云计算资源的动态随机扰动如何进行粒子群优化策略

　　云计算环境中的资源具有动态性和异构性，大规模任务资源分配的目标是最小化完成时间和资源占用，同时具有尽可能好的负载均衡，这是一个非确定性多项式（ NP）问题。借鉴智能群体算法的优点，提出基于改进的粒子群优化（ PSO）算法构建混合式群体智能调度策略——动态随机扰动的PSO策略（DRDPSO）。首先，将PSO的惯性权重常数修改为变量，实现对求解过程收敛速度的合理控制；其次，缩小每次迭代的搜索范围，在保留候选最优集合的前提下减少无效搜索；然后，引入选择操作，筛选出优质个体并传递到下一代；最后，设计随机扰动，提高候选解的多样性，在一定程度上避免了局部最优陷阱。在CloudSim平台上进行了两类仿真测试，结果表明，处理同构任务时，在大部分情况下DRDPSO的指标都优于模拟退火遗传算法（SAGA）和遗传算法（GA） +PSO算法，总执行时间比SAGA减少13. 7qo～37. 0010，比GA +PSO减少13. 6qo～31. 60/0；其资源耗费比SAGA减少9.80/0～17. 1010，比GA +PSO减少0.6%～31.1%；其迭代次数比SAGA减少15. 7%~60. 2%，比GA+ PSO减少1.4%~ 54. 7%；其负载均衡度比SAGA减小8.1%~18.5%，比GA +PSO减少2.7%~ 15. 30/0，且波动幅度最小。处理异构任务时，三种算法表现出相似的规律：CPU型任务的总执行时间最多，混合型任务次之，10型任务最少，DRDPSO的综合指标最好，较为适合处理多种类型的异构任务，而GA +PSO算法适合快速求解混合型任务，SAGA则适合快速求解10型任务。所提DRDPSO在处理较大规模的同构和异构任务时，能够较为明显地缩短总的任务执行时间，不同程度地提高资源利用率，并适当兼顾计算节点的负载均衡。

　　云计算通过虚拟化技术将网络计算资源整合在一起，组成一个庞大的计算节点池，用户通过浏览器按需获得资源，完成数据处理任务。网络计算资源庞大且分散，要根据用户请求将资源动态地分配给各个任务，就需要进行合理的资源调度。任务调度策略对用户任务的执行效率、系统资源的使用效率、任务执行成本、负载均衡、系统稳定性等均有直接的影响。云计算环境中的资源具有动态性和异构性，对大规模任务进行资源分配和调度时，不仅需要最小化完成时间和提高系统使用率，而且要考虑资源负载均衡、服务质量，是一个非确定性多项式（ Non-deterministic Polynomial，NP）问题。