基于蟻群算法的云計算資源調(diào)度分析

《基于蟻群算法的云計算資源調(diào)度分析》由會員上傳分享，免費在線閱讀，更多相關(guān)內(nèi)容在學術(shù)論文-天天文庫。

1、基于蟻群算法的云計算資源調(diào)度分析　　摘要當前，云計算資源調(diào)度中常用的算法包括遺傳算法、蟻群算法、粒子群算法以及綜合優(yōu)化算法等。不同算法所關(guān)注的角度存在一定的差異，遺傳算法和粒子群算法主要從資源調(diào)度的效率方面進行優(yōu)化，而蟻群算法則是從云計算資源調(diào)度的計算成本方面進行考慮。論文討論了基于優(yōu)化蟻群算法的云計算資源調(diào)度，在兼顧任務(wù)效率的基礎(chǔ)上，能夠進一步降低計算成本?！　　娟P(guān)鍵詞】云計算資源調(diào)度蟻群算法　　1云計算資源調(diào)度　　云計算資源調(diào)度主要是對某個時間點或者時間段內(nèi)如何向用戶進行資源分配的決策過程。資源是根據(jù)單個或者多個優(yōu)化目標進行

2、分配的，其中，目標包括了任務(wù)的效率、成本等方面的問題。云計算中的不同應(yīng)用程序所需要的資源不同，加上云計算本身的異構(gòu)性以及動態(tài)性的特點，導致云計算資源調(diào)度問題成為了一個非常復雜的多目標優(yōu)化問題。而作為良好的資源調(diào)度策略，不僅需要進一步提高計算的效率，同時還應(yīng)該控制調(diào)度成本，實現(xiàn)對資源的最大化利用。另外，云計算資源管理還需要利用有限的物理資源，為更多的用戶提供多樣化的服務(wù)，同時滿足不同類型用戶在計算效率、成本等服務(wù)質(zhì)量方面的差異化要求。2基于蟻群算法的云計算資源調(diào)度　　蟻群算法是以中用于尋求最優(yōu)解決方案的機率型技術(shù)，其最早是由Mar

3、coDorigo于1992年在其博士論文中引入，主要借鑒了螞蟻在尋找食物過程中發(fā)現(xiàn)路徑的行為。螞蟻在路徑上前進時能夠根據(jù)前面螞蟻所留下的分泌物選擇路徑，其選擇一條路徑的概率與該路徑上分泌物的強度成正比。因此，大量螞蟻構(gòu)成的群體行為實際上構(gòu)成了一種學習信息的反饋現(xiàn)象，即選擇某一條路徑的螞蟻越多，后面的螞蟻則繼續(xù)選擇該路徑的可能性更大。螞蟻個體之間通過這種信息尋求最短的目標路徑。在云計算環(huán)境下，可以將資源調(diào)度問題看作一個多項式復雜程度的非確定性問題。從解決這類問題的角度來看，蟻群優(yōu)化算法很適合解決資源調(diào)度的問題，傳統(tǒng)的蟻群算法通常只

4、能在效率和成本兼顧一面，對此本文提出了一種新的優(yōu)化蟻群算法?！　?.1算法設(shè)計　　建立子任務(wù)與虛擬節(jié)點分配矩陣X，定義節(jié)點Xij，其中i（1，2，…，n），j（1，2，…，m）為節(jié)點集合，構(gòu)成了一個沒有方向的完全圖G（V，E）。通過優(yōu)化蟻群算法能夠獲取一個適用于資源調(diào)度方案使F得值達到最小?！　?.1.1初始化信息素　　在初始化算法的階段，為了確保螞蟻能夠很好地進行路徑尋優(yōu)，需要?⑺?有路徑的信息素的初始值設(shè)置為最大，完成信息素的初始化?！　?.1.2路徑選擇　　在各個節(jié)點上都分布著若干只螞蟻進行最優(yōu)解的搜索，則第k只螞蟻在t時

5、刻選擇節(jié)點Xij的概率為：　　（1）　?。?）　　τij（t）代表了t時刻，螞蟻在Xij節(jié)點位置所殘留的信息素；φij（t）代表了螞蟻的啟發(fā)信息。α和β非別表示殘留信息素和啟發(fā)信息的相對重要性。tabk（k=1，2，L，m）代表第k只螞蟻行走的禁忌表，即不會選擇的路徑，如果t時刻，第k只螞蟻選擇節(jié)點Xij，則就會被加入到禁忌表中?！　?.1.3信息素更新　　在每次循環(huán)之后都需要對該次循環(huán)中的最優(yōu)解或者局部最優(yōu)解的信息素進行更新，從而確保找到全局最優(yōu)解能夠有更高的效率，按照下面的公式對信息素進行更新：　　（3）　?。?）　　其中，

6、Fbest就表示了全局最優(yōu)解的值，通過對信息素的更新，能夠進一步提高算法的效率，縮短計算所需要的時間。　　2.2算法流程　　根據(jù)上面的分析，確定了基于蟻群算法的云計算資源調(diào)度的具體流程：　　Step1：確定算法的適應(yīng)度函數(shù)；　　Step2：設(shè)置算法的各類指標參數(shù)和算法結(jié)束條件，參數(shù)需要確保合理性，以保證算法效率；　　Step3：設(shè)定完成之后初始化算法的信息素，并將螞蟻在各個節(jié)點進行隨機分布，進行路徑搜索；　　Step4：每次完成一輪搜索之后，從其中選擇當前的最優(yōu)解，然后更新信息素；　　Step5：繼續(xù)進行搜索，如果滿足之前設(shè)置的

7、結(jié)束條件，則確定當前獲取的最優(yōu)解為算法的全局最優(yōu)解，如果不滿足算法結(jié)束條件，則跳轉(zhuǎn)到Step4?！　?仿真分析　　為了對算法的可行性和有效性進行驗證，選擇CloudSim平臺對算法進行仿真分析。在實際仿真過程中，將初始條件c，d設(shè)置為0.5，其余參數(shù)的值設(shè)置為1，在仿真中采用50個虛擬機節(jié)點，50個任務(wù)，每個任務(wù)被分割為范圍為[10，60]的子任務(wù)，螞蟻群的規(guī)模設(shè)置為50，實驗循環(huán)次數(shù)為30次，實驗終止的條件為達到最大迭代次數(shù)。在完全相同的實驗條件下，采用本文所設(shè)計蟻群優(yōu)化算法和標準蟻群算法進行對比?！　⊥ㄟ^對實驗結(jié)果進行分析發(fā)

8、現(xiàn)，本文所設(shè)計的蟻群優(yōu)化算法能夠在總體完成時間較少的基礎(chǔ)上減低計算成本，而不是以犧牲計算成本來提高計算效率，或則以犧牲計算效率來降低計算成本。因此，本文所設(shè)計的蟻群優(yōu)化算法在云計算資源調(diào)度中能夠同時兼顧計算效率和計算成本，實現(xiàn)較好的資源調(diào)度效果?！　?結(jié)語　　由