1 引言

云计算是在并行、分布式计算，网格计算，Web 2.0基础之上发展而来的一种新型IT计算模式[1]，其本质是：通过网络将计算资源统一管理和调度，构成一个计算资源池向用户提供按需服务。如今，在大数据时代背景下，针对各行各业出现的实时大规模数据处理和弹性计算需求，云计算正发挥着其不可替代的作用。任务调度问题在传统的并行与分布式计算中是一个关键的NP (Non-deterministic Polynomial)问题[2]，在计算资源动态变化的云计算平台中，该问题同样存在且更具复杂性。随着各行业数据量的激增，云计算处理的任务数量和大小也在快速增长，如何快速地进行任务调度，为用户提供更好的用户体验，是云计算领域亟待解决的一个重要问题。

智能计算是一种新型的、寻优能力较强的计算模式，被用来解决各领域NP问题并卓有成效。近年来，研究者们利用智能算法来解决云计算环境下的任务调度问题并取得了丰硕的成果[3 - 9]。Abdulhamid等[3]运用LCA(League Championship Algorithm)算法在云计算IaaS(Infrastructure as a Service)下的任务调度问题中，求解以最小Makespan为目标函数问题。Tawfeek等[4]将ACO(Ant Colony Optimization)算法策略运用到云任务调度中，并在Cloudsim中与FCFS(First Come First Serve)、Round-Robin算法进行比较，结果表明ACO算法拥有较小的Makespan。

随着人们对于传统智能算法的进一步研究，该类算法的缺点开始显现，如：求解精度不高、收敛速度慢、易陷入局部最优解等。为更好地发挥该类算法优点，规避缺陷，许多研究者开始使用混合智能算法的策略来弥补单一智能算法的缺陷，这已经成为提高算法综合能力的重要途径之一。Abdullahi等[5]在SOS(Symbiotic Organisms Search)算法的基础之上混合SA(Simulated Annealing)算法改进了单一SOS算法的收敛速率和解质量，算法在云环境下运行，以收敛速度、响应时间、Makespan为目标函数，实验结果表明该算法优于单一的SOS算法。Shia等[6]利用GA(Genetic Algorithm)全局搜索优势和PSO(Particle Swarm Optimization)算法快速收敛的特性，提出了一种新型的POS-GA算法，该算法在求解任务调度问题上也取得了较好的性能。

自Simon[7]提出生物地理学BBO(Biogeography-Based Optimization)算法以来，该算法受到了很多研究者的关注，因其优秀的寻优能力被应用在医学、电力、函数优化等各个方面，经过深入研究，研究者们提出了多种BBO算法混合策略。Savsani等[8]用两种方式在BBO算法基础上混合了AIA(Artificial Immune Algorithm)和ACO算法，结果显示，该方法是一种有效的混合算法。Herbadji等[9]将DE(Differential Evolution)算法与BBO相结合，充分发挥DE算法的全局搜索能力，尝试解决因陷入局部最优解而造成较大时间损耗的电力问题。

本文使用一种新型的混合策略HMBBO(Hybrid Migrating Biogeography-Based Optimization)算法来求解云计算中任务调度问题。在HMBBO中，引入粒子群算法PSO[10]迁移策略来加速收敛，最后，在竞争策略下运用双方迁移的判断条件实现较优迁移。本文在云仿真平台Cloudsim中使用嵌入HMBBO算法模块，并使用经典的启发式算法BBO、GA[11]、PSO作为比较，实验结果表明，HMBBO算法具有较优的结果和较好的延展性和适应性。

2 智能算法和任务调度模型

2.1 智能算法

智能算法是一种新型的计算架构，拥有较强的寻优能力，被用来解决各领域NP问题。遗传算法是研究者最为熟知的智能算法，它是由Holland在1975年提出的，算法通过模拟自然界生物进化过程产生最优解。遗传算法拥有良好的全局寻优能力，实施简单，可塑性强，被研究者们运用到各个领域。

粒子群算法是由Kennedy和Eberhart博士提出的一种基于模拟鸟群觅食过程的算法，算法因收敛性好、实现容易而被运用到科学计算中。

生物地理学算法是由Simon提出的一种模拟生物在栖息地之间迁移过程的算法，栖息地迁移过程如图1所示。通过研究发现，BBO算法与PSO算法在求解问题的思路上具有一定的相似性，但该算法不同于GA算法。BBO算法可以通过调整种群数量来引导栖息地进行不同程度的寻优，是一种优秀的智能算法。

  

Figure 1 Structure model of group organizations图1 群体组织结构模型

2.2 任务调度模型

在云计算中，用户将任务提交到云平台请求处理，云平台按照一定的分配策略将这些任务分配到云结点上进行处理。因此，采用的策略对于任务的完成时间至关重要。具体而言，任务调度问题分为静态调度和动态调度两种形式。在本文中，任务调度形式采用静态调度[12]。所谓静态调度，就是在调度前已经知晓任务数量、各个任务长度以及虚拟机数量和处理能力，在以满足服务质量QoS (Quality of Service)标准的限制之下(通常包括最大完成时间 (Makespan)、任务总完成时间 (Flowtime)、响应时间 (Response Time)等)，将任务如何最优地分配到云结点上。所谓动态调度，就是在云计算环境下，任务动态地来到数据中心，数据中心根据实时的处理环境更新分配调度策略，再分配到云结点的过程。云计算环境下的调度模型如图2所示。

  

Figure 2 Task scheduling model in cloud computing图2 云计算任务调度模型

3 实验平台与问题描述

3.1 实验平台

Cloudsim [13,14]云仿真平台是由澳大利亚墨尔本大学Buyya教授团队研发的一款可以在Java编程环境下模拟真实云计算基础设施和管理服务的开源项目[15]，平台结构关系图如图3所示。采用仿真平台模拟真实云计算场景，不仅可以节约成本、资源，而且还可反复调试，节省资金。在本文中，运用Cloudsim进行以最小完成时间 (Makespan)为目标函数的云计算任务调度模拟实验。

在目前的token 验证方式中，越来越多的是使用JWT 验证，它基于JSON 格式数据并采用加密算法进行签名。由于JWT 是带签名的token，其携带数据在一定程度上可以作为可信来源[2]，服务器对于用户信息不经常修改且需要多次查询的部分内容放入JWT 的载荷中，可以降低对该部分数据库的查询频率，减少网络中流量碎片。而对于角色权限验证，传统的方式多为与用户验证分离，往往是通过用户ID 去查表得到用户角色，再根据用户角色查表得到操作权限。顺应RESTful 以资源为主的理念，本文对RESTful API 的设计中嵌入权限访问控制，利用JWT 携带权限信息实现用户的权限验证。

  

Figure 3 Structure diagram of Cloudsim图3 Cloudsim结构关系图

3.2 问题描述

云计算任务调度中，用户提交的任务通过云计算服务提供商高速分配到结点上进行处理，每个结点由虚拟化的具有不同处理能力的硬件资源构成，这些资源组成了资源池，资源池是云计算中的关键技术[16]。Cloudsim中，每个云处理结点代表具有不同处理能力的虚拟机，本文用B表示任务集合：

B={b1,b2,b3,…,bn}

(1)

虚拟机集合V表示为：

V={v1,v2,v3,…,vm}

(2)

用户提交不同长度任务，用集合L表示每个任务对应的长度：

L={l1,l2,l3,…,ln}

(3)

在Cloudsim中，每个虚拟机具有不同的处理速度，用集合D表示，速度单位为每秒百万条指令MIPS (Million Instructions Per Second)：

D={d1,d2,d3,…,dm}

(4)

本文用公式表示任务i在虚拟机j上的运行时间：

 

(5)

为了进一步清楚地表示每个虚拟机花费的总时间，并计算出任务和虚拟机之间的约束关系，本文采用文献[17]定义的0、1二维矩阵的方法：1表示任务i分配到虚拟机j，约束条件满足一个任务只能在一个虚拟机上处理：

污水换热器换热过程：换热器的一次侧，来自污水主干渠的15℃污水，通过重力作用进入水泵池进行收集。通过污水泵提供机械循环动力，污水进入污水换热器进行换热后，返回污水主干渠。换热器的二次侧，污水换热器启到水源隔离的作用，把二次侧的干净水提升到13℃，进入热泵进行换热。污水换热器的换热效率在90%以上。

A=ai,j(i=1,2,…,n;j=1,2,…,m)

(6)

∀j

(7)

虚拟机处理器采用任务间空间共享策略，即每个虚拟机执行完一个任务后再执行下一个。那么一个虚拟机完成所分配任务的总时间T可以用公式(8)表示：

 

(8)

在并行系统中，所有任务同时处理，这样对于所有的虚拟机，任务最终的完成时间Makespan可以表示为：

 

(9)

PSO算法拥有着收敛速度快的特点，并且在算法形式上与BBO算法相类似，因此将这种特性运用在BBO算法迁移当中来加速BBO算法的收敛速度是可行的。具体而言，在Simon描述的栖息地中，每个栖息地都是目标函数的一组解向量SIV (Suitability Index Variable)，每一组解由单个解SIVS (Suitability Index Variables) 组成。这种解的形式放在云计算任务调度问题中，就组成了一组虚拟机的排列组合的形式。同样地，在PSO粒子群算法描述中，每个粒子都是一组解向量，粒子在飞行的途中交换信息，这与生物地理学算法中的栖息地概念相契合。通过这种方式，本文将栖息地和粒子模型统一化成一种模型。

在周末，我喝下了这瓶药水。突然眼前一黑，我昏了过去，醒来后，发现周围洁白宁静，我应该是在医院里。这时，门被推开了，一位打扮得像护士似的机器人走了过来，说：“你出门为什么不戴氧气面罩？要不是急救车去得及时，你就死了！”“为什么出门要戴氧气面罩？”我脸上写满了疑惑。它结巴地说：“什……什么？你……你是外星人！”它一边说一边准备按警铃。我急忙阻止，说道：“我不是外星人，是从三千年前穿越而来的地球人。”它这才松了一口气。

OBJECT:F=min Makespan

s.t. aij∈{0,1};i=1,2,…,n;j=1,2,…,m;

∀j

(10)

4 算法实现与分析

4.1 BBO算法

BBO算法在具体实现过程中可以分为：迁移、突变、去重三个部分。好的栖息地拥有较高种群多样性指数HSI (Habitat Suitability Index)。换而言之，该栖息地有更好的生存适应度。根据生物地理学的相关知识，较优的栖息地拥有大的竞争力和拥挤的地盘，这样当种群数量增大时，迁入概率λ变小，迁出概率μ变大。算法抽象出生物种群多样性S作为各个栖息地迁入迁出的概率计算依据。对于种群数量为k的栖息地来说，其迁入、迁出概率分别如式(11)、式(12)所示：

 

(11)

 

(12)

其中，I为最大迁入概率，E为最大迁出概率，栖息地所能承受的最大种群数量为Smax，S0为种群数量平衡点，在这一点迁入与迁出概率相同。迁入、迁出概率模型如图4所示。

  

Figure 4 Probability model of emigration and immigration图4 迁入、迁出概率模型

在实际任务调度算法中，栖息地任务调度模型如图5所示，在本实验中采用实数编码的方式对模型进行编码，这样的一组由虚拟机编号组成的解必须满足以下两个条件：

(1)任意一个任务只能选择一个虚拟机。

(2)每个虚拟机处理的任务数不定。

  

Figure 5 Habitat migration model in cloud图5 栖息地迁移云模型

在突变算子中，通过一定概率(线性)的突变操作，模拟栖息地因自然灾害造成栖息地变化。为了更好地寻优，Simon将突变概率设计成与该栖息地的种群数量S成负相关。拥有种群数量为S的栖息地的突变概率m可表示为：

 

(13)

其中，mmax为用户设置的最大突变概率， PS、Pmax分别表示栖息地拥有种群数量为 时的概率和最大种群数量的概率。

从实验结果上可以得知，BBO是一种优秀的智能算法，适用于云环境下的任务调度问题。但是，为了得到更优的解，并尝试在收敛速度上有更好的表现，尤其是改进较大任务集中的收敛速度，基于这种思想，本文提出一种混合PSO粒子飞行策略的HMBBO算法。

4.2 BBO算法实现与实验

标准BBO算法的步骤可以描述如下：

BBO算法步骤：

Step 1 初始化栖息地；

Step 2 随机产生种群作为目标问题的备选解；

Step 3 根据产生的种群，计算每个栖息地的Makespan并根据大小进行排序，根据排序依次递减赋予种群数量作为栖息地的适应度，再根据式(11)、式(12)计算每个栖息地的迁入、迁出概率，并输出第一代结果；

Step 4 判断算法终止条件，若满足则转向Step 9；

根据我国冷鲜肉行业标准，要求可食用冷鲜肉菌落总数≤1×106(CFU/g)。从表2中可知，样品的初始菌落数为0.006×104(CFU/g)。羊肉贮藏过程中，各处理组菌落总数均随时间的延长而上升。

Step 5 更新栖息地适应度，栖息地迁入、迁出概率，并根据每个栖息地迁入、迁出概率，施行迁移操作；

Step 6 按照预设最大变异概率，运用式(13)计算出的每个栖息地突变概率，进行突变操作；

Step 7 遍历栖息地，进行去重操作；

第一步，风险界定。参照5M因素模型中的任务项要求，将信号系统按照功能划分成若干有限的、范围确定的评估对象，如列车控制、计算机联锁、ATS、微机监测、计算机网络、通信设备、供电设备等。

Step 8 转到Step 4；

Step 9 输出最优栖息地，算法结束。

情感促动，贯穿于一个人的整个美术教育过程，不是某一个时期、某一个阶段的产物，它对于一个孩子审美观及创作能力的形成起着举足轻重的作用，这也是素质教育对美术教学的要求。

本实验以最大完成时间Makespan和收敛性为目标进行比对实验，实验数据源均通过系统自动生成。为利于表达，数据测试集表示成[虚拟机数量，任务数]。实验分别测试了[5，50]，[20，100]，[50，500]，[100，1000]，[500，5000]5组由无序随机数生成的实验数据集，每组数据分别运行10次，最终结果取平均值得到，进化代数为2 000代。作为对比实验的GA、PSO算法，它们的具体参数设置均采用在当前实验环境下的最优参数设置，各算法在该实验环境下的具体参数见表1～表4。

 

Table 1 Parameters of BBO表1 BBO参数设置

  

参数值种群数量50最大突变概率mmax0.1精英栖息地2最大迁入概率I1最大迁出概率E1

 

Table 2 Parameters of GA表2 GA参数设置

  

参数值交换类型单点种群数量50最大突变概率mmax0.01交叉概率1精英个体2

 

Table 3 Parameters of PSO表3 PSO参数设置

  

参数值种群数量50精英个体2速度权重ω0.2学习因子c10.9学习因子c20.9

Step 1 初始化栖息地、粒子参数；

 

Table 4 Parameters of Cloudsim表4 Cloudsim参数设置

  

参数值任务长度1000～20000/MIPS任务数量50～5000虚拟机数量5～500虚拟机处理速度50～5000/MIPS虚拟机RAM2048MB主机数量5～500数据中心个数1

4.3 实验结果分析

图6是算法在每种测试集下的Makespan结果。从图6可以得知，BBO在[50,500]的参数下具有更小的Makespan，但总体而言与GA持平。相反地，PSO由于过早地陷入局部最优解而得到了相对较坏的解，即Makespan较大。这是因为PSO算法拥有寻优路径上的记忆功能，从而将任务在开始的几代内快速地分配给处理速度大的虚拟机，从而陷入了局部最优。

位置更新公式：

  

Figure 6 Makespan of the three algorithms图6 三个算法的Makespan结果

  

Figure 7 Convergence rate under test set of [50,500]图7 测试集[50,500]下的收敛速度

职业倦怠作为目前困扰高校基层行政管理人员日常工作和生活的问题，已有学者从外部归因和内部归因对其展开分析，主要有以下几种解释：

4.4 HMBBO算法

1995年，Eberhart和Kennedy提出一种由鸟群觅食发展而来的寻优算法，PSO算法作为一种性能好、收敛速度快、带有记忆能力、参数设置简单的算法，被应用在各个领域，并取得了优异的成果。PSO算法中的粒子通过每代个体最优pbest和全局最优gbest解更新自身移动速度和位置，最终达到最优解。

将综合评价向量M与测度阀值U=(9,7,5,3,1)合成，得出工程测量实验室安全管理评价值，W=M·U=7.665.由表(2)可知，该工程测量实验室安全管理综合评价值为良好，但未达到优秀等级.

1.1 对象 选择2011年1—10月在我院或科室请求与接受应急人力调配的护理人员进行问卷调查。入组标准:①医院或科室提出应急人力请求;②提供增援的科室护士人力条件许可;③提供增援的科室护士自愿参加。

赵五娘是在受着公婆不应有的猜疑的情况下奉侍二老的。在“乱荒荒丰不稔的年岁”，衣食难继，赵五娘把淡饭供应二老，自己吞咽米皮糠。在这生死攸关的事情上，她毅然地挑选了自我克制、自我牺牲的道路。即使如此，她“也不敢教公公婆婆知道，怕她烦恼。奴家吃时，只得回避他。”这是一种自觉地体谅公婆的举动。这举动里面，充满了对公婆的关心、爱护和体贴。事情还不止于此。吃了米糠，换来的却是怀疑、猜忌、不被信任。在这种情况下，她依然如故地承担着这副难以承当的担子。

速度更新公式：

一连几天，表姐都是这样，身体裹得严严实实，等着李石磨先睡下。表姐也知道老这样不是长法，第六天晚上，她硬下心肠，先在屋里脱光衣服，洗干净自己，上床，做好一切准备。等到李石磨摸上来，表姐又情不自禁地抖起来。李石磨忍住，没再乱摸。他压抑着自己，紧紧地抱着表姐，语无伦次地表白起来。知道不，我老早就喜欢你了。你可能忘了，夏天割麦，你面前少的那几茬就是我偷偷帮你割的。你一个半大妮子，刚下学，看你累得直不起腰，我就替你难受。你傻，还大声嚷嚷，说咋割着割着就少了几茬？都知道我在你旁边，你一嚷整个杨湾还不都知道了？我只有嘿嘿地傻笑。那时候，我不敢想能跟你过成一家人，你有文化……

 

*

(14)

测试集收敛情况大都相同，这里列举测试集[50，500]参数下的收敛情况。从图7中可以得知三个算法的收敛速度，BBO、GA收敛速度基本持平，达到最终收敛都在100代以上。具体而言，BBO与GA在收敛趋势上有一交点，交点之前BBO总是先于GA达到收敛拐点，而后达到最终收敛。可以得知，BBO、GA在当前的运行环境下取得了相近的正常的收敛速度，PSO在开始几代就开始陷入局部最优，导致寻优结果变坏。

 

(15)

Step 4 判断算法终止条件，若满足则转向Step 10；

因此，本文算法的目标函数就是搜索寻找最短的Makespan：

在BBO算法步骤的基础之上，HMBBO算法的步骤可以描述如下：

当前环境Cloudsim具体参数设置可见表4。

Step 2 随机初始化种群作为目标问题的备选解；

Step 3 根据产生的种群，计算每个栖息地的Makespan并根据大小进行排序，根据排序依次递减赋予种群数量作为栖息地的适应度，再根据式(11)、式(12)计算每个栖息地的迁入、迁出概率，并输出第一代结果；

其中，id表示粒子一个维度的标志;ω表示惯性权重，决定着粒子飞行的惯性， k表示当前搜索的代数，v表示速度， c1、c2为加速因子，分别影响着局部和全局加速度的大小， r1、r2分别为0到1之间的随机数，x表示当前的位置。

Step 5 更新栖息地适应度、栖息地迁入和迁出概率，更新个体最优值，更新全局最优值，根据式(14)计算粒子移动速度；

Step 6 根据每个栖息地迁入、迁出概率，和混合迁移策略判断条件施行迁移操作；

Step 7 按照预设最大变异概率，运用式(13)计算出的每个栖息地突变概率，进行突变操作；

Step 8 遍历栖息地，进行去重操作；

Step 9 转到Step 4；

Step 10 输出最优栖息地，算法结束。

HMBBO算法中的混合迁移策略是算法的核心，每次迁移涉及到两个算法迁移方案的选择。选择的方案为：将两种算法每次将要迁移的位置进行竞争策略，计算将要迁移的任务在两个虚拟机上的累计处理时间的占比，并选择占比小的那一个虚拟机。这样选择是为了更好地达到平衡状态，而虚拟机负载任务数量可能会影响Makespan[18],做一定程度上的虚拟机处理能力均衡的处理，从而得到更优的解。HMBBO的具体参数如表5所示。

 

Table 5 Parameters of HMBBO表5 HMBBO参数设置

  

参数值种群数量50最大突变概率mmax0.1精英栖息地2最大迁入概率I1最大迁出概率E1速度权重ω0.2学习因子c10.9学习因子c20.9

4.5 实验结果分析

本实验比对了最大完成时间Makespan、收敛性，实验数据源同BBO实验保持一致。同样地，实验分别测试了[5,50]，[20,100]，[50,500]，[100,1000]，[500,5000]5组数据，每组数据分别运行10次，最终结果取平均值得到，进化代数为2 000代。图8是算法在每种测试集下的Makespan结果。从图8中可以得知，HMBBO在[50,500]，[100,1000]，[500,5000]中有更小的Makespan，在小任务集[20,100]上与BBO、GA持平。相反地，PSO由于过早陷入局部最优解而得到了相对较坏的解。HMBBO混合PSO粒子飞行策略来加速BBO收敛速度；另一方面，BBO的迁移策略减缓了PSO收敛速度而得到更优的解。

  

Figure 8 Makespan of the four algorithms图8 四个算法的Makespan结果

图9～图12展示了四个算法的收敛速度。从收敛速度上来看，HMBBO收敛速度在小任务集上，无论从进入收敛的代数，还是最后的结果都与BBO、GA持平；而在[100,1000]和[500,5000]上，在较少的迭代代数时就进入收敛，收敛速度明显优于其他算法。BBO、GA在当前的运行环境下取得了相近的正常的收敛速度，都经过交换、突变得到了较优结果。PSO在开始几代就陷入局部最优，实验结果不理想。

  

Figure 9 Convergence rate under test set of [20,100]图9 测试集[20,100]下的收敛速度

  

Figure 10 Convergence rate under test set of [50,500]图10 测试集[50,500]下的收敛速度

  

Figure 11 Convergence rate under test set of [100,1000]图11 测试集[100,1000]下的收敛速度

  

Figure 12 Convergence rate under test set of [500,5000]图12 测试集[500,5000]下的收敛速度

HMBBO在BBO算法寻优充分，较快收敛的基础之上，结合具有记忆功能的PSO算法，互为促进，发挥了两个算法的长处。具体来说，PSO算法加快了BBO算法寻优速度，BBO算法帮助PSO算法延迟进入局部最优，跳出了局部收敛。

采用混合迁移策略的HMBBO算法，继承了BBO算法寻优能力强、PSO算法收敛快的特点，而且实现简单，参数可根据具体应用场景调节，能够在少量任务到大量任务中表现出良好的性能。现如今，随着云计算规模不断增长，需要处理的任务数急速增加，HMBBO算法在进行大量任务数分配时，展现出快速收敛、挖掘深度深的特点，并能够取得较好结果。

5 结束语

本文首先通过实现BBO算法，并在云计算任务调度问题上进行实验，证明了BBO算法寻优能力强的特点，随后根据BBO算法收敛缓慢的特性，提出一种新型混合算法HMBBO，最后通过实验验证了该算法的性能和适用范围。实验表明，采用混合迁移策略的HMBBO算法，继承了BBO算法寻优能力强、PSO算法收敛快的特点，可得到较高质量的解，为解决云计算中的任务调度问题提供了一种新思路。下一步将考虑在云计算环境中，任务之间存在依赖关系的前提下，如何通过混合型启发式算法提高任务解质量的问题。

参考文献:

[1] Yan Li-yan, Zhang Gui-zhu. Multi-dimensional QoS cloud task scheduling based on colony algorithm[J].Computer Engineering & Science,2016,38(4):648-655.(in Chinese)

[2] Lo V M.Heuristic algorithm for task assignment in distributed systems[J].IEEE Transactions on Computers,1988,37(11):1384-1397.

[3] Abdulhamid S M, Latiff M S A,Idris I.Tasks scheduling technique using league championship algorithm for makespan minimization in IaaS cloud[J].Computer Science,2014,9(12):2528-2533.

[4] Tawfeek M A,El-Sisi A,Keshk A E,et al.Cloud task scheduling based on ant colony optimization[C]∥Proc of International Conference on Computer Engineering & Systems,2013:64-69.

[5] Abdullahi M,Ngadi M A.Hybrid symbiotic organisms search optimization algorithm for scheduling of tasks on cloud computing environment[J].Plos One,2016,11(6):e0158229.

[6] Shia X H,Lianga Y C,Leeb H P,et al.An improved GA and a novel PSO-GA-based hybrid algorithm[J].Information Processing Letters,2005,93(5):255-261.

[7] Simon D.Biogeography-based optimization[J].IEEE Transactions on Evolutionary Computation,2009,12(6):702-713.

[8] Savsani P,Jhala R L,Savsani V.Effect of hybridizing biogeography-based optimization (BBO) technique with artificial immune algorithm (AIA) and ant colony optimization (ACO)[J].Applied Soft Computing,2014,21(5):542-553.

[9] Herbadji O,Slimani L, Bouktir T. Solving bi-objective optimal power flow using hybrid method of biogeography-based optimization and differential evolution algorithm:A case study of the algerian electrical network[J].Journal of Electrical Systems, 2016,12(1):197-215.

[10] Kennedy J,Eberhart R.Particle swarm optimization[C]∥IEEE International Conference on Neural Networks,1995:1942-1948.

[11] Holland J H. Adaptation in natural and artificial systems[M].Michigan:University of Michigan Press,1975.

[12] Topcuoglu H,Hariri S,Wu M Y.Performance-effective and low-complexity task scheduling for heterogeneous computing[J].IEEE Transactions on Parallel & Distributed Systems,2002,13(3):260-274.

[13] Calheiros R N,Ranjan R,De Rose C A F,et al.Cloudsim:A novel framework for modeling and simulation of cloud computing infrastructures and services:Technical report,GRIDS-TR-2009-1[R].Melbourne:The University of Melbourne,2009:1-9.

[14] Calheiros R N,Ranjan R,Beloglazov A,et al.Cloudsim:A toolkit for modeling and simulation of cloud computing environments and evaluation of resource provisioning algorithms[J].Software:Practice and Experience,2011,41(1):23-50.

[15] https://github.com/Cloudslab/Cloudsim/release.

[16] Liu Sai,Li Xu-rong,Wan Lin-rui,et al.Research of cloud computing resource scheduling model[J].Computer Engineering & Science,2013,35(3):48-51.(in Chinese)

[17] Kim S S,Byeon J H,Yu H,et al.Biogeography-based optimization for optimal job scheduling in cloud computing[J].Applied Mathematics & Computation,2014,247(C):266-280.

[18] Tong Z, Kenli L I,Xiao Z,et al.H2ACO:An optimization approach to scheduling tasks with availability constraint in heterogeneous systems[J].Journal of Internet Technology,2014,15 (1):115-124.

附中文参考文献：

[1] 颜丽燕,张桂珠.基于蜂群算法的多维QoS云计算任务调度[J].计算机工程与科学,2016,38(4):648-655.

[16] 刘赛,李绪蓉,万麟瑞,等.云环境下资源调度模型研究[J].计算机工程与科学,2013,35(3):48-51.