0 引 言

随着信息技术、互联网技术和通信技术的发展,各类用户对于计算机资源的要求日趋增加,如何满足用户对各类存储资源和计算资源日益增长的需求成为迫切的问题[1].云计算结合了分布式计算(Distributed Computing)、网格计算(Grid Computing)和并行计算(Parallel Computing)等计算机技术,形成了一种可扩展性地、并能将任务分布在大量计算机上、同时将结果返回给用户,这种大规模的、分布式的按需付费和使用资源的方式叫作云计算[2-3].云计算的特点主要包括:透明性、可扩展性、可伸缩性、冗余性、可用性和经济型等特征[4].

云计算提供的资源服务根据具体的应用范围来划分,可以分为:基础设施即服务、平台即服务和软件即服务[5].面对三类服务、同时面对云计算中心日益扩大的存储规模以及日益增加的任务处理需要,如何对于任务进行合理调度,实现资源的分配,实现资源的最大化利用,成了目前云计算研究的热点和难点[6-7].

为了实现对云计算任务进行动态实时调度,出现了一些基于优化算法的云计算任务调度算法.袁友伟等针对云计算环境下的多科学工作流调度算法中的安全调度问题,提出了一种多科学工作流安全—时间约束费用优化算法[8].葛君伟等针对云计算下的任务调度的特点来定义任务完成时间成本的约束函数和负载均衡函数,改进了蚁群算法的初始信息素、启发函数和信息素更新方式[9].任长安等为了提高云计算资源利用率,设计了一种结合资源优化问题的萤火虫算法,设计了以最小化用户任务完成时间的云计算任务调度算法,并通过萤火虫算法来均衡云计算资源[10].李超等提出了一种考虑时间、成本、CPU、内存以及带宽多任务调度算法,对算法编码方式、编码和解码、适应度函数、交叉和变异进行了改进,并定义了算法的具体过程[11].

上述算法均基于优化算法来进行任务调度算法设计,具有寻优能力强的优点.为此,本文提出了一种改进粒子群算法的云计算任务调度算法,对算法的定义进行了详细描述,并通过仿真实验对算法进行了验证.

1 云计算Map-Reduce模型

  

图1 Map-Reduce模型

本文提出的云计算任务调度模型是基于Map-Reduce模型,如图1所示:

从图1可以看出,Map-Reduce模型的执行过程可以分为五个阶段:①输入文件,②Map阶段,③在本地写中间文件,④Reduce阶段和⑤输出文件.在Map-Reduce模型中,Map函数和Reduce函数需自定义,即根据云计算任务调度的规则来重写Map函数和Reduce函数.

2 云计算任务调度

2.1 任务调度

  

图2 任务调用过程描述

本文所定义的任务满足下面特性:

I.任务之间是独立的且没有依赖性;

标准粒子群算法(PSO, particle swarm optimization)是由Eberhart和Kennedy提出的一种模拟鸟类觅食行为的仿生算法.粒子群算法中的粒子具有位置和速度两个信息,当问题空间为D维时,则粒子的位置可以表示为式(2):

III.任务的执行过程满足原子性.

因此,任务调度的过程可以描述为(见图2):

2.2任务调度目标函数

云计算的任务调度模型可以描述为:为了实现任务到虚拟机的最优调度,对于n个任务,将其分配给m个虚拟机,通过最优化目标函数,建立任务和虚拟机之间的匹配.

2.1 三组行上腹部手术患者手术时间、麻醉时间比较 三组患者手术时间、麻醉时间比较差异无统计学意义(P>0.05)，见表2。

云计算任务调度：云计算任务调度即将含有n个任务的任务集T={t1,t2,…，tn}通过某种调度方法调度到处理节点R={r1,r2,…，rm}上执行,以达到预定目标.采用执行矩阵来表示任务在节点上的执行,其每个元素ECTij=1表示任务ti在处理节点rj上执行,否则表示不在其上执行.将任务ti在处理节点rj执行的费用costij=ECTij*qj,其中qj表示单位时间上节点被使用的价格.任务的完成时间可以表示为ECTij+start(rj),其中start(rj)为处理节点rj最早空闲时间,则目标函数为最小化节点的总费用,此时可以表示为:

 

(1)

3 基于改进粒子群算法的云计算任务调度

3.1粒子群算法概述

II.任务在单位节点上的执行费用可计算;

P={p1,p2,…，pD}.

(2)

粒子的速度可以表示为公式(3):

V={v1,v2,…，vD}.

(3)

粒子群算法的原理就是通过不断更新粒子的位置和速度,从而找到一个使适应度最大的位置,作为任务对应的最优解.

第一，教育费用的附加安排超出其使用范围，根据有关规定，教育费用附加适用范围是改善中小学办学条件和基本教育教学设施，资金的具体使用顺序是先房后设备。但是从发展实际情况来看，教育附加费用大多被应用到岗位津贴、采暖费和奖励费中。第二，教育费用附加计划编订不细致，随机性较大。教育附加费用的申报缺乏可行性论断，且费用的立项依据、项目时限、项目执行等内容存在打捆现象。

3.2粒子群初始化

惯性权重因子的值对算法的性能具有较大的影响,较大w表示粒子的局部搜索能力较强,较小的w表示算法的全局寻优能力较强,如式(6)所示:

 

表1 节点部署的粒子编码

  

任务1234…N-2N-1N粒子编码4M-191…M-825

粒子位置更新如图(5)所示:

2.1全身炎症反应综合征患者治疗前后的免疫功能情况 观察组与对照组患者经肠外营养治疗免疫功能均增强,经谷氨酰胺强化肠外营养治疗的观察组患者的白蛋白、免疫球蛋白、转铁蛋白水平上升更加明显,这与对照组的相关数据对比有统计学意义,P<0.05,见表1:

3.3 粒子更新

由于粒子包含位置和速度两个方面的信息,因此,需要对它们进行更新,位置和速度的更新公式如式(4)所示:

vi(t+1)=wv1(t)+c1λ1(pbst1-pi(t))+c2λ2(gbsti-pi(t)).

(4)

在式(4)中,惯性权重w表示对原有速度的继承程度.学习因子c1和c2分别表示粒子受个体认知和社会认识的影响程度.随机数λ1和λ2的值域为(0,1).

在表1中,初始时刻,任务1被放置在节点4上并执行,任务N-2被分配在节点M-8上.

xi(t+1)=xi(t)+vt(t+1).

(5)

3.4 惯性权重因子

确定了粒子的编码方式后,需要对粒子进行编码.采用自然数来表示粒子和任务,当任务数量为N,而节点数量为M时,可以建立任务和结点的对应方式.粒子编码可以表示为如下所示:

 

(6)

其中:wmax和wmin为惯性权值的两个极值,即最大值和最小值，favg和fmin为公式(1)的平均值和最小值.

3.5算法描述

初始化:惯性权重极值wmax和wmin ,学习系数c1,c2,粒子群规模M;

只是平素过日子，还是有些不习惯。往日一大家子热闹惯了，突然间只剩下我跟大梁两个，怪冷清的。我们之间好像也变得有些生分了，话也越来越少，在一个桌上吃饭，有时眼光碰到一块儿了，又很快挪开，瞄到别处。

输入:迭代次数的最大值T;

输出:最优粒子位置;

步骤1:迭代次数t=1;

目前，信息技术在现代农业发展中的应用已成为一种基本趋势，科技信息化服务也成为世界上许多国家农业科技推广与服务的主要方式，农业知识库作为现代农业科技信息化服务的基础和核心，其重要性不言而喻。

步骤2:初始化粒子位置和速度;

步骤3:根据公式(4)和(5)更新粒子的位置和速度;

步骤4:根据公式(6)更新粒子的权重;

以2018年兴起的手机门店服务类APP为例，覆盖基层3万余家手机销售和服务门店（非正式统计，中国有手机服务门店共300万家，含夫妻店），分为面向C端和B端的两款APP，C端帮助B端引流，走近广大老乡的生活，开展针对于中小城市的渠道铺设。

步骤5:更新粒子的个体最优和全局最优值;

城市的发展靠大量资本、劳力等外力因素推动，而乡村的发展必须依靠内生动力。星光村人才辈出，虽然创业在外，但他们依然眷念故土，为家乡的建设投资投劳。但乡村的发展更要投智，人才对于乡村而言非常重要。星光村乡村旅游的进一步发展需要他们的支持、回归与带动。建议实施星光村精英反哺计划，鼓励部分在外发展的干部、专家、文学作家、设计师、企业老板等回乡创业，为家乡发展献计纳策，以本土化的力量增强自我造血功能，实现真正意义上的乡村振兴。

责任感的培育是一项系统工程，需要由学校、家庭和社会三方共同参与，共同培育，以期从责任认知到责任情感、责任信念，再落实到责任行为。学校是责任教育的主渠道，大学校园是大学生社会责任感培育的主阵地。

步骤6:判断t是否等于T,如果达到则输出粒子最优位置,否则,t=t+1,并转入步骤3继续运行.

4 仿真实验

采用云计算仿真工具CloudSim进行仿对本文方法进行仿真.仿真环境设置为:处理节点25个,任务个数为30,采用粒子群算法对任务在节点上的分配进行调度.算法参数的设置为:粒子种群规模为300,wmin=0.7,wmin=0.1,c1=0.54,c2=0.47,迭代次数T=200,单位费用为1,并与文献[8]方法、文献[9]方法和文献[10]方法进行比较,得到的任务完成所需要费用如下所示:

 

表2 算法实验结果比较

  

算法平均值最差解最优解最优解重复次数文献[8]方法43．156．736．859文献[9]方法51．271．539．147文献[10]方法46．964．535．271本文算法28．937．923．489

从表2中可以看出,文中方法不仅在求解任务调度方案时,能选择具有最小费用的任务分配方案,同时在最优解和最差解上也普遍优于另外三种方法,尤其在最优解重复次数上得到了最大值89,这意味着本文所提模型在大概111轮时就已经趋于收敛,具有最快的收敛速度.

为了进一步比较在任务数量较少和较多时,用户对于任务调度的满意度,将文中方法进一步与文献[8-10]进行比较,任务较少时候的用户满意度比较如图3所示:

淀粉的回生分为短期回生和长期回生两个阶段。短期回生要是由直链淀粉的胶凝有序和结晶所引起，发生在淀粉回生的前期，该过程在糊化后较短的时间内完成；而长期的回生(以天计)则主要是由支链淀粉外侧短链的重结晶所引起，该过程是一个缓慢长期的过程，一般发生在极端条件下，如温度很高或冰点温度时，支链淀粉侧链间才会结合。淀粉回生作用与淀粉的种类、直链淀粉与支链淀粉含量的比例、支链淀粉侧链的链长、分子量、糊化淀粉冷却储藏温度、水分等因素有关。

  

图3 任务数较少时的用户满意度比较 图4 任务数较多时的用户满意度比较

从图3和图4中可以发现,本文方法无论任务数较少还是任务数较多时,均有最好的用户满意度,且在任务数较多时,优势体现得更为明显.

5 结语

为了实现云计算环境下任务的有效调度,提出了一种基于改进离散粒子群算法的云计算任务调度方法.依据任务调度数学模型的相关理论,描述了任务调度的过程,并基于改进的粒子群算法对任务调度算法进行了描述.本文粒子群算法在粒子初始化、位置和速度更新、权重因子更新等方面进行了改进.仿真实验证明本文所提出的模型方法所需费用最小、收敛速度最快,同时无论任务数量较少还是较多,均具有更好的用户满意度,是一种云计算环境下的有效任务调度方法.下一步研究工作是在线动态云计算任务调度方法.

参考文献:

[1]BENNETT, BHAGATWALA A, CHEN JH, et, al. Trigger detection for adaptive scientific workflows using percentile sampling[J]. SIAM Journal on Scientific Computing, 2016, 38(5): S240-S263.

[2]胡海洋,刘润华,胡华.移动云计算环境下任务调度的多目标优化方法[J].计算机研究与发展,2017, 54(9): 1909-1919.

[3]WANG Y, JIA C, XU Y. Multiple DAGs Dynamic Workflow Scheduling Based on the Primary Backup Algorithm in Cloud Computing System[C]. Proceedings of the Ninth International Conference on Broadband and Wireless Computing, Communication and Applications, Piscataway: IEEE, 2014:177-182.

[4]赵宏伟,申德荣,田力威.云计算环境下资源需求预测与调度方法的研究[J].小型微型计算机系统,2016, 37(4): 659-663.

[5]ARABNEJAD H, BARBOSA JG, PRODAN R. Low-time complexity budget-deadline constrained workflow scheduling on heterogeneous resources[J]. Future Generation Computer Systems, 2016, 55: 29-40.

[6]杨波,刘立.异构云平台中基于多层架构的动态循环调度方案[J/OL].计算机应用研究, (2017-11-15)[2018-01-28].http://kns.cnki.net/kcms/detail/51.1196.TP.20171115.1043.090.html.

[7]MEENA J, KUMAR M, VARDHAN M. Cost Effective Genetic Algorithm for Workflow Scheduling in Cloud Under Deadline Constraint[C]. IEEE Access, 2016(4):5065-5082.

[8]袁友伟,鲍泽前,俞东进,等.云环境下基于多目标的多科学工作流调度算法[J/OL].软件学报, (2017-12-06)[2018-01-25].http://kns.cnki.net/kcms/detail/11.2560.TP.20171206.1536.024.html.

[9]葛君伟,郭强,方义秋.一种基于改进蚁群算法的多目标优化云计算任务调度策略[J].微电子学与计算机, 2017, 34(11):63-67.

[10]任长安,赵巾帼,罗庆云.云计算资源优化问题求解的萤火虫算法[J].吉林大学学报(理学版), 2016,55(5): 1234-1238.

[11]李超,戴炳荣,旷志光,等.云计算环境下基于改进遗传算法的多维约束任务调度研究[J].小型微型计算机系统, 2017, 38(9):1945-1949.