一种云计算中的任务调度优化策略

摘要

任务调度作为云计算的核心技术，在云计算处理任务的过程中，任务调度是不可避免的重要环节之一，因此，优化任务调度机制是强化云计算综合性能的重要方法。为了更有效地改善云计算的服务性能，不少学者针对云计算中的任务调度机制所遇到的问题展开了研究。蚁群算法(Ant Colony Optimization，ACO)作为一种全局优化算法，具有分布性、随机性、反馈性等特点，在云环境中利用蚁群算法的特点能够有效的处理任务调度机制所遇到的问题。在应用蚁群算法解决任务调度问题的过程中，首先计算任务与虚拟机的配对概率，由蚂蚁根据配对概率对任务进行分配，在算法完成收敛时得到目标解。由于随机选择的方法与反馈机制的原因，会导致收敛速度变慢与早熟现象。 针对蚁群算法应用于任务调度时存在的问题，本文以任务的完成时间与负载均衡为优化目标对蚁群算法进行改进，主要工作内容为: (1)对云计算中任务调度的特点进行分析与研究，对现有的任务调度算法的原理进行分析，总结与分析现有算法计算效率不高的原因，对遇到的问题找到研究思路。 (2)针对如何提高计算效率与改善最优解质量的问题，结合任务调度机制对蚁群算法进行改进，通过赋予权重的方法对该算法的信息素更新规则进行优化，并利用动态更新挥发系数的方法优化算法的综合性能，在局部信息素的更新过程中，引入虚拟机负载权重系数，使任务得到合理分配。 (3)通过云计算仿真器CloudSim对改进算法进行仿真测试，并在相同环境下对其它算法进行仿真实验，实验结果表明:基于改进算法的任务调度策略在保证任务得到合理分配的同时，算法的收敛速度与总执行时间得到了优化，最后，根据测试结果进行分析与总结。

目录

声明

摘要

第一章绪论

1．1引言

1．2国内外研究现状

1．3存在的问题与本文工作

1．4论文的组织结构

第二章云计算与任务调度算法的概述

2．1云计算

2．1．1云计算的基本原理

2．1．2云的架构

2．2任务调度的概述

2．3任务调度算法

2．4本章小结

第三章基于ACO的云计算任务调度模型

3．1模型的构建

3．2蚁群算法在目标优化中的应用

3．3基于蚁群算法的任务调度设计

3．4本章小结

第四章任务调度算法的优化

4．1信息素的更新

4．2自适应调整策略

4．3种群规模的选择

4．4启发因子的参数设计

4．5算法的实现过程

4．6实验仿真

4．6．1 CloudSim的介绍

4．6．2仿真结果与分析

4．7本章小结

第五章总结与展望

5．1总结

5．2展望

参考文献

致谢

附录(攻读硕士学位期间发表和录用的学术论文)