一种基于引力搜索机制的云工作流调度算法

发布时间：2024-03-17 10:35

　　为了同步优化云环境中工作流调度长度和代价,提出一种基于引力搜索算法的工作流任务调度算法。算法以异构最早完成时间机制生成引力搜索的部分初始代理,并结合随机生成方式,得到初始种群;利用引力搜索的进化机制,通过代理适应度的评估,得到最终在调度时间和调度代价上综合性能最优的任务映射方案。利用一个算例对算法的有效性进行了论证与评估,并以四种实际科学工作流模型对算法进行了大规模仿真实验。结果表明,该算法不仅可以得到最小的调度代价,且调度时间在所有算法中也是较小的,其综合性能是最优的。

【文章页数】：8 页

【部分图文】：

图1工作流示例

工作流应用可表示为有向无循环图DAG,G=(T,E),如图1所示,其中:T={t1,t2,…,tn}表示任务集合;E表示有向边集合;一条边ti→tj表明前驱ti与后继tj间的执行次序约束。因此,任务tj在ti完成前无法开始执行。每个任务ti拥有以MI表示的计算负载属性。而每条边t....

图2算例应用的工作流结构

考虑一个Montage工作流进行算法算例分析,工作流包括16个任务,T={t1,t2,…,t16},云环境包括4个虚拟机,V={v1,v2,v3,v4},工作流的结构和虚拟机结构如图2和图3所示。4个虚拟机为全连通结构,算法分析的目标是以优化调度长度和调度代价为目标,将任务调度至....

图3云资源环境

图2算例应用的工作流结构表2参数取值参数取值虚拟机数量4虚拟机计算能力2.0,3.5,4.5,5.5MIPS网络带宽1Mbit/s虚拟机启动时间和关机时间0.5s虚拟机性能变化24%最大迭代次数10种群大小N100引力常量G05权重....

图4HEFT解加至种群

图4显示了HEFT生成的映射方案加至初始种群以取代劣势代理的示例,即算法步骤2。至此,当前种群包含HEFT生成的代理和随机生成的代理,种群按照算法中步骤3-步骤16的迭代步骤进行进化。表5给出了每次迭代中最优代理的相关值情况,表6则是相应的调度结果,此时的调度长度为32.64s....

本文编号：3930901