【技术实现步骤摘要】
本专利技术涉及云计算下任务调度方法，涉及一种基于增强美洲狮优化算法的云计算资源调度方法、系统、设备及介质。
技术介绍
1、云计算技术自21世纪初开始兴起，并逐渐成为现代社会的重要支撑。它通过虚拟化技术、分布式数据存储技术、大规模数据管理技术等技术手段，将计算资源、存储资源和应用程序等服务通过互联网提供给用户，实现了it与业务的解耦，使it资源能够按需供给。云计算优化调度用于降低资源的浪费率，防止虚拟机计算资源、存储资源以及资源带宽资源在大规模任务调度下的浪费。
2、目前，许多任务调度问题普遍使用启发式和元启发式算法来解决。启发式算法是一种基于经验和直觉的搜索和优化算法，通常用于解决复杂的组合优化问题 ，例如模拟退火算法（simulated annealing）、遗传算法（genetic algorithm）和蚁群算法（ant colonyoptimization）等。但是，这些算法往往难以处理大规模任务调度问题，导致计算机的响应时间过高。另一方面，现有的元启发式算法利用随机探索，例如鲸鱼优化算法（woa），灰狼优化算法（gwo）和差分进化算法（de）等处理调度问题时，使其具有更高的相应速度。但是尽管现有的元启发式算法在处理大规模的任务调度问题上有其优势，但大多数元启发式算法在处理大规模任务调度问题时存在探索时间较长，寻优性能不足等问题，因此，现有的基于元启发式算法的云计算任务调度方法需要进一步改进。
技术实现思路
1、本专利技术的目的是解决大规模任务调度中存在的技术问题
2、为了实现本专利技术的上述目的，本专利技术提供了一种基于增强美洲狮优化算法的云计算资源调度方法，包括以下步骤：
3、s1、获取云任务字节大小向量以及虚拟机具备的计算资源向量、负载成本向量及资源带宽向量，然后建立以下最小化总成本的目标函数：
4、(1)
5、式（1）中，,和分别表示函数,和的权重，用来调整目标函数在不同方面优化时的重心；
6、表示时间成本函数；
7、表示负载成本函数；
8、表示资源带宽成本函数；
9、表示时间成本函数，并由下式计算：
10、(2)
11、式（2）中，表示任务的数量，表示计算资源（虚拟机）的数量，表示第个任务在第个虚拟机上计算，并且规定每个任务只能在一个虚拟机上计算，即对于每个得到，表示第个虚拟机的计算资源向量，表示第个任务所需要的计算资源向量，表示负载成本函数，并由下式计算：
12、(3)
13、式（3）中，表示任务的数量，表示计算资源（虚拟机）的数量，表示第个任务在第个虚拟机上计算，并且规定每个任务只能在一个虚拟机上计算，即对于每个得到，表示第个虚拟机的负载向量，表示第个任务所需要的负载向量，表示资源带宽成本函数，并由下式计算：
14、(4)
15、式（4）中，表示任务的数量，表示计算资源（虚拟机）的数量，表示第个任务在第个虚拟机上计算，并且规定每个任务只能在一个虚拟机上计算，即对于每个得到，表示第个任务所需要的计算资源向量，表示第个虚拟机的资源带宽向量，表示第个任务所需要的资源带宽向量，表示第个虚拟机的计算资源向量，表示与价格相关的参数。
16、s2、利用增强的美洲狮优化算法对目标函数进行优化，得到最优个体：
17、s21、通过公式（5）初始化原始种群，得到初始化后的原始种群：
18、(5)
19、式（5）中，表示种群中第个个体的位置信息，表示解空间的上界向量，表示解空间的下界向量，表示生成一个在之间的随机数；
20、s22、初始，通过判断和4的关系，如果，则执行s23，否则跳转执行s28；其中，表示当前迭代次数；
21、s23、通过探索阶段对个体位置进行更新；
22、s24、通过开发阶段对个体位置进行更新；
23、s25、将种群，和合并，并取前个个体，其中，表示初始化后的原始种群，表示通过探索阶段更新后的新种群，表示通过开发阶段更新后的新种群；
24、s26、计算种群和的最优个体适应度和，同时；
25、s27、分别计算第次迭代时探索阶段的得分和开发阶段的得分；
26、s28、如果则执行s29，否则执行步骤s33；其中，表示最大迭代次数，且；
27、s29、通过探索阶段对个体位置进行更新，此处的个体即步骤s25的前个个体；
28、s30、通过开发阶段对个体位置进行更新，此处的个体即步骤s25的前个个体；
29、s31、对和进行更新；
30、s32、，返回s28；
31、s33、选择最后一次迭代时种群中目标函数值最小的个体作为调度方法；
32、进一步地，所述s23的具体步骤为：
33、s231、通过以下公式计算第个个体的第个维度上的新位置：
34、(6)
35、式（6）中，表示解空间的上界向量，表示解空间的下界向量，为一个随机数，并且，为0至1之间的随机数，表示问题的维度，为两个不同随机解和之间的差值（、具体是通过从种群随机抽取得到的两个个体），由以下公式计算：
36、(7)
37、式（7）中，表示两个不同于或的随机两个不同解和之间的差值（、具体是通过从种群随机抽取得到的两个个体），由下列公式给出：
38、(8)
39、式（8）中，为两个不同于，，或随机解与之间的差值（、具体是通过从种群随机抽取得到的两个个体）；通过下列公式，得到新种群，={}，的求解公式如下：
40、(9)
41、式（9）中，表示新种群中的第个个体，表示新种群的第个个体的个维度上的新位置，表示初始化后的原始种群的个个体，表示通过式（6）新生成的个个体的适应度值，表示初始化后的原始种群的个个体的适应度值。
42、进一步地，所述s24的具体步骤为：
43、s241、通过以下公式计算第个个体的第个维度上的新位置：
44、(10)
45、式（10）中，表示新种群中的第个个体，表示种群中的第个个体，和为种群中两个随机的不同解，和为优化开始之间设置的参数，表示0或者1的一个随机数，表示种群中的最优个体，表示以为底的指数函数，表示平均值函数，表示至之间的一个随机数，表示种群中的所有个体，表示种群中的个体数量，表示问题维度中符合正态分布的随机数，由以下公式计算：
46、(11)
47、式（11）中，为一个随机数，表示种群中的第个个体，表示种群中的最优个体，由以下公式计算：
48、(12)
49、式（12）中，表示当前迭代次数，表示总的迭代次数，表示以为底指数函数，表示问题维度中符合正态分布的随机数，由以下公式计算：...
【技术保护点】
1.一种基于增强美洲狮优化算法的云计算资源调度方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于增强美洲狮优化算法的云计算资源调度方法，其特征在于，所述初始化种群还包括：采用Sinusoidal混沌映射对初始化后的种群进行更新：
3.根据权利要求1所述的基于增强美洲狮优化算法的云计算资源调度方法，其特征在于，在所述开发阶段对个体位置进行更新引入中间点样本学习策略对开发阶段进行改善，具体为以下公式：
4.一种基于增强美洲狮优化算法的云计算资源调度系统，其特征在于，所述系统包括：
5.根据权利要求4所述的基于增强美洲狮优化算法的云计算资源调度系统，其特征在于，所述初始化种群还包括：采用Sinusoidal混沌映射对初始化后的种群进行更新：
6.根据权利要求4所述的基于增强美洲狮优化算法的云计算资源调度系统，其特征在于，在所述开发阶段对个体位置进行更新引入中间点样本学习策略对开发阶段进行改善，具体为以下公式：
7.一种计算机设备，包括处理器以及用于存储处理器可执行程序的存储器，其特征在于，所述处理器执行
8.一种可读存储介质，存储有程序，其特征在于，所述程序被处理器执行时，实现权利要求1所述方法。
...【技术特征摘要】
1.一种基于增强美洲狮优化算法的云计算资源调度方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于增强美洲狮优化算法的云计算资源调度方法，其特征在于，所述初始化种群还包括：采用sinusoidal混沌映射对初始化后的种群进行更新：
3.根据权利要求1所述的基于增强美洲狮优化算法的云计算资源调度方法，其特征在于，在所述开发阶段对个体位置进行更新引入中间点样本学习策略对开发阶段进行改善，具体为以下公式：
4.一种基于增强美洲狮优化算法的云计算资源调度系统，其特征在于，所述系统包括：
5.根据权利要求4所述的基于增强...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。