推荐 l 基于混沌扰动PSO算法的云计算任务调度

云计算环境下任务调度算法的执行效率直接影响到用户对服务质量的体验,而多数传统的优化算法已经不能满足现在的需求,本文主要研究的是智能算法中的粒子群优化(Particle Swarm Optimization,PSO)算法。粒子群算法的模型就是在一块区域里让距离食物最近的一只鸟去寻找食物,减少寻找时间,提高速率。PSO算法由于具有参数少、计算效率高、搜索快速、编程容易且应用广泛等特点,从而被许多学者应用于云计算环境下任务调度算法的研究上。

本文首先分析粒子群算法的基本原理和粒子群在解决任务调度问题时的缺点,对粒子群算法在惯性权重上进行改进,解决算法在前期出现“早熟”和后期收敛精度低的问题,并加入混沌扰动,通过给出的适应度函数,以不同任务数为研究对象,对比算法任务完成总时间,并观察迭代次数的情况。

传统粒子群优化算法是由美国心理学家KENNEDY J和电气工程师EBERHART RC于1995年根据鱼群、鸟群觅食的活动提出的一种智能化算法。但传统粒子群优化算法不存在对粒子运动速度的调整,使算法对局部搜索和全局搜索的能力降低。因此为了弥补传统粒子群优化算法的不足,SHI Y和EBERHART R C在此算法的前提下引入了惯性权重,并深入研究,使粒子的运动速度不再是单一固定不变的速度。

而混沌在一定范围内可以等概率无重复遍历所有状态,算法在解决任务的过程中,其他粒子会因为种群中极少数最优粒子的引导向最优粒子迅速靠近,如果此粒子并没有达到全局最优,则有可能导致算法陷入局部最优。混沌对粒子初始值敏感,能够依据混沌的内部规则,随机地遍历所有的粒子。所以为了避免粒子陷入“早熟”时,需要加入一个外部扰动,让粒子可以打破局部最优。

本文在前人的基础上对标准粒子群算法进行进一步改进。通过优化惯性权重,并且在粒子群算法的过程中加入混沌扰动,遍历粒子状态,根据给出的适应度函数,对新算法的性能与其他任务调度算法进行对比。实验结果表明,本文方案有效地降低了任务执行时间,降低了资源消耗成本,具有可行性。

《信息技术与网络安全》第八期精品文章推荐:

基于混沌扰动PSO算法的云计算任务调度

摘要:粒子群优化(PSO)算法在云计算环境下任务调度方面应用十分广泛。针对算法易陷入局部最优、收敛速度慢的缺陷,从基本概念入手,在算法中加入改进的动态惯性权重和外部扰动策略,改善PSO算法的局部寻优能力,提高算法迭代后期收敛速度和搜索的精度,最后利用Cloudsim进行实验,将新算法与其他算法任务执行总的迭代次数的结果进行对比,新算法克服了粒子群算法的缺点,能够有效地平衡全局和局部搜索能力,任务的完成时间相对较少。

关键词:云计算;任务调度;粒子群优化算法;Cloudsim

中图分类号:TP301文献标识码:ADOI:10.19358/j.issn.2096-5133.2018.08.007

引用格式:许向阳,张芳磊.基于混沌扰动PSO算法的云计算任务调度[J].信息技术与网络安全,2018,37(8):27-30.

  • 发表于:
  • 原文链接https://kuaibao.qq.com/s/20181025G00XQG00?refer=cp_1026
  • 腾讯「云+社区」是腾讯内容开放平台帐号(企鹅号)传播渠道之一,根据《腾讯内容开放平台服务协议》转载发布内容。

扫码关注云+社区

领取腾讯云代金券