基于MPSO算法的云计算资源调度策略
云计算中资源调度算法的研究与优化
云计算中资源调度算法的研究与优化引言云计算作为一种新型的计算模式，已经成为了信息技术发展的重要驱动力。
云计算提供了资源共享、弹性扩展和灵活性等优势，使得用户可以根据需求动态获取所需资源，从而降低了成本，并提高了效率。
而资源调度算法作为云计算环境中的关键技术之一，对于实现高效利用和管理云计算资源具有重要意义。
本文将对云计算中资源调度算法的研究与优化进行探讨。
一、云计算中的资源调度算法概述云计算环境下的资源调度算法旨在实现对云计算资源的合理分配和调度，以满足用户的需求并提高系统的性能与效益。
主要包括任务调度算法和虚拟机调度算法两个方面。
1.任务调度算法任务调度算法是指将用户提交的任务分配到云计算集群中的虚拟机上执行的算法。
其目标是尽可能提高系统的吞吐量和用户的响应时间，并保证任务之间的负载均衡。
常见的任务调度算法有最短作业优先（SJF）、轮转调度（RR）和优先级调度等。
在实际应用中，可以根据任务的不同特性和需求选择不同的调度算法，以达到最佳的性能和效果。
2.虚拟机调度算法虚拟机调度算法是指将任务分配到云计算环境中的虚拟机上，以实现资源的合理利用和负载均衡。
其目标是使得所有虚拟机的负载尽可能均衡，并同时满足用户的资源需求。
常见的虚拟机调度算法有轮询调度算法、最小空闲时间优先算法和基于负载预测的调度算法等。
这些算法可以根据各自的特点进行选择和应用，以提高整个云计算系统的性能和资源利用率。
二、现有资源调度算法存在的问题在云计算环境中，资源调度算法面临着如下问题：1.负载不均衡：由于云计算环境中的虚拟机数量庞大且分布不均的特点，造成虚拟机之间的负载不均衡是一个十分常见的问题。
负载不均衡会导致部分虚拟机过载，而其他虚拟机处于空闲状态，从而降低了系统的整体性能和资源利用率。
2.任务响应时间长：任务调度算法对于用户感知的任务响应时间有直接影响。
如果任务调度算法不合理，可能导致任务响应时间较长，用户体验不佳。
特别是对于一些对实时性要求较高的应用，任务调度算法的设计更加具有挑战性。
模糊云资源调度的CMAPSO算法
模糊云资源调度的CMAPSO算法作者：李成严，宋月，马金涛来源：《哈尔滨理工大学学报》2022年第01期摘要：针对多目标云资源调度问题，以优化任务的总完成时间和总执行成本为目标，采用模糊数学的方法，建立了模糊云资源调度模型。
利用协方差矩阵能够解决非凸性问题的优势，采取协方差进化策略对种群进行初始化，并提出了一种混合智能优化算法CMAPSO算法（covariance matrix adaptation evolution strategy particle swarm optimization，CMAPSO ），并使用该算法对模糊云资源调度模型进行求解。
使用Cloudsim仿真平台随机生成云计算资源调度的数据，对CMAPSO算法进行测试，实验结果证明了CMAPSO算法对比PSO算法（particle wwarm optimization），在寻优能力方面提升28%，迭代次数相比提升20%，并且具有良好的负载均衡性能。
关键词：云计算;任务调度;粒子群算法; 协方差矩阵进化策略DOI：10.15938/j.jhust.2022.01.005中图分类号： TP399 文献标志码： A 文章编号： 1007-2683（2022）01-0031-09CMAPSO Algorithm for Fuzzy Cloud Resource SchedulingLI Chengyan，SONG Yue，MA Jintao（School of Computer Science and Technology， Harbin University of Science and Technology， Harbin 150080，China）Abstract：Aiming at the multiobjective cloud resource scheduling problem， with the goal of optimizing the total completion time and total execution cost of the task， a fuzzy cloud resource scheduling model is established using the method of fuzzy mathematics. Utilizing the advantage of the covariance matrix that can solve the nonconvexity problem， adopting the covariance evolution strategy to initialize the population， a hybrid intelligent optimization algorithm CMAPSO algorithm （covariance matrix adaptation evolution strategy particle swarm optimization，CMAPSO） is proposed to solve the fuzzy cloud resource scheduling model. The Cloudsim simulation platform was used to randomly generate cloud computing resource scheduling data， and the CMAPSO algorithm was tested. The experimental results showed that compared with the PSO algorithm （particle swarm optimization）， the optimization capability of CMAPSO algorithm is increased by 28%， the number of iterations of CMAPSO algorithm is increased by 20%， and it has good load balancing performance.Keywords：cloud computing; task scheduling; particle swarm algorithm; covariance matrix adaptation evolution strategy0引言云計算是一种商业计算的模型和服务模式[1]，而云计算资源调度的主要目的是将网络上的资源进行统一的管理和调式，再给予用户服务调用。
基于MPSO算法的云计算任务调度策略研究
致 谢论文即将完稿，我硕士研究生阶段也即将结束。
两年半的学习生活，我受益匪浅，对我以后工作奠定了扎实的基础，对我以后的人生必会起到重要作用。
其间，无数人给予我关怀和付出，谨借此机会对帮助、关心、激励我的人表示衷心的感谢。
首先我要衷心感谢导师刘万军教授对我的悉心培养和指导。
老师学识渊博，治学严谨，平易近人。
在学术上孜孜不倦、务实求真，处事上谦逊朴实、为人坦荡，在课题方向上思路明晰、高屋建瓴，这都对我产生了莫大影响。
在学习上，他教育我要勤于思考，善于发现，思想严谨，勤奋学习；在生活上老师也时刻关怀我的成长，在我遇到困难的时候，他能及时为我排忧解难、指明方向，他的和善、谆谆教诲让我更加成熟稳重；在毕业设计上，无论是论文选题、写作还是算法设计、验证，无不倾注了老师大量心血。
老师的专业素养和人格魅力是无数人所不能超越，他是我人生路上的榜样。
在此祝老师身体健康，万事如意！同时，我要对电信学院和软件学院的各位教授、老师表示诚挚的感谢，他们是一个非常优秀的教育团队。
正是他们严谨的教学态度、无私奉献的敬业精神和专业的科研水平让我在硕士研究生阶段获得了丰富的专业知识和宝贵的精神财富。
感谢实验室的师兄师姐师弟师妹们和班级的同学们，他们给了我无私的帮助和关怀。
正是和他们的相互学习和沟通，我在计算机理论和技术上有了飞速的进步。
感谢实习期间我的同事们，是他们的帮助，让我在短期内在技术上有了飞速的提升，在心理素质上抗压能力增强，在软件开发上有了良好的大局观。
在此，谢谢他们！我还要感谢我的父母和所有关心我的家人和朋友，感谢你们在我上学期间在生活和思想上给予的大力支持，你们的支持、理解、关心和鼓舞是我顺利毕业的最大精神动力。
在此，我要特别感谢你们！最后，衷心地感谢各位专家在百忙之中抽出宝贵的时间对本论文进行评阅!摘 要任务(作业)调度是云计算的关键技术之一。
本文重点研究了云任务调度策略，目标是降低应用程序的执行成本，提高云系统的执行效率。
文献综述
云计算调度策略的文献综述一：研究背景及意义随着互联网和IT技术的迅猛发展，信息与数据量快速增长，导致计算机的计算能力和数据处理能力满足不了人们的需求，网络资源的需求和利用出现了失衡的状态。
但是传统的计算模式，如分布式计算、并行计算，很难解决计算资源利用的不平衡问题。
一方面某些应用需要大量的计算资源和存储资源，另一方面互联网上存在着大量的没有得到充分利用而被闲置的资源。
因此，资源的整合和优化是网络发展的必然趋势，云计算被提了出来。
作为近几年来商业机构和科研机构研究的热点，云计算正广泛用于科学和工程等领域中。
一方面，高性能计算已经成为越来越多科学和工程实践的关键技术，超级计算机被用来研究复杂的现象，但是超级计算机的造价极高，只有某些国家级的部门才有能力配置这样的设备。
另一方面，某些应用对计算的要求非常高，即使是现在最大的超级计算机也无法提供它们所需的资源。
而云计算不仅为众多闲置的计算资源提供了一种有效地共享方式，使得分布式资源给应用程序的使用者带来了很多好处。
更多地，云计算是面向企业和个人的商业模式，可以为各种类型的用户提供服务，解决大型的计算问题，或者实现信息的存储等等，而且只需要在使用的时候进行付费即可，非常安全方便。
对于一些大型企业来说，为了实现大型的各种计算和应用，需要解决以下几个方面的问题。
(1)必须购置大量的服务器和终端设备，这需要大笔的资金。
(2)系统设备的升级以及维护问题。
在很多时候，这些设备都是闲置的，造成了大量资源的浪费。
(3)对于设备的使用和维护需要特定的技术人员，对这些人员的培训也需要花费大量的人力物力。
云计算可以有效地解决大型企业所面临的问题，并且可以帮助它们节省大量的资金。
对于一些小型的企业，微软大中华区总裁梁念坚在召开的2010中国信息产业经济年会上表示，云计算可以非常有效地支持中国中小企业的发展。
他指出，中国99%的企业都是中小企业，只有17%左右利用互联网，不到5%的企业用ERP，从这些数据看，云计算可以帮助中小企业的发展。
云计算平台的资源调度与管理策略
云计算平台的资源调度与管理策略在如今高度数字化和信息化的时代，云计算已经成为了企业中不可或缺的一部分。
云计算平台能够为企业提供高效、可靠且灵活的计算资源，然而，如何进行有效的资源调度与管理，以最大化云计算平台的利用率和性能，是云计算平台管理者亟待解决的问题。
本文将探讨云计算平台的资源调度与管理策略。
一. 资源调度算法资源调度是指将云计算平台中的虚拟机实例分配到物理主机上，以满足用户的需求，并确保资源利用率最佳。
以下是一些常用的资源调度算法：1. 最佳适应算法最佳适应算法通过评估每个物理主机的可用资源，并将虚拟机实例分配到最满足需求的主机上。
该算法的优点是可以最大程度地减少资源浪费，但缺点是运算量较大，不适用于大规模云计算平台。
2. 最近使用优先算法最近使用优先算法根据虚拟机实例最近的使用情况，将其分配到最近使用的物理主机上。
该算法的优点是可以减少通信开销和数据传输时间，缺点是可能导致物理主机资源利用不均衡。
3. 负载均衡算法负载均衡算法通过分析物理主机的负载情况，将虚拟机实例分配到负载较轻的主机上，以实现资源平衡。
该算法的优点是可以提高整体性能和可靠性，缺点是需要频繁地监测主机负载情况，增加了系统开销。
二. 资源管理策略资源管理是指对云计算平台中的资源进行有效的分配和管理，以提高系统性能和用户体验。
以下是一些常用的资源管理策略：1. 资源分级管理资源分级管理是指根据云计算平台中各个层次的资源特点和需求，将资源进行分类和管理。
例如，可以将计算资源、存储资源和网络资源分别进行管理，以提高资源的利用效率和分配公平性。
2. 自动化管理自动化管理是指通过引入自动化工具和技术，对云计算平台的资源进行智能化和自动化的管理。
例如，可以利用自动化工具实现资源的动态伸缩和弹性调度，以适应不同的负载变化。
3. 故障监测和恢复故障监测和恢复是指对云计算平台中的故障进行实时监测和快速响应，以确保系统可靠性和数据完整性。
例如，可以通过实时监控系统的各项指标，及时发现故障，并采取相应的恢复措施，以保证用户的正常使用。
基于MPSO算法的云计算资源调度策略
ｅｆｆｅｃｔｉｖｅ，ａｎｄ ｔｈｅ ｏｐｅｒａｔｉｏｎ ｅｆｆｉｃｉｅｎｃｙ ｉｓ ｈｉｇｈ．
［Ｋｅｙ ｗｏｒｄｓｌ ｃｌｏｕｄ ｃｏｍｐｕｔｉｎｇ；Ｐａｒｔｉｃｌｅ Ｓｗａｒｍ Ｏｐｔｉｍｉｚａｔｉｏｎ（ＰＳＯ）ａｌｇｏｒｉｔｈｍ；ｒｅｓｏｕｒｃｅ ｓｃｈｅｄｕｌｅ；ＣｌｏｕｄＳｉｍ ｐｌａｔｆｏｒｍ
ｓｃｈｅｄｕｌｅ ｓｔｒａｔｅｇｙ ｂａｓｅｄ
ｔｏ
Ｍｏｄｉｆｉｅｄ Ｐａｒｔｉｃｌｅ Ｓｗａｒｍ Ｏｐｔｉｍｉｚａｔｉｏｎ（ＭＰＳＯ）ａｌｇｏｒｉｔｈｍ．Ｉｎ ｏｒｄｅｒ
ｃｏｎｔｒｏｌ ｔｈｅ ｇｌｏｂａｌ ｓｅａｒｃｈ
ｅｆｆｅｃｔｉｖｅｌｙ，ａｎｄ
ｔｏ
ａｖｏｉｄ ｆａｌｌｉｎｇ
ｉｎｔｏ
ｌｏｃａｌ ｏｐｔｉｍａｌ，ｉｔ ｉｎｔｒｏｄｕｃｅｓ ｄｙｎａｍｉｃ ｍｕｌｔｉ—ｇｒｏｕｐ ｃｏｌｌａｂｏｒａｔｉｏｎ ａｎｄ ｔｈｅ ｒｅｖｅｒｓｅ ｏｆ ｔｈｅ ｆｌｉｇｈｔ ｏｆ
化算法；张孟华、郭文越，硕士研究生 收稿日期：２０１０－１１－１２
Ｅ－ｍａｉｌ：ｍｅｎｇｈｚｈ２００８＠１６３．ｃｏｍ
作者骱：刘万军（１９５９－－），男，教授，主研方向：云计算，智能优
万方数据
计算机工程 匀分布在（０，１）区间的随机数。 式（１）、式（２）包含：（１）粒子对先前速度的继承，属于“继 承”部分；（２）粒子对本身的考虑，属于“认知”部分； （３）“社会”部分，粒子问的信息共享与相互合作。
ＩＩ转移到主群的最优值
ｖ＝ｏｐｔｉｍａｌ—．ｓｏｌｕｔｉｏｎ（ｖ）；ｘ＝ｏｐｔｉｍａｌ—．ｓｏｌｕｔｉｏｎ（ｘ）；
／／遍历主群粒子的操作
ｆｏｒ ｅｖｅｒｙ ｐａｒｔｉｃｌｅ ｉｎ ｍａｓｔｅｒ ｓｗａｒｍ
ｆｏｒ ｄ ｉｎ ｄｉｍｅｎｓｉｏｎｓ
云计算中的资源调度策略综述
云计算中的资源调度策略综述云计算作为一种新兴的计算模式，已经在各个行业中广泛应用。
在云计算环境下，资源调度策略起着至关重要的作用，能够有效地优化资源利用，提高系统性能，降低能源消耗。
本文将对云计算中的资源调度策略进行综述，包括静态调度策略和动态调度策略两个方面。
静态调度策略是在任务刚开始执行之前就确定分配到各个可用资源的策略。
静态调度策略通常基于用户需求或者任务的特征来进行决策。
其中的一个常用策略是基于优先级的调度策略。
该策略根据任务的优先级将资源分配给不同的任务。
优先级可以根据任务的重要性、紧急程度或者其他标准来确定。
另外一个常用的策略是基于负载均衡的调度策略。
该策略通过动态地调整资源的分配，使得各个资源之间的负载保持均衡，避免资源利用率过高或者过低。
动态调度策略是在任务执行过程中根据当前系统状态和任务需求来调整资源分配的策略。
动态调度策略主要包括任务迁移和资源队列管理两个方面。
任务迁移是指将正在执行的任务从一个资源节点迁移到另一个资源节点的过程。
任务迁移可以根据资源利用率、网络延迟等因素进行调度决策，以优化系统的性能。
资源队列管理是指对任务的排队和调度，以保证每个任务都能够得到相应的资源。
常见的资源队列管理策略包括先来先服务（FCFS）、最短作业优先（SJF）、最高响应比优先（HRRN）等。
除了静态调度策略和动态调度策略之外，还有一些特殊的资源调度策略被广泛应用于云计算中。
其中之一是基于能耗的资源调度策略。
该策略通过动态地调整资源分配，以降低系统的能源消耗。
常见的能耗调度策略包括最小化能耗（MEC）、节能型任务调度（ETS）等。
另外一个特殊的资源调度策略是基于容错性的资源调度策略。
该策略通过在不同的资源节点之间备份任务，以增强系统的可靠性。
容错性调度策略常用的方法包括冗余调度（RD）、复制调度（CD）等。
综上所述，云计算中的资源调度策略对于提高系统性能、优化资源利用具有重要意义。
静态调度策略和动态调度策略是两个主要的调度策略。
云计算下的资源调度及优化策略
云计算下的资源调度及优化策略一、云计算资源调度基础云计算是一种分布式、网络化的计算模式，具有灵活、高效的特点，资源调度是其关键技术之一。
云计算资源调度可以分为静态资源调度和动态资源调度两部分，静态资源调度是指在云计算系统启动前对资源进行规划、组织与部署的过程，动态资源调度则是系统运行过程中的资源优化和调整。
云计算环境下的资源调度要解决的问题包括：如何保证用户的服务质量和数据的安全性以及如何优化资源使用效率。
二、云计算下的资源调度策略（一）静态资源调度策略1.负载均衡策略负载均衡策略是指将用户请求分散到系统中的不同节点上，使得每个节点的处理压力相对均衡。
使用该策略可以有效缓解系统的压力，提高系统的吞吐量。
2.数据备份策略数据备份策略是指对系统中的重要数据进行备份，保障系统的数据安全性。
备份的数据可以被存储在不同节点上，以保证在数据出现问题时可以及时恢复。
3.架构设计策略云计算系统的架构设计是静态资源调度中的一项关键任务。
良好的架构设计可以提升系统的性能和稳定性、降低系统的维护成本。
目前，云计算系统中常用的架构模式包括中心化架构模式、分布式架构模式等。
（二）动态资源调度策略1.任务预测策略任务预测策略是指通过对云计算中的任务进行预测，从而对系统中的资源进行调度。
预测可以基于历史数据，也可以基于类似任务的运行情况。
2.自适应调度策略自适应调度策略是指根据实时的系统负载情况，在保证质量和稳定性的前提下自动调整资源的使用。
例如，在系统负载高峰期采用动态调整资源分配的策略，调整分配的资源数量。
3.能源节约策略能源节约策略是在保障系统正常运行的前提下，尽量减少系统的能源耗费。
例如在一些任务完成后自动关闭闲置的节点，或将节点的负载尽量平均分配以充分利用资源。
三、总结云计算下的资源调度及优化策略是保障云计算稳定、高效运行的关键技术。
静态资源调度策略负责对系统进行规划、组织、部署等任务，动态资源调度策略则解决系统中在运行时对资源的优化和调整。
- 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)。
式（） １ 、式（） ２包含：１ 子对 先前速度 的继承 ，属于 “ （粒 ） 继 承 ” 部分 ；（ 粒 子 对本 身 的考 虑 ，属于 “ ２ ） 认知 ” 部分 ； （）“ ３ 社会”部分 ，粒子 间的信息共享与相互合作 。
４ 基于 ＭＰ Ｏ算法 的云计算资源调度策略 Ｓ
Ｐ Ｏ算法优点很多 ，但是 由于 算法 随机性很大 ，仍有很 Ｓ 多不完善的地 方。本文主要从动态多群体协作和变异粒子逆
２ 云计算技术
云计算作为一种新兴 的并行 计算技术 ，是分布式处理、 并行处理、 网格计算 的发展和延伸 ，是这 些计 算机科 学概念 的商业实现 Ｊ ，适合 当今 巨型信 息化处理需求 。云计算提供 了更可靠 、更 安全 的存储 和计算数据能力、简化计算交付、
降低成本 、具有更高 的扩展性 和灵活性。云计算采 用计时付
ｍｕａｉｎｐ ｒ ｃｅ ｏｔｅ Ｐ ｒ ｃｅＳ ｒ Ｏｐｉ ｚ ｔ ｎＰ Ｏ）ａ ｏ ｉ ｍ． ｘｅ ｄｎ ｅｃｏ ｄｃ ｍｐ ｔ ｇ ｅ ｌｔｒ ｏ ｄ ｉ ｐａｆ ｒ ｔ ｓ ｔｅ ｔ ｏ ａｔ ｌｓ ａ ｔ ｌ ｗａｍ ｔ ｔ ｉ ｔｈ ｉ ｍｉａ ｏ （ Ｓ ｌ ｒ ｉ ｇ ｔ ｈ Ｂｙｅ ｔ ｉｇｔ ｌ ｕ ｏ ｕ ｎ ｍｕａｏ ｕ Ｓｍ ｌｔ ｍ ｔ ｔ ｎ ｈ ｉ Ｃｌ ｏ ｏｅ ｈ
经 过先前的大量研究实验 ，专家建议 采用从 ０ ． ９线性递减
到０ ． ４的策 略，如下 ：
ｔ
＝
ｄ ｌ（ ｌ ｔ ＋ＣＦ×（ ｇ 一． ） ＋Ｃｒ Ｐｄ一玉 ） ２ ｌ ｄ ２ ｐｔ ｄ
（） １
（） ２
＝
ｔ＋
其中 ，１ ≤ｄ≤Ｄ ，１ ≤Ｍ ，Ｄ是搜索 空间的维数 ， 肘 是 ≤ｉ
避免 所有同一 资源 的请求者聚集于某一服务器而造成 负载 失 衡 。改进算法的流程如图 ２所示 。
４１ 改进 的粒子群优化算法 ． 对于每个资源请求者 ，云环境服务集群必须推荐 出一个 较优的资源 。采 用动态 多群体协作 算法 ，次群侧重于全局搜 索 ，主群侧重于 局部搜索。每一代 ，所有子群都把最优的个 体信息传递给主群 ，主群从中挑选最优子群 个体进行进化 。 算法中主一 体结构如 图 １ 次群 所示 。
ａ ｄ ｌｃ ｌｓａｃ ｆｅ ｔ ｅｙ ａ ｄ ｔ ｖ ｉ ａｌ ｇ ｉｔ ｏ ａ ｐｉ ｌ ｉ ｉｔｏ ｕ ｅ ｙ ａ ｉ ｌｉ ｒ ｕ ｏｌｂ ｒｔｏ ｄｔｅｒ ｖ ｒｅｏ ｅｆｉｈ ｆ ｎ ｏ ａ ｅ ｈ ｅｆｃ ｖ ｌ， ｎ ｏａ ｏｄｆ ｌｎ ｎ ｏｌｃ ｏ ｔｍａ，ｔ ｎｒ ｄ ｃ ｓｄ ｎ ｍ ｃｍｕｔ— ｏ ｐ ｃ ｌａ ｏ ａｉｎａ ｅ ｅｓ ｆｔ ｇ ｔｏ ｒ ｉ ｉ ｌ ｇ ｎ ｈ ｈ ｌ
刻粒子 本身的最优位置 的第 ｄ 维变量 ；ｐ 是第 ｔ 时刻粒子
群 全局最优位置 的第 ｄ维变量 ；Ｃ， １Ｃ是学 习因子 ；‘ ｒ是均 ， ２
基 金项 目： 宁省教 育厅基金资助项 目（ ０ Ａ ５ ） 辽 ２ ９ ３０ ０
作者倚 介 ： 刘万军（９９ ） ， １５ － ，男 教授 ， 研方向：云计算 ， 主 智能优
中 分 号 Ｔ３ 图 类 ： Ｐ１ １
基 于 ＭＰ Ｏ 算 法的云计算 资源调度 策略 Ｓ
刘 万军 ，张孟华 ，郭文越
（ 辽宁工程技术 大学 ａ 软件学院 ； ． ． ｂ 电子 与信息工程 学院 ，辽宁 葫 芦岛 １ ５ ０ ） ２ ５ １
摘
要 ：针对云计算服务集群资源调度和 负载平衡 的优化问题 ， 出一种基于 改进 的粒 子群 优化算法的云计算资源 调度策 略。将动态多群 提
［ ｙｗｏ ｄ ］ｃｏ ｄｃ ｍｐ ｔ ｇ Ｐ ｒｃｅＳ ｒ Ｏｐｉ ｚｔ ｎＰ Ｏ） ｌｏｉ ｍ；ｅｏｒｅｓｈ ｄ ｌ； ｌｕ Ｓｍ ｌｔ ｒ Ｋｅ ｒ ｓ ｌｕ ｏ ｕ ｎ ； ａｔ ｌ ｗａｍ ｔ ａ ｏ （Ｓ ａｇｒ ｈ ｒｓｕｃ ｃｅｕｅ Ｃｏ ｄ ｉ ｐａ ｏｍ ｉ ｉ ｍｉ ｉ ｔ ｆ
化 算法 ；张盂华 、郭文越 ，硕 士研究生
收穑 日期 ：２ １—１ ２ ０１— １
Ｅｍａ ￣ ｎｈｈ０８ ６ ． ｍ － ｉ ｍｅｇｚ２０ ＠１３ ｏ ｌ ｃ
计
算
机
工
程
２ １ 年 ６月 ５日 ０１
匀分布在（， 区间的随机数 。 ０１ ）
其 中，国∈【． ０ 】 － ．； ＝０ ０ ，． ； － ４ ４ ９ ０ ． ９；Ｔ是最大迭代 次数 ； ｔ 当前迭代次数。 是 产生下一代主群和 次群粒子 的搜索速度、当前位置、最 优位置和全局最优位置 ，然后产生变异粒子 ，变 异粒子个数 由随机数产 生，产 生随机数通过 “ｉｔＭａｈｒｎ ｏ ）１） （ ） ｔ． ｄ ｍ（ ０” ｎ（ ａ Ｊｖ 代码 实现 。变异粒子执行 式（） ａａ ５和式（） ６，改变方向逆 向飞 行 ，然后更新整体信息量 ，如果未达到最优解或未达 到迭代 次数 ，则继续迭代 。为保证资源分配时负载平衡 ，变 异粒子 逆 向飞行 时， 给它加上一个权 重因子， 量各资源负载情况 ， 衡
定的资源使 用规 则，在不 同的资源使 用者之 间进行的资源调 整 过程。 目前的资源 调度策 略大多数是通过虚拟机级别上 的 调度技 术结合一 定的调度策 略来为虚拟机 内部应用做资源调 度 ，并且调度算法过于 简单 ，判断需要进行推测执行的任 Ｊ 务的算法造 成过多任 务需要推测执行 ，降低 了整个任务 的性 能 。所以在虚拟机级别 上采 用什 么算法实现资源调度是 目 】 前待解决 的一个难题 。
ｃｏ ｄｃ ｍｐ ｔ ｇｒｓ ｕ ｃ ｈ ｄ ｌ ｓ ａ ｇ ａ ｅ ｎＭｏ ｉ ｅ ａｔ ｌ ｗａｍ ｔ ｚ ｔ ｎＭＰ Ｏ） ｌ ｏｉ ｍ． ｎｏ ｄ ｒ ｏｃ ｎｒ ｌｈ ｌｂ ａｃ ｌｕ ｏ ｕ ｎ ｏ ｒ ｅ ｃ ｅ ｕｅ ｔ ｔ ｙｂ ｓｄ ｏ ｄｆ ｄＰ ｒ ｃｅＳ ｒ Ｏｐｉ ａ ｏ （ Ｓ ａｇ ｒ ｈ Ｉ ｒ ｅ ｏ ｔ ｅｇｏ ａ ｓ ｒ ｈ ｉ ｅ ｓ ｒｅ ｉ ｉ ｍｉ ｉ ｔ ｔ ｏｔ ｌ ｅ
资源 ，并且能尽量避免资源调度负载失衡 。
过 大量 的实验研 究，证实 了群体 中个体之 间信息 的社会共享 有助于 整体进化 ，这是开发 Ｐ Ｏ算法 核心思想 。标准 的粒 Ｓ 子群算法通 过惯性权重 来协调 Ｐ Ｏ 算法 的全局和局部寻 Ｓ
优能力 ， 过大 有利于全局寻优 ， 过小则有利于 局部寻优 ，
［ ｓ ａ ｔ ｍｉｇａ ｅｏ ｔ ｚｔ ｎ ｒｂｅ ｏ ｅｃ ｕ ｏ ｕ ｎ ’ ｓｒｉｅｃ ｓｅ ｓｕｃ ｈｄ ｌ ｎ ａ ｉｇｂｌ ｃ，ｈｓ ａｅ ｒｓｎｓ Ａｂ ｔ ｃ］Ａｉ ｎ ｔｈ ｐｉ ａｏ ｏ ｌｍ ｆｈ ｏ ｄｃｍｐ ｔ ｇＳ ｅｖｃ ｌ ｔ ｒ ｏ ｒｅｓ ｅｕｅ ｄｌ ｄｎ ａａ ｅ ｔｉ ｐｐ ｒ ｅｅｔ ｒ ｔ ｍｉ ｉ ｐ ｔ ｌ ｉ ｕ ｒｅ ｃ ａ ｏ ｎ ｐ
ｚｔ ｎ Ｓ ） 法 是一 种 模 拟鸟 群 觅 食行 为 的 演化 计 算 算 ａ ｏ ，Ｐ Ｏ 算 ｉ 法…。因其 结构简单、参数少、易实现 ，所以受到广泛重视 并被应用到 了许多 自然科学和工程科 学领 域。但对于存在较 多局部极值 的搜索空 间，它很容易 陷入局部最 优，在进化 后 期收敛速度慢 、鲁棒性差 。本文从动态 多群体协作 和变 异粒 子逆 向飞行两方面对 Ｐ Ｏ算法加以改进 ， Ｓ 将改进的粒子群优
化技 术 范 畴从简 单的硬件抽象逐渐 发展 成为虚拟云操作系 统 ，云主 机 能够 大量 根据 用 户定 义 的服 务质 量（ ａｉ ｆ Ｑｕｌｙ ｏ ｔ Ｓ ｒｉ ， ｏ ） ｅｖｃ Ｑ Ｓ规范执行应 用程序 的 ＶＭｓ ｅ 并行分 享。 云计算资源调度指 的是在一 个特 定的云环境中 ，根据一
体协作和变异粒子逆 向飞行 思想引入到粒 子群 优化算法 中，从而控制全局搜索和局部搜索 ，尽量避免 陷入局部最优 。在 Ｃｏｄｉ 平台进 ｌ Ｓ ｕ ｍ
行模拟测试 ，结果表 明，该调 度策 略有效且执行效率较高 。
关健诃 ：云计算 ；粒子群优化算 法 ；资源 调度 ；Ｃｏｄ ｉ 平台 ｌ Ｓｍ ｕ
第３ ７卷 第 １ 期 １
、 ．７ ｂ１３
Ｎ Ｏ．１ １
计
算
机
工
程
２ １ 年 ６月 ０１
Ｊ ｅ ０１ｌ ｕｎ ２
Ｃｏ ｍｐｕ ｅ ｔ ｒＥｎｇ ｎ ｅ ｉ ｉ ｅ ｒｎｇ
・ 云计算专题 ・
文 编 ： ０＿３ ８ｏ１１０ ３ ０ 章 号 １ ０ ４ （１１ ｏ — ２ 文 标 码： ｏ＿ ２２ ）— ４ ＿ ＿ 献 识 Ａ
Ｃｌｕ ｍ ｐ ｔｎ ｓ ｕ ｃ ｃ ｅ ｕ ｅＳ ｒ ｔ ｇ ｏ ｄ Ｃｏ ｕ ｉ ｇＲｅ ｏ ｒ ｅＳ ｈ ｄ ｌ ｔａ ｅ ｙ Ｂａ ｅ ｎ Ｍ ＰＳ Ａｌｏ ｉｈ ｓ ｄ０ Ｏ ｇ ｒｔ ｍ
Ｌ Ｕ Ｗ ａ － ｎ， ＨＡＮ Ｍｅ ｇｈ ａ， Ｉ ｎｊ Ｚ ｕ Ｇ ｎ －ｕ ＧＵＯ Ｗ ｅ －ｕ ｎｙ ｅ
向飞行两方面进 行改进 。动态 多群体协作提高了算法 的收敛 速 度和求解精 度 ，变 异粒子逆 向飞行可 以一定程度上避免陷
入局部最优的风 险，维持和增加 了种群 的多样性 ，对 调节系 统的负载平衡 有一定帮助。基于这种改进粒子群优化算法 ， 云 计算服务集群 实现 资源 发现 、信息交互、次群推荐最优资 源到主群 、主群筛选全局最优、变异粒子逆 向飞行。
粒子群 内粒子 的个数 ； ＝（ ， ） ， …， 表示粒子 当前位 置 ；１＝（ Ｖ ， ）表示粒 子 的当前速度 ； ｔ是第 ｔ ； ， …， ｉ ｉ 时
费的形式 ，用户交付很低 的费 用，能得 到更优 质的服务 ；程
序员只需关注应 用程序 本身 ，关于集群 的处理 问题 ，则交 由 平 台处理 。云计算平 台按需进行 动态 地部署、配置、重新 配 置以及取消服 务等 。云计算重 要特 点之一是虚拟化 。虚拟 Ｊ
ｓ ｍｕ ａ ｉ ｎ ｔ ｅ ｕ ｔ ｈ ｗ ａ ｉ ｔ ｏ ｆｅ ｔ ｅ ａ ｄ ｔ ｅ ｏ ｅ ａ ｉ ｎ ｅ ｃ ｅ ｃ ｓｈ ｇ ． ｉ ｌ ｔ ， ｈｅｒ ｓ ｌｓｓ ｏ ｔ ｔ ｓｍｅ ｈ ｄ ｉ ｅ ｆ ｃ ｉ ， ｎ ｐ ｒ ｔ ｆ ｉ ｎ ｙ ｉ ｉ ｈ ｏ ｈ ｔ ｈ ｓ ｖ ｈ ｏ ｉ