基于蚁群模拟退火算法的云计算资源调度

doi:10.11772/j.issn.1001-9081.2023081191

《计算机应用》唯一官方网站 ›› 0, Vol. ›› Issue (): 139-142.DOI: 10.11772/j.issn.1001-9081.2023081191

基于蚁群模拟退火算法的云计算资源调度

聂清彬()

西南交通大学希望学院，成都 610400

收稿日期:2023-09-04 修回日期:2023-10-22 接受日期:2023-11-14 发布日期:2025-01-24 出版日期:2024-12-31
通讯作者: 聂清彬
作者简介:聂清彬（1982—），男，四川资中人，副教授，硕士，主要研究方向：人工智能、智能机器人。
基金资助:
四川省高等学校人文社会科学重点研究基地-新建院校改革与发展研究中心项目(XJYX2023B05);成都市交通+旅游大数据应用技术研究基地项目(2022107);成都市哲学社会科学研究基地“新时代统一战线文化创新研究基地”项目(TZWC20233)

Cloud computing resource scheduling based on ant colony simulated annealing algorithm

Qingbin NIE()

Southwest Jiaotong University Hope College，Chengdu Sichuan 610400，China

Received:2023-09-04 Revised:2023-10-22 Accepted:2023-11-14 Online:2025-01-24 Published:2024-12-31
Contact: Qingbin NIE

摘要/Abstract

摘要：

传统蚁群优化（ACO）算法在云计算资源调度过程中存在任务与资源节点匹配不合理、执行任务时间长且成本高、虚拟机负载不均衡和云计算系统执行效率低等问题。针对这些问题，提出一种蚁群模拟退火算法（AC-SAA），该算法以降低任务执行成本、缩短任务执行时间、保持系统负载均衡为目标，建立任务执行时间、成本、负载均衡率的适应度函数改进ACO算法的启发因子。通过ACO算法求解出局部最优解，然后利用模拟退火算法对该解进一步优化和信息素更新，从而获取全局最优解。所提算法实现了云资源节点与任务的合理分配，加速了算法收敛。实验结果表明，AC-SAA比传统ACO算法在迭代次数方面减少了52.2%以上。

关键词: 云计算, 蚁群优化算法, 模拟退火算法, 信息素, 任务调度

Abstract:

The traditional Ant Colony Optimization （ACO） algorithm in the process of cloud computing resource scheduling has the defects of unreasonable task and resource node matching， task execution with long time and high cost， unbalanced virtual machine load， and low execution efficiency of the cloud computing system. To address these problems， Ant Colony-Simulated Annealing Algorithm （AC-SAA） was proposed， which aimed to reduce the task execution cost， shorten the task execution time， and keep the system load balanced， and establish the fitness functions of task execution time， cost， and load balancing rate to improve the heuristic factor of the traditional ACO algorithm. The locally optimal solution was solved by the ACO algorithm， and then the solution was further optimized and the pheromone was updated using the simulated annealing algorithm to obtain the globally optimal solution. The proposed algorithm achieved a reasonable allocation of cloud resource nodes and tasks and accelerated the convergence of the algorithm. Experimental results show that compared with the traditional ACO algorithm， AC-SAA shortens the iteration times by at least 52.2%.

Key words: cloud computing, Ant Colony Optimization (ACO) algorithm, simulated annealing algorithm, pheromone, task scheduling

中图分类号:

TP393

聂清彬. 基于蚁群模拟退火算法的云计算资源调度[J]. 计算机应用, 0, (): 139-142.

Qingbin NIE. Cloud computing resource scheduling based on ant colony simulated annealing algorithm[J]. Journal of Computer Applications, 0, (): 139-142.

图/表 5

图1 AC-SAA流程

图2 任务执行时间对比

图3 任务执行成本对比

图4 系统负载均衡率对比

表1 最优解所需迭代次数

实验编号	ACO算法	CMA-PSO算法	AC-SAA
1	63	37	23
2	112	81	45
3	138	96	61
4	167	134	73
5	201	160	96

参考文献 18

1	李萌，刘鑫.基于改进PSO的云计算资源调度路径优化研究［J］.计算机仿真，2021， 38（9）： 231-234.
2	程曦，宋铁成.基于改进多目标布谷鸟搜索的资源调度算法［J］. 计算机应用与软件， 2022， 39（3）： 241-246.
3	李成，严宋月，马金涛. 模糊云资源调度的CMA-PSO算法［J］. 哈尔滨理工大学学报， 2022， 27（1）： 31-39.
4	周墨颂，董小社，陈衡，等. 一种云环境中的动态细粒度资源调度方法［J］. 软件学报， 2020， 31（12）： 3981-3999.
5	查满霞，祝永晋，朱霖，等. 面向实时流数据处理的边缘计算资源调度算法［J］. 计算机应用， 2021，41（S1）： 142-148.
6	高天阳，虞慧群，范贵生.基于模拟退火遗传算法的云资源调度方法［J］.华东理工大学学报（自然科学版）， 2019，45（3）： 471-477.
7	林涛，郝章肖，冯竞凯.基于改进乌鸦搜索算法的云计算任务调度研究［J］.微电子学与计算机， 2020， 37（2）： 20-24.
8	罗斯宁，王化龙，李弘宇，等.基于改进蚁群算法的云计算用户任务调度算法［J］.电信科学， 2020，36（2）： 95-100.
9	王昱，左利云. 云计算中基于改进遗传算法的多目标优化调度［J］.广东石油化工学院学报， 2020，30（1）： 35-39.
10	徐健锐，朱会娟. 云计算环境中面向DAG任务的多目标调度算法［J］.计算机应用研究， 2019， 36（1）： 31-36.
11	张鑫帅，刘俊，罗世彬. 基于改进多目标布谷鸟搜索算法的翼型气动优化设计［J］.航空学报， 2019， 40（6）： 49-62.
12	刘艳，王丹，汪祖民，等. 云计算中高效可即时撤销的无证书签名方案［J］. 计算机工程与设计， 2020， 41（9）： 2442-2446.
13	蒋维成，李兰英，刘华春，等. 移动云计算中时延保证的任务分配方法［J］. 计算机工程与设计， 2020， 41（5）： 1214-1218.
14	齐平，王福成，王必晴，等. 云计算环境下基于可靠性感知的任务调度算法［J］. 计算机工程与科学， 2018， 40（11）：1925-1935.
15	MASDARI M， SALEHI F， JALAU M，et al ．A survey of PSO-based scheduling algorithms in cloud computing ［J］. Journal of Network and Systems Management， 2017，25（1）： 122-158.
16	KUMAR N， PATEL P. Resource management using ANN-PSO techniques in cloud environment ［C］// Proceedings of the 2016 International Congress on Information and Communication Technology．Singapore： Springer， 2016： 419-428.
17	SHAHDI-PASHAKI S， TEYMOURIAN E， TAVAKKOLI-MOGHADDAM R. New approach based on group technology for the consolidation problem in cloud computing-mathematical model and genetic algorithm ［J］.Computational and Applied Mathematics， 2018， 37（1）： 693-718．
18	OJANSIVU V， HEIKKILA J. Image registration using blur invariant phase correlation ［J］.IEEE Signal Processing Letters，2007，14（7）： 449-452.

[1]	张涵, 于航, 周继威, 白云开, 赵路坦. 面向隐私计算的可信执行环境综述[J]. 《计算机应用》唯一官方网站, 2025, 45(2): 467-481.
[2]	尚绍法, 蒋林, 李远成, 朱筠. 异构平台下卷积神经网络推理模型自适应划分和调度方法[J]. 《计算机应用》唯一官方网站, 2023, 43(9): 2828-2835.
[3]	陆佳行, 戴华, 刘源龙, 周倩, 杨庚. 面向云环境密文排序检索的字典划分向量空间模型[J]. 《计算机应用》唯一官方网站, 2023, 43(7): 1994-2000.
[4]	方和平, 刘曙光, 冉泳屹, 钟坤华. 基于深度强化学习的多数据中心一体化调度优化[J]. 《计算机应用》唯一官方网站, 2023, 43(6): 1884-1892.
[5]	宁明超, 张俊勃, 陈戈. 基于面向服务架构的工业软件的任务调度算法[J]. 《计算机应用》唯一官方网站, 2023, 43(3): 885-893.
[6]	刘乾, 张洋铭, 万定生. 网格化分布式新安江模型并行计算算法[J]. 《计算机应用》唯一官方网站, 2023, 43(11): 3327-3333.
[7]	游坤, 王钦辉, 李鑫. 通用的多元抵制假名的云计算拍卖机制[J]. 《计算机应用》唯一官方网站, 2023, 43(11): 3351-3357.
[8]	朱嘉豪, 郑巍, 杨丰玉, 樊鑫, 肖鹏. 基于蚁群算法优化反向传播神经网络的软件质量预测[J]. 《计算机应用》唯一官方网站, 2023, 43(11): 3568-3573.
[9]	吴仁彪, 张振驰, 贾云飞, 乔晗. 云平台下基于截止时间的自适应调度策略[J]. 《计算机应用》唯一官方网站, 2023, 43(1): 176-184.
[10]	姜松岩, 廖晓鹃, 陈光柱. 基于可满足性模理论的多处理机通信延迟优化任务调度方法[J]. 《计算机应用》唯一官方网站, 2023, 43(1): 185-191.
[11]	孙京宇, 朱家玉, 田自强, 史国振, 关川江. 基于椭圆曲线加密且支持撤销的属性基加密方案[J]. 《计算机应用》唯一官方网站, 2022, 42(7): 2094-2103.
[12]	张金泉, 徐寿伟, 李信诚, 王重洋, 徐景芝. 基于正交自适应鲸鱼优化的云计算任务调度[J]. 《计算机应用》唯一官方网站, 2022, 42(5): 1516-1523.
[13]	陈昇, 周隽, 胡小兵, 马霁. 基于混合模拟退火算法的机场进场程序优化[J]. 《计算机应用》唯一官方网站, 2022, 42(2): 606-615.
[14]	李智, 薛建彬. C‑V2X车联网中基于模拟退火算法的任务卸载与资源分配[J]. 《计算机应用》唯一官方网站, 2022, 42(10): 3140-3147.
[15]	李开荣, 刘爽, 胡倩倩, 唐亦媛. 基于转角约束的改进蚁群优化算法路径规划[J]. 计算机应用, 2021, 41(9): 2560-2568.

基于蚁群模拟退火算法的云计算资源调度

Cloud computing resource scheduling based on ant colony simulated annealing algorithm

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 5

参考文献 18

相关文章 15

编辑推荐

Metrics