本發(fā)明涉及云計算的資源調(diào)度算法，屬于人工智能和云計算領(lǐng)域。在本體規(guī)則庫的基礎(chǔ)上，本發(fā)明涉及布谷鳥搜索算法、蝙蝠算法和螢火蟲算法，以及云計算、couldsim云計算模擬器，旨在實(shí)現(xiàn)一種新型的啟發(fā)式融合算法，對比分析任務(wù)執(zhí)行所花費(fèi)的時間，在食品安全預(yù)警本體模型的支持下，得到最優(yōu)化的云計算資源調(diào)度方案。

背景技術(shù)：

云計算是在網(wǎng)格計算的基礎(chǔ)之上發(fā)展起來的一種新興商業(yè)的計算模型，它可以為用戶提供各種計算、存儲等資源服務(wù)以及在internet上運(yùn)行的社交網(wǎng)絡(luò)、電子商務(wù)等應(yīng)用服務(wù)，是一種新的基于服務(wù)的資源提供模式。在這種模式下，用戶只在需要的時候通過internet獲取相應(yīng)的計算能力等服務(wù)，并為其使用的服務(wù)支付費(fèi)用。云計算可以說是在這種社會新需求的強(qiáng)烈的推動下應(yīng)運(yùn)而生的，而它的用時付費(fèi)的商業(yè)模式不僅恰當(dāng)好處的適應(yīng)了這種社會新需求的轉(zhuǎn)變，而且具有良好的經(jīng)濟(jì)效益優(yōu)勢。

cloudsim是澳大利亞墨爾本大學(xué)開發(fā)的云計算仿真軟件。提供了云計算的特性，支持云計算的資源管理和調(diào)度模擬。在調(diào)度算法上的改進(jìn)方面，cloudsim提供了良好的云計算調(diào)度算法仿真平臺，其中的datacenterbroker類提供的bindcloudlet—tovm(intcloudletid，intvmld)可以將任務(wù)單元綁定到指定的虛擬機(jī)上運(yùn)行，開發(fā)人員對該類進(jìn)行擴(kuò)展，實(shí)現(xiàn)自定義的調(diào)度策略，完成對調(diào)度算法的模擬和測試。

整個云計算資源分配中的關(guān)鍵是選擇合理的資源分配算法，現(xiàn)階段一般從最優(yōu)跨度(optimalmakespan)、負(fù)載均衡(loadbalancing)、服務(wù)質(zhì)量qos(qualityofservice)、經(jīng)濟(jì)原則(economicprinciples)四個方面來評價云計算調(diào)度算法。

云環(huán)境下資源分配的策略有很多種，目前主要利用智能優(yōu)化算法如遺傳算法、蟻群算法、粒子群算法等對云計算的資源進(jìn)行分配，當(dāng)然也有一些簡單的調(diào)度算法，比如輪詢法、順序法、貪心算法等。但是任何算法都存在其優(yōu)勢與不足，例如遺傳算法雖然具有快速隨機(jī)的全局搜索能力，但參數(shù)較多，編程實(shí)現(xiàn)比較復(fù)雜，且容易陷入局部最優(yōu)；粒子群優(yōu)化算法初期收斂速度快，后期局部搜索能力不足，收斂速度緩慢，但同遺傳算法相比，粒子群優(yōu)化算法收斂速度快，優(yōu)化性能上好于遺傳算法，并且編程易于實(shí)現(xiàn)，需要調(diào)整的參數(shù)少；而蟻群算法雖具有較好的尋優(yōu)能力，但初期信息素匱乏，收斂速度慢。所以智能算法與云計算資源調(diào)度的結(jié)合仍有繼續(xù)研究的空間?；诖耍緦＠岢鲆环N新型的啟發(fā)式融合算法改進(jìn)云平臺的資源調(diào)度問題。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明旨在在食品安全預(yù)警本體模型的支持下，減少云端任務(wù)所執(zhí)行的時間，提高效率，提出一種云資源調(diào)度方法，該方法具有較快的調(diào)度速度，實(shí)現(xiàn)資源調(diào)度算法的優(yōu)化。

為此，本發(fā)明提出一種基于多資源的任務(wù)調(diào)度算法，該算法能夠在多資源的情況下大大縮短所有任務(wù)的平均完成時間，也能一定程度上保證負(fù)載均衡。

針對多數(shù)優(yōu)化算法均存在可能以下缺陷之一：

局部搜索能力不夠強(qiáng)，在優(yōu)化后期收斂速度慢、收斂精度不夠高；容易出現(xiàn)早熟收斂現(xiàn)象；在尋找局部最優(yōu)和全局最優(yōu)之間的平衡能力較弱，在位置迭代的過程中的收斂速度較慢等問題。

本專利主要涉及到在食品安全預(yù)警本體模型支持下的融合算法的實(shí)現(xiàn)，相應(yīng)算法的實(shí)現(xiàn)過程如下所示：

初始化輸入：

分類處理算法庫的規(guī)模為s，分類任務(wù)集合task＝{task1,task2,...,taskn},n個任務(wù)，分類算法庫資源的數(shù)量為resource，初始化輸入由向量來定義，記做xi；初始化的向量坐標(biāo)為[-(resource-1),resource+1]之間的整數(shù)。

結(jié)合本體規(guī)則及乳制品分類處理的特性，

具體算法步驟如下：(如圖3所示)

·對分類算法庫s中隨機(jī)出現(xiàn)的x0進(jìn)行調(diào)度，得到調(diào)度結(jié)果f(x0)；從而計算出作業(yè)的總完成時間(sumtasktime)和平均完成時間(avgtasktime)；

·將所找向量x0橫向移動；同樣計算出一個新的調(diào)度結(jié)果f(x1)；

·比較f(x0)與f(x1)，差值記做m(x)；

·若m(x)>0；，則f(x1)替換f(x0)，反之不變；

·重復(fù)迭代若干次，對每次得到的最優(yōu)解組成新的解集合f(x')，對f(x')通過更新公式進(jìn)行訓(xùn)練；

·對訓(xùn)練后的分類方法庫集合再進(jìn)行隨機(jī)游走操作；

·從局部最優(yōu)中多次隨機(jī)游走從而達(dá)到全局最優(yōu)解；

·得到改進(jìn)融合算法的最優(yōu)解，選擇最優(yōu)的分類處理算法。

上述算法的迭代過程主要通過以下公式實(shí)現(xiàn)：

目標(biāo)函數(shù)

f(x0)表示初始選擇分類方法的分類時間，β表示吸收系數(shù)(為固定值)，r表示分類算法間的距離。

初始迭代過程：

最優(yōu)目標(biāo)的迭代

其中，xi,xj表示i，j兩種分類方法的狀態(tài)，ξ是一個隨機(jī)參數(shù)，εi遵循正態(tài)分布。

初始化分類算法xi(i＝1，2，…n)

目標(biāo)函數(shù)

f(x0)表示初始選擇分類方法的分類時間，β表示吸收系數(shù)(為固定值)，r表示分類算法間的距離。

經(jīng)過多次迭代后得到初始迭代最優(yōu)解集合記為f(x')。

訓(xùn)練過程：

更新公式

其中和分別表示第i個分類方法在第t次和第t+1次的分類狀態(tài)，a表示步長控制量，為點(diǎn)對點(diǎn)乘法，levy(λ)為levy飛行隨機(jī)搜索的跳躍路徑，并且

通過更新公式實(shí)現(xiàn)對初始迭代最優(yōu)解的解集合f(x')實(shí)現(xiàn)訓(xùn)練。

隨機(jī)游走迭代：

xnew＝x+εa^t

其中ε為[-1,1]中的隨機(jī)數(shù)，為x從當(dāng)前訓(xùn)練集中集中隨機(jī)選擇的一個解，為全體算法在迭代次數(shù)為t時的平均時間效率。

在上述算法的迭代過程，根據(jù)食品安全預(yù)警本體模型規(guī)則中的閾值，設(shè)置算法的終止條件，記為θ，完成算法迭代之后得到最優(yōu)解x^*。

啟發(fā)式融合算法偽代碼如下：

附圖說明：

圖1為本發(fā)明的技術(shù)流程圖；

圖2為云平臺資源調(diào)度界面；

圖3為啟發(fā)式融合資源動態(tài)調(diào)度算法。

具體實(shí)施方式：

為了驗證本發(fā)明提出的在食品安全預(yù)警本體模型的支持下的新型啟發(fā)式融合算法在云資源調(diào)度中的有效性，將模型在cloudsim云計算模擬器上進(jìn)行了仿真實(shí)驗，所有實(shí)驗都基于eclipse環(huán)境中實(shí)現(xiàn)的。

(1)當(dāng)?shù)螖?shù)不同時，根據(jù)適應(yīng)度函數(shù)求得個體的適應(yīng)度值，可以看到隨著迭代次數(shù)的增加，最優(yōu)個體的適應(yīng)度值不斷上升，根據(jù)算法終止條件θ，實(shí)現(xiàn)最優(yōu)解的對比分析，說明在負(fù)載均衡的前提下，本發(fā)明算法的全局搜索能力強(qiáng)，具有很好的收斂性，并根據(jù)任務(wù)執(zhí)行時間，實(shí)現(xiàn)資源調(diào)度效率的提高。

(2)實(shí)驗對比設(shè)計：

主要從兩個角度設(shè)計實(shí)驗評價算法，一方面是同等分類任務(wù)數(shù)量、同樣分類方法資源下完成調(diào)度的的時間對比；另一方面是同樣的分類方法資源下，在規(guī)定時間內(nèi)，完成的分類任務(wù)數(shù)量對比。

(3)為了證明本發(fā)明提出的改進(jìn)算法的優(yōu)勢，在實(shí)驗中將本算法與已有的cloudsim中自帶的隨機(jī)分配算法ra(randomallocationscheduling)和輪詢算法rr(round-robinscheduling)進(jìn)行了對比。通過算例對比，指標(biāo)分析得出本發(fā)明提出的調(diào)度算法優(yōu)于rr算法和ra算法的結(jié)論。證明本發(fā)明可以給云資源的調(diào)度方案提供有意義的解決思路，對資源調(diào)度算法實(shí)現(xiàn)了優(yōu)化。

(4)補(bǔ)充實(shí)驗，通過算例將本算法與遺傳算法的資源調(diào)度效率對比，證明普通智能優(yōu)化算法的有效性能沒有本發(fā)明中的啟發(fā)式融合算法好，體現(xiàn)本發(fā)明算法的優(yōu)越性。