云模型優(yōu)化的QPSO算法在大數(shù)據(jù)云存儲(chǔ)平臺(tái)業(yè)務(wù)調(diào)度中的應(yīng)用

于國(guó)龍 吳戀 崔忠偉 熊偉程 左羽

摘? ?要：QPSO算法作為最優(yōu)秀的群體智能算法之一，有著較強(qiáng)的尋優(yōu)能力，將QPSO算法用于云計(jì)算平臺(tái)資源調(diào)度策略的尋優(yōu)，有著明顯的優(yōu)勢(shì)。通過(guò)對(duì)QPSO算法在云計(jì)算中的應(yīng)用研究，為云計(jì)算平臺(tái)效率的提升提供有效方法。文章對(duì)云模型優(yōu)化的QPSO算法在大數(shù)據(jù)云存儲(chǔ)平臺(tái)業(yè)務(wù)調(diào)度中的應(yīng)用進(jìn)行分析與研究。

關(guān)鍵詞：量子粒子群優(yōu)化算法;云計(jì)算;任務(wù)調(diào)度;大數(shù)據(jù)

隨著大數(shù)據(jù)的發(fā)展，云計(jì)算平臺(tái)被廣泛應(yīng)用于大數(shù)據(jù)的云存儲(chǔ)中。由于計(jì)算量大，平臺(tái)的計(jì)算效率越來(lái)越受到重視，除了提升平臺(tái)硬件性能外，軟件系統(tǒng)的計(jì)算效率也大大制約了云計(jì)算平臺(tái)整體性能，其中最受關(guān)注之一的是實(shí)現(xiàn)云計(jì)算平臺(tái)的高效資源調(diào)度。同時(shí)，數(shù)據(jù)存儲(chǔ)效率也成為一個(gè)關(guān)鍵的技術(shù)問(wèn)題，目前較高效的手段是采用云平臺(tái)，但往往因?yàn)閿?shù)據(jù)量過(guò)大，存儲(chǔ)效率不高。除了提升云存儲(chǔ)平臺(tái)的硬件性能之外，最有效的方法就是提升云存儲(chǔ)系統(tǒng)的效率，其中，以改進(jìn)云存儲(chǔ)平臺(tái)業(yè)務(wù)調(diào)度，來(lái)提升平臺(tái)效率是一種被廣泛使用的方法。

目前，粒子群算法已被廣泛應(yīng)用于資源調(diào)度、路徑尋優(yōu)、工業(yè)控制、數(shù)據(jù)分析等領(lǐng)域。在量子粒子群優(yōu)化（Quantum Particle Swarm Optimization，QPSO）算法中，位于量子空間中的粒子可以以某一概率出現(xiàn)在搜索空間中的任意一點(diǎn)。粒子搜索過(guò)程中的量子行為使得QPSO算法的全局收斂能力大幅提升，并在智能計(jì)算領(lǐng)域，特別是復(fù)雜問(wèn)題優(yōu)化方面，得到了更廣泛的應(yīng)用[1-2]。其比傳統(tǒng)的粒子群優(yōu)化算法（Particle Swarm Optimization，PSO）有著更高的收斂速度，且只要有足夠的迭代次數(shù)，就能以概率1收斂到最優(yōu)解。本文選擇QPSO算法來(lái)進(jìn)行云存儲(chǔ)平臺(tái)任務(wù)的調(diào)度策略尋優(yōu)，在應(yīng)用QPSO算法時(shí)，利用建立粒子迭代次數(shù)與收縮—擴(kuò)張系數(shù)云模型來(lái)計(jì)算其收縮—擴(kuò)張系數(shù)，進(jìn)而調(diào)節(jié)算法的收斂性能。本文將QPSO算法應(yīng)用于云計(jì)算資源調(diào)度中，為提升云計(jì)算平臺(tái)計(jì)算效率的研究提供一種新的思路和方法。

1? ? ?QPSO算法模型

QPSO算法是一種具有量子行為的PSO算法，若粒子尋優(yōu)空間中有N個(gè)代表尋優(yōu)解的粒子，第i個(gè)粒子在D維搜索空間的位置為Xi=（xi1，xi2，…，xiD），粒子i每次迭代局部最優(yōu)位置為pbi=（ pbi1， pbi2，…，pbiD），整個(gè)粒子群的全局最優(yōu)位置為gbi=（gbi1， gbi2，…， gbiD）。在量子空間中用波函數(shù)ψ（x）來(lái)確定粒子的狀態(tài)，粒子在空間中某一位置出現(xiàn)的概率可以用|ψ（x）|2表示，假設(shè)粒子i第t次迭代時(shí)，在d維的勢(shì)阱為pbid（t），則粒子i第t+1次迭代的波函數(shù)ψ（x）為[3]：

（1）

采用蒙特卡羅方法對(duì)粒子位置進(jìn)行隨機(jī)采樣，可得到粒子在第t+1次迭代時(shí)，第i個(gè)粒子第d維的位置分量xid（t+1）。勢(shì)阱特征長(zhǎng)度Lid（t）的值由公式（2）計(jì)算：

（2）

其中，mb被稱(chēng)為平均最優(yōu)位置，是粒子在所有維度上的個(gè)體最優(yōu)值的平均值。α為收縮—擴(kuò)張系數(shù)，決定了粒子的搜索能力。

2? ? 基于云模型的收縮—擴(kuò)張系數(shù)

云模型所表達(dá)概念的整體特性可以用云的數(shù)字特征來(lái)反映，主要有3個(gè)：期望Ex、熵En、超熵He，記作CE（Ex，En，He）。期望Ex是云滴在論域空間分布的期望，在本文中為粒子的收縮—擴(kuò)張系數(shù);熵En代表定性概念的可度量粒度，是迭代次數(shù)范圍。超熵He是熵的不確定性度量，反映了同一次迭代收縮—擴(kuò)張系數(shù)的模糊性和隨機(jī)性的程度[4-5]，粒子的收縮—擴(kuò)張系數(shù)云模型如圖1所示。

在應(yīng)用時(shí)，通過(guò)實(shí)驗(yàn)先利用逆向云發(fā)生器計(jì)算獲得云滴的數(shù)字特征（Ex，En，He），然后生成收縮—擴(kuò)張系數(shù)云模型。有了云模型，在迭代時(shí)就可以生成云滴，得到收縮—擴(kuò)張系數(shù)α的值，α的值可以根據(jù)具體的應(yīng)用來(lái)進(jìn)行調(diào)整。

3? ? 基于QPSO算法的云存儲(chǔ)平臺(tái)調(diào)度模型

設(shè)云存儲(chǔ)平臺(tái)中有m個(gè)計(jì)算資源，資源R={r1，r2，r3 ，..，rm};現(xiàn)有n個(gè)需要處理的計(jì)算任務(wù)集S，S={s1，s2，s3，…，sn}要合理地分配到資源R上，使得盡可能在云平臺(tái)執(zhí)行任務(wù)的時(shí)間最短，此時(shí)云儲(chǔ)存平臺(tái)就達(dá)到了最高效率。要實(shí)現(xiàn)該目的，就需要尋找到任務(wù)集S中的任務(wù)在資源池R中計(jì)算資源上的合理分配方案，即任務(wù)集S在資源池R上的最優(yōu)調(diào)度策略，在此將采用上文提出的QPSO算法來(lái)對(duì)云計(jì)算平臺(tái)最優(yōu)任務(wù)調(diào)度方案進(jìn)行尋優(yōu)。在粒子搜索時(shí)，用tij表示任務(wù)si在資源rj上執(zhí)行所花費(fèi)的時(shí)間，tij=0表示任務(wù)si沒(méi)有被調(diào)度到資源rj上執(zhí)行。

要提高云存儲(chǔ)平臺(tái)的效率，就要使得在平臺(tái)上執(zhí)行的任務(wù)集合時(shí)間越短越好。構(gòu)建一個(gè)粒子適應(yīng)度函數(shù)F，如公式（3）所示，其中λi ，ξi為調(diào)節(jié)因子，F(xiàn)的值與任務(wù)執(zhí)行總時(shí)間成反比關(guān)系：

，1≤i≤N （3）

在QPSO算法尋優(yōu)最優(yōu)調(diào)度策略時(shí)，可根據(jù)實(shí)際問(wèn)題，通過(guò)λi和ξi調(diào)節(jié)因子來(lái)動(dòng)態(tài)調(diào)整F的值大小，從而滿(mǎn)足算法的需要。

4? ? ?結(jié)語(yǔ)

文中通過(guò)對(duì)QPSO算法的建模分析，選擇了通過(guò)建立粒子迭代次數(shù)與收縮-擴(kuò)張系數(shù)α的云模型，來(lái)計(jì)算算法的收縮—擴(kuò)張系數(shù)，并建立了大數(shù)據(jù)云存儲(chǔ)平臺(tái)的任務(wù)調(diào)度模型。在任務(wù)調(diào)度模型中，采用了本文提出的QPSO算法，來(lái)對(duì)任務(wù)集在云存儲(chǔ)平臺(tái)上的調(diào)度策略進(jìn)行尋優(yōu)，最后給出了云存儲(chǔ)平臺(tái)任務(wù)調(diào)度算法的執(zhí)行步驟。

[參考文獻(xiàn)]

[1]辛菁，韓相帥，梁炎明，等.基于線(xiàn)性自適應(yīng)QPSO整定的倒立擺模糊滑?？刂芠J].系統(tǒng)仿真學(xué)報(bào)，2017（11）：2909-2917.

[2]黃為勇，徐曉菊，潘曉博，等.量子粒子群優(yōu)化算法的收縮—擴(kuò)張系數(shù)控制策略研究[J].計(jì)算機(jī)應(yīng)用研究，2016（9）：2592-2595.

[3]陳漢武，朱建鋒，阮越，等.帶交叉算子的量子粒子群優(yōu)化算法[J].東南大學(xué)學(xué)報(bào)（自然科學(xué)版），2016（1）：23-29.

[4]楊健兵.基于云模型的船舶系統(tǒng)制造商篩選[J].艦船科學(xué)技術(shù)，2019（20）：208-210.

[5]時(shí)維國(guó)，閆小宇.基于云模型的改進(jìn)粒子群PMSM參數(shù)辨識(shí)算法[J].大連交通大學(xué)學(xué)報(bào)，2019（1）：113-119.

Application of QPSO algorithm optimized by cloud model in task

scheduling of big data cloud storage platform

Yu Guolong， Wu Lian， Cui Zhongwei， Xiong Weicheng， Zuo Yu

（School of Mathematics and Computer Science， Guizhou Education University， Guiyang 550018， China）

Abstract：QPSO algorithm， as one of the best swarm intelligence algorithms， has a strong ability to find optimization， and it has obvious advantages to apply QPSO algorithm to the resource scheduling strategy of cloud computing platform. Through the research on the application of QPSO algorithm in cloud computing， it provides an effective method to improve the efficiency of cloud computing platform. This paper analyzes and studies the application of QPSO algorithm for cloud model optimization in business scheduling of big data cloud storage platform.

Key words：quantum particle swarm optimization algorithm; cloud computing; task scheduling; big data