探讨云和雾任务结构的未来发展趋势，包括技术发展前景和它们在社会经济中的重要性和潜在影响。
通过深入了解云和雾任务结构的特点和应用前景，可以为读者提供对于计算架构模式的更全面的理解和把握。
1.2文章结构文章结构：本文主要讨论云和雾任务结构的特点以及二者之间的对比和应用场景比较。
具体而言，文章将分为引言、正文和结论三个部分。
引言部分将给出本文的概述、文章结构和目的。
首先，我们将对云和雾任务结构进行定义和解释，明确它们在计算领域的含义和作用。
接着，我们将探讨云任务结构和雾任务结构各自的特点，包括其优势和局限性。
在正文部分的第二节和第三节，我们将着重分析云任务结构和雾任务结构的定义和解释。
通过对它们的特点的详细阐述，我们将帮助读者更好地理解所讨论的概念。
在接下来的第二节和第三节中，我们将比较云任务结构和雾任务结构的优点和缺点，并对它们在不同应用场景下的比较进行详细论述。
云计算与大数据技术课后习题
第一章云计算与大数据基础1。
在信息产业的发展历程中。
硬件驱动力，网络驱动力，作为两个重要的内在动力在不同的时期起着重要的作用6．MapReduce思想来源LISP语言7。
按照资源封装层次，云计算分为 Iaas paas saas三种8. 教材P2 1。
1。
210. 教材P8 1.2。
211。
教材P10 1。
2.3第二章云计算与大数据相关技术1.一致性hash算法原理:哈希算法是一种从稀疏值到紧密值范围的映射方法,在存储和计算定位时可以被看做是一种路由算法。
通过这种路与哦算法文件块能被唯一的定位到一个节点的位置。
传统的hash算法容错性和扩展性都不好,无法有效的适应面向数据系统节点的动态变化。
意思就是当集群需要增加节点，传统的hash算法不容易检测到新增加的节点,此为扩展性不好，而一致性hash算法增加一个节点只会影响增加的这个节点到前一个节点之间的数据。
容错性就是如果不幸一个机器C宕机了，那么机器B和C之间的数据都会被D执行，那么受影响的数据只是机器B和C之间的数据。
当然，容错性和扩展性对于节点数较多的集群是比较有意义的，对于节点较少的集群似乎这两个特性并没有什么诱惑力。
一致性hash的实际目的就是解决节点频繁变化时的任务分配问题，一致性hash将整个hash值空间组织成一个虚拟圆环，我们这里假设某hash函数H值空间为0~（2^32-1），即32位无符号整形。
下面简述一下一致性hash的原理：这是一致性hash的整个值空间0~(2^32—1）下一步将各个服务器使用Hash进行一个哈希,具体可以选择服务器的ip或主机名作为关键字进行哈希,这样每台机器就能确定其在哈希环上的位置，假设使用四台机器进行hash：将数据key使用相同的函数Hash计算出哈希值,并确定此数据在环上的位置，从此位置沿环顺时针“行走”，第一台遇到的服务器就是其应该定位到的服务器.例如我们有Object A、Object B、Object C、Object D四个数据对象,经过哈希计算后，在环空间上的位置如下：根据一致性哈希算法，数据A会被定为到Node A上,B被定为到Node B上，C被定为到Node C上，D被定为到Node D上下面我们看看当集群机器比较少的情况例如系统中只有两台服务器，其环分布如下,此时必然造成大量数据集中到Node A上，而只有极少量会定位到Node B上。
基于IFWA-ABC的云计算资源任务调度算法的研究
１１ 虚拟机负载
虚拟机负载是云计算任务资源调度中的重要组成部分，由
于云计算中的资源会随着任务进行动态的变化，所以，记录单
个虚拟机的相关参数无法反馈整个云计算动态情况。本文采
用如下方式记录虚拟机：
ｒｅｓＬｏａｄ（ＶＭｊ）＝［ｉｄｊ源自ＶＭｊ，ｌａｓｔＴｉｍｅｊ］（１）
其中：ｉｄｊ表示具有唯一性的虚拟机的编号；ＶＭｊ表示虚拟机自
云计算中的任务资源调度算法是云计算的一个重要组成 部分。如何能够有效、合理分配任务资源之间的关系是云计算 中效率能否提高的关键［１］。将智能算法引入到云计算中的资 源调度已经成为目前研究的主流，国内外学者一方面采用单一 智能 算 法 用 于 云 计 算 资 源 调 度，如 ＰＳＯ 算 法［２，３］、遗 传 算 法［４，５］、蚁群算法［６，７］、人 工 蜂 群 算 法［８］、ＤＡＧ调 度 算 法［９］、烟 花算法［１０］。另一方面将融合后的智能算法用于云计算资源调 度。文献［１１］提出将粒子群算法和蚁群算法进行融合用于云 计算资源调度，该算法的优点是提高了算法精度，提高了调度 效率，缺点是缺乏与其他更多智能算法进行对比分析的结果； 文献［１２］提出 采 用 遗 传 算 子 生 成 初 始 信 息 素 分 布，通 过 双 向 收敛蚁群算子求出精确解，该算法优点是提高了求解精度和收 敛速度，缺点是采用遗传算子的初始化信息素加强了算法的复 杂性，提高了算法的求解时间；文献［１３］提出对蚁群算法和粒 子群算法分别进行改进，利用两种算法自身优势相结合的方式 建立一种蚁群粒子群算法，用于云计算资源调度效率，该算法 的优点是降低了消耗时间，缺点是降低了算法的精度。
摘 要：针对云计算资源任务调度效率低，资源分配不均的情况，将改进的烟花算法和人工蜂群算法进行融合 为 ＩＦＷＡＡＢＣ。首先，对云计算资源任务调度进行描述；其次，在 ＦＷＡ初始化中采用混沌反向学习和柯西分布 进行优化，对核心烟花和非核心烟花的半径分别进行优化，将 ＦＷＡ中最优个体通过改进的 ＡＢＣ算法进行获得； 最后，将 ＩＦＷＡＡＢＣ算法用于云计算任务调度。仿真实验中，通过与 ＦＷＡ、ＡＢＣ在执行时间、消耗成本、能量消 耗指标对比中，ＩＦＷＡＡＢＣ具有明显的优势能够有效地提高云计算资源分配效率。 关键词：烟花算法；人工蜂群算法；云计算；混沌反向学习 中图分类号：ＴＰ３０１．６ 文献标志码：Ａ 文章编号：１００１３６９５（２０１９）１００３２３０２２０５ ｄｏｉ：１０．１９７３４／ｊ．ｉｓｓｎ．１００１３６９５．２０１８．０４．０２１３
2021蝙蝠算法在战备物资调运决策优化中的应用研究范文3
2021蝙蝠算法在战备物资调运决策优化中的应用研究范文 引言 战备物资是为了应对战争或突发事件而提前准备的作战物品，其目的是保障部队能够快速投入战斗并且持续保持战斗力。
战备物资主要包括枪支弹药、车船油料等作战军械以及伙食被服等生活保障品，对于空军而言，战备物资以航空器材为主。
近些年，随着我军现代化建设不断加速，部队的后勤保障工作日渐成为关注焦点。
面对现今动荡的国际环境以及周边局势，建立完备的战备保障系统已经成为重中之重。
单个需求点的战备物资调运是战备保障工作中的常见项目，而如何找到一种高效合理的调运方案，正是调运指挥人员所急需解决的问题。
目前关于战备物资的研究主要集中在储备结构与策略上，如文献[1-3],而对于战备物资的调运问题研究较少。
文献[4]采用计算机终端进行物资转运控制，能够提高物资转运效率，但并未设计多目标多调运点条件下的优化问题；文献[5]建立了单个需求点的军械调运规划模型；文献[6]利用标准粒子群算法（PSO）对军械调运方案进行了优化。
然而，现有的解法不易运用在复杂的现实情况下，涉及供应点较多会出现内存溢出的情况，另外PSO也具有易陷入局部最优的缺陷。
蝙蝠算法（BatAlgorithm）是剑桥大学学者Yang[7]在 2010 年提出的一种基于蝙蝠回声定位行为的启发式算法。
该算法已经通过标准测试函数的测试[7-10],并应用于多种优化问题，尤其适用于处理包含约束的优化问题[8]以及多目标优化问题[9],其结果证明了蝙蝠算法相对于粒子群算法、遗传算法等其他仿真优化算法的优越性。
近年来蝙蝠算法在越来越多的领域展开了应用：李枝勇[11]使用蝙蝠算法解决了多目标多选择的背包问题；盛晓华[12]将蝙蝠算法应用在 PFSP 调度问题中，均取得了良好优化结果。
本文针对战备物资的调运问题进行了研究，建立了时间最短和损失度最低的多目标优化模型。
因为在多目标优化中，各目标属性往往彼此矛盾，基本上不可能同时达到最优，只能使各目标在一定范围内尽可能优化以获得最大的综合效益，这也是多目标优化的魅力所在。
基于惯性权重的蝙蝠算法
轻易且有效地地捕捉食物和躲避障碍物。受蝙蝠
此种行为的启发，Yang 提出了模拟蝙蝠回声定位行
为的蝙蝠算法 （ Bat algorithm，BA） ． 为简化 BA 模
型，Yang 提出了三条假设：
（ 1） 食物与障碍物之间的差异依靠蝙蝠的回声
定位判断；
（ 2） 在位置 Xi 处，以速度 Vi 飞行的蝙蝠个体， 通过波长（ 频率 fi ） 和脉冲（ 响度 Ai ） 搜索猎物； 而 且，蝙蝠个体可以根据与搜索目标的接近程度自适
第 40 卷 第 2 期
太原科技大学学报
Vol． 40 No． 2
2019 年 4 月 JOURNAL OF TAIYUAN UNIVERSITY OF SCIENCE AND TECHNOLOGY
Apr． 2019
=
x
t i
+
vt +1 i
（ 2）
式中，vti +1
和
xt +1 i
分别是蝙蝠个体
i
在置，x* 是当前最优位置。fi 为蝙蝠个
体 i 在 t 时刻频率，其定义如下：
fi = fmin + （ fmax － fmin ） × β
（ 3）
式中，β ∈ ［0，1］，fmax 和 fmin 分别是脉冲频率
略； Bahman［10］则针对蝙蝠个体提出了四种更新方 式，并根据每 种 更 新 方 式 的 特 点 分 配 不 同 权 重，有 效改进了算法的求解性能。针对算法局部搜索能 力差的缺陷，Cai［11］提出利用高斯分布代替均匀分 布，有效地改进了算法的局部搜索能力； 刘长平［12］ 利用混沌序列的随机性和遍历性，提出了基于混沌 搜索策略的蝙蝠优化算法。为解决蝙蝠算法容易 陷入局部最优的问题，杨晓琴［13］提出将 Levy 飞行 引入蝙蝠速度更新公式，提出了融合 Levy 飞行的蝙 蝠算法； 同样针对此问题，孙健［14］提出利用混沌变 异的方式改进算法性能； 同样，郭旭［15］提出蝙蝠个 体不再单一地向全局最优蝙蝠学习，而是与邻域内 所有蝙蝠进行信息共享与交流，并根据自身寻优能 力自适应地调节向其他蝙蝠学习的力度； 上述几种 方式有效地改进了蝙蝠算法跳出局部最优的能力。 为 将 蝙 蝠 算 法 应 用 于 离 散 化 的 优 化 问 题，李 枝 勇［16］将遗传算 法 中 的 变 异 思 想 融 入 蝙 蝠 算 法，并 引入诱变因子进一步提升算法的求解精度。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
脉冲的频度----R(i)响度----Ai 初始化。
While( t ＜ T 最大迭代次数) ，
调整频率产生新解并更新位置和速度。
if ( rand ＞R(i))
从最佳解的集合中选一个最佳解，
从最佳解附近形成一个局部的最优解，
else( rand ＜R(i)&&f( xi) ＜ f( x* ) )
对于整个任务执行调度，兼顾其运行时间和成本最小的约束函数为
min { ω × time +( 1 － ω) ×cost}⑾
其中: ω∈［ 0， 1］是权重因子，用来衡量用户和资源提供者的偏 好，即对执行时间和成本消耗的偏重比例。当 ω = 0 或 ω = 1 时，问题退化为单纯的以任务完成时间最短或资源花费最少的 单目标约束问题。
Key words:cloud computing; resource scheduling; bat algorithm; CloudSim platform
云计算是继分布式计算、网格计算、对等计算之后的一种新型计算模式，作为一种新型商业计算模式，是分布式并行处理和 网格计算等多种技术的拓展和延伸，代表了当前并行计算技术发展的新阶段。作为新兴产物，云计算涉及到的很多问题 并没有真正解决，资源调度便是其中的一个难题。资源调度作为云计算技术的一个重要组成部分，其效率直接影响整个云计算环境的工作性能。由于云计算环境下的任务调度是一个 NP 完全问题，启发式智能算法在该领域研究是一个重要的方向之一。本文根据云环境对于资源分配的要求出发，通过深入地研究蝙蝠算法，结合云环境下任务调度的实际特点，首先建立了以时间和成本为双约束条件的资源调度模型，然后将蝙蝠算法应用在调度模型中，结果表明蝙蝠算法能够更有效地解决云计算中的资源调度问题。
3) 响度的变化方式有很多，这里假设它是从最 大的值( 正) A0 变化到固定的最小值 Amin。
新型仿生智能算法－蝙蝠算法( BA) 的步骤用伪代码概括如下。
目标函数为 f( x) ， x =( x1，…， xd) T;
初始化随机数rand；
初始蝙蝠种群粒子 xi( i =1， 2，…， n) 和 vi;
2
云环境下的资源调度简单说来是通过择优选择，建立用户 请求列表到资源列表的映射。
资源调度算法通常由优化目标 函数、选择和搜索过程组成，优化目标函数通常包括时间跨度、 经济代价和资源利用情况等;选择和搜索过程是指在众多的可 选服务、资源映射方案中选择能使目标函数最优的那组值。
这里重点关注任务调度和调度策略的实现。传统的任务调度往往只考虑任务的响应时间或者是资源的利用率。这些调度算法在某些方面的表现优异，但系统运行时效率并不高。如何有效地利用云计算中的资源，使用户的需求在最大限度得到满足的情况下，让系统的性能保持最佳 成为一个亟待解决的关键问题。虚拟化技术的广泛使用使得云 计算中的资源呈现出动态多变、结构复杂等特点，在此分析基础 上，将云计算环境下用户提交的任务作下列两条假设:
通过计算优先权可以得到整个图的关键路径，即整个资源分配调度关键任务的调度顺序。
对云计算服务提供者来说，计算资源如虚拟机等，拥有不 同的计算能力和付费模式，而成本消耗主要取决于 CPU 的计算能力、内存的大小和带宽等因素。这里以 CPU 处理能力作为指标，选取线性模型来衡量成本消耗。任务 vi 在虚拟机 mj 上执行花费的成本： ⑽
…
time ( ， )
cost( ， )
3
设图 G =( V，E) 是一个有向完全图(directed acyclic graph，DAG) ，其中 V 是计算任务 v 的集合， E 是表示任务之间优先约束关系的边e的集合。
节点 的权值表示任务 的计算量。假设云计算资源中有 m 个不同的虚拟机，，且虚拟机 的计算能力不同。每个任务可以在不同的虚拟机上执行，记 t( ， ) 表示任务 在虚拟机 上的执行时间。
在云任务调度环境中，采用蝙蝠算法进行任务调度时，具体的步骤可以划分为如下七步:
a)接收用户提交的任务，并把每个任务划分为多个子任务，每个子任务的规模大致相等，为每个子任务生成蝙蝠种群。
b)初始化蝙蝠种群中每个蝙蝠的脉冲频率 fi 和位置 xi， 搜索脉冲频率范围［ fmin， fmax］，音强衰减系数 α，频度增加系数 γ，最大迭代次数。
这个成本是多方面的，比如内存大小和带宽损 耗等。通常处理时间是针对用户，而处理成本则是针对资源提 供方，寻求二者的一个均衡是处理任务调度的一个重要方向。
表1 任务在虚拟机上的处理时间和处理成本
任务
虚拟机
处理时间
处理成本
time ( ， )
cost( ， )
time ( ， )
cost( ， )
…
…
…
关键词云计算;资源调度;蝙蝠算法; CloudSim平台
Study on Bat Algorithm in Cloud Computing Resources Allocation
Zhu Ying1)
1)Computer and Communication Engineering of Northeastern University at Qinhuangdao 066004 China
＞R( i) 的真假来判定，其中 ∈［ 0， 1］是一个随 机变量，R( i) 是蝙蝠个体 i 当前的搜索脉冲频度，其计算方式 由式( 6) 可得。如果 ＞R( i) 成立，则第 i只蝙蝠当前的空间状态由当前空间中最优解的附近产生; 如果 ＞R( i) 不成立， 则第 i 只蝙蝠当前的空间状态由式(5) 计算得到。
⑺
若任务执行方式是非抢占式的，则任务 的平均执行时间为：
⑻
记有向边〈 ， 〉的权重为 ，表示任务 和任务 的通信时间。如果 和 在同一个虚拟机执行，则 = 0。任务 的调度优先权的计算依赖 DAG 的逆向递推，即从最后一个节点开始， 是任务 的后继集合，有
⑼
从公式可以看出: 是任务 的后继集合; 的平均执行时间越长，且与 后继节点中最大通信时间越久，优先权越低。
蝙蝠算法在云计算资源分配中的研究
朱莹1)
1)东北大学秦皇岛分校计算机与通信工程学院，河北秦皇岛066004
摘 要目前云计算面临着庞大的资源分配且具有动态性等特点，如果只从权衡资源分配策略的优劣出发已经不能满足需求。针对这一问题，从用户和资源提供者两个方面出发，将蝙蝠算法引入资源分配策略中，提出了以任务完成时间较短且成本最低为约束条件的调度模型。通过 CloudSim 平台进行模拟仿真表明，该资源分配算法能有效地兼顾完成时间和成本，在缩短任务完成时间的同时保证成本最小，提高了资源利用率。
4
4.1
在当前的云计算环境中，谷歌公司提出的 MapReduce 调度机制被广泛地应用在各个平台中，用以处理大规模并行任务，其中 Map 的过程就是把一个大作业分解成多个子任务进 行处理，而任务划分的主要目标是尽可能地消除处理机之间的通信开销，一般要求尽可能使并行化最大，而任务之间的关联最小。
4.2
接纳这个全新的解。 增大R(i)，并减小A(i)，
排列当前蝙蝠粒子并找到当前最佳 x* ，
整理结果并且可视化。
图1 蝙蝠算法模块化示意图
1
假设搜索空间为 d 维，第 i 只蝙蝠在 t 时刻的位置为 ，速 度为 ，则在t+1 时刻的位置 和速度 更新式为
= +( － ) ⑴
= +( － ) ⑵
= + ⑶
其中: 、 和 分别表示第 i 只蝙蝠在当前时刻发出的声波的频率、声波频率的最大值和最小值; β∈［ 0，1］是随机产生的数; 表示当前全局最优解。
一旦从现有最优解集中选择一个解( 蝙蝠) ，这个解所在的新位置可通过式( 4)产生:
⑷
这可以被理解成局部搜索，即在选择的解临近区域产生一个新解。其中， 表示从当前最优解集中随机选择的一个解， 表示当前代蝙蝠种群响度的平均值 为属于[-1,1]的 d 维随机向量。
c)计算当前所有任务的优先权，并将任务按照优先权降序排列，对任务进行编码，根据式(2) 计算蝙蝠的飞行速度 vi，根据式(3) 更新蝙蝠的空间位置 xi。
d)产生随机数 β，如果 β ＞R( i) ，则从当前最佳解集中选 取一个解，在选择的最佳解附近形成一个局部解，通过随机飞行产生一个新解。
e)如果 β ＜R(i) 并且 f( xi) ＜ f( x* ) ，则接受这个新解，然 后增大R(i) ，缩小A(i) ，排列蝙蝠并找到当前最佳解 x* 。
a) 用户提交的任务在虚拟机上处理时需要被分解为多个子任务，每个子任务大致相等。
b) 子任务的处理远多于虚拟机的个数，即任务需要按照 一定的调度顺序逐个处理。
表1 表示的是虚拟机上的处理时间和处理成本。其中：
是用户提交任务的编号； 是任务处理虚拟机的编号；
time ( ， ) 是第 i 个用户任务在第j个虚拟机上进行计算处理所花费的时间；cost( ， )是第 i 个任务在第 j 个虚拟机上处理所花费的成本。
1) 所有蝙蝠粒子利用自身回声定位感知与目 标之间的距离，同时以一种神秘的方式辨别目标和背景障碍物的不同。
2) 蝙蝠的位置为 xi，以速度 vi 任意地飞行，以 固定的频率 fmin、可变的波长 和响度 A0 搜寻目标。 它们可以判断自己与猎物之间的距离并自动地调整脉冲的波长( 亦或频率) ，同时在接近目标时调整脉冲的频度 r∈［ 0， 1］。
1.2
蝙蝠粒子发射的脉冲频度R(i)和响度A(i)的更新要随着迭代的进行而进行。通常，在不断靠近最优解时，响度会逐渐降低，脉冲发射的速率会逐渐提高，A(i) = 0 时表明蝙蝠 i 正好搜索到一个最优解，不再发出探测信号。式( 5) ( 6) 为脉冲响度和发射速率的更新方程。
⑸
⑹
其中:0 ＜ ＜1， ＞0，均为常量。 蝙蝠算法中，脉冲频度增加系数 、脉冲音强衰减系数 对算法性能有重要影响。蝙蝠个体当前空间状态的改变方式 按照hm，BA) 是由剑桥大学的Yang于2010 年提出的一种模拟蝙蝠捕食过程中所采用的回声定位原理的启发式智能算法。与现在诸多优化算法类似，蝙蝠算法也是一种基于种群的随机优化算法，蝙蝠个体是蝙蝠算法的基本单元，在具体问题中赋以具体意义。